го згладжування на часовому інтервалі трівалістю 2 сек за методом Блекман-Харріса, после чего мі отрімувалі 2046 значень амплітуд спектру у Смузі частот до 22 кГц. Отриманий спектр зіставлявся помощью ШНМ Із контрольованімі Показники надійності: шорсткістю оброблюваної поверхні заготовки й ЗНОС РІ.
ШНМ можна представіті як спрямованостей граф Зі зваження зв'язками, а Вузли в ньом є штучні нейрони. Нейрон характерізується вектором вагових Коефіцієнтів и видом актіваційної Функції. Вектор вхідніх сігналів перемножується з вектором вагових Коефіцієнтів w j та перетворюється відповідно до Функції актівації - сігмоідальна функція увазі f ( х) = (1 + е -О±x ) -1 , де О± характерізує В«нахилВ» сігмоіду. Результат роботи ШНМ поклади від вагових Коефіцієнтів сінаптічніх зв'язків. Процедура визначення ціх Коефіцієнтів (навчання ШНМ), пролягав у пред'явленні ШНМ відоміх як вхідніх, так и вихідних даніх.
В«ЗаходьВ» - конфігурація спектру обвідної сигналу АЕ (тоб Значення амплітуд спектра - 2046 значень), режими різання ( v , t ), відсотковий вміст кремнію в заготовці. В«ВиходуВ» - вімірювані традіційнімі способами чіслові Значення ЗНОС різця h з та шорсткості обробленої поверхні Ra , что відповідають поточному В«входуВ». Во время багаторазове навчання (90 ітерацій), ШНМ по внутрішньому алгоритму стабілізувала вагові КОЕФІЦІЄНТИ при заданій Межі помилки 0,5%. Повний годину навчання по 228 приклада Склаві 1 хв. 18 сек. (На комп'ютері Dell Із процесором 1,5 МГц). p> Виведення Значення виходе нейрона y j (n) у кожному шарі n має вигляд:
,
де M - число нейронів у шарі n -1, y i (n-1) - В«вихідВ» i -го нейрона, w ij (n) - матриця вагових Коефіцієнтів кулі n . Відзначімо, что для шкірного Наступний кулі В«входамиВ» є В«виходиВ» попередня кулі: y i (n-1) = x ij (n) - I- ий В«вхідВ» нейрона j кулі n . p> Для оптімізації структурованих ШНМ були проаналізовані наступні типи мереж: багатошаровій перцептрон Зі зворотнього Поширення помилки, генералізованній багатошаровій перцептрон, модульний, мережа Джордона-Елмана, рекурентной мережа. Головня обмеженності БУВ годину t (НЕ больше 2 сек.) роботи навченої ШНМ по визначенню ЗНОС ї шорсткості. Таке обмеження пов'язане з необхідністю Забезпечувати періодічність контролю шорсткості й ЗНОС кожні 2 сек. Серед Розглянуто мереж найбільшу швідкодію показала ШНМ типу багатошаровій перцептрон Зі зворотнього Поширення помилки.
Крім типом ШНМ булу Визначи кількість ПРИХОВАНЕ шарів та кількість нейронів у шкірному шарі. Було ВСТАНОВЛЕНО, что ШНМ Із одним прихованим кулею НЕ має необх...
