CC BY
39
Актуальные проблемы авиации и космонавтики. Информационные технологии
В этом случае непараметрические модели уже соот- Результат работы индикаторной функции пред-ветствуют форме (3). ставлен на рис. 3. Черными линиями показана ре-
альная область протекания процесса, а серым цветом - ее оценка.
Библиографическая ссылка
1. Медведев А. В. Анализ данных в задаче идентификации // Компьютерный анализ данных и моделирование : сб. науч. статей Междунар. конф. Т. 2. Минск, 1995. С. 201-206.
© Стрельников А. В., Медведев А. В., 2010
Рис. 3. Пространство входной переменной
УДК 621.314.2
Д. А. Токмин Научный руководитель - Е. С. Семенкин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
РАЗРАБОТКА И ИССЛЕДОВАНИЕ ЭВОЛЮЦИОННОЙ НЕЙРОННОЙ СЕТИ
Проводится анализ эффективности генетического алгоритма, генерирующего систему нейронных сетей с произвольной структурой для решения задачи прогнозирования.
Генетический алгоритм [1] - это эвристический алгоритм поиска, используемый для решения задач оптимизации путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию.
Искусственные нейронные сети [2] - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы.
Для решения задачи прогнозирования был создан генетический алгоритм, оптимизирующий структуру нейронной сети. Настройка весов и параметра, определяющего наличие связи между нейронами на соседних слоях, производилась запуском отдельного генетического алгоритма. Для минимизации ошибки во время работы алгоритма использовался подход, заключающийся в генерации сразу нескольких нейронных сетей, каждая из которых настраивается отдельно и в качестве конечного выхода системы берется усредненное значение выходов созданных нейронных сетей. Входы нейронной сети перед запуском нормировались.
Объект прогнозирования - гидротурбина. Имеется вектор входных воздействий на объект х, размерность которого п = 11, вектор выходных пара-
метров - значения вибрации снятые с различных точек на объекте - y , размерность которого m = 12. Также есть обучающая выборка (xt, yt), где y, соответствующие набору входов xi, выходы,
i = 1,1000 . Функциональная зависимость неизвестна. Необходимо сделать прогноз выходных параметров системы, для возможных входных воздействий.
В результате многократных запусков были получены результаты, свидетельствующие о хорошей работоспособности алгоритма. Средняя процентная ошибка по всем выходам системы нейронных сетей равна 7,4 %.
Использование нескольких нейронных сетей позволило уменьшить разброс ошибок на разных выходах, таким образом, ошибка настройки сети по каждому выходу стремится к средней ошибке по всем выходам, что положительно сказывается на качестве прогнозирования.
Библиографические ссылки
1. Goldberg D. E. Genetic algorithms in search, optimization and machine learning. MA : Addison-Wesley, 1989.
2. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика. М. : Мир, 1984.
© Токмин Д. А., Семенкин Е. С., 2010
