Scribd Logo
Upload

Welcome to Scribd!

  • Использование специальных методов обучения в нейросетевом классификаторе дефектов

    Uploaded by

    nikolaymartynov
    24 views4 pages
    В работе исследуется возможность и особенности применения нейронной сети типа многослойный персептрон для определения типа дефектов труб нефте- и газопроводов по вектору признаков и определения их параметров. Оценена возможность применения специальных методов ускорения процесса обучения и улучшения способности к обобщению, таких как алгоритмы RPROP и SARPROP.

    Copyright

    © Attribution Non-Commercial (BY-NC)

    Available Formats

    PDF, TXT or read online from Scribd

    Did you find this document useful?

    Is this content inappropriate?

    Report this Document
    В работе исследуется возможность и особенности применения нейронной сети типа многослойный персептрон для определения типа дефектов труб нефте- и газопроводов по вектору признаков и определения их параметров. Оценена возможность применения специальных методов ускорения процесса обучения и улучшения способности к обобщению, таких как алгоритмы RPROP и SARPROP.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Download as PDF, TXT or read online from Scribd
    Flag for inappropriate content
    Download as pdf or txt
    24 views4 pages

    Использование специальных методов обучения в нейросетевом классификаторе дефектов

    Uploaded by

    nikolaymartynov
    В работе исследуется возможность и особенности применения нейронной сети типа многослойный персептрон для определения типа дефектов труб нефте- и газопроводов по вектору признаков и определения их параметров. Оценена возможность применения специальных методов ускорения процесса обучения и улучшения способности к обобщению, таких как алгоритмы RPROP и SARPROP.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Download as PDF, TXT or read online from Scribd
    Flag for inappropriate content
    Download as pdf or txt
    of 4

    .

    . .
    , ( ),
    , ,
    - .
    , ,
    .
    .
    , ,
    .
    .
    ,
    . , .

    - .
    (features) (region of
    interest), ,
    , , -, / ,
    .

    -
    .

    , RPROP SARPROP.

    RPROP. Resilient error backpropagation - , 1992
    ( 1994) [1, 2]. (
    ),
    . ,
    :
    i j (t-1)* + , E/w i j (t-1)*E/w i j (t) > 0,
    i j (t) = i j (t-1)* - , E/w i j (t-1)*E/w i j (t) < 0,
    i j (t-1),
    0 < < 1 < +.
    RPROP :
    1) ,

    a)
    i) E/wm,n,nit * E/wm,n,nit-1 > 0
    w m , n , n i = min( + * w m , n , n i , m a x )
    w m , n , n i = -SGN( E/w m , n , n i ) * w m , n , n i
    w m , n , n i = w m , n , n i + w m , n , n i
    E/w m , n , n i t - 1 = E/w m , n , n i t
    ii) E/wm,n,nit * E/wm,n,nit-1 < 0
    w m , n , n i = max( - * w m , n , n i , m i n )
    E/w m , n , n i t - 1 = 0
    iii) E/wm,n,nit * E/wm,n,nit-1 = 0
    w m , n , n i = -SGN( E/w m , n , n i ) * w m , n , n i
    w m , n , n i = w m , n , n i + w m , n , n i
    E/w m , n , n i t - 1 = E/w m , n , n i t
    iv)
    , ,
    , ,
    , .
    max .
    min .
    + .
    - .

    :
    m a x = 50
    m i n = 10 - 6
    + = 1,2
    - = 0,5
    RPROP , ,

    .
    SARPROP [3, 4].
    Simulated Annealing ( ) RPROP -
    RPROP, 1998 , ,
    .
    ,
    .
    ,
    .
    :
    - ;
    -
    (RMS).

    ,
    .

    .

    . ,
    .
    RPROP - (weights decay),
    .
    , .

    E/w i j S A R P R O P = E/w i j - k 1 * w i j * 2 - T * e p o c h
    ,
    . ,
    , ( ).
    SARPROP:

    E/w i j (t-1)*E/w i j (t) > 0
    i j (t) = min( i j (t-1)* + , m a x )
    w i j (t) = w i j (t) + w i j (t)
    E/w i j (t-1) = E/w i j (t)
    E/w i j (t-1)*E/w i j (t) < 0
    i j (t-1) < k 2 *error 2
    i j (t) = i j (t-1)* - + k 3 *r*error*2 - T * e p o c h

    i j (t) = i j (t-1)* i j (t) = max( i j (t-1)* - , m i n )


    E/w i j (t-1) = 0

    w i j (t) = - sign( E/w i j (t) ) * i j (t)


    w i j (t+1) = w i j (t) + w i j (t)
    E/w i j (t-1) = E/w i j (t)
    error - , - , k1, k2, k3 , r - [0; 1].
    ,
    SARPROP
    [3]:
    - k1 = 0.01
    - k2 = 0.1
    - k3 = 3
    - T [0.01; 0.07].

    ,

    , ,
    .
    SARPROP
    RPROP.
    .
    1. Martin Riedmiller, RPROP - A fast adaptive learning algorithm. - Karlsruhe, 1992, 12 c.
    2. Martin Riedmiller, RPROP - Description and implementation details. - Karlsruhe, 1994,
    16 c.
    3. N.K. Treadgold, T.D. Gedeon, THE SARPROP ALGORITHM: A SIMULATED
    ANNEALING ENHANCEMENT TO RESILIENT BACK PROPAGATION. - Sydney,
    1998, 7 c.
    4. P. A. Castilo, SA-Prop: Optimization of multilayer perceptron parameters using simulated
    annealing. - Granada, 1998, 10 c.

    You might also like