ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОНИТОРИНГА РАДИАЦИОННОГО ЗАГРЯЗНЕНИЯ УКРАИНЫ

Автор: ст. Марченко А.А.

Руководитель: доц. Тышевич Б.Л.

Институт энергосбережения и энергоменеджмента

Кафедра автоматизации управления

электротехническими комплексами

Постановка задачи:Исследование структуры, параметров,

функций активации алгоритмов обучения нейронной сети эмулятора (НМЭ) для адаптации графиков изменения уровня радиационного фона, и нейронной сети для прогнозирования (НСП) изменения уровня радиационного фона. Наиболее точная НМЭ и НСП будут базовыми при создании системы прогнозирования изменения радиационного фона. Рассматривались многослойные сети, построенные с помощью пакета прикладных программ MATLAB.

Карта размещения автоматизированных постов контроля Чернобыльской зоны отчуждения

Автоматизированный пост контроля (АКП)

Месячные графики изменения уровня радиацииполученные с помощью АКП

Понятие о нейроподобном элементе и процессе его

обучения :Модель нейрона Модель процесса

обучения ИНС

Широкий спектр применения НС объединяют общие характеристики

и свойства объектов: сложность или невозможность математического описания; наличие стохастических составляющих в процессах; большое количество нескоррелированных параметров; выраженная нелинейность, нестационарность в характеристиках; наличие параметрических и внешних возмущений и т.д.

Общие и конкретные преимущества и свойства НС по сравнению с

другими классическими подходами: способность решать неформализованные задачи; параллелизм обработки информации; единый и эффективный принцип обучения;возможность прогнозирования во времени для процессов, которые зависят от многих переменных.

Наиболее актуальные задачи в идентификации и прогнозировании радиационной ситуации, которые

можно решить с помощью НС:Идентификация графика изменения уровня с помощью нейронной модели-эмулятора НМЭ;прогнозирование уровня с помощью нейронной сети для прогноза НСП - краткосрочное, среднесрочное и долгосрочное;прогнозирование тенденции в изменении уровня (нарастание или спад);прогнозирование влияние погодных условий на уровень радиации (в перспективе).

Критерии используемые для оценки наилучшего результата для НМЭ и НСП

min)(

1

2

1

2

рег

N

ii

N

iii

t

ta

%)100max(i

ii

t

ta

•Критерий регулярности:

•Максимальная относительная погрешность аппроксимации:

аi – выход нейронной сети для входа pi;ti – целевой выход для входа pi.

Примеры функций активации(ФА):

Сигмоидальная, логистическая Полулинейная Линейная Радиально-

базисная

Полулинейная с насыщением

Линейная с насыщением

ТреугольнаяСигмоидальная

(гиперболическая)

ДВУХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НЕЙРОННАЯ СЕТЬ С РАЗЛИЧНЫМИ ФУНКЦИЯМИ АКТИВАЦИИ

Х1,Х2 – компонент входного вектора;

Wij – вес синапса;

S1,S2 – результат суммирования;

Y – выходной сигнал нейрона;

Двухслойная сеть прямого распространения

Наилучший график полученный для двухслойной НС (ФА=tansing,poslin) :

- критерий регулярности рег = 0,00036974 = 369,74e-6;- максимальная относительная погрешность = 8,3417%.

ТРЕХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НЕЙРОННАЯ СЕТЬ

С РАЗНЫМИ ФУНКЦИЯМИ АКТИВАЦИИ

Наилучший график полученный для трёхслойной НС(ФА=tansing,poslin,purelin):

- критерий регулярности рег = 0,00025156 = 251,56e-6;- максимальная относительная погрешность = 4,9629%

ЧЕТЫРЁХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НС. СТРУКТУРНАЯ МОДЕЛЬ MATLAB:

Наилучший график полученный для четырёхслойной НС

(ФА=tribas,tansing,poslin,purelin):

- критерий регулярности рег = 9,5331e-5=95,331е-6;- максимальная относительная погрешность = 3,9543%.

Влияние типов функций активации и количества слоев на качество работы НМЭ:

Первый слой Второй слой Третий слой Четвёртый слойКритери

и качества

рег /

Количество

нейронов

Функция

активации

Количество

нейронов

Функция

активации

Количество

нейронов

Функция

активации

Количество

нейронов

Функция

активации

10 tansig 1 poslin369,74e-68,3417%

10 tansig 5 poslin 1 purelin251,56е-6

4,929%

10 logsig 5 poslin 1 purelin458,22е-6

7,238%

10 radbas 5 poslin 1 purelin332,64е-66,0433%

10 tribas 5 poslin 1 purelin247,54е-65,0497%

20 tansig 10 tribas 5 poslin 1 purelin208,31е-65,5734%

20 tribas 10 tansig 5 poslin 1 purelin95,331е-63,9543%

20 radbas 10 tansig 5 poslin 1 purelin104,34е-6

4,0568%

Выводы: В процессе проведения тренировки по разным алгоритмам было выявлено, что наиболее быстро нейросеть тренировалась по методу Левенберга-Марквардта (trainlm). Как следует из сравнительной таблицы по всем проведенным опытам, с увеличением слоев, идентификация той нейросети лучше, в которой первый слой имеет ФА tribas. Чем проще ФА следующего слоя по сравнению с ФА предыдущего слоя, тем качественнее идентификация исследуемого процесса. Исследования нейронных сетей как идентификаторов сложных процессов позволило определить необходимую достаточность по допустимому качеству идентификации для прогнозирования уровня радиационного фона.

В качестве НМЭ была принята (при достаточном уровне точности) классическая трехслойная сеть с 16 нейронами и = 4,9629%Четырехслойная нейронная сеть с 36 нейронами, при более высокой точности требует значительно большего времени обучения для значительного объема входных данных.

Возможность прогнозирования стохастических процессов

с помощью нейронных сетейВсе прогнозы отличаются как по точности, так и по сроку прогнозирования. Можно выделить 3 вида прогноза: - краткосрочный (до 5-10% от размера обучающей выборки);- среднесрочный (от 5-10% до 30-40%);- долгосрочный (от 30-40% до 100%).

Вид прогнозирования

Название нейронной сети

Конфигурация нейронной сети

Алгоритм обучения

сети

Критерий регулярности р, *10-6

Максимальная относительная погрешность

, %

Долгосрочное Каскадная20tansig+10tribas+5poslin+

1purelintrainlm 606,22 5,5524

ДолгосрочноеКаскадная

20tansig+10tribas+5poslin+

1purelintrainbfg 5746,9 13,028

Долгосрочное Рекуррентная

Элмана

20tribas+10tansig+5poslin+

1purelintrainbfg 471,2 4,3464

Среднесрочное Каскадная20radbas+10tansig+poslin+

1purelintrainlm 1787,8 8,3801

Среднесрочное Каскадная20radbas+10tansig+poslin+

1purelintrainbfg 239,17 3,3347

Краткосрочное Классическая20tribas+10tansig+5poslin+

1purelintrainlm 73,707 1,3948

Краткосрочное Сеть с РБФ 400radbas+1purelin - 0,85095 0,12987

Оценка качества прогнозирования стохастического процесса нейронными сетями различного типа и

конфигурации

Наилучшие результаты долгосрочного прогнозирования  получены при использовании каскадных сетей и рекуррентной сети Элмана (для нее   р = 471,2 е-6,   = 3,3464%). Для среднесрочного прогнозирования  лучше подошли каскадные нейросети (р =239,17 е-6,   = 3,3347%). Для краткосрочного прогнозирования лучше подошли «классическая» (р = 73,707 е-6,  = 1,3948%) и сеть с РБФ ( р = 0,85095,   = 0,12987%).Исследования нейронных сетей для прогнозирования уровня радиационного фона и различных стохастических процессов с помощью нейронных сетей требует более подробных исследований.

Выводы:

Функциональный состав системы