2009 - lato - Instytut Sterowania i Systemów Informatycznych ...

Jarosław Drapała, mgr inż.
Instytut/Institute: Instytut Informatyki Technicznej
Wydział/Faculty: Wydziału Informatyki i Zarządzania
Uniwersytet/University: Politechnika Wrocławska
E-mail:
jaroslaw.drapala@pwr.wroc.pl
Data/Date: 19.03.2009
Godzina/Time: 10:45
Pokój/Room: 6a A-2
Temat/Title
Identyfikacja dynamicznych systemów złożonych z wykorzystaniem sieci neuronowych
Streszczenie/Abstract
W referacie poruszono problem modelowania dynamicznych systemów złożonych, tj. takich, w których można
wyróżnić powiązane ze sobą elementy składowe o określonych wielkościach wejściowych i wyjściowych. Ocena modelu
systemu złożonego może być dokonana na dwa sposoby: lokalny (oceniamy każdy element systemu złożonego niezależnie
od powiązań z innymi elementami) lub globalny (traktujemy system jako całość i uwzględniamy połączenia pomiędzy
elementami).
Jako klasę modeli elementów systemu złożonego wykorzystano tzw. diagonalne rekurencyjne sieci neuronowe
(DRNN – Diagonal Recurrent Neural Network). Model systemu złożonego powstaje przez złożenie poszczególnych
sieci neuronowych zgodnie ze strukturą systemu a powstałą sieć określa się nazwą sieć złożona.
Z uwagi na różne możliwości określenia wskaźnika jakości, sformułowano zadania uczenia sieci złożonej, będącej:
modelem lokalnie optymalnym (złożenie modeli lokalnie optymalnych), modelem globalnie optymalnym oraz modelem
globalnie optymalnym, w którym uwzględniono jakości modeli lokalnych. W ostatnim przypadku – wielokryterialnym
– jakość sieci lokalnych uwzględnia się na dwa sposoby: przez utworzenie syntetycznego wskaźnika jakości oraz przez
dodanie do wskaźnika globalnego funkcji kary zewnętrznej lub wewnętrznej.
Sformułowania problemów identyfikacji mają charakter ogólny, natomiast konkretne algorytmy uzyskano dla systemów
o strukturze kaskadowej.
Algorytmy uczenia sieci konstruowane są w oparciu o metodę optymalizacji gradientu prostego. W celu wyznaczenia
wartości gradientów uogólniono na sieć złożoną znaną metodę wstecznej propagacji błędów w czasie (BPTT
– BackPropagation Through Time), posługując się koncepcją uszeregowanych pochodnych cząstkowych. Modyfikacja
algorytmu BPTT wprowadzona w pracy polegała na uwzględnieniu, że oprócz połączeń między warstwami wewnątrz
sieci, w sieci złożonej występują dodatkowe połączenia między kolejnymi sieciami.
Dla każdego z opracowanych algorytmów uczenia przeprowadzono analizę zbieżności w oparciu o bezpośrednią
metodę Lapunowa. Przeprowadzono badania symulacyjne, posługując się dwoma przykładami systemów złożonych:
złożonym procesem liniowym oraz reaktorem chemicznym z ciągłym przepływem składników, którego symulator zrealizowano
w środowisku Simulink.
Porównanie algorytmów uczenia pokazuje, że każdy z nich może okazać się przydatny. Wybór konkretnego algorytmu
zależy od celu tworzenia modelu, a dokładniej od wymagań, jakie powinien spełniać model na poziomie globalnym
i na poziomach lokalnych.
Andrzej Dzieliński, prof. dr hab. inż.
Instytut/Institute: Instytut Sterowania i Elektroniki Przemysłowej
Wydział/Faculty: Wydział Elektryczny
Uniwersytet/University: Politechnika Warszawska
E-mail:
adziel@isep.pw.edu.pl
Data/Date: 27.03.2009
Godzina/Time: 10:45
Pokój/Room: 6a A-2
Temat/Title