ГЛАВА 3. РАЗРАБОТКА МЕТОДОВ ПРОГНОЗИРОВАНИЯ НАРУШЕНИЯ СОСТОЯНИЯ И ОПРЕДЕЛЕНИЯ ПРЕДАВАРИЙНЫХ СИТУАЦИЙ ЗДАНИЙ И СООРУЖЕНИЙ НА ОСНОВЕ АППАРАТА НЕЙРОННЫХ СЕТЕЙ 3.1. Теоретическое обоснование решения задачи прогнозирований аварийных ситуаций зданий и сооружений на основе аппарата искусственных нейронных сетей Задача прогнозирований предаварийных ситуаций зданий и сооружений является логическим продолжением разработанных в предыдущей главе метода и алгоритма. Задача прогнозирования относится к классу трудно формализуемых задач. Для решения подобных задач можно использовать искусственные нейронные сети (ИНС). Современная теория ИНС опирается на теорему Хехт-Нильсена, предложенную в 1987 году, которая доказывает решаемость задачи преставления функции произвольного вида на HI 1C и указывает для каждой задачи минимальное число искусственных нейронов [82]. Задача прогнозирования может быть сформулирована как задача аппроксимации функции многих переменных. Необходимо построить некоторое отображение / / — т а к о е , чтобы на каждый возможный входной образ, представленный вектором входных данных (//) формировался правильный выходной вектор прогноза (У). Использование нейронных сетей (11C) в качестве аппарата для установления зависимости между входными данными и результатами прогноза обусловлено способностями сети к параллельной и распределенной обработки информации, что позволяет значительно увеличить скорость работы алгоритма и повысить эффективность прогноза предаварийных ситуаций зданий и сооружений. Кроме этого, применение НС обеспечивает следующие полезные 91 |
ГЛАВА 3. МЕТОД РЕШЕНИЯ ЗАДАЧИ ОПРЕДЕЛЕНИЯ КОНЦЕНТРАЦИИ ВРЕДНЫХ ВЕЩЕСТВ В ВОЗДУШНОЙ СРЕДЕ НА ОСНОВЕ АППАРАТА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ 3.1. ТЕОРЕТИЧЕСКОЕ ОБОСНОВАНИЕ РЕШЕНИЯ ЗАДАЧИ ОПРЕДЕЛЕНИЯ КОНЦЕНТРАЦИИ ВРЕДНЫХ ВЕЩЕСТВ В ВОЗДУШНОЙ СРЕДЕ НА ОСНОВЕ АППАРАТА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ Задача определения количественного состава (концентрации) вредных веществ в воздушном бассейне является логическим продолжением разработанных в предыдущей главе метода и алгоритма. Методы количественного анализа состава вредных веществ воздушного бассейна атмосферы основаны на построении зависимости между интенсивностью поглощения веществом ИК излучения и его концентрацией. На основе регистрации партии спектров ИК излучения вредных веществ с известными концентрациями устанавливается зависимость между спектром поглощения и концентрацией. Задача определения концентрации вредных веществ в воздушной среде относится к классу трудно формализуемых задач. Для решения подобных задач можно использовать искусственные нейронные сети (ИНС). Современная теория ИНС опирается на теорему Хехт-Нильсена, предложенную в 1987 году, которая доказывает' решаемость задачи преставления функции произвольного вида на ИНС и указывает для каждой задачи минимальное число искусственных нейронов [82]. Задача определения концентрации вредного вещества по данным спектра поглощения может быть сформулирована как задача аппроксимации функции многих переменных. Необходимо построить некоторое отображение H~>Y такое, чтобы на каждый возможный входной образ, представленный вектором спектра поглощения ИК излучения вредными 59 веществом (Н) формировался правильный выходной вектор концентрации данного вещества (У). Использование нейронных сетей (НС) в качестве аппарата для установления зависимости между интенсивностью поглощения веществом ИК излучения в окружающей среде и его концентрацией обусловлено способностями сети к параллельной и распределенной обработки информации, что позволяет значительно увеличить скорость работы алгоритма и повысить эффективность определения концентрации вредных веществ в воздушном бассейне атмосферы. Кроме этого, применение НС обеспечивает следующие полезные свойства: 1. Способность к обобщению. Под термином обобщение понимается способность НС устанавливать концентрацию вредных веществ на основе данных, не встречающихся в процессе обучения. 2. Нелинейность. НС, построенная из соединений нелинейных нейронов, является нелинейной. Нелинейность является чрезвычайно важным свойством, поскольку входной сигнал, подаваемый в НС, в случае определения количественного состава вещества, представляет собой спектр поглощения ИК излучения веществом и является нелинейным. 3. Отображение входной информации в выходную. Наиболее часто используется для обучения НС парадигма обучения с учителем. Настройка синаптических весов сети происходит на основе набора учебных примеров. Каждый пример состоит из параметров входного сигнала и соответствующего ему желаемого отклика. Из этого множества случайным образом выбирается пример, а ПС модифицирует синаптические веса для минимизации расхождений желаемого выходного сигнала и формируемого сетью согласно выбранному статистическому критерию. Обучение проводится до тех пор, пока изменения синаптических весов нс станут 60 незначительным и. |