Wydział Budownictwa i Inżynierii Środowiska

1. KATEDRA GEODEZJI im. Kaspra WEIGLA METODYKA WYKORZYSTANIA SIECI NEURONOWYCH DO OCENY DEFORMACJI Wydział Budownictwai Inżynierii Środowiska POWIERZCHNI NA TERENACH GÓRNICZYCH Autor: Izabela Skrzypczak Dawid Zientek

2. Sieci neuronowe są rozproszonymi układami przetwarzania informacji. Cechą wyróżniającą jest specyficzne odtwarzanie zależności pomiędzy informacją wejściowa, a informacją wyjściową. Sztuczne Sieci Neuronowe (SSN) wykorzystywane są przede wszystkim jako narzędzie przydatne przy kojarzeniu ze sobą wielu parametrów oraz identyfikowaniu predykcji na tej podstawie innych cech.

3. W teorii uczenia się sieci rozróżnia się dwa tryby: uczenie się pod nadzorem uczenie się bez nadzoru Najbardziej znanym przykładem sieci pracującej pod nadzorem jest sieć ze wsteczną propagacją błędu: BP (Backpropagation)

4. Rozmieszczenie linii obserwacyjnych w Bieruniu Starym

5. Parametry określone dla poszczególnych punktów ciągu IV kwartał 2004 1. Przemieszczenia pionowe 2. Przemieszczenia poziome 3. Głębokość zalegania pokładu 4. Miąższość pokładu 5. Odległość od filara ochronnego 6. Odległość od ściany • II kwartał 2004 • III kwartał 2004

6. Zastosowano program oparty na koncepcji wstecznej propagacji błędu, zrealizowanym w środowisku MatLab. Użytkownik może wpływać w pewnej mierze na architekturę sieci, deklarując liczbę neuronów ukrytych. W bibliotece procedur MatLaba dostępnych w Neural Network Toolbox, udostępniony jest algorytm Levenberga-Marquardta, poszukiwania minimum funkcji błędu średniokwadratowego.

7. Struktura sieci neuronowej do oceny przemieszczeń pionowych

8. Przyjęto do uczenia sieci: 80% danych całego zbioru - 20% danych do testowania

9. Schemat metodyki identyfikacji przemieszczeń pionowych

10. Zależności między danymi parametrami a przemieszczeniem pionowym identyfikowanym przez sieć neuronową dla zbioru uczącego i testującego

11. Zależności między danymi parametrami a przemieszczeniem pionowym identyfikowanym przez sieć neuronową dla zbioru uczącego i testującego

12. Wykresy błędów MSE uczenia i testowania sieci w funkcji liczby epok

13. Uzyskane wyniki potwierdzają że przyjęta sieć poprawnie odwzorowuje dane uczące i poprawnie identyfikuje dane testujące. rozmieszczenie punktów uzyskane wartości współczynnika korelacji malejący błąd MSE wraz ze wzrostem liczby epok

14. Stosując sieci typu BP zauważono łatwe przystosowanie do aproksymacji wielu zmiennych. Wadą ich jest jednak słaba zbieżność procesu uczenia się. Zwykle wystarczającą dokładność predykcji uzyskiwano dopiero po przepuszczeniu przez sieć zbioru treningowego około tysiąca razy.

15. DZIĘKUJĘ ZA UWAGĘ