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 радиации полученные 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: рег N (a i 1 i ti ) N t i 1 2 i аi – выход нейронной сети для входа pi; ti – целевой выход для входа pi. •Максимальная относительная погрешность аппроксимации: ai ti max( 100%) ti 2 min Примеры функций активации(ФА): Сигмоидальная, Полулинейная логистическая Полулинейная с насыщением Линейная с насыщением Линейная Радиальнобазисная Сигмоидальная Треугольная (гиперболическая) ДВУХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НЕЙРОННАЯ СЕТЬ С РАЗЛИЧНЫМИ ФУНКЦИЯМИ АКТИВАЦИИ Х1,Х2 – компонент входного вектора; Wij – вес синапса; S1,S2 – результат суммирования; Двухслойная сеть прямого распространения Y – выходной сигнал нейрона; 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: Первый слой Второй слой Третий слой Четвёртый слой Количес Функци Количес Функци Количес Функци Количе Функци тво я тво я тво я ство я нейроно активац нейроно активац нейроно активац нейрон активац в ии в ии в ии ов ии 10 tansig 1 poslin 10 tansig 5 poslin 1 purelin 10 logsig 5 poslin 1 purelin 10 radbas 5 poslin 1 purelin 10 tribas 5 poslin 1 purelin 20 tansig 10 tribas 5 poslin 1 purelin 20 tribas 10 tansig 5 poslin 1 purelin 20 radbas 10 tansig 5 poslin 1 purelin Критери и качества рег / 369,74e-6 8,3417% 251,56е-6 4,929% 458,22е-6 7,238% 332,64е-6 6,0433% 247,54е-6 5,0497% 208,31е-6 5,5734% 95,331е-6 3,9543% 104,34е-6 4,0568% Выводы: В процессе проведения тренировки по разным алгоритмам было выявлено, что наиболее быстро нейросеть тренировалась по методу ЛевенбергаМарквардта (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 Вид прогнозиро Название нейр вания онной сети Долгосрочное Долгосрочное Долгосрочное Каскадная Каскадная Конфигурация нейронной сети 20tansig+10tribas+5poslin +1purelin 20tansig+10tribas+5poslin +1purelin Рекуррентная 20tribas+10tansig+5poslin Элмана +1purelin Среднесрочное Каскадная Среднесрочное Каскадная Краткосрочное Классическая Краткосрочное Сеть с РБФ 20radbas+10tansig+poslin +1purelin 20radbas+10tansig+poslin +1purelin 20tribas+10tansig+5poslin +1purelin 400radbas+1purelin Алгоритм обучения сети Критерий регул ярности р, *10-6 Максимальная относительная погрешность , % trainlm 606,22 5,5524 trainbfg 5746,9 13,028 trainbfg 471,2 4,3464 trainlm 1787,8 8,3801 trainbfg 239,17 3,3347 trainlm 73,707 1,3948 - 0,85095 0,12987 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 для прогнозирования уровня радиационного фона и различных стохастических процессов с помощью нейронных сетей требует более подробных исследований. Функциональный состав системы