hrvatski

Identifikacija nelinearnih dinamičkih procesa statičkim neuronskim mrežama

U ovoj se disertaciji sustavno obrađuje identifikacija nelinearnih dinamičkih procesa statičkim neuronskim mrežama. Daju se praktične preporuke za provođenje eksperimenta na procesu s ciljem dobivanja maksimalno informativnih mjernih podataka ulaznih i izlaznih signala procesa. Zatim se opisuju strukture nelinearnih modela procesa, osobito detaljno strukture ulazno-izlaznih modela koje omogućuju jednostavnu primjenu statičkih neuronskih mreža. Ističe se i obrazlaže važnost poštivanja načela "štedljivosti" pri izboru optimalne strukture modela procesa. Ukratko se opisuju najvažnije strukture neuronskih mreža. Daje se kratak kronološki prikaz njihova razvoja, kao i njihova glavna svojstva, koja mogu biti od velike koristi pri identifikaciji nelinearnih procesa. Posebice se opisuju dvije vrste statičkih neuronskih mreža: višeslojne perceptronske mreže i mreže zasnovane na funkcijama s kružnom osnovicom, koje se u ovome radu koriste za tvorbu modela procesa. Osobito su detaljno istraženi algoritmi učenja statičkih neuronskih mreža zasnovani na gradijentnim postupcima nelinearnoga optimiranja. Razmatrani su algoritmi najbržega spusta, konjugirani gradijentni algoritmi, Newtonovi algoritmi i kvazi-Newtonovi algoritmi. Predložen je jedan novi algoritam iz grupe Newtonovih algoritama, koji predstavlja modifikaciju Levenberg-Marquardtova algoritma. Usporedbom predloženoga algoritma s većim brojem drugih algoritama na ispitnim nelinearnim funkcijama pokazana je njegova prednost, kako po brzini konvergencije tako i po mogućnosti dostizanja veće točnosti aproksimacije. Dobra aproksimacijska svojstva neuronske mreže najviše su prezultat velikoga broja parametara mreže. Međutim, veliki broj parametara povećava varijancu predikcijske pogreške, pa je vrlo važno pronaći mrežu optimalne dimenzije. Stoga se detaljno obrađuju postupci izbora optimalne dimenzije nelinearnih ulazno-izlaznih modela procesa zasnovanih na primjeni dvoslojnih statičkih neuronskih mreža. Za zadanu strukturu modela i zadanu dimenziju regresijskoga vektora problem izbora optimalne dimenzije modela procesa svodi se na problem izbora optimalne dimenzije (optimalnoga broja parametara) primijenjene neuronske mreže. Obrađuju se postupci izbora optimalne dimenzije neuronske mreže smanjivanjem dimenzije veće mreže, s osobitim naglaskom na postupke eksplicitne i implicitne regularizacije, te postupci postupnoga povećavanja dimenzije mreže. Predložena je modifikacija izvornoga kaskadnoga korelacijskoga postupka postupnoga povećavanja dimenzije mreže kojim se postiže "glađa" aproksimacija. Za vrednovanje modela procesa primjenjuju se korelacijski postupci jer su jednostavniji od parametarskih postupka i omogućuju međusobnu usporedbu modela različitih struktura. Koriste se modificirani klasični korelacijski postupak i korelacijski postupak zasnovan na c2-testu. Provedena su opsežna eksperimentalna istraživanja na modelu pH procesa, procesu izmjene topline u toplinskom izmjenjivaču i procesu gibanja i skladištenja fluida na laboratorijskome crpnom postrojenju.

Identifikacija procesa; nelinearni dinamieki procesi; strukture nelinearnih modela procesa; statieke neuronske mreže; algoritmi ueenja neuronskih mreža; izbor dimenzije modela procesa; vrednovanje modela procesa.

nije evidentirano