Искусственные нейронные сети

Искусственные нейронные сети

Искусственные нейронные сети возникли как попытка смоделировать структуру и функционирование мозга. Однако, помимо любой неврологической интерпретации, их можно рассматривать как класс общих, гибких, нелинейных регрессионных моделей.

Из-за сложности явлений, связанных с процессом резки, существует сильная нелинейность во взаимосвязях между задействованными переменными. По этой причине несколько исследователей указали на недостатки статистических подходов при моделировании этих взаимосвязей.

Напротив, некоторые инструменты, основанные на искусственном интеллекте, доказали свою способность сопоставлять сложные нелинейные взаимосвязи. Наиболее популярными и глубоко изученными методами в области мягких вычислений являются искусственные нейронные сети. Они успешно используются для моделирования различных явлений в процессах механической обработки.

Сеть состоит из нескольких простых блоков, называемых нейронами, расположенных в определенной топологии и соединенных друг с другом. Нейроны организованы в слои. В зависимости от их положения слои называются входным слоем, скрытым слоем или выходным слоем. Нейронная сеть может содержать несколько скрытых слоев.

Если в нейронной сети нейроны подключены только к тем, которые находятся в следующих слоях, это называется сетью прямой связи. В эту группу входят многослойные персептроны (MLP), сети радиальных базисных функций (RBF) и самоорганизующиеся карты (SOM).

Обучающие нейроны

Процесс корректировки весов и отклонений на основе предоставленных данных называется обучением, а используемые данные — обучающим набором. Процесс обучения нейронной сети можно в широком смысле разделить на две типичные категории:
• Контролируемое обучение: требуется использовать как входные, так и целевые значения для каждой выборки в обучающем наборе. Наиболее распространенным алгоритмом в этой группе является обратное распространение, используемое в MLP, но оно также включает в себя большинство методов обучения для рекуррентных нейронных сетей, нейронных сетей с временной задержкой и сетей RBF.
• Обучение без присмотра: используется, когда целевой шаблон не полностью известен. Она включает в себя методы, основанные на теории адаптивного резонанса и НЕКОТОРЫЕ ДРУГИЕ.

Обратное распространение, которое применяется к MLPS, является наиболее популярным и хорошо изученным алгоритмом обучения. Это метод градиентного спуска, который минимизирует среднеквадратичную ошибку разницы между выходными данными сети и целями в обучающем наборе.

Универсальная аппроксимация

Аппроксимация нелинейных функций является одним из наиболее важных применений многослойных нейронных сетей. Было доказано, что двухслойная нейронная сеть может аппроксимировать любую непрерывную функцию в пределах любой произвольной заранее установленной ошибки при условии, что она имеет достаточное количество нейронов в скрытом слое. Это так называемое свойство универсальной аппроксимации.

В области механической обработки с твердым покрытием искусственные нейронные сети широко используются не только для моделирования переменных, но также и в целях мониторинга. Очень интересный подход представлен Umbrello, которые объединяют нейронные сети и методы конечных элементов для прогнозирования остаточных напряжений и оптимальных условий резания при точении с высокой точностью.

Даже для наиболее широко реализованной нейронной сети MLP до сих пор нет общих правил, определяющих количество скрытых слоев, количество нейронов для каждого слоя и сетевое подключение для достижения оптимизированного эффекта моделирования. Если искусственные нейронные сети выбраны в качестве подхода к моделированию износа инструмента, такие проблемы должны быть тщательно решены.

Другим недостатком является то, что в немногих работах представлена математическая модель обученной нейронной сети, т.е. коэффициенты весов и смещений. Это не позволяет использовать результаты в других операциях.

Искусственные нейронные сети

Добавить комментарий

Ваш адрес email не будет опубликован.

Пролистать наверх