И. К. Никифоров чувашский государственный университет им. И. Н. Ульянова нейросетевая система обработки импедансных характеристик жидких нефтепродуктов аннотация Вдоклад
Вид материала | Доклад |
СодержаниеПрограммная эмуляция нейросетевых алгоритмов Программно-аппаратная эмуляция ИНС Аппаратная реализация ИНС Примеры реализации нейросетевой системы обработки |
- Перечень вступительных испытаний в фгбоу впо чувашский государственный университет, 172.51kb.
- Экобиологические механизмы акустического и теплового взаимодействия пчел 03. 02., 944.94kb.
- «Молодые ученые о современном финансовом рынке рф», 228.93kb.
- О. А. Мишулина московский инженерно-физический институт ( государственный университет, 25.24kb.
- Архивное дело в чувашии в XVIII начале, 410.68kb.
- Социально-технологический аспект цивилизационных и формационных изменений общества, 631.83kb.
- Становление марийской, мордовской и чувашской автономий в 20 30-е годы XX века, 795.46kb.
- Муромцева Елена Николаевна Образование высшее; Чувашский государственный университет, 2100.28kb.
- Культурно-национальное мировидение через единицы фразеологического уровня (на материале, 960.36kb.
- Методические особенности обучения тригонометрии учащихся профильных классов 13. 00., 424.17kb.
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 3
И.К. НИКИФОРОВ
Чувашский государственный университет им. И.Н. Ульянова
НЕЙРОСЕТЕВАЯ СИСТЕМА ОБРАБОТКИ
ИМПЕДАНСНЫХ ХАРАКТЕРИСТИК ЖИДКИХ
НЕФТЕПРОДУКТОВ
Аннотация
В докладе рассмотрен возможный подход при классификации нейросетевых систем и кратко изложены основные достоинства и недостатки для программной эмуляции, программно-аппаратной эмуляции и аппаратной реализации искусственных нейронных сетей и нейросетевых алгоритмов. Приведены примеры и методика реализации нейросетевой системы обработки импедансных характеристик жидких нефтепродуктов на основе вышерассмотренной классификации.
Введение
В последние годы искусственные нейронные сети (ИНС) вызывают повышенный интерес у специалистов различных направлений деятельности и находят применение в разнообразных областях техники и технологии: энергетике, химии, робототехнике и т.д. Этому в значительной степени способствуют уровень развития электроники и вычислительной техники, создание множества специализированных СБИС, а также успехи развития структурного подхода конструктивной математики к анализу и синтезу нейрокомпьютерных систем и нейросетевых алгоритмов, которые позволяют упростить и довести до решения множество задач, не разрешимых с помощью общепринятых методов в случаях неявно обусловленных, сложных и зашумленных систем.
Нейросетевые системы можно классифицировать следующим образом.
- Программная эмуляция нейросетевых алгоритмов с применением стандартных ПЭВМ и пакета прикладных программ (ППП) моделирования ИНС (нейропакеты).
Как правило, такие нейросетевые системы разрабатывают для задач, связанных с теоретическими аспектами; предварительного моделирования и обучения нейронных сетей.
- Программно-аппаратная эмуляция ИНС реализуется с применением стандартных ПЭВМ с аппаратной платой, содержащей нейросетевой блок (нейроплаты), выполняющий типовые нейрооперации (взвешенное суммирование и нелинейное преобразование) и управляющим ППП на программном уровне.
Подобные нейросетевые системы применяются в практических задачах, где требуется аппаратная реализация нейросетевого блока. Например, контроль реальных систем и обработка фактических сигналов. Имеющиеся нейроплаты позволяют добиться большей производительности и быстродействия, по сравнению с нейросетевыми системами на основе нейропакетов. Но нейроплаты требуют внешнего управления, осуществляемое от ПЭВМ, содержащей управляющие и обрабатывающие информацию программы.
- Аппаратная реализация ИНС. Элементной базой таких систем являются специализированные контроллеры, программируемая логика (ПЛИС), цифровые сигнальные процессоры (ЦСП) и специализированные микросхемы СБИС, содержащие внутри группу нейроподобных вычислительных элементов (нейрочипы). К аппаратной реализации относят и нейрокомпьютеры, реализованные на аппаратной платформе в виде функционально законченных вычислительных устройств (все операции выполняются в нейросетевом логическом базисе).
Наибольший эффект при реализации нейросетевых алгоритмов достигается при использовании нейрокомпьютеров, отличающихся по производительности от обычных вычислительных систем как минимум на три порядка. Они позволяют моделировать ИНС с миллионами соединений/с. Однако, из-за чрезмерно высокой стоимости их применение, до настоящего времени, ограничено единичными специализированными системами для решения узкого круга прикладных задач, требующих весьма резкого сокращения времени обработки (например, для случаев пространственных задач повышенной размерности).
ЦСП обладают мощной вычислительной структурой, позволяют реализовать различные алгоритмы информационных потоков в виде автономных устройств. Сравнительно невысокая цена, большой ассортимент и развитые средства разработки «внутреннего» программного обеспечения позволяют применять их при построении вычислительных систем с массовым параллелизмом. Но низкая тактовая частота большинства ЦСП, ограничивает максимальную частоту обрабатываемого сигнала до уровня 10...20 МГц.
ПЛИС способны работать на более высоких частотах, но поскольку управление реализовано аппаратно, изменение алгоритмов работы требует перепрограммирования микросхемы. Поэтому, реализация нейровычислителей (являющихся ядром нейровычислительных систем) на основе ПЛИС требует участия эксперта на топологической стадии проектирования, так как автоматизированный режим разводки контактных площадок и связей между ними не позволят достигать 100 % использования ресурсов кристалла. Это обстоятельство является принципиальным для сильносвязанных схем, к которым относятся и нейровычислители. ПЛИС обладают рядом достоинств: высокая производительность с системными частотами до 500 МГц; наличие внутреннего матричного ОЗУ; малое энергопотребление; возможность реализации ПЛИС на основе энергонезависимой FLASH-памяти. Имеется большая номенклатура ПЛИС, выпускаемых различными производителями.
Основной элементной базой перспективных нейровычислителей являются нейрочипы. Многие типы СБИС-нейрочипов дешевле ЦСП, примерно равны в цене с ПЛИС. Отличительной особенностью нейрочипов является то, что они реализуют ИНС наиболее близкие к биологическому нейрону, т.е. являются наиболее гибкими для реализации различных топологий и структур ИНС. На нейрочипах достаточно просто реализуются многомерные нейросети с внутренними и внешними обратными связями. такие многомерные сети с равным быстродействием, как и на нейрочипах, практически невозможно реализовать на ЦСП и ПЛИС.
Примеры реализации нейросетевой системы обработки
импедансных характеристик жидких нефтепродуктов
В работе [1] были получены различные импедансные характеристики бензопродуктов, на основе которых можно формировать входные данные для работы нейросети, и была подтверждена возможность приборной реализации нейросетевой системы обработки импедансных характеристик жидких нефтепродуктов.
Все жидкие нефтепродукты являются производными большого числа углеводородных соединений, а бензопродукты являются лишь частным случаем углеводородных соединений. Поэтому, разработанные в работе [1] методики и алгоритмы обработки экспериментальных данных позволяют применить их к другим типам жидких нефтепродуктов, так как эти методики и алгоритмы безотносительны к типам нефтепродуктов.
Экспериментальные исследования показали, что частотная зависимость импеданса бензопродуктов начинает проявляться на высоких частотах (1 МГц и выше), где появляется частотная зависимость диэлектрической проницаемости . Обычно эта зависимость связана с дипольно-релаксационной поляризацией – бензопродукты начинают проявлять свойства слабополярных жидкостей.
На рис. 1 приведены приборные варианты нейросетевой системы обработки импедансных характеристик жидких нефтепродуктов на высоких частотах на основе программной (рис. 1, а), аппаратной (нейроплата) (рис. 1, б) и нейрочипной (рис. 1, в) реализации ИНС.
|
а |
|
б |
|
в |
Рис. 1. Функциональные схемы устройств основе программной (а), аппаратной (б) и нейрочипной (в) реализаций: Г – широкодиапазонный перестраиваемый генератор гармонического сигнала, ВДУ – высокочастотный дифференциальный усилитель, АЦП – аналого-цифровой преобразователь, ИФУ – интерфейсное устройство |
Схемы построены по дифференциальной схеме включения опорного элемента (электрический эквивалент модели датчика параметров жидкого нефтепродукта [1], соответствующий импедансу пустого датчика или датчика с заполненным одним из типов жидкого нефтепродукта) и датчика (экспериментальная частотная зависимость импеданса датчика с другими типами нефтепродуктов, относящихся к тому же классу). Преимущество дифференциального включения датчика и опорного элемента состоит в том, что используется только полезная составляющая сигнала, пропорциональная приращению .
Имеется большое количество нейропакетов, тем не менее приборную реализацию нейросетевой системы обработки импедансных характеристик жидких нефтепродуктов по рис. 1, а трудно приспособить к ситуациям, когда необходимо обеспечить высокое быстродействие всей системы. В то же время достоинствами такой приборной реализации являются: а) высокая гибкость моделирования и конструирования разнообразных топологий нейронных сетей; б) возможность реализации различных интерфейсов пользователя; в) легко реализуемая возможность переориентации ИНС для различных нейросетевых приложений.
Устройство на основе нейроплаты (рис. 1, б) имеет те же достоинства, что и устройство по рис. 1, а, но его быстродействие, как правило, на порядок выше нейропакетного варианта.
Отличительной особенностью устройства на нейрочипе – специализированном микропроцессоре, содержащем внутри группу нейроподобных вычислительных элементов (рис. 1, в), является его высокое быстродействие, малые габариты, возможность встраивания и использования в технических и технологических системах идентификации и определения параметров жидких нефтепродуктов.
Разработана методика измерения и формирования матриц модуля и аргумента импеданса для работы нейронной сети в режимах обучения и определения параметров жидкого нефтепродукта в виде алгоритма, состоящая из следующих основных шагов:
1) задают диапазон частот .... В этом диапазоне выбирается дискретная сетка частот с равномерным или неравномерным шагом, исходя из предварительного эксперимента и информативности частотных характеристик импеданса;
2) измеряют частотные характеристики приращения модуля и аргумента импеданса в дифференциальной схеме устройства рис. 1 в выбранной полосе частот для одного вида (типа) жидкого нефтепродукта, включающего в себя эталонных сортов, требующих определения параметров, каждый из которых имеет градаций (см. [1]). Соответственно, для обучения ИНС (при термостатированном датчике) требуется эталонных образцов жидкого нефтепродукта;
3) для учета влияния температуры проводят повторные измерения по п.2 при различных температурах в диапазоне рабочих температур прибора;
4) формируют матриц нормированных значений и матриц , полученных по пп. 2, 3;
5) в соответствии с методикой, приведенной в [1], определяют системные параметры нейросетевой системы (вектора входных и выходных сигналов ИНС, параметры нефтепродукта и их дискретности, количество входных данных ИНС, размерность выходного слоя ИНС, число нейронов скрытых слоев и число слоев ИНС, выбор функции активации ИНС, погрешность распознавания выбранных параметров нефтепродукта);
6) на основе полученных в п. 4 матриц и обучают ИНС задачам идентификации сортов и определению параметров с градациями на эталонных образцах нефтепродукта;
7) переходят к измерениям нефтепродукта, формируют матрицы нормированных значений и матриц с неизвестными параметрами;
8) подают сформированные в п. 7 матрицы на вход ИНС, предварительно обученной согласно п. 6, и определяют параметры исследуемого нефтепродукта;
9) если погрешность распознавания больше допустимой, то переходим на шаг 6.
Список литературы
1. Никифоров И.К. Нейросетевой импедансный метод и устройства идентификации и определения параметров жидких нефтепродуктов. Дис. канд. техн. наук. Чебоксары: Изд-во Чуваш. ун-та, 2005. 172 с.
УДК 004.032.26(06) Нейронные сети