Теория нейронных сетей - Галушкин А.И.
ISBN 5-93108-05-8
Скачать (прямая ссылка):
На основании вышеизложенного, представим процедуру' построения минимального теста, выявляющего отказы типа логических констант на выходе нейрона:
1) для правильно функционирующей нейронной сети строим два уровня полного графа состояний (нулевой и первый). Для этого каждому входному значению ставится в соответствие узел графа состояний первого уровня;
2) число неповторяющихся узлов графа даст длину минимального теста, а соответствующие им вершины (любая из вершин, соединяющаяся с данным узлом) - входные значения минимального теста.
16.4. Метод адаптивной диагностики отказов в нейронных сетях
В некоторых случаях, когда нейронная сеть должна быть высоконадежной и работать в непрерывном режиме, нет возможности прервать ее работу и начать тестирование. В таких случаях любой отказ нейрона должен быть локализован на пер-
вом же значении входной переменной, на котором он проявляется. Такой цели и служит метод адаптивной диагностики отказов в нейронных сетях. В основе предлагаемого алгоритма лежит моделирование всех отказов заданного типа и на его основе генерация обучающей выборки для синтеза адаптивной диагностической сети. Адаптивная диагностическая сеть синтезируется в виде нейронной сети с полными последовательными связями таким образом, чтЪ локализует любой отказ типа логических констант на входах-выходе нейрона на первом же значении входной переменной, на котором он проявляется. Это позволяет осуществлять диагностику нейронной сети «параллельно» его функционированию, поэтому метод адаптивной диагностики можно назвать методом параллельной диагностики.
Рассмотрим процесс генерации обучающей выборки для синтеза адаптивной диагностической сети на примере двухслойной сети с двумя нейронами в первом слое и одним нейроном во втором (рис. 16.8). Здесь и далее предполагается наличие в нейронной сети лишь одного отказа, а вероятность появления второго отказа за время тестирования пренебрежимо мала, так как
тестирование происходит за один такт оо 01 10 11
работы нейронной сети. На рис. 16.9 представлен полный граф состояний рассматриваемой нейронной сети без щ ^ ю
отказов, а на рис. 16.10~16.12 графы состояний для всех возможных отка- j 0
зов заданного класса, где хА ~ значение j-ro входа г-го нейрона l-то Рис. 16.9. Граф состо-
1 . янии двухслойной сети
слоя, a ж,Д. - значение выхода г-го ^ с
нейрона I-го слоя.
x1 =const=0 ki
00 01
10 11
10 11 X
x'=const=l
к 1
=const=l
00 01 10 11
10 11 X
xl12=const=0
1 0
x|i=const=0
00 01 10 11
"X/
10 01 11
x1 =const=l 12
Рис. 16.10. Графы состояний двухслойной сети (рис. 16.8) для всех константных отказов первого нейрона первого слоя
00 01 10 11
Э 10
V
00 01 10 11 /
11 01
\ /
1 о
х1, =const=l
к2
00 01 10 11
И 10 V
1 о
х1 =const=0 22
00 01 10 11 \
01
00 10
V о
х1, =const=0 00 01 10 11
'/'J 01 10 11
1 о
a;'2f=const=l
Рис. 16.11. Графы состояний двухслойной сети (рис. 16.8) для всех
x12=const=0 00 01 10 11
i 01 11
X
1 о
x12=c°nst=l
константных отказов второго нейрона первого слоя
Разобъем все отказы на классы, соответствующие своим нейронам. Число классов равно числу нейронов плюс один (класс безошибочной нейронной сети). На рис. 16.10-16.12 представле-
01
10
Х241= const=0
01 11 1 ЧФ''
х2к)= const=1
Рис. 16.12. Графы состояний двухслойной сети (рис. 16.8) для константных отказов выхода нейрона второго слоя
ны графы состояний для всех отказов первого нейрона первого слоя, второго нейрона первого слоя и выходного нейрона, соответственно. Внутри каждого класса составим совокупности ошибочных путей графов состояний (в случае класса отказов) и
всех безошибочных путей графов состояний (в случае класса, соответствующего отсутствию отказов), при этом все повторяющиеся пути внутри каждого класса выбрасываются. Каждый ошибочный путь идентифицирует один отказ. Вся совокупность неповторяющихся внутри классов ошибочных путей будет частью обучающей выборки, представляющей классы отказов. Для нашего примера она имеет вид:
’ 3.(16.20)
Берем теперь все безошибочные пути из графа состояний на рис.16.9. Они будут представлять вторую часть обучающей выборки, соответствующей классу нейронных сетей без отказов:
