Прогноз ключевых параметров при помощи искусственных нейронных сетей

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

Обучение операторов технологических установок, Ускорение выполнения проекта решает инфраструктурные проблемы, ...

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