Сравнительный анализ структур нейронных сетей Хопфилда и Хемминга для задачи поиска паттернов в последовательностях сигналов потребления тока

В статье производится сравнительный анализ структур нейронных сетей Хопфилда и Хемминга для применения их в задаче нахождения паттернов в последовательностях сигналов потребления тока в помещении. Описываются особенности сетей, их преимущества и недостатки.

Ключевые слова: искусственный интеллект, паттерны, нейронная сеть Хопфилда, нейронная сеть Хемминга, электроприборы.

В настоящее время технологии искусственного интеллекта внедряют в различные сферы деятельности с целью оптимизации протекающих процессов и их мониторинга. Таким образом, ставится задача разработки алгоритма поиска паттернов в последовательностях сигналов потребления тока в помещении для дистанционного мониторинга работы электроприборов.

На рисунке 1 приведен график потребления электрического тока в квартире за одни сутки измерений.

Рис. 1. График потребления электрического тока в помещении за одни сутки измерений

В качестве обучающих данных для нейронной сети могут выступать такие данные, как значение потребляемого электроприбором тока, особенности переходных процессов электроприборов, а также образы Фурье сигналов.

Нейронные сети Хопфилда и Хемминга относятся к классу рекуррентных нейронных сетей и обладают ассоциативной (конкретно-адресуемой) памятью. Благодаря своей структуре эти нейросети пригодны для решения задач распознавания образов (паттернов) хранимых в ячейках фундаментальной памяти сети [1, с. 862].

Ниже на рисунке 2 приведена структурная схема нейронной сети Хопфилда.

Рис. 2. Структурная схема нейронной сети Хопфилда [1, с. 856]

К преимуществам нейронной сети Хопфилда можно отнести следующее [1, с. 869]:

1. Простая реализация и структура нейронной сети;
2. Высокая скорость обучения.

К недостаткам применения нейронной сети Хопфилда относятся следующие особенности [1, с. 870–875]:

1. Количество запоминаемых паттернов ограничено и прямо пропорционально количеству нейронов в структуре сети;

На рисунке 3 приведена зависимость ёмкости памяти сети от её размера.

Рис. 3. График зависимости ёмкости памяти нейронной сети Хопфилда от количества в ней нейронов

2. Ячейки фундаментальной памяти нейронной сети Хопфилда могут быть неустойчивыми;
3. В ходе нахождения наиболее близкого образа могут появляться ложные устойчивые состояния, которые отличаются от ячеек фундаментальной памяти нейросети.

Ниже на рисунке 4 приведена структурная схема нейронной сети Хемминга.

Рис. 4. Структурная схема нейронной сети Хемминга [2, с. 234]

К преимуществам применения нейронной сети Хемминга можно отнести следующие особенности [2, с. 230–232]:

1. Исходя из её структуры, наиболее экономное использование памяти;
2. Меньший объём вычислений в процессе обучения и функционирования сети;
3. На выходе нейросеть выставляет номер того паттерна, чей образ был восстановлен, а не сам паттерн, что может быть удобным при реализации системы мониторинга работы электрооборудования в помещении.
4. В процессе функционирования нейронной сети первый слой нейронов используется только для инициализации начальных состояний его выходов. После чего он исключается из процесса восстановления образа.

К недостаткам нейронной сети Хемминга можно отнести, [2]:

1. Более сложная структура по сравнению с сетью Хопфилда;
2. Данный тип нейронных сетей позволяет работать только с бинарными входными векторами данных, что может усложнить работу с сетью.

Заключение: в результате сравнительного анализа двух рекуррентных нейронных сетей можно сделать вывод, что использование нейронной сети Хемминга для реализации алгоритма поиска паттернов в последовательностях сигналов потребления тока в помещения является наилучшим решением.

Литература:

1. Хайкин С. Нейронные сети, полный курс. 2-е изд., испр. М.: Вильямс, 2008. 1103 с.
2. Яхъяева Г. Э. Нечёткие множества и нейронные сети: учебное пособие. М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2006. — 316 с.