Пред.
След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
9.6. Гибридная сетьГлавная особенность сети с самоорганизацией на основе конкуренции - это очень высокая скорость обучения, многократно большая, чем у сетей, тренируемых с учителем. Их недостатком считается сложность отображения пар обучающих данных значимые признаки процесса (локализует их на основе входных данных
Рис. 9.13. Структура гибридной сети Вначале на множестве входных векторов
при значениях • Персептронная сеть обучается с учителем по завершении тренинга самоорганизующегося слоя. Обучающими сигналами для нее является множество пар Следует отметить, что представленная гибридная сеть может считаться обобщением сети обратного распространения Хехта-Нильсена [50, 113, 118]. В отличие от нее в гибридной сети допускается дробная активность нейронов в слое Кохонена от значения 1 для победителя до Это оригинальное свойство гибридной сети может иметь различные практические приложения. Например, ее применение для предсказания профилей нагрузок в электроэнергетической системе позволило значительно уменьшить как погрешность МАРЕ, так и максимальную погрешность самого прогноза. В табл. 9.2 приведены результаты сравнения точности прогнозов нагрузок для Польской электроэнергетической системы, полученных на основе классической сети Кохонена и гибридной сети [124]. Во втором случае результаты были получены при подкреплении прогнозирования персептронной сетью на этапе расчета средних значений и их вариаций, используемых в формуле (9.34). Из приведенных данных следует, что гибридная сеть позволила уменьшить как погрешность МАРЕ, так и максимальную погрешность прогноза. Таблица 9.2. Погрешности МАРЕ и
Хорошие результаты получаются при применении гибридной сети для анализа состава газовых смесей и оценивания концентрации отдельных компонентов по показаниям полупроводниковых датчиков (так называемый искусственный нос) [118]. Полупроводниковые датчики характеризуются относительно слабой селективностью; они в разной степени реагируют на присутствие в смеси различных газов. В технических решениях применяются матрицы датчиков, по-разному реагирующих на присутствие конкретного газа. В этой ситуации задача нейронной сети состояла в калибровке прибора, т. е. в Рис. 9.14. (см. скан) Сопоставление абсолютных погрешностей оценки состава смесей из четырех газов (количество измерений равно 20), полученных в результате применения гибридной сети сопоставлении показаниям каждого датчика соответствующих значений концентрации конкретных компонентов газовой смеси. Для достижения поставленной цели была создана гибридная нейронная сеть, в которой слой Кохонена определял тип газовых компонентов, а персептронный слой оценивал их концентрацию. На рис. 9.14 представлены графики погрешностей оценок присутствия четырех газов (в ppm): углекислого газа, метана, метанола и пропана/бутана, полученных при использовании гибридной нейронной сети [118]. Обучение сети проводилось на 400 обучающих выборках, а ее тестирование - на 20 других выборках. Максимальная погрешность для тестовых примеров не превышала 12 ppm, а средняя абсолютная погрешность оставалась на уровне 2,59 ppm. Рис. 9.15. (см. скан) Сопоставление относительных погрешностей оценки состава смесей из четырех газов (количество измерений равно 20), полученных в результате применения гибридной сети На рис. 9.15 представлены графики относительных погрешностей оценок по 20 тестовым выборкам, соответствующие результатам, представленным на рис. 9.14. Значение максимальной относительной погрешности не превысило 7%, а абсолютное среднее значение относительной погрешности распознавания всех компонентов исследованных газовых смесей составило 0,78%.
|
1 |
Оглавление
|