Параметры нейронных радиально-базисных сетей
Если сравнивать относительные погрешности сетей с прямой передачей сигнала и радиально-базисные сети, то можно видеть, что наименьшую относительную погрешность обеспечивают линейные сети прямого распространения, а значить при решении задачи управления одна из сетей имеет преимущество перед другой. Радиально-базисные сети имеют значительно больше нейронов, чем сравнимая сеть с прямой передачей сигнала и сигмоидальными функциями активации в скрытом слое. Это обусловлено тем, что сигмоидальные функции активации перекрывают большие диапазоны входа, чем радиально-базисные функции. В промышленных сетях практически невозможно использование радиально-базисных сетей.
Выводы. Для использования нейроуправления процесом работы реальных аппаратов ИТН, используемых при производстве аммиачной селитры, необходимо после определения структуры нейросети провести обучение на основании технологических показателей. Моделирование нейросети с использованием симулятора показало успешность процесса обучения и его удовлетворительное качество, которое позволяет использовать нейросети для управления технологическими процессами аппаратов ИТН, используемых при производстве аммиачной селитры, и про перспективность дальнейших исследований этого направления.
Список литературы:
1. Каримов Р.Н. Обработка экспериментальной информации. Ч.3: Многомерный анализ: учеб. пособие , Саратов: СГТУ, 2000. 108 с.
2. Галушкин А.И. Теория нейронных сетей . - М.: ИПРЖР, 2000, 416 с.
3. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.-2-е изд., стереотип. – М.: Горячая линия – Телеком, 2002. -382 с.
4. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И. Д. Рудинского. М.: Финансы и статистика, 2002. 304 с.
5. Хайкин С. Нейронные сети. Полный курс. М.: Вильямс, 2006. 1104 с.
6. Круглов В.В., Борисов В.В. Гибридные нейронные сети. –Смоленск: Русич, 2001. – 224 с.
7. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6 / Под общ. ред. к.т.н. В.Г. Потемкина. – М.: ДИАЛОГ_МИФИ, 2002. – 496 с.
8. Афанасенко А.Г.,ВерёвкинА.П. Нейросетевое моделирование показателей качества процесса карбонизации. // Вестник УГАТУ, 2009.- т. 13.- № 2 (35).-с . 222 –225
9. Ватагин В.С., Невский А.В. Нейротехнологии проектирования интегрированных автоматизированных систем управления техногенной безопасностью производства.// Современные наукоемкие технологии.- 2005.- т. 4.- с. 75 – 81
10. Topolski N.G., Vatagin V.S., Computer Aided Fire safety Systems in Chemical Industries.// Mary Kay O’Connor Process Safety Center Symposium. -Proceeding.- October 24-25.- 2000.- Reed Arena.- Texas A&M. -University, College Station, Texas- p.348-349.
11. Сысоев В.В., Мусатов В.Ю., Силаев А.В., Залялов Т.Р., Мащенко А.А. Применение метода нейронных сетей для анализа отклика однокристальной мультисенсорной системы идентификации газов.// Вестник Саратовского государственного технического университета.-2007.- №1 (21).- Выпуск 1.-стр.80-87
12. Baskin I.I., Skvortsova M.I., Palyulin V.A., Zefirov N.S. Quantitative chemical struc-ture – property/activity relationship studies using artificial neural networks. // Foun-dations of Computing and Decision Sciences. - 1997. - Vol. 22, № 2. – P. 107-116.
13. Баскин И.И., Палюлин В.А., Зефиров Н.С. Применение искусственных нейрон-ных сетей для прогнозирования свойств химических соединений. // Нейроком-пьютеры: разработка, применение. - 2005. - № 1-2. - С. 98-101.
14. 14.Баскин И.И., Палюлин В.А., Зефиров Н.С. Многослойные персептроны в ис-следовании зависимостей «структура-свойство» для органических соединений. // Рос. хим. ж. (Ж. Рос. хим. об-ва им. Д.И. Менделеева). – 2006. - Т. L, № 2. - С. 86-96.
15. Gardner J.W., Hines E.L., Wilkinson M. Application of artificial neural networks to an electronic olfactory system // Measurement Science and Technology. -1990. -Vol. 1.-Р. 446-451.
16. Zhang H., Balaban M.O., Principe J.C. Improving pattern recognition of electronic nose data with time-delay neural networks // Sensors and Actuators B. -2003. -Vol. 96. -Р. 385-389.
17. H.-K. Hong, C.H. Kwon, S.-R. Kim Portable electronic nose system with gas sensor array and artificial neural network. // Sensors and Actuators B. -2000. -Vol. 66. -Р. 49-52.
УДК 681.14
Хиль М.И., Ганжа С.Н., Карпенко А.В., Тюндер И.С.