… Neuronová síť s dopředným přenosem (FFNN) je jednoduchý typ neuronové sítě, kde se informace pohybuje pouze jedním směrem (tj. dopředu) ze vstupních uzlů přes skryté uzly do výstupních uzlů. V síti nejsou žádné cykly ani smyčky. Skupina uzlů v každém příslušném sloupci se nazývá vrstva. Typická FFNN s jednou skrytou vrstvou je znázorněna na obrázku 1. Čáry spojující neurony vstupní vrstvy a neurony skryté vrstvy představují váhy sítě. Skrytý neuron sečte odpovídající váhu ze všech vstupních spojení. Součet vah pak prochází aktivační funkcí ve skryté vrstvě. Aktivační funkce, například sigmoida, dává modelu FFNN schopnost vybrat vhodnou informaci, která má být předána dalšímu neuronu. Základní uzel nebo výpočetní prvek modelu FFNN je znázorněn na obrázku 2. K regulaci výkonnosti sítě se obvykle používá práh nebo zkreslení. Za účelem zobecnění vztahu mezi vstupem a výstupem se model FFNN trénuje pomocí předem stanovených dat. Během tohoto tréninku se model FFNN učí chování modelu úpravou svých vah a zkreslení. Proces trénování se obvykle provádí pomocí algoritmu zpětného šíření s cílem minimalizovat určitou „nákladovou funkci“, jako je střední kvadratická chyba (MSE). V této práci byla pro vývoj modelu syntézy PHA zvolena sada čtyř vstupních a tří výstupních parametrů. Výběr vstupně-výstupního modelu je stejný jako v experimentální práci, která byla provedena za účelem určení významných parametrů v postupu syntézy. Vzhledem k tomu, že vstupů je více než výstupů, postačuje použití jedné skryté vrstvy v topologii FFNN . Volba jedné skryté vrstvy obvykle postačuje pro účely aproximace spojité nelineární funkce, neboť více skrytých vrstev může způsobit nadměrné přizpůsobení . Množství dostupných experimentálních dat je však omezené, což může bránit správnému zobecnění modelu FFNN během jeho trénování. Za účelem generování a replikace většího počtu dat pro trénování FFNN se používá metoda bootstrap resampling . Metoda bootstrap využívá techniku náhodného uspořádání a převzorkování původních dat do nového většího souboru dat. Ukázalo se, že tato technika zlepšuje zobecnění a robustnost modelu neuronové sítě . Popisný přehled způsobu převzorkování a přerozdělení dat pomocí této techniky je znázorněn na obrázku 3. V původní sadě dat jsou data rozložena tak, jak je zaznamenáno podle intenzity barev. Po převzorkování mají nové soubory dat náhodné rozložení s nahrazením původních dat (viz intenzita barev nových souborů dat). V této studii byla použita technika bootstrap k získání 160 datových bodů z původních 16 experimentálních datových bodů. Tento nový soubor dat byl náhodně rozdělen na trénovací (60 %), validační (20 %) a testovací soubor dat (20 %). Výkonnost FFNN byla měřena pomocí střední kvadratické chyby (MSE), střední kvadratické chyby (RMSE) a korelace determinace (R 2 ). V této práci byl FFNN trénován pomocí techniky zpětného šíření Levenberg-Marquardt. Tato technika je dobře známá pro tvorbu FFNN s dobrou generalizací a rychlou konvergencí. FFNN se trénuje iterativně s použitím různých počtů skrytých neuronů s cílem získat nejlepší model s nejnižší hodnotou MSE a RMSE s R 2 blížící se jedné . Všechny simulační práce týkající se neuronové sítě Výkonnost FFNN byla měřena pomocí střední kvadratické chyby (MSE), střední kvadratické chyby (RMSE) a korelace determinace (R 2 ). V této práci byla FFNN trénována pomocí techniky zpětného šíření Levenberg-Marquardt. Tato technika je dobře známá pro tvorbu FFNN s dobrou generalizací a rychlou konvergencí. FFNN se trénuje iterativně s použitím různých počtů skrytých neuronů s cílem získat nejlepší model s nejnižší hodnotou MSE a RMSE s R 2 blížící se jedné . Veškeré simulační práce týkající se modelování a analýzy neuronových sítí byly provedeny pomocí programu Matlab …
.