Radialne Sieci Neuronowe

Radialne Sieci Neuronowe
(Saturday, 19 March 2005) - Nades³a³ Administrator - Ostatnia aktualizacja (Friday, 17 February 2006)
„Radialne sieci neuronowe jako narzêdzie do oceny niejednorodno¶ci przep³ywu powietrza przez z³o¿e
kamienne” WprowadzenieW procesie badania probabilistycznych systemów empirycznych, uzasadnionym wydaje
siê byæ wykorzystanie komplementarnej metody analizy problemów oraz zagadnieñ techniki rolniczej, jak± reprezentuj±
sztuczne sieci neuronowe o zró¿nicowanych topologiach. Stanowi± one z wa¿n± aplikacjê metod poznawczych
stosowanych w obszarze badañ dotycz±cych szeroko rozumianej sztucznej inteligencji. W szczególno¶ci obiecuj±ce
rezultaty przynosi wykorzystanie jednego z wielu aspektów sztucznych sieci neuronowych, jakim jest zdolno¶æ do
rozwi±zywania zagadnieñ regresyjnych oraz aproksymacyjnych, co otwiera mo¿liwo¶æ wykorzystania symulatorów sieci
neuronowych m.in. jako narzêdzi predykcyjnychNale¿y podkre¶liæ, ¿e przedstawione zalety sieci neuronowych nie
ograniczaj± siê jedynie do tego, ¿e pozwalaj± one na swobodne i ³atwe tworzenie neuronowych modeli opisuj±cych
zagadnienia nieliniowe. Sztuczne sieci neuronowe umo¿liwiaj± tak¿e kontrolê nad z³o¿onymi problemami
wielowymiarowo¶ci, które przy stosowaniu innych metod znacz±co utrudniaj± próby modelowana z³o¿onych funkcji
nieliniowych z du¿± liczb± zmiennych niezale¿nych, okre¶lanych mianem funkcji wektorowych [Tadeusiewicz, R.,
1993].Sieci neuronowe mog± byæ stosowane praktycznie w ka¿dej sytuacji, w której celem jest oszacowanie warto¶ci
zmiennej lub dokonanie grupowania na podstawie zaobserwowanych warto¶ci cech lub zarejestrowanych pomiarów tzn.
w zagadnieniach z zakresu regresji, klasyfikacji oraz analizy szeregów czasowych. Warunkiem niezbêdnym do
stosowania sieci neuronowych jest dostêpno¶æ odpowiedniej liczby danych i istnienie rzeczywistej zale¿no¶ci lub
zespo³u zale¿no¶ci. Na podkre¶lenie zas³uguje przy tym wzglêdna odporno¶æ sieci na zak³ócenia oraz szumy [Duch W.,
Tadeusiewicz R., Korbicz J. I inni 2000]. Problem badawczyW celu prezentacji mo¿liwo¶ci zastosowania sieci
neuronowych w in¿ynierii rolniczej zajêto siê jednym z aspektów zastosowania sieci jakim jest wykorzystanie sieci jako
instrumentu predykcyjnego. W szczególno¶ci zbadano zaprojektowan± sieæ typu RBF (Radial Basis Functions) jako model
aproksymacyjny wykorzystany do analizy procesu zasilania kamiennego magazynu energii cieplnej. W celu oszacowania
pojemno¶ci kamiennego akumulatora energii cieplnej, konieczna jest identyfikacja warto¶ci temperatur w okre¶lonych
miejscach struktury z³o¿a. Ze wzglêdu na trudno¶ci techniczne zwi±zane z procesem pomiarowym, zaproponowano
wykorzystanie sieci neuronowej typu RBF jako instrumentu predykcyjnego [Boniecki P., 2000].Celem badawczym by³a
identyfikacja wielko¶ci temperatury we wskazanych miejscach akumulatora, jako wielko¶ci niezbêdnych dla okre¶lenia
charakteru niejednorodno¶ci przep³ywu powietrza przez kamienne z³o¿e. Dane ucz±ce zaczerpniêto z wyników
eksperymentu naturalnego. Jako sygna³y wej¶ciowe przyjêto parametry termodynamiczne charakteryzuj±ce proces
zasilania kamiennego magazynu. Jako zmienne wej¶ciowe (niezale¿ne) przyjêto siedem wielko¶ci
charakterystycznych, natomiast zmienna wyj¶ciowa reprezentowa³a warto¶æ identyfikowaln±. Do symulacji wykorzystano
generator Statistica Neural Networks 4.0.Przedstawiony na rys. 1. zbiór, sk³adaj±cy siê z 924 przypadków, zosta³
podzielony na zbiór ucz±cy (462 przypadki), walidacyjny (231 przypadków) oraz testowy (231 przypadki). Zbiór walidacyjny
pos³u¿y³ do monitorowania procesu uczenia natomiast zbiór testowy nie bra³ bezpo¶rednio udzia³u w uczeniu. Zosta³
on wykorzystany w trakcie weryfikacji uzyskanych wyników.Struktura radialnej sieci neuronowej zosta³a okre¶lona
empirycznie w oparciu o dostêpne metody heurystyczne a nastêpnie zweryfikowana w oparciu o narzêdzia
zaimplementowane w pakiecie Statistica Neural Networks 4.0. Uczenie sieci typu RBFProces uczenia wygenerowanej
sieci neuronowej przeprowadzono w oparciu o standardowe procedury uczenia sieci radialnych (bez nauczyciela)
wed³ug. nastêpuj±cego schematu:wyznaczanie centrów: metoda k - ¶rednich;okre¶lanie odchyleñ: meto
s±siadów z parametrem 5;uczenie warstwy wyj¶ciowej: pseudoinwersja.Dla zbioru ucz±cego TEMP.POWDla zbioru
walidacyjnegoTEMP.POW.Dla zbioru testowego TEMP.POW.¦rednia26,6533327,7119927,11004Odch.
std.11,834111,981612,18372¦redni b³±d2,719e-13-0,2498-0,1643Odch. b³êdu1,3917951,6664071,926733¦r. b³.
Bezwz.0,95850991,0706411,215641Iloraz
odchyleñ0,11760880,13908050,1581399Korelacja0,993060,99029650,9874829Identyfikacja poszukiwanych rozk³adów
temperaturyNauczona sieæ RBF (Radial Basis Functions) pos³u¿y³a do identyfikacji temperatury w miejscach, w których
pomiar by³ utrudniony ze wzglêdów technicznych. Uzyskane informacje pos³u¿y³y nastêpnie do okre¶lenia parametrów
przep³ywu powietrza przez kamienne z³o¿e, niezbêdnych do okre¶lenia pojemno¶ci cieplnej magazynu.Uwagi
koñcowe oraz wnioskiPrzeprowadzone badania do¶wiadczalne oraz symulacyjny eksperyment komputerowy, pozwoli³y
na sformu³owanie nastêpuj±cych wniosków:1.
Wyznaczenie niejednorodno¶ci przep³ywu powietrza, w oparciu o
warto¶ci temperatur prognozowanych przez utworzon± sieæ RBF (Radial Basis Functions., da³o porównywalne wyniki z
do¶wiadczeniem.2.
Bliski jedno¶ci wspó³czynnik korelacji oraz bliski zeru stosunek odchyleñ standardowych b³êdu
pope³nianego przez nauczon± sieæ oraz danych, wskazuje na lepsze w³asno¶ci predykcyjne sieci radialnej w stosunku
do sieci perceptronowej [Boniecki P., 2002]3.
Sieæ RBF (Radial Basis Functions) charakteryzuje siê krótkim czasem
uczenia i dobr± jako¶ci± dzia³ania, okupion± jednak du¿± z³o¿ono¶ci± struktury. Wa¿n± zalet± sieci radialnych jest
znacznie uproszczony algorytm uczenia. Przy istnieniu tylko jednaj warstwy ukrytej i ¶cis³ym powi±zaniu
aktywno¶ci neuronu z odpowiednim obszarem przestrzeni danych ucz±cych, punkt startowy uczenia jest znacznie bli¿ej
rozwi±zania optymalnego, ni¿ jest to mo¿liwe w sieciach wielowarstwowych.4.
Zastosowanie sztucznej sieci neuronowe
jako instrumentu predykcyjnego u¿ytego do identyfikacji temperatury pozwala na redukcjê procesu
pomiarowego.BibliografiaTadeusiewicz, R. (1993). Sieci neuronowe. Warszawa: Akademicka Oficyna Wydawnicza.Duch
W., Tadeusiewicz R., Korbicz J. I inni (2000). Sieci neuronowe. Warszawa: Akademicka Oficyna Wydawnicza
ELITBoniecki P., (2000). Neural Networks as an Alternative to the Classic Analysis of Empirical Systems in Agricultural
Engineering. Prace PIMR Vol. 45(4), 2000, p. 68-72.Boniecki P. (2002). The Comparison of Multilayer Perceptron
Networks and Radial Networks with Regard to Their Use as Prediction Instruments in Agricultural Engineering
ProblemsJournal of Research and Applications in Agricultural Engineering 3’2002, p.38-45.
http://www.au.poznan.pl/bonie1 - prof. nadzw. Piotr Boniecki
Powered by Mambo
Generated: 3 March, 2017, 19:19