|
определения количественного состава на основе нейросетевого подхода В результате создается специализированная база данных наблюдений, на основе которой на шаге 2 осуществляется нормирование входных данных и предподготовка их для дальнейшего использования. На шаге 3 формирую тся обучающая и тестовая выборки с Nvo. и Nmecm числом примеров и требуемых ответов соответственно. Они используются для последующего обучения И11C с оценкой ошибки ее обучения Е(& и для оценки возможностей построенной и обученной ИНС по ошибке обобщения Епр. Предварительно определяется топология ИНС с прямой передачей сигнала и обратным распространением ошибки большим количеством (предельным согласно расчетам) промежуточных нейронов и реализуется следующий цикл из л шагов (л = 1,..., N): последовательно выбирается (N1) параметров из N, включенных в математическую модель, которые считаются известными (из обучающей выборки), а оставшийся параметр считается неизвестным; для каждого л-ого примера проводится обучение ИНС и определяется Еи6п как процент среднего квадрата ошибки. Если указанная ошибка мала (до 10 %) на всей области значений параметров, т.е. для всех jV тестируемых примеров, тогда имеется сходимость нейросетевой аппроксимации и диагностируется корректность полученного решения. В этом случае следует перейти к реализации шагов 6.1 — 6.3 для построения адекватной нейросетевой модели. При этом на шаге 6.1 определяется архитектура ИНС: число скрытых слов и синаптических весов, т.е. нейронов в них; вид используемых нейронов (число входов и функция активации); способ соединения нейронов между собой. На шаге 6.2 выбирается метол обучения ИНС и проводиться непосредственно процесс обучения. На шаге 6.3 происходит изучение ошибки обобщения Епр построенной и обученной ИНС, исходя из априорных теоретических соображений о ее 119 |
В результате создается специализированная база данных наблюдений, на основе которой на шаге 2 осуществляется идентификация вредных веществ с помощью методов и алгоритмов, разработанных в предыдущих главах диссертационного исследования. На шаге 3 формируются обучающая и тестовая выборки с и Nmccm числом примеров и требуемых ответов соответственно. Они используются для последующего обучения ИНС с оценкой ошибки ее обучения и для оценки возможностей построенной и обученной ИНС по ошибке обобщения Епр.Предварительно определяется топология ИНС с прямой передачей сигнала и обратным распространением ошибки большим количеством (предельным согласно расчетам) промежуточных нейронов и реализуется следующий цикл из п шагов (п = 1,..N): последовательно выбирается (N 1) параметров из N, включенных в математическую модель, которые считаются известными (из обучающей выборки), а оставшийся параметр считается неизвестным; для каждою /7-ого примера проводится обучение ИНС и определяется Е0б.п как процент среднего квадрата ошибки. Если указанная ошибка мала (до 10 %) на всей области значений параме тров, т.е. для всех N тестируемых примеров, тогда имеется сходимость нейросетевой аппроксимации и диагностируется корректность полученного решения. В этом случае следует перейти к реализации шагов 6.1 — 6.3 для построения адекватной нейросетевой модели. При этом на шаге 6.1 определяется архитектура ИНС: число скрытых слов и синаптических весов, т.е. нейронов в них; вид используемых нейронов (число входов и функция активации); способ соединения нейронов между собой. На шаге 6.2 выбирается метод обучения ИНС и проводиться непосредственно процесс обучения. 66 |