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