Секция 4 - Нейросетевые технологии (1250001), страница 12
Текст из файла (страница 12)
На рубеже 90-хгодов для наглядной визуализации результатов работы карт Кохонена былпредложен метод U-матрицы — унифицированной матрицы расстояний[17]. Для этого в U-матрице между соседними ячейками топологическойкарты «вставляются» ячейки-анализаторы. Рассчитывая расстояния междусоседними ячейками карты Кохонена на основе использовании той же самой метрики, новые величины можно занести в добавленные ячейкианализаторы.
Большие значения будут говорить о том, что веса данногонейрона сильно отличаются от окружающих. Таким образом, полосы из1295Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»ячеек с большими значениями будут соответствовать границам между кластерами, а области ячеек с низкими значениями — самим кластерам.В работе последовательная кластеризация методом SOM и Ксредних была выполнена на основе SOM Toolbox 2.0 [4] в среде MATLABверсии 5.21. За центры классов брались результаты SOM-метода. Проводяклассифицирование методом К- средних с различным заданным числомцентров, по критерию (DB) Девиса — Боулдина [17] можно S (Q ) + S c (Ql ) 1 cDB = ∑ max c kc l ≠kd (Qkl )выбрать наилучший вариант, в котором значение этого критерия будет минимизировано.
Здесь с — число классов, d — расстояние между классами kи l; Sc — внутриклассовое расстояние (стандарт).В качестве примера приложения такого подхода была рассмотренакластеризация основных типов горных пород на свободной от современных рыхлых отложений территории Казахстана. Для 1017 векторов данныхпостроенная SOM-карта и график изменения критерия DB при кластеризации методом К-средних показаны на рис. 4. Как видим, оптимум кластеризации достигается при выделении 17−19 классов. Нами принято разбиениена 18 классов.Рис.
4. Справа — SOM–карта, полученная методом анализа нейросети Кохоненапо вектору пород из 29 компонент. Слева — график критерия DB в зависимости от числа кластеров.На рис. 5 показана схема районирования территории Казахстана, построенная на основе выполненной кластеризации. Цифры (с шагом 2, т. е.от 2 до 36) на этой карте определяют номера классов.1296Секция 4.
Нейро-сетевые технологииВ целом районы соответствуют общему структурному плану геологического строения территории Казахстана. Довольно четко выделяютсярайоны развития карбонатов (Каратау), кислых вулканитов (ЦентральноКазахстанский пояс), кислых вулкано-плутогенных образований (Прибалхашье и Шу-Илийский пояс) и т. д.Следует отметить, что приведенная схема — это только первый шаг.Для реального районирования, особенно если его конечной задачей является прогноз полезных ископаемых, необходимы введение целевых установок районирования, выбор характеристик, наиболее сильно связанных соруденением прогнозируемого типа (или типов), проверка устойчивостикластеров «шевелением» характеристик, введение или удаление пространственных координат.
В частности, на схеме районирования территории Казахстана на рис. 5 определенные сомнения вызывает район 2 (восточнаячасть Казахстана), в котором объединились достаточно различные структуры (Рудный Алтай, Калба-Нарымский район). Районирование без учетапространственных координат х, у, которые «стягивают» этот кластер, показало, что он распался на структуры, более соответствующие геологическому строению. Карта с новым результатом анализа для этого района приведена на рис. 6.1297Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»В заключение еще раз подчеркнем, что именно количественное описание и анализ геологических (в частности, рудообразующих) систем каксистем многомерных, нелинейных и обладающих определенной способностью к самоорганизации, непрерывное совершенствование адекватныхтехнологий прогноза поведения этих систем могут принципиально повысить уровень качества прогноза полезных ископаемых, обеспечив необходимую надежность оценки недр.Литература1.
Лось В. Л. Теоретические, методические и технологические основыпрогноза рудных объектов // Минерагения Казахстана. Комитет геологии Министерства энергетики и природных ресурсов Республики Казахстан.— 2004.— С.1–15.2. Introduction to Data Mining and Knowledge Discovery, 3-rd edition.— TwoCrows Corp., 1999. (www.twocrows.com).3. Shearer C.
The CRISP-DM Model: The New Blueprint for Data mining //Journal of Data Warehousing.— V.5.— 2000.— N.4.— P.13–23.4. http://www.cis.hut.fi/projects/somtoolbox.5. Vensanto J., Himberg J., Alhoniemi E., Parhankangas J. SOM Toolbox forMatlab 5.— SOM Toolbox Team, Helsinki University of Technology,2000.— P.1–60.1298Секция 4.
Нейро-сетевые технологии6. Levandowsky M., Winter D. Distance between Sets // Nature.— V.234.—1971.— P.34–35.7. Лось В. Л., Гольдберг И. С. Рудообразование как самоорганизованныйпроцесс перераспределения металлов // Геология и минерагения Казахстана. Алматы.— 2000.— С.116–129.8.
Everitt. B. S. Cluster analysis, Wiley.— New York, 1993.9. Kaufman L., Rousseeuw P. Finding Groups in Data: An Introduction toCluster Analysis.— Wiley: New York, 1990.10. Su M. S., Claris N. De, Liu T. K. Application of neural networks in clusteranalysis // Proc. of the 1997 IEEE Intern. Conf.
on Systems, Man and Cybernetics.— 1997.— Р.1–6.11. Kothari R., Pitts D. On finding the number of cluster // Pattern RecognitionLetters.— V.20.— 1999.— P.405–416.12. Hardy A. On the number of clusters // Computational statistics and DataAnalysis.— N.23.— 1996.— Р.83–96.13.
Kohonen T. Self-Organizing Maps. Vol. 30 of Springer Series in InformationSciences.— Springer, 3-rd edition, 1995.14. Vensanto J., Alhoniemi E. Clustering of the Self-Organizing Maps // IEEETransactions on Neural Networks.— 11(2) .— March 2000.— P.586–600.15. Han J., Kamber M., Kaufman M. Data mining, 2001 //(www.cs.sfu.ca/~han/dmbook).16. www.ucl.ac.uk/MicroCore/HTMLresource/UnsupervisedClustering.htm17.
Ultisch A., Siemon P. Kohonen’s Self Organizing Feature Maps for Exploratory Data Analysis // Proc. Intern. Neural Network Conf. (INNC’90) .—Dordrecht. Netherlands,1990. Kluwer.— P.305–308.18. Davies D. L., Bouldin D. W. A cluster separation measure // IEEE Trans.Pattern Anal. Machine Intell. V.
POMI.— 1. Apr. 1979.— Р.224–227.1299Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»УДК 519.711, 621.878:629.11ИДЕНТИФИКАЦИЯ СТРОИТЕЛЬНЫХ МАШИНКАК НЕЛИНЕЙНЫХ ДИНАМИЧЕСКИХ СИСТЕМНА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙМещеряков В. А.Сибирская государственная автомобильно-дорожная академия (СибАДИ), Омск,e-mail:vit_mes@sibadi.omsk.ruПовышенный интерес к искусственным нейронным сетям со стороны разработчиков систем автоматического управления прежде всего обусловлен способностью нейросетей к адаптации и самообучению, а такжевозможностью моделирования существенных нелинейностей в структуресложных динамических объектов управления [1]. При математическом моделировании сложных технических объектов система инженерных и научных расчетов MATLAB с пакетами расширения является наилучшей базойдля программной реализации нейросетевых моделей.Автоматизация строительных машин требует создания ихматематических моделей, учитывающих динамику рабочих процессов вусловиях неполной информации об объекте управления.
Нелинейныезависимости между показателями рабочих процессов затрудняют выборструктуры модели и определение ее параметров. Для таких сложныхдинамическихсистемцелесообразноприменениенейросетевыхтехнологий и представление модели в виде динамической нейронной сети.В этом случае идентификация машины заключается в разработкенейросетевой модели на основе входных и выходных экспериментальныхданных.В работе приведена методика построения математической моделилабораторной установки, предназначенной для исследования процесса копания грунта землеройной машиной (рис. 1). Нейросетевая модель описывает зависимость силы сопротивления перемещению тележки F (t ) от скорости перемещения тележки v(t ) и глубины копания h(t ) . Вектор входныхвоздействий u (t ) = {v(t ); h(t )} подается на входы исследуемой системы и еенейросетевой динамической модели (рис.
2). Разница между выходом реального объекта y * (t ) = F (t ) (т. е. экспериментально измеренным значением силы) и выходом модели y (t ) — ошибка e(t ) — используется для настройки параметров математической модели (обучения нейронной сети).1300Секция 4. Нейро-сетевые технологии21YY00X3X65948107`Рис. 1. Экспериментальная установка лаборатории СибАДИ «Грунтовый канал»:1, 2 — ЭВМ с платами АЦП для обработки сигналов тензодатчика и датчика скорости;3 — усилитель; 4 — датчик скорости; 5 — тензометрическая тележка на рельсовом ходу; 6 — гидроцилиндры; 7 — прямой нож; 8 — тензозвено; 9 — лебедка канатногопривода тележки; 10 — электродвигатель.u(t)Нелинейнаядинамическая системаНейросетевая модельy*(t)y(t)+e(t)Рис.
2. Идентификация нелинейной динамической системы.Первый этап создания модели предполагает формирование массивовисходных данных. Разработанный программно-аппаратный комплекс сбора экспериментальных данных включает в себя 2 ЭВМ с платами аналогово-цифровых преобразователей (АЦП) L-Card L-305. Тензозвено предназначено для измерения силы сопротивления копанию грунта. Датчик скорости представляет собой «пятое колесо» с герконом и вращающимисямагнитами и предназначен для измерения перемещения и скорости тележ1301Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»ки. Программное обеспечение комплекса разработано в среде BorlandDelphi, также использована программа PowerGraph 2.0.
Высотные координаты профиля поверхности грунта до и после каждого прохода тележкиизмерены вручную. Измеренные сигналы с тензозвена и датчика скоростиэкспортированы для дальнейшей обработки в MATLAB (рис. 3–5). По передним фронтам импульсов с датчика скорости численным дифференцированием в MATLAB рассчитана скорость тележки (рис. 4). Координатыпрофиля преобразованы в величину глубины копания (рис. 5).
С помощьюодномерной табличной интерполяции в MATLAB получена зависимостьглубины копания от времени (рис. 6). Для исследования выбран интервалвремени 15–65 с, на котором наблюдается установившийся процесс.x3.510 4Второй проход32.5F, Н21.5Первый проход10.5Транспортный проход00102030405060708090t, сРис. 3. Зависимость силы сопротивления от времени.0.250.2v, м/с0.150.1Транспортныйпроход0.05001020ПервыйпроходВторой проход30405060708090t, сРис. 4. Зависимость скорости тележки от времени.1302Секция 4.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
