Heuristic modeling of objects and processes using dynamic neural networks

• Autorzy: Przystałka P.

Warianty tytułu

PL

Heurystyczne modelowanie obiektów i procesów przy pomocy dynamicznych sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

The methodology of heuristic modeling is one of the subjects included in the activities developed by the Department of Fundamentals of Machinery Design [4, 6]. Among all the approaches of heuristic modeling some of the most common are artificial neural networks. There are many papers and books devoted to applications of neural networks for modeling dynamic systems [1, 2, 4, 5, 6, 7]. In this paper, known approach basing on dynamic neuron model is presented (dynamic neuron with IIR filter in the activation block [2]) but some developments are introduced. Locally recurrent networks which are composed of dynamic neural units described in [2, 5, 7] are able to model behavior of complex dynamic systems. Nevertheless, they have one major disadvantage, that is, neural networks composed of these neurons are not able to represent stochastic behaviors of some objects [4,6]. By introducing the ARMAX (or ARX) system into dynamic neuron model author has received dynamic neuron unit that never behaves in the same way (it brings an artificial neuron closer and closer to the biological model). In this paper the author presents formal description of dynamic neuron unit with ARMAX system in the feedback block. There are also described a general structure of dynamic neural network composed of these neurons, two known training methods and some commonly used quality measures. At the end of the paper three examples of applications are given.

PL

Metodologia heurystycznego modelowania obiektów i procesów jest jednym z kierunków badań rozwijanym prze Katedrę Podstaw Konstrukcji Maszyn [4, 6]. Spośród wielu metod modelowania heurystycznego duże znaczenie odgrywają metody bazujące na sztucznych sieciach neuronowych. Można wyróżnić wiele ciekawych prac badawczych prowadzonych w kierunku modelowania systemów dynamicznych z zastosowaniem tego typu narzędzia [1, 2, 4, 5, 6, 7]. W artykule zaprezentowano znane podejście bazujące na dynamicznych neuronach (dynamiczny neuron z filtrem IIR w bloku aktywacyjnym [2]) z pewnymi modyfikacjami. Lokalnie rekurencyjne sieci neuronowe złożone z dynamicznych neuronów opisane w [2, 5, 7] nadają się do modelowania zachowania złożonych systemów dynamicznych. Jednakże, posiadają one jedną główną wadę tzn. nie są zdolne do reprezentowania zachowania losowego niektórych obiektów [4, 6]. Poprzez wprowadzenie systemu typu ARMAX (ARX) do modeli dynamicznych neuronów autor otrzymał dynamiczny model neuronu, który nigdy nie zachowują się w ten sam sposób (przybliża to model sztucznego neuronu do jego biologicznego wzoru). W artykule autor prezentuje formalny opis dynamicznego neuronu z systemem typu ARMAX w bloku sprzężenie zwrotnego. Opisuje również ogólną strukturę dynamicznej sieci neuronowej złożonej z tych neuronów, dwa znane algorytmy trenujące oraz powszechnie stosowane miary jakości. Przykładowe zastosowania opisywanych sieci zaprezentowane są w końcowym fragmencie opracowania.

Słowa kluczowe

EN

artificial neural network; locally recurrent neural network; dynamic systems; quasi-Newton methods; heuristic modelling

PL

sztuczna sieć neuronowa; lokalnie rekurencyjna sieć neuronowa; systemy dynamiczne; metoda quasi-Newtonowska; modelowanie heurystyczne

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2006
• Tom: nr 2(38)
• Strony: 31--36
• Opis fizyczny: Bibliogr. 7 poz.

Twórcy

autor

Przystałka P.

• Silesian University of Technology, Department of Fundamentals of Machinery Design, Konarskiego Street 18a, 44-100 Gliwice, Poland,

Bibliografia

• [1] Gobbak Anil K., Raghavendran H., Tapas Anand M.: Internal Feedback Neuron Networks for Modeling of an Industrial Furnace. The 1997 IEEE International Conference on Neural Networks. Volume: 2, On page(s): 700-705 vol.2. ISBN: 0-7803-4122-8.
• [2] Korbicz J., Koscielny J. M., Kowalczuk Z., Cholewa W. (Eds.): Fault diagnosis. Models, Artificial Intelligence, Applications. Springer-Verlag Berlin Heidelberg 2004 New York. ISBN 3-540-40767-7.
• [3] Majchrzak E., Mochnacki B.: Metody numeryczne. Podstawy teoretyczne, aspekty praktyczne i algorytmy. Wydawnictwo Politechniki Śląskiej, Gliwice 2004, ISBN 83-7335-231-7 (In Polish).
• [4] Moczulski W.: Methodology of Heuristic Modelling of Dynamic Objects and Processes for Diagnostics and Control. Recent Developments in Artificial Intelligence Methods. AI-METH 2005, p. 123 – 126.
• [5] Sinha N.K., Gupta M.M. and Rao D. H.: Dynamic Neural Networks: An Overview. Proceedings of IEEE International Conference on Industrial Technology 2000 (IEEE Cat. No.00TH8482). Volume: 1, On page(s): 491- 496 vol.2. ISBN: 0-7803-5812-0.
• [6] Przystałka P., Moczulski W.: Koncepcja metodyki tworzenia heurystycznych modeli obiektów przemysłowych.: Pomiary Automatyka Kontrola, 2005, Agencja Wydawnicza SIMP, ISSN 0032-4110, materiały VII Krajowej Konferencji Naukowo-Technicznej Diagnostyka Procesów Przemysłowych. Rajgród 2005, str. 136-138 (in Polish).
• [7] Yazdizadeh, A.; Khorasani, K.: Identification of a class of non-linear systems using dynamic neural network structures. Proceedings of International Conference on Neural Networks (ICNN'97). Page(s):194-198 vol.1. Digital Object Identifier 10.1109/ ICNN.1997.61162.