Автор: ст. Марченко А.А. Руководитель: доц. Тышевич Б.Л. Институт энергосбережения и энергоменеджмента Кафедра автоматизации управления электротехническими комплексами

Постановка задачи: Исследование структуры, параметров, функций активации алгоритмов обучения нейронной сети эмулятора (НМЭ) для адаптации графиков изменения уровня радиационного фона, и нейронной сети для прогнозирования (НСП) изменения уровня радиационного фона. Наиболее точная НМЭ и НСП будут базовыми при создании системы прогнозирования изменения радиационного фона. Рассматривались многослойные сети, построенные с помощью пакета прикладных программ MATLAB.

Карта размещения автоматизированных постов контроля Чернобыльской зоны отчуждения

Автоматизированный пост контроля (АКП)

Месячные графики изменения уровня радиации полученные с помощью АКП

Понятие о нейроподобном элементе и процессе его обучения : Модель нейрона Модель процесса обучения ИНС

Широкий спектр применения НС объединяют общие характеристики и свойства объектов: сложность или невозможность математического описания; наличие стохастических составляющих в процессах; большое количество нескоррелированных параметров; выраженная нелинейность, нестационарность в характеристиках; наличие параметрических и внешних возмущений и т.д.

Общие и конкретные преимущества и свойства НС по сравнению с другими классическими подходами: способность решать неформализованные задачи; параллелизм обработки информации; единый и эффективный принцип обучения; возможность прогнозирования во времени для процессов, которые зависят от многих переменных.

Наиболее актуальные задачи в идентификации и прогнозировании радиационной ситуации, которые можно решить с помощью НС: Идентификация графика изменения уровня с помощью нейронной модели-эмулятора НМЭ; прогнозирование уровня с помощью нейронной сети для прогноза НСП - краткосрочное, среднесрочное и долгосрочное; прогнозирование тенденции в изменении уровня (нарастание или спад); прогнозирование влияние погодных условий на уровень радиации (в перспективе).

Критерии используемые для оценки наилучшего результата для НМЭ и НСП Критерий регулярности: Максимальная относительная погрешность аппроксимации: а i – выход нейронной сети для входа p i ; t i – целевой выход для входа p i.

Примеры функций активации(ФА): Сигмоидальная, логистическая Полулинейная Линейная Радиально- базисная Полулинейная с насыщением Линейная с насыщением Треугольная Сигмоидальная (гиперболическая)

ДВУХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НЕЙРОННАЯ СЕТЬ С РАЗЛИЧНЫМИ ФУНКЦИЯМИ АКТИВАЦИИ Х1,Х2 – компонент входного вектора; Wij – вес синапса; S1,S2 – результат суммирования; Y – выходной сигнал нейрона; Двухслойная сеть прямого распространения

Наилучший график полученный для двухслойной НС (ФА=tansing,poslin) : - критерий регулярности рег = 0, = 369,74e-6; - максимальная относительная погрешность = 8,3417%.

ТРЕХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НЕЙРОННАЯ СЕТЬ С РАЗНЫМИ ФУНКЦИЯМИ АКТИВАЦИИ

Наилучший график полученный для трёхслойной НС(ФА=tansing,poslin,purelin): - критерий регулярности рег = 0, = 251,56e-6; - максимальная относительная погрешность = 4,9629%

ЧЕТЫРЁХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НС. СТРУКТУРНАЯ МОДЕЛЬ MATLAB:

Наилучший график полученный для четырёхслойной НС (ФА=tribas,tansing,poslin,purelin): - критерий регулярности рег = 9,5331e-5=95,331е-6; - максимальная относительная погрешность = 3,9543%.

Влияние типов функций активации и количества слоев на качество работы НМЭ: Первый слойВторой слойТретий слойЧетвёртый слой Критери и качества рег / Количес тво нейроно в Функци я активац ии Количес тво нейроно в Функци я активац ии Количес тво нейроно в Функци я активац ии Количе ство нейрон ов Функци я активац ии 10tansig1poslin 369,74e-6 8,3417% 10tansig5poslin1purelin 251,56е-6 4,929% 10logsig5poslin1purelin 458,22е-6 7,238% 10radbas5poslin1purelin 332,64е-6 6,0433% 10tribas5poslin1purelin 247,54е-6 5,0497% 20tansig10tribas5poslin1purelin 208,31е-6 5,5734% 20tribas10tansig5poslin1purelin 95,331е-6 3,9543% 20radbas10tansig5poslin1purelin 104,34е-6 4,0568%

Выводы: В процессе проведения тренировки по разным алгоритмам было выявлено, что наиболее быстро нейросеть тренировалась по методу Левенберга- Марквардта (trainlm). Как следует из сравнительной таблицы по всем проведенным опытам, с увеличением слоев, идентификация той нейросети лучше, в которой первый слой имеет ФА tribas. Чем проще ФА следующего слоя по сравнению с ФА предыдущего слоя, тем качественнее идентификация исследуемого процесса. Исследования нейронных сетей как идентификаторов сложных процессов позволило определить необходимую достаточность по допустимому качеству идентификации для прогнозирования уровня радиационного фона.

В качестве НМЭ была принята (при достаточном уровне точности) классическая трехслойная сеть с 16 нейронами и = 4,9629% Четырехслойная нейронная сеть с 36 нейронами, при более высокой точности требует значительно большего времени обучения для значительного объема входных данных.

Возможность прогнозирования стохастических процессов с помощью нейронных сетей Все прогнозы отличаются как по точности, так и по сроку прогнозирования. Можно выделить 3 вида прогноза: - краткосрочный (до 5-10% от размера обучающей выборки); - среднесрочный (от 5-10% до 30-40%); - долгосрочный (от 30-40% до 100%).

Вид прогнозиро вания Название нейр онной сети Конфигурация нейронной сети Алгоритм обучения сети Критерий регул ярности р, *10 -6 Максимальная относительная погрешность, % ДолгосрочноеКаскадная 20 tansig+10 tribas+5 poslin +1 purelin trainlm606,225,5524 Долгосрочное Каскадная 20 tansig+10 tribas+5 poslin +1 purelin trainbfg5746,913,028 ДолгосрочноеРекуррентная Элмана 20 tribas+10 tansig+5 poslin +1 purelin trainbfg471,24,3464 СреднесрочноеКаскадная 20 radbas+10 tansig+ poslin +1 purelin trainlm1787,88,3801 СреднесрочноеКаскадная 20 radbas+10 tansig+ poslin +1 purelin trainbfg239,173,3347 КраткосрочноеКлассическая 20 tribas+10 tansig+5 poslin +1 purelin trainlm73,7071,3948 КраткосрочноеСеть с РБФ400 radbas+1 purelin-0,850950,12987 Оценка качества прогнозирования стохастического процесса нейронными сетями различного типа и конфигурации

Наилучшие результаты долгосрочного прогнозирования получены при использовании каскадных сетей и рекуррентной сети Элмана (для нее р = 471,2 е-6, = 3,3464%). Для среднесрочного прогнозирования лучше подошли каскадные нейросети ( р =239,17 е-6, = 3,3347%). Для краткосрочного прогнозирования лучше подошли «классическая» ( р = 73,707 е-6, = 1,3948%) и сеть с РБФ ( р = 0,85095, = 0,12987%). Исследования нейронных сетей для прогнозирования уровня радиационного фона и различных стохастических процессов с помощью нейронных сетей требует более подробных исследований. Выводы:

Функциональный состав системы