Прогноз ключевых параметров при помощи искусственных нейронных сетей

искусственные сети компьютерные модели нейронные сети нелинейные процессы отходящие газы прогнозирование температур вспышки

Преимущества медленной откачки, Определение и классификация потенциально опасных зон, ...

HYDROCARBON PROCESSING: КОнТРОЛь и инфОРМАциОнныЕ сисТЕМы ПРОГНОЗ КЛЮЧЕвЫХ ПАРАМЕТРОв ПРИ ПОМОЩИ ИСКУССТвЕННЫХ НЕЙРОННЫХ СЕТЕЙ <...> Ramakumar, НПЗ Гуджарарт, Indian Oil Corporation, Вадодара, Индия Искусственные нейронные сети (artificial neutral networks – ANN) служат мощным инструментом моделирования нелинейных процессов. <...> Это процессы, протекающие в системах, параметры которых не подчиняются линейным отношениям между собой. <...> Обычно ANN используют для установления соответствия между набором входных и выходных данных. <...> ЗНАКОМСТВО С ОСНОВАМИ Получив входные данные (x1, x2,..., xn) и весовые коэффициенты, приписанные каждому потоку ((w1, w2, . . ., WN), нейрон, элемент NN, обрабатывает суммарный вход X1 w1 + x2w2 + ... + xn wn) и выдает выходные данные, руководствуясь заданной функции активации или передаточной функцией (рис. <...> Выходные данные, в свою очередь, могут быть входными для следующего нейрона. <...> Весовые коэффициенты между входными и скрытыми элементами определяют, будет ли активен каждый из скрытых элементов, поэтому, изменяя эти коэффициенты, скрытый элемент может «выбрать», что ему отображать. <...> Весовые коэффициенты приписываются случайным образом (между 0 и 1) перед началом цикла упреждения. <...> Входные данные X1 X2 Нейрон Скрытые W1 W2 WN XN Функция активации Рис. <...> Простейшая нейронная сеть 101 Выходные данные F y Сумматор Входные Выходные ЭТАПЫ ПОСТРОЕНИЯ МОДЕЛИ Определение параметров. <...> • Определить количество скрытых слоев и количество нейронов в каждом. <...> • Запустить в прямую цепь результаты первого наблюдения с приписанными весовыми коэффициентами. <...> • Запустить в прямую цепь результаты второго наблюдения и повторить предыдущие этапы. <...> Первый цикл обучения завершен • Чтобы свести ошибку к минимуму может потребоваться много таких циклов С учетом ошибки начинается обратное распространение сигнала по сети для обучения нейронов, настройки весовых коэффициентов и, в итоге, минимизации ошибки: E = У[(реальная величина)n — (предсказанная величина)n]2 . Настройка весовых <...>

• Похожие документы из РУАЭСТ
• |
• Похожие документы из Руконт