2009 - lato - Instytut Sterowania i Systemów Informatycznych ...
2009 - lato - Instytut Sterowania i Systemów Informatycznych ...
2009 - lato - Instytut Sterowania i Systemów Informatycznych ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Jarosław Drapała, mgr inż.<br />
<strong>Instytut</strong>/Institute: <strong>Instytut</strong> Informatyki Technicznej<br />
Wydział/Faculty: Wydziału Informatyki i Zarządzania<br />
Uniwersytet/University: Politechnika Wrocławska<br />
E-mail:<br />
jaroslaw.drapala@pwr.wroc.pl<br />
Data/Date: 19.03.<strong>2009</strong><br />
Godzina/Time: 10:45<br />
Pokój/Room: 6a A-2<br />
Temat/Title<br />
Identyfikacja dynamicznych systemów złożonych z wykorzystaniem sieci neuronowych<br />
Streszczenie/Abstract<br />
W referacie poruszono problem modelowania dynamicznych systemów złożonych, tj. takich, w których można<br />
wyróżnić powiązane ze sobą elementy składowe o określonych wielkościach wejściowych i wyjściowych. Ocena modelu<br />
systemu złożonego może być dokonana na dwa sposoby: lokalny (oceniamy każdy element systemu złożonego niezależnie<br />
od powiązań z innymi elementami) lub globalny (traktujemy system jako całość i uwzględniamy połączenia pomiędzy<br />
elementami).<br />
Jako klasę modeli elementów systemu złożonego wykorzystano tzw. diagonalne rekurencyjne sieci neuronowe<br />
(DRNN – Diagonal Recurrent Neural Network). Model systemu złożonego powstaje przez złożenie poszczególnych<br />
sieci neuronowych zgodnie ze strukturą systemu a powstałą sieć określa się nazwą sieć złożona.<br />
Z uwagi na różne możliwości określenia wskaźnika jakości, sformułowano zadania uczenia sieci złożonej, będącej:<br />
modelem lokalnie optymalnym (złożenie modeli lokalnie optymalnych), modelem globalnie optymalnym oraz modelem<br />
globalnie optymalnym, w którym uwzględniono jakości modeli lokalnych. W ostatnim przypadku – wielokryterialnym<br />
– jakość sieci lokalnych uwzględnia się na dwa sposoby: przez utworzenie syntetycznego wskaźnika jakości oraz przez<br />
dodanie do wskaźnika globalnego funkcji kary zewnętrznej lub wewnętrznej.<br />
Sformułowania problemów identyfikacji mają charakter ogólny, natomiast konkretne algorytmy uzyskano dla systemów<br />
o strukturze kaskadowej.<br />
Algorytmy uczenia sieci konstruowane są w oparciu o metodę optymalizacji gradientu prostego. W celu wyznaczenia<br />
wartości gradientów uogólniono na sieć złożoną znaną metodę wstecznej propagacji błędów w czasie (BPTT<br />
– BackPropagation Through Time), posługując się koncepcją uszeregowanych pochodnych cząstkowych. Modyfikacja<br />
algorytmu BPTT wprowadzona w pracy polegała na uwzględnieniu, że oprócz połączeń między warstwami wewnątrz<br />
sieci, w sieci złożonej występują dodatkowe połączenia między kolejnymi sieciami.<br />
Dla każdego z opracowanych algorytmów uczenia przeprowadzono analizę zbieżności w oparciu o bezpośrednią<br />
metodę Lapunowa. Przeprowadzono badania symulacyjne, posługując się dwoma przykładami systemów złożonych:<br />
złożonym procesem liniowym oraz reaktorem chemicznym z ciągłym przepływem składników, którego symu<strong>lato</strong>r zrealizowano<br />
w środowisku Simulink.<br />
Porównanie algorytmów uczenia pokazuje, że każdy z nich może okazać się przydatny. Wybór konkretnego algorytmu<br />
zależy od celu tworzenia modelu, a dokładniej od wymagań, jakie powinien spełniać model na poziomie globalnym<br />
i na poziomach lokalnych.<br />
Andrzej Dzieliński, prof. dr hab. inż.<br />
<strong>Instytut</strong>/Institute: <strong>Instytut</strong> <strong>Sterowania</strong> i Elektroniki Przemysłowej<br />
Wydział/Faculty: Wydział Elektryczny<br />
Uniwersytet/University: Politechnika Warszawska<br />
E-mail:<br />
adziel@isep.pw.edu.pl<br />
Data/Date: 27.03.<strong>2009</strong><br />
Godzina/Time: 10:45<br />
Pokój/Room: 6a A-2<br />
Temat/Title