35 z forum
Transkrypt
35 z forum
35. Cechy wspólne i różnice identyfikacji metodą najmniejszych kwadratów i modelowania neuronowego. Metoda najmniejszych kwadratów, metoda służąca do wyrównywania empirycznych szeregów statystycznych. Liczby występujące w takich szeregach są z reguły obarczane błędami losowymi. Przy pomocy metody najmniejszych kwadratów szeregi statystyczne oczyszcza się z błędów losowych. Mając szereg punktów empirycznych (x1,y1), (x2,y2),....., (xn,yn) należy a priori ustalić postać funkcji Y=f(a,b,c,...), a następnie na podstawie punktów empirycznych tak dobrać wartości parametrów a,b,c..., aby funkcja Y=f(a,b,c,...) możliwie najlepiej "pasowała" do zaobserwowanych punktów (xi,yi). Załóżmy że a priori wyznaczyliśmy za najlepszą następującą funkcję : Zgodnie z tą metodą za najlepiej pasujące współczynniki uznaje się taki dla których wyrażenie Osiąga wartość minimalna. Co prowadzi do rozwiązania następującego układu równań: Sieć neuronowa jest siecią wielu prostych procesorów (przetworników informacji) zwanych neuronami, z których każdy dysponuje lokalną pamięcią w postaci wag jego połączeń z innymi neuronami. Przetwarzanie realizowane przez neuron ma całkowicie lokalny charakter – zależy ono tylko od wartości docierających do niego sygnałów oraz wartości przechowywanych w jego lokalnej pamięci wag W korzystaniu z sieci neuronowej można wyróżnić dwa etapy: · etap uczenia – w oparciu o przedstawiane sieci dane, sieć uczy się realizować zadanie dla którego została zbudowana · etap uogólniania – sieć realizuje zadanie dla którego została zbudowana dla danych które są jej przedstawiane Twierdzenie Funahashi zapewnia, że standardowa sieć wielowarstwowa z pojedynczą warstwą ukrytą składającą się z skończonej liczby neuronów jest uniwersalnym aproksymatorem. Metoda najmniejszych kwadratów Metoda zawsze daj wynik o najmniejszej sumie kwadratów błędów. Rezultaty jednak mogą nie mieć nic wspólnego z rzeczywistością w przypadku gdy istnieje wiele elementów odstających. Podczas tworzenia modelu wymagana jest wiedza a priori projektanta na temat doboru najlepszej funkcji aproksymującej Jednoetapowy proces tworzenia modelu podczas którego jest tworzona funkcja aproksymująca. Metoda popularnie stosowana od początku XIX wieku. Uznawana za jedną z najlepszych metod aproksymacyjnych. Raz zbudowany model nie posiada żadnych możliwości adaptacji. Możliwe jest sekwencyjne dostarczanie danych Poprawność pracy modelu wymaga dostarczenia odpowiednio dużej ilości pomiarów Modelowanie neuronowe Według twierdzenia Funahashi sieć neuronowa jest uniwersalnym aproksymatorem. Podczas tworzenia modelu wymagana jest wiedza a priori projektanta na temat wyboru najlepszej struktury neuronów oraz funkcji aktywacji. Dwuetapowy proces tworzenia modelu. - stworzenie struktury neuronów - przeprowadzenie procesu uczenia się modelu Sieci neuronowe stają się coraz popularniejsze. Zaczęły być stosowane w latach 70 ubiegłego wieku. Poprawnie zbudowany model dobrze zinterpretuje dane które nie brały udziału w procesie uczenia.