|
3.6. Выводы по третьей главе 1. Разработан метод прогнозирования на основе искусственных нейронных сетей. 2. Для повышения скорости работы и точности определения предаварийных ситуаций и автоматизации построения функциональной зависимости предложено использовать метод нейронных сетей. 3. Проведен анализ нейронных сетей, с точки зрения решения задачи прогнозирования, доказана возможность использования метода нейронных сетей для решения задачи автоматизации построения функциональной зависимости между входными данными, представляющими собой данные измерений и прогнозными значениями. 4. Разработан алгоритм решения задачи количественного анализа вредных веществ в воздушной среде на основе нейросетевого аппарата. 5. Для решения задачи прогнозирования предложена обобщенно-регрессионная сеть (GRNM). 6. Рассмотрены различные алгоритмы обучения нейронной сети: эволюционные, стохастические, градиентные. Показаны недостатки и преимущества методов. 7. Рассмотрены различные параметры сетей (вид нейронов, количество слоев и связей, тины сетей) при выборе наиболее оптимальной нейронной сети для решения задачи прогнозирования. 8. В ходе проведенных исследований разработан пошаговый алгоритм редукции сети с учетом конкуренции связей нейронов между собой: 131 |
где п размерность входного сигнала; т размерность выходного сигнала; Lw число синаптических весов; Nчисло элементов обучающей выборки. Оценив необходимое число весов, рассчитывают число нейронов в скрытом слое. Для сети с одним скрытым слоем число нейронов составит Рассмотрены различные параметры сетей (вид нейронов, количество слоев и связей, тины сетей) при выборе наиболее оптимальной нейронной сети для решения задачи определения концентрации вредных веществ по данным поглощения вредным веществом ИК излучения. Было проверено несколько функций активации нейронов для многослойной нейронной сети: [46]: L = L п + т JAt ~ < _е(Ь> ; 1+е ' 2 95 антиградиента и малого случайного шага. Недостатком реализованного метода обучения стала малая скорость работы (5-8 часов) и проигрыш в точности. На следующем этапе сокращалось число связей в нейронной сети. В связи с этим, разработан пошаговый алгоритм редукции сети с учетом конкуренции связей нейронов между собой. Шаг 1. Задание исходных значений для каждого элемента (нейрона). Шаг 2. Ввод значений синаптических весовых коэффициентов Wt} — степень связи, с которой /-ый нейрон связан с у'-ым нейроном следующего слоя. Шаг 3. Вычисление значений каждого нейрона по формулам: (3-19) j-1 где Б,— сумма произведений всех синаптических весов /-ого нейрона на значение соответствующего этому весу у-ого нейрона следующего слоя, gj величина /-ого элемента следующего слоя, К коэффициент, который используется для обновления значений нейронов предыдущего слоя; х. величина у го элемента следующего слоя. Шаг 4. Обновление значений синаптических весов: Wu = где fV',j значения синаптических весов предыдущей итерации. Шаг 5. Сокращение количества конкурируемых между собой нейронов. Нели Wij < 0,001, то Wij = 0. Шаг 6. Вычисление обновленных значений по формулам (3.18) и (3.19). 98 3.6. выводы В данной главе разработан метод для определения количественного состава вредных веществ на основе искусственных нейронных сетей. Для повышения скорости работы и точности определения концентрации вредного вещества из данных, полученных с систем лазерного зондирования и автоматизации построения функциональной зависимости предложено использовать метод нейронных сетей. Проведен анализ нейронных сетей с точки зрения решения задачи определения концентрации вредных веществ в воздушной среде, доказана возможность использования метода нейронных сетей для решения задачи автоматизации построения функциональной зависимости между спектром поглощения ИК излучения вредными веществами и их концентрацией. В данной главе разработан алгоритм решения задачи количественного анализа вредных веществ в воздушной среде на основе нейросетевого аппарата. Для решения задачи установления концентрации вредных веществ по данных ИК спектра поглощения предложена многослойная полносвязная нейронная сеть. В главе рассмотрены различные алгоритмы обучения нейронной сети: эволюционные, стохастические, градиентные. Показаны недостатки и преимущества методов. Рассмотрены различные параметры сетей (вид нейронов, количество слоев и связей, тины сетей) при выборе наиболее оптимальной нейронной сети для решения задачи определения концентрации вредных веществ по данным поглощения вредным веществом ИК излучения. В ходе проведенных исследований разработан пошаговый алгоритм редукции сети с учетом конкуренции связей нейронов между собой: 100 |