Documente Academic
Documente Profesional
Documente Cultură
Fig.6.1
Acest model al unui neuron se numete feedforward i definete mrimea de ieire y
prin relatia:
n
Fig.6.2.
Nodurile din stratul de intrare au o singur intrare, iar ieirile acestora merg la stratul
ascuns care nu este accesibil. O reea neuronal trebuie instruit, adic se d un set de date de
intrare i ieirile scop (target). Prin operaia de instruire, ieirea actual a reelei neuronale se
compar cu scopul i n funcie de eroarea aceasta, se modific ponderile, operaia repetnduse pentru toate seturile de intrare de test. n operaia de instruire se folosete o funcie cost
dependent de eroarea de instruire la fiecare pas. Cea mai utilizat funcie de cost E p, se refer
la suma ponderat a erorilor de instruire pentru fiecare set de date de instruire, de forma:
m
Ep yi ti Wp ,
2
i 1
unde m este numrul de seturi de date pentru instruirea reelei, Wp este o pondere care arat
calitatea setului de date, cu valori cuprinse n domeniul 0<W1.
Structura unei aplicaii cu reele neuronale, fig. 6.3, include operaiile.
Fig. 6.3
Preprocesarea ofer o micorare a timpului de calcul al reelei neurale, deoarece
aceasta va primi date prelucrate, ca de exemplu: filtrarea semnalelor, extragerea de trasaturi,
transformata Fourie rapid, serii predictive de timp, etc. Postprocesarea transform ieirile
decodificate ale reelei neurale ntr-o form corespunztoare unei aplicaii, ca de exemplu
rescalarea semnalului de ieire.
Alegerea unei soluii de implementare a unei reele neurale necesit operaiile:
a) alegerea unei structuri de calcul de tip paralel sau secvenial. Procesarea secvenial
este mai uor de implementat, este mai simpl, dar este mai lent. Procesarea n
paralel este mai scump, dar mult mai rapid.
b) alegerea soluiei software sau hardware de implementare. O soluie software este
mai flexibil, dar o soluie hardware este mai rapid.
c) alegerea modului de interpretare software, standard, accelerator, etc.
Proiectarea unei reele neurale poate s duc la obinerea unui produs care are
performane deficitare, ca de exemplu:
- reeaua neural are o eroare final de instruire mare, simptom care se poate datora
faptului c s-au ales greit parametrii algoritmului de instruire i procesul de
instruire este slab convergent;
- se obin performane inadecvate pentru setul de date de test dup instruirea reelei,
simptom care poate fi cauzat de complexitatea prea mare a reelei neurale;
- viteza inadecvat de procesare, simptom care se poate datora alegerii unor
algoritmi prea complicai pentru preprocesare i postprocesare.
Un neuron poate fi interpretat analogic (exist realizri tehnologice care includ 512
neuroni ntr-un circuit integrat) sau numeric, la care informaiile se pot transmite n paralel sau
n serie. Exist procesoare neurale, care includ multiplexoare, procesoare numerice de semnale
DSP, registre, etc. cu care se poate realiza o structur feedforward sau backforward pentru
reele neurale.
Pentru reele neurale de tip multistrat MLP, cel mai utilizat algoritm de instruire se
bazeaz pe metoda propagrii inverse, care impune o funcie prag continuu derivabil, de
forma:
2
1
1 e K net
unde k definete lrgimea funciei i care acioneaz ca un control al amplificrii. Parcurgerea
etapelor de calcul pentru instruirea unei reele neurale necesit urmtoarele operaii:
iniializarea ponderilor, evaluarea ieirilor pentru fiecare strat i adaptarea ponderilor folosind
relaia:
w ji ( t 1) w ji ( t ) pj Opi [w ji ( t ) w ji ( t 1)] ,
unde wij(t) reprezint ponderile de la nodul i la nodul j la momentul de timp t, este un
coeficient de amplificare, pj este termenul erorii de instruire pentru imaginea p n nodul j, O pi ieirea actual a reelei neurale, iar este un coeficient de moment n variaia succesiv a
ponderilor.
O reea neural de tip MLP este cu instruire supervizat, adic se nva s i modifice
ponderile astfel nct ieirile acesteia s coincid cu scopul (target). Exist i reele cu
instruire nesupervizat, la care nu exist un target, unde o reea nva s recunoasc orice
imagine patern n datele de intrare i care sunt prezentate n continuare.
f ( net )
16 fire de la
fiecare nod de
intrare
Noduri intrare
Fig 6.4
b)
Reele neurale cu funcii de baz radiale (Radial Basic Function RBF). Aceste
reele sunt o alternativ la reelele de tip MLP, avnd avantajul c n unele aplicaii pot fi mai
uor instruite, clasificare de imagini, discriminare, prognoze etc. n stratul ascuns al reelei
RBF, fiecare neuron are ca intrri toate ieirile de la stratul de intrare. Un neuron conine o
basic function, fig. 6.5, care are ca parametrii centrul i limea. Structura unui neuron
din stratul ascuns al reelei RBF este dat n fig. 6.5:
Fig. 6.5
n fig.6.5. prin "d" s-a notat:
Ci
Structura unei reele de tip RBF, fig. 6.6, are ieirea descris de ecuaia:
n
y w i Ri x w 0
i 1
T
i
unde (.) are o valoare maxim n origine, deci numai n vecintatea vectorului Ci, care este
numit centrul lui Ri(x).
Fig. 6.6
Clasa cea mai general de funcii radiale de baz conine funcii gausiene de forma:
Ri n exp
u c
i
2 * cj
Pentru alegerea funciilor de baz se poate folosi o reea Kohonen, care printr-o
instruire nesupervizat pentru un set de date de intrare determin la ieire clustere care sunt
utilizate pentru a defini basis function centers
c)
Reele Hopfield. Aceste reele constau dintr-un numr de noduri, fiecare
conectat unul cu altul, deci o reea complet interconectat, fig. 6.7. O reea Hopfield admite
numai intrri cu dou stri (0;1) sau bipolar (-1;1). Ieirea reelei este starea neuronilor n stare
stabil, n regim staionar. Instruirea unei reele Hopfield se face prin asigurarea ponderilor
pentru conexiuni, n iniializarea reelei cu imaginea cunoscut i n iterarea calculelor pentru
ponderi pn la convergen.
Interconexiuni
Nodurile reelei
neurale
Fig.6.7
Dintre alte tipuri de reele neurale se menioneaz reelele neurale recurente (folosite
n special pentru aplicaii de prognoz), reele neurale autoasociative (de tip forward i cu
instruire nesupervizat) i reele cu cuantizare vectorial (de tip feedforward i cu instruire
supervizat). Fiecare tip de reea neural are avantaje i dezavantaje, fiind adecvate deci pentru
o anumit clas de aplicaii.
6.3. REEA NEURAL PENTRU PREDICIA STRII UNUI PROCES DE
FERMENTAIE
Deoarece nu exist relaii matematice care s defineasc reaciile, determinarea
modelelor bioreactoarelor i msurarea indirect a unor parametri privind variabilele de stare
ale acestuia necesit utilizarea reelelor neurale, care pot fi folosite n regim de predicie. Astfel,
cu ajutorul reelelor neurale se poate estima starea bioreactorului, se pot prezice valorile
variabilelor de ieire, ca productivitate, calitate, etc.
Ca exemplu de utilizare a unei reele neurale industriale pentru estimarea strii
procesului de fermentaie i pentru predicia unor variabile, se consider un proces de
fermentaie la care nu pot fi msurai toi parametrii tehnologici i deci se utilizeaz o reea
neural pentru estimarea i predicia variabilelor de stare ale acestuia.
Estimarea i predicia biomasei notat cu x, i msurat n g/l la momentul actual de
timp t , notat x(t), i la momente viitoare de timp t+1, t+2, t+3, reprezentnd ieirile reelelor
neurale. Semnalele de intrare ale reelei neurale pentru predicia biomasei x(t) reprezint
mrimi care se pot msura, respectiv:
- concentraia de oxigen dizolvat DO(t), transmis de alte dou intrri prin elemente
de ntrziere, DO(t-1), DO(t-2).
- concentraia de oxigen Rq(t) (respiratory quotant) transmis n mod identic la nc
dou intrri ale reelei, Rq(t), Rq(t-1) i Rq(t-2).
- concentraia ethanolului la ieire Eq, %, transmis n mod identic la nc trei intrri
ale reelei neuronale, Eq(t), Eq(t-1), Eq(t-2).
- viteza de alimentare a substratului FIN, cm3/l, transmis la fel la trei intrri, FIN(t),
FIN(t-1), FIN(t-2).
- deasemenea, la dou intrri ale reelei neuronale se transmit valorile precedente ale
concentraiei de biomas,la momente anterioare de timp x(t-1) i x(t-2).
Rezult c la intrarea reelei neurale se aplic 14 semnale de intrare, iar la ieire este un
singur semnal, concentraia de biomas x(t). n concluzie, pentru predicia biomasei x(t), s-a
folosit o reea neuronal cu 14 semnale de intrare (deci 14 noduri de intrare), 10 noduri n
stratul ascuns i un nod n stratul de ieire, pentru x(t). Pentru instruirea reelei s-a folosit
metoda propagrii inverse.
6.4. SORTAREA DEEURILOR UTILIZND REELE NEURALE
Monitor cu
CP
obiecte
Fig.6.8
Imaginile de la camera video, dup digitizare, sunt prelucrate n mai multe etape:
imaginea RGB este convertit ntr-un alt model, spaiul HSI, apoi zonele de interes sunt
procesate folosind pixeli, care au valori H i I n zona definit.
Structura sistemului hardware i software este prezentat n fig. 6.9 i include un
calculator personal CP folosit ca interfa grafic a utilizatorului i un sistem de calcul n
paralel ( SCP ) de mare vitez i putere de calcul care ndeplinete funciile specifice aplicaiei.
Configurare
Analiz
Comunicaii
Depanare
CP
Conducere
SCP
De la
camera video
Memorare
date
Procesare
Extragere
esturi
Reea
neural
Evaluare
rezultate
Preprocesare
n aceast aplicaie s-a folosit o reea neural cu peste 800 de noduri n stratul de
intrare (care de exemplu reprezint 32 deFig.6.9
grupri S), 20 de neuroni de ieire pentru
identificarea a 20 tipuri de obiecte de pe band i o ieire pentru obiecte necunoscute.
Blocul de evaluare a rezultatelor este bazat pe un sistem expert n care se folosesc
informaii curente introduse de ctre operatorul uman, privind unele caracteristici ale deeurilor
analizate. n practic se observ c n timp ce crete numrul de tipuri de obiecte care trebuie
6
sortate, din care motiv rmn cca. 15% obiecte neidentificate, eroarea de identificare este de
cca.1%.
Reprezentarea numeric a imaginilor necesit vehicularea unui volum mare de date prin
canale de comunicaie cu band limitat i memorarea unui volum mare de date. Din acest
motiv a aprut ideea de a memora date comprimate pentru imagini, adic date mai puin
corelate ntre ele. Comprimarea datelor este posibil deoarece imaginile naturale conin date
redundante ntre elemente (pixeli) ai imaginii. Transformarea codificat a imaginii reprezint o
imagine obinut prin coeficieni de transformare.
O metoda convenional de clasificare a subimaginilor const n sortarea dup energia
AC a acestora. Indicele de energie AC reprezint o msur a activitii unei subimagini i este
definit prin relaia:
M 1 M 1
energia AC = - energia DC +
x u, v
2
u 0 v 0
unde x(u,v) este imaginea bidimensional de dimensiune finit. Indicele DC definete nivelul de
intensitate al fondului, iar indicele AC reprezint energia total din care se scade energia DC.
Rezult c subimaginile cu un fond uniform au un indice AC redus, iar subimaginile cu detalii
numeroase au o valoare mare a indicelui AC. Printr-o metod convenional de clasificare, o
imagine este sortat i clasificat dup valoarea indicelui AC, obinndu-se subimagini, care n
continuare sunt prelucrate dup acelai criteriu.
6.5. UTILIZAREA REELELOR NEURALE PENTRU MODELAREA
PROCESELOR NELINIARE, CU APLICAIE LA REACTOARE DE TRATARE A
REZIDUURILOR
n reactoarele pentru tratarea reziduurilor se obine un anumit pH la ieire prin
adugarea de acid sau de baze n funcie de compoziia iniial a reziduurilor. Pentru
optimizarea procesului din reactor este necesar obinerea modelului matematic al acestuia, de
exemplu pentru reducerea consumului de energie. n domeniul identificrii i al conducerii
adaptive a proceselor, reelele RBF au o utilizare mai extins deoarece acestea pot fi utilizate
mpreun cu alte tipuri de reele neurale i cu sisteme cu logic fuzzy.
n exemplul prezentat n continuare se utilizeaz reele neurale de tip RBF pentru
modelarea unui proces neliniar, deci pentru aproximarea unei funcii neliniare. ns deoarece la
reelele tip RBF alegerea centrelor este o problem dificil, pentru rezolvarea acesteia se
folosesc reele Kohonen cu autoorganizare. Pentru m - intrri i o ieire, funcia neliniar se
definete prin:
f(x) = 0 +
i 1
x ci
unde este o funcie neliniar, ||.|| este norma euclidian, i sunt ponderi, i1,m, iar ci sunt
centrele reelei RBF. Deci, este necesar o reea cu un nod de ieire care realizeaz o nsumare
a semnalelor de la stratul ascuns care implementeaz funciile neliniare. Funciile neliniare pot fi
de diferite tipuri i alegerea acestora nu este crucial n gsirea unui model, ns un rol
hotrtor l are alegerea centrelor. La nceputul utilizrii reelelor RBF, ca centre s-au folosit
date de intrare, care ns nu dau rezultate satisfctoare n asigurarea convergenei. Alte
metode pentru alegerea centrelor sunt: algoritmul celor mai mici ptrate ortogonale i
algoritmul gruprii mediilor k standard. Recent s-a propus utilizarea reelelor Kohonen cu
autoorganizare pentru obinerea centrelor, ceea ce se justific prin faptul c centrele trebuie s
fie corespunztore datelor de intrare.
7
Funcia neliniar se alege de tip gausian, parametrii creia se aleg dup criterii
statistice, deoarece au o mare importan n precizia de aproximare a funciei neliniare. Schema
bloc de interconectare a celor dou reele neurale este prezentat n fig. 6.9. n figura 6.10 se
prezint un exemplu de funcie neliniar, ntre concentraia C ntr-un reactor i debitul F de
neutralizant.
Figura 6.9
Fig 6.10
Alegerea numrului de centre se face experimental prin efectuarea de simulri pentru
mai multe variante utiliznd pachete de programe, n final rezultnd un numr optim de centre
pentru fiecare aplicaie. n multe aplicaii numrul de centre este de cca. 10-15.
6.6. UTILIZAREA REELELOR NEURALE
CONDUCEREA PROCESELOR SECVENIALE
PLANIFICAREA
1
a
b
c
d
e
Fig.6.11
Reelele neurale ofer mai multe soluii de reyolvare a problemelor complexe de
automatiyare, dar au deyavantajul principal c nu ofer o soluie unic, fiinf necesare mai multe
ncercri experimentale.