Projektowanie sztucznych sieci neuronowych w zagadnieniu identyfikacji parametrów geometrycznych łuków

• Autorzy: Kłos M.

Warianty tytułu

EN

Projecting SSN of the identification of the shape parameters for the arches

• Języki publikacji: PL

Abstrakty

PL

Zaproponowano dwie metody projektowania sztucznych sieci neuronowych (SSN) do identyfikacji parametrów geometrycznych łuków. Jedna z metod to powszechnie stosowana metoda walidacji krzyżowej, w której poszukuje się minimum funkcji błędu. Druga to nowoczesna metoda MML - maksimum całkowitej wiarygodności, oparta na podejściu bayesowskim. W celu porównania obu metod przeanalizowano sieci kaskadowe, w których wejście stanowiło zawsze sześć podstawowych częstości drgań własnych i w każdym kroku kaskady otrzymane z uczenia sieci parametry geometryczne łuku. Wyjściem zawsze był tylko jeden parametr geometryczny. Otrzymane wyniki potwierdzają skuteczność metody MML, stosowanej zamiast metody walidacji krzyżowej bezpośrednio na całym zbiorze danych, bez wielokrotnych powtórzeń.

EN

Two methods were proposed for design of artificial neural networks (ANN) of the identification of the shape parameters for the arches. One of methods is applied universally method of the cross-validation in which we seek the minimum of the function of the mistake. Second is modem method MML Maximum of Marginal Likelihood taken from Bayesian approach. In the paper the design of ANN is related to searching of an optimal value of the number of neurons H in the hidden layer of network. It is illustrated on six numerical examples. In these problems the input vector always composed of the first six eigenfrequencies and made up the plus in every the step the cascade one the shape parameter. The obtained results enable to formulate a conclusion the criterion MLM can be used instead of the cross-validation method. This conclusion if of practical value, since it permits to design ANNs without formulation of a test set of patterns.

Słowa kluczowe

PL

projektowanie; metoda projektowania; sieć neuronowa sztuczna; identyfikacja parametrów; parametr geometryczny; łuk; walidacja krzyżowa; maksimum całkowitej wiarygodności

EN

design; design method; artificial neural network; identification of parameters; shape parameters; arch; cross-validation; maximum of marginal likelihood

• Wydawca: Oficyna Wydawnicza Politechniki Rzeszowskiej
• Czasopismo: Zeszyty Naukowe Politechniki Rzeszowskiej. Budownictwo i Inżynieria Środowiska
• Rocznik: 2010
• Tom: z.57[271], nr 2
• Strony: 21--28
• Opis fizyczny: Bibliogr. 6 poz., il.

Twórcy

autor

Kłos M.

• Politechnika Rzeszowska

Bibliografia

• 1. ADINA System Online Manuale. Theory and modeling guide, ADINA R& D Inc., Watertown2001.
• 2. Haykin S.: Neural networks. A comprehensive foundation. 2nd Ed., Upper Saddle River, NJ: Prentice Hali, 1999.
• 3. Kłos M.: Neuronowa analiza zagadnień symulacji częstości drgań własnych i identyfikacji parametrów geometrycznych łuków płaskich. Zeszyty Naukowe Politechniki Rzeszowskiej, nr 245, 2007, 103-113.
• 4. MacKay D.J.C.: Bayesian Interpolation. Neural Computation, vol. 4, 1992, pp. 415-447.
• 5. Neural Network Toolbox for Use with Matlab. User’s Guide, Version 3.0. The Math-Works, Inc. 2006.
• 6. Waszczyszyn Z., Słoński M.: Maksimum całkowitej wiarygodności zamiast walidacji krzyżowej w projektowaniu sztucznych sieci neuronowych. Zeszyty Naukowe Politechniki Rzeszowskiej, nr 243, 2007, 170-182.