Model I/O bazujący na HSWN Problem uczenia sieci HSWN

Prezentacja na temat: "Model I/O bazujący na HSWN Problem uczenia sieci HSWN"— Zapis prezentacji:

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

2 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

3 HSWN Uczenie HSWN

4 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

5 Struktura sieci HWN

6 HSWN – opis matematyczny

7 Funkcja aktywacji Morlet Haar Mexican Hat Statson Hat

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

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

10 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

11 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

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

13 Skuteczność algorytmu Przykład

14 Skuteczność algorytmu Przykład

15 Skuteczność algorytmu Przykład

16 Skuteczność algorytmu Przykład

17 Skuteczność algorytmu Przykład

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

19 Aplikacja

20 Hierarchiczna struktura sterowania inteligentnego

21 Oczyszczalnia ścieków Kartuzy

22 Reaktor aktywnego osadu
Recyrkulacja wewnętrzna Recyrkulacja zewnętrzna

23 Struktura oczyszczalni Kartuzy
Dwie wewnętrzne recyrkulacje Jedna recyrkulacja zewnętrzna

24 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

25 Struktura modelu bazującego na HSWN

26 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

27 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 parametrów

28 Wyniki uczenia i walidacji

29 Porównanie czasów uczenia sieci

30 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

31 Dziękuję za uwagę