Тезисы Волотка В.С. 16й молод.форум ХНУРЭ_2012

ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ
ПРОГНОЗИРОВАНИЯ ТРАФИКА
Волотка В.С.
Научный руководитель – к.т.н., доц. Костромицкий А.И.
Харьковский национальный университет радиоэлектроники
(61166, Харьков, пр. Ленина, 14, каф. «Сети связи», тел. (057)7021429)
E-mail: [email protected]
There are currently a large number of neural system used in various areas:
forecasting, management, diagnosis in medicine and technology, pattern recognition, etc. Architecture and features of the artificially NN formed by neurons
that depend on the specific tasks that must be solved with their help. For the
construction of the NN of the software package STATISTICA Neural Networks,
has a friendly interface and allows you to conduct all the research online. Package MATLAB also provides of users the ability to work with neural networks.
Адекватным аппаратом для решения задач диагностики и прогнозирования могут служить искусственные нейронные сети (НС) [1], реализующие идеи предсказания и классификации при наличии обучающих последовательностей.
В настоящее время разработано большое число нейронных систем,
применяемых в различных областях: прогнозировании, управлении,
диагностике в медицине и технике, распознавании образов и т.д.
Нейронная сеть – совокупность нейронных элементов и связей между
ними. Основной элемент нейронной сети - это искусственный нейрон,
который моделирует структуру и функции биологических нейронов.
Архитектура и особенности искусственных НС, образованных нейронами,
зависят от конкретных задач, которые должны быть решены с их помощью
[2]. Структура искусственного нейрона представлена на рис.1.
Рисунок 1 – Структура искусственного нейрона
Входными сигналами искусственного нейрона xi (i  1, N ) являются
выходные сигналы других нейронов, каждый из которых взят со своим весом Wi (i  1, N ) , аналогичным синаптической силе.
НС не программируются в привычном смысле этого слова - они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения НС способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение.
Известные типы НС: персептрон Розенблатта; многослойный перцептрон; сеть Джордана; сеть Элмана; сеть Хэмминга; сеть Ворда; сеть Хопфилда; сеть Кохонена; когнитрон; неокогнитрон; хаотическая НС; осцилляторная НС; сеть встречного распространения; сеть радиальных базисных
функций (RBF-сеть); сеть обобщенной регрессии; вероятностная сеть.
Существует около десятка программных продуктов для работы с НС.
Наибольшими функциональными возможностями из них обладают пакеты
STATISTICA Neural Networks и пакет фирмы “The MathWorks” MATLAB.
Первый из вышеуказанных пакетов имеет удобный интерфейс и позволяющий проводить все исследования в диалоговом режиме. Существенным преимуществом пакета STATISTICA Neural Networks является то, что
он естественным образом встроен в мощный арсенал аналитических
средств программы STATISTICA. Именно сочетание классических и
нейросетевых методов дает нужный эффект [3].
Входящий в стандартную поставку MATLAB Toolbox предоставляет
широкие возможности для работы с НС всех типов. Использование “Neural
Network Toolbox” совместно с другими средствами MATLAB открывает
широкий простор для эффективного комплексного использования современных математических методов для решения самых разных задач прикладного и научного характера [4].
Список источников:
[1]. Калан, Роберт. Основные концепции нейронных сетей.: Пер. с
англ. – М.: Издательский дом Вильямс, 2001.– 288 с.
[2]. Руденко О.Г, Бодянский Е.В. Искусственные нейронные сети:
Учебное пособие. – Харьков: «Компания СМИТ», 2005. – 408 с.
[3]. Нейронные сети STATISTICA Neural Networks: Методология и
технология современного анализа данных / Под редакцией В.П. Боровикова. – 2-е изд., перераб. и доп. М.: Горячая линия - Телеком, 2008. – 392 с.
[4]. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. – М.:
ДИАЛОГ – МИФИ, 2002. – 496 с.