Искусство в IT-технологиях...

Нестерук Татьяна Никифоровна. Разработка модели адаптивного корпоративного сайта и инструментария для повышения эффективности маркетинговых решений, 2006

2.4.4. Аналитические исследования алгоритмов адаптации НС с нечеткими связями

Выше рассмотрены алгоритмы обучения нейронных сетей, использующие систему нечетких связей, а именно: генетический алгоритм и алгоритм минимизации расхождений в координатах расчетного и целевого выходных векторов.
Первый использует эволюционную методику подбора последовательности размещения взвешенных локальных связей в пределах соответствующих нечетких связей в процессе обучения. Второй характеризуется направленностью действий для достижения целевой функции - минимизации ошибки рассогласования расчетного и целевого
скрытого слоя, получается суммированием полученных произведений и умножением на производную сжимающей функции.
Т. е. полученные значения ошибки Sj /-го ФН {j+l)-vo слоя умножаются на значение веса w, и суммируются по числу пг\ ФН в (/'+1)-м слое НС. Полученная суммарная ошибка умножается на значение производной функции активации текущего j-ro слоя НС. Итого для определения ошибки, приведенной к выходу ФН у'-го скрытого слоя, необходимо выполнить (л,н +2) операций умножения и пг\ операций сложения для каждого ФН в скрытом слое п^\ а х (nJt\+2) т.
Затем для коррекции весов ФН у'-го скрытого слоя, как и для случая выходного слоя НС, следует выполнить ty.x операцию умножения х, А и столько же операций сложения щ + Д>^, т.е. затратить время, равное (а \-т).
Таким образом, для одного цикла коррекции всех весов k-слойной НС с размерностью входного вектора щ и числом ФН в слоях и,, где /=1 ,...,к потребуется время

hs =»Д(«*-| +2)« + (лд., + 3)m)+ + + + («,,, + 2)w). (1)


Алгоритм обучения НС с системой нечетких связей
Оценим временные затраты выполнения цикла обучения обычной НС с нечеткой связью по алгоритму минимизации расхождений в координатах расчетного и целевого выходных векторов.
Подстройка взвешенных связей выходного слоя НС. Формирование вектора несоответствий выходного слоя НС связано с выполнением операций вычитания D = Y - Q по числу пк ФН в слое, т. е. щ а, где а - время выполнения «короткой» операции.
Затем координаты вектора D разделяются на две группы в зависимости от знака, для чего потребуется щ раз провести анализ знака координат вектора Д и выполнить сортировку, например методом «пузырька» [101],
затратив максимум 0,5 а щ (пк- I) единиц времени. Сортировка необходима для формирования пар расхождений - координат с противоположными знаками и близкими значениями модулей. Оставшиеся координаты вектора не являются противоположными расхождениями.
Для каждого ФН, входящего в состав пары противоположного расхождения, путем сравнения выявляется входная локальная связь с максимальным /минимальным значением веса с затратой (nk.j - 1) а, где nk.i-число ФН в предыдущем слое НС, после чего выполняется сравнение весов переставляемых локальных связей в пределах нечеткой связи (определяется целесообразность перестановки) и сама перестановка. В пересчете на ФН затраты времени составят (л*./ а + 1).
Для каждого ФН, не входящего в состав пары противоположного расхождения, помимо выявления связи с максимальным /минимальным значением веса необходимо выбрать для отобранной локальной связи ближайший антипод в пределах НЧС, для чего необходимо затратить время (пк -1) а.
В пересчете на ФН затраты времени составят (пк + nk.t -1) а + 1.
Итого, для подстройки выходного слоя НС потребуются затраты времени 0,5 пка(пк+2пк.,+5).
Подстройка взвешенных связей скрытого слоя. Имеющиеся отличия связаны с формированием промежуточного вектора несоответствий. Используются правила трансляции знака: 1) знак координаты вектора рассогласования последующего слоя 11С передается на Ф11 текущего слоя по локальной связи с максимальным/минимальным весом для, соответственно, положительного/отрицательного рассогласования; 2) если на один и тот же ФН поступили противоположные рассогласования, выбирается знак рассогласования с большим весом. Суммарные затраты на обучение связей скрытого слоя не превышают вышеприведенной оценки для выходного слоя НС.
Таким образом, для одного цикла коррекции информационного поля к- слойной 11С с размерностью входного вектора щ и числом ФН в слоях п„ где /=1 к потребуется время, не превышающее


(2)
Для сокращения времени цикла обучения НС можно внести элемент случайности в формирование пар рассогласований вектора. С этой целью исключить сортировку координат вектора несоответствия D в порядке убывания значений. В этом случае перестановки локальных связей будут также выполняться для противоположных по знаку координатах вектора D , но без учета величин модулей.
Эффективность перестановки оценивается как в генетических алгоритмах по минимуму целевой функции - величине модуля векгора D.
Для одного цикла коррекции информационного поля ?-слойной НС с размерностью входного вектора щ и числом ФН в слоях л„ потребуется время, не превышающее

(3)
Для оценки эффективности проведения цикла обучения с использованием системы нечетких связей сравним выражения (2) и (3) с выражением (1) для алгоритма обратного распространения ошибки.

так и без выполнения сортировки
Предполагая, что число ФН в слоях одинаково, получим соотношения для обучения скрытых слоев НС как для случая проведения сортировки координат вектора несоответствия


Из приведенных выражений (4) и (5) следует, что и при обучении скрытых слоев НС эффективность обучения НС с системой нечетких связей слабо зависит от числа формальных нейронов в слое НС. Если предположить постоянство количества ФН в скрытых слоях НС, то зависимости (4) и (5) асимптотически стремятся к конечным значениям (рис. 2.10. и 2.11). Обучение по методу ГА дает более высокие показатели (рис. 2.11).
предыдущий следующий
= К содержанию =


2.4.4. Аналитические исследования алгоритмов адаптации НС с нечеткими связями - релевантная информация:

  1. 2.4.5. Моделирование процессов адаптации нейро-нечетких классификаторов
    аналитического исследования и последующего компьютерного моделирования следует, что генетические алгоритмы являются наиболее скоростным методом адаптации нейросетевых классификаторов для системы учета интересов посетителей корпоративного сайта. Причем лучшая динамика обучения получена при использовании алгоритмов по методу ГЛ с обменом генами в пределах нечетких
  2. Выводы по главе 2
    аналитическое исследование и компьютерное моделирование для оценки эффективности предложенных &1горитмов адаптации информационного поля нейро-нечеткого классификатора, подтвердившие, что генетические алгоритмы являются наиболее скоростным методом адаптации нейро-нечетких сетей в составе иерархических классификационных уровней корпоративного сайта. Причем лучшая динамика обучения НС получена при
  3. Выводы по главе 1
    исследования потребностей, а также средств формирования базы знаний потребления и нового способа формирования информационного потребления. В качестве аппарата для исследования информационных процессов в сложных экономических системах можно использовать теорию управления и принятия решений, а для исследования процессов формирования и накопления знаний - положения теории нейронных сетей,
  4. Научная новизна исследования заключается в развитии методов адаптации предприятий к быстрым изменениям внешней среды, обусловленным развитием Интернета.
    аналитических выражений для расчета целесообразности покупки показов или нажатий на баннеры, а также расчета окупаемости рекламной кампании электронного магазина. Достоверность и обоснованность научных исследований, выводов и рекомендаций подтверждается: корректным использованием в работе проверенных практикой теории стратегического менеджмента и маркетинговых исследований, основных положений
  5. ПЕРЕЧЕНЬ СОКРАЩЕНИЙ, УСЛОВНЫХ ОБОЗНАЧЕНИЙ, СИМВОЛОВ, ЕДИНИЦ И ТЕРМИНОВ1
    алгоритм функционирования) в зависимости от изменения условий внешней среды путем накапливания и использования информации о ней [I] Архитектура Концепция взаимосвязи элементов сложной структуры. Включает компоненты логической, физической и программной структур Высказывание Иерархия Избыточность Информационная архитектура сайта Суждение, рассматриваемое в некоторой системе суждений только
  6. Актуальность темы
    исследование феномена слияния широкомасштабных возможностей средств ИТ в виде информационных сайтов глобальной сети Internet и основных механизмов интернет-маркетинга на повышение эффективности принимаемых на корпоративном уровне решений и реализации бизнес-процессов. Актуальность темы диссертационного исследования обусловлена также положительной динамикой интернет-маркетинга и высокими темпами
  7. Задачи исследования
    исследований являются экономические системы корпоративного уровня и сайт в составе ее информационной структуры. Предметом исследования являются процессы оптимизации информационной структуры корпоративного сайта с целью повышения эффективности бизнес-процессов и принимаемых на корпоративном уровне маркетинговых решений. Комплексный характер решаемых задач определил перечень исследований,
  8. Научная новизна исследований
    алгоритмов. Методика оптимизации информационной структуры адаптивного корпоративного сайта. Интерактивные инструментальные средства моделирования корпоративного сайта и алгоритм их применения для анализа его информационной структуры с целью повышения эффективности сайта и поддержки принятия решений корпоративного
  9. 1.1. Информационные процессы в маркетинговой деятельности корпорации
    аналитическими исследованиями и результатами компьютерного
  10. 1.1.2. Специфика маркетинговой деятельности корпорации в информационном обществе
    исследования потребностей можно использовать основные положения теории нейронных сетей, нечетких множеств, эволюционных методов оптимизации, которые позволяют извлекать знания из первичной информации и формировать базу знаний потребностей. Для формирования и автоматического обновления базы знаний потребностей можно использовать следующие интеллектуальные средства: систему правил вида IF- THEN