Development of a method for structural optimization of a neural network based on the criterion of resource utilization efficiency

Abstract

Для вирішення задач апроксимації широко використовуються математичні моделі у вигляді штучних нейронних мереж (ШНМ). Використання цієї технології передбачає двох етапний підхід. На першому етапі визначається структура моделі ШНМ, а на другому етапі здійснюється навчання для отримання максимального наближення до еталонної моделі. Максимальне значення наближення до еталону визначається складністю архітектури ШНМ. Тобто, підвищення складності моделі ШНМ дозволяє підвищувати точність апроксимації, а, відповідно, і результату навчання. При цьому визначення структури моделі ШНМ, що здійснює апроксимацію із заданою точністю, визначається як процес оптимізації. Однак підвищення складності ШНМ призводить не тільки до підвищення точності, а і до підвищення часу обчислювального процесу. Таким чином, показник «задана точність» не може використовуватися в задачах визначення оптимальної архітектури нейронної мережі. Це пов'язано з тим, що результат вибору структури моделі і процесу її навчання, котрий базується на забезпеченні необхідної точ ності апроксимації, може зайняти неприйнятний для користувача часовий проміжок. Для вирішення завдання структурної ідентифікації нейронної мережі використовується підхід, у рамках якого здійснюється визначення конфігурації моделі за критерієм ефективності. У про цесі реалізації розробленого методу узгоджується часовий чинник вирішення завдання і точністю апроксимації. Запропонований підхід дозволяє обґрунтувати принцип вибору структури і параметрів нейронної мережі, спираючись на максимальне значення показника ефективності використання ресурсів Ключові слова: штучна нейронна мережа, оптимізація структури, апроксимація функцій, критерій ефективності UDC 007.5

Modeling and simulating dynamics of lithium-ion batteries using block-oriented models with piecewise linear static nonlinearity

“…All models can be divided into analytical ones, which include electrochemical models [6][7][8][9][10][11] and models based on electrical replacement circuits [12][13][14][15][16][17][18][19], and datadriven ones [20][21][22][23][24][25][26][27][28][29][30][31].…”

“…Machine learning methods are widely used to model and predict the state of rechargeable batteries. The models used for that are nonlinear, have pre-known structure defined at the stage of structural optimization [23], and apply experimentally obtained data for parametric identification. That is, they can be classified as datadriven models.…”

The Method of Restoring Lost Information from Sensors Based on Auto-Associative Neural Networks

“…For example, more than 3500 parameters are recorded in the database (DB) per hour of a nonlinear technical object operation. In these conditions, failures of the control and measuring reliability equipment, especially sensors, in the control system of a nonlinear technical object [1,2] lead to serious consequences (15 to 20% of nonlinear technical object failures are associated with the sensor's failure [3,4]). It is related to early completion of work or premature decommissioning of the facility.…”

Modeling of thermal process in the energy system “Electrical network - asynchronous motor”

“…The economic assessment of various options for restoring electricity in shop networks to standard quality indicators is the basis proposed in [4][5][6][7] for a decisionmaking method for the operation of electrical equipment, including AM, operating in conditions of poor-quality supply voltage [8].…”