УДК 621.382
DOI 10.21685/2307-4205-2020-2-11
Р. О. Мишанов
ИСПОЛЬЗОВАНИЕ ОДНОСЛОЙНОГО ПЕРСЕПТРОНА ДЛЯ РЕШЕНИЯ ЗАДАЧИ КЛАССИФИКАЦИИ ЭЛЕКТРОРАДИОИЗДЕЛИЙ С ЦЕЛЬЮ ПОВЫШЕНИЯ КАЧЕСТВА И НАДЕЖНОСТИ БОРТОВОЙ АППАРАТУРЫ
R. O. Mishanov
THE APPLICATION OF SINGLE-LAYER PERCEPTRON FOR SOLVING PATTERN CLASSIFICATION TASK OF ELECTRONIC COMPONENTS IN ORDER TO IMPROVE THE QUALITY AND RELIABILITY OF ONBOARD EQUIPMENT
Аннотация. Рассматривается возможность применения однослойных персептронов с различным количеством скрытых нейронов для классификации электрорадиоизделий на классы годных и потенциально дефектных изделий. В качестве исходных данных используются прогнозируемый (выходной) и информативные (входные) параметры микросхем. Обучение сетей проводилось с использованием программы «Deductor Academic», которая позволила определить основные параметры сети: значения си-наптических весов и порогов для каждого нейрона. После обучения каждой сети были определены отклики на каждый пример обучающей выборки и сравнены с эталонными значениями. Оценка эффективности сетей проводилась по точности моделирования и классификации.
Abstract. The article is devoted to the possibility of single-layer perceptron application with a different number of hidden neurons for classifying electronic components into classes of acceptable and potentially defective instances. The forecasted (output) and informative (input) parameters of the integrated chips are used as the initial data. Network training was carried out using the software «Deductor Academic», which allowed determining the main network parameters: the values of synaptic weights and thresholds for each neuron. After training each network, the responses to each example of training sample were determined and compared with reference values. Evaluation of the network efficiency was carried out according to the accuracy of modeling and classification.
Введение
Прогнозирование состояния электрорадиоизделий (ЭРИ) на определенный срок службы радиоэлектронных средств, устанавливаемых на борт космических аппаратов, - один из способов повышения качества и надежности сложной аппаратуры. Наиболее успешно данную задачу можно решить с помощью индивидуального прогнозирования (ИП) состояния ЭРИ, которое позволяет по характеристикам конкретного экземпляра провести прогноз состояния этого экземпляра с использованием математической модели с заранее выбранным упреждением [1]. Но не всегда модели, показавшие свою эффективность для конкретного типа ЭРИ, могут давать такой же эффект для другого типа ЭРИ. Более того, эффективность таких моделей может различаться для ЭРИ из разных партий и при разных условиях изготовления. Таким образом, поиск новых способов ИП, основанных на различных математических методах и моделях, способов отбраковки, основанных на применении диагностического неразрушающего контроля (ДНК), не теряет свою актуальность и в нынешнее время.
© Мишанов Р. О., 2020
При использовании ИП состояния изделий необходимо наличие исчерпывающей информации, включающей в себя сведения:
- о физико-химических процессах, происходящих в материалах изделия и влияющих на электрические параметры;
- влиянии условий окружающей среды на скорость протекания физико-химических процессов в структуре изделий;
- динамике изменений электрических характеристик изделий, что невозможно узнать без статистических данных об испытаниях этих изделий.
При использовании ИП целесообразно воспользоваться положениями теории распознавания образов, согласно которой каждый рассматриваемый экземпляр выборки представляет собой образ (точку, объект) в ^-мерном пространстве признаков [2]. Таким образом, основной задачей классификации является разбиение совокупности таких образов в соответствии с некоторым критерием оптимальности. Задачи классификации решаемы с помощью большого количества методов и подходов, но особый интерес представляет применение искусственных нейронных сетей вследствие их нелинейности, способности адаптации при изменении параметров объектов, а также организации под решение конкретных задач [3, 4].
Одной из простейших форм искусственных нейронных сетей, успешно решающей задачу классификации линейно-разделимых множеств, является однослойный персептрон, который состоит из слоя входных данных (Input), одного скрытого слоя (Hide) и слоя выходных данных (Output). Было доказано, что если образы обучающего множества выбраны из двух линейно-разделимых классов, то алгоритм персептрона является сходящимся и образует поверхность решений в виде разделяющей гиперплоскости в гиперпространстве признаков [3].
Однослойный персептрон с одним скрытым нейроном ограничен решением задачи разделения на два класса линейно-разделимых образов. При увеличении количества скрытых нейронов возрастает количество классов, на которые можно разделить совокупность [3, 5]. Данное правило справедливо для линейно-разделимых множеств, т.е. когда классы явно выделяются и, как следствие, когда образы разных классов имеют максимальные различия признаков.
Задача классификации
В статье поставлена задача классификации выборки интегральных микросхем 765 серии с помощью трех конфигураций однослойного персептрона (рис. 1). Характеристики выборки микросхем представлены в работе [6]. Точность классификации оценивалась по вероятностным характеристикам, а также по величине ошибки отклонения от эталонных значений.
а) б) в)
Рис. 1. Структуры однослойного персептрона: а - с одним скрытым нейроном; б - с двумя скрытыми нейронами; в - с тремя скрытыми нейронами
В работе использовалось программное средство Deductor Academic [7]. Для обучения сети в качестве входных данных были выбраны информативные параметры Х1 и Х2, в качестве выходных - Y(1000). Обучающее множество состояло из 46 наблюдений, тестовое - из 4 наблюдений.
В качестве алгоритма обучения сети был выбран метод эластичного распространения (Resilient Propagation - Rprop) [5] с параметрами обучения, указанными на рис. 2.
P3 Мастер обработки - Нейросеть (4 из 8) - X
Настройка процесса обучения нейронной сети Выбор алгоритма и задание параметров обучения [7
Алгоритм Параметры
С Back - Propagation Шаг спуска [0,3
Обучение в режиме "онлайн". Коррекция весов производится после предъявления каждого примера обучающего множества В случае изменения знака градиентной составляющей ошибки для данного веса задает величину следующей коррекции веса. Шаг подъема |1,2 В случае сонранения знака градиентной составляющей ошибки для данного веса задает величину следующей коррекции
<* Resilient Propagation (RPROP) Обучение в режиме "оффлайн". Коррекция весов производится после предъявления всех примеров обучающего множества. Учитывается только знак
градиента по каждому весу. веса.
< Назад Далее > Отмена
Рис. 2. Параметры обучения сети
Величина ошибки распознавания была выбрана равной 0,05. Таким образом, если отклик на выходе сети имеет различие менее 5 % с эталонным значением, то пример считается распознанным. Критерием корректного обучения сети был выбран случай, при котором все примеры обучающего и тестового множества были распознаны, а средняя ошибка принимала минимальное значение. Количество эпох обучения найдено экспериментальным путем. Для первой сети стабилизация ошибок наблюдалась на 9600 эпохе, для второй сети - на 7000 эпохе, для третьей сети - на 5500 эпохе. На рис. 3-5 показаны результаты обучения каждой из сетей.
Рис. 3. Результаты обучения сети с одним скрытым нейроном
Рис. 4. Результаты обучения сети с двумя скрытыми нейронами
Рис. 5. Результаты обучения сети с тремя скрытыми нейронами
Результатом настройки персептрона является определение синаптических весов ^ и порогов Ь. В табл. 1 представлены результаты настройки. Результаты распознавания и классификации представлены в табл. 2. Для удобства восприятия результатов удобно пользоваться диаграммами рассеяния выходных данных, показанными на рис. 6-8.
Таблица 1
Результаты настройки параметров персептрона
Персептрон с одним скрытым нейроном Персептрон с двумя скрытыми нейронами Персептрон с тремя скрытыми нейронами
w1 -0,96 b1 -1,683 w1 2,207 b1 -0,062 w1 -17,692 b1 5,339
w2 0,142 b2 4,025 w2 7,856 b2 -25,444 w2 -13,439 b2 -1,914
w3 -24,47 w3 -0,939 b3 -3,795 w3 -5,11 b3 -1,491
w4 -73,143 w4 31,879 b4 0,087
w5 10,825 w6 -0,451
w6 -1.754 w7 5,991
w8 -5,759
w9 -2,962
Таблица 2
Результаты распознавания и классификации
Номер экз. Y Кфакт Сеть с 1 скр. нейроном Сеть с 2 скр. нейронами Сеть с 3 скр. нейронами
Y ± расп Y ± расп.ош Красп Y ± расп Y ± расп.ош Красп Y ± расп Y ± расп.ош Красп
Таким образом, зная фактическую принадлежность экземпляров к классам годных и потенциально дефектных, а также класс экземпляров по распознаванию, можно оценить точность классификации по вероятностным характеристикам [8]. Кроме того, в качестве критерия выбора структуры персептрона целесообразно рассматривать величину средней ошибки распознавания, а также процент распознанных образов. Результаты представлены в табл. 3.
Таблица 3
Вероятностные характеристики разбиения выборки
Показатели Однослойный персептрон с одним скрытым нейроном Однослойный персептрон с двумя скрытыми нейронами Однослойный персептрон с тремя скрытыми нейронами
Классификация
Риск изготовителя Ризг 0,278 0,381 0,235
Риск потребителя Рпотр 0,0625 0,069 0,061
Вероятность принятия ошибочного решения Рош 0,14 0,2 0,12
Моделирование
Обучающее множество Распознано примеров, % 97,83 100 100
Средняя ошибка распознавания 5,46 10-3 2,62-10-3 1,74 10-3
Тестовое множество Распознано примеров, % 100 100 100
Средняя ошибка распознавания 1,1610-3 1,3 10-2 2,94-10-3
Рис. 6. Диаграмма рассеяния выходных данных по результатам обучения однослойного персептрона с одним скрытым нейроном
Рис. 7. Диаграмма рассеяния выходных данных по результатам обучения однослойного персептрона с двумя скрытыми нейронами
Рис. 8. Диаграмма рассеяния выходных данных по результатам обучения однослойного персептрона с тремя скрытыми нейронами
Заключение
По табл. 3 и при анализе диаграмм рассеяния, показанных на рис. 6-8, видно, что однослойный персептрон с одним скрытым нейроном не обеспечил высокую точность откликов, по сравнению с эталонными значениями выходных данных. Кроме того, по диаграмме рассеяния видно, что одно наблюдение распозналось с ошибкой более 5 %. По оценке средней ошибки распознавания обучающего множества можно сделать вывод, что однослойный персептрон с тремя скрытыми нейронами обеспечил более высокую точность разбиения по сравнению с однослойным персептро-ном с двумя скрытыми нейронами. При этом все примеры были распознаны с ошибкой менее 5 %. Кроме того, оценивая точность классификации, стоит отметить, что при использовании каждой структуры сети получены схожие значения риска потребителя. Однослойный персептрон с тремя скрытыми нейронами обеспечил сравнительно низкие значения риска изготовителя Ризг = 0,235 и риска принятия ошибочного решения Рош = 0,12. Таким образом, для более качественной классификации интегральных микросхем, выбранных из партии, из которой произведена выборка, следует выбрать однослойный персептрон с тремя скрытыми нейронами.
Библиографический список
References
Мишанов Роман Олегович
кандидат технических наук, ассистент, кафедра конструирования и технологии электронных систем и устройств, Самарский национальный исследовательский университет имени академика С. П. Королёва (Россия, г. Самара, Московское шоссе, 34) E-mail: kipres@ssau.ru
Mishanov Roman Olegovich
candidate of technical sciences, assistant, sub-department of design and technology electronic systems and devices, Samara University
(34 Moskovskoe highway, Samara, Russia)
Образец цитирования:
Мишанов, Р. О. Использование однослойного персептрона для решения задачи классификации электрорадиоизделий с целью повышения качества и надежности бортовой аппаратуры / Р. О. Мишанов // Надежность и качество сложных систем. - 2020. - № 2 (30). - С. 106-114. - DOI 10.21685/2307-42052020-2-11.