WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     || 2 | 3 | 4 | 5 |   ...   | 13 |
Федеральное агентство по образованию РФ ГОУ ВПО “Уральский Государственный Технический Университет - УПИ” ПРАКТИЧЕСКИЙ НЕЙРОКОМПЬЮТИНГ Учебное пособие Научный редактор - проф., д-р. техн. наук В.И. Кузякин Екатеринбург 2005 УДК 004. 383. 8. 032. 26 ББК 32. 818 Г 63 Рецензенты:

Кафедра информационные системы в экономике УрГЭУ; г. Екатеринбург (Зав. кафедрой, проф., д-р физ.-мат. наук А.Ф. Шорников); действительный член РАЕН, проф., д-р техн. наук Р.П. Чапцов ( Южно - уральский техни- ческий университет, г. Челябинск).

Авторы: С.Л. Гольдштейн, В.Б. Щербатский, О.В. Гущина ПРАКТИЧЕСКИЙ НЕЙРОКОМПЬЮТИНГ: учеб. пособие / С.Л. Гольдштейн, В.Б. Щербатский, О.В. Гущина. Екатеринбург: ГОУ ВПО УГТУ - УПИ, 2005. 122 с.

ISBN 5-321-00566-4 Данное учебное пособие рекомендуется студентам технических вузов, прикладным программистам, руководителям информационных отделов предприятий и фирм для практического изучения и реализации методов и алгоритмов программирования нейронных сетей на современных персональных компьютерах. Пособие содержит описание основных проблем нейросетевых систем, примеры 7 постановок технологических задач, состав математического обеспечения, разработки алгоритмов решения и анализа результатов. В пособие также включены фрагменты реальных программ.

Библиогр.: 28 назв. Табл.13. Рис.56.

УДК 004. 383. 8. 032. 26 ББК 32. 818 © ГОУ ВПО “Уральский государственный ISBN 5-321-00566-4 технический университет - УПИ“, 2005 © С.Л. Гольдштейн, В.Б. Щербатский, О.В. Гущина О Г Л А В Л Е Н И Е В в е д е н и е………………………………………………………………….6 1. Методы обработки входных данных и интерпретации результатов в нейронных сетях ………………………………………………………8 1.1. Главная проблема задач распознавания и классификации.

Обсуждение………………………………………………………….8 1.2. Методы моделирования нейропроцессов при распознавании и классификации…………………………………………………….9 1.3. Модель составного нейрона в компьютерных программах - эмуляторах………………………………………….1.4. Методика определения характеристик ассоциаторов как функций принадлежности……………………………………..1.5. Применение экспертных оценок в качестве входной информации для нейронной сети………………………………….1.6. Подготовка и выбор эталонов для обучения нейросети………...1.7. Факторный анализ и получение новых знаний с помощью нейросетей…………………………………………………………1.8. Определение степени компетентности нейросети ……………...1.9. Контрольные вопросы и задания…………………………………. 2. Практический нейрокомпьютинг ………………………………………... 2.1. Применение нейросетей в программном комплексе специалиста – технолога…………………………………………….. 2.2. Диагностика дефектов производства облицовочной плитки с помощью компьютерной нейросети………………………………. 2.2.1. Постановка задачи…………………………………………….….. 2.2.2. Математическая формулировка задачи диагностики………….. 2.2.3. Алгоритм решения задачи диагностики………………………... 2.2.4. Синтез нейросети для решения задачи диагностики………….. 2.2.5. Процесс диагностики нейросетевым методом…………………. 2.3. Диагностика распределения материалов и газов в доменной печи……………………………………………………… 2.3.1. Физическая постановка и математическая формулировка задачи диагностики доменного процесса…………………….…. 2.3.2. Определение параметров нейронной модели………………….... 2.3.3. Применение разработанной нейромодели доменной печи………………………………………………………………… 2.4. Нейроробот ’’Партнёр мастера’’ для управления комбинированным дутьём доменных печей………………………… 2.4.1. Особенности нейроробота ’’Партнёр мастера’’………………… 2.4.2. Основные принципы управления с помощью нейроробота……………………………………………………….. 2.4.3. Обучение нейроробота ’’Партнёр мастера’’……………………. 2.4.4. Адаптация нейроробота ’’Партнёр мастера’’…………………… 2.4.5. Результаты применения нейроробота на доменных печах………………………………………………... 2.4.6. Состав и реализация программного обеспечения нейроробота………………………………………… 2.5. Нейроуправление пусковыми режимами технологических объектов большой единичной мощности……………………………. 2.5.1. Нейронная модель для пуска технологического оборудования……………………………………………………...2.5.2. Характеристика i-модели (нейрона)……………………………..2.5.3. Расчёт связей между нейронами…………………………………2.5.4. Задание исходного состояния сети……………………………… 2.5.5. Расчет оптимального переходного процесса …………………..2.6. Моделирование систем автоматического регулирования (САР) и автоматизированных систем управления (АСУ ТП) с помощью нейросетей………………………………….2.6.1. Обучение сети……………………………………………………... 2.6.2. Применение сети………………………………………………….. 2.6.3. Рекомендации пользователю для работы с файлами NNDT………………………………………………………………. 2.6.4. Пример реализации расчета переходного процесса нейромодели апериодического звена (1-го порядка)…………... 2.6.5. Параметры нейромоделей типовых звеньев…………………….. 2.7. Применение нейросетей на фондовом рынке ………………………...

2.7.1. Особенности функционирования и отличия нейроробота “Уникомпартнёр”…………………………………………………. 2.7.2. Подготовка входной информации для нейроробота “Уникомпартнёр”………………………………………………… 2.7.3. Компьютерная формализация “новостного фона”……………. 2.7.4. Обучение нейроробота “Уникомпартнёр” и нейродиагностика рынка ценных бумаг…………………….. 2.7.5. Алгоритм функционирования нейроробота “Уникомпартнёр”………………………………………………... 2.7.6. Факторный анализ рыночной позиции трейдера с помощью нейроробота…………………………………………………….. 2.7.7. Работа нейроробота во время дневной торговой сессии……………………………………………………………. 2.8. Определение оптимальной цены продукции с помощью нейромаркетингового иссследования.…………………………….... 2.8.1. Предлагаемый метод определения оптимальной цены на облицовочную плитку…………………………………. 2.8.2. Реализация предлагаемого метода определения оптимальной цены ……………………………………………… 2.8.3. Методика оценки влияния разницы в себестоимости на оптимальную рыночную цену………………………………..2.8.4. Анализ оптимальной цены с учётом художественной ценности, дизайна коллекций и разницы себестоимости……………………………………………………. 2.9. Контрольные вопросы и задания……………………………………. З а к л ю ч е н и е ……………………………………………………………. Библиографический список ………………………………………………… В в е д е н и е В настоящее время наблюдается повышенный интерес к нейронным сетям, которые успешно применяются в различных областях профессиональной деятельности для решения задач прогнозирования, классификации и управления. Богатые возможности, простота в использовании нейросетей отражаются в многочисленных теоретических исследованиях по этой теме [1,2]. В них отмечается, что вначале основной областью исследований по искусственному интеллекту были экспертные системы [3]. Скоро стало ясно, что подобные системы, хотя и приносят пользу, не охватывают ключевые аспекты работы человеческого мозга. Причина этого состоит в том, что они не в состоянии адекватно воспроизвести структуру мозга. Чтобы в будущем создать искусственный интеллект, необходимо строить вычислительные системы с похожей архитектурой.

Практическая реализация нейросетей на нейрокомпьютерах или обычных компьютерах с помощью программ-эмуляторов основана на сравнительно простых моделях нейронов. Не учитываются нелинейность суммации, время задержки сигналов, эффекты синхронизации, частотная модуляция, рефрактерность. Имеются проблемы и неясности в методах обработки сигналов нейросетевыми технологиями, связанные с интуитивным выбором переменных и отбором данных, представлением экспертной информации, интерпретацией результатов и оценкой точности работы нейросети. В итоге практические результаты, по сравнению с теоретическими исследованиями, выглядят не столь впечатляющими. Повторить опубликованные примеры работы нейросетей часто в состоянии только их авторы.

Материалы настоящего пособия посвящены решению именно практических задач в технологических процессах различных областей с целью демонстрации эффективности, преимуществ нейросетей и распространения положительного опыта их применения.

Для достижения этой цели вначале рассмотрены основные методы обработки входных данных и интерпретации результатов расчета в нейросетях. Эти методы разработаны как на основе совершенствования известных способов, так и в результате собственных исследований нейросетевых технологий, ведущихся на кафедре вычислительной техники УГТУ-УПИ. Далее приведены конкретные примеры реализации нейросетей в промышленности и на рынке. В примерах присутствуют описания необходимых подробностей преобразования информации, играющие решающую роль для успешного обучения и работы нейросети.

Обширный экспериментальный материал для нейрокомпьютинга был получен при содействии широкого круга предприятий и организаций. В связи с этим авторы выражают свою благодарность и признательность за оказанную помощь следующим сотрудникам: проф., д-р техн. наук Ю.В.

Федулову, канд. техн. наук М.Ф. Сафронову, В.А. Краснобаеву, С.П. Рогожникову (ОАО “ММК”); А.Ю. Чернавину, Д.Н. Волкову, В.В. Филлипову, И.В. Суковатину (ОАО “НТМК”, ОАО “Серовский металлургический завод”); д-р техн. наук Б.А. Боковикову (НПВП “ТОРЭКС”); д-р техн. наук А.Н. Дмитриеву (Институт металлургии УО РАН); А. Бобкову, Д. Казину (компания “Аккорд-Инвест”, инвестиционная финансовая компания “Уником Партнер”); А.Г. Закалиной (информационные системы управления растущим бизнесом “НАУМЕН”); А.В. Хмелеву (Екатеринбургский завод керамических изделий); А.В. Караулову (ЗАО “Галактика-Урал”); Заслуженному деятелю науки и техники РФ, действительному члену АИН РФ, проф., д-р техн.

наук В.Г. Лисиенко, член-корр., АИН РФ, проф., д-р техн. наук Ю.Н.

Овчинникову, проф., д-р техн.

наук И.Д. Кащееву, доц., канд. техн. наук Н.А.

Михайловой, доц., канд. техн. наук Б.А. Фетисову (ГОУ ВПО “УГТУ-УПИ”); канд. техн. наук В.М. Кормышеву (РЦ НИТ ГОУ ВПО “УГТУ-УПИ”).

Авторы также благодарят всех аспирантов и студентов ГОУ ВПО “УГТУ-УПИ”, принявших участие в программной реализации, проведении расчетов и оформлении результатов нейрокомпьютинга в процессе изучения курсов “Параллельные системы и нейрокомпьютинг”, “Методы технической диагностики”, “Информатика” и других дисциплин.

1. Методы обработки входных данных и интерпретации результатов в нейронных сетях 1.1. Главная проблема задач распознавания и классификации. Обсуждение Широкий спектр информационных технологических задач относится к задачам распознавания образов, общей ключевой проблемой которых является выделение полезного сигнала на фоне шума. Информационный шум на производстве возникает вследствие колебаний параметров сырья, флуктуаций в самом технологическом объекте, из-за изменения внешних условий и недостаточной компетентности обслуживающего персонала.

Так как нейронные сети более всего похожи на математические модели процессов типа “черного ящика” (но не являются их аналогами!), то их применение прежде всего связано с известными статистическими методами обработки выбросов, определения частоты и числа наблюдений, критериями их классификации. В последних все сводится к вычислению границ распознавания “свой-чужой”, “годен-не годен” и т.п. Если мощность полезного сигнала по сравнению с производственными шумами велика (более 30 дб), то вычисление критериев классификации практически любыми методами не представляет затруднений и распознавание технологической ситуации (ТС) происходит однозначно и с высокой степенью вероятности (более 0,9). Другое дело, если мощность сигнала сравнима с мощностью шума. Например, в статистической радиотехнике рассматривается некоторое пороговое значение отношения мощностей сигнал/шум (С/Ш), равное 1 и характеризующееся величиной корреляционной связи между входным и выходным сигналами, соответствующей 0,707. Доказывается, что ниже этого порога распознавание или обнаружение не гарантируется [4].

Построение для этой цели сложных и дорогих корреляционных фильтров в некоторых случаях повышает указанное соотношение, но одновременно порождает другие проблемы, связанные с необходимостью длительного наблюдения полезного сигнала, параметры которого при наблюдении не должны изменяться. Как правило, технологические процессы в промышленных объектах имеют высокие производственные шумы и по своей природе нестационарны, поэтому проводить на них такие наблюдения не представляется возможным.

Перечисленные особенности полностью переносятся на функционирование нейронных сетей. Хотя нейронные сети в целом устойчивы к шумам, однако у этой устойчивости есть предел. Например, выбросы, т.е. значения, не принадлежащие к выборке исходных данных некоторой переменной, поданной на вход нейросети, могут исказить результаты и вызвать ошибку обучения. По этому поводу академик О.И.

Ларичев [5] отметил, что ошибка ошибке рознь. Особенно опасны те ошибки, которые совершаются у самой границы, так как они меняют её вид. В экспертных системах классификации на распознавание граничных элементов тратится в 2-3 раза больше времени, чем на классификацию состояния объектов, находящихся внутри класса. Если не предпринимать специальных мер по обработке шумящей информации перед тем как её подавать на входы суммирующих элементов нейросети, то последняя теряет свои преимущества в решении задач распознавания перед обычными статистическими методами.

1.2. Методы моделирования нейропроцессов при распознавании и классификации Известно существенное преимущество человека перед машиной при обнаружении и классификации сигналов в условиях сильных помех [6]. Так речь может быть разборчивой в таких зашумленных помещениях, как салон самолета или кабина такси. Разборчивость сохраняется даже при наличии всего двух уровней сигнала (<0 и >0), когда имеет место явление “клиппирования” речи.

При зрительной идентификации человеком объектов шум иногда играет даже положительную роль. Так глаз имеет повышенную чувствительность к границам участков с одинаковыми уровнями квантования сигнала, например, при передаче таких изображений, как небо, где яркость и цвет меняются плавно. Уменьшить нежелательное влияние таких границ можно путем введения в квантуемое изображение небольшого по уровню шума – “снега”.

Хотя полная ошибка квантования при этом увеличивается раза в два, но визуальное восприятие улучшается в результате расплывания границ. Данная методика нечеткой обработки сигнала применена, например, в интеллектуальных модулях телевизионных приемников фирмы “PHILIPS”.

Pages:     || 2 | 3 | 4 | 5 |   ...   | 13 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.