Диссертация (1141573), страница 15

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 15)

Функциональная модель ОТП по главным переменным системыСоединение входов модели с ее выходами воплощено с помощью подхода,основанного на применении искусственной нейронной сети (ИНС), описанного вразделе 2.5. Отличительной чертой ИНС является естественная интерпретацияиерархических структур за счет слоев, отражающих уровни системы, нейронов,играющих роль факторов, параметров, переменных модели, а также произвольногохарактера связей между ними.Для определения функциональной схемы работы ИНС большую роль играетопределение входов и выходов модели, и в частности, способов их измерения иинтеграции в модель, так как на основании извлеченной из реальной системыинформации по данным компонентам будет происходить обучение ИНС, котороеопределит функционирование созданной модели.В разделах 2.4.1-2.4.2 описан порядок измерения входов модели с помощьюметодологии теории нечетких множеств.

Он заключается в выборе для каждогоОТФ лингвистического терма, представленного нечетким множеством, и затемуточнения оценки путем определения точки ввода. Для интеграции в ИНСинформации по каждому входу модели, полученной с помощью данного подхода,необходимо провести операцию деффазификации, представленную на Рисунке 3.2и состоящую в переходе от двух координат точки ввода к одной. Методологиянечеткихмножествусовершенствованныйприменяетсяподходквдиссертационнойизмерениюкачественныхработекакпараметров,способствующий упрощению оценки и увеличению ее достоверности. Первое87достигается за счет применения на первом этапе оценки лингвистических термовестественного языка, второе - с помощью двух измерений в системе координат. Носохранение нечеткости значительно усложнит формирование функциональнойсхемы модели, поэтому дляРисунок 3.2 - Дефаззификация информации полученной по ОТФ строительногопроцессаинтеграции в ИНС, а именно, для определения входных сигналов сети было решенопроизвести деффазификацию полученной информации, которая состоит висключении из дальнейших расчетов ординаты точки ввода А - степенипринадлежности к заданному лингвистическому терму  ( x) .В разделе 2.4.3 установлено, что определение ОТП строительного процессаесть трудноформализуемая задача за счет невозможности определения весовглавных переменных системы P и Q, которые являлись бы постоянными дляразличных строительных объектов.

Определение показателя ОТП строительногопроцесса зависит от конкретных условий строительного проекта, поэтому решениеданной задачи будет рассмотрено в конце данной главы. На данной стадиивыходами модели приняты главные переменные системы P и Q, которые легкоподдаютсяизмерениюипокоторымобеспечивающая обучение будущей модели.собранавыборкапрецедентов,88Как показано в разделе 2.4.4 главные переменные P и Q имеют кардинальноразную природу измерения - количественную и качественную, а такжеустановлено, что при смене целевой функции системы с P на Q ОТФ системызначительно изменяют свои веса (при этом для некоторых факторов данноеизменение близко к обратной пропорциональности).

Так, например, изпрактического опыта строительства влияние фактора «инженер строительногоконтроля» на качество строительной продукции безусловно высоко, но напроизводительность труда его влияние значительно меньше. В связи с этим наданном этапе работы решено было объект исследования представить двумямоделями: ИНСP «Производительность» и ИНСQ «Качество строительнойпродукции», которые впоследствии будут объединены в одну. На Рисунке 3.3представлена архитектура ИНСP, которая повторяет структурную модель: напервом слое расположены сенсоры сети g - входы модели, ОТФ строительногопроцесса, от них сигнал поступает на второй (скрытый) слой нейронов j параметры модели, а затем на выходной слой, представленныйВходной слой Сенсоры gСкрытый слой Нейроны jПорог активациинейрона PВыход ИНС относительная сменнаяпроизводительность трудаодного рабочегоВыходной слой Нейрон PРисунок 3.3 - Искусственная нейронная сеть ИНСP «Производительность труда»89единственным нейроном P - главная переменная системы, производительностьстроительного процесса.

Выход нейрона P yP есть выход модели, соответствующийотносительной сменной производительности одного рабочего. В отличие отструктурной модели согласно разделу 2.4.3 параметр «погодные условия» J4извлечен из слоя внутренних параметров системы, но представлен как порогактивации bP нейрона P. Исходя из значения и функции порога активации нейрона,представленных в разделе 2.5 и на Рисунке 2.5, с его помощью естественнымобразом можно отразить влияние внешнего фактора на систему, каковым иявляется параметр J4.

Так при состоянии погодных условий, не вносящем явныхзатруднений в производственный процесс, которое соответствует терму с индексом0 из Таблицы 2.11, значение порога равно bP  0 . Определение значений порога длядвух других характерных состояний параметра J4, будет производится в процессеобучения ИНС.ИНСQ «Качество строительной продукции» имеет одинаковую с ИНСPархитектуру первых 2-х слоев (Рисунок 3.4). Но выходной слой представлен 3-мянейронами K - по отдельному нейрону на каждый лингвистический терм (класс)варьирования переменной Q, определенный в разделе 2.4.4. Получаем выход ИНСQесть векторyQ  (qi )  (q1 , q2 , q3 ) ,(3.1)где qi - вероятность получения строительной продукции, относящейсяк классу Ki ;i- индекс лингвистического терма в соответствии с Таблицей 2.11.По аналогии с ИНСP параметр J4 «погодные условия» задан в виде порогаактивацииbKiдля каждого нейрона Ki выходного слоя.

При значении параметра J4,выраженного лингвистическим термом с индексом 0 согласно Таблице 2.11,значение порогапорогаbKibKi  0для всех нейронов Ki , определение остальных значений- задача обучения ИНСQ.90Входной слой Сенсоры gСкрытый слой Нейроны jВыходной слой Нейроны kВыходы модели вероятность отнесениястроительной продукции ктерму (классу) KiПорог активациинейрона KiРисунок 3.4 - Искусственная нейронная сеть ИНСQ «Качество строительнойпродукции»3.3. Математическая модель ИНСP «Производительность труда»Как показано в предыдущем разделе выход модели ИНСP - это значение yP ,соответствующее относительной сменной производительности одного рабочегостроительной бригады, которая представляет собой количественную переменную.В связи с этим математическая формализация модели ИНСP - это классическаязадача восстановления регрессии, которая в данной работе решается с помощьюискусственной нейронной сети.3.3.1.

Принцип работы ИНСP1-й слой – сенсоры g. Оператор, вносит в сенсор полученную от реальнойсистемы информацию по каждому ОТФ, согласно установленному подходу кизмерению входов модели. В каждом сенсоре происходит дефаззификацияполученной информации во входной сигнал xg , который представляет собойабсциссу точки ввода А ( x,  ( x)) . В случае недостатка информации по какому-тоОТФ, когда нет возможности определить точку ввода А и оценка произведена91только с помощью лингвистического терма, то за точку ввода принимаетсяцентральная точка выбранного терма Ас (Рисунок 2.3).

Таким образом выполняетсяцепь операций кодирования полученной из внешней среды информации на языксистемы. Вектор входных сигналов ИНС запишем в виде ( xg ) , где g - индекссенсора.2-й слой (скрытый) – нейроны j: J1, J2, J3. На данном слое каждый нейрон jимеетнаборсвоихуникальныхсенсоровGjсогласноструктурнойифункциональной моделям, от которых по каналам связи поступает вектор входныхсигналов {xg }G . Каждый канал связи имеет свою пропускную способность или весjwgj . Следовательно, на нейрон поступает вектор импульсов {xg wgj }G , который сjпомощью сумматора преобразуется в единственный функциональный сигнал,индуцированное локальное поле нейронаGjv j   xg wgj .(3.2)gВ нейроне индуцированное локальное поле преобразуется согласно функцииактивации. Исследуемая система включает в себя множество нелинейныхпроцессов, также для применения некоторых алгоритмов обучения, функцияактивации должна быть непрерывно дифференцируема.

Известно, что с помощьюсуперпозиции сигмоидальных функций возможно представить широкий кругразличныхнепрерывныхаппроксимироватьфункцийразличные[66,реальные87],чтопроцессыпозволяетпосредствомуспешноИНСссигмоидальными функциями активации. В связи с этим за функцию активациипримем логистическую функциюd,1  exp(с  av j )(3.3)где a, с, d – константы, отвечающие за наклон, смещение и область значенийсигмоиды, соответственно.В разделе 2.6.2 установлена зависимость сложности обучающего множества,необходимой для успешного обучения ИНС, и верхней границы суммы весовых92коэффициентовсвязейодногонейронаИНС(2.30).Длинавыборкиэкспоненциально растет вместе с увеличением верхней границы суммы весовсвязей H.

В связи с этим в диссертационном исследовании для обеих моделей ИНСпримем следующее ограничение суммы весовых коэффициентов одного нейронаH  sup  w  1 .(3.4)Тогда учитывая подход измерения ОТФ модели, отраженный на Рисунке 2.3и ограничивающий нечеткие множества лингвистических термов по оси абсцисс винтервале [0, 1], максимально возможное индуцированное локальное поле нейронаj   1 . Подберем константы a, b функции активации таким образом, чтобы повозможности сократить участки резкого линейного роста и насыщения сигмоиды винтервале аргумента [0; 1], для этого примем константу a  8 и зададим смещениеb  4 .

Расширение или сужение области значений функции активации на данномэтапе не дает значимого эффекта, поэтому примем константу d  1 . В итоге получимследующую функцию активации для нейронов j1,1  exp(4  8v j )(3.5)график которой изображен слева на Рисунке 3.5.Рисунок 3.5 - Функция активации нейронов j и нейрона P (слева направо)93Таким образом на втором слое сети происходит нелинейное преобразованиевектора входных сигналов {xg } в вектор сигналов { y j } .3-слой – нейрон P.

Полученный на втором слое ИНС вектор сигналов { y j } поканалам связи передается на третий слой - нейрон P. Данный нейрон получаетсигналы от всех нейронов предыдущего слоя, соответственно, по трем каналамсвязи, имеющих свои индивидуальные веса w jP . В отличие от нейронов скрытогослоя нейрон P имеет порог активации bP , который воплощает в себе влияниевнешнего параметра J4. Тогда индуцированное локальное поле нейрона P3vP   y j w jP  bP .(3.6)jНа третьем слое происходит второй этап нелинейного преобразованияинформации, полученной от параметров системы. Для функции активации выбраналогистическая функция (3.3), но интервал ее значений необходимо расширить всоответствии с подходом измерения выхода модели yP , описанного в разделе 2.4.4..Выход ИНСP есть сменная производительность труда одного рабочего, взятаяотносительно нормативного значения, так как помимо недовыполнения возможноперевыполнение нормы, то для функции активации нейрона P необходимоприменятьконстантуd 1.Всовременнойстроительнойпрактикеперевыполнение сменной производительности вызвано применением болеесовременных машин и инструментов, новых технологий строительства, а такжеметодов организации и планирования.

Характеристики

Список файлов диссертации