Использование искусственных нейронных сетей для параметрической идентификации объектов | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 15 августа, печатный экземпляр отправим 2 сентября.

Опубликовать статью в журнале

Авторы: ,

Рубрика: Информационные технологии

Опубликовано в Молодой учёный №26 (316) июнь 2020 г.

Дата публикации: 28.06.2020

Статья просмотрена: 34 раза

Библиографическое описание:

Порошин, И. Е. Использование искусственных нейронных сетей для параметрической идентификации объектов / И. Е. Порошин, М. А. Титов. — Текст : непосредственный // Молодой ученый. — 2020. — № 26 (316). — С. 39-42. — URL: https://moluch.ru/archive/316/72192/ (дата обращения: 07.08.2020).



В статье рассматриваются методы и общая математическая модель параметрической идентификации объектов, а также описывается теоретическая возможность использования искусственных нейронных сетей в рамках решения данной задачи.

Ключевые слова: параметрическая идентификация, объект, система, модель, искусственные нейронные сети.

Идентификация некоторого объекта представляет собой процесс нахождения оптимальной математической модели объекта, описывающей его свойства. Задача построения математической модели, как правило, заключается в определении общей структуры объекта, нахождении значений параметров и, если нужно, значений зависимых переменных, например, переменных состояния [1, с. 35].

Методы идентификации

Методы идентификации не всегда позволяют построить сложную математическую модель, эквивалентную по структуре и параметрам реальному объекту. Однако это не мешает использовать такую модель, если она отражает основные свойства объекта.

Идентификацию можно провести как методами экспериментального, так и методами физико-математического анализа. Первые предполагают построение математической модели исследуемого объекта по измерениям его входных и выходных величин. При идентификации методами физико-математического анализа исходят из математического описания и конструктивных аспектов простейших процессов, которые относятся к изучаемому объекту. В итоге получают систему алгебраических и дифференциальных уравнений, содержащих не только входные и выходные переменные, но и переменные состояния. В эти уравнения иногда включаются избыточные внутренние переменные объекта [1, с. 36].

Порядок идентификации

Порядок идентификации объектов некоторой вычислительной системы описанными методами представлен на рис. 1.

Схема идентификации объектов вычислительной системы [2, с. 130]

Рис. 1. Схема идентификации объектов вычислительной системы [2, с. 130]

На первом этапе разрабатывают так называемую функциональную модель. При этом, как правило, выбирают математический аппарат, с помощью которого можно адекватно описать объект. Затем к исследуемому объекту подключают средства измерений. Получаемые ими данные используются системой оценки параметров и характеристик для вычисления параметров и характеристик объекта, а также параметров модели . Такой процесс называют параметрической идентификацией. Он выполняется системой оценки, которая представляет собой набор программ для обработки измерительных данных, реализующий методы оценки параметров и характеристик. Вычисленные значения параметров вводятся в модель, полностью определяя ее [2, с. 130].

Значения параметров характеристик системы используются для проверки адекватности модели, т. е. оценки погрешности ∆, с которой она воспроизводит характеристики системы. Оценка производится путем сравнения значений характеристик , которые порождаются моделью, с некоторыми характеристиками системы. Если вычислительные погрешности имеют допустимые значения, то модель считается адекватной и может применяться для исследования объекта [2, с. 131].

Применение искусственных нейронных сетей для идентификации

Искусственные нейронные сети применяются для решения задач искусственного интеллекта: например, для распознавания или классификации некоторых объектов. Поэтому для них задача идентификации формулируется применительно к таким объектам, а не к сети. Ее решение сводится к следующим основным операциям:

1) выбор набора признаков, характеризующих объект;

2) выбор структуры сети;

3) выбор критерия эффективности сети;

4) выбор метода настройки сети.

Первая операция зачастую зависит от назначения системы и свойств объектов, подлежащих идентификации.

Что касается структуры: считается, что наиболее перспективными являются сверточные и рекуррентные сети [3, с. 41]. Сверточные сети обладают высокой эффективностью в решении задач распознавания двумерных и трехмерных объектов. Обучение такой сети с нуля на небольшом объеме обучающих данных дает достаточно высокие результаты, несмотря на относительную нехватку данных [4, с. 160].

В параметрической идентификации используют, в основном, рекуррентные сети. В работе [5] демонстрируется, что с помощью рекуррентной сети с обратной связью и внутренним слоем можно провести достаточно точную параметрическую идентификацию технологического объекта — теплообменника, аппроксимируя частотные характеристики модели передаточными функции. В работе [6] на примере двухмассовой электромеханической системы была доказана эффективность использования рекуррентной сети Элмана с применением квазиньютоновских методов оптимизации в рамках решения задачи параметрической идентификации по переходным характеристикам объекта в процессе настройки системы.

Традиционным критерием эффективности искусственных нейронных сетей является величина отклонения выходных сигналов, формируемых сетью, от эталонных. Одним из самых распространенных методов является корень среднеквадратического отклонения — показатель рассеивания значений случайной величины относительно ее математического ожидания (выдержка из бакалаврской работы на тему «Применение радиально-базисных нейронных сетей в задачах управления технологическими процессами» (ТГУ, кафедра ПМИ, автор: В. И. Шмыров).

Определение методов настройки искусственной нейронной сети, по большей части, сводится к выбору подхода к обучению сети. Под обучением понимают выбор алгоритма обучения, подбор архитектуры сети и значений весовых коэффициентов связей, чтобы выполнение поставленной перед сетью задачи было эффективным.

Заключение

Таким образом, искусственные нейронные сети могут эффективно применяться в задачах параметрической идентификации объектов, в том числе технологических объектов. При решении таких задач используют, как правило, рекуррентные сети за счет их высокой аппроксимирующей способности. В настоящее время существует достаточно большое число программных средств для реализации искусственных нейронных сетей, что упрощает задачу исследователя.

Литература:

1. Еременко Ю. И., Полещенко Д. А. Нейроуправление. Методические указания к выполнению лабораторных работ. — Старый Оскол: СТИ МИСиС. — 2006. — 64 с.

2. Ларионов А. М., Майоров С. А., Новиков Г. И. Вычислительные комплексы, системы и сети. — Л.: Энергоатомиздат. — 1987. — 178 с.

3. Созыкин А. В. Обзор методов обучения глубоких нейронных сетей. — Вестник ЮУрГУ. Вычислительная математика и информатика. — 2017. — Т. 6, № 3. — С. 28–59.

4. Шолле Ф. Глубокое обучение на Python. — СПб.: Питер. — 2018. — 400 с.

5. Шумихин А. Г., Александрова А. С., Мустафин А. И. Параметрическая идентификация технологического объекта в режиме его эксплуатации с применением технологии нейронных сетей. — Вестник ПНИПУ. Электротехника, информационные технологии, системы управления. — 2018. — № 26. — С. 29–41.

6. Анисимов А. А., Горячев М. Н. Идентификация электромеханических систем с использованием искусственной нейронной сети. — Вестник ИГЭУ. — 2008. — № 3. — C. 55–58.

Основные термины (генерируются автоматически): параметрическая идентификация, сеть, модель, характеристика, порядок идентификации, метод идентификации, физико-математический анализ, рекуррентная сеть, математическая модель, вычислительная система.


Похожие статьи

Параметрическая идентификация уравнений движения методом...

Ключевые слова:динамические системы, параметрическая идентификация, продольного

Математическое моделирование метода покоординатного контроля контактных

Ключевые слова:параметрическая идентификация, рекуррентные алгоритмы идентификации...

Применение итерационного алгоритма Шульца в рекуррентных...

Ключевые слова:параметрическая идентификация, рекуррентные алгоритмы идентификации, итерационного алгоритма

В настоящее время предложено достаточно много методов и алгоритмов идентификации [1–4]. Большинство из них основано на методе...

О выборе параметрической модели в задаче непараметрической...

Рис.4. Результаты параметрической идентификации моделей. На основании полученной параметрической модели замкнутой системы управления при известной модели управляющего устройства можно получить модель объекта управления (см. пример 1).

Методические погрешности параметрической идентификации...

Методические погрешности параметрической идентификации динамической системы по данным нормальной эксплуатации.

Ключевые слова:динамические системы, параметрическая идентификация, продольного движение, метод наименьших произведений...

Аппроксимация градуировочных характеристик средств...

Адекватность частных математических моделей для описания формирования физико-механических характеристик материалов в значительной степени определяется выбором и поверкой средств измерений (по точности градуировочных характеристик [5,6]).

Об одной задаче идентификации стохастических систем

Проблема идентификации тесно связана с понятием априорной информации. Априорная информация характеризуется наличием

Системы с параметрической неопределенностью. Параметрический уровень априорной информации предполагает наличие параметрической...

Параметрическая идентификация линеаризованных уравнений...

Приводится алгоритм параметрической идентификации линейных эргатических систем по экспериментальным данным. Ключевые слова:эргатические системы, модели, линеаризация, параметрическая идентификация, подготовка операторов.

Сравнительный анализ возможности использования технологий...

Проведен анализ методов биометрической идентификации. Указаны их достоинства и

Второе место у радужной оболочка и сетчатки глаз, потом идет характеристика отпечатка

Какие бы методы идентификации не были выбрали, все они имеют как недостатки так и...

Использование методов идентификации математических...

Использование методов идентификации математических моделей и методов расчета характеристик узлов для диагностики

При проектировании и эксплуатации технических систем (ТС) особое значение имеет степень и область адекватности применяемых моделей.

Идентификация непараметрической модели. Описание...

При решении задач идентификации и управления могут быть использованы методы математической теории оптимальных процессов, а

Для решения задач идентификации на этом уровне априорной информации (идентификация в «широком смысле» [5]) применяются...

Похожие статьи

Параметрическая идентификация уравнений движения методом...

Ключевые слова:динамические системы, параметрическая идентификация, продольного

Математическое моделирование метода покоординатного контроля контактных

Ключевые слова:параметрическая идентификация, рекуррентные алгоритмы идентификации...

Применение итерационного алгоритма Шульца в рекуррентных...

Ключевые слова:параметрическая идентификация, рекуррентные алгоритмы идентификации, итерационного алгоритма

В настоящее время предложено достаточно много методов и алгоритмов идентификации [1–4]. Большинство из них основано на методе...

О выборе параметрической модели в задаче непараметрической...

Рис.4. Результаты параметрической идентификации моделей. На основании полученной параметрической модели замкнутой системы управления при известной модели управляющего устройства можно получить модель объекта управления (см. пример 1).

Методические погрешности параметрической идентификации...

Методические погрешности параметрической идентификации динамической системы по данным нормальной эксплуатации.

Ключевые слова:динамические системы, параметрическая идентификация, продольного движение, метод наименьших произведений...

Аппроксимация градуировочных характеристик средств...

Адекватность частных математических моделей для описания формирования физико-механических характеристик материалов в значительной степени определяется выбором и поверкой средств измерений (по точности градуировочных характеристик [5,6]).

Об одной задаче идентификации стохастических систем

Проблема идентификации тесно связана с понятием априорной информации. Априорная информация характеризуется наличием

Системы с параметрической неопределенностью. Параметрический уровень априорной информации предполагает наличие параметрической...

Параметрическая идентификация линеаризованных уравнений...

Приводится алгоритм параметрической идентификации линейных эргатических систем по экспериментальным данным. Ключевые слова:эргатические системы, модели, линеаризация, параметрическая идентификация, подготовка операторов.

Сравнительный анализ возможности использования технологий...

Проведен анализ методов биометрической идентификации. Указаны их достоинства и

Второе место у радужной оболочка и сетчатки глаз, потом идет характеристика отпечатка

Какие бы методы идентификации не были выбрали, все они имеют как недостатки так и...

Использование методов идентификации математических...

Использование методов идентификации математических моделей и методов расчета характеристик узлов для диагностики

При проектировании и эксплуатации технических систем (ТС) особое значение имеет степень и область адекватности применяемых моделей.

Идентификация непараметрической модели. Описание...

При решении задач идентификации и управления могут быть использованы методы математической теории оптимальных процессов, а

Для решения задач идентификации на этом уровне априорной информации (идентификация в «широком смысле» [5]) применяются...

Задать вопрос