детерміністську.
В продовження розмови про ємності НС логічно порушити питання про необхідної потужності вихідного шару мережі, що виконує остаточну класифікацію образів. Справа в тому, що для розділення безлічі вхідних образів, наприклад, за двома класами достатньо всього одного виходу. При цьому кожен логічний рівень - «1» і «0» - буде позначати окремий клас. На двох виходах можна закодувати вже 4 класу і так далі. Однак результати роботи мережі, організованої таким чином, можна сказати - «під зав'язку», - не дуже надійні. Для підвищення достовірності класифікації бажано ввести надмірність шляхом виділення кожному класу одного нейрона у вихідному шарі або, що ще краще, декількох, кожен з яких навчається визначати приналежність образу до класу зі своїм ступенем достовірності, наприклад: високою, середньою і низькою. Такі НС дозволяють проводити класифікацію вхідних образів, об'єднаних в нечіткі (розмиті або пересічні) безлічі. Ця властивість наближає подібні НС до умов реального життя.
Розглянута НС має кілька «вузьких місць». По-перше, в процесі навчання може виникнути ситуація, коли великі позитивні або негативні значення вагових коефіцієнтів змістять робочу крапку на сигмоїда багатьох нейронів в область насичення. Малі величини похідної від логістичної функції приведуть у відповідність з (3.2.1.7) і (3.2.1.8) до зупинки навчання, що паралізує НС. По-друге, застосування методу градієнтного спуску не гарантує, що буде знайдено глобальний, а не локальний мінімум цільової функції. Ця проблема пов'язана ще з однією, а саме - з вибором величини швидкості навчання. Доказ збіжності навчання в процесі зворотного поширення засновано на похідних, тобто збільшення ваг і, отже, швидкість навчання повинні бути нескінченно малими, однак у цьому випадку навчання відбуватиметься неприйнятно повільно. З іншого боку, занадто великі корекції ваг можуть призвести до постійної нестійкості процесу навчання. Тому в якості h зазвичай вибирається число менше 1, але не дуже маленьке, наприклад, 0.1, і воно, взагалі кажучи, може поступово зменшуватися в процесі навчання. Крім того, для виключення випадкових попадань в локальні мінімуми іноді, після того як значення вагових коефіцієнтів застабілізіруются, h короткочасно сильно збільшують, щоб почати градієнтний спуск з нової точки. Якщо повторення цієї процедури кілька разів приведе алгоритм в один і той же стан НС, можна більш-менш впевнено сказати, що знайдено глобальний максимум, а не якийсь інший.
3.3 Остаточний варіант рішення
Таким чином, описавши загальну модель функціонування програмного засобу і деталізувавши її основні особливості, можна представити наступну функціональну схему розроблюваного програмного засобу з урахуванням додавання деяких функціонально необхідних елементів, відображує взаємозв'язок різних блоків:
Рисунок 3.2 - Функціональна схема остаточного варіанта рішення
Висновок
У ході даної роботи був створений прототип програмного засобу, який здійснює автоматизоване виявлення вторгнень через аналіз файлів системних журналів.
Були розроблені та обгрунтовані базові принципи побудови даного типу програмних засобів та визначено основні напрямки подальшого вдосконалення. У процесі розробки було застосовано значна кількість оригінальних методик і як...
