Title: M
1Módszerek sebességi állandók becslésére
Kovács Benedek, kovacsbe_at_math.bme.hu
2006.10.16 Budapesti Muszaki és
Gazdaségtudományi Egyetem
2Tartalom
A FELADAT NEURÁLIS HÁLÓZATOK MÓDSZERE A
becslés folyamata Megoldandó problémák Jelenlegi
becslési eredmények INVERZ MÓDSZER
BEMUTATÁSA ÖSSZEHASONLÍTÁS EREDMÉNYEK, TOVÁBBI
MUNKA Paraméterbecslés és neurális
hálózatok Kiszolgáló Mathematica csomag
3A feladat
Adott egy rendszer modellje (differenciálegyenlet-
rendszer) Valamilyen kémiai/egyéb folyamat
modellje Ismeretlen paraméterek, azok
eloszlásai Mérések Felhasználható Valahány
állapotváltozó mérheto a rendszerben CÉL Néhány
ismeretlen paraméter becslése ELLENORZÉS AMIT
NEM TUDUNK MEGTENNI a becsült paramétert
az igazihoz hasonlítjuk AMIT MEG TUDUNK TENNI
az állapotváltozóink értékének ellenorzése
4BECSLÉS NEURÁLIS HÁLÓZATOKKAL
A függvény amire kíváncsiak vagyunk I
(Measured) Variables ? (Estimated)
Parameters Mérésekbol becsülni a
paramétereket ÖTLET Ki tudjuk számítani egy
inverzét I -nek G (Chosen) Parameters ?
(Calculated) Variables Analitikusan megoldjuk a
modellt
5BECSLÉS NEURÁLIS HÁLÓZATOKKAL (2)
A neurális hálózatot az I függvény
interpolációjára TANÍTJUK, választott
paraméter-értékekkel INPUT (Calculated)
Variables OUTPUT (Chosen) Parameters
BECSLÉS Kiértékeljük a hálózatot a mérési
adatainkkal INPUT (Measured) Variables
OUTPUT(Estimated) Parameters
6BECSLÉS NEURÁLIS HÁLÓZATOKKAL (3)
7MEGOLDANDÓ PROBLÉMÁK
Az ismeretlen paraméterek száma exponenciálisan
növeli a tanítóhalmazt STRATÉGIÁK A TANÍTÓHALMAZ
KIVÁLASZTÁSÁRA TELJES FELOSZTÁS 2-3
paraméterig FIXÁLT FELOSZTÁS speciális
esetekben muködik VÉLETLEN FELOSZTÁS (Monte
Carlo) csomósodhat LATIN HIPERKOCKÁK sok
paraméterre eddigi legjobb LATIN HIPERKOCKÁK 2
fejlesztés alatt EREDMÉNYEK (KÍSÉRLETI) AZ
ALGORITMUS LEGYEN eloszlás alapú a véletlen
használata könnyen bovítheto
8MEGOLDANDÓ PROBLÉMÁK (2)
Sok mérésre pontosabb az interpoláció, de
nagyobb a számításigény A HÁLÓZAT
BEMENETE Hány állapotváltozót vizsgáljunk (nem
mindig mindet) A több változó vizsgálata
elbonyolíthatja a problémát, gt nagyobb hibájú
lesz a becslés Hány mérést nézzünk FELSO
HATÁR maximális idopillanatok száma gt
minimális hálózat komplexitás KIMENET Ellenorzöt
t tanítási stratégia Egyetlen paraméter? Csak
a becsülendo paraméterek? Csak az
ismeretlen/ismert paraméterek?
9JELENLEGI EREDMÉNYEK
SIKERÜLT MINDEN SZÓBAJÖVO MODELLRE JÓ BECSLÉST
ADNI Sajnos nincs recept a hálózati struktúrára,
a próbálkozás a legjobb Bonyolultabb modellhez
komplexebb háló kell. Túl komplex háló épp olyan
rossz, mint a túl egyszeru. A problémák
hasonlítanak neurális hálózatok
problémáihoz Becsléselméleti kérdések Becsülhet
oek-e a paraméterek A fv. globális minimuma
kell-e? Ellenorzo algoritmusaink kiszurnek
nagyon sok rossz hálót Extrapoláló hálókat
kidobjuk nem feltétlen helyes MIÉRT VAGYUNK
OPTIMISTÁK? Sikeres becsléseink PONTOSSÁGA eléri
a 95-ot. Becslést tudunk adni olyan esetben,
ahol máshogy nem lehet A hálózat rendszerfüggo,
ha van jó hálónk, a becslés GYORS
10BECSLÉS INVERZ MÓDSZERREL
Az alapfeladat szukítet egyszerusített
(minta) Integrálható diff.egyenlet Probléma
az invertálásnál négyzetes mátrix kell
invertálható?
11A két módszer
NEURÁLIS HÁLÓZATOK MODELL - fekete doboz -
akár több ftlen. változó MÉRÉS - nem kell
tudni mindent mérni - nem kell azonos
idopill.-ben - kevés mérés elég SZÁMÍTÁSIGÉNY
- lassú tanítás (jó hálózat offline, hetek) -
gyors becslés - pontosság növelése nem egyértelmu
INVERZ MÓDSZER MODELL - invertálhatóság -
linearitás - egyetlen diff.egy. rsz. MÉRÉS -
mindent mérni kell - azonos idopill.-ben kell
mérni - kevés mérés nem ér semmit (kontra
neurális hálózatok) SZÁMÍTÁSIGÉNY - nem lehet
nagyon gyors (perceket, órákat igényel) -
pontosság növelése
12A két módszer (2)
NEURÁLIS HÁLÓZATOK SIKER - nem garantált -
javuló hatékonyság PONTOSSÁG - 95
javítható? - becsülhetoség határain belül - nem
szmámítható
INVERZ MÓDSZER SIKER - garantált PONTOSSÁG
- mérési pontosság - mérések darabszáma -
integrálási pontosság - számítható
KÖVETKEZTETÉS problémafüggo alkalmazás
13Az elvégzett munka további célok
Elvégzett munka Tetszoleges (diff. egy.)
modellhez neurális hálózat építése Beépített
kezdetleges ellenorzés Módosított, több hálót
tanító autom. Algoritmus Szisztematikusan
tanított sok hálózat Összehasonlító
mérések Inverz módszer alkalmazása
fejlesztése Kezdetleges kevert algoritmus
kidolgozása Elméleti célkituzések Inverz
módszer hibájának matematikai
megatározása általánosabb mátrixinvertálás új,
iterációs algoritmus kidolgozása Neurális
módszer matametikai hibaszámítás speciális,
paraméterbecslo hálózat kidolgozása
14A Mathematica programcsomag
REAKCIÓKINETIKAI PROGRAMCSOMAG RÉSZE A csomag
jelenlegi tartalma Mérési eredményeket szimuláló
modul Alap INVERZ becslést megvalósító
modul NEURÁLIS hálózatokat építo modul Becslo
modul, hibaszámítással, neurális
hálózatokhoz Szisztematikus algoritmusok eleve
rossz elvetése A csomag további
fejlesztése Cél Kompatibilitás más
reakciókinetikai csomagokkal (részb.) Mégnagyobb
granualitás Algoritmus-kombinálációs
lehetoség Feladatspecifikus Neuronhálózat
implementálása
15KÖSZÖNÖM A FIGYELMET! kovacsbe_at_math.bme.hu