Modelowanie neuronowe procesów technicznych z zastosowaniem inżynierii chaosu

• Autorzy: Przystałka P.

Warianty tytułu

EN

Neural modeling of technical processes with the use of chaos engineering

• Języki publikacji: PL

Abstrakty

PL

Artykuł dotyczy problemu modelowania neuronowego z zastosowaniem inżynierii chaosu. Główna część pracy poświęcona jest lokalnie rekurencyjnej globalnie jednokierunkowej sieci neuronowej zbudowanej z jednostek przetwarzających, dla których możliwe jest uzyskanie zachowania chaotycznego. Inżynieria chaosu wykorzystana jest w algorytmie ewolucyjnym w celu poprawy efektywności procesu uczącego. Problem wyboru wejść istotnych modelu rozwiązano, modyfikując metodę Z. Hellwiga. Izolinie kryterialne oraz wybrane metody wrażliwościowe zastosowano do poszukiwania optymalnej struktury sieci. W celu przedstawienia zalet i ograniczeń proponowanego podejścia przedstawiono wyniki modelowania neuronowego z wykorzystaniem danych zgromadzonych na obiekcie rzeczywistym.

EN

The paper deals with the problem of neural modeling with the use of chaos engineering. The main part of the paper is focused on a locally recurrent neural network that is composed of complex dynamic neural units for which chaotic behaviour can be obtained. Chaos engineering is incorporated into the evolutionary algorithm in order to improve the efficiency of the tuning procedure. The problem of relevant inputs selection is solved by means of the method of extended Hellwig's coefficient of integral capacity of information. Criteria isolines and some sensitive methods are used to find the suitable architecture of a network. The merits and limitations of the proposed approach is illustrated using real-world data.

Słowa kluczowe

PL

rekurencyjne sieci neuronowe; algorytmy ewolucyjne; obliczenia miękkie; teoria chaosu; inżynieria chaosu

EN

recurrent neural network; evolutionary algorithms; soft computing; chaos theory; chaos engineering

• Wydawca: Polskie Towarzystwo Mechaniki Teoretycznej i Stosowanej. Oddział Gliwice
• Czasopismo: Modelowanie Inżynierskie
• Rocznik: 2013
• Tom: T. 17, nr 48
• Strony: 112--123
• Opis fizyczny: Bibliogr. 30 poz.

Twórcy

autor

Przystałka P.

• Instytut Podstaw Konstrukcji Maszyn, Politechnika Śląska

Bibliografia

• 1. Aihara K.: Chaos engineering and its application to parallel distributed processing with chaotic neural networks. In: Proceedings of the IEEE 2002. Vol. 90, Iss. 5.
• 2. Abarbanel H.: Analysis of observed chaotic data. New York: Springer Verlag, 1996.
• 3. Awrejcewicz J., Mosdorf R.: Analiza numeryczna wybranych zagadnień dynamik chaotycznej. Warszawa: WNT, 2003.
• 4. Cun Y. L., Denker J. S., Solla S. A.: Optimal brain damage. „Advances in Neural Information Processing Systems”. Morgan Kaufmann 1990, p. 598 - 605.
• 5. De Moor B.: DaISy: Database for the identification of systems. Departament of Electrical Engineering, ESAT/SISTA, K.U.Leuven, Belgium, [97-003] Data from a test setup of an industrial winding process. Strona projektu (dn. 05.10.2013): http://homes.esat.kuleuven.be/~smc/daisy/.
• 6. Garfinkel A., Spano M., Ditto W., Weiss J.: Controlling cardiac chaos. „Science” 1992, Vol. 257, p. 1230 – 1235.
• 7. Hirota K.: Fuzzy-neuro-chaos: research and industrial applications in Japan, „Systems, Man and Cybernetics” 1995, Vol. 3, p. 2446 - 2459.
• 8. Fradkov A, Evans R.: Control of chaos: methods and applications in engineering. „Annual Reviews in Control” 2005, Vol. 29, p. 33 - 56.
• 9. Kemp S. E., Wilson I. D., J. Andrew Ware: A tutorial on the gamma test. „International Journal of Simulation Systems, Science and Technology” 2005, Vol. 6 No. 1, p.67 - 75.
• 10. Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa, W. (red.): Fault diagnosis: models, artiacial intelligence, applications. Berlin, Heidelberg: Springer, 2004.
• 11. Krishnaiah J., Kumar C., Farugi M.: Modelling and control of chaotic processes through their bifurcation diagrams generated with the help of recurrent neural network models. Part 2: An industrial study. „Journal of Process Control” 2006, Vol. 16, No. 1, p. 67 - 79.
• 12. Li Z.: Fuzzy chaotic systems: modeling, control and applications. T. 199 Studies in Fuzziness and Soft Computing. Berlin, Heidelberg: Springer Verlag, 2006.
• 13. Li Z., Halang W. A., Chen G.: Integration of fuzzy logic and chaos theory. Studies in Fuzziness and Soft Computing. Berlin, Heidelberg: Springer Verlag, 2006.
• 14. Marwan N., Kurths J., Saparin P.: Generalised recurrence plot analysis for spatial data. „Physics Letters A” 2007, Vol. 360, p. 545 - 551.
• 15. Marwan N., Romano M. C., Thiel M., Kurths J.: Recurrence plots for the analysis of complex systems. „Physics Reports” 2007, Vol. 438, p. 237 - 32.
• 16. Moon F. C.: Chaotic Vibrations. An introduction for applied scientists and engineers. John Wiley and Sons, Inc, 2004.
• 17. Moon F. C., Kalmár-Nagy T.: Nonlinear models for complex dynamics in cutting materials. „Phil. Trans. R. Soc. Lond A” 2001, Vol. 359, p. 695 - 711.
• 18. Morrison F.: Sztuka modelowania układów dynamicznych - deterministycznych, chaotycznych, stochastycznych. Warszawa: WNT, 1996.
• 19. Ott E.: Chaos w układach dynamicznych. Warszawa: WNT, 1997.
• 20. Patan K.: Artiacial neural networks for the modelling and fault diagnosis of technical processes. T. 377 Lecture Notes in Control and Information Sciences. Berlin, Heidelberg: Springer, 2008.
• 21. Przystałka P.: Metodyka modelowania neuronowego w diagnostyce procesów z uwzględnieniem elementów teorii chaosu. Gliwice, Pol. Śl., KPKM, 2009. Zesz. nr 141,
• 22. Roy R., Murphy T., Maier T., Gills Z., Hunt E.: Dynamical control of a chaotic laser: experimental stabilization of a globally coupled system. „Phys. Rev. Lett.” 1992, Vol. 68, No. 9, p. 1259-1262.
• 23. Rutkowski L.: Metody i techniki sztucznej inteligencji. Warszawa: Wyd. Nauk. PWN, 2005.
• 24. Schuster H.: Chaos deterministyczny: wprowadzenie. Warszawa: Wyd. Nauk. PWN, 1993.
• 25. Stavroulakis P.: Chaos applications in telecommunications. CRC Taylor and Francis, 2005.
• 26. Szulim R., Moczulski W.: A method of mining knowledge to aid control of complex industrial processes. In: Recent Developments in Artificial Intelligence Methods, W. Cholewa, T. Burczynski i W. Moczulski (eds.). AI-METH Series. Gliwice: Pol. Śl., 2004, p. 273 – 276.
• 27. Thiel M., Romano M., Kurths J., Meucci R., Allaria E., Arecchi F.: Influence of observational noise on the recurrence quantification analysis. „Physica D: Nonlinear Phenomena”2002, Vol. 171, No. 3, p. 138 - 152.
• 28. Wiggins S.: Introduction to applied nonlinear dynamical systems and chaos. New York: Springer-Verlag, 2003.
• 29. Zadeh L.A.: Fuzzy logic, neural networks and soft computing. „Communications of the ACM” 1994, Vol. 37, No. 3, p. 77 - 84.
• 30. Zbilut J., Webber C.: Embeddings and delays as derived from quantification of recurrence plots. „Physics Letters A” 1992, Vol. 171, p. 199 - 203.