СБОРНИК
НАУЧНЫХ ТРУДОВ НГТУ

ISSN: 2307-6879
English | Русский

Последний выпуск
№2(92) Апрель - Июнь 2018

О преобразовании сети Петри в нейронную сеть

Выпуск № 4 (86) Октябрь - Декабрь 2016
Авторы:

Д.О. РОМАННИКОВ
DOI: http://dx.doi.org/10.17212/2307-6879-2016-4-98-103
Аннотация
При разработке моделей, основанных на искусственных нейронных сетях,выбор модели нейронной сети основывается на эмпирических знаниях исследователя, что крайне негативно сказывается на пороге вхождения, обоснованности и корректности работы модели, времени обучения и других аспектах. Таким образом, задача обоснования выбора модели нейронной сети является актуальной задачей. В статье предлагается подход к формированию структуры нейронной сети на основе предварительно разработанной модели сети Петри. Из-за существенного различия в строении нейронной сети и сети Петри такое преобразование основано на ряде допущений: 1) мести переходы в сети Петри преобразуются в нейроны; 2) дуги между местами и переходами в сети Петри преобразуются в связи в нейронной сети; 3) защитные условия на переходах при преобразовании не переносятся в нейронную сеть. На основе задачи выявления наименьшего элемента среди двух сравниваемых чисел приводится пример преобразования сети Петри в нейронную сеть. Приведена структурная схема полученной нейронной сети, а также ее реализации с использованием библиотеки keras. Объем данных составил 10 000 примеров для самого обучения и 3000 примеров для валидации. Точность обучения составила 0.9940.
Ключевые слова: нейронные сети, сети Петри, искусственный интеллект, преобразования, функция активации, keras, регуляризация, обучение

Список литературы
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: 14.03.2017). 8. Haykin S. Neural networks: a comprehensive foundation. – New York: MacMillan Publ., 1994. – 1104 p. 9. Коротиков С.В., Воевода А.А. Применение сетей Петри в разработке программного обеспечения центров дистанционного управления и контроля // Научный вестник НГТУ. – 2007. – № 4. – С. 15–32. 10. Воевода А.А., Марков А.В. Рекурсия в сетях Петри // Сборник научных трудов НГТУ. – 2012. – № 3 (69). – С. 115–122. 11. Воевода А.А., Романников Д.О. О компактном представлении языков раскрашенных сетей Петри // Сборник научных трудов НГТУ. – 2008. – № 3(53). – С. 105–108. 12. 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. 13. 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.
Просмотров: 187