1. Введение

Искусственные нейронные сети (ИНС) в настоящее время находят всё более широкое применение в различных областях науки и техники, вследствие их преимуществ в параллельной обработке информации по сравнению с последовательными ЭВМ. В связи с развитием информационных технологий обработки данных и появлением их новых направлений, актуальной является задача подготовки специалистов, знающих принципы функционирования ИНС и способных применять нейронные сети в составе технических систем. Известны различные пакеты, в которых моделируются и исследуются ИНС. В тоже время, методические разработки, представляющие наглядно процесс обучения ИНС, слабо проработаны.

Наиболее распространенный математический пакет MATLAB, включающий в себя пакет прикладных программ моделирования нейронных сетей Neural Network Toolbox (NNT), ограничен в возможностях графического представления данных. В тоже время имеется аппаратно-программный комплекс LabVIEW, устраняющий эти недостатки.

В представленной работе обучение ИНС осуществляется на примере полученных ЯМР спектров водного раствора органической жидкости.

2. Описание работы программы

В работе наглядно показаны результаты обучения основных архитектур-топологий: многослойных сетей прямого распространения, радиальных и рекуррентных сетей [1].

Интерфейс пользователя организован в виде функционально связанных блоков, позволяющих задавать: топологию ИНС, функцию активации и количество нейронов сети (рис.1). Так же имеется возможность проверки устойчивости системы ИНС введением аддитивного шума (с гауссовским распределением) в процентах по отношению к исходной информации. При нажатии кнопки «Выбор входа» пользователю предоставляется возможность выбрать файл, содержащий входную информацию для ИНС, из списка. При этом ^а вкладке «Моделирование входных данных» программного модуля в графическом виде выводятся данные из файла (рис.2). Отдельные блоки предназначены для запуска процесса обучения и адаптации ИНС.

В основе программного модуля использованы имеющиеся алгоритмы обучения ИНС пакета прикладных программ NNT [2]. В частности, применяется алгоритм обратного распространения ошибки, назначение которого состоит в поиске глобального экстремума функции многих переменных. Здесь ИНС выступает в роли универсального аппроксиматора обучающих данных. Процесс обучения ИНС качественно представлен с помощью графика уменьшения погрешности с каждым шагом итерации численных методов решения задачи. Это дает возможность визуально оценить работу ИНС, и сравнить результаты обучения по нескольким топологиям сетей, учитывая скорость и точность адаптации сети.

Рис. 1. Интерфейс программного модуля

Предложенный в данной работе метод обработки данных по принципу действия относится к задачам распознавания. В ходе работы на примере выбранных данных лучшим образом показала себя ИНС структуры Элмана. При этом была достигнута заданная точность распознавания данных, которая составила доли процента, что является приемлемым результатом.

Таким образом, были проведены исследования основных типов нейронных сетей, и разработан программный практикум по ИНС в виде функционального блока с возможностью изменения параметров сети и сравнения результатов обучения ИНС. Тем самым была получена возможность применения данных для определения оптимальности выбора той или иной нейронной сети. Пользователь задаёт самостоятельно характер обучающих и тестирующих сеть данных, работу с файловой системой ЭВМ, сохранение результатов работы и использование их для работы с другими программными приложениями.

При этом, имеется возможность: задания погрешности обучения, тестирования ИНС и вывода графиков, характеризующих качество итерационного метода обучения, получения табличного соотнесения выходных данных.

Рис. 2. Графическое представление выбираемых входных данных

3. Используемое оборудование и ПО

В работе анализировались экспериментальные данные, полученные на ЯМР спектрометре BRUKER AVANCE 400. Обработка данных проводилась на компьютере с помощью программного обеспечения: LabVIEW и MA TLAB.

4. Внедрение и развитие решения

Программный модуль позволяет: обрабатывать данные для определения оптимальной топологии ИНС и исключения переобучения; представлять графически процесс обучения ИНС, что важно для пояснения принципа её работы. Данный блок программ может найти широкое применение не только для обработки результатов, но и для последовательного познания принципа ИНС. В частности, программный пакет можно использовать для реализации лабораторного практикума.

Список литературы

1. С. Осовский Нейронные сети для обработки информации Москва: Финансы и статистика, 2002. 344 с.

2. B.C. Медведев, В.Г. Потемкин Нейронные сети. MATLAB 6 Москва.: МИФИ, 2002. 496 с.