автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Исследование и разработка комбинированных нейросетевых технологий для повышения эффективности безопасной маршрутизации информации в сетях связи

На правах рукописи

Лавренков Юрий Николаевич

ИССЛЕДОВАНИЕ И РАЗРАБОТКА КОМБИНИРОВАННЫХ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ БЕЗОПАСНОЙ МАРШРУТИЗАЦИИ ИНФОРМАЦИИ В СЕТЯХ СВЯЗИ

05.13.17 - Теоретические основы информатики

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

О 4 СЕН 2014

005552195

Калуга-2014

005552195

Работа выполнена на кафедре «Компьютерные системы и сети» Калужского филиала ФГБОУ ВПО «Московского государственного технического университета имени Н.Э. Баумана».

Научный руководитель:

Официальные оппоненты:

доктор технических наук, профессор Комарцова Людмила Георгневна

Сндоркнна Ирина Геннадьевна

доктор технических наук, профессор, декан факультета «Информатики и вычислительной техники» ФГБОУ ВПО «Поволжский государственный технологический университет»

Тарасов Валерий Борисович

кандидат технических наук, доцент, доцент кафедры "Компьютерные системы автоматизации производства" ФГБОУ ВПО МГТУ им. Н.Э. Баумана

Ведущая организация:

Рязанский государственный радиотехнический университет (РГРТУ)

Защита состоится «10» октября 2014 г. в 18 час. 00 мин. на заседании диссертационного совета Д 212.157.01 при ФГБОУ ВПО «НИУ «МЭИ» по адресу: 1 11250, Москва, Красноказарменная ул., 13 (ауд. М 704).

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «НИУ «МЭИ».

Автореферат разослан » СЪ&'Т^СА С^ 2014 г.

Ученый секретарь

диссертационного совета Д 212.157.01 кандидат технических наук, доцент

Фомина Марина Владимировна

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Развитие сложных вычислительных систем и комплексов основано на транспортировке информации от отправителя к получателю. Проблему выбора оптимального пути, при котором информация проходит по маршруту, соответствующему определённым критериям, решают алгоритмы маршрутизации. Маршрутизация - процесс передвижения информации от источника к пункту назначения через объединенную сеть. При этом, как правило, на пути встречается, по крайней мере, один узел. Маршрутизация включает в себя два основных компонента: определение оптимальных путей маршрутизации и транспортировка информационных сообщений. Определение | маршрута представляет! собой сложный процесс и базируется на различных | показателях или комбинациях показателей. Если процесс маршрутизации" происходит в динамическом режиме, т.е. путь, по которому передаётся информация, рассчитывается не на начальном этапе передачи сообщения, а по мере продвижения его по сети, то сложность расчёта маршрута возрастает. В практических задачах возникают ситуации, когда необходимо выполнить передачу информации в открытом виде, т.е. без использования средств шифрования. Такой способ передачи требует построения маршрутов продвижения информации по каналам связи, обладающих определённой степенью надёжности и защищённости от вмешательства злоумышленников, в частности от прямого физического подключения к среде передачи. При маршрутизации на основе заданных условий необходимо выполнять оценку не только характеристик, обеспечивающих быструю доставку информации получателю, но в процессе поиска оптимального маршру та учитывать параметры безопасности среды передачи.

Существующие алгоритмы маршрутизации требуют наличия информации о полной структуре сети, в которой будет организовываться передача данных. Если происходит частое изменение топологии сети, появление и удаление новых соединений, изменения в среде передачи, то маршрутизирующие алгоритмы теряют способность поддерживать оперативный информационный обмен в сети. Для поддержания способности телекоммуникационной сети выполнять доставку информационных сообщений необходимо применять современные методы, способные решать задачи при неполных или противоречивых входных данных. К таким методам относятся вычислительные методы на базе нейросетевых, эполюционных и нечётких алгоритмов. Для успешного решения задачи безопасной маршрутизации требуется развитие и комбинирование вычислительных структур на основе приведённых интеллектуальных подходов.

Применение интеллектуальных технологий позволит выполнять передачу информации в распределённых сетях даже в случаях их частичной деградации или, нарушения целостности! из-за действия третьих лиц. Таким образом, задача исследования и проектирования алгоритмов безопасной нейросетевой маршрутизации является актуальной и практически значимой.

Целью работы является повышение эффективности функционирования комбинированных нейросетевых методов для решения задачи маршрутизации информации в сетях связи. Для достижения указанной цели необходимо решить следующие задачи:

1. Провести анализ алгоритмов построения оптимальных маршрутов в компьютерных сетях. Провести классификацию алгоритмов, а также

проанализировать способы получения данных, необходимых для работы маршрутизирующей системы.

2. Выполнить построение модели нейросетевого маршрутизатора, представленного комитетом, состоящим из трёх нейросетевых экспертов: сети прямого распространения, рекуррентной нейронной сети, радиально-базисной нейронной сети.

3. Разработать способ объединения решений, полученных от различных нейросетевых структур (НС). Проанализировать существующие методы объединения результатов работы различных алгоритмов. Выполнить разработку алгоритма оценки компетентности каждого эксперта.

4. Спроектировать методы обучения каждого типа нейросетевого эксперта, базирующиеся на стандартных градиентных алгоритмах оптимизаций, но с применением комбинированных эвристических процедур.

5. Проанализировать алгоритмы инициализации начального состояния нейронных сетей перед выполнением процедуры обучения. Разработать алгоритм настройки параметров НС с учётом того, что все сети функционируют в составе комитета, представляющего собой единую вычислительную структуру -ассоциативную машину.

6. Выполнить разработку алгоритма, обеспечивающего безопасное функционирование нейросетевого комитета при выполнении функции маршрутизации информации.

7. Спроектировать набор программно-аппаратных средств для получения оперативной информации о состоянии физических линий передачи информации в телекоммуникационной сети. На основе полученных данных выполнить построение обучающей и тестовой выборки для ассоциативной машины.

Объект и предмет исследования. Объектом исследования является процесс объединения мнений отдельных нейросетевых экспертов.

Предметом исследования является применение и разработка комплекса нейросетевых алгоритмов для получения комбинированных решений от различных вычислительных структур.

Методы исследования основаны на теории принятия решений, нейроинформатике, теории оптимизации, генетических и эволюционных алгоритмах, методах математической статистики.

Достоверность результатов подтверждена данными экспериментов и компьютерного моделирования, сравнением полученных результатов с данными, полученными другими авторами.

Основные результаты, выносимые на защиту:

1. Общие принципы построения систем маршрутизации информации.

2. Методы обучения комитета нейросетевых экспертов на основе обратного распространения ошибки, модифицированные алгоритмом поиска с переменным шагом, градиентный метод настройки параметров радиально-базисной нейронной сети, модифицированный эвристической процедурой упреждающего поиска, метод наискорейшего спуска с эвристикой на основе алгоритма комплексов.

3. Процедура определения начального состояния ассоциативной машины, выраженного предварительной установкой параметров весовых коэффициентов, основанная на применении кооперативного иммушюго алгоритма с эволюционным алгоритмом генерации искусственных антител.

4. Модель объединения мнений нейросетевых экспертов на основе нечёткой системы оценки компетентности каждого эксперта и системы из трёх модифицированных нейронов, которая выполняет предобработку сигналов перед подачей на финальную сигма-пи нейронную сеть.

5. Модель нейросетевого генератора случайных чисел, базирующаяся на множестве взаимодействующих сетей Хопфилда, для обеспечения безопасного функционирования нейросетевого маршрутизатора.

6. Алгоритм оценки состояния канала связи, и принципы формирования обучающей выборки для разработанной нейросетевой структуры, основанные на оценке изменения параметров ёмкости и сопротивления канала передачи информации, а также методах спектрального анализа отражённого из канала связи зондирующего сигнала. |

Научная новизна работы заключается в следующем:

1. Разработана архитектура ассоциативной машины на основе трёх нейронных сетей с различной архитектурой, которая способна объединять выходные сигналы нейронных сетей для решения трудно формализуемых задач. Спроектированная система включает в себя комплекс нейронных элементов для предобработки сигналов от нейросетевых экспертов на основе информации, полученной от нечёткой системы, применяемой для оценки возможностей каждой нейронной сети получить решение конкретной вычислительной задачи.

2. Модифицированы алгоритмы обучения нейронных сетей, входящих в ассоциативную машину, комбинированными эвристическими процедурами и стратегией инициализации начального состояния комитета экспертов с помощью кооперативного иммунного алгоритма оптимизации.

3. Спроектирован механизм получения финального решения на основе нейронной сети типа сигма-пи, обучение которой выполнялось на основе разработанного комплекса методов случайного поиска, применяемого для оптимизации переменных параметров разработанной нейросетевой архитектуры. Для управления процедурой случайного поиска разработан нейросетевой генератор случайных чисел с источником энтропии, который позволяет выполнять оптимизацию параметров нейросетевых экспертов из случайного начального состояния.

4. Спроектирована методика оценки безопасности канала передачи информации на основе анализа изменения параметров среды передачи и спектра отражённого зондирующего сигнала.

Теоретическая значимость работы заключается в развитии технологий для объединения результатов работы различных интеллектуальных вычислительных алгоритмов, применяемых для повышения эффективности функционирования алгоритмов безопасной маршрутизации в условиях неполной или противоречивой информации. |

Практическая ценность работы заключается в том, что разработанные методы и модели нейросетевой безопасной маршрутизации позволяют:

1. Повысить эффективность безопасной передачи информации в телекоммуникационных сетях, сократить издержки на применение алгоритмов шифрования данных.

2. Повысить вероятность доставки информационных сообщений в условиях деградации сети связи, за счёт применения аппроксимирующих способностей комплекса нейронных сетей.

3. Выполнить построение оптимального маршрута передачи данных в условиях неполной информации о состоянии каналов связи.

Апробация результатов работы. Основные положения работы были доложены на семинарах кафедры ЭИУ2-КФ КФ МГТУ им. Н.Э. Баумана в 20082014 гг.; на «Всероссийской научно-технической конференции студентов, аспирантов и молодых учёных - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ», г. Калуга, 2008, 2009, 2010, 2011, 2012, 2013 гг.; «Региональной научно-технической конференции студентов, аспирантов и молодых учёных - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ», г. Калуга, 2008, 2009, 2010, 2011, 2012, 2013, 2014 гг.; «Восьмой межрегиональной научно - технической конференции студентов и аспирантов - Применение кибернетических методов в решении проблем общества 21 века», г. Обнинск, 2010 г.; «Международном симпозиуме «Интеллектуальные системы», г. Москва, 2010, 2012 гг.; на «Всероссийской научно-технической конференции «Нейроинформатика», г. Москва, 2010, 2011, 2012, 2013, 2014 гг.; «Всероссийской научной конференции «Нейрокомпьютеры и их применение», г. Москва, 2012 г.; «Международной научно-технической конференции OSTIS», г. Минск, 2012, 2014 гг.; «Международной научно-технической конференции «Интегрированные модели и мягкие вычисления п искусственном интеллекте», г. Коломна, 2013 г.; «1-м международном симпозиуме под ред. проф. A.B. Колесникова», г. Калининград, 2012 г.; «Международной конференции «Интеллектуальный анализ информации», г. Киев, 2012 г.; «Всероссийской научно-практической конференции с между народным участием «Информационные технологии в профессиональной деятельности и научной работе», г. Йошкар-Ола, 2012 г.

Публикации по теме работы. Результаты, полученные при выполнении диссертационной работы, опубликованы в 46 печатных работах, из них 6 - в периодических изданиях, рекомендованных ВАК, получено свидетельство о государственной регистрации программы для ЭВМ.

Структура и объём работы. Диссертация состоит из введения, четырёх глав, заключения, списка литературы (136 наименований) и 2 приложений. Объём работы составляет 208 страниц, содержит 111 рисунков и 12 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, сформулированы цели и основные задачи, научная новизна, теоретическая и практическая ценность работы, отражены основные положения, выносимые на защиту.

В первой главе определяются основные понятия, относящиеся, к теме работы, производится обзор проблемы исследования. Приводится постановка задачи безопасной маршрутизации. !

Основная задача различного рода телекоммуникационных сетей - это транспортировка информации от отправителя к получателю. Для выбора оптимального пути, соответствующего заданным критериям, применяют алгоритмы маршрутизации. В данной работе особое внимание уделяется безопасности передачи информации в процессе выполнения её доставки к заданному узлу, т.е. доставка информации в открытом виде по тем каналам передачи, которые гарантируют невозможность её перехвата или искажения третьими лицами.

Под адаптивной или динамической маршрутизацией подразумевается система, которая все изменения конфигурации сети автоматически отражает в таблицах маршрутизации. Необходимость в создании алгоритмов такого типа возникает из-за наличия уязвимостей в существующих алгоритмах динамической маршрутизации. В настоящее время применяются адаптивные распределенные алгоритмы маршрутизации: дистанционно-векторные алгоритмы (ДВА) и алгоритмы состояния связей (АСС). Анализ различных источников показал наличие уязвимостей у данных алгоритмов:

1. Стабильная работа алгоритмов обеспечивается в небольших сетях. В больших сетях производится интенсивный обмен таблицами маршрутизации, что приводит к дополнительной нагрузке линий связи.

2. Изменение конфигурации сети не всегда может быть корректно обработано данными типами алгоритмов маршрутизации, т.к. маршрутизаторы не обладают сведениями о точной топологии сети.

3. Протоколы, использующие в своей работе ДВА маршрутизации (например, RIP - Routing Information Protocol), трудно адаптируются к потере маршрута, т.к. они передают информацию, необходимую для пополнения таблиц маршрутизации.

4. Существует вероятность появления ложных маршрутов, которые возникают при использовании информации о несуществующих маршрутах.

Анализ недостатков рассмотренных алгоритмов выявил уязвимости в процессе выполнения маршрутизации при неполной информации. Нарушение функций маршрутизирующей системы может произойти в результате отказа отдельных каналов связи или самих маршрутизаторов. Для устранения выявленных недостатков предлагается применять вычислительные методы, базирующиеся на применении комитета нейронных сетей. Основу данного комитета будут составлять нейросетевые эксперты трёх различных архитектур: многослойный персептрон. радиалыю-базисная нейронная сеть, рекуррентная сеть Эльмана. Применение нейронных сетей обусловлено следующими причинами:

1. Для каждой из рассматриваемых НС существуют алгоритмы обучения и настройки их внутренней структуры, которые способны эффективно производить оптимизацию компонентов сети для решения прикладных задач.

2. Системы, основу управляющих модулей которых составляют нейросетевые технологии, являются адаптивными структурами, для которых нет необходимости производить точный расчёт параметров перед началом работы.

3. Этап обучения НС позволяет выполнить адаптацию параметров для настройки на конкретные условия сигнала и шума.

4. Структура пейросетевых экспертов может быть адаптирована к конкретной вычислительной задаче. i

Затем рассматривается проблема инициализации начальных состояний) пейросетевых экспертов перед выполнением процедуры обучения. При неправильной установке начальных значений становится возможным введение функций активации нейронов в режим насыщения, что приводит к исключению данных нейронов из процесса функционирования нейронной сети. Приводится обзор альтернативных методов установки начальных параметров НС: метод случайной установки, метод главных компонент и т.д., а также проводится анализ проблем, возникающих на данном этапе обучения НС.

Выполняется анализ недостатков алгоритмов обучения НС. Ставится задача модификации градиентных алгоритмов обучения комбинированными эвристическими процедурами. Комбинация градиентных алгоритмов и эвристических процедур позволяет воспользоваться преимуществами градиентных методов оптимизации, а применение эвристик повышает вероятность нахождения решения, близкого к глобальному оптимуму.

Вычислительные задачи, содержащие сложные внутренние зависимости, решаются при помощи их разбиения на множество небольших и простых задач с последующим объединением полученных решений. Комбинацию экспертов, представленную нейронными сетями различной архитектуры, называют комитетом нейронных сетей. В работе проводится анализ методов объединения; мнений различных экспертов (таблица 1).

Таблица 1. Характеристики алгоритмов объединения мнений экспертов

Технология Методология :■>••.»,. • получения результата . . Недостатки.

Усреднение по ансамблю Линейная комбинация выходных сигналов нейросетевых экспертов 1. Зависимость результата от правильного определения компетентности экспертов. 2. Увеличение сложности алгоритма за счёт применения алгоритмов коррекции «шумовых выбросов».

Усиление Каждый новый эксперт базируется на результатах ранее построенных [.Наличие большего числа примеров обучающей выборки. 2. Вырождение комитета экспертов в сложную неэффективную нейросстевую структуру, требующую большого количества вычислительных ресурсов. 3. Последние модели экспертов обучаются на самых «сложных» примерах.

Стэкинг Применение концепции метаобучения 1. Сложность теоретического анализа из-за множества последовательно формируемых моделей. 2. Возможно разрастание уровней метамодели, что может привести к быстрому истощению вычислительных ресурсов.

Смешение мнении экспертов Объединение знаний экспертов за счёт применения сети шлюза 1. Алгоритм требователен к вычислительным ресурсам при разбиении исходного пространства. Становится возможным создание большого количества областей, что приведёт к .излишней кластеризации пространства и! создаст большую группу базовых экспертов со сложным механизмом взаимодействия посредством сетей шлюза. 2. Процесс обучения на основе стохастического градиента основан на настройке весовых коэффициентов эксперта, сети шлюза первого и второго уровня, что приводит к сложному алгоритму комплексной оптимизации всей нейросетевой машины.

Иерархическое объединение Объединение знаний экспертов за счёт применения иерархической сети шлюза

Вторая глава диссертации посвящена проектированию алгоритмов обучения и настройки нейросетевых экспертов. Процесс разработки алгоритма обучения ассоциативной машины представлен выполнением ряда этапов.

Первый этап — разработка модифицированных алгоритмов обучения нейронных сетей, составляющих ассоциативную машину. В работе многослойный персептрон объединялся в ансамбль нейронных сетей совместно с радиально-базисной нейронной сетью и рекуррентной сетью Эльмана. Многослойный персептрон обучался с использованием алгоритма обратного распространения ошибки с модификацией на основе алгоритма случайного поиска с переменным шагом. При обучении радиалыю — базисной нейронной сети применялся градиентный алгоритм обучения, но модифицированный комбинаторной] эвристикой, в основе которой лежит алгоритм на основе метода упреждающего поиска. Обучение третьей НС проводилось с использованием градиентного метода наискорейшего спуска с эвристикой на основе метода комплексов.

Второй этап — алгоритм формирования начальных состояний, выраженных установкой весовых коэффициентов нейронных сетей. В данной задаче сети функционируют не каждая по отдельности, а в ансамбле. В связи с этим необходимо использовать принципы оптимизации на основе кооперативной коэволюции с несколькими популяциями. Основу видоизменения популяций представляет иммунный алгоритм оптимизации, построенный на основе принципов иммунитета живых организмов. На данном этапе необходимо найти такое сочетание начальных состояний всех трёх нейросетевых экспертов, при котором процесс обучения будет происходить за наименьшее время, и обеспечивать эффективность совместного функционирования. Для каждой нейронной сети процесс оптимизации идёт независимо от остальных. Он заключается в производстве новых антител с помощью операторов мутации, рекомбинации и различного рода операторов инверсии. Когда возникает необходимость оценки эксперта из какой-либо популяции, то эксперты, начальные состояния которых обусловлены функционированием трёх различных популяций антител, объединяются в один ансамбль, и осуществляется оценка эффективности обучения и функционирования НС экспертов из этих начальных состояний. Таким образом, каждая популяция кооперативной коэволюции пытается найти оптимальную часть общего решения. Для каждого нейросетевого эксперта создаётся отдельный комплекс популяций антител. При проверке эксперта производится удаление тех антител из популяции, которые не удовлетворяют критериям функционирования нейросетевой ассоциативной машины. Даже если в антителе закодировано лучшее решение для конкретного эксперта, а на уровне ассоциативной мащинц оно показало неудовлетворительный результат, то ¿¡но будет удалено.

Третий этап - оценка компетентности экспертов для определения степени I приспособленности решать конкретную задачу. Для обработки сигналов каждой нейронной сети необходимо знать уровень компетентности, в случае' неправильной оценки возможностей решения поставленной задачи комитетом нейронных сетей весь ансамбль будет выдавать неправильное решение, и преимущество использования ассоциативной машины из нескольких нейронных сетей будет потеряно.

Для .оценки компетентности применяются две нечёткие системы. Первая нечёткая система применялась на этапе обучения нейронных сетей, из которых

состоит ансамбль, для оценки динамики процесса обучения на основе анализа кривой изменения среднеквадратического значения ошибки обучения.

Для получения характеристики качества каждой НС применялся метод наименьших квадратов, с помощью которого проводилась линейная аппроксимация графика ошибки обучения. Производится анализ угла наклона аппроксимирующей "прямой относительно оси абсцисс и вычисляется коэффициент, показывающий нестабильность процесса обучения, который вычисляется по формуле:

i=2 ! где N- количество отсчётов среднеквадратической ошибки обучения, E(¡) — i-й отсчёт значения ошибки.

Вторая нечёткая подсистема проводит анализ качества сформированной структуры нейросетевого эксперта. Производится оценка способностей сети принимать верные решения в случае определённого воздействия на элементы её структуры. Нейронная сеть подвергается процессу упрощения её структуры за счёт избирательного отключения синаптических связей определённого нейрона. Второй способ воздействия на сеть заключается в изменении порогов отдельных нейронных элементов на величину равную половине линейной комбинации входных воздействий. После осуществления этих двух операций производится оценка способности сети принимать приемлемое решение. Но на вход сети поступают данные, содержащие шумовые составляющие.

Для решения задачи определения компетентности каждого эксперта создаются две подсистемы с базами нечётких правил следующего типа: П,: ЕСЛИх ¡ есть А,, II ... Иx¡ есть A,¡ ... IIл,„ есть А,т, ТО у есть 5„ i = 1, .... и, где Г1, - i - ое правило, / = 1, ..., n, п — количество правил, x¡ (J = 1, .... tn) -множество входных переменных, XjS. Хр X¡ - область определения предпосылки, у -нечёткие выходные переменные. А, В - лингвистические термы, представленные нечёткими множествами с функциями принадлежности //4(л)е[0,1] и ря(х)е[0,1].

Для реализации двух нечётких подсистем необходимо создать две базы нечётких правил с MISO - структу рой (Multi Inputs - Single Output): с двумя входными (х,, х2) и одной выходной переменной v. Для этого необходимо создать обучающую выборку, состоящую из множества примеров:

{x(k)„x(k)bd(k)),k=\,...,K, где jx(k)¡, х(к)2 - значение входных переменных x¡, х2 в к - м примере, d -желаемое значение выходной переменной в к - м примере, К - общее количество примеров в обучающей выборке. После выполнения операции дефаззификации получаем два коэффициента c¡ и с2 (от каждой из нечётких подсистем), которые характеризуют компетентность нейросетевого эксперта в составе ассоциативной машины. Далее применяется нечёткий нейрон «И» (рисунок 1) для получения итогового значения компетентности нейронной сети с/. Настройка параметров функций принадлежности и весовых коэффициентов нечёткого нейрона «И» производится с помощью разработанного алгоритма на основе случайных переходов в графовой модели.

с7

Рнсунок 1 — Структурная схема нечеткого нейрона «II»

Четвёртый этап - предобработка сигналов от нейронных сетей на основе сигнала компетентности. При использовании ассоциативных машин в качестве механизма для объединения решений множества решающих элементов необходимо применять структуры, ;модифицированные под решение конкретной задачи, на основе искусственных нейронов. Для каждого из типа экспертов применяете?? определённый тип искусственного нейрона. Система, построенная для смешения мнений экспертов, производит предварительную обработку сигнала для его последующей выдачи финальной нейронной сети, которая и примет результирующее решение по итогам функционирования ассоциативной машины. На основе информации из нечёткой подсистемы оценки эффективности функционирования нейросетевых экспертов производится подавление сигнала от соответствующей нейронной сети. Выходные сигналы от многослойного персептрона обрабатывались с помощью модифицированного нейрона Фукушимы. В соответствии с рисунком 2 в структуру нейрона Фукушимы были добавлены элементы задержки, логические связи, подавляющие сигналы с выходов нейронного элемента, если они не соответствуют соответствующим сигналам с входных рецепторов (элементы AND — логическое «И», функция sign -определение знака входного аргумента, х„ — входы для выходных сигналов НС, >■/...v/( - входы для сигналов от нечёткой системы оценки компетентности). Для второго я третьего нсйросетевого эксперта алгоритм обработки выходного сигнала аналогичен. Различие состоит в применении других простейших нейронов: для сети РБФ - модифицированного квадратичного нейрона, для сети Эльмана -нейрона iV-адалина. Модификация структуры нейронов была полностью аналогична изменениям в нейроне Фукушимы.

Для повышения эффективности функционирования системы объединения мнений экспертов, сигналы от модифицированных нейронов Хопфилда, N -адалины и квадратичного нейрона подавались на систему латеральных связей, обеспечивающую конкуренцию между ними. Этот механизм позволяет акцентировать внимание финального эксперта на приоритетных решениях.

После предобработки сигналов с помощью структур, приведённых выше, финальный эксперт получает не единичные значения «выигравших нейронов» (все эксперты строятся по| принципу «победитель забирает всё»), а изменённые значения амплитуд выходных сигналов экспертов в соответствии с качество^ процесса обучения. По значению амплитуды финальный эксперт может определить, какой из них лучше всего приспособлен для решения поставленной задачи. В качестве финальной структуры, ответственной за принятие результирующего решения, применяется сигма-пи нейронная сеть. Выбор данной нейронной сети в качестве финального эксперта базируется на сочетании в сигма-пи сети положительных качеств многослойных нейронных сетей (переептронов) и радиалыю-базисных нейронных сетей.

Рисунок 2 - Модифицированная структура нейрона Фукушнмы

Обучение сигма-пи сети производится на основе разработанного алгоритма обучения, базирующегося на комбинации алгоритмов случайного поиска, применяемых в определённом порядке и для настройки конкретных параметров сети. Для перемещения в другую точку поискового пространства разработана модель, описывающая систему взаимодействия некоторого множества геометрических примитивов.

Пятый этап - обеспечение безопасности работы системы. В работе применяются алгоритмы, для нормальной работы которых, необходимо постоянно формировать последовательности псевдослучайных чисел: методы эволюционного моделирования, градиентные алгоритмы, генерация начального состояния системы и т.д. Такие методы генерации псевдослучайных чисел, как линейные конгруэнтные генераторы, сдвиговые регистры с линейной обратной связью, аддитивный генератор чисел имеют линейную алгебраическую структуру, что позволяет раскрыть механизм генерации чисел. Для исключения проблемы линейности необходимо использовать нелинейные методы генерации случайных чисел с надёжным источником энтропии. При накоплении необходимого количества энтропии, его можно использовать для создания начального значения. Ь данной работе была разработана электрическая схема, выступающая в качестве источника энтропии, который был основан на создании гонок в процессе перезаряда двух ёмкостей (рисунок 3).

Система балансировки сопротивлений

Контроль времени • заряда :

Конденсатор В

Модуль измерения напряжения на конденсаторе

Модуль контроля сопротивления а цели заряда

Рисунок 3 - Структурная схема источника энтропии

Разработанная схема позволяет сформировать вектора, необходимые для настройки генератора случайных чисел (ГСЧ) (рисунок 4). В данной работе в качестве такого генератора была спроектирована структура, состоящая из 24 нейронных сетей Хопфидда (НС0 - НС2з), функционирующих в нестандартном режиме (такое количество сетей Хопфнлда необходимо для прохождения ГСЧ тестов на случайность). В качестве основного элемента ГСЧ применяется нейронная сеть Хопфидда, содержащая 9 нейронных элементов. Разработанная система состоит из ряда подсистем: блок управления и выбора НС, осуществляет управление всеми структурами, путём передачи команд по шине команд (1ЦК). Одна из основных функций - это определение очерёдности активации нейронных сетей и нейронных элементов в каждой сети при асинхронном извлечении информации; колебательный процесс осциллятора на модифицированных нейронах Хипфилда является источником случайных битовых последовательностей, которые применяются в блоке генерации начальных векторов для определения начального состояния функционирования всего нейросетевого ГСЧ; логическая нейронная сеть, осуществляя логическое преобразование над входными битовыми последовательностями, уничтожает зависимости в случайных числах, получаемых от нейросетевого ГСЧ; блок сдвигового регистра формирует выходное значение нейросетевого ГСЧ; блоки СКиПО (Система Коммутации и Предобработки Данных) выполняют подключение нейронной сети, определённой блоком управления и выбора НС, к внешней шине дашшх (Внеш. ШД), для передачи её начального входного вектора; блок СКиОВ (Система Коммутации и Организации Вывода) выполняет подключение нейронной сети, определённой блоком управления и выбора НС, к внутренней шине данных (Внутр. ШД).

В предлагаемом способе маршрутизации предполагается использовать ассоциативную машину в каждом узле компьютерной сети. Количество выходов финального эксперта - сигма-пи сети, а также количество выходов каждого нейросетевого эксперта соответствует количеству исходящих соединений. Когда необходимо выбрать путь в передаче данных, информация о пункте назначения и о состоянии компьютерной сети подаётся на рецепторы, а в выходном слое, построенном по принципу «победитель забирает всё», активируется номер нейрона, который показывает следующий путь в передаче данных. Для того чтобы маршрутизатор мог функционировать, необходимо сформировать информацию о состоянии соединений, исходящих из данного узла. Каждому соединению присваивается определённый вектор параметров, каждый компонент которого характеризует определённую составляющую физического соединения.

Одними из важнейших параметров, которые необходимо учитывать при выборе дальнейшего пу*ги мар

знать, в каком направлении неооходимо осуществлять передачу, для этого один из компьютеров сети берётся в качестве начала координат, и координаты остальных рассчитываются относительно данного компьютера. Формирование обучающей выборки для системы экспертов производится путём анализа линии связи, которая используется в рассматриваемой локальной сети. В работе разработан способ формирования параметров линии связи на основе анализа изменения ёмкости и сопротивления среды передачи, а также оценки изменения спектра отражённого зондирующего сигнала. Полученные значения векторов обучающей выборки

его пропускная способность

имеют большую размерность. Для их сжатия автор предлагает использовать нейросетевой алгоритм сжатия данных, базирующийся на элементе, показанном на рисунке 5.

' Внеш-ЩД

±1, 7*. Г~т . г-±

НСв

НС*

НС3

НС2

с».де ск.ю£"]«< ся«ов Ц) ск«ээ сюяв

I

Лсгимеская немромнав сеть

Сдиигооый регистр

Система генерации начальны* векторов

Осциллятор иа модифицированных нейрона* _Холфигтда_

Внутр.ШД

СК^ОЗ Ы СГ*ОВ М |»^СК«05

-Г^ -г * У \иг

НСЕ

НС;,

НС,з

НС„

НС,;

ша Ы ск.-[Ю Ы спило Ы сиппо см м И смк

Рисунок 4 - Нейросетевой генератор случайных чисел

-с^нИ

т^нн;

V"

Рисунок 5 - Базовая нейросетевая структура алгоритма сжатия данных В третьей главе описан процесс разработки алгоритмического и программного обеспечения для определения безопасного маршрута передачи

ёмкости и сопротивления канала связи, а также оценки изменения спектра зондирующего сигнала. Учётная система поддерживает связь с аппаратурой модуля динамического анализа канала передачи информации. Модуль оценки параметров канала связи на основе предварительно введённых данных о типе канала связи выдаёт качественную оценку физических маршрутов передачи информации.

Модули для предобработки данных и подготовки их к дальнейшему применению выполняют следующий набор операций: обработка дубликатов и противоречий, выявление аномальных значений, сокращение числа признаков, фильтрацию данных, выполнение равномерного случайного и стратификационного сэмплинга. *

На текущем этапе работы система получает сформированную обучающую выборку. В работу включаются расчётные модули. Модуль обучения нейросетевых экспертов содержит программную реализацию градиентных алгоритмов обучения. модуль эвристических алгоритмов оптимизации реализует эвристические алгоритмы, которыми были модифицированы градиентные алгоритмы обучения нейросетевых экспертов.

Модуль формирования начального состояния экспертов содержит программную реализацию кооперативного иммунного алгоритма. Процесс получения финального решения в виде оптимального направления передачи информации основан на использовании разработанной нечёткой системы оценки компетентности экспертов, расположенной в модуле для анализа компетентности экспертов.

После формирования решения всеми нейронными сетями производится обработка их выходных сигналов с помощью трёх модифицированных нейронов: Фукушимы, N - адалины и квадратичного нейрона. Программная реализация нейронов находится в модуле анализа ответов экспертов. Модуль формирования конечного решения представлен программной реализацией модели сигма-пи сети с разработанным алгоритмом обучения на основе комбинации алгоритмов случайного поиска. Результатом функционирования модуля является финальное решение о следующем пути в маршруте продвижения информации.

В четвертой главе приводится анализ алгоритмов, обеспечивающих обучение и функционирование комитета экспертов для решения задачи безопасной маршрутизации.

Применение разработанных комбинированных эвристических процедур для обучения нейронных сетей с различной топологией позволяет снизить среднеквадратическую ошибку обучения комплекса нейронных сетей, уменьшить величину колебаний ошибки на финальных стадиях обучения/ Эвристика для радиально-базисной сети позволяет алгоритму обучения выполнить оценку возможных будущих состояний сети. Эвристика для сети Эльмана позволяет одновременно развивать поиск в нескольких направлениях, что увеличивает вероятность нахождения оптимального сочетания значений весовых коэффициентов для настройки НС на решение прикладной задачи.

Разработанный способ инициализации начальных состояний нейронных сетей позволяет начать процесс обучения каждого компонента ассоциативной машины с состояния, которое позволяет выполнить оптимальную настройку всего ансамбля нейросетевых экспертов.

Анализ алгоритмов предобработки сигналов от нейросетевых' экспертов показал высокую эффективность подавления выходных сигналов тех сетей, которые не приобрели необходимых аппроксимирующих способностей для решения прикладной задачи.

Определение начального состояния и защита системы на основе ГСЧ, базирующегося на 24 сетях Хонфилда, делает возможным на основе матриц весовых коэффицие1гтов сформировать в процессе функционирования различные аттракторы и области сходимости, необходимые для развития сложного процесса генерации последовательности чисел. Несмотря на сложность организации данной системы, нейронная сеть Хопфилда имеет параллельную структуру и может быть распараллелена, что позволяет получить высокое быстродействие.

Проверка эффективности обученного комитета НС выполнять функции алгоритма безопасной маршрутизации была исследована на модели компьютерной сети. Как альтернатива использования нейрокоптроллера был рассмотрен алгоритм маршрутизации ОЙРР, выполняющий поиск оптимального маршрута с помощью алгоритма Флойда в совокупности с алгоритмом нахождения максимального потока в сети, основанным на теореме Форда-Фалкерсона. Результаты экспериментов показали, что комитет экспертов способен адаптив7ю реагировать на изменение топологии связей компьютерной сети (рисунок 7).

-•-Алгоритм Флойда -=-Ассоциативная маш.

О 5 10 15

Кол-во изменений архитектуры компьютерной сети за 1 мин. Рисунок 7 - Сравненне результатов работы алгоритмов Эффективность 'применения нейросетевой ассоциативной машины оценивалась по качеству выполнения обобщения и корректности выдаваемых результатов, как показано на рисунке 8.

В заключении приведены основные результаты и выводы, полученные в диссертационной работе.

В приложениях приведены: свидетельство о государственной регистрации

программы для ЭВМ, акт о внедрении результатов диссертационной работы.

5 И 55 35 «

Количество узлов Б огти

Рисунок 8-Сравнение эффективности отдельных НС и ассоциативной машины ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ ДИССЕРТАЦИИ

1. Проведён анализ современных алгоритмов построения оптимальных маршрутов в телекоммуникационных сетях. Для устранения выявленных недостатков разработан нейросетевой алгоритм маршрутизации, основанный на механизме объединения решений трёх различных нейронных сетей.

2. Предложен модифицированный гибридный алгоритм обучения нейронных сетей на основе стандартных градиентных алгоритмов, модифицированных эвристиками. Разработанные модификации алгоритмов позволили повысить эффективность обучения НС по сравнению со стандартными градиентными методами настройки параметров нейронных сетей.

3. Спроектирован кооперативный иммунный алгоритм настройки параметров нейросетевых структур перед процессом обучения, что позволяет начать процедуру обучения с начального состояния, приближенного к оптимальной конфигурации нейросетевого эксперта. Данная модификация позволяет сократить время настройки всего комитета НС.

4. Разработанная система объединения мнений экспертов, синтезированная из модифицированных нейронных элементов Фукушимы, Лг - адалины и квадратичного нейрона, показала высокую эффективность обработки сигналов от нейросетевых экспертов на основе информации, получаемой от -нечёткой подсистемы оценки качества обучения отдельных нейронных сетей.

5. Применение множества сетей Хопфилда в качестве генератора случайных чисел позволяет начать процедуру обучения нейронных сетей из случайного начального состояния. Применение источника энтропии, основанного на стохастическом процессе перезаряда двух ёмкостей, делает невозможным прогнозирование состояний всей системы в произвольные моменты времени. Тестирование системы показало высокий уровень защищённости нейросетевого маршрутизатора.

6. Разработанная система оценки параметров надёжности и безопасности канала передачи информации на основе оценки изменений параметров линии

передачи информации позволяет оперативно сформировать обучающую выборку для надёжного функционирования комитета НС.

7. Оценка возможностей обученного комитета сетей выполнять процедуру маршрутизации в условиях неполной информации об отдельных каналах передачи информации показала способность комитета принимать решение о продвижении данных в условиях деградации телекоммуникационной сети.

8. Разработан программный продукт, в котором реализованы все спроектированные алгоритмы для обучения комплекса из трёх нейронных сетей выполнять решение задачи безопасной маршрутизации информации.

Публикации по теме диссертации

Публикации в изданиях, рекомендованных ИЛЬ.' РФ:

1. Лавренков, ЮН. Анализ характеристик канала передачи информации на основе нейронной сети / Ю Н. Лавренков, Л.Г. Комарцова // Нау чно-практический журнал «Прикладная информатика», №3(51) - М : Синергия ПРЕСС, 2014. - с. 6-26

2. Лавренков, ЮН. Нейронечеткий адаптивный маршрутизатор потоков цифровой информации / Ю Н. Лавренков, Л.Г. Комарцова // Научно-практический журнал «Прикладная информатика», №6(48). - М.: Синергия ПРЕСС, 2013. - с. 59-79.

3. Лавренков, Ю.Н. Применение нейросетевых ассоциативных машин для обнаружения вторжений в локальную сеть / Л.Г. Комарцова, Ю.Н. Лавренков // Научно-практический журнал Прикладная информатика, №5(47). -М.: Синергия ПРЕСС, 2013.-е. 43-56.

4. Лавренков, Ю.Н Исследование нейросетевых алгоритмов обучения к интеллектуальных информационных системах / Л.Г. Комарцова, Ю.Н. Лавренков // Научно-практический журнал ОТКРЫТОЕ ОБРАЗОВАНИЕ 2011. №2 (85). 4.2. С 89 - 91

5. Lavrenkov, Y. N. The Solution of Routing Problem Based on Neural Network and Immunological Algorithms / L. G. Komartsova, Y. N. Lavrenkov // Optical Memory and Neural Networks (Information Optics), 2011, Vol. 20, No. 3 pp. 210-215.

6. Lavrenkov, Y. N. Neural Network Model for Determining the Equilibrium Compositions of Multicomponent Systems / L. G. Komartsova, S. S. Strelchenko, Y. N. Lavrenkov // Optical Memory and Neural Networks (Information Optics), 2010, Vol. 19, No. 2, pp. 149 -153.

Публикации в других изданиях:

7. Лавренков, Ю.Н. Исследование нейросетевых алгоритмов обучения в интеллектуальных эволюционных системах / Л.Г. Комарцова, Ю.Н. Лавренков, О.В. Антипова // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (OST1S-2014): материалы IV междунар. науч.-техн. конф. (Минск, 20-22 февраля 2014 года)/ редкол.. В. В. Голенков (отв. ред.) [и др.]. - Минск: БГУИР, 2014.-е. 233-238.

8. Лавренков, Ю.Н. Нейросетевая система генерации случайных чисел для обеспечения безопасной передачи цифровой информации / Ю.Н. Лавренков, Л.Г. Комарцова // XVI Всероссийская научно-техническая конференция «Нейроинформатика-2014» - Сб. научных трудов. - 4.2. - Издательство НИЯУ МИФИ. - с.242 - 252.

9. Лавренков, Ю.Н. Осциллирующая нейронная сеть для исследования сложных систем / Ю.Н. Лавренков, Л.Г. Комарова // Наукоемкие технологии в приборо- и машиностроении и развитие инновационной деятельности в вузе: материалы Региональной научно-технической конференции, 22-25 апреля 2014 г. Т. 3. — М.: Издательство МГТУ им. Н. Э. Баумана, 2014. — с.

' 144-147.

10. Лавренков, Ю.Н. Комплексный подход к исследованию сложных систем / Л.Г. Комарцова, Ю.Н. Лавренков, О.В. Антипова // Журнал «Программные системы и вычислительные методы» -2013. —№4. -С. 330-334. DOI: 10.7256/2305-6061 2013.4.10551.

11. Лавренков, Ю.Н. Повышение эффективности поиска оптимального решения на основе нечеткого эволюционного алюритма / Л.Г. Комарцова, Ю.Н. Лавренков // Сборник материалов Всероссийской научно-технической конференции - Наукогмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 4, с 327 - 332, 2013 год, М.: Издательство МГТУ им R Э. Баумана.

12. Лавренков, Ю Н. Нейросетевая система генерации случайных чисел на основе множества сетей Хопфилда / Ю Н Лавренков, Л Г. Комарцова // Сборник материалов Всероссийской научно-технической конференции - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 4, с.322 - 327, 2013 год, М.: Издательство МГТУ им. Н. Э. Баумана.

13 Лавренков, Ю Н. Сравнительный анализ алгор>ггмов настройки параметров нейронной сети на решаемую прикладную задачу / Л.Г. Комарцова, Ю Н. Лавренков, О.В. Антипова II Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник научных трудов \Ш-й Международной научно-технической конференции (Коломна, 20-22 мая 2013 г.). В 3-х томах. Т.З с. 1026 - 1034 -М.:Физматлит, 2013.

14. Лавренков, Ю.Н. Смешение мнений экспертов на основе простейших модифицированных нейронов / ЮН. Лавренков // Сборник материалов региональной научно-технической конференции студентов, аспирантов и молодых ученых - Наукоемкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 2, с.246 - 250, 2013 год, М.: Издательство МГТУ им Н. Э. Баумана.

15 Лавренков, Ю.Н. Построение системы обнаружения вторжений в локальную сеть на основе нейросетевых ассоциативных машин / Ю.Н. Лавренков, Л.Г. Комарцова // 15-я Всероссийская научно-техническая конференция «Нейроинформатика-2013». — Сб. научных трудов. - ч.З. - Издател ьство НИЯУ МИФИ - с. 129-139.

16. Лавренков, Ю.Н. Комбинаторный эвристический алгоритм оптимизации параметров радиально-базисной нейронной сети / Ю.Н. Лавренков // Сборник материалов Всероссийской научно-технической конференции — Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 3, с.210 - 213, 2012 год, М.: Издательство МГТУ им. Н. Э. Баумана.

17. Лавренков, Ю.Н. Применение алгоритмических композиций для повышения эффективности функционирования нейросетевых ассоциативных машин / Ю.Н. Лавренков // Сборник материалов Всероссийской научно-технической конференции - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 3, с.206 -209, 2012 год, M.: Издательство МГТУ им. Н. Э. Баумана.

18. Лавренков, Ю.Н. Эволюционный подход к построению нейросетевого классификатора ii Л.Г. Комарцова, Ю.Н. Лавренков // Материалы 1-го международного симпозиума' под ред. проф А.В. Колесникова. - Калининград: Изд-во БФУ им. И.Канта, с.406-412,2012 г.

19. Лавренков, Ю Н Исследование нейросетевых алгоритмов обучения в интеллектуальных системах // Л.Г. Комарцова, Ю.Н. Лавренков //' Сборник трудов международной конференции «Интеллектуальный анализ информации», с. 158 - 163, Киев, 2012 г.

20. Лавренков, Ю Н. Комплексный подход в исследовании сложных систем / Л.Г. Комарцова, Ю.Н. Лавренков, О.В. Антипова // «Информационные технологии в профессиональной деятельности и научной работе»: сборник материалов Всероссийской научно-практической конференции с международным участием: в 2 ч - Йошкар-Ола: Марийский государственный технический университет, 2012, часть 1, с.39-42.

21. Лавренков, Ю.Н. Разработка алгоритма адаптивной маршрутизации на основе нейронечйткого иммунного подхода / Л.Г. Комарцова, Ю.Н Лавренков // Сборник трудов десятою международного симпозиума «Интеллектуальные системы», с.272 -276, Москва2012 г.

22. Лавренков, Ю.Н. Управление миграцией частиц в сложных схемах поиска алгоритма роя частиц / Ю.Н. Лавренков // Сборник материалов региональной научно-технической конференции студентов, аспирантов и молодых учёных - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 3, с.222 - 225,|2012 год, M : Издательство МГТУ им. Н. Э Баумана

23. Лавренков, Ю Н. Предварительная обработка изображений для последующего анализа с помощью нейросетевых алгоритмов / Ю.Н. Лавренков // Сборник материалов региональной научно-технической конференции студентов, аспирантов и молодых учёных - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 3, с.216 - 221, 2012 год, М.: Издательство МГТУ им. H Э. Баумана.

24. Лавренков, Ю.Н. Динамические модели интеллектуальных систем на основе нейронных сетей адаптивного резонанса / Л.Г. Комарцова, О.В Антипова, Д.С. Кадников, Ю.Н. Лавренков // Материалы международной научно-технической конференции OSTIS-2012, 315-320 стр., Минск БГУИР, 2012 г.

25 Лавренков, Ю Н. Повышение эффективности использования нейросетевых технологий в интеллектуальных системах / Л.Г. Комарцова, ЮН. Лавренков // Тезисы докладов X Всероссийской научной конференции «Нейрокомпьютеры и их применение». Тезисы докладов. -МЖ МГППУ, с.27 - 28, Москва 2012 г.

26 Лавренков, Ю Н. Построение адаптивного маршрутизатора на основе нейронммунных алгоритмов и средств нечеткой логики / Л.Г. Комарцова, Ю Н. Лавренков // Сборник трудов четырнадцатой Всероссийской научно-технической конференция Нейроинформатика-2012, часть

1, с. 237 -247, Москва 2012 г.

27. Лавренков, Ю.Н. Нейронечёткий иммунный алгоритм для оптимизации параметров радиально-базисной нейронной сети / Ю.Н. Лавренков // Сборник материалов Всероссийской научно-технической конференции - Наукоемкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 2, с.217 - 221, 2011 год, М.: Издательство МГТУ им. II. Э. Баумана i |

28. Лавренков, Ю.Н. Применение радиально-базисной нейронной сети в системах поддержки I принятия решений / Ю.Н ЛаЬренков И Сборник материалов Всероссийской научно-технической < конференции - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 2, с.214-216, 2011 год, М.: Издательство МГТУ им. Н. Э. Баумана.

29. Лавренков, Ю.Н. Нейроэволюционный подход к эффективной организации имитационного моделирования / ЮН. Лавренков // Сборник материалов региональной научно-технической конференции студентов, аспирантов и молодых учёных - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 2, с.101 - 102, 2011 год, М.: Издательство МГТУ им. Н. Э. Баумана.

30. Лавренков, Ю.Н. Кооперативный иммунный алгоритм для повышения эффективности обучения многослойного персептрона / Ю.Н. Лавренков // Сборник материалов региональной научно-технической конференции студентов, аспирантов и молодых ученых - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том

2, с.96 - 100,2011 год, М.: Издательство МГТУ им Н. Э. Баумана

31. Лавренков, Ю.Н. Исследование иммунологических и нейросетевых методов и алгоритмов в задачах маршрутизации информации / Л.Г. Комарцова, Е В. Борисенко, Ю.Н. Лавренков // Сборник материалов XXX Всероссийская НТК ('Проблемы эффективности и безопасности функционирования сложных технических и информационных систем» ФГОУ ВПО «Серпуховской военный институт ракетных войск» совместно с МОУ «Институт инженерной физики», с. 30 - 34, 2011 г

32. Лавренков, Ю.Н. Решение задачи маршрутизации на основе нейросетевых и иммунологических алгоритмов / Л.Г Комарцова, Ю.Н. Лавренков // Сборник трудов тринадцатой

Всероссийской научно-технической конференция Нейроинформатика-2011, часть 1, с. 10S- 118,

Москва 2011 г.

33. Лавренков, Ю Н. Сравнительный анализ нейросетевых классификаторов на основе многослойного персептрона/ Л.Г. Комарцова, М.К. Савкнн, Ю.Н. Лавренков // Сборник статей -Методы исследования и проектирования сложных технических систем, с. 43 - 51, М.: Издательство МГТУ им. Н.Э. Баумана, 2010. (Труды МГТУ № 601).

34. Лавренков, Ю.Н. Применение биоинспнрированных методов для оптимизации параметров алгоритма имитации отжига / Ю.Н. Лавренков И Сборник материалов региональной научно-технической конференции студентов, аспирантов и молодых учёных - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 2, с. 116 - 120, 2010 год, М.: Издательство МГТУ им. Н. Э. Баумана

35. Лавренков, Ю.Н. Стратегия совместного генетического и иммунного поиска для оптимизации мультимодальн^х функций / Ю.Н. Лавренков // Сборник материалов Всероссийской научно-технической конференции студентов, аспирантов и молодых учёных - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 2, с.213 - 218, 2010 год, М.: Издательство МГТУ им. Н. Э. Баумана

36. Лавренков, Ю.Н. Исследование новых алгоритмов маршрутизации на основе иммунного подхода / Ю.Н. Лавренков // Сборник материалов Всероссийской научно-технической конференции студентов, аспирантов и молодых учёных - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 2, с 207-212, 2010 год, М : Издательство МГТУ им. Н Э. Баумана

37. Лавренков, Ю Н Искусственные иммунные системы как средство защиты от компьютерных вирусов / ЮН. Лавренков // Сборник материалов региональной научно-технической конференции студентов, аспирантов и молодых ученых - Наукоемкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 2, с. 112—115, 2010 год, М.: Издательство МГТУ им. Н. Э. Баумана.

38. Лавренков, Ю Н. Нейросетевая модель определения равновесного состава многокомпонентных систем / Л.Г. Комарцова, С.С. Стрельченко, Ю Н. Лавренков // Сборник трудов двенадцатой всероссийской научно-технической конференции «Нейроинформатика -2010». - Сб. научных трудов. - ч.1. - Издательство НИЯУ МИФИ. - с. 144-153, Москва 2010.

39. Лавренков, Ю Н. Исследование нейросетевой технологии для создания новых материалов электронной техники / Л.Г. Комарцова, ЮН. Лавренков // Сборник трудов девятого международного симпозиума Интеллектуальные системы, с 473 - 477, Москва 2010.

40. Лавренков, Ю Н. Применение биоинспирированных методов для оптимизации параметров алгоритма имитации отжига / Ю Н. Лавренков // Сборник материалов восьмой межрегиональной научно - технической конференции студентов и аспирантов - Применение кибернетических методов в решении проблем общества 21 века, с. 19 — 21, Обнинск 2010.

41. Лавренков, Ю Н. Применение генетических алгоритмов для расчета химических и фазовых равновесий системы / Ю Н. Лавренков // Сборник материалов юбилейной региональной научно-технической конференции студентов, аспирантов и молодых учёных - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 2, с. 127 - 128, 2009 год, М.: Издательство МГТУ им Н. Э. Баумана

42. Лавренков, Ю Н. Синтез нейросетевого аппроксиматора под заданное приложение / Ю Н Лавренков II Сборник материалов Всероссийской научно-технической конференции студентов, аспирантов и молодых учёных - Наукоемкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 3, с. 91 - 92, 2009 год, М.: Издательство МГТУ им. Н Э. Баумана

43. Лавренков, Ю Н. Нейросетевая модель определения равновесного состава многокомпонентных систем / Ю.Н. Лавренков // Сборник материалов Всероссийской научни-технической конференции студентов, аспирантов и молодых ученых - Наукоемкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 3, с. 85 - 90. 2009 год, М.: Издательство МГТУ им. Н. Э. Баумана.

44. Лавренков, Ю.Н. Естественный отбор алгоритмов / Ю.Н. Лавренков // Сборник материалов региональной научно-технической конференции студентов, аспирантов и мололых учёных - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том. 2, с. 129-133, 2008 год, М.: Издательство МГТУ им. Н. Э Баумана.

45. Лавренков, Ю.Н. Парето - оптимизация параметров системы управления / Ю.Н. Лавренков // Сборник материалов Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых - Наукоёмкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗЕ, Том 4, с.161-162, 2008 год, М : Издательство МГТУ им. Н. Э. Баумана.

46. Лавренков, Ю.Н. Исследование параметров генетического алгоритма для повышения эффективности решения задачи упаковки / Ю.Н. Лавренков // Сборник материалов Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых - Наукоемкие технологии в приборо - и машиностроении и развитии инновационной деятельности в ВУЗН. Том 4, с 155 - 160,2008 год, М.: Издательство МГТУ им. Н. Э. Баумана j

Зарегистрированные программные системы:

47. Лавренков, Ю.Н. Эволюционно-иммунный алгоритм обучения многослойного пёрсептрона для решения задачи маршрутизации информации: свидетельство о государственной регистрации программы для ЭВМ / Ю.Н. Лавренков // М.: Реестр программ для ЭВМ, 2014. Номер гос. per № 2014613291.

Лавренков Юрий Николаевич Исследование и разработка комбинированных нейросетевых технологий для повышения эффективности безопасной маршрутизации информации в сетях связи

Автореферат Подписано к печати 16.07.2014. Формат 60x84/16.

Уч. изд. л. 1.0 Тираж 100 экз. Заказ № / 248016, г. Калуга, ул. Ленина, 85, «Полиграф-центр»