hrvatski

Neuronska mreža u identifikaciji laboratorijskog modela regulacije nivoa tekućine

Za opisivanje pojava u prirodi čovjek odavno primjenjuje matematiku. Većina tih pojava slijedi neke zakonitosti usprkos prividnom stanju kaosa. Za postizanje prednosti pred prirodom bitno je povezati činjenice kako bi se mogla napraviti predikcija budućih stanja. Najbolji primjer toga je vremenska prognoza. Čovjek je od davnina počeo primjećivati određene zakonitosti pri promjeni vremena. Danas se za predikciju vremena koriste složeni matematički modeli koji prema podacima starim i do pedeset godina pokušavaju što je točnije simulirati pojave u prirodi. Razvitkom računala počele su se primjenjivati i neuronske mreže. Neuronske mreže za razliku od matematičkog modela ne traže od korisnika detaljno poznavanje ponašanja sustava. Za njih je potreban dobar izbor faktora koji utječu na ponašanje te dovoljno velik uzorak prema kojem mreže uče. Glavni faktori koji utječu na promjenu vremena su najčešće temperatura, tlak, vjetar i količina padalina. Prema tim prikupljenim podacima mreža uči, nakon čega može simulacijom dati prognozu vremena za određeno razdoblje. Pritom se jedna složena neuronska mreža može podijeliti na više manjih. Primjer toga bilo bi kreiranje neuronskih mreža za svaki mjesec u godini, umjesto jedne složene mreže koja bi kao faktor u obzir morala uzimati i trenutni mjesec. Neuronske mreže imaju sve veću primjenu i u tehničkim sustavima, odnosno sustavima koje je stvorio čovjek. U tehničkim sustavima također postoje određene zakonitosti koje je moguće opisati matematičkim modelom ili naučiti neuronskim mrežama. Neuronske mreže se pritom mogu podijeliti na mreže koje uče na temelju podataka simuliranih na računalu te na temelju podataka dobivenih očitanjem stanja stvarnih sustava. Razlike kod tih podataka su najčešće sustavne pogreške. Slučajne pogreške moguće je simulirati na računalu, dok je sustavne pogreške često teško primijetiti sve dok se stvarni sustav ne pokuša modelirati matematički ili učenjem neuronskih mreža. Upravo sustavne pogreške rade najviše problema kod modeliranja sustava, stoga ih je za uspješnost modeliranja bitno prepoznati i po mogućnosti ukloniti. Najčešće pitanje koje se postavlja kod modeliranja je razlika uspješnosti između matematičkog modela i neuronskih mreža. Zato je u ovom radu napravljena njihova direktna usporedba. Kao promatrani sustav izabran je laboratorijski model otvorenog spremnika, gdje se mogu promatrati razni utjecaji elemenata od kojih je model sastavljen. Ponašanje tih elemenata pokušat će se modelirati matematički i neuronskim mrežama.

identifikacija; neuronske mreže; matematički model; laboratorijski model

nije evidentirano