Neural Network PRNG

    Neural Network PRNG on JAVA
    
    В представленном листинге нейронная сеть делает два прямых вычисления с промежуточной корректировкой входных значений на основе выходных значений всех 6-ти нейронов.
    Из выходных значений нейронов выбирается один разряд и суммируется в строковой переменной для накопления псевдослучайного числа
    
    public static Integer incomebigint(){ // Накопить псевдослучайное число в pseudornd
    
    В приложении делается два вычисления
    
    
     Double Te = networkprng.predict(data[0][0],data[0][1]); // predict(inpur1,input2) - Return Double Log.i("== NNETWORK 1 Output =", " == == data[0][0] и data[0][1] Input1=" + String.valueOf(data[0][0]) + " и Input2=" + String.valueOf(data[0][1])); czech(); // Написать выходные значения нейронов // По результатам первого прямого вычисления мастер-ключ откорректирован incomebigint(); // Накопить псевдослучайное число // Второе прямое вычисление Te = networkprng.predict(data[0][0],data[0][1]); // predict(inpur1,input2) - Return Double Log.i("== NNETWORK 2 Output =", " == == data[0][0] и data[0][1] Input1=" + String.valueOf(data[0][0]) + " и Input2=" + String.valueOf(data[0][1])); czech(); // Написать выходные значения нейронов // По результатам второго прямого вычисления мастер-ключ откорректирован incomebigint(); // Накопить псевдослучайное число <br>    
    
    Напишем псевдослучайное число, накопленное после двух прямых вычислений
    
    Log.i("== PSEUDORANDOM =", " ==>>> >>> >>>== PRNG OUTPUT pseudornd=" + pseudornd);
    
    Получим 12 разрядное число (за два вычисления)
    
    ==>>> >>> >>>== PRNG OUTPUT pseudornd=889812919219
    
    Качество сгенерированного числа нельзя считать высоким. Первые три разряда выбраны из выходных значений нейронов 0,1,2 первого слоя. Эти нейроны имеют одинаковые входные значения input1 и input2
    Первые три разряда псевдослучайного числа фактически определяются только разницей весовых коэффициентов, заданных для разных нейронов. Это не обеспечивает высокой случайности генерирования.
    Есть несколько способов улучшить качество псевдослучайного числа:
    - перейти к битовым операциям
    - использовать только выходное значение нейронной сети (нейрона №5)
    - пропустить несколько прямых вычислений
    - использовать нейронную сеть с обучением
    
    
    Минимальный JAVA листинг файла App.java проекта
    
    package com.example.neuroprng1; import android.util.Log; import java.util.ArrayList; import java.util.Arrays; import java.util.List; import java.util.Random; //-------------------------------------------------------------- public class App { public static Double neurobiasweight [][] = new Double[6][3]; // Массив весов для нейронов [weight1][weight2] public static Integer deltainput1 = 0; // Корректировка input1 через обратную связь public static Integer deltainput2 = 0; // Корректировка input2 через обратную связь public static Integer data [][] = new Integer[4][4]; // Двумерный массив ВХОДНЫХ ДАННЫХ (мпстер-ключ) По 4 значения input1 и input2 public static Integer neuronnum = 0; // Номер Нейрона public static Double outputnnum [] = new Double[6]; // Выходные значения нейронов public static String pseudornd = ""; // Здесь будем накапливать псевдослучайное число public static void main( String[] args ) { //App app = new App(); //app.trainAndPredict(); // Начинает работать с этого - заполняем массивы данными и ответами } public void trainAndPredict() { // Заполняем значениями input1 и input2 data[0][0] = 115; // input1 data[0][1] = 66; // input2 // Зададим статические значение веса для каждого нейрона. Для повторяемости результатов в разных экземплярах приложения neurobiasweight [0][1] = 0.2921867401328437; // Нейрон 0 вес 1 neurobiasweight [0][2] = 0.6753277674739143; // Нейрон 0 вес 2 neurobiasweight [1][1] = 0.638204802420569; // Нейрон 1 вес 1 neurobiasweight [1][2] = 0.8256511687684168; // Нейрон 1 вес 2 neurobiasweight [2][1] = 0.9570075176019762; // Нейрон 2 вес 1 neurobiasweight [2][2] = 0.39564267118987084; // Нейрон 2 вес 2 neurobiasweight [3][1] = 0.2463716717762578; // Нейрон 3 вес 1 neurobiasweight [3][2] = 0.8565685160656823; // Нейрон 3 вес 2 neurobiasweight [4][1] = 0.8529762783770741; // Нейрон 4 вес 1 neurobiasweight [4][2] = 0.7818602822337215; // Нейрон 4 вес 2 neurobiasweight [5][1] = 0.36204206369478864; // Нейрон 5 вес 1 neurobiasweight [5][2] = 0.6998272379065108; // Нейрон 5 вес 2 // В этот же массив запишем смещение bias neurobiasweight [0][0] = 0.6372796901523922; // Нейрон 0 смещение bias neurobiasweight [1][0] = 0.24087856177175287; // Нейрон 1 смещение bias neurobiasweight [2][0] = 0.20294311087331438; // Нейрон 2 смещение bias neurobiasweight [3][0] = 0.6005802079109952; // Нейрон 3 смещение bias neurobiasweight [4][0] = 0.24210376151411686; // Нейрон 4 смещение bias neurobiasweight [5][0] = 0.3291532687509765; // Нейрон 5 смещение bias // Заполним массив выходных значений нейронов любыми начальными числами outputnnum [0] = 0.0; outputnnum [1] = 0.0; outputnnum [2] = 0.0; outputnnum [3] = 0.0; outputnnum [4] = 0.0; outputnnum [5] = 0.0; // Создаем сеть из 6 нейронов, задаем входные значения и пишем на экран результат - переменная Te Network networkprng = new Network(); // Cоздаем нейронную сеть networkprng Double Te = networkprng.predict(data[0][0],data[0][1]); // predict(inpur1,input2) - Return Double Log.i("== NNETWORK 1 Output =", " == == data[0][0] и data[0][1] Input1=" + String.valueOf(data[0][0]) + " и Input2=" + String.valueOf(data[0][1])); // По результатам первого прямого вычисления мастер-ключ откорректирован incomebigint(); // Накопить псевдослучайное число // Второе прямое вычисление Te = networkprng.predict(data[0][0],data[0][1]); // predict(inpur1,input2) - Return Double Log.i("== NNETWORK 2 Output =", " == == data[0][0] и data[0][1] Input1=" + String.valueOf(data[0][0]) + " и Input2=" + String.valueOf(data[0][1])); // По результатам второго прямого вычисления мастер-ключ откорректирован incomebigint(); // Накопить псевдослучайное число } public static Integer incomebigint(){ // Накопить псевдослучайное число в pseudornd for (int g=0; g<6; g++){ // Просмотреть весь массив outputnnum String str = String.valueOf(outputnnum [g]); // Преобразовать Double в String String substr = str.substring(5, 6); // Одна цифра pseudornd += substr; } Log.i("== PSEUDORANDOM =", " ==>>> >>> >>>== PRNG OUTPUT pseudornd=" + pseudornd); return (null); } } // App //-------------------------------------------------------------------- class Network { // Вызывается из класса App List<Neuron> neurons = Arrays.asList( // Расширяемый список нейронов из класса Neuron new Neuron(), new Neuron(), new Neuron(), // Входной уровень new Neuron(), new Neuron(), // Скрытый уровень new Neuron()); // Выходной уровень //----- ПРЯМОЕ (ОСНОВНОЕ) ВЫЧИСЛЕНИЕ -------------------------- public Double predict(Integer input1, Integer input2){ // На вход подавать input1 и input2 Log.i("== NCOMPUTE =", " == ===================================================================== == "); return neurons.get(5).computeOOS( // Где neurons - это List<Neuron> neurons = Arrays.asList(new Neuron(), new Neuron(), new Neuron(),new Neuron(), new Neuron(),new Neuron()); neurons.get(4).computeOOS( // Compute - начальная активация. class Neuron neurons.get(2).computeOOS(input1, input2, 2), // compute - здесь - СИГМОИД - Util.sigmoid(preActivation) neurons.get(1).computeOOS(input1, input2, 1),4 // compute - здесь - СИГМОИД - Util.sigmoid(preActivation) ), neurons.get(3).computeOOS( neurons.get(1).computeOOS(input1, input2,1), // Получить из списка neurons ПЕРВЫЙ элемент (нейрон) с входными значениями input1, input2 neurons.get(0).computeOOS(input1, input2,0),3 // compute - здесь - СИГМОИД - Util.sigmoid(preActivation) ),5 ); } } // Network //-------------------------------------------------------------------- class Neuron { // Нейрон //----- Вычисляем выходные данные нейрона nnum -------------------------- public double compute(double input1, double input2, int nnum){ // Вычисляем выходные данные нейрона nnum App app = new App(); // Экземпляр класса double preActivation = (app.neurobiasweight [nnum][1] * input1) + (app.neurobiasweight [nnum][2] * input2) + app.neurobiasweight [nnum][0]; // Вес 1*Вход 1 + Вес 2*Вход 2 * Смещение // Пропускаем через Сигмоид double output = Util.sigmoid(preActivation); // Диапазон значений output - [0,1]. normalize(output); // Для организации обратной связи correctinput(); // Если не чётное, то вычесть из Input return output; } // Выполняется перед public double compute. Если выход нейрона = 0 или 1, то корректировать каждый вес и пересчитывать public double computeOOS(double input1, double input2, int nnum){ // Коррекция весовых коэффициентов для нейрона nnum // Если output нейрона №num равен 1 или 0, то корректировать вес1 и вес2 этого нейрона App app = new App(); // Экземпляр класса while (compute(input1, input2,nnum) == 1.0) {// Вызов стандартного COMPUTE app.neurobiasweight [nnum][1] -= 0.021E1; // Вес1 нейрона №nnum app.neurobiasweight [nnum][2] -= 0.027E1; // Вес2 нейрона №nnum //Log.i("== TRAIN =", " ==>>>===================================================================== == "); } while (compute(input1, input2,nnum) == 0.0) {// Вызов стандартного COMPUTE app.neurobiasweight [nnum][1] += 0.027E1; // Вес1 нейрона №nnum app.neurobiasweight [nnum][2] += 0.021E1; // Вес2 нейрона №nnum //Log.i("== TRAIN =", " ==>>> >>>===================================================================== == "); } double outputoos = compute(input1, input2,nnum); app.outputnnum[nnum]=outputoos; // Запомнить выходные значения нейрона №nnum ////Log.i("== NNUM OUTPUT =", " ==>>> >>> >>>=========== OUTPUT nnum=" + String.valueOf(nnum) + " " + String.valueOf(app.outputnnum[nnum])); return outputoos; } // computeOOS // Из выходных значений нейронов мы выбираем отдельные разряды для корректировки мастер-ключа (input1 и input2) public Integer normalize(double neuroutput) { // Проверить выходное значение нейрона, что оно не 0 и не 1 App app = new App(); // Экземпляр класса Integer result= 0; if (neuroutput != 0){ if (neuroutput !=1) { String str = String.valueOf(neuroutput); // Преобразовать Double в String // Здесь надо проверить длину получивщейся строки, а то может этих разрядов нет - метод CZECH String substr = str.substring(7, 8); // Одна цифра result = Integer.valueOf(substr); // Одноразрядный Integer app.deltainput1 = Integer.valueOf(str.substring(7, 8)); // Одноразрядный Integer для корректировки weight1 app.deltainput2 = Integer.valueOf(str.substring(8, 9)); // Одноразрядный Integer для корректировки weight2 ////Log.i("== NORMALIZE =", " == == Integer.valueOf(substr) == == substr=" + str.substring(7, 8)); ////Log.i("== NORMALIZE =", " == == Integer.valueOf(substr) == == substr=" + str.substring(8, 9)); } } return (null); } // Корректировать мастер-ключ (input1 и input2) public Integer correctinput() { // Если deltaweight - чётное, то с плюсом, если не чётное,то с минусом App app = new App(); // Экземпляр класса if (app.deltainput1 % 2 != 0){ // Число не чётное app.deltainput1 *= -1; // Взять со знаком минус } if (app.deltainput2 % 2 != 0){ // Число не чётное app.deltainput2 *= -1; // Взять со знаком минус } app.data[0][0] += app.deltainput1; // Корректировать input1 app.data[0][1] += app.deltainput2; // Корректировать input2 return (null); } } // Neuron //----- Функция активации - СИГМОИД ---------------------------- class Util { public static double sigmoid(double in){ // Функция активации - СИГМОИД. Диапазон значений [0,1] // Здесь in - это preActivation = вход1 * вес1 + вход2 * вес2 + смещение return 1 / (1 + Math.exp(-in)); // Сигмоид. Сжимает значения в диапазон от 0 до 1 } // (1 / (1 + Math.exp(-in)))* (1 - in) } // Util class

Neural PRNG

    Используем последовательно все приведённые способы улучшения генерирования псевдослучайного числа
    
    
    Читаем ДАЛЕЕ >>