При разработке систем, основанных на использовании нейронных сетей, часто возникают проблемы с выбором конкретной модели нейронной сети. В статье приводится реализация системы для задачи максимизации времени «убегания» управляемого объекта от «догоняющего» объекта в ограниченном поле с препятствиями. Используется метод, заключающийся в построении конечного автомата на основании декомпозиции исходной задачи, в котором каждому состоянию соответствует своя нейронная сеть, а смена состояний выполняется на основании определения событий для их смены. Согласно вышеприведенному методу выделены три состояния: 1) начальное состояние, в котором на основании информации с поля координат определяются «безопасные» координаты на поле (т. е. координаты такой позиции, куда убегающий объект может переместиться быстрее догоняющего объекта и в дальнейшем перемещаться вокруг какого-либо препятствия в поле) для последующего перемещения; 2) состояние, в котором выполняется перемещение от начальных координат в заданную на поле позицию; 3) состояние, в котором выполняется перемещение вокруг препятствия в поле. В статье реализованы три нейронные сети, соответствующие каждому из вышеприведенных состояний. В силу того, что каждая из декомпозированных задач сама по себе является достаточно простой, то для их решения были использованы сети прямого распространения с одним скрытым слоем. В итоге нейронные сети состояли из 100 нейронов во входном слое, 70 нейронов в скрытом, двух – в выходном для определения безопасных координат и четырех – в выходном слое для формирования управляющих сигналов. Обучение выполнялось при помощи метода Adam с коэффициентом обучения 0.001 на сгенерированных для каждого состояния обучающих примерах.
Романников Дмитрий Олегович
1. Bishop C. Pattern recognition and machine learning. – New York: Springer, 2007. – 738 p. – (Information science and statistics).
2. Richert W., Coelho L. Building machine learning systems with Python. – Birmingham: Packt Publ., 2013. – 290 p.
3. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. – 2nd ed. – New York: Springer, 2013. – 745 p. – (Springer series in statistics).
4. Lantz B. Machine learning with R. – Birmingham: Packt Publ., 2013. – 396 p.
5. Mohri M., Rostamizadeh A., Talwalkar A. Foundations of machine learning. – Cambridge, MA: MIT Press, 2012. – 432 p. – (Adaptive computation and machine learning series).
6. Conway D., White J.M. Machine learning for hackers. – Sebastopol, CA: O'Reilly, 2012. – 324 p.
7. Welcome to the Deep Learning tutorial [Electronic resource]. – URL: http://deeplearning.stanford.edu/tutorial/ (accessed: 26.06.2018).
8. Haykin S. Neural networks: a comprehensive foundation. – New York: MacMillan Publ., 1994. – 1104 p.
9. Малявко А.А., Гаврилов А.В. Импульсная нейронная сеть на основе модели «ключ–порог» // Интеллектуальный анализ сигналов, данных и знаний: методы и средства: сборник статей Всероссийской научно-практической конференции с международным участием, Новосибирск, 14–17 октября 2017 г. – Новосибирск: Изд-во НГТУ, 2017. – C. 325–330.
10. Воевода А.А., Романников Д.О. Нейронные сети в системах с последовательно выполняемыми действиями // Интеллектуальный анализ сигналов, данных и знаний: методы и средства: сборник статей Всероссийской научно-практической конференции с международным участием, Новосибирск, 14–17 октября 2017 г. – Новосибирск: Изд-во НГТУ, 2017. – C. 306–310.
11. Трошина Г.В., Воевода А.А. Параметрическая идентификация многоканального объекта на основе итерационного метода наименьших квадратов // 21 Международная конференция по мягким вычислениям и измерениям (SCM-2018): сборник докладов, Санкт-Петербург, 23–25 мая 2018 г.: в 2 т. – СПб.: СПбГЭТУ ЛЭТИ, 2018. – Т. 1. – С. 595–598.
12. Troshina G.V., Voevoda A.A. The iterative procedure modeling for the dynamic parameters estimation at the active identification task // Siberian symposium on data science and engineering (2017 SSDSE): proceedings, Akademgorodok, Novosibirsk, 12–13 April 2017. – Novosibirsk: IEEE, 2017. – P. 80–83.
13. Воевода А.А., Романников Д.О. Синтез нейронной сети на основе сети Петри для задач движения и стабилизации строя группы беспилотных летательных аппаратов // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2018. – № 2. – С. 26–33.
14. Goodfellow I., Bengio Y., Courville A. Deep learning. – Cambridge, MA: MIT Press, 2016.
15. Воевода А.А., Романников Д.О. Асинхронный алгоритм сортировки массива чисел с использованием ингибиторных сетей Петри // Труды СПИИРАН. – 2016. – Вып. 48. – C. 198–213.
16. Воевода А.А., Шоба Е.В. О разрешимости задачи автономизации многоканальной системы // Сборник научных трудов НГТУ. – 2010. – № 2 (60). – С. 9–16.
17. Воевода А.А., Марков А.В., Романников Д.О. Разработка программного обеспечения: проектирование с использованием UML диаграмм и сетей Петри на примере АСУ ТП водонапорной станции // Труды СПИИРАН. – 2014. – Вып. 3 (34). – С. 218–231.
18. Марков А.В., Воевода А.А. Развитие системы «Перемещение манипулятора в пространстве с препятствиями» при помощи рекурсивных функций // Автоматика и программная инженерия. – 2013. – № 2 (4). – С. 35–41.
19. Воевода А.А., Шоба Е.В. Управление перевернутым маятником // Сборник научных трудов НГТУ. – 2012. – № 2 (68). – С. 3–14.
Романников Д.О. Пример решения минимаксной задачи преследования с использованием нейронных сетей // Сборник научных трудов НГТУ. – 2018. – № 2 (92). – С. 108–116. – doi: 10.17212/2307-6879-2018-2-108-116.
Romannikov D.O. Primer resheniya minimaksnoi zadachi presledovaniya s ispol'zo-vaniem neironnykh setei [An example of solving a minimax pursuit problem using neural networks]. Sbornik nauchnykh trudov Novosibirskogo gosudarstvennogo tekhnicheskogo universiteta – Transaction of scientific papers of the Novosibirsk state technical university, 2018, no. 2 (92), pp. 108–116. doi: 10.17212/2307-6879-2018-2-108-116.
