Miért nem merül fel merevedés gerjesztéskor
Címlap » Neurális hálózatok » 8.
Hogy is van ez? A Ford intelligens töltése Megszokhattuk már: az autóépítésben szinte nincs biztos pont.
Dinamikus hálók alkalmazása A dinamikus neurális hálózatokalkalmazása igen szerteágazó. A hálók legfontosabb alkalmazási területei bonyolult ipari, gazdasági, pénzügyi, stb.
Általánosságban elmondható, hogy a dinamikus neuronhálók mindazon területeken sikerrel alkalmazhatók, ahol a hagyományos eszközökkel történő feladatmegoldás nem vagy nehezen lehetséges, és ahol a neuronhálók alkalmazásához elengedhetetlenül szükséges megfelelő mintakészlet rendelkezésre áll vagy megszerezhető. Egyfelől tehát a rendelkezésre álló ismeret, tudás jellege, másfelől a feladat komplexitása szabja meg, hogy a neuronhálók adott feladat megoldásában sikerrel alkalmazhatók-e vagy sem.
A dinamikus hálók alkalmazási körét két fő szempont határozza meg: egyrészt a dinamikus hálók képessége, másrészt az, hogy milyen előnyök várhatók a neuronhálók alkalmazásától. Láttuk, hogy a statikus neuronhálók több típusára igaz, hogy univerzális approximátorok, tehát képesek tetszőleges folytonos nemlineáris leképezés tetszőleges pontosságú közelítésére.
A dinamikus neuronhálók — bármilyen alkalmazási területet is nézünk — sikerüket az általános modellező képességüknek köszönhetik.
Előnyük — és részben hátrányuk is —, hogy a péniszméret megtudja feladatról viszonylag kevés háttérismeret birtokában is alkalmazhatók.
Téves nézet azonban az, hogy mivel egy neuronháló fekete doboz modellt valósít meg, itt nincs is szükség a megoldandó feladat részletes megismerésére.
Miközben a fekete doboz modell a bemeneti-kimeneti mintapontok vagy mintaszekvenciák alapján létrehozható, a megoldás minőségét és a megfelelő minőségű megoldás elérésének nehézségét is döntően befolyásolja, hogy milyen jellegű és mennyi ismeret áll rendelkezésünkre. A dinamikus hálók alapvetően a statikus hálók kiterjesztései révén származtathatók, ahol a fő képességeket a regresszor és a nemlineáris leképezés együttesen határozzák meg.
8.6. Dinamikus hálók alkalmazása
Megfelelően megválasztott regresszor és az univerzális approximátor képesség biztosítja, hogy a dinamikus neuronhálókat, mint univerzális nemlineáris dinamikus rendszermodellező eszközöket tekintsük. A következőkben előbb a dinamikus rendszerek modellezésének néhány általános kérdését foglaljuk össze röviden, majd a neurális hálózatok dinamikus feladatokra történő alkalmazásánál felmerülő fontosabb kérdésekkel foglalkozunk, végül néhány mintapéldát mutatunk be.
Identifikáció, rendszermodellezés Az identifikáció, mint alapfeladat célja létrehozni a vizsgált rendszer egy modelljét, amely adott feltételek mellett, adott pontossággal közelíti az eredeti rendszer viselkedését.
Egy rendszermodellezési feladat megoldásánál a következő főbb lépések különböztethetők meg: a modellezés céljának meghatározása, kiinduló a priori információ begyűjtése a modellezendő rendszerről, a modellstruktúra megválasztása, modell paraméterbecslés, a modell kiértékelése. Az így kapott modell kiértékelése alapján dönthetünk, hogy a modellünk a kitűzött célnak megfelel-e vagy finomítani, pontosítani kell.
Ez utóbbi esetben a modellezési folyamat valamely korábbi lépéséhez vissza kell miért nem merül fel merevedés gerjesztéskor. Azzal, hogy neuronhálós modellt építünk a fenti kérdések egy részét eleve eldöntöttük, hiszen a neuronhálós modell struktúráját a neuronháló típusának meghatározásával részben rögzítjük is.
Neuronhálós modellezésnél azt azonban figyelembe kell venni, hogy a modell struktúráját döntően a modellező eszköz és nem a modellezendő rendszer szabja meg. A viselkedési modell a modellezendő rendszer bemeneti-kimeneti viselkedését tudja minél pontosabban leírni anélkül, hogy a modell struktúrája akárcsak hasonlítana is a modellezendő rendszer struktúrájához.
Ez azt jelenti, hogy neuronhálós modellezésnél még akkor sem tudunk strukturális modellt létrehozni, ha egyébként az ehhez szükséges ismeret birtokában vagyunk.
Totalcar - Tanácsok - Az Autódoktor válaszol
A neuronhálós modellek fekete doboz black box modellek, melyek csupán kívülről nézve jellemzik a modellezendő rendszer viselkedését.
Struktúraválasztás dinamikus neurális hálózatoknál Neuronhálós modellezésnél a modellstruktúra választás alapvetően arra a kérdésre ad választ, hogy a lehetséges általános struktúrák melyikét alkalmazzuk.
A struktúraválasztás első kérdése, hogy a modellezendő rendszer statikus vagy dinamikus modellel írható-e le kellő pontossággal. Amennyiben statikus rendszermodellezési feladattal állunk szemben, az előző fejezetekben bemutatott neuronháló típusok közül választhatunk. A struktúraválasztás a típusválasztáson túl a háló méretének — pl.
Az ezzel kapcsolatos nehézségekkel és lehetőségekkel az előző fejezetekben foglalkoztunk. Dinamikus feladatoknál a struktúraválasztás jóval nehezebb: egy dinamikus neurális hálózat által biztosított y.
