Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Opiekun: dr inż. Maciej Ławryńczuk Instytut Automatyki i Inżynierii Oprogramowania.

Podobne prezentacje


Prezentacja na temat: "Opiekun: dr inż. Maciej Ławryńczuk Instytut Automatyki i Inżynierii Oprogramowania."— Zapis prezentacji:

1 Opiekun: dr inż. Maciej Ławryńczuk Instytut Automatyki i Inżynierii Oprogramowania

2 Teoria sformułowanie zadania optymalizacji wprowadzenie do sieci neuronowych Praca inżynierska kształt pracy elementy innowacyjności i możliwości rozwoju dotychczasowe osiągnięcia Podsumowanie 2 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

3 3 minimalizuj: przy ograniczeniach: Q – macierz dodatnio półokreślona (warunek wypukłości)

4 sieć neuronowa – struktura potrafiącą odbierać docierające sygnały i przetwarzać je na użyteczną informację neuron – element sieci, wykonujący pewne przekształcenie na swoich sygnałach wejściowych funkcja energetyczna sieci – malejąca w czasie funkcja związana ze stanami neuronów (ich wartościami na wyjściach) 4 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

5 Zastosowania sieci neuronowych rozpoznawanie wzorców (znaków, sygnałów mowy...) klasyfikowanie obiektów aproksymowanie wartości funkcji synteza mowy diagnostyka medyczna optymalizacja 5 Piotr Górecki - Sieci neuronowe w problemach optymalizacji Sieci neuronowe do optymalizacji NIE są sieciami uczącymi się!

6 Opis sieci neuronowej stan pojedynczego neuronu – rozwiązanie pewnego równania różniczkowego opis sieci – wektorowo-macierzowe równanie różniczkowe możliwość realizacji analogowej (obwód elektryczny) 6 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

7 Wykorzystanie zadania dualnego Warunki KKT (zbieżność) Sformułowanie równania stanu i wyjścia (przykład) równanie stanu: równanie wyjścia: gdzie: g(.) – funkcja nasycenia 7 Piotr Górecki - Sieci neuronowe w problemach optymalizacji min p. o.

8 równanie stanu: równanie wyjścia: 8 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

9 Omówienie struktury wybranych sieci analiza zbieżności, wyprowadzenie wzorów badanie złożoności Zadanie teoretyczne symulacja Simulink Praktyczne zadanie wielowymiarowe (namiot) symulacja Matlab (solver ode45) Zadanie sterowania predykcyjnego sieć jako moduł minimalizujący algorytmu DMC Idea realizacji analogowej 9 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

10 Synteza i porównanie wybranych sieci złożoność dokładność szybkość działania Propozycja realizacji sieci, jako elementów obwodu elektrycznego 10 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

11 Porównanie wybranych trzech sieci neuronowych analiza liczby elementów, w zależności od wyboru sieci Realizacja wybranych sieci w Simulinku proste zadanie akademickie Realizacja wybranych sieci w Matlabie praktyczne zadanie wielowymiarowe (large-scale) Zastosowanie SN w algorytmie DMC 11 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

12 Liczba elementów realizacji analogowej n- liczba zmiennych decyzyjnych m- liczbę ograniczeń równościowych p- liczba ograniczeń nierównościowych 12 Piotr Górecki - Sieci neuronowe w problemach optymalizacji rodzaj sieciliczba neuronówliczba sumatorówliczba wzmacniaczy SDNNp3p + np(2n + 1) RNNm + p3 (m + p) + n(m + p)(m + p + n + 2) DNNm + p4 (m + p) + n(m + p) (m + p + 2n)

13 13 Piotr Górecki - Sieci neuronowe w problemach optymalizacji min p. o.

14 14 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

15 Podstawa w kształcie kwadratu (30x30) 5 pali (centralny najwyższy) Elastyczne płótno Ograniczenia (wysokość pali) Funkcja jakości (kształt) 15 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

16 Sposób rozwiązania rozwiązanie równania różniczkowego du=@(t, u)(-E*MET*u+satur(((E*MET-eye(900))*u+E*s), low)... - E*s)*10^7; [t,u] = ode45(du, tspan, u0); wybór zmiennych stanu, dla końcowego przedziału czasowego wyliczenie zmiennych decyzyjnych x = MET * uk' +s; 16 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

17 Wybór algorytmu – DMC algorytm w wersji numerycznej z ograniczeniami 17 Piotr Górecki - Sieci neuronowe w problemach optymalizacji p. o.

18 Najważniejsze parametry dobranego regulatora predykcyjnego D = 160 – horyzont dynamiki N p = 20 – horyzont predykcji N s = 5 – horyzont sterowania T = 0.5 – okres próbkowania Transmitancja modelu Optymalizacja przy użyciu SN w każdej iteracji pętli głównej algorytmu DMC 18 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

19 Wyniki symulacji obiekt bez zakłócenia niemierzalnego (dla QP oraz SN) obiekt z mierzalnym zakłóceniem w chwili k = 60 (dla QP oraz SN) 19 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

20 Realizacja sieci neuronowej, jako połączenia elementów obwodu elektrycznego wzmacniacze operacyjne rezystory kondensatory diody 20 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

21 Wprowadzenie teoretyczne zagadnienie optymalizacji kwadratowej sieci neuronowe w optymalizacji Kształt pracy dyplomowej cele innowacyjność Osiągnięcia synteza i porównanie wybranych sieci realizacja zadania akademickiego – Simulink zasymulowanie zadania praktycznego sprzężenie SN z algorytmem DMC 21 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

22 22 Piotr Górecki - Sieci neuronowe w problemach optymalizacji

23 23 Piotr Górecki - Sieci neuronowe w problemach optymalizacji


Pobierz ppt "Opiekun: dr inż. Maciej Ławryńczuk Instytut Automatyki i Inżynierii Oprogramowania."

Podobne prezentacje


Reklamy Google