Все выпуски

Работа посвящена исследованию процессов распределения ресурсов в динамических ресурсных сетях, т.е. сетях, пропускные способности дуг которых зависят от времени. Распределение ресурса в сети происходит в дискретном времени, при этом ресурс каждой вершины распределяется только между смежными с ней вершинами по некоторым правилам. Проведено исследование процессов перераспределения ресурса в таких сетях. Основной задачей является разработка методов нахождения предельного состояния (распределения) ресурса в динамической ресурсной сети. Показано, что подход, основанный на построении вспомогательной сети, применим для сведения задачи о распределении ресурса в динамической сети к аналогичной задаче для вспомогательной сети. Для сильно регулярных периодических динамических сетей доказаны теоремы о существовании предельного состояния на вспомогательном графе. Для его нахождения можно использовать подходы, разработанные для решения задачи о кратчайшем пути в динамических сетях.

Рассматриваются искусственные нейроны, чьи весовые коэффициенты будут изменяться по специальному закону, основанному на интегрированном в их модели обратном распространении. Для этого коэффициенты погрешности обратного распространения вводятся в явном виде во все модели нейронов и осуществляется передача их значений вдоль межнейронных связей. В дополнение к этому вводится специальный тип нейронов с эталонными входами, которые будут выступать в качестве основного источника первичной оценки погрешности для всей нейронной сети. В последнюю очередь вводится контрольный сигнал для запуска обучения, который будет управлять процессом передачи коэффициентов погрешности и корректировкой весов нейронов. Для рекуррентных нейронных сетей демонстрируется как провести интеграцию обратного распространения во времени в их формализм с помощью стековой памяти для внешних входов нейронов. Дополнительно к этому рассматриваются примеры как формализовать в рамках данного подхода такие популярные нейронные сети, как сети долгой кратковременной памяти, сети радиально-базисных функций, многослойные перцептроны и сверточные нейронные сети. Основным практическим следствием данного подхода является возможность описания нейронных сетей с перестраиваемыми связями на основе интегрированного алгоритма обратного распространения.