Журнал «Нейрокомпьютеры: разработка, применение» №2 за 2021 г.
Статья в номере:
Анализ эффективности работы искусственных нейронных сетей с учетом флуктуаций весового вектора, приводящим к потери в выходном отношении сигнал/шум
Тип статьи: научная статья
DOI: https://doi.org/10.18127/j19998554-202102-02
УДК: 621.396.6
Авторы:

С.В. Зимина

Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского  (г. Нижний Новгород, Россия)

Аннотация:

Постановка проблемы. Настройка искусственных нейронных сетей (ИНС) по итеративным алгоритмам сопровождается флуктуациями весовых коэффициентов. При решении ИНС задачи выделения полезного сигнала на фоне помех флуктуации весового вектора приводят к ухудшению выделяемого сетью полезного сигнала и, в частности, потерям в выходном отношении сигнал/шум.

Цель. Провести статистический анализ эффективности работы ИНС, который включает анализ потерь в выходном отношении сигнал/шум, связанных с учетом флуктуаций весовых коэффициентов ИНС.

Результаты. Рассматривались ИНС, настраивающиеся по дискретному градиентному и быстрому рекуррентному алгоритмам с ограничениями и алгоритму Хэбба. Показано, что флуктуации приводят к потерям в выходном отношении сигнал/шум, уровень которых зависит от типа рассматриваемого алгоритма и скорости настройки ИНС.

Практическая значимость. Учет флуктуаций весового вектора при анализе выходного отношения сигнал/шум позволяет при практической работе с ИНС соотносить допустимый уровень потерь в выходном отношении сигнал/шум со скоростью настройки сети.

Страницы: 15-25
Для цитирования

Зимина С.В. Анализ эффективности работы искусственных нейронных сетей с учетом флуктуаций весового вектора, приводящим к потери в выходном отношении сигнал/шум // Нейрокомпьютеры: разработка, применение. 2021. T. 23. № 2. С. 15−25. DOI: https://doi.org/10.18127/j19998554-202102-02

Список источников
  1. Bershad N.J., Eweda E., Bermudez J.C.M. Stochastic analysis of an adaptive line enhancer/canceler with a cyclostationary input // IEEE Transactions on Signal Processing. 2016. V. 64. № 1. P. 104-119. DOI: 10.1109/TSP.2015.2486745
  2. Jeong J.J., Kim S.H., Koo G., Kim S.W. Mean – square deviation analysis of multiband – structured subband adaptive filter algorithm // IEEE Transactions on Signal Processing. 2016. V. 64. № 4. P. 985-994. DOI: 10.1109/TSP.2015.2498136
  3. Eweda E., Bershad N.J. Stochastic analysis of the signed LMS algorithms for cyclostationary white gaussian inputs // IEEE Transactions on Signal Processing. 2017. V. 65. № 7. P. 1673-1684. DOI: 10.1109/TSP.2016.2646666
  4. Li Z., Xia Y., Pei W., Wang K., Mandic D.P. An augmented nonlinear LMS for digital self – interference cancellation in full – duplex direct – conversion transceivers // IEEE Transactions on Signal Processing. 2018. V. 66. № 15. P. 4065–4078. DOI: 10.1109/TSP.2018.2846250
  5. Хайкин С. Нейронные сети: полный курс. Изд. 2-е, испр. Пер. с англ. М.: ООО «И.Д. Вильямс». 2006. 1104 с.
  6. Галушкин А.И. Теория нейронных сетей. Кн.1: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР. 2000. 416 с.
  7. Татузов А.Л. Нейронные сети в задачах радиолокации. Кн.28. М.: Радиотехника. 2009. 432 с.
  8. Zeng X., Yeung D.S. Sensitivity analysis of multilayer perceptron to input and weight perturbations // IEEE Transactions on Neural Networks. 2001. V. 12. № 6. P. 1358–1366. DOI: 10.1109/72.963772
  9. Зимина С.В. Статистические характеристики искусственной нейронной сети с дискретным градиентным алгоритмом настройки с учётом флуктуаций весовых коэффициентов // Нейрокомпьютеры: разработка и применение. 2006. № 10. С. 9–15.
  10. Зимина С.В. Влияние флуктуаций весовых коэффициентов на статистические характеристики искусственной нейронной сети с алгоритмом рекуррентного обращения выборочной оценки корреляционной матрицы входных сигналов // Нейрокомпьютеры: разработка и применение. 2007. № 5. С. 3–7.
  11. Литвинов О.С., Зимина С.В. Статистический анализ флуктуаций весовых коэффициентов искусственной нейронной сети, настраивающейся по алгоритму Хэбба // Нейрокомпьютеры: разработка и применение. 2009. № 3. С. 33–43.
  12. Зимина С.В. Флуктуации весовых коэффициентов в искусственной нейронной сети с алгоритмом Хэбба // Нейрокомпьютеры: разработка и применение. 2013. № 4. С. 3–8.
  13. Зимина С.В. Определение потерь в выходном отношении сигнал/шум адаптивных антенных решёток, вызванных наличием флуктуаций весового вектора // Радиолокация. Результаты теоретических и экспериментальных исследований. Монография. В 2-х книгах. Кн.1. / Под ред. В.Д. Ястребова. М.: Радиотехника, 2018. C. 112–118.
  14. Зимина С.В. Анализ статистических характеристик адаптивной антенной решётки с нелинейной функцией в цепи корреляционной обратной связи // Радиотехника и электроника. 2005. Т. 50. № 8. С. 952–960.
  15. Зимина С.В. Флуктуации весового вектора в адаптивных антенных решётках с нелинейной функцией в цепи обратной связи, настраивающихся по алгоритму рекуррентного обращения выборочной оценки корреляционной матрицы входных сигналов // Изв. ВУЗов. Радиофизика. 2006. Т. 49. № 2. С. 164–173.
  16. Литвинов О.С., Зимина С.В. Анализ влияния флуктуаций весовых коэффициентов на статистические характеристики адаптивной антенной решетки, настраивающейся по алгоритму Хэбба // Радиотехника и электроника. 2009. Т. 54. № 4. С. 423–432.
  17. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. Изд. 2-е. М.: Горячая линия – Телеком. 2002. 382 с.
Дата поступления: 01.12.2020
Одобрена после рецензирования: 14.12.2020
Принята к публикации: 13.03.2021