Ramon Silva-Rodriges3 Kristian Devid Moxika-Kabeza1

Asosiy komponentlar tahlili
Sun'iy intellekt
64
Informador Técnico 86(1) Enero - Junio 2022: 53 -77
(38)
(39)
Ushbu bo'limda sun'iy intellekt bilan bog'liq turli xil metodologiyalar guruhlangan. Ushbu toifadagi barcha holatlarda model chiqish o'zgaruvchisi
qozonning energiya samaradorligini o'lchovidir. Sun'iy intellekt usullarini qo'llash samaradorlikni analitik hisoblash uchun zarur bo'lgan o'lchovlar
bo'yicha turli yoki qisman ma'lumotlardan foydalangan holda samaradorlikni aniqlashga intiladi. Ba'zi metodologiyalar model parametrlarini
aniqlash uchun sun'iy neyron tarmoqlarni evolyutsion hisoblash algoritmlari bilan birlashtiradi. Bu algoritmlar asalarilar koloniyasi, olovbardosh
algoritmlari va genetik algoritmlar kabi tabiat xatti-harakatlariga taqlid qilishga asoslangan. Qozonxonalarda energiya samaradorligini hisoblashda
asosiy dastur ma'lumotlar bazalaridan modellashtirish bo'lib, u bir nechta kiritilgan o'zgaruvchilar bilan samaradorlikni juda aniq baholay oladigan
tenglamalar yoki algoritmlarni yaratishga imkon beradi (Tang; Li; Kusiak, 2020).
38 tenglamada Fj
uchun tasodifiy namunalar deb hisoblanishi mumkin bo'lgan Mj to'plamlari keltirilgan .
39 va 40 tenglamalarda ko'rsatilganidek aniqlanadi.
Yuqoridagi xususiyatga ko'ra, bu m o'ziga xos qiymatlar m asosiy komponentlarning har birining og'irliklari deb ataladi. Matematik
jihatdan aniqlangan asosiy omillar R matritsasining xos vektor asosi bilan ifodalanadi. Keyin o'zgaruvchilarning har biri xos vektorlar yoki asosiy
komponentlarning chiziqli birikmasi sifatida ifodalanishi mumkin (Forkman; Josse; Piepho, 2019). Bahadori va Vuthaluru (2010) yonish paytida
ortiqcha havoga nisbatan qozonning energiya samaradorligini belgilaydigan modelni o'rnatish uchun PCA dan foydalanadilar.
(37)
m
tasodifiy o'zgaruvchilarga
mos keladigan mxn ma'lumotlaridan namunaviy korrelyatsiya matritsasi tuziladi,
Korrelyatsiya matritsasi simmetrik bo'lgani uchun u diagonallashtiriladi va uning o'ziga xos qiymatlari 41 tenglamani qanoatlantiradi.
Asosiy komponentlar tahlili (PCA) - bu asl modeldagi ma'lumotlarni yo'qotmaslikka harakat qilib, ozroq miqdordagi o'zgaruvchilar (xususiyatlar
yoki regressorlar) bilan modelni olishga imkon beruvchi tavsiflovchi statistik usul.
Faraz qilaylik,
har biri uchun o'lchangan m o'zgaruvchisi Fj
bo'lgan
n ta individualdan iborat namuna mavjud . PCA dan foydalanib,
har bir kishi uchun
m
o'zgaruvchining qiymatini taxminan tushuntiradigan
p < m
bir necha omillar
izlanadi .
PCAni qo'llash usuli
m tasodifiy o'zgaruvchilarning har birining Fj qiymatini hisobga olgan holda korrelyatsiya
matritsasidan boshlanadi . 37- tenglamada ko'rsatilganidek, bu o'zgaruvchilarning qiymati individuallarning har biri uchun matritsa shaklida yoziladi.
(41)
(40)
Machine Translated by Google

---

Har bir qatlamdagi neyronlar orasidagi bog'lanish tarmoqni o'rgatish (ma'lumotlarga moslashtirish) orqali olingan
qiymat parametri D yoki vazn orqali amalga oshiriladi (Ding; Liu; Xiong; Jiang; Shi, 2018; Irwin; Brown; Hogg; Swidenbank,
1995; Rusinowski; Stanek, 2007). Ma'lumotlar bazasidan tarmoqni o'qitish (koeffitsientlarni yaratish) amalga oshirilgandan
so'ng, tarmoq tayyor hisoblanadi va bashoratlarni yaratish uchun qo'llanilishi mumkin (Saha; Shoib; Kamruzzaman, 1998).
Manba: shaxsiy ishlab chiqish.
j
qatlamdan
j
+1
qatlamgacha funktsiyani xaritalashni boshqaruvchi og'irliklar matritsasi sifatida . Shunday qilib, 3 ta kirish
o'zgaruvchisi, 3 ta birlikdan iborat yashirin qatlam va chiqish o'zgaruvchisi bo'lgan tizim 42, 43, 44 va 45 tenglamalar bilan
ifodalanadi.
(46)
5-rasm. ANNning asosiy tuzilishi
tarmoqning j qatlamida i blokining faollashishi
va
th(j)
deb tushunish mumkin.
Bu erda hth - neyron tarmoqning yakuniy chiqishi, ya'ni samaradorlik.
Sun'iy neyron tarmoqlari (ANN) neyronlarning ishlashidan ilhomlangan modellashtirish usullaridir. Ushbu tizim qatlamlarga
bo'linadi: kirish qatlami va 5-rasmda ko'rsatilganidek, qiziqish (chiqish) o'zgaruvchilarini hosil qiluvchi bir yoki bir nechta
oraliq yashirin qatlamlar.
Odatda, kerakli qiymat,
zj
va tarmoq chiqishi
o'rtasidagi eng kichik farqni beradigan neyron og'irligini topish uchun
bir nechta trening iteratsiyasi talab qilinadi, asosiy maqsad 46 tenglamada ko'rsatilganidek, javobning kvadratik xatosini
kamaytirishdir.
Belgilanish nuqtai nazaridan, ai
(j)
Moxika-Kabeza, Garsiya-Sanches, Silva-Rodriges, Garsiya-Sanches. Turli xil qozon samaradorligini
hisoblash va modellashtirish usullarini ko'rib chiqish