ПОИСК Статьи Рисунки Таблицы Использование нейронных сетей для прогнозирования загрязнения атмосферного воздуха из "Управление безопасностью химических производств на основе новых информационных технологий" Учет физических особенностей процесса загрязнения атмосферы во временньк диапазонах оперативного прогнозирования и соответственно повыщение точности прогноза могут быть достигнуты путем применения нейросетевых моделей прогнозирования, получивщих щирокое развитие в различных областях знаний [13]. [c.74] Нейронные сети являются перспективным направлением развития вычислительной техники, используемым в системах обработки изображений, сигналов, в экспертных системах, в системах управления технологическими процессами и динамическими системами, для рещения задач прогнозирования, распознавания образов. [c.74] Искусственные нейронные сети являются одним из средств обработки информации в современных системах искусственного интеллекта. [c.75] Основным достоинством искусственных нейронных сетей является способность их к обучению на основе имеющейся оперативной выборки. Однократное обучение нейронной сети позволяет получать последующие результаты прогнозирования практически в режиме реального времени, что является очень важным в случае оперативного прогнозирования загрязнения воздуха при аварийных и залповых выбросах. [c.75] Искусственные нейронные сети (ИНС) конструируются по принципам построения их биологических аналогов. Основная аналогия заключается в том, что и те, и другие содержат большое число простейших параллельных вычислительных элементов — нейронов или ячеек нейронов (рис. 2.4), — образующих сеть, которая способна обучаться и решать сложные задачи. [c.75] Нелинейная функция Г (5) называется функцией активации. Нелинейность функции активации Р 3) принципиальна, так как если бы нейроны были линейными элементами, любая последовательность нейронов производила бы линейное преобразование и вся нейронная сеть была бы эквивалентна одному нейрону (или одному слою нейронов — в случае нескольких выходов). Нелинейность же сушественно повышает возможности нейронной сети. [c.76] Сигмоидная функция дифференцируема на всей оси абсцисс, что используется в некоторых алгоритмах обучения. Кроме того, она обладает свойством усиливать слабые сигналы лучше, чем большие, и предотврашает насыщение от больших сигналов, так как они соответствуют областям аргументов, где сигмоид имеет пологий наклон. [c.76] Существует множество способов организации ИНС, которые могут содержать различное число слоев. На рис. 2.5 представлена классификация ИНС [13, 15]. [c.76] По типу связей ИНС можно разделить на два класса сети прямого распространения (сети без обратных связей) и рекуррентные сети (с обратными связями). [c.76] Наиболее распространенными представителями сетей без обратных связей являются многослойные сети прямого распространения. Типовая архитектура трехслойной сети прямого распространения представлена на рис. 2.6. Нейроны расположены слоями и имеют однонаправленные связи между слоями. Стандартная многослойная сеть прямого распространения состоит из слоя входных нейронных элементов, промежуточных (скрытых) слоев и выходного слоя, соединенных последовательно в прямом направлении и не содержащих связей между элементами внутри слоя и обратных связей между слоями. [c.78] Входной слой нейронных элементов вьшолняет распределительные функции. [c.78] Выходной слой нейронов служит для обработки информации от предыдущих слоев и вьщачи результатов. [c.78] Слои нейронных элементов, расположенные между входными и выходными слоями, называются промежуточными, или скрытыми. Эти слои являются обрабатывающими. Выход каждого нейрона соединен синаптическими связями со всеми входами нейронных элементов следующего слоя. [c.78] В качестве функции активации нейронных элементов обычно используется гиперболический тангенс или сигмоид. [c.78] По типам (алгоритмам) обучения базовые архитектуры нейронных сетей могут быть классифицированы на обучаемые с учителем , самообучающиеся ( без учителя ) и сме-щанные. [c.78] Модификацией обучения с учителем можно считать обучение в случае, когда известны не сами эталонные значения выходных переменньЕХ, а лишь оценки правильности выходных переменных нейронной сети Х). Такое обучение называется обучением с подкреплением , целью которого является обучение правильной линии поведения. [c.79] Целью обучения в данном случае является отыскание закономерностей в массиве данных для их наиболее компактного представления (сжатия) такие алгоритмы обучения, как правило, используют для обработки больших массивов данных в качестве предобрабатывающих фильтров. [c.79] И наконец, при смешанном обучении часть весовых коэффициентов определяется посредством обучения с учителем , в то время как остальные получаются с помощью самообучения. [c.79] Кроме того, имеется множество модификаций основных правил обучения например, правило обучения Ойа является усовер-щенствованием правила обучения Хебба, оно препятствует возрастанию весовых коэффициентов правило обучения Коши [13] увеличивает вероятность больших шагов и уменьшает время обучения и т. д. [c.80] Вернуться к основной статье