Вестник НТУ ХПИ_55 2010_Оригинал_макет - Науково-Ñ‚ÐµÑ Ð½Ñ–Ñ‡Ð½Ð° ...

Таблица 1Архитектура нейронной сетиРешаемые задачиСети с обратными Соревновательные сети Категоризация внутри класса,связямисжатие данных, анализ данныхСеть Кохонена Категоризация, анализ данныхСеть Хопфилда Ассоциативная памятьМодели ART Классификация образов, категоризацияСети прямого распространенияПерсептронСеть радиальных базисныхфункцийКлассификация образов, аппроксимацияфункций, предсказание,управлениещей среды и режимах работы охладителей, были выбраны сети прямогораспространения. Основным алгоритмом обучения нейронных сетейпрямого распространения является алгоритм обратного распространенияошибки.Для оптимизации параметровнелинейной модели был выбраналгоритм Левенберга-Марквардта, являющийся наиболеераспространенным алгоритмомоптимизации. Он превосходитпо производительности методнаискорейшего спуска и другиеметоды сопряженных градиентовв различных задачах. Алгоритмзаключается в последовательномприближении заданныхначальных значений параметровРис. 1.к искомому локальному оптимуму[4].На рис. 1 представлен пример структуры алгоритма обучениянейронной сети прямого распространения с одним скрытым слоем.Общая форма записи математической модели такой нейронной сетидля определения температуры ВСМ будет иметь следующий вид:H ⎧ ⎛ J ⎞⎫⎪ sig⎪y⎟= ∑ w⎜ik ⎨ fk∑ ⎬ + ,= 1 ⎪⎜wkjij + bk⎟bh(2)h ⎩ ⎝ j=1 ⎠⎪⎭где i j – входные данные нейронной сети; j – номер входной перемен-ISSN 2079-3944. Вісник НТУ "ХПІ". 2010. № 5546