Главная > Интеллектуальные системы > Адаптация сложных систем
<< Предыдущий параграф
Следующий параграф >>
<< Предыдущий параграф Следующий параграф >>
Макеты страниц

6.4.5. Применение перцептрона с адаптивной структурой для решения некоторых практических задач распознавания

Перцептрон с адаптивной структурой связей А-элементов с сетчаткой использовался для решения ряда практических задач распознавания. Рассмотрим эти задачи.

6.4.5.1. Классификация объектов промышленного производства

Перцептрон с адаптивной структурой использовался для классификации деталей в зависимости от их конструктивно-технологических признаков и характера производства [56].

Для минимизации технологических затрат при изготовлении объектов производства могут быть использованы стандартные (групповые, типовые, нормализованные) технологические процессы, являющиеся оптимальными в данных условиях производства. Выбор таких оптимальных технологических маршрутов проводится на основе классификации объектов производства. Например, распределение деталей по группам (классификация) в зависимости от их конструктивно-технологических признаков и характера производства позволяет однозначно определить конкретные методы и средства изготовления деталей.

Однако, чтобы получить объективную классификацию, минимизирующую затраты на изготовление объектов производства с учетом ограничений, имеющих место для конкретных условий данного предприятия (ограничения на станочный парк, его загрузку и т. д.), необходимо рассчитать стоимость затрат на изготовление для множества различных вариантов технологических процессов. Это очень громоздкая и сложная вычислительная задача, решение которой не всегда возможно из-за отсутствия необходимой информации. Поэтому на практике задача классификации решается экспертным путем. Очевидный интерес представляет имитирование мнения специалиста и выведение формальных решающих правил для целей классификации. Такие правила могут синтезироваться обучаемыми алгоритмами перцептронного типа. Сформулируем задачу классификации.

Пусть имеется некоторое множество объектов, представляющих собой совокупность деталей или изделий промышленного производства. Каждый объект может быть описан некоторым n-мерным вектором X двоичных признаков.

Такими признаками могут быть конструктивные и технологические характеристики данного объекта. Множество объектов в общем случае состоит из определенного числа пересекающихся подмножеств или классов. Здесь под классом объектов подразумевается подмножество деталей, характеризующееся общностью технологического процесса. Например, множество деталей, обрабатываемых на токарных станках, образует один класс, на револьверных — другой и т. д. Поскольку некоторые детали можно с одинаковой эффективностью обработать как на токарных, так и на револьверных станках, то классы таких объектов пересекаются.

Рис. 6.4.4. (см. скан) Детали, обрабатываемые на токарных станках.

Рис. 6.4.5. (см. скан) Детали, обрабатываемые на револьверных станках

В случае дихотомии (два класса) задача классификации заключается в построении некоторой решающей функции вида (6.4.2), где В — множество объектов одного класса, С — другого. Обучающая последовательность деталей, разбитых на указанные классы, составляется квалифицированным технологом — экспертом.

Для решения этой задачи может быть использован описанный выше алгоритм трехслойного перцептрона с адаптацией структуры, В качестве примера рассмотрим одну конкретную задачу классификации деталей, обрабатываемых на токарных или револьверных станках. В каждой группе было по 20 объектов (рис. 6.4.4, 6.4.5), каждый из которых описывался 20-мерным вектором двоичных признаков (табл. 6.4.2). На ЭВМ моделировался трехслойный перцептрон с сетчаткой из 20 рецепторов и 25 А-элементами. Каждый А-элемент имел два входа для возбуждающих связей и один — для тормозящей связи с сетчаткой. Порог 9 каждого А-элемента принимался равным единице.

Таблица 6.4.2 (см. скан)

Из общего числа объектов, равного 40, был выбран ряд обучающих последовательностей, и для каждой из них проводилось четыре независимых эксперимента: четыре раза случайным образом выбиралась исходная структура и для каждой структуры проводилось обучение с последующим экзаменом по оставшейся части объектов, не вошедшей в обучающую последовательность. Для обучения использовались два алгоритма: алгоритм I -система подкрепления с коррекцией ошибок) и предложенный выше алгоритм II (а-система подкрепления с коррекцией ошибок в комбинации с алгоритмом адаптации структуры).

Результаты экзаменов, осредненные по четырем экспериментам, для обучающей последовательности из 12 объектов приведены на рис. 6.4.6.

Полученные результаты показали, что использование перцептрона с адаптивной структурой для решения задачи классификации

Рис. 6.4.6. Результаты классификации деталей, представленных на рис. 6.4.4-6.4.5. Обозначения те же, что и на рис. 6.2.3.

объектов промышленного производства позволяет повысить надежность классификации в среднем на 10—15% по сравнению с обычным перцептроном; надежность классификации при этом достигает 80%.

<< Предыдущий параграф Следующий параграф >>
Оглавление