ДО ПИТАННЯ КЛАСИФІКАЦІЇ ТА РОЗБРАКОВКИ ЕЛЕКТРО-РАДІОЕЛЕМЕНТІВ



САВЧУК О.В., ЖУКОВЕЦЬКИЙ Б.В. Розбраковку елементів за їх фізичним та технічним станомвиконано за допомогою багатошарового перцептрона у середовищі MATLAB.

Presorting of elements by their physical and technical states is proposed to operate with the MLP-neural networks in the MATLAB environment.

УДК 004.415:681.518

Метою статті є спроба використання багатошарового перцептрона для класифікації об’єктів у тривимірному просторі стосовно до діагностування електро-радіокомпонентів.

Навчання перцептрона

Результатом природної класифікації дефектних та потенційно-ненадійних мікросхем за типами дефектів у базисі дискретного розкладання Карунена-Лоева виявилися 5 класів у вигляді малих сфер в середині двох головних півсфер (рис.1) [1].

Для мікросхем класифікація виконується для лівої й правої півкулі окремо, тому достатньо виконати класифікацію на два або три класи.

Для навчання багатошарового перцептрона були обрані наступні алгоритми у MATLAB: trainbr (Bayesian regularization, або функція тренування на основі оберненого розповсюдження помилки з використанням Байєсівської регуляризації), traingd (gradient descent backpropagation, або метод градієнтного спуску), trainrp (resilient backpropagation, абометод пружного оберненого поширення) та ін.

Рис. 1. Умовне зображення класів мікросхем у тривимірнім просторі

Процедура навчання перцептрона з використанням даних алгоритмів наведена у [1]. Для оцінки точності результатів навчання були використовані міжнародні типи помилок.

Табл.1. Результат класифікації за проекціями простору (trainbr)

При виконанні класифікації гостро постає проблема визначення, вдалось виконати розбиття на незалежні класи чи ні.

Іспит перцептрона

Для перевірки виконання розбиття в об’ємі після виконання класифікації згенеровано набір тестових даних, що складається з трьох класів: придатні плати ( умовно представлені точками на одиничній сфері), та двох класів дефектних плат, що перекриваються в просторі.

Рис. 2. Результат класифікації перцептроном з 10 нейронами у внутрішньому шарі

На рисунках 2,3 і 4 зображені результати виконання класифікації перцептроном у тривимірному просторі з різною кількістю нейронів у внутрішньому шарі.

Як видно з результатів, збільшення складності мережі не дозволяє дати прийнятну точність класифікації у випадку перекриття класів .

Отже, для оцінки успішності класифікації необхідно визначити, чи перекриваються отримані класи в об’ємі. У такому випадку ймовірність того, що отримані класи є незалежними, досить велика.

Рис. 3. Результат класифікації перцептроном з 40 нейронами у внутрішньому шарі

Рис. 4. Результат класифікації перцептроном з 80 нейронами у внутрішньому шарі

Пропонується наступний алгоритм класифікації у тривимірному просторі (рис.5) [2]. Перевагою способу є те, що його можна використати і при роботі з класами, що задані більш, ніж трьома характеристиками, або векторами. Для цього його треба масштабувати у _n-_вимірний гіперпростір. Також можна виконувати розбиття об’єктів на площині, якщо ті завдані двома характеристиками.

Рис.5. Алгоритм визначення розбиття на незалежні класи в об**’ємі**

Перспектива розвитку способу розбиття полягає у застосуванні засобів нечіткої логіки (оскільки виділення об’ємних ділянок, якими представлені класи, за своєю природою досить умовне).

Висновок

Зростання точності класифікації пов’язане із збільшенням кількості нейронів у внутрішньому шарі і веде до покращення якості класифікації, але лише до певної межі, надалі ускладнення мережі позитивного ефекту не приносить.

Перелік посилань

  1. Савчук О.В.,Кривенко К.С. Класифікація електро-радіокомпонентів за допомогою нейромережевих технологій // ІАІ-201 / Зб. праць. –К.: Просвіта. – 2015. – С.196-202.

  2. YakimenkoO. Engineering computations and modeling in MATLAB/Simulink. – Monterey, California: American Institute of Aeronautics and Astronautics, INC., 2011. –938 p.
Jun 13, 2016