Ноябрь 20th, 2014
Все указанные методы являются итерационными и достаточно точными, но имеют один важный недостаток. Длительный характер обучения сетей с помощью таких алгоритмов не позволяет эффективно и своевременно использовать их для оценки пожарной безопасности на практике.
Один из методов преодоления такого препятствия был предложен в (106). Создание быстрой нейронной сети, имеющей модульно-ядерную структуру, облегчает процесс настройки весовых коэффициентов за счет уменьшения количества связей, которые необходимо учитывать. Учитывая то, что факторы определения уровня пожарной безопасности объекта разделены на внутренние и внешние, выдвигаем гипотезу о том, что они независимо влияют на общую оценку. Такая НС имела бы два ядра во втором слое и количество связей между первым и вторым слоем можно значительно уменьшить или вообще не учитывать. Но, в таком случае, необходимо иметь информацию о важности факторов и их значимости, которая заключается в определении степени влияния на общую оценку пожарной безопасности объекта. Незнание может привести к удалению важных связей и, соответственно, смещении оценки — внутренние параметры объекта, остальные 11 — особенности внешней среды). Для тестирования НС выбрано 30 записей из базы данных и количество нейронов скрытого слоя установлено равным 20. Обоснование количества нейронов скрытого слоя для практического применения приведены ниже. Все весовые коэффициенты первого слоя при инициализации получили значение 0,5.
Для определения влияния весовых коэффициентов на результаты идентификации пользуемся таким правилом: если после обучения нейронной сети абсолютное значение весового коэффициента близко к нулю, то это означает, что соответствующая связь является несущественной и от нее можно избавиться. Анализ данных в табл. 6.10 показал, что в сети можно выделить два ядра. Что бы хорошо закрывалась дверь нужен доводчик Diplomat для легких внутренних дверей.
Нейронная сеть с удаленными связями учится гораздо быстрее и модель быстрой ядерной сети можно использовать в дальнейшем, считая ее структурой, допускающей оптимизации под конкретную задачу и набор данных. Используем аналогию с известным методом главных компонент (74). Согласно МГК, находим ковариационную матрицу, ее собственные числа и векторы. Далее определяем собственные векторы, отвечающие наибольшим собственным числам и на их базе получаем матрицу векторов главных компонент. Таким образом, остаются только значимые факторы.
