BC/NW 2015 № 1 (26) 8:3

МЕТОДЫ ПРЕДОБРАБОТК  ДАННЫХ  ДЛЯ  ОБУЧЕНИЯ  НЕЙРОННОЙ  СЕТИ  В  ЗАДАЧЕ  ОЦЕНКИНАДЕЖНОСТИ ЭЛЕКТРООБОРУДОВАНИЯ

 

Алимбекова Ж.Р., Муралёва, В.В. Седлецкий, Г.С. Шихин, В.А.

 

Рассмотрены методы повышения эффективности обучения нейронной сети (НС), построенной для оценки надежности электросетевого оборудования, включая маслонаполненные измерительные трансформаторы напряжением 35 кВ. Наибольший интерес представляет метод оптимизации за счет предобработки данных путем линеаризации и масштабирования.

Предобработка выборки данных является важным шагом при применении обучаемых НС [1] и определяет скорость обучения, величины ошибок обучения и обобщения и иные свойства сети.

В [2, 3] предложено оценивать значение константы Липшица (КЛ) обучающей выборки. КЛ выборки

где   – векторы входных сигналов и требуемых выходных

сигналов НС.

Для минимизации КС была сформирована вычислительная процедура, обеспечивающая работу нейроэволюционного алгоритма. Была выявлена наилучшая архитектура связей нейронной сети с девятью нейронами скрытого слоя. В результате функционирования алгоритма выявлено, что построенная сеть подобной архитектуры обеспечивает высокий уровень оценивания, при этом включает в себя 77 связей между нейронами, что на 13 меньше, чем полносвязная сеть.

После обработки исходной выборки КЛ уменьшилась в 3,7 раза относительно КЛ исходной выборки без предобработки, а скорость обучения увеличилась. Среднее значение ошибки обучения осталось прежним, т.е. точность обучения НС при увеличении скорости обучения не ухудшилась.

Литература

1. Миркес Е.М. Нейрокомпьютер: проект стандарта. Новосибирск: Наука, 1999.

2. Царегородцев В.Г. Предобработка обучающей выборки, выборочная константа Липшица и свойства обученных нейронных сетей // Материалы Х Всеросс. семинара.

3. Шихин В.А., Алимбекова Ж.Р. Методы оптимизации процедуры обучения нейронной сети в задаче оценки надежности электрооборудования // Радиоэлектроника, электротехника и энергетика: Тр. ХХ междунар. научно-техн. конф. студентов и аспирантов. М.: Издательский дом МЭИ, 2014.