Спосіб навчання шестишарового персептрона класифікації та діагностики виробів

Спосіб навчання шестишарового персептрона класифікації та діагностики виробів, який полягає в тому, що класифікацію об'єктів за ознаками роб лять на основі шестишарового персептрона, який перетворює вхідну інформацію у бінарний номер класу екземпляра, який відрізняється тим, що ваги шестишарового персептрона настроюють автоматично в безітераційному режимі, для чого діапазон значень кожної ознаки екземплярів навчальної вибірки розбивають на інтервали, до яких відносяться екземпляри з однаковим номером класу, визначають значення меж та номери класів кожного інтервалу, а також КІЛЬКОСТІ інтервалів для кожної ознаки, після чого визначають інформативність ознак та значення ваг персептрона Винахід відноситься до кібернетики й обчислювальної техніки і може бути використаний для розпізнавання образів і визначення технічного стану (діагностики) технічних об'єктів без їхнього розбирання Відомий спосіб навчання багатошарового персептрона розпізнаванню образів (класифікації), який полягає в тому, що вагові коефіцієнти нейронів багатошарового персептрона настроюють в ітераційному режимі, змінюючи їхні значення на величини, порівняні з помилкою, яку вносять ці вагові коефіцієнти у результат розпізнавання для екземплярів навчальної вибірки При цьому помилки, що вносять вагові коефіцієнти, визначають шляхом обчислення градієнтів цільової функції навчання - середньоквадратичної помилки навчання персептрона [1] Недоліком відомого способу є низька швидкість навчання розпізнаванню, що обумовлюється ітераційністю процедури настроювання ваг і великим обсягом обчислень для розрахунку градієнтів цільової функції навчання В основу винаходу поставлена задача підвищення швидкості навчання шестишарового персептрона, що є окремим випадком багатошарового персептрона, розпізнаванню багатопараметричних образів Поставлена задача вирішується тим, що в способі навчання шестишарового персептрона класифікації та діагностиці виробів, який полягає в тому, що класифікацію об'єктів за ознаками роб лять на основі шестишарового персептрона, який перетворює вхідну інформацію у бінарний номер класу екземпляра, ваги шестишарового персептрона настроюють автоматично в безітераційному режимі, для чого діапазон значень кожної ознаки екземплярів навчальної вибірки розбивають на інтервали, до яких відносяться екземпляри з однаковим номером класу, визначають значення меж та номери класів кожного інтервалу, а також КІЛЬКОСТІ інтервалів для кожної ознаки, після чого визначають інформативність ознак та значення ваг персептрона Такий спосіб дозволяє підвищити швидкість навчання шестишарового персептрона класифікації та діагностиці Настроювання параметрів шестишарового персептрона для рішення задач класифікації і діагностики запропонованим способом здійснюють наступним чином Задають навчальну вибірку екземплярів, які характеризують певними ознаками Кожному екземпляру даних зіставляють бінарний номер, який визначає приналежність екземпляра до певного класу Задану навчальну вибірку екземплярів із зіставленими номерами класів вводять до пам'яті ЕОМ При цьому навчальну вибірку екземплярів заносять у масив даних р, у якому ознаки екземплярів лінеаризують по рядках, а номери екземплярів - по стовпцях, а ВІДПОВІДНІ номери класів, зіставлені екземплярам навчальної вибірки (0 чи 1) 00 о ю 50448 заносять у масив t На основі введених даних визначають параметри, необхідні для настроювання ваг персептрона Для цього виконують кроки 1-12 Крок 1 Створюють масив пх, рівний за розміром КІЛЬКОСТІ ознак N, що характеризують екземпляри навчальної вибірки, елементи якого будуть містити число інтервалів для кожної ознаки Встановлюють пх(і) = 0, і = 1, ,N, де і - номер поточної ознаки Заносять КІЛЬКІСТЬ екземплярів навчальної вибірки у змінну S Встановлюють номер поточної ознаки і = 1 Крок 2 Якщо і s N, тоді переходять на крок 3, у противному випадку - переходять на крок 12 Крок 3 Заносять у буфер ознак х вектор значень І-ОІ ознаки з навчальної вибірки x(j) = p(l, j), j = 1, ,S, заносять у буфер класу у копію масиву t yG) = tG),] = i , ,s Крок 4 Відсортовують масиви х і У в порядку зростання масиву х для чого виконують кроки 4 1 47 Крок 4 1 Встановлюють номер поточного екземпляра навчальної вибірки j = 1 Крок 4 2 Якщо j s S, тоді переходять на крок 4 3, в противному випадку - переходять на крок 5 Крок 4 3 Встановлюють номер поточного екземпляра k = j + 1 Крок 4 4 Якщо k s S, тоді переходять на крок 4 5, в противному випадку - переходять на крок 4 7 Крок 4 5 Якщо х(|) > х(к), тоді встановлюють tmpx = х(|), х(|) = х(к), х(к) = tmpx, tmpy = у(|), у(|) = у(к), у(к) = tmpy, де tmpx і tmpy - буферні перемінні Крок 4 6 Встановлюють k = k + 1 Переходять на крок 4 4 Крок 4 7 Встановлюють j = j + 1 Переходять на крок 4 2 Крок 5 Встановлюють s = 1, k = 1 Крок 6 Якщо s s S, тоді встановлюють tempa = x(s), де tempa - буфер для збереження лівої границі k-го інтервалу І-ОІ ознаки, і переходять на крок 7, у противному випадку - переходять на крок 11 Крок 7 Поки (s < S) і (y(s) = y(s + 1)) виконують s = s + 1 Крок 8 Якщо (s = S) I (y(s) = y( s - 1), тоді встановлюють Кх(і, k) = y(s), Ax(i,k) = tempa, Bx(i, к) = x(s), k = k + 1 , s = s + 1,Ta переходять на крок 10 Тут Кх(і, к) - номер класу, зіставлений екземплярам навчальної вибірки, значення І-ОІ ознаки яких попадає в середену k-го інтервалу, Ах(і, к) і Вх(і, к) - ліва і права границі k-го інтервалу І-ОІ ознаки, ВІДПОВІДНО Крок 9 Якщо (s 0; 1,ц=1,р = 2і-1,я = -l»M- = I,p = 2i,q =1; k = 1 , ,nx(i), i = 1, ,N Функцію активації для всіх нейронів персептрона задають у такий спосіб 0,z