Содержание к диссертации
Введение
Глава 1. Проблематика многокритериального формирования однородных классов данных в условиях распределенной информационной среды 13
1.1 Математические модели оптимального формирования однородных классов данных 14
1.2 Анализ современных технологий доступа к распределенным данным .24
1.3 Модульная структура информационного портала на базе web-платформы 40
1.4 Цель работы и задачи исследования 43
Глава 2. Структуры таблиц субд в условиях взаимодействия web-приложений, реализованных на основе мультипроцессорных и кластерных решений 45
2.1 Построение web-приложения средствами ASP .NET MVC. 45
2.2 Структура данных электронного web-университета . 52
2.3 Информационные модели ADO.NET Entity Framework в условиях анализа однородных классов данных с таблицами СУРБД 59
2.4 Структура таблиц и взаимосвязей СУРБД 63
2.4.1 Структура таблиц и полей СУРБД многокритериального формирования однородных классов данных на основе аппарата нейронных сетей 65
2.4.2 Структура таблиц и полей СУРБД основного web-приложения информационного портала университета 74
Глава 3. Математическое обеспечение процессов обучения многослойного перцептрона нейронной сети, в условиях многокритериального формирования однородных классов данных 83
3.1 Математические модели стандартного метода обратного распространения ошибки 83
3.2 Математического и алгоритмическое обеспечение модифицированного метода обратного распространения ошибки в условиях многокритериального формирования однородных классов данных 89
3.3 Структура взаимодействия модулей управления данными в СУРБД 100
Глава 4. Программное обеспечение процессов многокритериального формирования однородных классов данных 106
4.1 Структура программного продукта разработанных моделей и алгоритмов .106
4.2 Интерфейс пользователя на уровне web-платформы 109
4.3 Пользовательский интерфейс основного функционала
математического обеспечения .117
Заключение 125
Список литературы
- Анализ современных технологий доступа к распределенным данным
- Структура данных электронного web-университета .
- Математического и алгоритмическое обеспечение модифицированного метода обратного распространения ошибки в условиях многокритериального формирования однородных классов данных
- Интерфейс пользователя на уровне web-платформы
Введение к работе
Актуальность темы
Совершенствование средств вычислительной техники,
математического и программного обеспечения способствует
развитию информационных технологий в сфере хранения и
обработки данных. Используемые в настоящий момент технологии
хранения данных в текстовых файлах не обеспечивают
эффективности их поиска и обработки. Структурированные таблицы СУБД, представленные на рынке, реализуют, в основном, необходимые средства защищенности, оперативности доступа для решения задач управления распределенными данными в темпе реального времени.
Данные технологии и соответствующие программные
продукты находят все более широкое применение, в том числе в
социальной сфере, сфере образования, здравоохранения, управления
транспортными потоками и т.д., в условиях разработки оперативных
СУБД с возможностью доступа к данным средствами web-
интерфейса. Построение информационных электронных систем
управления в различных объектных областях обеспечивает
повышение эффективности и качества принятия соответствующих
решений. Из множества подходов к созданию баз данных объектно-
ориентированный подход позволяет существенно улучшить
организацию разработки программных систем в условиях сложно
структурированных объектов управления. Использование объектно-
ориентированного подхода делает возможным представление данных
в виде многомерной структуры, каждый слой которой отражает
информационную модель конкретного объекта.
В рамках современных информационных систем практически значимой является задача построения однородных с точки зрения количественных критериев классов данных, необходимых для принятия оперативных решений на всех уровнях управления.
Разработка математического обеспечения процессов
многокритериального формирования однородных классов данных на основе аппарата нейронных сетей с применением метода обратного распространения ошибки, обеспечивающего минимизацию ошибки работы многослойного персептрона, реализует возможности точного
группового распределения блоков информации в соответствии с адаптивным алгоритмом.
Для реализации web-интерфейса многокритериального формирования однородных классов данных могут быть использованы передовые СУБД и языки программирования (C#, asp .Net, Java, HTML). При этом программное обеспечение, построенное на основе C# с применением нейронной сети, позволяет осуществлять распределение информации в виде объектов, методов и классов и предназначено для формирования объектных данных, необходимых для обеспечения управления в условиях web-интерфейса общего информационного портала.
Таким образом, актуальность темы диссертационной работы продиктована необходимостью дальнейшего развития средств математического и программного обеспечения процедур многокритериального формирования однородных классов данных, ориентированных на повышение эффективности процессов их обработки на базе нейронной сети с применением методов обратного распространения ошибки.
Тематика диссертационной работы соответствует одному из основных научных направлений Воронежского государственного технического университета “Вычислительные комплексы и проблемно-ориентированные системы управления”.
Цель работы заключается в разработке средств математического и программного обеспечения процессов многокритериального формирования однородных классов данных в рамках распределенной СУБД на основе реализации современных технологий информационного обмена, обеспечивающих повышение качества и оперативности формирования данных на базе параметрических запросов, а также применения алгоритмов обработки данных с использованием методов обучения многослойного персептрона нейронной сети.
Исходя из данной цели, в работе определены следующие задачи:
анализ содержания и специфики решения задач управления данными в условиях web-интерфейса, а также современных подходов к построению распределенных информационных систем реального времени;
разработка основного web-интерфейса информационного портала с учетом общей специфики многокритериального анализа данных с применением средств оперативного взаимодействия с распределенной СУБД реального времени;
разработка структуры таблиц, ключевых полей, схемы данных реляционной СУБД с учетом взаимодействия функциональных модулей и блоков общей распределенной информационной системы;
разработка средств математического обеспечения процедуры обучения многослойного персептрона нейронной сети в условиях построения алгоритмов многокритериального формирования данных с применением метода обратного распространения ошибки;
разработка средств математического обеспечения для оперативного формирования данных на основе параметрических запросов к информационной среде СУБД;
разработка основного программного модуля многокритериального формирования однородных классов данных и механизмов взаимодействия с распределенной СУБД;
разработка средств программного обеспечения процессов взаимодействия алгоритмов обратного распространения ошибки в условиях многокритериального формирования однородных классов данных в условиях обеспечения вывода результатов средствами web-интерфейса распределенной информационной системы.
Методы исследования основаны на использовании соответствующих разделов аппарата теории построения информационных систем, нейронных сетей, теории баз данных, объектно-ориентированного программирования.
Тематика работы соответствует следующим пунктам паспорта специальности 05.13.11: п.3 «Модели, методы, алгоритмы, языки и программные инструменты для организации взаимодействия программ и программных систем», п.4 «Системы управления базами данных и знаний», п.9 «Модели, методы, алгоритмы и программная инфраструктура для организации глобально распределенной обработки данных».
Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной:
средства математического обеспечения процедуры
обучения многослойного персептрона нейронной сети в условиях
многокритериального формирования однородных классов данных,
отличающиеся реализацией модифицированного метода
возбуждения, обеспечивающего предотвращение замедления
процесса обучения сети за счет использования нелинейной функции
изменения корректирующего коэффициента;
архитектура web-приложения на основе
мультипроцессорных и кластерных решений, отличающаяся возможностью масштабирования и обеспечивающая требуемое быстродействие при межмодульном взаимодействии в рамках СУБД;
иерархическая модель доступа к данным и внутреннего информационного взаимодействия, отличающаяся повышенной оперативностью формирования данных на основе запросов к информационной среде СУБД за счет применения технологии Entity Framework в условиях web-интерфейса;
структура программного комплекса, реализующая механизмы оперативного воспроизведения результатов средствами web-интерфейса информационного портала за счет формирования однородных классов данных на базе нейросетевых методов обратного распространения ошибки.
Практическая значимость работы состоит в следующем:
предложено математическое и программное обеспечение
средств обучения многослойного персептрона нейронной сети,
реализующее возможность многокритериального формирования
однородных классов данных с последующим представлением
результатов в условиях web-интерфейса;
разработано программное обеспечение, повышающее оперативность процедур формирования однородных групп объектов в соответствии с их приоритетами, может быть использовано разработчиками систем в управлении информационными процессами в различных предметных областях.
Реализация и внедрение результатов работы. Основные теоретические и практические результаты работы реализованы в виде программного комплекса управления данными об объектах единой информационной среды вуза в условиях распределенной СУБД. Результаты работы получили практическое внедрение в высшем учебном заведении г. Диала (Ирак) в рамках основного web-
портала университета. По результатам работы получено
свидетельство о регистрации программы для ЭВМ «Программа для
управления базой данных электронного портала вуза» в Федеральной
службе интеллектуальной собственности № 2015660814 от 09
октября 2015г. Кроме того, теоретические результаты работы
внедрены в учебный процесс в рамках дисциплины
«Информационное обеспечение систем управления» на кафедре ЭАУТС Воронежского государственного технического университета.
Апробация работы. Основные положения диссертационной
работы докладывались и обсуждались на Международной научной
конференции «Современные методы прикладной математики, теории
управления и компьютерных технологий» (Воронеж, 2013, 2014),
Всероссийских конференциях «Новые технологии в научных
исследованиях, проектировании, управлении, производстве»
(Воронеж, 2013, 2015), «Перспективные исследования и разработки в области информационных технологий и связи» (Воронеж, 2014), Международной научно-практической конференции «Актуальные проблемы профессионального образования: подходы и перспективы» (Воронеж, 2013), а также на научных семинарах кафедры электропривода, автоматизации и управления в технических системах ВГТУ (2013-2015гг.)
Публикации. По теме исследования опубликовано 6 работ, отражающих основные положения исследования, в т.ч. 3 статьи в журналах, рекомендованных ВАК РФ. В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежат: в [1] – технология построения координатора распределенных транзакций в условиях web-сервиса, положенная в основу алгоритмов управления транзакциями при взаимодействии web-портала с СУБД; [2, 4] – структура объектно-ориентированной базы данных электронного портала вуза, описывает основы иерархического построения структуры таблиц основной базы данных; [6] – определяет средства математического обеспечения методов обучения многослойного персептрона нейронной сети в условиях построения алгоритмов обработки данных успеваемости абитуриентов с последующим их распределением по факультетам и специальностям вуза.
Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 101
наименования и приложений. Основная часть работы изложена на 142 страницах, содержит 56 рисунков, 24 таблицы.
Анализ современных технологий доступа к распределенным данным
Геометрическая интерпретация метода достижения цели Чтобы определить точку намерений Р, необходимо задать компоненты намерений +. Весовой вектор устанавливает поиск от точки P в сторону пространства допустимых функций ( ). В работе оптимизации происходит видоизменение величины , что позволяет изменению размера выбранной разрешенной области. Рамки ограничений доходят до единственной точке решения . Метод достижения цели имеет свои приоритеты, а точнее, может быть необходима задача нелинейного программирования. Главное отличительное свойство данной проблемы является то, что в этом случае возможно решение задачи нелинейного программирования. Для метода последовательного квадратичного программирования определение функции выгоды в случае линейного поиска может быть очень сложной задачей, так как в основных случаях нелегко "обозначить" относительную значимость между улучшением целевой функции и степенью отклонения от нарушения налагаемых ограничений. Поэтому данный подход приводит к нескольким дифференциальных схем для построения функции выгоды. Что касается задачи программирования, то чтобы достигнуть цели может возможно найти более подходящую функцию выгоды, которая можно найти с помощью наложения уравнения 1.7 на задачу минимакса
Для минимаксной оптимизации на основе метода SQP, применение функции выгоды для задачи достижения цели согласно уравнению 1.8 приводит к следующей постановке задачи ( ) Ей (( ) } (1.9) Хотя функция выгоды согласно уравнению 1.9 применяется как главная процедура линейного поиска, то, ( ) может и уменьшаться для определенного шага в выбранном направлении поиска, а максимум функции может, как это ни странно, увеличиваться. Все это находится в согласии с ухудшением самой неблагоприятной цели. Оттого, что наиболее неблагоприятная цель выражается также как составляющая часть значения целевой функции , то в итоге допускается увеличение подлежащей минимизации целевой функции. И наоборот при уменьшении максимума , величина ( ) возрастает что приводит к определенной отбраковки шага, приводящего к улучшению самой неблагоприятной цели [95,99,97].
Для поиска выбранного решения необходима установка значения ( ) как равного наиболее неблагоприятной цели, т.е. как
Отрицательная сторона метода достижения цели заключается в том, что для того, чтобы учитывать важные ограничения нужно применить или приравнять нулю весовой коэффициент. Тогда функция выгоды согласно уравнению 1.10 делается бесконечной при произвольных отклонениях от выбранных ограничениях. А чтобы решить эту проблему и сохранить характерные уравнению 1.10 особенности, необходимо представить функцию выгоды в виде некоторой комбинации, что приводит к следующим соотношениям:
Также имеется еще одна особенность, которая возможно использовать в методе SQP, это принятая целевая функция . Для Лагранжиана Н аппроксимация матрицы Гессе, должна обладать нулями в связанных с переменной отвечающих строкам и колонкам матрицы. Но это свойство никак не может быть действительным, если матрица Н инициализируется как тождественная матрица. В итоге, матрица Н должна быть инициализирована и сохранена как нулевая матрица, объединенной с переменной в соответствующих колонках и строках матрицы.
Похожие действия делают матрицу Гессе Н бесконечной. Что приводит к необходимости установлению нулей, связанными с переменной в соответствующих колонках и строках матрицы при исключении диагональных элементов, где минимальные положительные числа вносятся. Такой метод разрешает использовать довольно быстро сходящийся положительно определенный QP метод.
Одной из основных задач, необходимых решить проектировщику или программисту ИС - это выбор технологии доступа к БД. Самая стратегическая задача является выбором технологии доступа к данным, где зависит от решения как способность осуществлять дополнительные функции и продуктивность будущей системы, так и ее совместимость с остальными программными технологиями и платформами и их переносимость.
Множество способов существует для решения задачи обеспечения доступа к данным.
Во всех нынешних СУБД имеются библиотеки, которые содержат специализированный интерфейс прикладного программирования (API), он выглядит как набор функций для манипулирования данными. В СУБД для настольных систем API использует только чтение и запись данных в БД. В СУБД типа клиент/сервер API отправляет по сети запроса к серверу и кодов ошибок и получение результатов для следующей обработки клиентским приложением. Также имеется способ для доступа к данным, который заключается в прямом применении API, и соответственно приложение полностью зависит от применяемой СУБД. Поэтому, для доступа к данным необходим наиболее удобный механизм, который обеспечит для клиентского приложения полный набор общих классов, функций, служб, сервисов, потребных для работы с различными СУБД. Все эти функции (сервисы или классы) обязаны находиться в библиотеках, которые называются драйверы или провайдеры баз данных (data base drivers (providers)). Любая такая библиотека производит набор стандартных классов, функций или сервисов, с помощью обращения API к выбранной системе управления базами данных. Приведем примеры самых популярных и современных технологии доступа к данным. На данный момент самые используемые технологии доступа к данным являются технологии, разработанные корпорацией Microsoft. Для доступа их можно использовать практически ко всем существующим источникам данных[41,88,77].
Структура данных электронного web-университета .
В главе рассмотрена проблематика математического обеспечения процессов многокритериального формирования однородных классов данных с применением алгоритма обратного распространения ошибки в условиях многослойного персептрона нейронной сети.
Приведены основные структурные схемы алгоритмов работы разработанного программного обеспечения для реализации взаимодействия данных в СУБД с их последующей математической обработкой.
Нейронная сеть представляют собой систему соединнных и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации [1,3,5,7]. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма. Нейронная сеть представляет собой входной псевдослой, скрытые слои и выходной слой, структура нейронной сети (многослойного персептрона) представлена на рис. 3.1.
Входной (распределительный) Скрытые Выходной псевдослой (промежуточные) слои слой Рис.3.1 Структура рассматриваемой нейронной сети В качестве метода обучения нейронной сети выбран метод обратного распространения ошибки (многослойный персептрон). У сети имеется множество входов , Множество выходов и множество внутренних узлов. Все узлы нумеруются числами от 1 до N (сквозная нумерация, т.е. отсутствует зависимость от топологии слов). Каждый вес, стоящий на ребре обозначается через (данное ребро соединяет i-ый и j-ый узел; каждый выход i-ого узла обозначается через . При известном обучающем примере (правильные ответы ) функция ошибки имеет вид:
В качестве модифицирования весов реализуется стохастический градиентный спуск, т.е. веса подправляются после каждого обучающего примера. Для корректирования ошибки необходимо подправлять веса после каждого обучающего примера [2,4,6,8]. Для продвижения к минимуму ошибки необходимо к каждому весу добавлять Где 0 - множитель, задающий скорость изменения. Производная считается так, для начала отметим, что , т.е. рассматриваемый вес является входит в выходной нейрон. Отметим, что влияет на выход сети только как часть суммы T,, где сумма рассчитывается по входам в выходные узлы, поэтому влияет на ошибку в рамках в выходного узла , поэтому
В качестве функции активации есть возможность использовать следующие функции активации: - функция экспоненциальной сигмоиды ( ): ( ) ; - функция гиперболического тангенса: ( ) . Если сеть не однослойная, то у j-ого узла имеются выходы, они обозначаются через Children(j). В этом случае
В последнем определении - коэффициент инерции для сглаживания резких скачков. В результате изучения сети значения весов могут стать довольно большими величинами. Это возможно приведет к тому, что в области, где производная сжимающей функции очень мала, все или большая часть нейронов будут работать при наибольших значениях OUT. Так как ошибка, посылаемая обратно в процессе обучения, пропорциональна этой производной, то процесс изучения может остановиться на данном этапе. В отношении теории эта проблема практически не изучена. Обычно, чтобы это избежать уменьшают размер шага , но это значительно увеличит время обучения. Разные эвристики использовались для восстановления паралича или предохранения от него, но на данный момент они рассматриваются только как экспериментальные [11,13,18,20].
Разновидность градиентного спуска имеет обратное распространение, то есть делает спуск вниз по поверхности ошибки, не прерываясь подстраивая веса к направлению в минимум. Поверхность ошибки сложной сети сильно изрезана и состоит из холмов, складок, долин и в пространстве высокой размерности оврагов. Когда рядом имеется гораздо более глубокий минимум, сеть может попасть в локальный минимум (неглубокую долину). В точке локального минимума любые направления ведут наверх, и сеть никак не может из него выбраться. Главную трудность при изучении нейронных сетей это как раз и есть методы выхода из локальных минимумов: каждый раз выходя из локального минимума заново идет поиск на следующий локальный минимум одинаковым методом обратного распространения ошибки и до тех пор, пока выход из него найти будет невозможно.
Детальный разбор подтверждения сходимости указывает, на то, что коррекции весов рассчитываются бесконечно малыми. Понятно, что это невозможно осуществить на практике, так как приводит к бесконечному времени обучения. Размер шага необходимо брать конечный. Если размер шага закреплен и недостаточно велик, то сходимость очень медленная, если же он закреплен и достаточно велик, то есть возможность возникновения паралича или постоянной неустойчивости. Необходимо увеличивать шаг до того момента, пока не перестанет улучшаться оценка в данном направлении антиградиента и уменьшать, если такого никакого улучшения не происходит.
Также есть такая возможность переобучения сети, оно подразумевает результат ошибочного проектирования е топологии. При наличии очень большого количества нейронов, может теряться свойство сети обобщать информацию. Полный набор образов, который предоставляется к обучению, будет выучен сетью, но все остальные образы, даже максимально схожие, могут быть систематизированы неправильно. 3.2 Математического и алгоритмическое обеспечение модифицированного метода обратного распространения ошибки в условиях многокритериального формирования однородных классов данных
При построении модифицированного алгоритма главной задачей было исключение или устранение основных недостатков стандартного алгоритма обратного распространения ошибки, в условиях применения задачи многокритериального формирования однородных классов данных. В условиях математического описания изменена функция 3.2 для изменения весов ребер с целью минимизации ошибки [15,17,19,20].
Для модификации весов в работе реализована процедура нелинейного градиентного спуска, обеспечивающая корректировку веса после каждого обучающего цикла. Для изменения весов ребер с целью минимизации ошибки предлагается следующая функция: (3.10) где - корректирующий коэффициент, обеспечивающий регулирование скорости процесса обучения нейронной сети, в условиях заданной оперативности принятия решения в соответствии с возможностями вычислительных ресурсов. В процессе обучения нейронной сети используется модифицированный метод возбуждения, позволяющий предотвратить замедление процесса обучения сети на основе использования нелинейной функции изменения корректирующего коэффициента (формула 3.11) .
Математического и алгоритмическое обеспечение модифицированного метода обратного распространения ошибки в условиях многокритериального формирования однородных классов данных
При авторизации на web-портале зарегистрированного студента (абитуриента) происходит процесс аутентификации, в результате чего формируется страница STUDENTSEARCH (рис. 4.9). В рамках данной web страницы имеется возможность добавления и изменении информацию о себе. Также в условиях авторизованного абитуриента можно заполнить таблицу входных данных при поступлении, для реализации автоматизированного запуска средств математического обеспечения процессов обучения многослойного персептрона нейронной сети, в условиях многокритериального формирования однородных классов данных (рис. 4.10). При авторизации студента имеется возможность перехода на страницу результатов экзаменационной аттестации в рамках сессии.
Рассмотрим детально интерфейсную составляющую программного обеспечения многокритериального формирования однородных классов данных. При запуске программной системы откроется окно главной формы (рис. 4.15), на котором расположены кнопки перехода в модули настройки и работы программы.
При нажатии на кнопку Add Subjects формируется форма для добавления дисциплин в соответствии с выбранными факультетами и специальностями (рис. 4.16).
При нажатии на кнопку Add Departaments формируется динамическая форма для добавления новых факультетов (рисунок 13). В рамках данной формы необходимо ввести полное название факультета, категорию знаний, средний проходной бал и два базовых предмета с минимальной ставкой проходного балла для поступления на данный факультет.
При нажатии на кнопку Add Students откроется окно добавления студентов (рис. 4.18). Для добавления нового студента (абитуриента) необходимо ввести его ФИО, предпочитаемую (для абитуриента) или текущую область знаний, предпочитаемый (для абитуриента) или текущий факультет и специальность и матрицу баллов по дисциплинам (для абитуриента).
При нажатии на кнопку The Result Over NeuroNet запуститься главное внешнее приложение для настройки и получения результатов работы нейронной сети в отладочном режиме. Первая вкладка основного функционала математического обеспечения позволяет ввести правила обучения (рис. 4.19) нейронной сети с учетом входных данных. Рассмотрим 3 метода ввода основных данных: - ввод правил из СУРБД; - ввод правил из файла; - ручной ввод правил. Ввод правил из СУРБД реализуется средствами прямого взаимодействия разработанного приложения с таблицами базы данных (схема взаимодействия представлена ранее на рис. 4.2) средствами ADO.NET EF. Для ввода правил из БД необходимо выбрать в меню пункт «Learning Rules from DB» – результатом будет являться заполненная таблица правил.
Диалоговое окно загрузки правил обучения НС из файла. Также приложение имеет функционал, позволяющий производить загрузку правил из файла, - необходимо выбрать пункт меню «Learning Rules from File». Откроется диалоговое окно (рис. 4.20), в котором необходимо выбрать файл правил обучения НС и нажать кнопку Open. Результатом данных действия будет являться заполненная таблица правил.
Ручной ввод правил подразумевает добавление каждого правила в ручную, средствами основных компонентов формы. После ввода правил одним из вышеперечисленных методов окно ввода правил нейронной сети имеет вид, представленный на рис. 4.21.
Данные правила можно модифицировать, удаляя старые правила и добавляя новые. Для внесения нового правила необходимо отметить флаги входных значений (Input NN) и соответствующих им выходных значений (OUT NN) в рамках текущей нейронной сети. Модифицированные правила также можно сохранить в таблицу СУРБД или файл. Для сохранения правил в БД необходимо выбрать пункт меню Learning Rules from DB - Save. В диалоговом окне (рис. 4.22) ввести имя таблицы правил и нажать Save.
После сохранения в БД будет создана таблица с новыми правилами, которую в дальнейшем можно вновь использовать при загрузке правил обучения нейронной сети (рис. 4.23).
На следующей вкладке необходимо выбрать активационную функцию из предложенных (экспоненциальная сигмоида или гиперболический тангенс), также можно корректировать суммарную ошибку (по умолчанию она выставляется сообразно количеству входных и выходных узлов), также можно корректировать коэффициент инерции. Также необходимо определить количество слоев с указанием числа нейронов на каждом слое (минимум 1) и запустить процесс обучения нейронной сети и ожидать его окончания (рис. 4.24).
Таким образом, разработанный инструментарий для формирования однородных классов данных с таблицами СУБД, базирующийся на методах обратного распространения ошибки в рамках нейронной сети, обеспечивает возможность оперативного формирования результатов средствами web-интерфейса информационного портала.
Предложенные модели и алгоритмы получили практическую апробацию в рамках информационных процессов оперативного и однородного распределения абитуриентов по направлениям и профилям подготовки высшего учебного заведения с учетом анализа данных ЕГЭ по каждой дисциплине. Результаты апробации в условиях единой информационной среды ВГТУ свидетельствуют об их эффективности и работоспособности.
Реализация разработанных средств математического и программного обеспечения многокритериального формирования однородных классов данных применительно к условиям вуза обеспечивает повышение качества распределения абитуриентов с учетом их предрасположенности к соответствующему направлению профессиональной деятельности.
Интерфейс пользователя на уровне web-платформы
Помимо представленного в модифицированном методе корректирующего коэффициента , обеспечивающего регулирование скорости процесса обучения нейронной сети, в условиях заданной оперативности принятия решения в соответствии с возможностями вычислительных ресурсов, на скорость обучения нейронной сети влияют также такие параметры как тип активационной функции (функция экспоненциальной сигмоиды, функция гиперболического тангенса), суммарная ошибка, коэффициент инерции (сглаживание резких перепадов при перемещении по поверхности целевой функции), и конечно же количество входов и выходов, а также количество синапсов.
Рассмотрим скорость обучения при изменении первых трех параметров, поскольку число входов и выходов должны оставаться постоянными в условиях единой постановки задачи. Правила обучения нейронной сети задаются пользователем и отражают то, какими критериями должен обладать абитуриент для поступления на определнный факультет (таблица 3.1 и 3.2).
Результаты анализа скорости обучения нейронной сети в рамках модифицированного алгоритма равноценно показывают экспоненциальную зависимость от каждого изменяющегося коэффициента, при этом стоит отметь что использование активационной функции сигмоиды требует меньше времени для расчта, по причине более простой программной реализации. Скорость обучения также зависит от допустимой суммарной ошибки, чем больше допустимая суммарная ошибка, тем быстрее обучается сеть, но в данном случае страдает точность обученной нейронной сети.
Увеличение коэффициента инерции, в условиях поставленной задачи, дает прирост скорости обучения, однако стоит заметить, что данный коэффициент определяет уровень влияния предыдущие шаги при процессе обучения, т.е. при наличии большого количества спорных или неправильных правил высокий коэффициент инерции способствует увеличению времени обучения. иллюстрирует зависимость скорости v процесса обучения нейронной сети от величины корректирующего коэффициента. График 1 отражает линейную зависимость скорости процесса обучения нейронной сети от рассматриваемого коэффициента, предложенную в стандартной интерпретации алгоритма обратного распространения ошибки.
Зависимость скорости процесса обучения нейронной сети от коэффициента Результат реализации модифицированного метода возбуждения, позволяющего предотвратить замедление процесса обучения нейронной сети, построенного на основе использования нелинейной функции изменения скорости процесса обучения, иллюстрирует график 2, отражающий увеличение оперативности принятия решения (точка ( ,v )) в соответствии с возможностями вычислительных ресурсов.
Ниже представлен код C#, реализующий подключение нового слоя, с возможностью обеспечения каждого нейрона предыдущего слоя к каждому нейрону нового слоя к последующему слою.
Использование нейронной сети при формировании выходных данных реализовано следующим образом: поэтапно считывается информация о студентах (абитуриентах) из БД (имя, баллы, предпочитаемый факультет). Данная информация преобразуется в структуру однородных классов данных, понятную для нейронной сети. Далее реализован процесс обучения нейронной сети с учетом критерий входных и выходных данных. Формируемая информация преобразуется в структурированный вид, сохраняется в рамках таблиц СУРБД. Структурная схема рассматриваемого процесса представлена на рис. 3.5.
Структура взаимодействия модулей управления данными в СУРБД В условиях взаимодействия модульных структур специального программного обеспечения, реализованного в условиях распределенной информационной системы, актуально рассмотреть модули и алгоритмы ввода и сохранения данных в условиях web-интерфейса. Модуль ввода данных представляет собой структуру, позволяющая производить добавление в информационное пространство университета факультетов, кафедр, дисциплин, студентов и абитуриентов. Рассмотрим обобщенную структуру, которая позволяет добавить данные об университете. При добавлении факультета необходимо указать его имя, раздел знаний, проходной балл, два базовых предмета факультета, для аналитической оценки построения массива проходных баллов. Рассматриваемый алгоритм, также позволяет добавление новых дисциплин в рамках рассматриваемого факультета.