Upload
darva
View
75
Download
0
Embed Size (px)
DESCRIPTION
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ моНиторинга радиационного загрязнения украины. Институт энергосбережения и энергоменеджмента Кафедра автоматизации управления электротехническими комплексами. Автор: ст. Марченко А.А. Руководитель: доц. Тышевич Б.Л. Постановка задачи:. - PowerPoint PPT Presentation
Citation preview
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОНИТОРИНГА РАДИАЦИОННОГО ЗАГРЯЗНЕНИЯ УКРАИНЫ
Автор: ст. Марченко А.А.
Руководитель: доц. Тышевич Б.Л.
Институт энергосбережения и энергоменеджмента
Кафедра автоматизации управления
электротехническими комплексами
Постановка задачи:Исследование структуры, параметров,
функций активации алгоритмов обучения нейронной сети эмулятора (НМЭ) для адаптации графиков изменения уровня радиационного фона, и нейронной сети для прогнозирования (НСП) изменения уровня радиационного фона. Наиболее точная НМЭ и НСП будут базовыми при создании системы прогнозирования изменения радиационного фона. Рассматривались многослойные сети, построенные с помощью пакета прикладных программ MATLAB.
Карта размещения автоматизированных постов контроля Чернобыльской зоны отчуждения
Автоматизированный пост контроля (АКП)
Месячные графики изменения уровня радиацииполученные с помощью АКП
Понятие о нейроподобном элементе и процессе его
обучения :Модель нейрона Модель процесса
обучения ИНС
Широкий спектр применения НС объединяют общие характеристики
и свойства объектов: сложность или невозможность математического описания; наличие стохастических составляющих в процессах; большое количество нескоррелированных параметров; выраженная нелинейность, нестационарность в характеристиках; наличие параметрических и внешних возмущений и т.д.
Общие и конкретные преимущества и свойства НС по сравнению с
другими классическими подходами: способность решать неформализованные задачи; параллелизм обработки информации; единый и эффективный принцип обучения;возможность прогнозирования во времени для процессов, которые зависят от многих переменных.
Наиболее актуальные задачи в идентификации и прогнозировании радиационной ситуации, которые
можно решить с помощью НС:Идентификация графика изменения уровня с помощью нейронной модели-эмулятора НМЭ;прогнозирование уровня с помощью нейронной сети для прогноза НСП - краткосрочное, среднесрочное и долгосрочное;прогнозирование тенденции в изменении уровня (нарастание или спад);прогнозирование влияние погодных условий на уровень радиации (в перспективе).
Критерии используемые для оценки наилучшего результата для НМЭ и НСП
min)(
1
2
1
2
рег
N
ii
N
iii
t
ta
%)100max(i
ii
t
ta
•Критерий регулярности:
•Максимальная относительная погрешность аппроксимации:
аi – выход нейронной сети для входа pi;ti – целевой выход для входа pi.
Примеры функций активации(ФА):
Сигмоидальная, логистическая Полулинейная Линейная Радиально-
базисная
Полулинейная с насыщением
Линейная с насыщением
ТреугольнаяСигмоидальная
(гиперболическая)
ДВУХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НЕЙРОННАЯ СЕТЬ С РАЗЛИЧНЫМИ ФУНКЦИЯМИ АКТИВАЦИИ
Х1,Х2 – компонент входного вектора;
Wij – вес синапса;
S1,S2 – результат суммирования;
Y – выходной сигнал нейрона;
Двухслойная сеть прямого распространения
Наилучший график полученный для двухслойной НС (ФА=tansing,poslin) :
- критерий регулярности рег = 0,00036974 = 369,74e-6;- максимальная относительная погрешность = 8,3417%.
ТРЕХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НЕЙРОННАЯ СЕТЬ
С РАЗНЫМИ ФУНКЦИЯМИ АКТИВАЦИИ
Наилучший график полученный для трёхслойной НС(ФА=tansing,poslin,purelin):
- критерий регулярности рег = 0,00025156 = 251,56e-6;- максимальная относительная погрешность = 4,9629%
ЧЕТЫРЁХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НС. СТРУКТУРНАЯ МОДЕЛЬ MATLAB:
Наилучший график полученный для четырёхслойной НС
(ФА=tribas,tansing,poslin,purelin):
- критерий регулярности рег = 9,5331e-5=95,331е-6;- максимальная относительная погрешность = 3,9543%.
Влияние типов функций активации и количества слоев на качество работы НМЭ:
Первый слой Второй слой Третий слой Четвёртый слойКритери
и качества
рег /
Количество
нейронов
Функция
активации
Количество
нейронов
Функция
активации
Количество
нейронов
Функция
активации
Количество
нейронов
Функция
активации
10 tansig 1 poslin369,74e-68,3417%
10 tansig 5 poslin 1 purelin251,56е-6
4,929%
10 logsig 5 poslin 1 purelin458,22е-6
7,238%
10 radbas 5 poslin 1 purelin332,64е-66,0433%
10 tribas 5 poslin 1 purelin247,54е-65,0497%
20 tansig 10 tribas 5 poslin 1 purelin208,31е-65,5734%
20 tribas 10 tansig 5 poslin 1 purelin95,331е-63,9543%
20 radbas 10 tansig 5 poslin 1 purelin104,34е-6
4,0568%
Выводы: В процессе проведения тренировки по разным алгоритмам было выявлено, что наиболее быстро нейросеть тренировалась по методу Левенберга-Марквардта (trainlm). Как следует из сравнительной таблицы по всем проведенным опытам, с увеличением слоев, идентификация той нейросети лучше, в которой первый слой имеет ФА tribas. Чем проще ФА следующего слоя по сравнению с ФА предыдущего слоя, тем качественнее идентификация исследуемого процесса. Исследования нейронных сетей как идентификаторов сложных процессов позволило определить необходимую достаточность по допустимому качеству идентификации для прогнозирования уровня радиационного фона.
В качестве НМЭ была принята (при достаточном уровне точности) классическая трехслойная сеть с 16 нейронами и = 4,9629%Четырехслойная нейронная сеть с 36 нейронами, при более высокой точности требует значительно большего времени обучения для значительного объема входных данных.
Возможность прогнозирования стохастических процессов
с помощью нейронных сетейВсе прогнозы отличаются как по точности, так и по сроку прогнозирования. Можно выделить 3 вида прогноза: - краткосрочный (до 5-10% от размера обучающей выборки);- среднесрочный (от 5-10% до 30-40%);- долгосрочный (от 30-40% до 100%).
Вид прогнозирования
Название нейронной сети
Конфигурация нейронной сети
Алгоритм обучения
сети
Критерий регулярности р, *10-6
Максимальная относительная погрешность
, %
Долгосрочное Каскадная20tansig+10tribas+5poslin+
1purelintrainlm 606,22 5,5524
ДолгосрочноеКаскадная
20tansig+10tribas+5poslin+
1purelintrainbfg 5746,9 13,028
Долгосрочное Рекуррентная
Элмана
20tribas+10tansig+5poslin+
1purelintrainbfg 471,2 4,3464
Среднесрочное Каскадная20radbas+10tansig+poslin+
1purelintrainlm 1787,8 8,3801
Среднесрочное Каскадная20radbas+10tansig+poslin+
1purelintrainbfg 239,17 3,3347
Краткосрочное Классическая20tribas+10tansig+5poslin+
1purelintrainlm 73,707 1,3948
Краткосрочное Сеть с РБФ 400radbas+1purelin - 0,85095 0,12987
Оценка качества прогнозирования стохастического процесса нейронными сетями различного типа и
конфигурации
Наилучшие результаты долгосрочного прогнозирования получены при использовании каскадных сетей и рекуррентной сети Элмана (для нее р = 471,2 е-6, = 3,3464%). Для среднесрочного прогнозирования лучше подошли каскадные нейросети (р =239,17 е-6, = 3,3347%). Для краткосрочного прогнозирования лучше подошли «классическая» (р = 73,707 е-6, = 1,3948%) и сеть с РБФ ( р = 0,85095, = 0,12987%).Исследования нейронных сетей для прогнозирования уровня радиационного фона и различных стохастических процессов с помощью нейронных сетей требует более подробных исследований.
Выводы:
Функциональный состав системы