основні фактори, що впливають на вибір токарних верстатів. Це:
Діаметр над супортом;
- Діаметр над станиною;
- Довжина виробу.
. Відповідно з відібраними показниками і вихідною величиною складається таблиця.
Таблиця 1
Таблиця даних для аналізу
Таблиця 2
Таблиця розшифровки показників
№ п/пДіаметр над суппортомДіаметр над станінойДліна ізделіяТокарний станок1До 900 ммДо 1250 ммДо 6000 мм1М660.032До 1 200 ммДо 1 600 ммДо +8000 мм1К665ФЗх80003До +1400 ммДо +2000 ммДо 10000 мм1К670Ф3
. За вищенаведеним залежностям визначається топологія мережі.
. Після створення нейромережі обраної топології проводиться її навчання та оптимізація.
нейронний мережу токарний верстат
2. Розробка нейронної мережі для прогнозування вибору токарних верстатів
2.1 Вибір типу нейронної мережі
Для вирішення даної задачі вибираємо мережу - багатошаровий персептрон.
багатошарового персептрону називають нейронні мережі прямого поширення. Вхідний сигнал в таких мережах поширюється в прямому напрямку, від шару до шару. Багатошаровий персептрон в загальному уявленні складається з наступних елементів:
. множини вхідних вузлів, які утворюють вхідний шар;
. одного або декількох прихованих шарів обчислювальних нейронів;
. одного вихідного шару нейронів.
Багатошаровий персептрон являє собою узагальнення одношарового персептрона Розенблатта. Прикладом багатошарового персептрона є наступна модель нейронної мережі:
Рисунок 1 - Приклад двошарового персептрона
Кількість вхідних і вихідних елементів в багатошаровому персептрони визначається умовами завдання. Сумніви можуть виникнути щодо того, які вхідні значення використовувати, а які ні. Питання про те, скільки використовувати проміжних шарів і елементів в них, поки зовсім неясний. В якості початкового наближення можна взяти один проміжний шар, а число елементів у ньому покласти рівним напівсумі числа вхідних і вихідних елементів. Багатошарові персептрони успішно застосовуються для вирішення різноманітних складних завдань і мають наступних трьох відмітних ознаки.
Властивість 1. Кожен нейрон мережі має нелінійну функцію активації
Важливо підкреслити, що така нелінійна функція повинна бути гладкою (тобто усюди дифференцируемой), на відміну від жорсткої порогової функції, використовуваної в персептрони Розенблатта. Найпопулярнішою формою функції, що задовольняє цій вимозі, є сигмоїдальна. Прикладом сигмоидальной функції може служити логістична функція, що задається наступним виразом:
де - параметр нахилу сигмоидальной функції. Змінюючи цей параметр, можна побудувати функції з різною крутизною.
Малюнок 2 - Сигмоїдальні функція
Наявність нелінійності відіграє дуже важливу роль, тому що в противному випадку відображення «вхід-вихід» мережі можна звести до звичайного однослойному персептрону.
Властивість 2. Кілька прихованих шарів
Багатошаровий персептрон містить один або декілька шарів прихованих нейронів, які не є частиною входу або виходу мережі. Ці нейрони дозволяють мережі навчатися вирішення складних завдань, послідовно витягуючи найбільш важливі ознаки з вхідного образу.
Властивість 3. Висока зв'язність
Багатошаровий персептрон володіє високим ступенем зв'язності, що реалізовується за допомогою синаптичних з'єднань. Зміна рівня зв'язності мережі вимагає зміни безлічі синаптичних з'єднань або їхніх вагових коефіцієнтів.
Комбінація всіх цих властивостей поряд зі здатністю до навчання на власному досвіді забезпечує обчислювальну потужність багатошарового персептрона. Однак ці ж якості є причиною неповноти сучасних знань про поведінку такого роду мереж: розподілена форма нелінійності і висока зв'язність мережі суттєво ускладнюють теоретичний аналіз багатошарового персептрона. [4]
У нейромережі містяться шари з нейронами:
вихідні - здійснюють зважене підсумовування вхідних сигналів і обчислення функції активації.
Нейрони зв'язані один з одним через аттрібути:
нейрони попереднього шару
нейрони наступного шару
2.2 Вибір алгорит...
