Features of building a predictive neuro-fuzzy network

Abstract

В статье рассматриваются особенности построения прогностической нейро-фаззи сети. В процессе исследования представлена структура адаптивного нейро-фаззи-предиктора и многомерного нейро-фаззи-нейрона. Рассмотрен принцип обработки информации, поступающей в режиме реального времени, о работе поршневого двигателя СЭУ с использованием TSK-системы нулевого порядка с применением быстродействующих оптимизационных процедур второго порядка типа рекуррентного метода наименьших квадратов для настройки синаптических весов. Определена архитектура искусственной нейро-фаззи сети для прогноза ресурсной прочности поршневого двигателя СЭУ марки RND 105, состоящая из пяти последовательно соединенных слоев. Представлена структура динамических нейронов-фильтров с конечной импульсной характеристикой. Рассмотрена процедура обучения нейросети. При проведения численного эксперимента использовались следующие критерии оценки: MSE (mean squared error, среднеквадратичная погрешность); SMAPE (Symmetric mean absolute percentage error, симметрично абсолютная процентная погрешность) - характеризует погрешность прогноза в процентах. Экспериментальный анализ разработанной сети проводился на примере прогнозирования ресурсной прочности восьмицилиндрового двухтактного судового дизеля марки RND 105. The article discusses the features of building a predictive neuro-fuzzy network. During the research, the structure of an adaptive neuro-fuzzy predictor and a multidimensional neuro-fuzzy neuron is presented. The principle of processing information received in real time about the operation of a piston engine of a SEP using a TSK-system of zero order with the use of high-speed optimization procedures of the second order such as the recurrent least squares method for adjusting synaptic weights is considered. The architecture of an artificial neuro-fuzzy network for predicting the resource strength of a piston engine SEU brand RND 105, consisting of five layers connected in series, has been determined. The structure of dynamic filter neurons with finite impulse response is presented. The procedure for training a neural network is considered. During the numerical experiment, the following evaluation criteria were used: MSE (mean squared error); SMAPE (Symmetric mean absolute percentage error) - characterizes the forecast error in percentage. An experimental analysis of the developed network was carried out on the example of predicting the resource strength of an eight-cylinder two-stroke marine diesel engine of the RND 105 brand.