Управление сетью передачи данных на рыборазводном комплексе с использованием искусственных нейронных сетей Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 681.51+004.896

УПРАВЛЕНИЕ СЕТЬЮ ПЕРЕДАЧИ ДАННЫХ НА РЫ БОРАЗВОДНСМ КОМПЛЕКСЕ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

Я. Ю. Вертун

Омскии зосударствстыи твхчиуоскии университет, s. Омск, Россия

Лшю'нагшя Россия располагает крупнейшим d мире водным фондом. В условиях критического со стояния сднпствсппым надежным источником увеличения объемов рыбных запасов является аквакулъ тура. Целью работы является анализ модели управления существующим рыборазводным заводом по воспроизводству иенных видов промысловых рыб в г. Ханты-Мансийске, с использованием нейронных сетей. С" точки зрения искусственного интеллекта, представляют интерес системы, которые способны к самоорганпзаинн и перестройке внутренней структуры только на основе внешних данных При этом сама система изначально не имеет представления о характере к возможных взаимных связях входных и выходных параметров Рассматриваются преимущества использования ННС в данном процессе и способы программной реализации. Результатом является подтверждение возможности создания программных ■i]to.<avkri 1Ж н 11{н11|1»1\11ын11-аш1н|1и1нмъ кимилитж. нппшксующих нрГфогпскыр ihxhii.iiii им н ни |рнГ)л-инци*- in киничнш и lin. Iкожи i нлм I .¡1} Пики v ;h:ihiim ii них.

Jùi/ачебые слова: рыборазводный. нейросети. STXeural Nenvorks.

1ВПЦДЩШЕ

В условиях, когда уловы океанической рыбы и других морепродуктов сокращаются. а рыбные запасы внутренних водоемов находятся в Еретическом состоянии и поддсржнЕаются в основном за счет искусственного воспроизводства, единственным надежным источником увеличения объемов пищевой рыбной продукции является аклакулыура.

В качестве объекта моделирования выбрал цех ЛЬ / рыборазводлего завода по воспроизводству ценных пи лов промысловых рыо в г. Хаиты Мапсинеке. Цех представляет собой систему для выращпвапня стерляди мае сои S грамма: 1 /6 рыбпых бассейиов с объемом водь: С, / м , общий объем бассейнов Оборот ооды зсех

бассейнов через установку замкнутого водоснабжения (УЗВ) 2 раза за 1 час. Отсюда следует, что для данного объекта необходима особая система, способная контролировать параметры с минимальной долей ошибки н величиной запаздывания.

Искусственные нейронные сети - это адалшвные системы для обработки и анализа данных Их математическая структура, имитирующая работу человеческого мозга, демонстрирующая способность к неформальному обучению, к обобщению информации, самостоятельному построению прогнозов на основе предъявленных временных рядов, позволяет строить математическую модель на основе предъявляемой информации. Поэтому

нгй]»:»ннк1г 1г1и и 1гнгнчгоиг илшригмы иггулльнм 1им, г,'(г нужно prillhlh чиднчи ll[hh нши})« нюним, к1и11и-фик;и.ии \ii]i.-iK:ifHM4 [1]

ПоДЯКЛН .IHliîhlt; ЧИГ.1Н НН КХОДМ иГуЧЙГМСЖ НГЙрПННОЙ ГПИ ММ пилучигм HilÎMTj: ЧИГГЛ НИ KKIXOJUIX (-КПГИН Ри(м»1Я НГЙ]К)НН(|Й ГП И ПХ'.ШИТ К I ipi*<vrîj>rr4(l№1HHH КХОДНОШ КГКГО[1И H КЫХО/1НОЙ Hr-K ICip, |£!ИЧГМ -ï 1С» II]iron[lii:«l-

ванне задастся весами нейронной сети [2]

П. ПССТАНОВКА ЗАДАЧИ

Цели создания С истомы: обеспеченно надежной и безеварниной работы установок замкнутого водоснабжения (далее УЗВ); улучшеино качества регулирования технологических параметров в условиях повышенных требований к соблюдению температурных режимов;

- оперативный контроль состоятся систем оиергооЬеспечеши. вептиляцнп, отоплепия, пожарной системы

- ехшжепие потерь человеческих, материально технических и топштио энергетических ресурсов, сокраще ппе расходов па производство;

- предотвращение внештатных ситуаций:

- обеспечение ирстнвоаварнйных защит, блокировок, дымоудалення и сигнализации:

- обеспечение записи данных в реальном времени:

- дистанционное управление системой:

- диагностика оборудования системы без привлечения сторонних лил.

Ш. ТЕОРИЯ

Построение модели начинается с выбора архитектуры нейронной сети, состоящего ш двух этапов.

На первом этапе следует выбрать следующее:

1) какие нейроны использовать (число входов, передаточные функции) В нашем случае 8 параметров:

2) каким образом следует соединить их между собой;

3) что взять в качестве входов и выходов нейронной сети.

Далее следует подбор весов (обучение) нейронной сети.

Количество весов может составлять несколько десятков тысяч. Для многих архитектур разработаны специальные алгоритмы обучения, которые позволяют настроить веса нейронной сети определенным образом Наиболее популярный ш этих алгоритмов - метод обратного распространен:хя ошибки (Error Back Propagation), который планируется рассмотреть d ходе дальнейшей работы [3].

После многократного предъявления примеров веса нейронной сети сгабгглизнруются. При этом нейронная сеть дает правильные отлеты на почти примеры из базы дашплх, которую в качестве эталона загружали в самом начале моделирования. 3 таком случае говорят, что «нейронная сеп, обучена»: или «нейронная сеть патреннро вала» В программной реализашш наглядно видно, что в процессе обучения сумма квадратов ошибок по всем выходам постепе:п:о уменьшается. Когда вешгпша ошибки достигает пуля (идеальный вариант) или прнемле мого малого уровня [реальный случаи), тренировку останавливают. Полученная нейронная сеть считается патрегпгрозагаюй и готовой к применению па иовых дашплх.

Для полноценной тренировки иейрошюй сети требуется хотя бы несколько десятков (а лучше сотен) приме

Прп выборе числа входов нейронной ссти был учтен разумный компромисс между глуоннон предсказания н качеством обучения нейронной сетк (объем тренировочного набора) |4|.

IV. ШЗУЛЬГАТЫ ОКСГЕТНМЕПТСВ

В ходе моделирования проведен ряд экспериментов с различными конфнгурецнямн. с выбором лучшей ссти (по минимальной ошибке).

В результате построения пробной модели система иатренкрозана на получения выходных параметров с минимальным отклонением

ВЫХОДНЫС ф^"НКЦШ1

- контроль и исправность каналов связи: контроль нспраБностн входных ксналов: контроль нспраБностн коммуникационных модулей;

контроль выхода измеряемого пграмстра за пределы техно логических уставок, контроль предельных значений шкалы датчика:

вырабатывание енгншюз управления для исполнительных механизмов и реле на основании информации от датчиков процесса

V. Обсуждение результатов

Ошибка для каждой конфигурации сети определяется путем прогона через сеть всех имеющихся наблюдений н сравнения реальных выходных значений с желгемымн значениями (в соответствии с нормативами, касающимися акьекультуры) Все полученные разности суммируются в «функиню сшнбох». значение ксторой и является ошибкой сети. D качестве функнни ошибок чаше всего берегся сумма квадратов ошибок. При построении модели с использованием пахета ST Neural Networks выдается среднеквадратичная ошибка (RMS) - опн-сгнная выше величина нормируется на число наблюдений и переменных, после чего из нее извлекается квадратный корень. Получаем усредненную ошибку по всему обучаюшему множеству и по всем выходным элемен-тем [5].

Если в очередном эксперименте сеть не выдает результат приемлемого качества, добавляют дополнительные некроны е промежуточный слон. При большом отклонении - новый промежуточный слой.

Если имеет место переобучение, в кгчестзе решения требуется удалить несколько скрытых элементов (а возможно, и слоев)

VI. ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

Предложенная меюдлка исследования сисгсмы позволит нолучшь следующие преимущества.

- возможность создания самообучающейся системы. досгаючно универсальной, с точки зрения решаемых зги.ач.

- более широкие возможности в активном управлении. поведении.

- возможность создания программных продуктов н программно-аппаратных комплексов, использующих технология нейронных сетей и не требуюiroix от конечного пользователя глубоких знаний о них. Оператор, не обладающий глуйилныи познаниями в области дктчашгнции может заниматься мониторингом в режиме реального времени, используя данные системы [б].

СПИСОК ЛИТЕРАТУРЫ

L. Gomez F. J., Miikkulamen R. Active Guidance for a Finless Rocket using Neuroevolution. // Proceedings of the Genetic Evolutionary Computation Conference (GECCO). 2003

2. Pail Z.. Kang. L., Wie S. Evolving Both the Topology and Weights of Neural Networks. П Parallel Algorithms and Applications. 1996. Vol. 9. P. 299-307

3. Haykui S. Neural Networks: A Comprehensive Foundation 1 st. // Book. - Prentice Hall PTR Upper Saddle River. NJ, USA 1994. P.768

4. Harp S. A., Samad Т., Gnha A Towards the genetic synthesis of neural networks. // Third international conference on genetic algorithms. San Mateo, CA: MorganKaufhranii. 1989. P. 360—369.

5. Каллан P. Основные концепции нейронных сетей: пер. с англ. М.: Вильяме, 2001. 288 е.: ил. Парал. тит.

6. Спицын В. Г. Базы знашш и экспертные системы: учеб. пособие. Томск: ТТГУ, 2001 88 с.