Б. О. Джолдошева из Института автоматики и информационных технологий нан кр, г. Бишкек; «Cинтез кибернетических автоматических систем с использованием эталонной модели»
жүктеу/скачать 28,25 Mb.
|
- Бұл бет үшін навигация:
- Hidden Layer Neuron ); – нейрон выходного слоя (Output Layer Neuron
- Output Layer Neuron
Построение нейронных сетейВ качестве базовой архитектуры обеих нейронных сетей был выбран двухслойных персептрон с сигмоидной функцией активации в скрытом слое и pureline (x=y) функцией активации в выходном слое (см. рис. 2). Рисунок 2. Графическое изображение архитектуры нейронной сети. Все переменные рассчитываются в нормированном виде. Общий вид модели одного нейрона скрытого слоя (1) Общий вид модели одного (единственного) нейрона выходного слоя , (2) где – весовые коэффициенты входов каждого нейрона; – весовые коэффициенты нейрона выходного слоя; – нейрон скрытого слоя (Hidden Layer Neuron); – нейрон выходного слоя (Output Layer Neuron), он является выходом всей сети (O); i – номер нейрона скрытого слоя, i=20; Расчет весовых коэффициентов и поправок будет производиться методом обратного распространения ошибки. В качестве обучающего множества выступят статистические данные, собранные в процессе эксплуатации объекта. В качестве целевой функции выберем суммарную квадратическую ошибку где – целевое значение выхода сети; – нейрон выходного слоя (Output Layer Neuron), он является выходом всей сети; d – номер обучающего примера; m – количество обучающих примеров; Все весовые коэффициенты будут подправляться после каждого тестового примера, величина поправки будет выглядеть следующим образом где – коэффициент скорости обучения, он выбирается произволно; Нейрон, для которого рассчитывается весовой коэффициент, находится в выходном слое где k – номер нейрона выходного слоя (в этом слое у нас только один нейрон); i – номер нейрона скрытого слоя; – выходное значение i-го нейрона (оно равно); – весовой коэффициент, соединяющий i-ый нейрон скрытого слоя и k- ый нейрон выходного слоя. Теперь введем величину : , тогда расчет весового коэффициента на данной итерации будет выглядеть так: . Нейрон, для которого рассчитывается весовой коэффициент, находится в скрытом слое где i – номер нейрона скрытого слоя; j – номер входной переменной; – нормированное значение входной переменной; – весовой коэффициент, соединяющий i-ый нейрон скрытого слоя и j-ю входную переменную. Теперь введем величину , тогда расчет весового коэффициента на данной итерации будет выглядеть так Поиск весовых коэффициентов методом обратного распространения ошибки, хоть и позволяет довольно точно рассчитать параметры нейронной сети, но вручную, это сделать невозможно. Поэтому обе нейронные сети были реализованы в пакете Matlab 7.7 Реализация первой нейронной сети, которая осуществляет вывод объемной скорость подачи продуктивного раствора дала функцию активации двадцати нейронов скрытого слоя, которая в соответствии с (1) имеет вид: … Функция активации нейрона выходного слоя в соответствии с (1) примет вид: Реализация второй нейронной сети, которая осуществляет вывод суммарной высота рабочего слоя сорбента производится аналогично. Функция активации двадцати нейронов скрытого слоя при этом будет: … Функция активации нейрона выходного слоя второй нейронной сети имеет вид жүктеу/скачать 28,25 Mb. Достарыңызбен бөлісу:
|