Model I/O bazujący na HSWN Problem uczenia sieci HSWN

Slides:



Advertisements
Podobne prezentacje
TRADYCYJNE METODY PLANOWANIA I ORGANIZACJI PROCESÓW PRODUKCYJNYCH
Advertisements

Planowanie bezkolizyjnego ruchu w środowisku wielu robotów z wykorzystaniem gier niekooperacyjnych OWD
Sieć jednokierunkowa wielowarstwowa
Wprowadzenie do optymalizacji wielokryterialnej.
Zadanie z dekompozycji
Programowanie genetyczne (Genetic Programming)
Inteligencja Obliczeniowa Otwieranie czarnej skrzynki.
Katedra Informatyki Stosowanej UMK
Rola komputera w przetwarzaniu informacji.
Skalowalny algorytm estymacji ruchu dla systemów rozproszonych
Sztuczne sieci neuronowe
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Specjalność: Metody i systemy wspomagania decyzji II
Wykład nr 1: Wprowadzenie. Pojęcia podstawowe
Metody Sztucznej Inteligencji w Sterowaniu 2009/2010 Metoda propagacji wstecznej Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania.
Pomiary w inżynierii oprogramowania
Pomiary w inżynierii oprogramowania
Mirosław ŚWIERCZ Politechnika Białostocka, Wydział Elektryczny
Sieci Hopfielda.
Sieci neuronowe jednokierunkowe wielowarstwowe
Efektywna transmisja plików za pomocą TCP Piotr Kasprzyk Instytut Informatyki Politechniki Śląskiej.
Paweł Stasiak Radosław Sobieraj Michał Wronko
Zastosowanie technologii CUDA w sztucznej inteligencji
Wykład 2 Cykl życia systemu informacyjnego
Klasyfikacja dokumentów za pomocą sieci radialnych Paweł Rokoszny Emil Hornung Michał Ziober Tomasz Bilski.
Algorytmy genetyczne.
Algorytmy genetyczne.
? Rosnące potrzeby użytkowników Rozmiar problemu Czas Komputer domowy
formalnie: Budowa i zasada funkcjonowania sztucznych sieci neuronowych
Piotr Rybiński. 1. Wstęp 2. Opis systemu i narzędzi 3. Algorytm 4. Przykłady działania 5. Porównanie z rzeczywistym systemem rozwoju 6. Rozszerzenia systemu,
Systemy wspomagania decyzji
Sztuczne Sieci Neuronowe
Rekurencja.
Projektowanie architektur systemów filtracji i akwizycji danych z wykorzystaniem modelowania w domenie zdarzeń dyskretnych Krzysztof Korcyl.
RNA and protein 3D structure modeling: similarities and differences.
Algorytmy memetyczne i ich zastosowania
formalnie: Uczenie nienadzorowane
Uczenie w Sieciach Rekurencyjnych
Modelowanie matematyczne jako podstawa obliczeń naukowo-technicznych:
Modelowanie i Identyfikacja 2011/2012 Metoda propagacji wstecznej Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Warstwowe.
Modelowanie i identyfikacja 2010/2011Optymalizacja miary efektywności działania sztucznych sieci neuronowych Dr hab. inż. Kazimierz Duzinkiewicz, Katedra.
Sterowanie – metody alokacji biegunów
Marcin Jaruszewicz Jacek Mańdziuk
1 Każdy obiekt jest scharakteryzowany poprzez: tożsamość – daje się jednoznacznie wyróżnić; stan; zachowanie. W analizie obiektowej podstawową strukturą
SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA
SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA
Systemy rozproszone  Rozdzielenie obliczeń między wiele fizycznych procesorów.  Systemy luźno powiązane – każdy procesor ma lokalną pamięć; procesory.
Do technik tych zalicza się: * sztuczne sieci neuronowe
Kamila Bednarczyk kl. 1LOB Internet nie jest tylko miejscem rozrywki. Za jego pośrednictwem załatwiamy różne ważne sprawy. Dbajmy wówczas, aby niepowołane.
Komputer w naszym życiu
Modelowanie współpracy farm wiatrowych z siecią elektroenergetyczną
Sieci komputerowe Model warstwowy OSI.
Adaptacyjne Systemy Inteligentne Maciej Bielski, s4049.
4 lipca 2015 godz pok września 2015 godz pok. 212.
Warstwowe sieci jednokierunkowe – perceptrony wielowarstwowe
Wybrane zagadnienia inteligencji obliczeniowej Zakład Układów i Systemów Nieliniowych I-12 oraz Katedra Mikroelektroniki i Technik Informatycznych proponują.
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modele neuronowe – podstawy,
Narzędzia AI Dominik Ślęzak, Pokój Wykład dostępny na:
GeneracjeTechnologia Architektura przetwarzania 0. Przekaźniki elektromechaniczne 1. Lampy elektronowe 2. Tranzystory 3. Układy scalone 3.5.Układy dużej.
WYSZUKIWANIE I OPTYMALIZACJA TRAS DLA URZĄDZEŃ MOBILNYCH ANDROID W OPARCIU O SIEĆ/GRAF DOSTĘPNYCH DRÓG Piotr Dąbrowski, Tomasz Pyśk, Piotr Wojciechowski.
Treść dzisiejszego wykładu l Analiza wrażliwości –zmiana wartości współczynników funkcji celu, –zmiana wartości prawych stron ograniczeń. l Podejścia do.
Wizualizacja algorytmu grupowania k-średnich Maciej Łakomy Promotor: Dr hab. prof. WWSI Michał Grabowski.
TOPOLOGIE SIECI. Topologia sieci- określa sposób połączenia urządzeń sieciowych ze sobą. Najbardziej znane topologie:  Topologia magistrali  Topologia.
Belief Nets Autor: inż. 2013r źródło tła:
Systemy neuronowo – rozmyte
Transformatory w Eksploatacji - Kołobrzeg, IV.2013
Kognitywne właściwości sieci neuronowych
Sztuczne Sieci Neuronowe
Systemy eksperckie i sztuczna inteligencja
Programowanie sieciowe Laboratorium 4
Zapis prezentacji:

Model I/O bazujący na HSWN Problem uczenia sieci HSWN Grzegorz Ewald

Plan prezentacji HSWN, Uczenie HSWN Aplikacja Podsumowanie Sieć HSWN Uczenie sieci Algorytm genetyczny HDEA Aplikacja Oczyszczalnia ścieków Rozmiar problemu Struktura modelu Dane do uczenia Wyniki uczenia Czas uczenia Podsumowanie

HSWN Uczenie HSWN

Sieć HSWN Sieć neuronowa Sieć ze stanem (rekurencyjne zapętlenie wyjść) Stan wewnętrzny Falkowe funkcje aktywacji Pozwala na modelowanie: Złożonych systemów dynamicznych Systemów nieliniowych Systemów niestacjonarnych Systemów o wielu skalach czasu

Struktura sieci HWN

HSWN – opis matematyczny

Funkcja aktywacji Morlet Haar Mexican Hat Statson Hat

Uczenie sieci W procesie uczenia sieci można wyróżnić dwa etapy Rozładowanie warunków początkowych Uczenie sieci

Uczenie sieci Algorytm genetyczny Algorytm symuluje działanie prawa doboru naturalnego Standardowe operatory Selekcja Kryzowanie Mutacja Dodatkowe operatory Elityzm Zapobieganie kazirodztwu

Uczenie sieci – GRID Forma przetwarzania rozproszonego Struktura bazuje na wielu jednostkach obliczeniowych (komputerach) Wykorzystuje standardowe komputery PC oraz standardową sieć komputerową Lokalne zarządzenia zasobami Występuje węzeł nadrzędny (zarządzający) oraz węzły podrzędne (obliczeniowe) Wymagają algorytmów gruboziarnistych

Uczenie sieci – GRID Węzeł nadrzędy zarządza procesem przetwarzania danych Węzły podrzędne przetwarzają dane Węzły podrzędne mogą wykorzystywać różne algorytmy Węzeł nadrzędny może także przetwarzać dane jak jednostka podrzędna

HDEA Algorytm hybrydowy Łączy algorytmy genetyczne (GA) oraz algorytmy ewolucyjne (algorytm SEA) Posiada dobre właściwości eksploracyjne i eksploatacyjne Algorytm rozproszony Wyspowy model przetwarzania danych

Skuteczność algorytmu Przykład

Skuteczność algorytmu Przykład

Skuteczność algorytmu Przykład

Skuteczność algorytmu Przykład

Skuteczność algorytmu Przykład

Rozszerzona inicjalizacja W przypadku algorytmów genetycznych początkowa populacja wpływa na jakość wyników Algorytm inicjalizacji powinien być wydajny obliczeniowo

Aplikacja

Hierarchiczna struktura sterowania inteligentnego

Oczyszczalnia ścieków Kartuzy

Reaktor aktywnego osadu Recyrkulacja wewnętrzna Recyrkulacja zewnętrzna

Struktura oczyszczalni Kartuzy Dwie wewnętrzne recyrkulacje Jedna recyrkulacja zewnętrzna

Model do celów sterowania Wymagany jest relatywnie krótki czas obliczeń, co dyskwalifikuje modele fizykalne Modele I/O Modele I/O nie korzystają z równań opisujących modelowany obiekt, dlatego darzy się je ograniczonym zaufaniem Wymagają okresowej adaptacji w celu ograniczenia błędu modelowania

Struktura modelu bazującego na HSWN

Dane do uczenia sieci Trudny dostęp do wymaganej ilości danych Problem ze zdobyciem danych dla różnych scenariuszy zakłóceń Do wygenerowania danych użyto profesjonalnego symulatora SIMBA, bazującego na modelu ASM

Rozmiar problemu Parametry HSWN: Eksperymentalnie określono Liczba wavelonów Rozmiar wektora stanów Wartości wag Parametry falkowe Eksperymentalnie określono Liczba wavelonów = 28 Rozmiar stanu wewnętrznego = 14 W efekcie model posiada 1978 parametrów

Wyniki uczenia i walidacji

Porównanie czasów uczenia sieci

Podsumowanie Wykorzystanie znanych algorytmów daje satysfakcjonujące wyniki, ale czas obliczeń jest za długi Dopiero wykorzystanie hybryd algorytmów oraz rozproszonych platform obliczeniowych pozwala na uzyskanie akceptowalnego czasu obliczeń Wykorzystanie HDEA z rozszerzoną inicjalizacją skraca czas obliczeń na tyle, że HSWN może z powodzeniem zostać wykorzystana do modelowania oczyszczalni ścieków

Dziękuję za uwagę