Obrabotka Metallov. 2016 no. 2(71)

ОБРАБОТКА МЕТАЛЛОВ № 2 (71) 2016 32 ОБОРУДОВАНИЕ. инструменты чина активации нейрона, которая в дальнейшем преобразуется с помощью функции активации (или передаточной функции для получения выходного сигнала нейрона. Функция актива- ции f предназначена для определения значения выходного нейрона по результату сумматора (взвешенной суммы входов) (см. рис. 2). В паке- те « STATISTICA Neural Networks » применяются разные функции активации как по умолчанию, так и по выбору пользователем (табл. 1). Иде- ально подходящей для пользовательской на- стройки многослойных персептронов выбрана гиперболическая, которая часто дает лучшие ре- зультаты, чем логистическая благодаря своему свойству симметрии. Для задач классификации в выходном слое МП использована специально функция «Софтмакс » (10), которая интерпрети- рует выходы как вероятности принадлежности к классу (см. табл. 1). Для построения моделей ИНС необходимо задать правила оценки исследуемых параметров и использовать их в качестве исходных данных для обучения, контроля и тестирования нейрон- ных сетей. Выбор обучающего набора исходных данных выполняется интуитивно и зависит от опыта исполнителя в рассматриваемой области науки. При моделировании ИНС в данной рабо- те для их обучения использовано 70 % представ- ленных правил, для их контроля – 15 %, для их тестирования – 15%. После создания ИНС не- обходимо провести процедуру их обучения [22]. Процесс обучения нейронной сети представлен на рис. 3. Эта процедура разделяется на следую- щие этапы. Т а б л и ц а 1 Функции активации, наиболее часто используемые в МП Вид Формула, 1 ; j N = Область значений Линейная Y = y j (–∞, +∞) Логистическая 1 1 j y Y e - = - (0,+1) Гиперболическая j j j j y y y y e e Y e e - - - = + (–1,+1) Софтмакс 1 = = ∑ j j y y N j e Y e (0,+1) (7) (8) (9) (10) Рис. 3. Алгоритм обучения нейронной сети 1. В нейронную сеть из набора внешней сре- ды поступают стимулы. 2. В результате этих воздействий происходит изменение свободных параметров нейронной сети. 3. После изменения внутренней структуры нейронная сеть отвечает на последующие воз- буждения иначе. В данной работе воспользовались обучени- ем с учителем, когда сети известно требуемое значение выходного сигнала при воздействии на нейронную сеть заданного входного сигнала. В процессе обучения МП используется алгоритм обратного распространения ошибки, который определяет два потока в нейронной сети: прямой поток от входного слоя к выходному и обратный поток – от выходного слоя к входному. На входе нейронной сети считается выходное значение, которое сравнивается с соответствующим ранее заданным целевым значением. Вычисляется сиг-