Pobierz prezentację
Pobieranie prezentacji. Proszę czekać
OpublikowałGabrysia Dratwa Został zmieniony 10 lat temu
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
Podobne prezentacje
© 2024 SlidePlayer.pl Inc.
All rights reserved.