Невронни мрежи

Невронни мрежи

Невронните мрежи (НМ) са най-типичният представител на програмните системи, които следват така наречения конекционистки подход в изкуствения интелект.

Има два подхода: символен и конекционистки. Привържениците на конекционисткия подход предлагат методи и архитектури за представяне на знания и решаване на интелектуални задачи, които се основават на идеи, свързани с начина на запазване и използване на знанията в човешкия мозък.


Изкуствените невронни мрежи са най-типичният представител на този подход.

невронна клетка
Основните градивни елементи на (изкуствените) невронни мрежи са силно опростени модели на биологичните неврони, от които е съставен човешкия мозък. За да направим аналогията с изкуствените невронни мрежи, първо ще разгледаме структурата на нервните клетки у човека.

Простата невронна клетка (фиг.6.14) - невронът- има тяло и разклонени структури, които осигуряват сензорният вход към неврона и извеждането на електрически сигнали от него. Дендритите са входните устройства на неврона, те управляват импулсите към невронната клетка. Аксонът управлява импулсите навън от тялото на клетката и може да се разглежда като изходното устройство на неврона.

Снопове от неврони или нервни фибри, формират нервната структура. В опростен сценарий нервите управляват импулсите от рецепторните органи (като очи и уши) към други органи (като мускули или жлези). Точката между два неврона, в която краят на аксона на един неврон идва в близост до тялото или до дендритите на друг неврон, се нарича синапс (фиг. 6.15). В тази точка се осъществява контакта между два неврона. Импулсите (химически и електрически изменения) преминават само в една посока. Реакцията на неврона се определя от праговото ниво на чувствителността.

невронен синапс
Сигналите идват до синапса. Те са входовете и са оразмерени с някакви тегла, т.е. някои сигнали са по-силни от други. Някои сигнали възбуждат (те са положителни), други задържат (те са отрицателни). Ефектът на всички оразмерени входове се сумира. Ако сумата е равна или по-голяма от прага на неврона, тогава неврона реагира (извежда сигнали). Предаването на сигнали се влияе от състоянието на нервната система. Синапсите са възприемчиви към умора, кислородна недостатъчност, алкохол и др. Тези събития намаляват влиянието на импулсите. Други събития могат да усилят реакцията на неврона. Тази възможност за настройване на сигналите е механизма на научаване. Праговите функции интегрират енергията на входните сигнали в пространството и времето.

Невронни мрежи в телекомуникациите

Невронни мрежи в областта на телекомуникациите се използват за обработка на сигнали, управление на трафика и маршрутизация, динамично назначаване на канали и др.

Класическото приложение на невронните мрежи за обработка на реч намира широко отражение и в телекомуникациите. Речта като естествена комуникация човек-машина е от особено значение за диалога в автономни системи като например:
  • автоматична служба информация;
  • приемане на поръчки по телефона;
  • разпознаване на реч и извеждане на гласови съобщения.
Особено актуално става приложението на тези възможности в съвременните Интелигентни мрежи, където много услуги изискват взаимодействие с крайния потребител (въвеждане на допълнителни цифри при номеронабиране, въвеждане на идентификационен код или друга информация, и извеждане на подходящо съобщение). Например, ако използвате безплатната телефонна услуга, за да си поръчате пица по телефона, мрежата ще провери в данните на услугата работното време на най-близката пицерия и, ако се окаже, че сте направили заявка в извън работното време на всички пицерии, ще Ви уведоми учтиво за това.

Назначаване на канали в клетъчни мрежи. Когато се планира клетъчна радио мрежа, операторът трябва да назначи канали или честоти на радио клетките по такъв начин, че вероятността отношението сигнал/интерференция да надвишава предварително определена стойност да е достатъчно малка. Като се изчисли разпространението на радио честотите на базата на топографията и морфоструктурата (населено място, гора, открита площ) и като се вземе в предвид пространствената плътност на очаквания трафик, може да се определи кои радио клетки могат да използват един и същи канал или близко стоящи канали по едно и също време. Трафикът може да се използва за изчисляване на броя на радио каналите за всяка клетка. Дори и да се разглежда в тази си най-проста форма задачата за назначаване на канали принадлежи към така наречените np-complete проблеми. Точното определяне на най-доброто решение за такива задачи е на практика невъзможно, поради експоненциално нарастване на времето за изчисление.

Един възможен подход за решаване на тази задача е да се използват невронни мрежи.

Да допуснем, че имаме клетъчна мрежа от n базови станции, всяка от тях може да използва кой да е от m канала на системата. На всеки обработващ елемент - неврон (i,j) съответства канал i и базова станция j. Изходът на неврона е между 0 и 1. Близкият до 1 изход на неврона (i,j) се интерпретира като разрешение за използване на канал i в базова станция j.

Интерференцията се получава при взаимно отрицателно влияние на неврони на взаимодействащи си базови станции в един ред (т.е. интерференция в един канал) или съседни редове (интерференция в съседни канали). В една колона се получава отрицателно взаимодействие на всички неврони един с друг и трябва да се ограничи броя на назначените канали съгласно изискванията за минималното разстояние между каналите на едно и също място. Всеки неврон в една и съща колона се захранва с един и същ външен входен сигнал, пропорционален на изискванията на каналите за съответната базова станция. Избират се подходящи теглови коефициенти и предавателна функция.

След трениране с тестови данни мрежата може да се използва за планиране в клетъчни мрежи при назначаване на канали.

Управление на АТМ мрежи.
Друго приложение на невронните мрежи в телекомуникациите е за управление на АТМ мрежите.

АТМ (asynchronous transfer mode) е препоръчаният от МСД режим на асинхронно прехвърляне на информация в широколентови мрежи. ATM предлага единна техника за предаване на съществуващи и потенциални услуги и е гъвкав при използване на ресурсите на мрежата. При постъпване на заявка от абонат за някаква услуга мрежата реагира с изграждане на логическа или виртуална връзка от абонат до абонат (или абонати). След като се направи изборът на връзка, тя се фиксира за времето на обслужване на повикването, но се използва само при действително предаване на информацията. Информацията при АТМ се предава на порции с фиксирана дължина. Отделна порция се нарича клетka. За да се осигури ефективното разпределяне на ресурсите при предаването на ATM клетките, е необходимо управление на достъпа и управление и наблюдение на трафика, които силно зависят от допусканията за трафичните характеристики. Трафикът, генериран от един АТМ трафикоизточник, може да се представи на три нива. Нивото на повикванията включва параметри като интензивност на трафика и продължителност на виртуалното повикване. Нивото на активност отразява какъв процент от продължителността на повикването трафикоизточникът активно предава. Нивото на клетките отразява скоростта на генериране на клетки. Един източник на видео сигнал например, при фиксирани параметри на първите две нива, натоварва различно АТМ мрежата, ако видеокодекът генерира цифров поток със скорост, която зависи от скоростта на движение на изображението.

Методите за управление на мрежи се базират на анализ на предполагаемите характеристики на трафика и качеството на обслужване. В АТМ мрежите тази задача е изключително трудна поради голямото разнообразие на възможните услуги и техните комбинации. Ако се използват традиционни методи, управлението на мрежата се усложнява, особено при изменение на характеристиките на услугите и при въвеждане на нови услуги. Невронните мрежимогат да изучат нелинейните зависимости между входните и изходните величини с множество от параметри и да ги възпроизведат. Те могат да се поучат от грешки, да се адаптират и да реагират гъвкаво на изменения в системата. Възможните области на приложение на невронните мрежи за АТМ мрежите са:
  • управление на трафика (virtual path routing VPR);
  • контрол на уговорените параметри (usage parameter control UPC);
  • управление на достъпа (connection admission control CAC);
  • разпознаване на грешки и откриване на интерференция;
  • планиране на мрежи;
  • подобряване на надеждността на мрежите;
  • оценка на трафика;
  • управление на претоварването;
  • кодиране.
Управлението на достъпа е важна съставна част в АТМ широколентовите мрежи и играе важна роля при управлението на ресурсите и мрежата. То решава дали дадено желание на абонат за връзка може да бъде допуснато или да бъде отхвърлено. Параметрите на връзката се определят от абоната. Те включват трафичните характеристики на повикването (например средна скорост на предаване, максимална активност), както и необходимото качество на обслужване (максимална стойност на загубите, на закъсненията). Управлението на достъпа приема желанието за връзка, когато мрежата може да осигури качеството на услугата или в противен случай го отхвърля. Невронните мрежи могат да се използват за оценяване на реалните трафични характеристики на една връзка за вземане на решение за достъп до мрежата.

Наблюдението на трафика е функция, която се занимава с наблюдение на трафичните характеристики, които се определят при управлението на достъпа. Когато потребителят на една АТМ услуга при изграждане на връзка е определил параметрите на връзката, то спазването на зададените от него стойности не е непременно гарантирано. Необходимо е наблюдение на параметрите при изграждане на връзка, за да се гарантира качеството на услугите и да се предпази мрежата от случайни или нарочни грешки на потребителя. Тази функция е трудна за изпълнение. Ако стойностите на параметрите се подадат в подходяща форма на една невронна мрежа, то тя на базата на своята асоциативна способност е в състояние да разпознае дали се касае за допустими стойности или не. Невронните мрежи са толерантни и с възможността за напасване. Те могат да се обучат да толерират малки нарушения на съгласуваните параметри при определени трафични ситуации. Това е възможно, когато опита от предишни подобни ситуации е показал, че въпреки всичко качеството на услугата може да се гарантира.

Използването на невронни мрежи в управлението на АТМ е изключително перспективно, но съвременното състояние на техниката не дава възможност за реализиране на много от невронните решения.




Коментари: