Максимизация энтропии входов и выходов многослойной

ISBN 978-5-7262-1377-4. НЕЙРОИНФОРМАТИКА – 2011. Часть 3
В.Л. ЯКИМОВ, А.И. ЛОСКУТОВ, А.В. НАЗАРОВ
Военно-космическая академия им. А.Ф. Можайского, Санкт-Петербург
rujenz@mail.ru
МАКСИМИЗАЦИЯ ЭНТРОПИИ ВХОДОВ И ВЫХОДОВ МНОГОСЛОЙНОЙ НЕЙРОННОЙ СЕТИ
ПРИ МОДЕЛИРОВАНИИ ПРОЦЕССОВ
ФУНКЦИОНИРОВАНИЯ БОРТОВОЙ АППАРАТУРЫ
КОСМИЧЕСКОГО АППАРАТА
Рассматривается нейросетевой подход к решению задачи моделирования процессов функционирования бортовой аппаратуры космического
аппарата. Основное внимание уделено способам формирования обучающей выборки, реализующим принцип максимизации энтропии входов и
выходов многослойной нейронной сети, позволяющим улучшить ее способность к обобщению.
Ключевые слова: идентификация, энтропия, многослойная нейронная
сеть, техническое состояние, космический аппарат
Введение
При решении задачи телеуправления космическим аппаратом (КА) по
обратному каналу “борт-земля” передается информация оперативного
контроля, в основном представленная телесигнализациями, принимающими дискретные значения и несущими информацию о событиях на борту объекта, о результатах прохождения команд управления [4]. В штатном
режиме процессы функционирования бортовой аппаратуры адекватно
описываются статической конечно-автоматной моделью в виде графа, в
узлах которого находятся состояния объекта, а дугам соответствуют команды переходов из одного состояния в другое. Состояния и команды
кодируются в виде последовательности символов [3].
В условиях нештатного функционирования объекта, например, при
наличии неисправности бортовых систем обеспечения, состояние бортовой аппаратуры КА может сложным образом зависеть от различных
внешних факторов, а его прогноз возможен лишь с некоторой вероятностью. Говорят, что система становится открытой по выходу. Чтобы закрыть систему, необходимо осуществить наблюдение за ней в течение
некоторого периода времени и учесть задержанные во времени существенные признаки состояния объекта. Для моделирования работы вероУДК 004.032.26(06) Нейронные сети
141
ISBN 978-5-7262-1377-4. НЕЙРОИНФОРМАТИКА – 2011. Часть 3
ятностного автомата можно использовать более адекватный математический аппарат, например, искусственных нейронных сетей [2]. При этом
задачей нейросетевого моделирования является поиск статистически достоверных зависимостей между входными и выходными последовательностями символов. Источником информации для статистического моделирования являются примеры из обучающей выборки.
В табл. 1 представлен пример обучающей пары векторов для динамической модели прогнозирования состояния бортовой аппаратуры одного
малого КА в условиях нештатного функционирования.
Таблица 1
Обучающие вектора
Вектор входных воздействий X
Задержанные значения существенноСостояние Команда перехода
го признака состояSq
Kq
ния
s5,q-1, s5,q-2,..., s5,q-L+1
5 дв.
4 дв. симв.
19 дв. симв.
симв.
Вектор требуемых
результатов Y
Состояние
Sq+1
5 дв. симв.
Здесь, Sq – текущее состояние, представленное в виде двоичного слова;
q – номер дискретного отсчета времени; L – количество задержанных значений существенного, изменяющегося нелинейно во времени признака
состояния.
Разряды слова состояния sφ,q , где φ – номер разряда, являются признаками состояния и несут информацию о текущем состоянии бортовой аппаратуры, событиях на борту КА. Для снятия неопределенности относительно процессов управления используется информация о командах
управления, закодированная в виде двоичного слова Kq, разряды которого
несут информацию об изменении режимов работы различных бортовых
систем КА в соответствии с программой управления.
Особенностью обучающей выборки, полученной по результатам оперативного контроля КА, является малое и существенно различающееся
число обучающих примеров по каждому классу состояний за достаточно
большой период наблюдения и значительная длина получаемых кодовых
последовательностей [6]. Как следствие, при обучении нейронной сети,
УДК 004.032.26(06) Нейронные сети
142
ISBN 978-5-7262-1377-4. НЕЙРОИНФОРМАТИКА – 2011. Часть 3
активность кодирующих нейронов получается не равномерной, а значимость весов, соответствующих различным нейронам неодинаковой, что
ухудшает способность нейронной сети к обобщению [1].
В данной статье представлен подход к формированию обучающей выборки, реализующий принцип максимизации энтропии входов и выходов
многослойной нейронной сети, позволяющий улучшить ее способность к
обобщению при использовании режима последовательного обучения и
позволивший существенно повысить достоверность прогнозирования технического состояния бортовой аппаратуры малого КА.
Постановка задачи
На основе исходной телеметрической информации, передаваемой с
борта КА, для обучения модели прогнозирования формируются выборки:
обучающая, проверочная и тестовая. Обучающая выборка представляет
собой матрицу A N A M , где M – размер обучающей пары (Xi,Yi), NA – количество обучающих пар, Xi – входной вектор, Yi – вектор требуемых результатов (выходной вектор) нейросетевой модели, i  1, N A – номер обучающей пары. Рассмотрим случай, когда в выборке присутствуют лишь
ординальные и категориальные переменные (телесигнализации) [1]. Каждый столбец матрицы A N A M соответствует своей переменной и характеризуется своим количеством классов значений этой переменной – m. Элементы различных классов в столбцах матрицы A N A M распределены неравномерно.
Предполагается, путём дополнения исходной матрицы данных A N A M
содержащимися в ней строками (Xi,Yi) сформировать новую обучающую
выборку – матрицу CNC M , для которой в столбцах характерно равномерное распределение элементов классов. Это позволит обеспечить равномерное возбуждение входных и выходных нейронов и одинаковую значимость весовых коэффициентов при последовательной циклической процедуре обучения многослойной нейронной сети. Матрица CNC M содержит
все строки матрицы A N A M , причем некоторые из них встречаются несколько раз и обладает большей энтропией.
Для хранения промежуточных результатов вводим матрицу B N B M ,
NA<NB<NC. Необходимо решить задачу оптимизации:
УДК 004.032.26(06) Нейронные сети
143
ISBN 978-5-7262-1377-4. НЕЙРОИНФОРМАТИКА – 2011. Часть 3
W (r )  min, r   ,
(1)
W  W (r ) (G(r  1)  G(r ))  доп1, ((r  1)  (r))  доп2 ,
W (r ) 
M m j (r )
n js (r )
j 1 s 1
N B (r )
 
(2)
2

1
m j (r )
,
где W (r) – целевая функция, njs – количество элементов xij матрицы В
в j-м столбце, принадлежащих классу s; mj – количество классов элементов в j-м столбце; i, j – номер строки и столбца промежуточной матрицы B
соответственно; число 1 / m j характеризует значение плотности вероятности распределения элементов на входе j-го нейрона в случае равномерного закона распределения; число n js / N B характеризует значение плотности
вероятности распределения элементов s-го класса на входе j-го нейрона;
r – количество итераций процедуры оптимизации; G – статистическая
оценка математического ожидания значений достоверности прогнозирования на тестовой выборке, полученная по результатам ряда экспериментов обучения нейронной сети при различных начальных значениях весовых коэффициентов; δ – доверительный интервал для значения G , определенный с доверительной вероятностью 0.99 [5]; εдоп1, εдоп2 – допустимые
значения на приращение G и δ соответственно.
УДК 004.032.26(06) Нейронные сети
144
ISBN 978-5-7262-1377-4. НЕЙРОИНФОРМАТИКА – 2011. Часть 3
Алгоритмы решения задачи
Для решения задачи (1) и исследования влияния энтропии входов и
выходов нейросетевой модели на ее способности к обобщению можно
использовать различные алгоритмы.
Алгоритм 1
1. Изменить порядок следования строк (обучающие пары) в исходной
матрице A случайным образом.
2. Присвоить элементам промежуточной матрицы значения элементов
исходной матрицы B=А, установить значение счетчика r=0, инициализировать матрицу С=B.
3. Рассчитать целевую функцию W для матрицы B.
4. Установить значение счетчика i = 0. Считать строку (Xi,Yi) из матрицы А.
5. Добавить строку (Xi,Yi) в матрицу B снизу.
6. Рассчитать целевую функцию Wi для полученной матрицы B.
7. Если Wi <W, то C=B, W=Wi, повторить п. 5-7.
8. Если Wi  W, то i=i+1.
9. Если i < NA, повторить п. 5-9.
10. Если i  NA, то r = r + 1, случайным образом изменить порядок следования строк (обучающих пар) в матрице C, провести ряд экспериментов
по обучению нейросетевой модели на обучающей выборке C и проверочной выборке при различных начальных значениях весовых коэффициентов, оценить ее характеристики G и δ на тестовой выборке. Если выполняется условие (2), прекратить формирование обучающей выборки С. Если условие (2) не выполняется, повторить п. 3–9.
11. Использовать полученную выборку С для длительного обучения
нейронной сети.
Алгоритм 2
1. Изменить порядок следования строк (обучающие пары) в исходной
матрице A случайным образом.
2. Присвоить элементам промежуточной матрицы значения элементов
исходной матрицы B=А, установить значение счетчика r=0, инициализировать матрицу С=B.
3. Рассчитать целевую функцию W для матрицы B.
4. Установить значение счетчика i = 0. Считать строку (Xi,Yi) из матрицы А.
5. Добавить строку (Xi,Yi) в матрицу B снизу.
6. Рассчитать целевую функцию Wi для полученной матрицы B.
УДК 004.032.26(06) Нейронные сети
145
ISBN 978-5-7262-1377-4. НЕЙРОИНФОРМАТИКА – 2011. Часть 3
7. Если Wi <W, то C=B, W=Wi, i = i + 1.
8. Если Wi  W, то i = i + 1.
9. Если i < k*NA, где k – произвольно выбираемое целое число, повторить п. 5–9.
10. Если i  k*NA, то r = r + 1, провести ряд экспериментов по обучению нейросетевой модели на обучающей выборке C и проверочной выборке при различных начальных значениях весовых коэффициентов, оценить ее характеристики G и δ на тестовой выборке. Если выполняется
условие (2), прекратить формирование обучающей выборки С. Если условие (2) не выполняется, повторить п. 4–10.
11. Использовать полученную выборку С для длительного обучения
нейронной сети.
В процессе работы алгоритмов проверочная и тестовая выборки остаются неизменными.
При обучении необходимо задать небольшое и одинаковое время обучения t в каждом эксперименте, при этом количество циклов обучения
при различных размерах обучающей выборки будет различным. Это связано с тем, что размер обучающей выборки постоянно увеличивается и,
для возможности корректного сравнения способности модели к обобщению, необходимо в каждом эксперименте обеспечить одинаковое количество обучающих пар векторов.
Анализ результатов моделирования
Представленные алгоритмы малоэффективны, если обучающая выборка уже обладает достаточной энтропией, и являются далеко не оптимальными, так как можно создать более эффективные процедуры минимизации целевой функции, как по скорости, так и по качеству решения задачи
(1). Данный подход не претендует на общность, так как в отдельных случаях могут потребоваться существенные изменения в самой постановке
задачи (1) и методике ее решения. Тем не менее, он позволил улучшить
достоверность прогнозирования технического состояния бортовой аппаратуры малого КА с помощью многослойной нейронной сети, имеющей
следующие характеристики: количество скрытых слоев – 2, нейронов в
каждом скрытом слое – 5, входных нейронов – 28, выходных нейронов –
5, алгоритм обучения – последовательный наискорейшего спуска
(рис. 1).
УДК 004.032.26(06) Нейронные сети
146
ISBN 978-5-7262-1377-4. НЕЙРОИНФОРМАТИКА – 2011. Часть 3
Рис. 1. Зависимость характеристик модели прогнозирования на тестовой
выборке от параметров алгоритма максимизации энтропии
Выводы
За счет использования представленных в статье алгоритмов формирования обучающей выборки и максимизации энтропии входов и выходов
нейросетевой модели удалось добиться эффекта обобщения на ситуации,
не наблюдавшиеся в обучающей и проверочной выборке, повысить достоверность прогнозирования на тестовой выборке на 25%. Результаты прогнозирования, полученные с помощью моделей на основе полиномиальной авторегрессии, оказались хуже на 10 % [6].
Список литературы
1. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в
экономике и бизнесе. – М.: МИФИ, 1998.
2. Калан Р. Основные концепции нейронных сетей: Пер. с англ. – М.:
Издательский дом “Вильямс”, 2001.
3. Козырев Г.И. Основы испытаний бортовых радиоэлектронных систем. Учебное пособие. – СПб.: ВИКУ, 2001.
4. Телеметрия / Белицкий В.И. и др. – Л.: МО СССР, 1984.
5. Хартман К. Планирование эксперимента в исследовании технологических процессов. − М.: Мир, 1977.
6. Якимов В.Л., Назаров А.В. Прогнозирование технического состояния малых космических аппаратов с использованием многослойных
нейронных сетей //Известия вузов. Приборостроение, № 1, 2006. С. 7–11.
УДК 004.032.26(06) Нейронные сети
147