ВУЗ:
Составители:
Прогноз, аппроксимация и другие операции с функциями с помощью нейронных сетей сводятся к
их обучению. При этом входные сигналы
i
s подаются обучаемой сети на обработку, задаются значения
весовых коэффициентов
i
w , а сигналы на выходе из сети (при ее обучении) g сравниваются с экспери-
ментальными данными y. Затем строится оценка работы сети, например, как критерий максимального
правдоподобия
∑∑
=λ=
λ
λ
−=
P
N
i
ii
K
wsgywE
11
2)(
)),((
2
1
)( ,
где
),(
)(
wsg
i
λ
– i-й выход сети, соответствующий векторам входных сигналов
)(λ
s и весовых коэффици-
ентов
w
; P – объем обучающей выборки ),(
)(
λ
λ
ys .
Поиск оптимальных значений весовых коэффициентов
w
, при которых критерий )(wE минимален,
производится с помощью известных методов решения экстремальных задач.
7.2 Создание и использование ИНС
с помощью Neural Networks Toolbox
В качестве основных этапов реализации нейронно-сетевого подхода для решения множества разно-
образных задач можно выделить:
1 Подготовку данных для тренировки сети.
2 Создание сети.
3 Обучение сети.
4 Тестирование сети.
5 Моделирование сети (использование сети для решения конкретной задачи).
В качестве примера рассмотрим следующую задачу. В реакторе периодического типа действия про-
водится синтез эфиров ортокремневой кислоты – алокси- (арокси) – силанов. Реакция проводится при
температурах от 20 до 80 °С и протекает через последовательные ступени замещения в соответствии со
следующей формальной кинетикой:
4HCl)HSi(OCOHH4CSiCl
452524
+
=
+ .
В ходе проведенных экспериментальных исследований было изучено влияние изменения темпера-
туры проведения процесса в диапазоне температур от 20 до 60 °С и концентрации тетрахлорсилана (от 1
до 3 моль/л) на выход целевого продукта. На основании полученных экспериментальных данных необ-
ходимо создать, обучить и протестировать НС. Используя обученную НС, дать прогноз по выходу целе-
вого продукта при изменении температуры процесса от 60 до 80 °С и концентрации тетрахлорсилана от
3 до 5 моль/л.
7.3 Подготовка данных для обучения НС
Для обучения сети необходимо сформировать массив входных векторов
i
x (
1
x – температура про-
ведения процесса;
2
x – концентрация раствора тетрахлорсилана) для различных значений параметра y
(выход в процентах от теоретически возможного алокси- (арокси) – силанов). Каждое значение пара-
метра y является вектором-эталоном для обучения ИНС.
Чтобы создать, обучить, протестировать и использовать для прогнозирования нейронную сеть для
нашего примера, создадим файл-программу. Для подготовки входного и эталонного массивов в данный
М-файл с именем NeT2 запишем:
% формирование массива входных векторов x
i
(P(2,30))
P=[21 1.2; 28 1.9; 51 2.1; 59 2.7; 37 2.5; 55 2.8; 26 2.7; ... 26 1.3; 22 2; 35 2; 53 3; 27 2.1; 34 2.7; 42 3; 57 1.5;
...
22 1.5; 34 1.5; 28 2.8; 30 3; 32 2.1; 48 1.8; 51 1.1; ...
56 3; 48 1.1; 24 2.5; 48 2.4; 47 1.5; 38 1.6; 27 1.3; 22 1.8];
P=P';
% формирование вектора эталона y (выходной массив T(1,30))
Страницы
- « первая
- ‹ предыдущая
- …
- 56
- 57
- 58
- 59
- 60
- …
- следующая ›
- последняя »
