különbözőhagyományos és nem-hagyományos eljárások … · 2019-12-26 · dunai vasmű–...

Különböző hagyományos ésnem-hagyományos eljárások

kombinálása: miért és hogyan?

2008. április 16.

Életből vett problémák, projektek

• Dunai Vasmű: acélkonverter modellezése

• Orvosi röntgenkép-kiértékelés (mammográfia, tüdő)

• Elektromos fogyasztás-előrejelzés (Elmű, Émász)

Dunai Vasmű – acélkonvertermodellezése, tanácsadó rendszer

Cél: az elérni kívánt véghőmérséklethez adjunk javaslatot a felhasználandóoxigén mennyiségére

Háromféle formában van információnk:• Fizikai-kémiai egyenletek,

anyagmérlegek (pl. mennyi szilícium megy be, mennyi ég el, mennyi marad az acélban)

• Mért értéksorok (kb. 50 paraméter, egy részéről nem tudjuk, hogy fontos-e, fontos paramétereket nem mérnek)

• Ökölszabályok (Ha 1 mázsával több meszet teszünk be, akkor kb. 10 fokkal hidegebb lesz a végén.)

• Elméleti modell (a fizikai-kémiaiegyenletekre alapoz)

• A folyamat viselkedését leíró bemeneti-kimeneti (fekete-doboz) modell– Adatok alapján: neurális modell - a folyamat

mért adataira alapozzuk– Ökölszabályok alapján: szabályalapú

rendszer (hagyományos vagy fuzzy) - a gyártás során összegyűjtött tapasztalatokraalapozzuk

A modellezés lehetőségei

Hogyan kombináljuk össze ezeket az infókat, algoritmusokat?

NNK

O1 O2 OK OSZ

NN2

NN1 . . .

Szabály-alapú

oxigénjavaslat

Bemeneti adatok ellenőrzése, korrekciója

? ? ? ?

Oxigén javaslat

Bemenetiadatok

Elméleti modell (fizikai-kémiai egyenletek)

O ELM

Mért értékekalapjántanítottmodellek

Orvosi röntgenkép-kiértékelés (mammográfia)

100 200 300 400 500 600

100

200

300

400

500

600

700

800

900

1000

1100

100 200 300 400 500 600 700

100

200

300

400

500

600

700

800

900

1000

1100

100 200 300 400 500 600 700

100

200

300

400

500

600

700

800

900

1000

1100

100 200 300 400 500 600

100

200

300

400

500

600

700

800

900

1000

1100

Cél:Elváltozá-sokat keresünk(folt,mikrokalc.,torzulás)

• Van biológiai, orvosi, szövettani tudás, de nem olyan, hogy elméleti modellt lehetne alkotni (innen a kép modellje nem vezethető le)

• Mintákban megtestesülő tapasztalat, pl. a képek, az anamnézis (előélet) adatok (volt-e mellrákja a nagymamának?)

• Szabályok (nem nagyon általánosak, sok-sok kivétel, nehezen fordítható le számítógépnek: „látható, hogy nem harmonikus a szövet-szerkezet….”, nem tudjuk megfogalmazni, hogy mi a „harmonikus”)

Mottó: „Ha valaki már látott kb. tízezer felvételt és jó érzéke van hozzá, abból lesz jó

diagnoszta”

Információk:

Hogyan kombináljuk össze ezeket az infókat, algoritmusokat?

Folt?KFolt?1 . . .

Mikrokalc

Bemeneti adatok (képek)ellenőrzése, korrekciója

? ? ? ?

Kóros / normál

Bemenetiadatok

1 . . . MikrokalcM

Anamnézis

Elektromos fogyasztás-előrejelzés

• 24 órás (48,72,96) előrejelzés ¼ órás pontossággal

• Hosszútávú (egy éves!) előrejelzés (¼órás pontossággal ! – vicc, de ezt szeretnék)

• Fogyasztói csoportok kialakítása, jellemzőfogyasztási minták keresése

Célok, feladatok:

Piaci liberalizáció: a kereskedőnek (pl. Elmű,Émász) egy napraelőre meg kell rendelnie az energiát az elosztótól, ezt adja ela fogyasztóknak. A jó fogyasztókért harc van.)

Információk• Vannak mért mintáink (1 napra, pár napra,

pár hétre, pár évre - vagy nincsenek, ha új felhasználó)

• Vannak kérdőív adataink (nagyon bizonytalan, néha energetikus tölti ki, néha az éjjeliőr). A fogalmak is bizonytalanok! („Inkább délelőtt fogyaszt” : Mi a „délelőtt”? Mi az „inkább”?)

• Elméleti modellt próbáltunk alkotni (MakaiTamással), gyerekcipőben jár

Mért adatok: (egyéves fogyasztási görbe, bevásárlóközpont)

0 0.5 1 1.5 2 2.5 3 3.5x 104

0

500

1000

1500

2000

2500

Negyedórák

Fogy

aszt

ás

Mérési hiba

Szokatlan viselkedés

→

↑

Mért adatok: egy – elég szabályos –fogyasztó 9 napi fogyasztása

0 100 200 300 400 500 600 700 800 9002000

2500

3000

3500

4000

4500

5000

5500

6000

6500

Kérdőív adatok:Két fogyasztó, mindkettő azt válaszolta,

hogy inkább délelőtt fogyaszt:

6 8 10 12 14 16 18 20

2000

4000

6000

8000

10000

12000

De/Du arany: 1,3

6 8 10 12 14 16 18 20

500

1000

1500

2000

2500

De/Du arany: 6,0

6 óra 14 óra 22 óra6 óra 14 óra 22 óra

Hogyan kombináljuk össze ezeket az infókat, algoritmusokat?

Kérdőív elemzés Mért adatok elemzése

Bemeneti adatok ellenőrzése, korrekciója

? ? ? ?

Csoport

Bemeneti adatok

(mérések, kérdőív adatok, fogyasztói

jellemzők)

. . .Csoport 1 N

A problémák közös jellemzői

• Az ismereteink nagyon eltérő formában adottak (törvények, ökölszabályok, mért adatok, kérdőívek stb.)

• Az ismereteink és/vagy a mért értékeink nagyon bizonytalanok

• Nagyon kevés az ismeret – semmit se dobhatunk el

A különböző szakértelem integrálása külön komponenssel (MOE)

Mixture of Experts (MOE)

Szakértő 1 Szakértő 2. . . Szakértő n

∑

Kapuzóhálózat

1g2g

ng. . .

x

Kimenet=g1.y1+g2.y2+…+gn.yn

• A kapuzó hálózat mondja meg, hogy melyik bemeneti tartományban melyik szakértőben mennyire bízzunk (g1, g2, …)

• A kapuzó hálózatot mintákkal tanítjuk

A különböző szakértelem integrálása (MOE)

Szakértő 1Szakértő 2

Szakértő 3

Szakértő 2

Tulajdonság 1 →

T u l l a j d o n s á g 2

↑

A különböző szakértelem integrálása - a szakértők bizonytalansága alapján

Kiterjesztett (döntési fa) osztályozó 1

. . .Kiterjesztett (döntési fa) osztályozó 2

Kiterjesztett (döntési fa) osztályozó n

Σ

x

Az #1 eredmény bizonytalansága

→g1

Az #n eredmény bizonytalansága →gn

(Tóth Norbert PhD disszertáció)

Kimenet=g1.y1+g2.y2+…+gn.yn

Szimulációs példa (osztályozás):

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6-0.2

0

0.2

0.4

0.6

0.8

1

1.2

Class AClass BDecision Hyperplanes

Megoldás MOE-val:

0 0.5 1 1.50

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

0

0.5

1

1.5

0

0.5

10

0.2

0.4

0.6

0.8

1

Class AClass BClassifier Separator Boundary

Megoldás a saját bizonytalanság-becslés segítségével

0 0.2 0.4 0.6 0.8 1 1.2 1.4

0

0.2

0.4

0.6

0.8

1

0

0.2

0.4

0.6

0.8

1

Az eredmények összehasonlítása

• Pontosságban ugyanolyan eredményeket lehetett elérni

• Előny, hogy minden döntéshez (eredményhez) előáll egy minősítés, mennyire vagyunk biztosak benne)

• Nem kell külön komponens a különbözőtudás integrálásához

• Ha új szakértő lép be vagy ki, nem kell újratanítani a rendszert

Köszönöm a figyelmet !