2 спецальная часть 2 1 Описание исходных данных 2
 Скачать 1.56 Mb.
|
Оглавление2 СПЕЦАЛЬНАЯ ЧАСТЬ 2 2.1 Описание исходных данных 2 2.2 Содержательная постановка задачи 3 2.3 Математическая постановка задачи классификации с пересекающимися классами 4 2.4 Адаптация выбранного математического аппарата для решения задач ВКР 6 2.5 Пример исходных данных 9 2.6 Выбор IT-инструментария для разработки программного обеспечения 14 2.7 Техническое обеспечение 15 2.8 Разработанное основное алгоритмическое обеспечение 20 2.9 Разработанное программное обеспечение 28 2.10 Результаты 31 2.11 Анализ результатов 35 Список литературы 36 2 СПЕЦАЛЬНАЯ ЧАСТЬ2.1 Описание исходных данныхОблачные сервисы обеспечивают предоставление вычислительных услуг, таких как хранилища, базы данных, сети и обработка данных через интернет, а не на локальном сервере или персональном компьютере. “Облаком” называют платформу для размещения вычислительных ресурсов, а также ресурсов хранения. Это так называемый виртуализированный центр обработки данных, который доступен для аренды за установленную плату. Облачные сервисы являются экономически более эффективными, чем традиционные центры обработки данных. Многие крупные организации по всему миру используют систему облачных вычислений для решения задач, связанных с управлением данными, сокращения инфраструктурных инвестиций и расходов на обслуживание. Концепция Ставится задача разрабатываемого программного продукта представляет собой настольное приложение, реализующее технологию блокчейн и уменьшающее выявленные недостатки аналогичных продуктов. Для решения проблемы связанной с уменьшением децентрализации сети из-за большой концентрации вычислительной ASIC-мощности у отдельных узлов цепи было решено использовать в качестве криптографичческой функции адаптивную хеш-функцию SCrypt, разработанную в 2012 году Колином Персивалем. Функция хэшинга SCrypt специально разрабатывалась с целью усложнить аппаратные реализации путем использования значительных объёмов пямяти со случайным доступом, например ОЗУ компьютеров. По причине высоких требований к памяти ASIC-оборудование не будет так же эффективно для майнинга. Вычислительная мощность в такой сети будет распределена более равномерно, среди её узлов, благодаря чему система останется децентрализованной. Для сокращения времени исполнения транзакций скорость добавления нового блока в систему была уменьшена до 2 минут, но для предотвращения ошибки двойных трат и сохранения безопасности цепи минимальная глубина блока для исполнения транзакции, находящейся в этом блоке будет равна 5. Это позволит сократить минимальное время подтверждения транзакции до 10-12 минут. 2.2 Содержательная постановка задачиСеть в системе блокчейн может насчитывать тысячи компьютеров. Полная децентрализация такой сети приведёт к сложностям в управлении ими. Поэтому для разрабатываемого приложения предлагается гибридная архитектура сети (рисунок 2.1).  Рисунок 2.1 – Гибридная сеть Координационный сервер выполняет задачи контроля за состоянием сети и предоставления списка активных участников сети. Функционал разрабатываемого приложения состоит из следующих модулей: - Модуль User interface обеспечивает передачу информации между пользователем и программными компонентами приложения. - Модуль Blockchain core отвечает за выполнение всех основных операций. - Модуль Serialization отвечает за сериализацию данных для передачи и приёма данных в сети. - Модуль P2PServer выполняет основные функции по обработке и приёму данных от других узлов сети. - Модуль P2PClient отвечает за отправку данных всем активным участникам сети.  Рисунок 2.2 — Модули приложения и связи между ними 2.3 Математическая постановка задачи классификации с пересекающимися классамиПри решении задачи распознавания объектов, принадлежащих пересекающимся классам, успешно применяются нейронные нечёткие продукционные сети, соединяющие возможности систем нечёткого вывода и нейронных сетей. Базовой моделью нечёткого вывода является модель Мамдани—Заде [1, 2], однако широкое распространение получила только одна нечёткая продукционная нейронная сеть — сеть Ванга—Менделя [3–5], которая была создана на её основе. Применение сети Ванга—Менделя для решения задачи классификации вызывает определённые трудности. Во-первых, традиционная архитектура сети предполагает один выходной нейрон, что приводит к увеличению погрешности классификации при увеличении числа распознаваемых классов. Во-вторых, в сети Ванга—Менделя не предусмотрена модификация интерпретаций нечётких логических операций, реализующих нечёткие продукционные правила вывода. В [6] описана и исследована предложенная авторами многовыходовая модификация сети Ванга—Менделя. В данной статье предлагается новая архитектура нейронной нечёткой продукционной сети, основанной на модели Мамдани—Заде, и исследуется решение задачи классификации для предложенной нечёткой сети и сети Ванга—Менделя с несколькими выходами при интерпретациях нечётких логических операций в соответствии в алгебрами Гёделя, Гогена и Лукашевича. Типовая структура системы нечёткого вывода включает в себя блок фаззификации, базу нечётких правил вывода, модуль вывода решения и блок дефаззификации. Фаззификатор преобразует чёткое множество входных данных  в нечёткое множество A ⊆ X, определённое с помощью конкретной функции принадлежности µA(x); здесь  Дефаззификатор преобразует несколько нечётких множеств Bk , k = 1, 2, . . . , M, или единственное нечёткое множество B в конкретное значение выходной переменной y ∈ Y на основании нечётких выводов, вырабатываемых модулем вывода решений, и в соответствии с выбранным методом дефаззификации (символами X и Y обозначаются пространства входных и выходных переменных). Подобная система также может быть представлена в несколько ином виде, в частности на рис. 1 [5]. Выходной сигнал модуля вывода решений может иметь вид M нечётких множеств, определяющих диапазон изменения выходной переменной. Агрегатор преобразует M нечётких множеств в одно нечёткое множество, а дефаззификатор преобразует это множество в одно конкретное значение, принимаемое в качестве выходного сигнала всей системы. В модели вывода Мамдани—Заде присутствуют следующие операции [5]: – операция логического или арифметического произведения для определения значения функции принадлежности условий правил, в которой учитываются все компоненты вектора условия; – операция логического или арифметического произведения для определения значения функции принадлежности для всей импликации Ak→Bk ; – операция логической суммы для агрегации равнозначных результатов импликации многих правил; – оператор дефаззификации, трансформирующий нечёткий результат µB0(y) в чёткое значение y. Считается, что все M правил связаны между собой логической операцией «ИЛИ», а выходы правил y 1 , y2 , . . . , yM взаимно независимы. Следовательно, можно использовать правила вида:  |