Экономика и менеджмент \ Системы и методы принятия решений

Оптимізація просторово-часових параметрів функціонування системи керування, що навчається, страница 20

Порівняльний аналіз оперативності базових алгоритмів навчання за методом прямого пошуку і гібридного показав, що для наведеного прикладу базовий алгоритм за методом прямого пошуку достовірно знаходив глобальний максимум за 1,41 с, а гібрідний алгоритм за результатами 50 його прогонів у середньому при 15-кратній перевірці параметрів епохи знаходив глобальний максимум КФЕ  при розпізнаванні реалізацій класу   з точністю до  за 1,28 с і при п’яти-кратній перевірці – за 0,89 с. з точністю до . Тобто у гібридного алгоритму в першому випадку оперативність була вищою на 10%, а у другому випадку – на 27%. При цьому при 15-кратній перевірці відносна помилка визначення оптимального значення параметра    дорівнювала 0,025, а при п’ятикратній перевірці–0,623. За результатом проведеного аналізу рекомендовано застосовувати 10-кратну перевірку параметрів епохи, яка забезпечує середній час реалізації базового гібридного алгоритму 1,08 с. при компромісних   точнісних показниках.

Для оптимізації СКД на ознаки розпізнавання за гібрідним алгоритмом було розроблено власну модифікацію стандартного генетичного алгоритму, яка зводилася до таких суттєвих відмінностей:

·  примусовий вибір батьківських хромосом – двійкових векторів-реалізацій двох сусідніх класів, тобто множина всіх батьківських хромосом, задіяних при реалізації генетичного алгоритму, обмежується навчальною матрицею  ;

·  функції кросінговера на кожному кроці навчання виконує процедура випадкової зміни поля контрольних допусків на ознаки розпізнавання;

·  як фітнес-функція використовувалась безпосередньо функція інформаційного КФЕ навчання, що обчислювалась за формулою (3.5.5).

Завдяки тому, що в існуючих генетичних алгоритмах найбільш тривалою процедурою є реалізація оператора кросінговера, заміна його процедурою випадкової зміни параметра поля допуску    призвела до зменшення майже вдвічі часу оптимізації СКД у порівнянні із алгоритмом оптимізації СКД за методом прямого пошуку максимуму КФЕ навчання системи: 28,75 с і 56,42 с. відповідно. При цьому базовий алгоритм навчання реалізовував стандартну генетичну процедуру, а оптимізація СКД здійснювалася за паралельним алгоритмом, який доцільно використовувати при розпізнаванні зображень.

Задача підвищення оперативності реалізації алгоритмів навчання (перенавчання) в рамкам МФСВ зводиться до мінімізації кількості ітерацій оптимізації параметрів навчання. Найбільшу кількість ітерацій мають алгоритми навчання, які реалізують, крім базового алгоритму, оптимізацію СКД на ознаки розпізнавання за послідовним алгоритмом (4.4.1).  Кількість ітерацій  Ns для даного випадку можна оцінити за формулою:

,                              (4.10.1)

де       – кількість прогонів ітераційних процедур при оптимізації СКД.

          ND – кількість кроків оптимізації радіуса контейнера класу,

N – потужність словника ознак розпізнавання;

          М – потужність алфавіту класів розпізнавання;

VDi – верхній допуск на  і-ту ознаку розпізнавання;

 ND – нижній допуск на  і-ту ознаку розпізнавання;

           –крок оптимізації контрольних допусків для  і-ї ознаки/

          Якщо для навчання СК використовується паралельний алгоритм оптимізації СКД, то кількість ітерацій  Np  оцінюється за формулою:

де      VDg – верхній контрольний допуск на зведеній шкалі допусків;

NDg – нижній контрольний допуск на зведеній шкалі допусків;

 – крок оптимізації верхнього і нижнього контрольних допусків на зведеній полі допусків.

          Результати реалізації послідовного алгоритму оптимізації СКД (4.4.1) розглянемо на прикладі автофокусування електронного мікроскопа РЕМ-103 за зображеннями зразка, що досліджується. Для порівняння результатів оптимізації розглядалися два стаціонарні за яскравістю зображення, показані на рис. 4.9 (клас   – початкове (розфокусоване) зображення і клас   –поточне зображення, отримане на наступному кроці настроювання). Для цих класів була   сформована навчальна матриця яскравості розміром 100×100 пікселів. При цьому яскравість кожного пікселя зображення може приймати значення від 0 до 255 градацій яскравості чорно-білого графічного редактора. Оптимізація СКД на ознаки розпізнавання здійснювалася за методом прямого пошуку. Програмна реалізація алгоритму навчання здійснена Шелеховим І.В.

Скачать файл