Increasing the share of correct clustering of characteristic signal with random losses in self-organizing maps

Abstract

9. Lozynskyy A., Demkiv L. Synthesis of fuzzy logic controller of nonlinear dynamic system with variable parameters // Computational problems of electrical engineering. Проведено аналіз способів оптимізації алгоритмів функціонування нейронних мереж Кохонена -карт самоорганізації (Self-organizing map -SOM) за швидкістю навчання та часткою коректної кластеризації. Визначено ефективну оптимізацію карт самоорганізації за другим критерієм -Enhanced Self-Organizing Incremental Neural Network (ESOINN). Визначено, що у випадку неповного вхідного сигналу, тобто сигналу з втратами в невідомі моменти часу, частка коректної кластеризації неприпустимо низька на будь-яких алгоритмах SOM, як базових, так і оптимізованих. Неповний сигнал представлено як вхідний вектор нейронної мережі, значення якого подані єдиним масивом тобто без урахування відповідності моментів втрат поточним значенням і без можливості визначення цих моментів. Запропоновано та програмно реалізовано спосіб визначення відповідності неповного вхідного вектора до вхідного шару нейронів для підвищення частки коректного розпізнавання. Спосіб засновано на пошуку мінімальної відстані між поточним вхідним вектором та вектором-ваг кожного з нейронів. Для зменшення часу роботи алгоритму запропоновано оперувати не окремими значеннями вхідного сигналу, а їх неподільними частинами та відповідними групами вхідних нейронів. Запропонований спосіб реалізовано для SOM та ESOINN. Для доведення ефективності реалізації базового алгоритму SOM проведено його верифікацію з існуючими аналогами інших розробників. Розроблено математичну модель для формування прикладів повних сигналів навчальної вибірки на основі еталонних кривих другого порядку та сформовано навчальну вибірку. За цією навчальною вибіркою було проведено навчання всіх нейронних мереж, реалізованих з використанням запропонованого способу та без нього. Розроблено схему імітації втрат та згенеровано тестові вибірки для обчислювальних експериментів на неповних сигналах. На основі експериментів доведено ефективність запропонованого способу для класифікації за неповним вхідним сигналом на основі карт самоорганізації як для реалізацій базового алгоритму SOM, так і для ESOINN Ключові слова: карта самоорганізації, SOM, ESOINN, нейронні мережі Кохонена (Kohonen), сигнал з втратами, втрати в часовому ряді, класифікація за характеристичним сигналомUDC 004.032.26

Аn Artificial Neural Networks Modeling Environment for Solving a Clustering Task

“…В середовище вбудовано такі різновиди SOM: GSOM [6], SOINN [7], ESOINN [8], SOMbase, SOMmod [5], Encog [9], NeuroPH [10]. Архітектура середовища.…”

“…Для подібних задач необхідно розробити нові алгоритми, доповнені відносно базового алгоритму SOM, і, відповідно, провести їх валідацію. Приклад такої розробки наведено в статті [5] для задачі класифікації за характеристичним сигналом з випадковими втратами на основі карт самоорганізації.…”