Способ компьютерного моделирования технической системы

Изобретение относится к области компьютерного моделирования технических систем. Технический результат - обеспечение более точного и надежного прогнозирования рабочих параметров за счет применения нейронной сети при моделировании. Способ для компьютерного моделирования технической системы, при котором: моделируют один или несколько выходных векторов в зависимости от одного или нескольких входных векторов путем обучения нейронной сети (НС), базируясь на тренировочных данных из известных входных векторов и выходных векторов, причем соответствующий выходной вектор содержит один или несколько рабочих параметров технической системы и соответствующий входной вектор содержит один или несколько рабочих входных величин, влияющих на рабочую величину или величины, при этом нейронная сеть есть сеть с прямой связью с несколькими соединенными друг с другом слоями, которая включает входной слой, множество скрытых слоев и один выходной слой, причем выходной слой включает множество скрытых слоев, соответствующее множеству выходных кластеров из соответственно одного или нескольких выходных нейронов. 2 н. и 13 з.п. ф-лы, 2 ил.

 

Изобретение относится к способу компьютерного моделирования технической системы, а также к способу прогнозирования одного или нескольких параметров технической системы.

Во множестве областей применения желательно моделировать поведение технической системы с помощью компьютера, чтобы таким образом прогнозировать определенные рабочие параметры технической системы. Например, в области производства электроэнергии все чаще используются возобновляемые энерговырабатывающие устройства, количество выработанной энергии которых сильно зависит от влияния внешних величин и, в частности, от погодных условий. Таким образом, желательно для технической системы в виде возобновляемого энерговырабатывающего устройства иметь возможность приемлемо прогнозировать количество энергии, вырабатываемой в будущем, чтобы таким образом иметь возможность лучше планировать энергоснабжение от такого энерговырабатывающего устройства.

Задачей изобретения поэтому является моделирование с помощью компьютера технической системы, которая может надежно и точно прогнозировать ее рабочие параметры.

Эта задача решается способом согласно п.1 формулы изобретения, соответственно п.14 формулы изобретения, соответственно с помощью компьютерного программного продукта согласно п.16 формулы изобретения. Усовершенствования изобретения определены в соответствующих пунктах.

Соответствующий изобретению способ применяет для компьютерного моделирования технической системы искусственную нейронную сеть. При этом моделируется один или несколько выходных векторов в зависимости от одного или нескольких входных векторов путем обучения нейронной сети, базируясь на тренировочных данных входных векторов и выходных векторов, причем соответствующий выходной вектор содержит один или несколько рабочих параметров технической системы, причем соответствующий входной вектор содержит один или несколько входных величин, влияющих на рабочую величину или величины.

Нейронная сеть является при этом специальным вариантом сети с прямой связью (Feed-Forward-Netzes). Сеть с прямой связью характеризуется тем, что несколько лежащих друг над другом нейронных слоев сопряжены между собой в одном направлении обработки от нижних к верхним слоям через соответствующие веса в виде весовой матрицы, причем нейроны внутри слоя не имеют между собой соединений. Сеть с прямой связью, примененная в изобретении, является многослойной сетью с несколькими соединенными между собой слоями, которая содержит входной слой, множество скрытых слоев и выходной слой. Входной слой содержит при этом некоторое количество входных нейронов для описания входного или входных векторов. С другой стороны, соответствующий скрытый слой содержит несколько скрытых нейронов, и выходной слой содержит ряд выходных нейронов для описания выходного вектора или выходных векторов.

Нейтронная сеть изобретения характеризуется тем, что выходной слой включает в себя множество скрытых слоев соответствующих множеству выходных кластеров из, соответственно, одного или нескольких выходных нейронов, причем каждый выходной кластер описывает подобный выходной вектор и соединен с одним из других скрытых слоев. При этом каждому скрытому слою придан выходной кластер, причем скрытый слой сопряжен только с этим выходным кластером. Следовательно, создан отдельный выходной кластер, который описывает независимо друг от друга в нейронной сети одинаковые рабочие параметры технической системы. В отличие от обычной сети с прямой связью в соответствующей изобретению нейронной сети скрытые слои, лежащие ниже высших скрытых слоев, связаны не только с вышележащим скрытым слоем, но и с выходным кластером выходного слоя. При этом к выходному слою подводится дополнительная информация об ошибке так, что соответственно обученная нейронная система может лучше спрогнозировать рабочие параметры технической системы. Поскольку каждый выходной кластер выдает одинаковые рабочие параметры, прогнозируемые параметры могут представляться сообщением через выходной кластер.

В одной из предпочтительных форм соответствующего изобретению способа входной слой нейтронной сети соединен с каждым скрытым слоем, что не имеет место в обычной сети с прямой связью. Там входной слой сопряжен только с самым нижним скрытым слоем. Таким образом, входные величины, которые влияют на работу технической системы, проходят непосредственно к каждому скрытому слою, что в свою очередь ведет к улучшенному прогнозированию рабочих величин технической системы.

В соответствии с одной из особенно предпочтительных форм способа, соответствующего изобретению, соответствующие рабочие величины технической системы моделируются с помощью нейронной сети на более длительный будущий период времени. При этом соответствующий выходной вектор содержит одну или несколько рабочих величин для нескольких следующих друг за другом будущих временных точек в пределах будущего промежутка времени, причем будущий промежуток времени преимущественно включает один или несколько дней и временные точки преимущественно имеют удаление в один час. Такого вида промежутки времени особенно подходят для прогноза количества энергии, которое вырабатывается возобновляемыми энерговырабатывающими установками, которые ниже описываются подробнее.

В соответствии с другой предпочтительной формой осуществления изобретения входные векторы входного слоя нейронной сети представляют прогнозируемые величины. При этом соответствующий входной вектор содержит один или несколько прогнозируемых входных величин для будущей точки времени следующих друг за другом будущих точек времени в пределах будущего временного промежутка времени, причем будущий промежуток времени аналогичен выходным векторам предпочтительно включает один или несколько дней, а временные точки имеют шаг в один час. Соответствующие прогнозируемые точки времени для входных векторов могут совпадать, соответственно, с прогнозируемыми точками времени для выходных векторов.

Как уже выше упомянуто, соответствующим изобретению способом в предпочтительном варианте моделируется техническая система в виде электрической энерговырабатывающей установки, в частности в виде возобновляемой электрической энерговырабатывающей установки. В частности, при этом энерговырабатывающая установка это ветровая силовая установка с одной или несколькими ветровыми турбинами, например, в виде парка ветроустановок. Энерговырабатывающая установка может далее представлять солнечную электростанцию, особенно солнечную тепловую установку и/или фотоэлектрическую установку.

При применении соответствующего изобретению способа для энерговырабатывающей установки в предпочтительном варианте, соответствующий выходной вектор содержит в качестве рабочих величин генерируемое энерговырабатывающей установкой количество энергии для многочисленных будущих временных точек, следующих друг за другом. Обозначение количество энергии при этом понимается широко и может касаться количества выработанной энергии в определенный временной промежуток, соответственно, количества энергии в единицу времени и также электрической мощности. Преимущественно количество энергии представляется как количество энергии, генерируемое в пределах двух друг за другом следующих временных точек. Это количество энергии есть выработанное количество энергии для соответственно рассматриваемой временной точки, которая между предыдущей и последующей рассматриваемой временной точкой, которая также может быть задана в виде электрической мощности выработанной энергии (т.е. количество энергии, разделенное на промежуток времени между временными точками).

В соответствии с одной из предпочтительных форм осуществления изобретения при моделировании энерговыробатывающей установки применяются входные векторы, которые включают соответственно как входные величины одной или нескольких прогнозируемых условий окружающей среды для будущей временной точки из множества будущих временных точек, причем прогнозируемые условия окружающей среды являются, в частности, данными погоды, соответственно, прогнозами погоды, например, которые получают от метеорологической службы. Прогнозируемые погодные данные базируются при этом на данных, которые определены на месте, которое расположено на географическом месте или наиболее ближе к географическому месту нахождения соответствующего энерговыробатывающего устройства. Преимущественно прогнозируемые условия окружающей среды при этом включают одну или несколько следующих величин:

- одно или несколько значений температуры окружающей среды;

- одну или несколько значений влажности воздуха;

- одну или несколько скоростей ветра и/или направлений ветра.

Эти величины применяются особенно в связи с энерговыробатывающими установками в виде ветровой турбины. При этом, например, могут учитываться значения температуры для различных высот, в частности для 25 м, 50 м или 150 м, посредством чего факт расчета учитывает, что ветровые турбины силовой ветровой установки имеют большие поперечные размеры. Дополнительно или альтернативно к названным величинам могут учитываться в качестве других условий окружающей среды одна или несколько величин, касающихся покрытия неба облаками, соответственно, один или несколько величин облучения солнечными лучами (например, выданных в интенсивности света). Наконец, названные условия окружающей среды протекают особенно при применении соответствующего изобретению способа для моделирования солнечных электростанций.

Моделирование технической системы и базирующееся прогнозирование может вследствие этого быть улучшено в предпочтительном варианте изобретения, что также выходы аналитической модели также учитываются. В этом случае входные слои нейронной сети включают один или несколько входных нейронов для описания одним или несколькими другими входными векторами. Эти другие входные векторы отличаются от входных векторов для описания входных величин. Они представляют собой вместо этого одну или несколько рабочих величин технической системы, которые согласованы с подходящей аналитической моделью. По аналогии с нейронной сетью также аналитическая модель, базируясь на соответствующих входных величинах, поставляет рабочие величины технической системы.

Количество скрытых слоев и скрытых нейронов может быть выбрано различно в нейронной сети изобретения в зависимости от варианта применения. В одном варианте изобретения может быть предусмотрено в нейронной сети десять или более скрытых слоев и при этом также десять или более выходных кластеров. Количество скрытых нейронов в скрытом слое лежит, например, между 20 и 30 нейронами.

Нейронная сеть может обучаться в рамках соответствующего изобретению способа с помощью известных самих по себе способов обучения. Особенно при этом в рамках обучения для каждого выходного кластера как целевой величины минимизируется различие между выходным вектором, описанным выходным кластером, и выходным вектором согласно данных тренировки. Обучение в предпочтительном варианте реализуется с помощью адекватно известного из развития техники способа обратного распространения ошибки (английский термин Error Backpropagation).

Наряду с вышеописанным способом для моделирования технической системы, изобретение относится далее к способу прогнозирования одного или нескольких рабочих параметров технической системы, причем к нейронной сети, которая обучена с помощью соответствующего изобретению способа, подводится одна или несколько величин через входной слой, после чего через сеть для по меньшей мере одного выходного кластера выходного слоя нейронной сети определяется соответствующий выходной вектор с одним или несколькими рабочими параметрами технической системы. Способ прогнозирования имеет преимущество, поскольку соответственно только определенная часть нейронной сети в рамках прогноза может применяться, и высшие скрытые слои с сопряженными выходными векторами при прогнозе при этом опускаются. Особенно при этом для прогноза может применяться часть нейронной сети в зависимости от качества пригодности прогнозирования.

В одном варианте соответствующего изобретению способа прогнозирования для нескольких и особенно для всех выходных кластеров определяются соответствующие выходные векторы. При этом их рабочие параметры могут быть затем усреднены, причем средняя величина тогда представляет прогнозируемую рабочую величину.

Наряду с вышеописанным способом изобретение касается далее компьютерного программного продукта со считываемым машиной записанного программного кода на носителе данных для осуществления соответствующего способа, например предпочтительного варианта, когда программный код на ЭВМ запущен.

Примеры исполнения изобретения будут в последующем детально описаны на основе приложенныхчертежей.

Изображено:

фиг.1 - схематическое представление формы осуществления изобретения в соответствующем изобретению способе в примененной нейронной структуре; и

фиг.2 - диаграмма, которая сравнивает с количеством энергии ветряной турбины, спрогнозированное соответствующим изобретению способом, действительно выработанное количество энергии.

В последующем рассматривается форма осуществления способа, соответствующего изобретению, на основе технической системы в виде ветровой силовой установки, причем способом, при котором вырабатываемое ветровой силовой установкой количество энергии, которое вводится в электросеть, прогнозируется через нейронную сеть. Этот прогноз учитывает условия окружающей среды, которые воздействуют на ветровую турбину. Условия окружающей среды - это данные погоды, которые также являются прогнозами, которые, например, поступают от метеорологической службы. В описанной здесь форме осуществления изобретения, при этом для места, на котором установлены ветровые турбины ветровой силовой установки, в качестве условий окружающей среды учитываются температура, влажность воздуха, а также направление ветра. При этом могут входить температуры для различных высот, так как мачта отдельных ветровых турбин простирается в вертикальном направлении на увеличенную длину. В частности, могут учитываться температурные значения на высоте 25 м, 50 м и 150 м.

При необходимости соответствующий изобретению способ может быть применен для других энерговырабатывающих установок таких, как ветровых силовых установок. Например, способ может применяться для прогноза количества энергии, вырабатываемой фотоэлектрической установкой. В этом случае в качестве входных величин поступают преимущественно также температура, влажность воздуха, направление ветра и сила ветра. Дополнительно при этом будут также учитываться степень покрытия неба облаками или также облучение солнечными лучами. Однако более не требуется усреднять величины температур для различных высот, поскольку панели фотоэлектрической установки, как правило, находятся на едином уровне высоты.

Проведенные прогнозы с помощью соответствующего изобретению способа реализованы через нейронную сеть, которая обучена с подходящими данными обучения из известного выработанного количества энергии и известных условий окружающей среды. Нейронная сеть имеет при этом специальную структуру сети, которая показана на фиг.1.

Нейронная сеть на фиг.1 является сетью с прямой связью с множеством лежащих друг над другом слоев, причем сопряжение различных слоев происходит только в направлении обработки от низших до высших слоев и в пределах слоя, при этом имеющиеся нейроны не сопряжены друг с другом. Нейронная сеть на фиг.1 включает входной слой 1 с входными нейронами, три скрытых слоя H1, Н2 и Н3 со скрытыми нейронами, а также выходной слой О, который разделен на три отдельных выходных кластера О1, О2 и О3 из выходных нейронов. Сами по себе известные сопряжения между слоями, через которые с помощью соответствующих весовых матриц нейроны одного слоя соединены с нейтронами других слоев, указаны стрелками. Функции активации отдельных нейронов в сети на фиг.1 не линейные и представлены, соответственно, через линию параболического тангенса (tanh).

В отличие от обычной сети с прямой связью нейронная сеть на фиг.1 характеризуется тем, что для каждого из скрытых слоев H1, Н2, или Н3 существует отдельный выходной кластер О1, О2, соответственно О3. То есть каждый скрытый слой точно закреплен за одним выходным кластером и каждый выходной кластер через весовую матрицу сопряжен только с одним скрытым слоем. Обычно сеть с прямой связью содержит только одно соединение между наивысшим скрытым слоем и выходным слоем. Через соответствующее изобретению применение дополнительных выходных кластеров, которые соединены с нижними скрытыми слоями, к выходным кластерам подводится дополнительная информация об ошибке, посредством чего избегается пропадание информации об ошибке для малых весов.

Каждый из выходных кластеров от О1 до О3 разрешает одинаковые количества энергии ветровой силовой установки для множества будущих временных точек (мгновений). То есть через каждый выходной кластер прогнозируются одинаковые рабочие величины ветровой силовой установки. Следовательно, каждый выходной кластер выдает независимо от других кластеров прогнозируемые величины для количеств энергии. В качестве окончательной прогнозной величины для соответствующей будущей временной точки может быть при этом определена усредненная величина из количеств энергии отдельных кластеров. В описанной здесь форме исполнения изобретения один выходной кластер описывает почасовые прогнозы для количеств энергии, выработанных ветровой силовой установкой в пределах периода прогнозирования продолжительностью один или также несколько дней. Отдельный выходной нейрон представляет при этом спрогнозированное количество энергии для определенной временной точки. Если в качестве прогнозируемого периода рассматривается интервал продолжительностью один день, то выходной кластер содержит при этом 24 нейрона для каждого часа в пределах дня.

Другое отличие сети фиг.1 по сравнению с обычной сетью с прямой связью состоит в том, что входной слой I соединен не только с самым нижним скрытым слоем H1, но также прямо соединен и с другими, при этом лежащими скрытыми слоями Н2 и Н3. Через этот подвод входного слоя ко всем скрытым слоям избегается то, что информация входного слоя в рамках обработки в нейронной сети теряется.

В рамках применения нейронной сети для ветровых силовых установок входной слой I содержит множество входных нейронов, которые создают соответствующие входные векторы, причем каждый входной вектор представляет прогнозированные данные для определенной прогнозируемой временной точки. По аналогии для выходного слоя прогнозируемые данные погоды в почасовых интервалах могут учитываться для следующих 24 часов. То есть входной слой содержит для каждого часа соответствующий входной вектор, который включает входной нейрон для каждой прогнозируемой величины. В зависимости от варианта использования может варьироваться количество примененных скрытых слоев в нейронной сети. Например, могут применяться десять скрытых слоев, которые затем в свою очередь ведут к десяти выходным кластерам. Количество нейронов в отдельных скрытых слоях может также варьироваться. В частности, скрытый слой может включать от 20 до 30 нейронов.

В одной вариации нейронной сети фиг.1 наряду с входными векторами, которые описывают условия окружающей среды, учитываются другие входные векторы, которые представляют прогнозирования количества энергии, которые определяются через аналитическую модель. В одном из реализованных исследователями вариантов была применена в качестве аналитической модели при этом сама по себе известная из развития техники модель Дженсен. Эта модель описывает генерируемое ветровой силовой установкой количество энергии в зависимости от данных погоды и, например, описано в изданиях [1] и [2]. Через применение рабочих параметров, спрогнозированных через аналитическую модель как других входных векторов, может быть далее улучшено качество прогнозирования нейронной сети.

В рамках обучения нейронной сети на фиг.1 каждый выходной кластер от О1 до О3 обучается тренировочными данными из известных спрогнозированных данных погоды и при этом базирующихся количеств энергии, причем целевая величина обучения это минимизация отклонения между количеством энергии, выданных через соответствующие выходные кластеры, и количеств энергии согласно тренировочным данным. Нейронная сеть может обучаться сама по себе известным способом с помощью известных способов обучения. В особенно предпочтительном варианте применяется известный из развития техники способ обратного распространения ошибки (английский термин Error Backpropagation).

После обучения нейронной сети пригодными тренировочными данными могут затем быть в будущем спрогнозированы питающие магистрали при реальной эксплуатации ветровой силовой установки. Пользователю ветровой силовой установки создается возможность лучшего планирования при распределении выработанного количества энергии. В частности, пользователь может приспособить свое предложение количества энергии на энергетическом рынке на прогнозные величины. На основе пригодного прогноза будущей выработки энергии можно также лучше применять выработанное количество энергии, чем регулируемую энергию в энергетической сети. При применении нейронной сети в реальной эксплуатации технической системы при необходимости имеется возможность эту сеть дальше обучать в режиме онлайн при работе, базируясь на регулярных промежутках на вновь поступивших действительно выработанных количествах энергии.

Фиг.2 показывает диаграмму, которая сравнивает со спрогнозированным соответствующим изобретению нейронной сетью количеством энергии ветряной силовой установки действительно выработанное количество энергии. Вдоль абсциссы диаграммы нанесено при этом время t в единицах дней и вдоль ординаты произведенное количество энергии ES (ES = Energy Supply) для соответствующего дня. Заштрихованная линия L2 представляет при этом количество энергии для прогнозируемой временной точки 12 часов в будущем, спрогнозированное соответствующей изобретению нейронной сетью. В противоположность этому нарисованная линия LI представляет фактически выработанное количество энергии ветровой силовой установки. Установлено, что с помощью соответствующей изобретению нейронной сети можно достичь реально очень хорошего прогноза количества энергии и при этом достичь очень хороших питающих мощностей ветровой силовой установки.

В предшествующих описанных формах осуществления способа, соответствующего изобретению, имеется ряд преимуществ. В частности, имеется возможность предусмотреть с помощью соответствующей изобретению сетевой структуры, в которой для каждого скрытого слоя предусмотрен выходной кластер, очень хорошие рабочие параметры технической системы с высокой степенью нелинейности. Способ особенно хорошо пригоден для предсказания количества энергии, вырабатываемой возобновляемой энерговырабатывающей установкой, базируясь на предсказанных погодных данных, причем при необходимости дополнительно через аналитическую, соответственно физическую модель может быть подведено усредненное количество энергии входного слоя нейронной сети.

Ллитература

1. Н.О. Дженсен. Заметки по взаимодействию ветрового генератора. Технический отчет m-2411, Рисо Национальная лаборатория, Роскилле, 1983.

2. И. Катис, Дж. Хойструп, и Н.О. Дженсен. Простая модель для эффективности кластера. Восточная группа ветровой энергии, 1986, том 1, стр.407-410, Роде, 1986 г.

1. Способ для компьютерного моделирования технической системы, при котором:
- моделируют один или несколько выходных векторов в зависимости от одного или нескольких входных векторов путем обучения нейронной сети (НС), базируясь на тренировочных данных из известных входных векторов и выходных векторов, причем соответствующий выходной вектор содержит один или несколько рабочих параметров технической системы и соответствующий входной вектор содержит один или несколько рабочих входных величин, влияющих на рабочую величину или величины, при этом
- нейронная сеть (НС) есть сеть с прямой связью с несколькими друг с другом соединенными слоями (I, H1, Н2, Н3, 0), которая включает входной слой (I), множество скрытых слоев (H1, Н2, Н3) и один выходной слой (0), причем входной слой (I) содержит множество входных нейронов для описания входного или входных векторов, и причем соответствующий скрытый слой (H1, Н2, Н3) содержит множество скрытых нейронов, и причем выходной слой (0) содержит множество выходных нейронов для описания выходного или выходных векторов, отличающийся тем, что выходной слой (0) включает множество скрытых слоев (H1, Н2, Н3), соответствующее множеству выходных кластеров (01, 02, 03) из соответственно одного или нескольких выходных нейронов, причем каждый выходной кластер (01, 02, 03) описывает подобный выходной вектор и соединен с другим скрытым слоем (H1, Н2, Н3).

2. Способ по п. 1, при котором входной слой (I) нейронной сети (НС) соединен с каждым из скрытых слоев (H1, Н2, Н3).

3. Способ по п. 1 или 2, при котором соответствующий выходной вектор содержит одну или несколько рабочих величин для нескольких следующих друг за другом будущих временных точек в пределах будущего промежутка времени, причем будущий промежуток времени преимущественно включает один или несколько дней и временные точки преимущественно имеют интервал в один час.

4. Способ по п. 1, при котором соответствующий выходной вектор содержит одну или несколько прогнозируемых входных величин для будущей временной точки друг за другом следующих будущих временных точек в пределах будущего промежутка времени, причем будущий промежуток времени преимущественно включает один или несколько дней и временные точки преимущественно имеют интервал в один час.

5. Способ по п. 1, при котором способом моделируется техническая система в виде электрической энерговырабатывающей установки и особенно в виде возобновляемой электрической энерговырабатывающей установки.

6. Способ по п. 5, при котором энерговырабатывающая установка включает ветровую силовую установку и/или солнечную электростанцию, особенно солнечную тепловую установку и/или фотоэлектрическую установку.

7. Способ по п. 5 или 6, при котором соответствующий выходной вектор как рабочие величины включает сгенерированное энерговырабатывающим устройством количество энергии (ES) для множества друг за другом следующих временных точек, причем количество энергии (ES) - это преимущественно сгенерированное количество энергии между двумя следующими друг за другом будущими временными точками.

8. Способ по п. 5 или 6, при котором соответствующий входной вектор в качестве входной величины включает одно или несколько спрогнозированных условий окружающей среды для будущей временной точки из множества будущих временных точек, причем спрогнозированные условия окружающей среды это, в частности, данные погоды.

9. Способ по п. 8, при котором спрогнозированное условие окружающей среды или спрогнозированные условия окружающей среды включают одну или несколько следующих величин:
- одно или несколько значений температуры окружающей среды;
- одно или несколько значений влажности воздуха;
- одно или несколько скоростей ветра и/или направлений ветра;
- одно или несколько значений касательно покрытия неба облаками;
- одно или несколько величин солнечного облучения.

10. Способ по п. 1, при котором входной слой (I) включает далее один или несколько входных нейронов для описания одного или несколько других входных векторов, причем другой или другие входные векторы включают один или несколько рабочих величин технической системы, которая определена аналитической моделью.

11. Способ по п. 1, при котором предусмотрено 10 или более скрытых слоев и/или каждый скрытый слой включает от 20 до 30 скрытых нейронов.

12. Способ по п. 1, при котором в рамках обучения нейронной сети для каждого выходного кластера (01, 02, 03), как целевой величины, минимизируется различие между выходным вектором, описанным выходным кластером (01, 02, 03), и выходным вектором согласно данных тренировки.

13. Способ по п. 1, при котором обучение нейронной сети осуществляется, базируясь на обратном распространении ошибки.

14. Способ для прогнозирования одного или нескольких рабочих параметров технической системы, при котором к нейронной сети (НС), которая обучена способом, согласно п. 1, подводится одна или несколько входных величин через входной слой (I), после чего через нейронную сеть (НС) для по меньшей мере одного выходного кластера (O1, O2, O3) выходного слоя (О) определен соответствующий выходной вектор с одним или несколькими рабочими параметрами технической системы.

15. Способ по п. 14, при котором для нескольких и особенно для всех выходных кластеров (O1, O2, O3) определяются выходные векторы, чьи рабочие величины вслед за этим усредняются.



 

Похожие патенты:

Изобретение относится к интеллектуальным системам управления и может быть использовано в качества ядра цифровых нейроконтроллеров и нейропроцессоров. Техническим результатом является обеспечение эффективной адаптации искусственной нейронной сети к параметрам внешней обстановки и к параметрам состояния объекта управления.

Изобретение относится к области вычислительной техники и интеллектуальных вычислительных систем и может быть использовано для создания интеллектуальных вычислительных систем.

Изобретение относится к вычислительной технике и может быть использовано в качестве функционального блока для построения высоконадежных нейросетевых систем защиты информации на основе эллиптических кривых, функционирующих в системе остаточных классов.

Изобретение относится к нейронной сети с пороговой (k, t) структурой для преобразования остаточного кода в двоичный позиционный код, которая является схемой восстановления позиционного числа по сокращенной системе модулей остаточных классов независимо от того, что часть модулей искажена и они отбрасываются либо часть модулей просто игнорируется.

Изобретение относится к вычислительной технике, в частности к модулярным нейрокомпьютерным средствам, и предназначено для выполнения операции масштабирования модулярных чисел.

Изобретение относится к нейронным сетям для преобразования остаточного кода в двоичный позиционный код является базовой схемой восстановления позиционного числа по его остаткам.

Изобретение относится к конвейерным нейронным сетям конечного кольца. .

Изобретение относится к вычислительной технике. .

Изобретение относится к нейрокомпьютерной технике и предназначено для классификации классов чисел по заданному модулю р. .

Изобретение относится к вычислительной технике, в частности к модулярным нейрокомпьютерным средствам, и предназначено для вычисления коэффициентов обобщенной полиадической системы (ОПС), представленных в полях Галуа GF(2v). Техническим результатом является обеспечение возможности исправления ошибок в коэффициентах ОПС, которые были получены из кодовой комбинации, представленной в полиномиальной системе классов вычетов (ПСКВ). Устройство содержит двухслойную нейронную сеть, каждый слой которой содержит 15 нейронов, блок памяти и 7 корректирующих сумматоров по модулю два. 1 ил., 4 табл.

Группа изобретений относится к нейронным сетям и может быть использована для нейронного временного кодирования, обучения и распознавания. Техническим результатом является уменьшение сложности кодирования. Способ содержит этапы, на которых: используют относительную задержку, которая задерживает один или более синаптических вводов в нейронную схему посредством временных задержек; применяют динамическую спайковую модель для того, чтобы определять спайковое поведение нейронной схемы на основе взвешенных и задержанных синаптических вводов нейронной схемы; регулируют согласно правилу неконтролируемого обучения весовые коэффициенты, ассоциированные с синаптическими вводами, в зависимости от взаимосвязи по синхронизации образования спайков в нейронных схемах и задержанных синаптических вводов; выбирают допускающий повторное использование синапс, ассоциированный с нейронной схемой, на основании уменьшения весового коэффициента допускающего повторное использование синапса посредством правила неконтролируемого обучения до значения ниже порогового значения; и модифицируют, по меньшей мере, одно из весового коэффициента, задержки или афферента при повторном использовании допускающего повторное использование синапса. 4 н. и 9 з.п. ф-лы, 38 ил.
Наверх