получается потомок. Осуществляется проход но всем нейронам сети, весовые коэффициенты в нейроне разделяются на две части, точка раздела выбирается случайным образом, в одну часть записываются весовые коэффициенты от первого родителя, в другую часть от второго. Шаг 6. Осуществляется мутация. Случайным образом происходит выбор весового коэффициента. Затем к значению весового коэффициента прибавляется случайная величина, максимальное отклонение которого выбирается случайным образом из массива (1,0.1,0.01,0.001) Шаг 7. Вычисляется ошибка полученного решения. Если она меньше максимальной ошибки в массиве ошибок, то данная особь записывается вместо самой неприспособленной особи. Переход на Шаг 2. Кроме того, с помощью генетического алгоритма может быть решена проблема оптимизации нейронной сети, когда в качестве изменяемых параметров являются не только веса, но также и топология сети: количество слоев, количество нейронов в слое, тип активационной функции. Для повышения эффективности генетического алгоритма можно развивать одновременно несколько параллельных популяции, и через определенное число итераций или при падении скорости обучения в одной из популяций проводить скрещивание между особями этой и других популяций. 3.4. Построение алгоритма решения задачи прогнозирования аварийных ситуаций зданий и сооружений на основе нейросетевого аппарата На схеме рисунка 3.12 представлен алгоритм построения математической модели в виде обученной и проверенной ИНС, необходимой для функционирования в программном комплексе подсистемы решения задачи прогнозирования. Этот алгоритм отражает предлагаемый в дайной работе метод решения задачи прогнозирования, путем построения функциональной зависимости между данными измерений и прогнозными значениями на основе нейросетевого подхода. 117 |
3.2. ПОСТРОЕНИЕ АЛГОРИТМА РЕШЕНИЯ ЗАДАЧИ ОПРЕДЕЛЕНИЯ КОНЦЕНТРАЦИИ ВРЕДНЫХ ВЕЩЕСТВ В ВОЗДУШНОЙ СРЕДЕ НА ОСНОВЕ НЕЙРОСЕТЕВОГО АППАРАТА. На схеме рисунка 3.3 представлен алгоритм построения математической модели в виде обученной и проверенной ИНС, необходимой для функционирования в программном комплексе решения задачи количественного анализа вредных веществ в воздушном бассейне атмосферы. Этот алгоритм отражает предлагаемый в данной работе метод решения задачи определения концентрации вредных веществ в воздушном бассейне атмосферы, путем построения функциональной зависимости между спектром поглощения ИК излучения вредным веществом и соответствующей концентрацией этого вещества на основе иейросетевого подхода. На шаге 1 в представленном алгоритме проводится выбор параметров (входных и выходных) математической модели, планирование экспериментов и сбор необходимой информации. 64 популяции, то оно заменяет решение с максимальной ошибкой. Стратегия удаления из популяции неприспособленных особей (худших решений) может быть и другой. Приведенный далее алгоритм позволяет использовать для обучения сети не всю обучающую выборку сразу, а только ее часть, что существенно снижает время расчета ошибки работы сети и соответственно время обучения. Шаг 1. Задается число копий весовых коэффициентов (число особей в популяции). Весовые коэффициенты в копиях заполняются случайными значениями. Шаг 2. Проверяется возможность смены комплекта обучения событие с малой вероятностью. Если событие произошло, то случайным образом выбирается комплект обучения, для каждого решения в популяции определяется суммарная ошибка обучения и записывается в массив ошибок обучения каждой особи. Суммарная ошибка определяется из уравнения где NL число примеров в комплекте обучения, Ej — суммарная ошибка для комплекта, wy-весовые коэффициенты у-го решения, dk l выходной пример, у результат работы сети. Шаг 3. Определяются минимальные ошибки в массиве ошибок. Шаг 4. Для скрещивания выбираются два решения из популяции. С большей вероятностью выбираются особи с самой маленькой ошибкой. Шаг 5. Из двух выбранных особей путем операции скрещивания получается потомок. Осуществляется проход но всем нейронам сети, весовые коэффициенты в нейроне разделяются на две части, точка раздела выбирается случайным образом, в одну часть записываются весовые коэффициенты от первого родителя, в другую часть от второго. у'-го решения (особи) в популяции, **•'/-ый входной пример, к-ого 85 Шаг 6. Осуществляется мутация. Случайным образом происходит выбор весового коэффициента. Затем к значению весового коэффициента прибавляется случайная величина, максимальное отклонение которого выбирается случайным образом из массива (1,0.1,0.01,0.001) Шаг 7. Вычисляется ошибка полученного решения. Если она меньше максимальной ошибки в массиве ошибок, то данная особь записывается вместо самой неприспособленной особи. Переход на Шаг 2. Кроме того, с помощью генетического алгоритма может быть решена проблема оптимизации нейронной сети, когда в качестве изменяемых параметров являются не только веса, но также и топология сети: количество слоев, количество нейронов в слое, тип активационной функции. Для повышения эффективности генетического алгоритма можно развивать одновременно несколько параллельных популяции, и через определенное число итераций или при падении скорости обучения в одной из популяций проводить скрещивание между особями этой и других популяций. 3.4.2. Алгоритм обучения нейронной сети для решения задачи определения концентрации вредных веществ в воздушной среде Обучение сети с использованием алгоритма обратного распространения ошибки проводится в несколько этапов. На первом из них предъявляется обучающая выборка х: и рассчитываются значения сигналов соответствующих нейронов сети. При заданном векторе х определяются вначале значения выходных сигналов щ скрытого слоя, а затем значения у\ нейронов выходного слоя. Для расчета применяются формулы (3.2) и (3.3). После получения значений выходных сигналов yh становится возможным рассчитать фактическое значение целевой функции E(w)9 заданной выражением (3.4). На втором этапе минимизируется значение этой функции. 86 |