Тема: Нейросетевой подход для моделирования термосиловой обработки

Искусственная нейронная сеть (ИНС) или «нейронная сеть» (НС) - это в первую очередь компьютерная или математическая модель, устроенная в плане функционирования и организации на основе биологических сетей. Впервые это определение возникло при анализе процессов, происходящих в мозге, и попытке воссоздать эти процессы искусственно. Первые нейронные сети были созданы У. Мак-Калоком и У. Питтсом [1].
Она представляет собой область связанных и работающих друг с другом множества элементарных процессов (нейронов), которые взаимодействуют только с получаемыми и отсылаемыми сигналами. Размер этой системы прямо пропорционален сложности задачи, которую она может решить. НС - это инструмент для создания и анализа сложных взаимосвязей между поступающей и исходящей информацией. Полезность ИНС состоит в том, что её модели могут быть применимы для написания функции, на основе наблюдений (имеющихся данных). Это наиболее полезно там, где высокая сложность имеющихся данных или поставленной задачи делает вывод необходимой функции в ручную слишком трудоемким занятием [2].
Одним из важнейших преимуществ НС является её обучение - определение неизвестных взаимосвязей входных и выходных данных для создания алгоритма действий при решении подобных задач.
Этапы работы с сетью:
- Сбор, подготовка и нормализация данных;
- Определение типа сети;
- Подборка внутренних характеристик путем многократных экспериментов;
- Подборка определенных параметров и алгоритмов обучения;
- Обучение;
- Проверка корректности обучения;
- Поднастройка параметров и завершение обучение.
Необходимо рассмотреть некоторые пункты более конкретно.
Сбор, подготовка и нормализация данных.
Данный этап можно рассматривать как самый сложный в процессе обучения. Данные должны отвечать определенным параметрам:
- Показательность — информация должна представлять действительное положение вещей;
- Однозначность — данные, которые противоречат друг другу значительно снизят точность обучения.
Данные приводят к виду необходимому для подачи на обучение. Обучение на «сырых» данных приводит к значительному снижению точности. Есть несколько способов поднять «восприятие» сети.
- Нормировка необходима для данных, у которых разная размерность. Данные с большей размерностью будут оказывать более значительное влияние на обучение и это приведет к перекосу в нем. При нормировке все данные приводят к единой размерности;
- Квантование применяется при использование непрерывных сигналов, в процессе которого определяется необходимый отрезок данных;
- Фильтрация применяется на «зашумленных» или искаженных данных.
Определение типа сети.
Тип сети определяется на основе задач и данных под обучение. Под разные задачи и количество, и вид исходных данных существует свой, наиболее подходящий тип сети.
Подборка внутренних характеристик путем многократных экспериментов.
Когда общая структура определена, необходимо подобрать характеристики сети, такие как количество слоев, обходные соединения, количество нейронов и их передаточные функции.
Подборка определенных параметров и алгоритмов обучения.
Правильный алгоритм влияет не только на скорость процесса, но и на возможное возникновение критических ситуаций в обучении, таких как паралич системы. Чтобы точно определиться с алгоритмом, важно провести серию экспериментов.
Проверка корректности обучения
Проверять корректность необходимо, даже при успешном обучение, т.к. могу быть ошибки в понимании сетью объекта обучения. Тестирование проводиться на тех данных, которые не принимали участия в обучении. Чем меньше заданный процент ошибки сети, тем больше данных нужно для тестирования.
Есть несколько различных схем обучения: с учителем, без учителя и обучение с подкреплением [3].
Обучение под контролем — это способ, в процессе которого от системы требуют обучаться на основе пар «побудитель - ответ». Между входами и заданными выходами существует корреляция, но она неизвестна. Определено только конечное множество данных — пар «побудитель - ответ», называемых обучающим множеством. На основе этой информации необходимо восстановить, то есть написать алгоритм, способный для любых данных показать максимально точный ответ [6].
Обучение без учителя или самообучение — это способ машинного обучения, при котором система самопроизвольно обучается выполнять задачу без корректировки со стороны координатора. Обычно это подходит только для задач, в которых уже известны описания большого числа объектов, и требуется выявить внутренние зависимости, взаимосвязи, закономерности, имеющиеся между объектами [7].
Обучение с подкреплением — это способ машинного обучения, в процессе которого испытуемая система проходит через обучение, взаимодействуя с определенной средой. Откликом среды выступают сигналы подкрепления, поэтому оно является одним из видов обучения с учителем, а в роли учителя выступает среда или её модель [11].
ИНС применяются во многих сферах деятельности человека и для решения различных задач, таких как:
Классификация и опознание образов: объектом могут быть различные данные: звуки, изображения, текстовые символы и т. д. Входом являются примеры того, что сеть должна опознать, а в качестве выхода - классы, к которым их можно причислить. Важно задать точное определение признаков принадлежности. После обучения нужно проверить правильность на новых примерах [18, 20].
В выходном слое каждый нейрон отвечает за один из классов. Между выходом сети и определенным классом создается связь, которая при предоставлении образа подает сигнал, что данный образ принадлежит такому-то классу, а с других выходов поступает сигнал о том, что образ не принадлежит их классам. В случае, если сеть подает сигнал о принадлежности объекта сразу двум классам, то это значит, что сеть «не уверена» и не может дать однозначный ответ [9].
Принятие решений и управление: данные задачи схожи с классификацией. Входными данными являются характеристики ситуации, а выходными признаки решения, которые приняла НС [16].
Кластеризация: сеть распределяет множество сигналов на классы, количество и характеристики которых неизвестны. После этого сеть научиться сама определять, к чему причислить тот или иной сигнал. Также она может определять новые типы сигналов, которые не присутствовали в обучающей программе. Для кластеризации обычно используют сети Кохонена [19].
Прогнозирование: возможность прогнозирования напрямую зависит от способности обобщать и находить скрытые зависимости между входом и выходом. После обучения сеть может предсказывать будущие значения определенных последовательностей на основе загруженных данных, только в том случае, если данные действительно определяют будущие значения [29¬31].
Аппроксимация: нейронная сеть может упрощать непрерывные функции. Неважно, какой вид нелинейной характеристики будет у нейрона. Тип функции будет влиять только на сложность сети, но это не повлияет на способность аппроксимировать [21].
Сжатие данных и ассоциативная память: возможность обобщать и находить скрытые зависимости между входом и выходом позволяет сжимать большие объемы информации, а также восстанавливать исходный образ или сигнал из поврежденных и нечетких данных [10].
Экономика и бизнес: прогнозирование различных временных рядов, оптимизация различных потоков, оценка рисков, выявление переоцененных и недооцененных компаний и т.д.
Связь: сжатие различной информации, оптимизация сетей и схем маршрутизации пакетов, кодирование и декодирование.
Авионика: распознавание различных сигналов, беспилотные летательные аппараты, обучаемые автопилоты.
Медицина: обработка различных медицинских изображений, мониторинг пациентов, анализ лечения, постановка диагноза и т.д.
Автоматизация производства: контроль качества, мониторинг и визуализация информации, оптимизация режимов производственного процесса, робототехника и т.д.
Безопасность и системы слежения: опознание лиц и автомобильных номеров, обнаружение подделок, определение человека по отпечаткам, голосу, подписи и т.д. [13].
Цель работы:
Исследование применения нейросетевых технологий для процесса ТСО.
Задачи работы:
1. Провести общий анализ принципов работы с сетью, её устройства, видов, типов и видов обучения.
2. Провести анализ процесса ТСО, причин и преимуществ его использования и проблемы распределения упругопластических деформаций.
3. Построить алгоритм для работы с сетью для задач по классификации и аппроксимации.
4. Провести обучение сети с различными параметрами для задачи аппроксимации нелинейной зависимости и подобрать наилучшую модель для её решения.
5. Провести обучение сети в программе ANFIS, на основе результатов которого можно составить алгоритм управления ТСО с помощью данной программы.
6. Провести обучение сети с различными параметрами для задачи классификации входных сигналов и подобрать наилучшую модель для её решения.
Купить

В данной магистерской диссертации были рассмотрены и решены следующие задачи:
1. Провели общий анализ принципов работы сетью, её устройства, видов, типов и видов обучения, на основании которого делали выводы о более предпочтительных, для решения поставленных задач, параметрах.
2. Провели анализ процесса ТСО , причин и преимуществ его использования и проблемы распределения упругопластических деформаций, на основании которого делались выводы об основных параметрах влияющих на деформации и задачах, которые можно решить при помощи ИНС.
3. Построили поэтапный алгоритм для работы с сетью для задач по классификации и аппроксимации, на котором показаны все этапы обучения сети под ту или иную задачу.
4. Провели обучение сети с различными параметрами для задачи аппроксимации нелинейной зависимости, и подобрали оптимальную модель для её решения и которую можно применять на практике для решения подобных задач.
5. Провели обучение сети в программе ANFIS, на основе результатов которой можно составить алгоритм управления ТСО с помощью данной программы.
6. Провели обучение сети с различными параметрами для задачи классификации входных сигналов, и подобрали наилучшую модель для её решения и которую можно применять на практике для решения подобных задач.

Купить