Нейросетевая модель

Cтраница 1

Нейросетевая модель ориентирована на то, чтобы уметь по текущему и нескольким предыдущим векторам состояния объекта [ призабойной зоны скважины, участка газоносного пласта ] предсказывать его следующие состояния. Нейронная сеть способна запомнить, а затем воспроизвести динамическое поведение объекта в ситуациях, которые ей известны. [1]

Да, нейросетевые модели динамических объектов могут быть настолько точными, что нейроконтроллер, синтезированный с использованием нейроэмулятора, оказывается способным управлять самим объектом без каких-либо дополнительных настроек. [2]

Внешняя структура нейросетевой модели полностью определяется регрессором и набором параметров, значение которых необходимо прогнозировать, т.е. число входов ( число нейронов во входном слое МНС) определяется количеством элементов регрессора, число выходов ( число нейронов в выходном слое) определяется количеством прогнозируемых величин. [3]

При обучении нейросетевой модели в соответствии с регуляризован-ным критерием требуется определить оценку значения дисперсии шумов. [4]

Итогом построения нейросетевой модели является функция Р ( П), обеспечивающая наилучшую аппроксимацию G ( ff) как на обучающем множестве S, так и на всей области ее определения. [5]

Схема получения множества экспериментальных данных. [6]

В случае использования нейросетевых моделей значительную роль играет не только выбор регрессора, но и задание внутренней структуры НС - числа скрытых слоев и количества нейронов в каждом скрытом слое. [7]

Непосредственно процессу создания нейросетевой модели предшествует процедура сбора, анализа и обработки исходных данных с целью наиболее адекватного представления моделируемого процесса. [8]

Первым этапом построения нейросетевой модели является тщательный отбор входных данных, влияющих на ожидаемый результат. Из исходной информации необходимо исключить все сведения, не относящиеся к исследуемой проблеме. В то же время следует располагать достаточным количеством примеров для обучения ИНС. [9]

Следует отметить, что нейросетевые модели, все-таки, сильно отличаются от того, что обычно понимают под математической моделью. Не зря поэтому их называют эмуляторами, они имитируют динамические характеристики объекта и не более того. [10]

Незначительные изменения внутренней структуры нейросетевой модели, как правило, не оказывают существенного влияния на ее качество, тогда выбор глубины регрессии, т.е. числа отсчетов сигналов в предыдущие моменты времени, играет решающую роль. [11]

Для реализации процедуры обучения нейросетевой модели рекомендуется использовать метод Левенберга - Маркардта. Этот метод, разработанный специально для решения задач безусловной минимизации среднеквадратичного критерия, обладает высокой скоростью сходимости, вычислительной робастностью и простотой применения. Так как минимизируемая функция имеет в общем случае несколько локальных минимумов, рекомендуется проводить обучение НС 5 - 7 раз, изменяя начальные значения весовых коэффициентов. [12]

Схема реализации специализированного алгоритма обучения инверсной нейросетевой модели в режиме реального времени. [13]

Значительное число весовых коэффициентов нейросетевой модели и медленная сходимость градиентного метода оптимизации затрудняют использование принципа регулирования на основе инверсных нейросетевых моделей, обучаемых в режиме реального времени. Вычислительные ( временные) затраты на обучение нейросетевой модели могут быть уменьшены путем применения обобщенного метода обучения на предварительном этапе инициализации настраиваемых параметров нейросетевой модели. Кроме того, для увеличения скорости сходимости может быть использован метод Гаусса - Ньютона. [14]

Нейросетевой эмулятор функции Лагранжа.| Схема оптимизации системы пласт-скважины при наличии ограничения. [15]

Страницы: 1 2 3 4