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