Интеллектуальные технологии на основе искусственных нейронных сетей

Московский государственный технический университет 
имени Н.Э. Баумана 
М.А. Басараб, Н.С. Коннова 
Интеллектуальные технологии  
на основе искусственных нейронных сетей 
Методические указания  
к выполнению лабораторных работ 
 
 
 
 
 
 
 
 
 
 
 
 
1 

УДК 004.8:004.93 
ББК 32.813 
 
Б27 
Издание доступно в электронном виде на портале ebooks.bmstu.ru 
по адресу: http://ebooks.bmstu.ru/catalog/117/book1679.html 
Факультет «Информатика и системы управления» 
Кафедра «Информационная безопасность» 
Рекомендовано Редакционно-издательским советом  
МГТУ им. Н.Э. Баумана в качестве учебно-методического пособия 
Рецензент  
заведующий кафедрой «Информационная безопасность» МТУСИ  
д-р техн. наук, профессор О.И. Шелухин 
 
Басараб, М. А. 
Б27  
Интеллектуальные технологии на основе искусственных 
нейронных сетей. Методические указания к выполнению лабораторных работ / М. А. Басараб, Н. С. Коннова. — Москва : 
Издательство МГТУ им. Н. Э. Баумана, 2017. — 53, [3] с. : ил.  
ISBN 978-5-7038-4716-9 
Рассмотрены 
различные 
разделы 
теории 
искусственных 
нейронных сетей на примерах решения задач классификации, кластеризации, прогноза, аппроксимации. Исследованы такие типы 
сетей, как персептрон с правилом обучения Видроу — Хоффа, 
многослойные с обратным распространением ошибки, сети c радиальными базисными функциями, Хопфилда, двунаправленной ассоциативной памяти (Коско, BAM), Кохонена. 
Для студентов МГТУ им. Н.Э. Баумана, обучающихся по специальностям «Информационная безопасность» и «Информационная 
безопасность автоматизированных систем», а также для студентов и 
аспирантов других специальностей, интересующихся современными 
методами искусственного интеллекта на основе искусственных 
нейронных сетей. 
 
     УДК 004.8:004.93 
 
     ББК 32.813 
 
© МГТУ им. Н.Э. Баумана, 2017 
 
© Оформление. Издательство  
ISBN 978-5-7038-4716-9 
 
МГТУ им. Н.Э. Баумана, 2017 
2 

Предисловие 
Во многих современных задачах по информационной безопасности часто приходится иметь дело с необходимостью осуществления автоматизированной поддержки принятия решений или реализации полностью автоматических экспертных оценок. Одним из 
наиболее эффективных и универсальных подходов здесь является 
так называемый метод машинного обучения, теоретическая база 
которого опирается на аппарат искусственных нейронных сетей 
(ИНС). 
В силу значительного многообразия проблем информационной 
безопасности с середины XX в. было предложено довольно большое число различных ИНС и их модификаций. В настоящее время 
направление ИНС непрерывно развивается как в области теории и 
создания новых типов сетей, так и в плане совершенствования инструментария их реализации (программного и аппаратного). Расширяется и диапазон задач, решаемых методами машинного обучения на основе ИНС. 
С точки зрения информационной безопасности ИНС хорошо зарекомендовали себя в задачах выявления аномалий и атак в компьютерных сетях, распознавания биометрических образов (в частности, на нейросетевой парадигме базируется техника сверхвысоконадежной биометрической аутентификации (СВБА), создаваемая по 
ГОСТам серии Р 52633), выявления спама, нейрокриптографии и 
многих других. 
В методических указаниях к лабораторным работам предложено практическое ознакомление с самыми известными типами ИНС 
на примерах ряда более простых математических задач моделирования булевых выражений (однослойный персептрон, сеть RBF), 
аппроксимации (однослойный персептрон, сеть RBF) и экстраполяции (прогнозирования) функций (сеть авторегрессии), распознавания образов (рекуррентные сети ассоциативной памяти Хопфилда и Коско), кластеризации (сеть Кохонена). Решать поставленные 
3 

задачи необходимо в два этапа: обучение («с учителем» или ассоциативное) нейронной сети (НС) и непосредственно ее функционирование (рабочий режим). 
При выполнении лабораторных работ целесообразно воспользоваться либо готовыми программными пакетами математического 
моделирования MATLAB (за исключением расширения Neural 
Networks Toolbox), MathCAD и др., электронными таблицами (MS 
Excel), либо собственными программами, написанными на языке 
программирования высокого уровня (C++, C#, Python и др.). В последнем случае программа может реализовать не полное решение 
задачи, а какие-либо вспомогательные и наиболее рутинные шаги 
всей процедуры. 
При подготовке отчета по каждой лабораторной работе нужно 
последовательно и подробно представить все основные шаги метода (алгоритма) с выводом промежуточных результатов и необходимыми комментариями, демонстрирующими понимание сути 
процедуры. Студент должен быть знаком с такими понятиями, как 
вычислительная сложность и погрешность метода, уметь провести 
качественный и количественный анализ получаемых результатов, 
быть способным лаконично ответить на предложенные ему контрольные вопросы. 
В методических указаниях содержится достаточный теоретический материал для выполнения каждой лабораторной работы. 
Вместе с тем для более глубокого понимания нейросетевых моделей и алгоритмов следует использовать дополнительные источники, в том числе указанные в списке литературы. 
Данные лабораторные работы предусмотрены учебной программой дисциплин «Интеллектуальные технологии информационной безопасности» и «Интеллектуальные системы информационной безопасности», разработанной на основе практических и 
лабораторных занятий, которые проводились с 2006 г. на кафедрах 
«Информационная безопасность» и «Теоретическая информатика 
и компьютерные технологии» МГТУ им. Н.Э. Баумана. Издание 
предназначено для студентов МГТУ им. Н.Э. Баумана, обучающихся по специальностям «Информационная безопасность» 
(100401 — магистратура, 2 курс), «Информационная безопасность 
автоматизированных систем» (090303 — специалитет, 3 курс), 
изучающих предмет «Интеллектуальные технологии информационной безопасности». 
4 

В результате изучения дисциплины и выполнения лабораторных работ студенты будут знать: 
• основные понятия и концепции ИНС; 
• типы архитектуры и принципы функционирования ИНС; 
• методы обучения ИНС; 
• особенности и достоинства вычислительных систем, основанных на нейросетевых технологиях; 
уметь:  
• выбирать подходящий тип ИНС, исходя из условий поставленной задачи; 
• проектировать архитектуру и выбирать количество элементов 
ИНС в соответствии с требованиями поставленной задачи; 
• осуществлять программную реализацию различных моделей 
ИНС; 
• подготавливать данные для обучения ИНС (обучающую выборку) и ее тестирования (тестовую выборку); 
• выполнять процесс обучения ИНС; 
• осуществлять анализ полученных результатов. 
 
Авторы выражают благодарность аспиранту кафедры «Информационная безопасность» Д.А. Микову за участие в практической 
апробации ряда работ. 
5 

Лабораторная работа № 1 
 
Исследование однослойных нейронных сетей  
на примере моделирования булевых выражений 
Цель работы — исследовать функционирование простейшей 
нейронной сети (НС) на базе нейрона с нелинейной функцией активации и обучить ее по правилу Видроу — Хоффа. 
Теоретическая часть 
Постановка задачи. Получить модель булевой функции (БФ) 
на основе однослойной НС (единичный нейрон) с двоичными входами 
1
2
3
4
,
,
,
{0,1},
x
x
x
x 
 единичным входом смещения 
0
1,
x 
 
синаптическими весами 
0
1
2
3
4
,
,
,
,
,
w
w w
w
w
 двоичным выходом 
{0,1}
y
 и заданной нелинейной функцией активации (ФА) 
:
(0,1)
f
R 
 (рис. 1.1).  
Для заданной БФ (варианты см. в табл. 1.4) реализовать обучение НС с использованием: 
1) всех комбинаций переменных 
1
2
3
4
,
,
,
;
x
x
x
x
 
2) части возможных комбинаций переменных 
1
2
3
4
,
,
,
;
x
x
x
x
 
остальные комбинации являются тестовыми. 
Рабочий режим НС. Алгоритм 
функционирования НС c пороговой ФА 
имеет вид 
4
i
i
i
w x
w
0
1
net
;




           (1.1) 
 
y
1,
net
0,
(net)
0,
net
0,





 
Рис. 1.1. Однослойная НС 
где net  — сетевой (комбинированный) 
вход; y  — реальный выход НС. 
6