1 / 31

Model I/O bazujący na HSWN Problem uczenia sieci HSWN

Model I/O bazujący na HSWN Problem uczenia sieci HSWN. Grzegorz Ewald. Plan prezentacji. HSWN, Uczenie HSWN Sieć HSWN Uczenie sieci Algorytm genetyczny HDEA Aplikacja Oczyszczalnia ścieków Rozmiar problemu Struktura modelu Dane do uczenia Wyniki uczenia Czas uczenia Podsumowanie.

oprah-patterson
Download Presentation

Model I/O bazujący na HSWN Problem uczenia sieci HSWN

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Model I/O bazujący na HSWNProblem uczenia sieci HSWN Grzegorz Ewald

  2. Plan prezentacji • HSWN, Uczenie HSWN • Sieć HSWN • Uczenie sieci • Algorytm genetyczny • HDEA • Aplikacja • Oczyszczalnia ścieków • Rozmiar problemu • Struktura modelu • Dane do uczenia • Wyniki uczenia • Czas uczenia • Podsumowanie

  3. HSWNUczenie HSWN

  4. Sieć HSWN • Sieć neuronowa • Sieć ze stanem (rekurencyjne zapętlenie wyjść) • Stan wewnętrzny • Falkowe funkcje aktywacji • Pozwala na modelowanie: • Złożonych systemów dynamicznych • Systemów nieliniowych • Systemów niestacjonarnych • Systemów o wielu skalach czasu

  5. Struktura sieci HWN

  6. HSWN – opis matematyczny

  7. Funkcja aktywacji • Morlet • Haar • Mexican Hat • Statson Hat

  8. Uczenie sieci W procesie uczenia sieci można wyróżnić dwa etapy • Rozładowanie warunków początkowych • Uczenie sieci

  9. Uczenie sieci • Algorytm genetyczny • Algorytm symuluje działanie prawa doboru naturalnego • Standardowe operatory • Selekcja • Kryzowanie • Mutacja • Dodatkowe operatory • Elityzm • Zapobieganie kazirodztwu

  10. Uczenie sieci – GRID • Forma przetwarzania rozproszonego • Struktura bazuje na wielu jednostkach obliczeniowych (komputerach) • Wykorzystuje standardowe komputery PC oraz standardową sieć komputerową • Lokalne zarządzenia zasobami • Występuje węzeł nadrzędny (zarządzający) oraz węzły podrzędne (obliczeniowe) • Wymagają algorytmów gruboziarnistych

  11. Uczenie sieci – GRID • Węzeł nadrzędy zarządza procesem przetwarzania danych • Węzły podrzędne przetwarzają dane • Węzły podrzędne mogą wykorzystywać różne algorytmy • Węzeł nadrzędny może także przetwarzać dane jak jednostka podrzędna

  12. HDEA • Algorytm hybrydowy • Łączy algorytmy genetyczne (GA) oraz algorytmy ewolucyjne (algorytm SEA) • Posiada dobre właściwości eksploracyjne i eksploatacyjne • Algorytm rozproszony • Wyspowy model przetwarzania danych

  13. Skuteczność algorytmuPrzykład

  14. Skuteczność algorytmuPrzykład

  15. Skuteczność algorytmuPrzykład

  16. Skuteczność algorytmuPrzykład

  17. Skuteczność algorytmuPrzykład

  18. Rozszerzona inicjalizacja • W przypadku algorytmów genetycznych początkowa populacja wpływa na jakość wyników • Algorytm inicjalizacji powinien być wydajny obliczeniowo

  19. Aplikacja

  20. Hierarchiczna struktura sterowania inteligentnego

  21. Oczyszczalnia ścieków Kartuzy

  22. Reaktor aktywnego osadu • Recyrkulacja wewnętrzna • Recyrkulacja zewnętrzna

  23. Struktura oczyszczalni Kartuzy • Dwie wewnętrzne recyrkulacje • Jedna recyrkulacja zewnętrzna

  24. Model do celów sterowania • Wymagany jest relatywnie krótki czas obliczeń, co dyskwalifikuje modele fizykalne • Modele I/O • Modele I/O nie korzystają z równań opisujących modelowany obiekt, dlatego darzy się je ograniczonym zaufaniem • Wymagają okresowej adaptacji w celu ograniczenia błędu modelowania

  25. Struktura modelu bazującego na HSWN

  26. Dane do uczenia sieci • Trudny dostęp do wymaganej ilości danych • Problem ze zdobyciem danych dla różnych scenariuszy zakłóceń • Do wygenerowania danych użyto profesjonalnego symulatora SIMBA, bazującego na modelu ASM

  27. Rozmiar problemu • Parametry HSWN: • Liczba wavelonów • Rozmiar wektora stanów • Wartości wag • Parametry falkowe • Eksperymentalnie określono • Liczba wavelonów = 28 • Rozmiar stanu wewnętrznego = 14 • W efekcie model posiada 1978 parametrów

  28. Wyniki uczenia i walidacji

  29. Porównanie czasów uczenia sieci

  30. Podsumowanie • Wykorzystanie znanych algorytmów daje satysfakcjonujące wyniki, ale czas obliczeń jest za długi • Dopiero wykorzystanie hybryd algorytmów oraz rozproszonych platform obliczeniowych pozwala na uzyskanie akceptowalnego czasu obliczeń • Wykorzystanie HDEA z rozszerzoną inicjalizacją skraca czas obliczeń na tyle, że HSWN może z powodzeniem zostać wykorzystana do modelowania oczyszczalni ścieków

  31. Dziękuję za uwagę

More Related