Диссертация (1152187), страница 15
Текст из файла (страница 15)
Перед этим слоем может находиться либо распределительный слой, либо еще один скрытый слой с выходами о), )=1, ..., 1 и синаптическнми весами ю;„. В общем случае число слоев может быть произвольным. В нашем случае сеть двухслойная„тогда о) есть просто )-й признак о)(х):— 1 (х) = х), н 1=в. Обозначим через со вектор всех синаптических весов сети. Выходные значения сети на объекте х; вычисляются как суперпозиция: результат д получив на входе. При этом входной вектор скалярно умножается на вектор весов ю„,„, находящихся справа от нейрона, а не слева, как при прямом вычислении ~отсюда и название алгоритма— обратное распространение ошибок) 1рис. 3.11.) ) 113~: Рис. 3.
11. Обратный запуск сети. Имея частные производные по а"' и и", легко выписать градиент Я по дЯю) д®ы) да™ ш, у 13.15.) д<~ь„д~™ дО~ь„, — = — — = г; о„'т)„1т=1,...,Н„)=О,...,У дно) д®ю) ди" (3.16.) И так далее для каждого слоя. Если слоев больше двух, то остальные частные производные вычисляются аналогично — обратным ходом по слоям сети справа налево. В нашем случае этого будет достаточно.
Теперь мы обладаем всем необходимым, чтобы полностью выписать алгоритм обратного распространения. Алгоритм обучения сети методом ЬасК-ргораяа6оп — обратного распространения ошибки. Вход: х' = 1'х,,у;),'- 1 — обучающая выборка, х; Е К", у; Е В~; Н вЂ” число нейронов в скрытом слое„ т) — темп обучения. Выход: Сннаптические веса сд „, ю„ 1. Инициализировать веса небольшими случайными значениями; 109 1 1~ ~,ст:= гюго~~ 2й ' 2о.с' ' 2.
Повторять данную процедуру. 3. Выбрать объект х; случайным образом; 4. Производим прямой ход: и",:= т(Х~= >и'~ У а~:= ~ (Х„О~„тй(ХЯ, си . 7и т д, ~ м (ьт~з, 5. Обратный ход: 1с. ~М т Е т=1 ~с сст ссср 6. Градиентный шаг: т с л ~'сост '= ~'сйси Жс от" для всех 6=1,...,Н; для всех ш=1,...,М; для всех ш=1,,М; для всех 6=1,...,Н: для всех Ь=О,...,Н, я=1,...,М; для всех 1=0,...,в, 6=1,...,Н; 03р~ ~= й)рс — ЦЯс сту~Х й 7. 0 =:О+-В 8. Пока Я не стабилизируется.
Затем, когда все весовые коэффициенты скорректированы, снова проходит прямое распространение сигналов от входов НС к выходам, и т.д. 110 За счет постоянного корректирования параметра обучения и весовых коэффициентов, нейрорегулятор адаптируется к изменениям параметров ОУ, основываясь на измеренных значениях показателей рассогласования. Таким образом, процесс работы и обучения нейросети можно представить в виде следующего алгоритма ~рис. 3,12): Рис.
3.12. Алгоритм работы нейросетевой модели. Анализ работоспособности нейросетевой модели. После того, как мы обучили сеть, необходимо ее проверить на качество функционирования. Обученная сеть должна уметь обобщать полученные знания, т.е. нужно проверить, укладываются ли результаты выдаваемые сетью на выходах в предел допустимой погрешности при подаче на вход сети выборки с заранее известными значениями выходных параметров, но отличной от обучающей выборки 1441.
Анализ работоспособности нейросетевой модели показал, что для данной системы ошибка обучения составила 3'. о, это значение укладывается в предел допустимой погрешности, определенный 5'/о. Предел допустимой погрешности был выбран и согласован с главным технологом, отвечающим за качество помолотой и отлежавшейся ~созревшей) муки. Таким образом, применение метода, основанного на работе НС-Р позволяет работать с наборами входных параметров любого уровня декомпозиции и учитывать влияние каждого параметра на итоговые оценки величин значений температуры, влажности воздуха и содержание СО в силосе с помощью значений весовых коэффициентов. Полученные значения сравниваются с контрольными показателями путем статистической обработки данных, в результате чего рассчитывается отклонение значений параметров микроклимата в силосе от эталонных и выдается результат о соответствии этих показателей заданным значениям для выполнения дальнейших действий в процессе бестарного хранения муки в силосах, 112 3.5.3.
Алгоритм работы интеллектуального комплекса адаптивного управления параметрами микроклимата процесса БХМ. На основании проведенных исследований и полученных результатов был построен алгоритм работы интеллектуального комплекса адаптивного управления параметрами микроклимата процесса БХМ ~рис. 3.13). Рис.
3.13. Алгоритм работы интеллектуального комплекса адаптивного управления параметрами микроклимата процесса БХМ От БСАВА-системы информация о ходе ТП подается в БД, где она хранится в структурированном виде. Разработанная нейросетевая модель с использованием Ма11аЬ, в состав пакета которого входит инструмент для синтеза, обучения и анализа НС ~Ыеыга1 КеПтог1 Тоо1Ьох), производит 113 автоматический расчет основных величин параметров микроклимата: температуры, влажности и содержания СО внутри силоса.
НСМ в определенные промежутки времени получает данные из ВД и в среде Ма11аЬ преобразовывает полученные векторы данных в необходимые нам величины параметров микроклимата в силосе. В результате работы данного алгоритма в зависимости от режима управления ТП на з кран монитора технолога будет выдаваться информация о прогнозируемых величинах параметров микроклимата с рекомендащзями об изменении хода ТП, либо в случае полностью автоматизированного управленззя, управляющие воздействзи будут поданы непосредственно на исполнительные механизмы.
3.6.Имитационное моделирование технологического процесса бестарного хранения муки в АпуЕоя1с. 3.6.1. Обоснование выбора имитационного моделирования для построения модели. Первым делом необходимо обозначить основные, более значимые, характеристики связанные с применением имитационного моделирования для разработки модели. Так как исследования, позволяющие определить цель диссертационной работы, направлены на анализ функционирования автоматизированных процессов и производств, реализуемых в пищевой промышленности„то оценивать возможности таких процессов необходимо в условиях динамического поведения. То есть тестируемую систему необходимо детально изучить при различных параметрических значениях, и делать выводы на основе актуальности применения тех или иных параметров, анализируя состояние системы и учитывая разности их величин.
Для анализа таких систем, построенных на основе применения многопроцессорности, используют технологию имитационного моделированззя. 114 Имитационная модель всегда создается как реализуемая во времени, позволяя после запуска строить для пользователя траектории измененьи состояния системы. Можно сказать так, что такая модель является набором правил, по которым происходит переход системы из одного состояния в другое ~рис.
3. 14). Задавать правила можно различными способами, например, диаграммами процессов, состоянш1, дифференциальными уравнентими, расписаньими. Получая выходные данные, всегда можно выполнять их анализ прямо в процессе проигрывания модели 1116, 1171. Вход Выход Рис. 3.14. Принцип функционирования имитационной модели Разработка имитационной модели происходит с помощью использования специализированного программного обеспечения, которое построено на основе применен~и различных языков моделированьи. Поэтому, для того чтобы построить модель, нужно обладать знанием языка моделировании, предоставленного самой программой решающей подобные задачи. Преимущества имитационного моделирования: - способность анализировать системы и находить решения тогда, когда аналитические вычислительные методы или линейное программирование не способны справиться с задачей; - позволяет упростить создание модели при учете постановки уровня абстракции, поскольку процесс создания модели может включать изменчивость значении переменных; 115 структурное состояние модели отражает естественную структуру изучаемой системы; возможность выводить статистические данные в виде графиков, схем, рисунков, диаграмм; возможность проигрывания имитационной модели во времени, фиксирование состояний системы при различных параметрических значениях; имитационная модель позволяет исследователю осуществлять презентацию своего проекта, оперируя графической реализацией необходимых характеристик.
3.6.2. Варианты реализации модели. Современное использование метода имитационного моделирования включает три варианта реализации моделей: дискретно-событийное моделирование, агентное моделирование и системная динамика. Терминология, называемая методом, подразумевает собой основу для преобразования перевода системы из реального состояния в состояние модели, Метод предусматривает определенный язык для осуществления разработки модели ~рис. 3.15). Высокий уровень абстракции (меньше деталей, макроуровень, стратегический уровень) Средний уровень абстракции (средняя детал ьность, мезоуровень, тактический уровень) Низкий уровень абстракции (больше деталей, микроуровень, оперативный уровень) Рис. 3.15. Методы имитационного моделирования Каждый метод располагает свое значение в некотором диапазоне уровней абстракции. Системная динамика находится в высоком уровне абстракции, имеет меньше деталей и основывается на анализе конкретных переменных, в основном используется для стратеп~ческого моделирования.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
