Download
1 / 28
280 likes | 500 Views
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:.
E N D
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: 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 • Критерий регулярности: аi– выход нейронной сети для входа pi; ti– целевой выход для входа pi. • Максимальная относительная погрешность • аппроксимации:
Примеры функций активации(ФА): Сигмоидальная, логистическая Радиально-базисная Полулинейная Линейная Сигмоидальная (гиперболическая) Полулинейная с насыщением Линейная с насыщением Треугольная
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:
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 сетей • Все 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%).
Оценка качества прогнозирования стохастического процесса нейронными сетями различного типа и конфигурации
Выводы: • 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 дляпрогнозирования уровня радиационного фона и различных стохастических процессовс помощью нейронных сетей требует более подробных исследований.
