Проектирование интеллектуальных информационных технологий методом генетического программирования Липинский Л. Красноярск, СибГАУ. - презентация

1 Проектирование интеллектуальных информационных технологий методом генетического программирования Липинский Л. Красноярск, СибГАУ

2 Преимущества: Позволяет экономить материальные и временные ресурсы Позволяет экономить материальные и временные ресурсы Позволяет получить новые знания Позволяет получить новые знания Облегчает проектирование мультиверсионных технологий Облегчает проектирование мультиверсионных технологий

3 Проектирование структуры нейронной сети Поисковое пространство должно включать сети с межслойными связями Поисковое пространство должно включать сети с межслойными связями Некоторые связи между нейронами соседних слоев могут отсутствовать Некоторые связи между нейронами соседних слоев могут отсутствовать Слой может состоять из нейронов различного типа с различными числовыми параметрами Слой может состоять из нейронов различного типа с различными числовыми параметрами

4 Терминальное множество Межслойные нейроны и блоки нейронов (S1, S1S2, S3S4S5) Межслойные нейроны и блоки нейронов (S1, S1S2, S3S4S5) Входные нейроны и их блоки (In1, In12, In34) Входные нейроны и их блоки (In1, In12, In34)

5 Функциональное множество Функции, формирующие слой (+Bl, -Bl) Функции, формирующие слой (+Bl, -Bl) Функции, формирующие межслойные связи (>,,

6 Выбор функции пригодности Error – ошибка НС после оптимизации коэффициентов k - некоторый весовой коэффициент n – количество уровней в дереве, представляющем данное решение N – количество итераций обучения, при котором ошибка НС становится меньше некоторого заданного значения

7 Пример: > S3S4S5 > Bl+ In12 In34 SlS2 Bl+ > In34SlS S3 S4 S5 S1 S2 S1 S2

8 Тестовая задача Прогнозирование состояния турбины по виброхарактеристикам : 11 входов, 12 выход Прогнозирование состояния турбины по виброхарактеристикам : 11 входов, 12 выход Исходная выборка разбита на обучающую и тестовую Исходная выборка разбита на обучающую и тестовую Ошибка Ошибка – количество точек в выборке – количество точек в выборке - реальные значения - реальные значения - аппроксимация - аппроксимация

9 Результат G – Гауссова функция активации L – Линейная функция активации S – Сигмоидальная функция активации L L G G S S G G

10 Синяя линия – реальные данные Зеленая линия – аппроксимация полученной НС, ошибка = Красная линия – аппроксимация NeuroPro, ошибка = 0.050

11 Прогнозирование деградации электрических характеристик солнечных батарей интегральный флюенс протонов с различными энергиями (от 1 до 100 МеВ); интегральный флюенс протонов с различными энергиями (от 1 до 100 МеВ); интегральный флюенс электронов с различными энергиями (от 0,6 до 2 МеВ); интегральный флюенс электронов с различными энергиями (от 0,6 до 2 МеВ); ресурс – это параметр, который задан как количество дней с момента контакта отделения КА; характеризует повреждения от метеоритных тел и от ультрафиолетового излучения; ресурс – это параметр, который задан как количество дней с момента контакта отделения КА; характеризует повреждения от метеоритных тел и от ультрафиолетового излучения; коэффициент освещенности КА – величина, характеризующая степень освещенности аппарата; зависит от взаимного положения КА, Земли и Луны. коэффициент освещенности КА – величина, характеризующая степень освещенности аппарата; зависит от взаимного положения КА, Земли и Луны.

12 Th Sigm R P1 P10 P100 E0.6 E2 K Элемент Обозначение РесурсR Протоны с энергией больше1 MeVP1 Протоны с энергией больше10 MeVP10 Протоны с энергией больше100 MeVP100 Электроны с энергией больше 0.6 MeVE0.6 Электроны с энергией больше 2 MeVE2 Нейросетевая модель прогнозирования силы тока короткого замыкания силы тока короткого замыкания

13 Прогнозирование силы тока короткого замыкания солнечной батареи 4

14 Проектирование базы правил Система Вход: X={x1, x2, x3} Y={y1, y2, y3} Выход: U={u1, u2, u3} if (x1&y1) then u1 else if (x1&y2) then u1 else if (x1&y3) then u1 else if (x2&y1) then u2 else if (x2&y2) then u1 else if (x2&y3) then u3 else if (x3&y1) then u2 else if (x3&y2) then u1 else if (x3&y3) then u3.

15 Упрощенная база правил if (x1&y1) then u1 else if (x1&y2) then u1 else if (x1&y3) then u1 else if (x2&y1) then u2 else if (x2&y2) then u1 else if (x2&y3) then u3 else if (x3&y1) then u2 else if (x3&y2) then u1 else if (x3&y3) then u3. if (x1) then u1 else if (y2) then u1 else if (y1) then u2 else if (y3) then u3

16 Представление Базы Правил в виде бинарного дерева Терминальное множество T={u1, u2, u3} Функциональное множество F={%X, %Y} {x2, x3} %X {x1} {x1, x2, x3}

17 {x2, x3}, {y1 } {x1}, {y1, y2, y3} {x1, x2, x3}, {y1, y2, y3} {x2, x3}, {y2, y3 } {x2, x3}, {y2} {x2, x3}, {y1, y2, y3 } {x2, x3}, {y3} %X %Y u2%Y u1u3 u1 if (x1) then u1 else if (y2) then u1 else if (y1) then u2 else if (y3) then u3

18

19 База правил 1. IF (позиция отрицательная) и (угловая скорость отрицательная большая) THEN сила положительная малая; 2. ELSE IF (позиция отрицательная) и (угловая скорость отрицательная малая) THEN сила положительная большая; 3. ELSE IF (позиция неотрицательная) и (угловая скорость отрицательная) THEN сила отрицательная большая; 4. ELSE IF (угол отрицательный) и (угловая скорость неотрицательная) THEN сила нулевая 5. ELSE IF (скорость отрицательная) и (угол положительный) и (угловая скорость нулевая) THEN сила нулевая; 6. ELSE IF (скорость отрицательная) и угол (положительный) и (угловая скорость положительна) THEN сила положительная большая; 7. ELSE IF (позиция отрицательная) и (скорость неотрицательная) и (угол неотрицательный) и (угловая скорость неотрицательная) THEN сила положительная большая; 8. ELSE IF (позиция положительная) и (скорость неотрицательная) и (угол неотрицательный) и (угловая скорость неотрицательная) THEN сила положительная большая;

20 Благодарю за внимание Проектирование интеллектуальных информационных технологий методом генетического программирования