ВЫЧИСЛИТЕЛЬНЫЕ ЭКСПЕРИМЕНТЫ ПО МОДЕЛИРОВАНИЮ

реклама
ISSN 1810-0198. Вестник ТГУ, т.13, вып.1, 2008
ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ИНС АРТ-1
И ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ
Рассматриваемый классификатор Карпентер –
Гроссберга был программно реализован в среде программирования Turbo Delphi.
В качестве обучающей выборки сети использовались образы, представляющие собой бинарные изображения цифр от 0 до 9. Обучающая выборка содержала
50 образов, которые подавались на входы сети в виде
линейной развертки. Количество образов в выборке в
ходе экспериментов оставалось неизменным. Образы
были представлены в «оригинальном» и зашумленном
виде и в различном порядке. В ходе каждого эксперимента выходной слой сети первоначально содержал
только один нейрон. Проводилось четыре серии экспериментов для различной размерности входных векторов. В каждой серии для одной и той же обучающей
выборки сеть обучалась при разных значениях параметра сходства, которое менялось от 0,05 до 0,95.
В ходе первой серии экспериментов образ имел
размерность 10×10, соответственно входной слой сети
содержал 100 нейронов. Результаты обучения сети для
различных значений параметра сходства представлены
на рис. 2 (a).
Анализ результатов показывает, что для данной
обучающей выборки очень сильно влияет эффект
«шаблона критических черт» [1, 2], т. к. размерность
образа очень мала. Например, для параметра сходства
p = 0,45 сеть создала 10 классов, но эти классы были
«обобщенные», и узнать цифры достаточно сложно, с
другой стороны, при высокой степени соответствия
(p = 0,95) распознавание «стало» очень хорошим, но
сеть стала более чувствительной даже к незначительны
изменениям и разбила всю выборку на 41 класс.
В связи с этим, следующие эксперименты были
проведены для образов большей размерности – сети
предлагались образы размерностью 20×20 (400 входных нейронов, рис. 2 (b)), 30×30 (900 входных нейронов, рис. 2 (c)) и 100×100 (10000 входных нейронов,
рис. 2 (d)).
Следует отметить, что, как и следовало ожидать, с
увеличением размерности эффект «шаблона критических черт» снижается, о чем свидетельствует снижение
числа распознаваемых классов сети для высоких зна-
чений критерия сходства. Например, для p = 0,95 число
классов постепенно падает и для образа 100×100 появляются необходимые 10 классов цифр.
ВЫВОДЫ
Таким образом, в ходе данной работы построена
программная реализация классификатора Карпентер –
Гроссберга, используемого для распознавания и кластеризации бинарных векторов.
Проведено обучение построенной сети для различных значений параметра сходства и обучающих образов различной размерности. Выявлены факторы,
влияющие на результаты распознавания и наглядно
продемонстрирован эффект «шаблона критических
черт». Очевидно, что на результат распознавания сети
влияет не только размер образа, но также зашумленность обучающих векторов, а в некоторых случаях даже порядок их представления сети, т. к. любой идентифицированный образ подстраивает веса нейрона соответствующего класса под новую информацию.
Следует отметить, что выбор значения параметра
сходства очень важен, т. к. при больших значениях
параметра сходства сеть становится очень требовательной к предъявляемым векторам и создает большое
количество классов, в которых различия могут быть не
существенными. А при малых значениях параметра
сходства разбивка на классы становится очень общей
(разные образы может отнести к одному классу).
Следует отметить, что АРТ-сети являются одним из
основных представителей класса сетей, в ходе обучения/работы которых изменяется внутренняя структура
сети, что позволяет сделать вывод о широкой возможности их применения в различных областях человеческой деятельности.
ЛИТЕРАТУРА
1.
2.
3.
4.
Круглов В.В. Искусственные нейронные сети. М., 2001.
Терехов С.А. Лекции по теории и приложениям искусственных
нейронных сетей. Снежинск, 1998.
http://www.neuroshell.forekc.ru
http://www.osp.ru/os/1997/04/29.htm
Поступила в редакцию 20 декабря 2007 г.
ВЫЧИСЛИТЕЛЬНЫЕ ЭКСПЕРИМЕНТЫ ПО МОДЕЛИРОВАНИЮ
САМОРЕГУЛИРОВАНИЯ ТЕМПЕРАТУРЫ В ПОПУЛЯЦИЯХ МИКРООРГАНИЗМОВ
 А.А. Арзамасцев, Е.Н. Альбицкая
Процесс саморегулирования температуры в популяции микроорганизмов в биореакторе, работающем в
периодических условиях, ранее изучался в работах [1,
2]. В них была разработана математическая модель
этого процесса, дано объяснение как самого явления,
так и различных его феноменов: линейного роста популяции микроорганизмов в процессе саморегулирования температуры, образования температурных колебаний внутри биореактора и т.д. Математическая модель
80
адекватно описывала процесс, в котором в качестве
биологического объекта выступали микроорганизмы
Candida tropicalis как при наличии саморегулирования
температуры, так и без него.
Целью данной работы является изучение процесса
саморегулирования температуры в популяции микроорганизмов в непрерывном режиме. Реализация данной
цели может представлять значительный интерес и для
изучения процессов температурного гомеостаза в жи-
ISSN 1810-0198. Вестник ТГУ, т.13, вып.1, 2008
вых клетках, т. к. непрерывный биореактор может служить хорошей моделью такой системы [3].
Математическая модель, которая использована в
данной работе, описана ранее в работах [1, 2].
Идентификация параметров математической модели произведена в работах [1, 2] на основе экспериментальных данных [4].
В модели использовали следующие начальные условия: T0 = 32 ºC, X0 = 15 г/л, S0 = 50 г/л, µ 0` = 0 ч-1,
C0 = 7,22 мг/л и концентрации биомассы и кислорода
во входном потоке биореактора: Xin = 0 г/л, Cin = 0 мг/л.
Математическая модель реализована в виде программы на языке Borland Pascal.
Исследовали поведение объекта в условиях различных температур во входном потоке, внешних температур, концентраций субстрата во входном потоке и
удельных разбавлений.
На рис. 1 показано, как меняется температура в
биореакторе при различных внешних температурах.
Видно, что при значении внешней температуры 5 ºС
биологический объект не справляется с ее выравниванием внутри биореактора, хотя такая тенденция наблюдается во временном интервале от 5 до 15 часов.
Кривая 2, соответствующая Text = 10 ºС (рис. 1), показывает, что вначале температура биологического объекта также начинает снижаться. Однако по мере активизации ферментных систем микроорганизмов, биологический объект справляется с неблагоприятными воздействиями внешней среды и выравнивает температуру
до заданного уровня. Такая же тенденция наблюдается
и при температурах 20–30 ºС. При больших температурах биологический объект стремится выравнивать температуру в сторону снижения. Это заметно на кривых
4–6 при температурах внешней среды 30–50 ºС. На
кривой 7, когда температура внешней среды становится более 60 ºС, видно, что биологический объект «не
справляется» и температура в реакторе возрастает.
На рис. 2 a) показана обобщенная зависимость температуры внутри реактора от внешней температуры,
полученная на основе 14 вычислительных эксперимен-
тов. В качестве температуры внутри реактора брали ее
значение в установившемся режиме, который в вычислительных экспериментах наблюдался при t > 180 ч.
Прямая линия 1 соответствует полностью инертному
объекту, линия 2 – объекту, способному самопроизвольно поддерживать температуру на уровне 39,5–
40 ºС. Анализ этого рисунка позволяет сделать вывод о
том, что биологический объект сохраняет способность
к саморегулированию при внешних температурах от 6
до 55 ºС, в то время как диапазон активного роста таких микроорганизмов составляет 24–42 ºС – рис. 2 b).
Отметим, что супраоптимальная температура примерно
на 5,5 ºС превышает температуру, необходимую для
максимальной скорости роста таких микроорганизмов.
На рис. 3 показана зависимость температуры в биореакторе от времени при различных значениях удельных разбавлений. Видно, что с увеличением удельного
разбавления значение супраоптимальной температуры
может снижаться, что не наблюдалось при исследовании саморегулирования в периодическом режиме.
Данный вывод является очень важным, поскольку
супраоптимальная температура, наблюдаемая для биологического объекта в периодическом режиме, существенно отличается от температуры, соответствующей
максимальной скорости роста микроорганизмов [1, 2]
(см. также рис. 2 b). Это отличие составляет в среднем
8,8 оС для прокариот и 12,5 оС для эукариот [5]. Данное
обстоятельство не позволяет непосредственно использовать способность биологических объектов к саморегулированию для управления технологическими процессами. Однако, учитывая, что, например, при
D = 0,13 1/ч (кривая 7 (рис. 3)), супраоптимальная температура становится равной 37,5 ºC, можно сказать, что
этот режим обеспечивает одновременно и максимальную скорость роста микроорганизмов (см. рис. 2 b).
Указанное обстоятельство в принципе позволяет непосредственно использовать саморегулирование температуры для ее поддержания в технологических процессах.
Рис. 1. Зависимость температуры в биореакторе от времени при различных значениях внешней температуры. Tin = 20 ºC,
D = 0,07 1/ч, Sin = 50 г/л. Номера линий соответствуют различным значениям Text: 1 – 5, 2 – 10, 3 – 20, 4 – 30, 5 – 40, 6 – 50, 7 – 60 ºC
81
ISSN 1810-0198. Вестник ТГУ, т.13, вып.1, 2008
a)
b)
Рис. 2. a) Зависимость температуры внутри биореактора от внешней температуры. Tin = 20 ºC, D = 0,07 1/ч, Sin = 50 г/л; b) зависимость максимальной удельной скорости роста микроорганизмов от температуры (при a1 = 4,432.1015 1/ч, a2 = 2,712.1031 1/ч,
E1 = 95000 кДж/кмоль, E2 = 190000 кДж/кмоль). T* – супраоптимальная температура
Рис. 3. Зависимость температуры в биореакторе от времени при различных значениях удельного разбавления. Text = 33 ºC,
Tin = 20 ºC, Sin = 50 г/л. Номера линий соответствуют различным значениям D: 1 – 0,01, 2 – 0,05, 3 – 0,07, 4 – 0,09, 5 – 0,11, 6 – 0,12,
7 – 0,13, 8 – 0,14 1/ч
Таким образом, в данной работе осуществлено исследование саморегулирования (аутостабилизации)
82
температуры микроорганизмами в биореакторе непрерывного типа:
ISSN 1810-0198. Вестник ТГУ, т.13, вып.1, 2008
- проведен анализ явления при различных значениях параметров: внешней температуре, температуре
жидкой фазы во входном потоке, концентрации субстрата и т. д., в ходе которого определены границы
существования этого явления;
- обнаружено, что в периодическом режиме работы
биореактора температуры, наблюдаемые в процессе
саморегулирования, вполне могут соответствовать
температурам, доставляющим максимальную удельную скорость роста используемых микроорганизмов;
это обстоятельство позволяет надеяться на возможность практического использования явления саморегулирования;
- поскольку непрерывный биохимический реактор
может представлять собой (по крайней мере, в плане
температурного режима) упрощенную модель живой
клетки [5], полученные выводы с определенной долей
вероятности можно экстраполировать и на режимы
температурного гомеостаза отдельной живой клетки
(например, клетки ткани).
ЛИТЕРАТУРА
1.
2.
3.
4.
5.
Arzamastsev A.A., Kristapson M.G. Computer simulation of temperature autostabilization: an analysis of phenomenon // Appl. Microbiol.
Biotechnol. 1993. V. 40. P. 77–81.
Арзамасцев А.А. Компьютерное моделирование саморегулирования температуры в популяциях микроорганизмов. Сообщение 1:
периодический режим // Вестн.Тамб. ун-та. Сер. Естеств. и техн.
науки. Тамбов, 1996. Т. 1. Вып. 1. С. 71–77.
Arzamastsev A.A. The concept of microbioreactor is a good model for
biological tissue phenomena simulation // 7th European Congress on
Biotechnology. Abstract Book. Part 3. Wednesday / February 22. Nice,
France. Р. 62.
Рылкин С.С. и др. Эффект аутотермостатирования микробных
популяций и его влияние на рост и газообмен микроорганизмов //
Микробиология. 1973. Т. 42. С. 445–451.
Arzamastsev A.A. The possibility of polyculture and polysubstrate
bioprocess control using self-regulation properties of microorganisms //
“ACHEMA-94, International Meeting on Chemical Engineering and
Biotechnology, Biotecnology and the DECHEMA-Section Biotechnology 12th Annual Meeting of Biotechnologists”. Frankfurt a/M, Germany, 5-11 June 1994. Р. 46–47.
Поступила в редакцию 24 декабря 2007 г.
АВТОМАТИЗИРОВАННАЯ ТЕХНОЛОГИЯ ПОСТРОЕНИЯ
ЭКСПЕРТНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ
 А.А. Арзамасцев, А.В. Неудахин
В различных сферах человеческой деятельности
существуют объекты, решение различных задач управления которыми связано с анализом многофакторных
зависимостей с трудом поддающихся формализации
ввиду недостаточности информации и ее значительной
зашумленности. В некоторых случаях специалист в
данной предметной области (эксперт) может решать
такие задачи, пользуясь значительным опытом, интуицией, прогностической способностью в данной сфере.
Однако такие решения являются в значительной степени субъективными. Например, при смене эксперта реализуются уже другие управленческие решения, которые, однако, могут быть не хуже предыдущих.
Таким образом, эксперт заключает в себе некоторую «модель» данной предметной области, реальная
формализация которой часто бывает невозможна или
сильно затруднена. Отчасти данная проблема, связанная с накоплением знаний об объекте, их обобщением
и интерпретацией может быть решена на основе разработки компьютерных экспертных систем (ЭС), которые
в настоящее время разрабатываются для различных
сфер человеческой деятельности («SIAP» – используется для обнаружения и идентификации различных
типов океанских судов (военное дело); «АВТАНТЕСТ»
и «МИКРОЛЮШЕР» – используются для определения
основных свойств личности по результатам психодиагностического тестирования (психология), «ANGY» –
используется для диагностики и терапии сужения коронарных сосудов (медицина); «CRIB» – используется
для диагностики неисправностей в аппаратуре и программном обеспечении компьютера (информатика)).
Экспертные системы – специальные программы для
ЭВМ, основанные на алгоритмах искусственного интеллекта и предполагающее использование соответст-
вующей информации в предметной области, полученной ранее от экспертов. Основная область использования ЭС – принятие управленческих решений при отсутствии экспертов.
Основной идеей, предлагаемой авторами доклада,
является разработка интерактивной ЭС, по мере эксплуатации которой происходит накопление информации об объекте, изменение (наращивание) структуры и
переучивание интеллектуальной модели объекта. При
этом первоначальное ядро знаний об объекте формируется при совместной работе пользователя объекта, поставляющего исходную информацию, и эксперта, оценивающего ее по некоторым критериям. Предполагается, что такая система будет интегрировать все вводимые данные об объекте и по мере необходимости переучивать свою интеллектуальную модель. При накоплении некоторого критического объема информации сама
система может проводить ее классификацию и оценивание. Таким образом, начиная с некоторого момента,
роль эксперта может быть постепенно сведена к нулю.
Если обобщить теперь полученные знания об объекте с
помощью некоторой интеллектуальной модели, то система сама сможет выполнять роль эксперта, принимая
или подсказывая управленческие решения даже в ситуациях, которые ранее никогда не возникали, в связи с
чем можно ожидать, что со временем такая система
будет указывать решения, по крайней мере, не хуже,
чем решения, предлагаемые экспертами.
Целью данной работы является выработка методики реализации такой ЭС и обсуждение автоматизированной технологии ее построения.
Решение поставленной задачи предлагается проводить
в соответствии со схемой, представленной на рис. 1.
1. Формирование начальной обучающей выборки.
83
Скачать