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