Спосіб обробки інформації з використанням автоматичної штучної нейронної системи адаптованого резонансу з радіально-базисними функціями шару розпізнавання нейронної мережі

Спосіб обробки інформації, який включає суб'єктивне вимірювання параметрів шляхом сортування готових виробів на групи на основі зібраного масиву даних про кожний виріб, який відрізняється тим, що додатково автоматизують інформацію з використанням автоматичної штучної нейронної системи адаптованого резонансу з радіальнобазисними функціями шару розпізнавання мережі, яка включає блоки попередньої підготовки інформації, які виконують функцію попередньої підготовки інформації та приведення її до заданого діапа 3 46267 4 діапазону, цей спосіб не здатний задовольнити в ронних мереж та розроблена нова методика неліповному обсязі потреби досягнення інформативнійного нормування. ності вхідних даних при використанні їх для сортуВимірювальний модуль складається з вимірювання виробів на групи з метою подальшого аналівальних засобів і пристрою, що запам'ятовує, дозування з врахуванням взаємозв'язку великої зволяючи накопичувати дані вимірів [1]. кількості параметрів. Нечіткий процесор, за результатами роботи з Технічна задача корисної моделі полягає в експертами, формує набір нечітких правил (з прирозроблянні способу обробки інформації системи в'язкою до діапазону вимірів). технічного контролю з використанням автоматичНейромережевий процесор здійснює сортуної штучної нейронної системи адаптованого ревання на основі даних про вимірника. Для навчанзонансу з радіально базисними функціями шару ня нейронної мережі використовуються тренуварозпізнавання мережі, який включає блоки попельні шаблони, генеровані комп'ютером на підставі редньої підготовки інформації, які виконують фуннечітких правил [2]. кцію попередньої підготовки інформації та привеСам нейромережевий процесор функціонує дення ії до заданого діапазону, а саме блок згідно до алгоритму нейронних сети адаптивного нелінійного та лінійного нормування, які керуються резонансу [3]. При цьому: центральним процесором та передають сигнали Шар розпізнавання відповідає радіальнона блок розпізнавання, який зчитує пам'ять систебазисній функції (1): N ми та використовуючи радіально-базисні функції вираховує найбільш близький до поданої на вхід Fl (x ) w iG x - x i (1) інформації відповідний образ збережений в пам'яi =1 , ті, та на блок порівняння, що відповідно до наданої центральним процесором інформації вираховує де, Fl (x ) - рішення задачі регуляризації на ба å ( мірі подібності врахованої блоком порівняння пари та оцінює її відповідність заданим оператором вимогам і у разі відповідності центральний процесор згідно заданих правил самонавчання послідовно змінює пам'ять системи з ціллю збереження знайденої відповіді та запускає зворотні процеси у блоках лінійного та нелінійного нормування з ціллю представлення винайденого елементу пам'яті у зручному для оператора вигляді. Поставлена задача вирішується тим, що у способі за допомогою відповідного пристрою використовують нечітку сортувальну систему на базі нейронних сітей з радіально базисними функціями та пристрій для реалізації запропонованого способу. Нейросетевий сортувальник складається із наступних модулів: модуль вимірювальних засобів, нечіткий процесор, нейросетевий процесор, інтерфейс (фіг.). Такий спосіб дозволяє досягнути наступного технічного результату: за допомогою нечіткого процесора проводиться визначення правил функціонування мережі у відповідності до експертних знань, згідно правил генерується навчальний підручник для нейросетевого процесора, який реалізує функції мережі адаптивного резонансу з радіально-базисними функціями шару розпізнавання для продуціювання відповіді системи. Запропонований спосіб розширює можливості застосування автоматизованих інформаційних технологій у задачах технічного контролю та розпізнавання та надає можливість застосування таких технологій для виконання нових функцій, які не випливають з відомих раніше властивостей цих технологій. При цьому отримують додатковий ефект - ефект суттєве підвищення точності рішення задач технічного контролю за рахунок урахування скритого взаємозв'язку поданих на вхід даних, що аналізується нейромережевим процесором. При реалізації запропонованої корисної моделі були розроблені та обґрунтовані методи попереднього нормування вхідних даних нелінійних ней ) зі набору представлених «учбових» прикладів, ( G x - xi wі ваги нейронів, ) - радіально-базисна функція [4]. 2) Шар порівняння такий, що результатом його роботи є відношення відстані Евкліда між вектором вимірюваних параметрів, підданих на хід нейропроцесора, і вектором центру нейрона переможця шару порівняння до розмірності вхідного вектора. Якщо обчислене значення вище заданого оператором порогу, то вважається, що умову розпізнавання виконано [5]. Новизна даного підходу полягає в використанні нейромережевим модулем функції адаптивного резонансу з радіально-базисними функціями шару розпізнавання. Для реалізації способу використовують наступне обладнання інформаційних інфраструктур: - периферійні пристрої - блоки вимірювальної апаратури, нечіткий процесор, блок пам'яті; - вимірювальні датчики відповідно до кількості вимірювальних параметрів; - центральний процесор та інтерфейс; - нейромережевий блок що реалізує функцію мережі адаптивного резонансу з радиальнобазисною функцією шару розпізнавання; - периферійні пристрої - блоки пов'язують мережею передачі даних з центральним процесором. Сутність запропонованої корисної моделі пояснюється наступним прикладом: Приклад №1 Методика була перевірена на практиці за вибірки з 112 електродвигунів, вироблених протягом 1 дня. Нечіткий нейромережевий сортувальник був інтегрований у випробувальний стенд для сортування електродвигуна приводу інвалідного кріслаколяски. Випробувальний стенд проводить вимір 8 параметрів електродвигуна для завдань технічного контролю. Зняті показники після попереднього нелінійного сортування додатково піддавалися аналізу за допомогою ART-RBF нейромережевого сортувальника. Для побудови підручника ART-RBF 5 46267 6 мережі було проведено інтерв'ювання групи ексчислі в таких сферах народного господарства як: пертів (конструктори, технологи, співробітники машинобудування (системи вхідного контролю і ВТК). На підставі інтерв'ю був побудований шабконтролю якості), мобільний зв'язок (системи облілон нечітких правил для поділу виробів на 5 груп: ку абонентів), інформаційні технології (системи - «контроль» - параметри виробу за межами розпізнавання атак), сертифікація продукції і подопустимого; слуг (системи незалежного контролю) та інші. - «група ризику» - необхідний посилений контПеревагою вживання нечіткого нейромережероль виробу; вого сортувальника в реальному виробництві є - «нормальний виріб»; облік не лише абсолютних значень допусків, вста- «підвищена надійність» - виріб з покращениновлених на етапі проектування, але й їх відносми властивостями; них значень, а також співвідношень. - «посилений виріб» - виріб підвищеної потужЗапропоноване рішення є новим та може бути ності. промислово застосованим, запропонована систеНечіткі правила для використання нейромерема обробки інформації з використанням автоматижевого сортувальника приведені до діапазону чної штучної нейронної системи адаптованого ре(а;b), що відповідає допуску, встановленому консзонансу з радіально базисними функціями шару труктором, причому зміна параметра в напрямі від розпізнавання мережі може бути реалізована про«Ь» до «а» сприяє підвищенню споживчих властимисловим способом, оскільки її складові вузли і востей виробу. На основі створених правил за блоки побудовані на основі елементної бази шидопомогою комп'ютера згенерували 60 повчальних рокого застосування. шаблонів: по 10 для кожної групи і 20 для групи Сукупність суттєвих ознак корисної моделі «контроль». корисної моделі, що заявляється, не відома з рівня Комп'ютерна модель ART-RBF мережі, що витехніки та може бути застосована в таких сферах, користовувалась для сортування, містила 10 нейяк інформаційні технології, а також використана в ронів в прихованому шарі і 5 у вихідному, що відтаких галузях, державних установах і службах, повідає кількості груп сортування. Нейрон комерційних структурах, промислових підприємствихідного шару з максимальною активацією співвах, у сфері виробництва, транспортування нафти відносить поданий на вхід вектор з однією з п'яти та газу, аерокосмічні та харчові промисловості. виділених експертами груп. Пропонується відомий спосіб застосувати інНа вхід мережі подавався 8 компонентний векформаційні системи з використанням обробки інтор, відповідно до 8 типів вимірів, що проводяться формації з використанням автоматичної штучної згідно технічних умов. Вживане нелінійне нормунейронної системи адаптованого резонансу з равання приводить компоненти вектора перед подадіально базисними функціями шару розпізнавання чею на вхід нейропроцесора до діапазону (-1; 1). мережі для виконання нової функції і для отриВиходячи з прикладу застосування запропономання нового технічного результату. Запропонованого способу та приводу для його реалізації вана корисна модель що заявляється, є новим дозволяє здійснювати реалізацію швидких, висоперспективним напрямком у сфері інформаційних коточних і не вимогливих до ресурсів систем кластехнологій та може знайти широке застосування теризації вхідних даних на базі послідовних ЕОМ на практиці. для вирішення широкого спектру завдань. У тому Комп’ютерна верстка Г. Паяльніков Підписне Тираж 28 прим. Міністерство освіти і науки України Державний департамент інтелектуальної власності, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601