225 / 320
223
Создаваемая для использования в работе искусственная нейронная
сеть (ИНС) строится по принципу самообучения, заключающегося
в подстройке весов синапсов. Очевидно, что подстройка весов может
проводиться только на основании информации, доступной в нейроне,
т.е. информации о его состоянии, уже имеющихся весовых коэффициентах
и поданном входном векторе. Исходя из этого и, что более важно,
по аналогии с известными принципами самоорганизации нервных клеток
построены алгоритмы обучения Хебба и Кохонена [
Медведев и
Потёмкин, 2002; Круглов и Борисов, 2000
]. Следует отметить, что вид
откликов на каждый класс входных событий неизвестен заранее и будет
представлять собой произвольное сочетание состояний нейронов
выходного слоя, обусловленное случайным распределением весов
на стадии инициализации. Общая идея данных алгоритмов заключается
в том, что в процессе самообучения путем соответствующей коррекции
весов усиливаются связи между возбужденными нейронами.
С помощью ИНС было проанализировано 82 разрыва в солнечном
ветре из зарегистрированных в 1996-1999 гг. на КА WIND на предмет их
разделения по типам. Предварительные численные эксперименты
с нейронной сетью выявили необходимость уменьшения числа
анализируемых за один раз событий, вследствие чего 82 отобранных
разрыва были поделены на три части: первый пакет данных – 24 события
(03/96-06/97), второй пакет – 28 событий (07/97-07/98), третий пакет –
30 событий (07/98-09/99).
Результаты независимой классификации по двум схемам приведены
в таблице 7.2. Здесь введены сокращения: «
конт»
– контактный разрыв,
«
був»
– быстрая ударная волна, «
мув»
– медленная ударная волна,
«танг»
– тангенциальный разрыв. Эффективность работы нейронной сети
и соответствие выполненной классификации реальной ситуации
проверяется
сопоставлением
результатов
двух
классификаций.
В успешном случае результаты классификации по первой и по второй
схеме должны быть близкими. Дополнительной проверкой работы обоих
алгоритмов будет служить их проверка на трех независимых пакетах
данных.