|
свойства: 1. Способность к обобщению. Под термином обобщение понимается способность НС осуществлять прогноз 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 установления прогнозных значений 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 НС 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 незначительными. 4. Адаптивность. Нейронные сети обладают способностью адаптировать свои синаптические веса к изменениям входных сигналов. В частности, нейронные сети, обученные действовать с определенными сигналами, могут быть легко переучены для работы в условиях незначительных колебаний параметров. 5. Эксплуатация обученной нейронной сети не требует дополнительной подготовки пользователей и их высокой квалификации. Кроме этого, нейросетевой метод моделирования не требует априорного задания вида исследуемой зависимости. Процесс создания ИНС для решения задачи прогнозирования по данным входных измерений схематично показан на рисунке 3.1, который проходит в два основных этапа: определение архитектуры и обучение ИНС. Выбрать тип ИНС, задать ее конкретную архитектуру это определить модель 92 |
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. 4. Адаптивность. Нейронные сети обладают способностью адаптировать свои синаптические веса к изменениям входных сигналов. В частности, нейронные сети, обученные действовать с определенными сигналами, могут быть легко переучены для работы в условиях незначительных колебаний параметров. 5. Эксплуатация обученной нейронной сети не требует дополнительной подготовки пользователей и их высокой квалификации. Кроме этого, нейросетевой метод моделирования не требует априорного задания вида исследуемой зависимости. Процесс создания ИНС для решения задачи определения концентрации вредного вещества но данным спектра поглощения схематично показан на рисунке 3.1, который проходит в два основных этапа: определение архитектуры и обучение ИНС. Выбрать тип ИНС, задать ее конкретную архитектуру это определить модель обрабатывающего элемента (нейрона), сеть связей (топологию и веса), число слоев в ИНС и управляющую структуру (включая алгоритм обучения). Выбор структуры ИНС осуществляется в соответствии с особенностями и сложностью задачи. Для решения задач определенных классов уже существуют оптимальные конфигурации ИНС, подробно описанные, например, в работах [83-85]. При синтезе новой конфигурации следует учитывать, что возможности ИНС возрастают с увеличением числа нейронов, плотностью связей между ними, числа слоев. Кроме того, введение обратных связей увеличивает возможности ИНС, однако влияет на ее динамическую устойчивость, а сложность алгоритмов функционирования ИНС и введение нескольких типов синапсов способствуют усилению ее мощности. 61 |