Διαχειριση Δομης Νευροασαφων Συστηματων Με Αναλυση Ευαισθησιας

Abstract

Οι τομείς των νευροασαφών συστημάτων και της περιβαλλοντικής ευφυΐας είναι από τους πιο ενδιαφέροντες και ταχύτατα αναπτυσσόμενους τομείς της σύγχρονης επιστημονικής πραγματικότητας, που βρίσκουν εφαρμογή σε μια πληθώρα καθημερινών δραστηριοτήτων. Οι ανάγκες που πρέπει να καλυφθούν διαρκώς αυξάνονται, δημιουργώντας έτσι νέες απαιτήσεις που καλούνται να ικανοποιήσουν τα νευροασαφή συστήματα. Στην παρούσα διπλωματική εργασία γίνεται προσπάθεια να αντιμετωπιστούν κάποιες από τις αδυναμίες που εμφανίζουν τα συστήματα αυτά, και ταυτόχρονα να βελτιωθούν τα χαρακτηριστικά τους, ώστε να διευρυνθεί ακόμα περισσότερο το φάσμα των εφαρμογών τους. Στόχος είναι να μπορέσουν να καλύψουν ανάγκες όπως η εξοικονόμηση ενέργειας και η μείωση του σχεδιαστικού, υπολογιστικού και λειτουργικού τους κόστους, αλλά ταυτόχρονα να αυξηθεί, ή έστω να μη μειωθεί, η απόδοσή τους. Η μέθοδος που εφαρμόζεται κάνει χρήση ενός συγκεκριμένου μοντέλου νευροασαφών συστημάτων, των νευροασαφών συστημάτων γινομένου, τα οποία συνδυάζονται με ένα πολύ γνωστό στατιστικό και ερευνητικό εργαλείο, την ανάλυση ευαισθησίας. Χρησιμοποιείται ένα μοντέλο προσαρμοζόμενης δομής με ανάθεση πόρων (ARANFIS), στο οποίο εφαρμόζεται η ανάλυση ευαισθησίας στο επίπεδο των κρυφών κόμβων κανόνων και όχι στο επίπεδο της εισόδου, όπως γίνεται μέχρι σήμερα. Αυτή είναι και η καινοτομία που προσπαθεί να εισάγει η παρούσα διπλωματική εργασία στο χώρο των νευροασαφών συστημάτων: δυναμική διαχείριση της δομής και των πόρων ενός δικτύου, παρέμβαση στην εσωτερική του λειτουργία και δομή, με στόχο το χαμηλότερο συνολικό κόστος αλλά την ίδια (ή και καλύτερη) απόδοση. Η μέθοδος που προτείνεται βασίζεται στην αξιολόγηση και ιεράρχηση του τελικού αριθμού των κανόνων, που έχει τη δυνατότητα να προσθέσει το δίκτυο κατά την εκπαίδευση, σε δυο υποσύνολα. Η αξιολόγηση αυτή γίνεται με βάση το πόσο σημαντικός είναι κάθε κανόνας για την έξοδο του δικτύου. Υπολογίζεται, δηλαδή, με την ανάλυση ευαισθησίας, πόση επίδραση έχει κάθε κρυφός κόμβος κανόνας στην έξοδο του συστήματος, και ανάλογα κατατάσσεται στο κύριο ή το δευτερεύον υποσύνολο κανόνων. Το σύστημα χρησιμοποιεί το κύριο υποσύνολο κανόνων ή και τα δυο, ανάλογα με ένα κατώφλι εμπιστοσύνης . Η διαδικασία αυτή διατηρεί την ίδια απόδοση στο σύστημα, αλλά το καθιστά οικονομικότερο. Αυτό επιβεβαιώνεται και από μια σειρά δοκιμών με τέσσερα διαφορετικά σύνολα δεδομένων, των οποίων τα αποτελέσματα παρατίθενται στην παρούσα διπλωματική εργασία.