Sieci neuronowe to zbiór algorytmów, luźno wzorowanych na ludzkim mózgu, zaprojektowanych do rozpoznawania wzorców. Stanowią one funkcję matematyczną, która odwzorowuje dane dane wejściowe na pożądane dane wyjściowe.
Sieci neuronowe składają się z warstwy wejściowej, warstw ukrytych, warstwy wyjściowej, zestawu wag i przesunięć między każdą warstwą oraz funkcji aktywacyjnej dla każdej warstwy ukrytej.
Wartości wag i przesunięć określają siłę prognoz w modelu. Proces precyzyjnego dostrajania wag i przesunięć na podstawie danych wejściowych nazywany jest uczeniem sieci neuronowej.
W każdej iteracji procesu uczenia obliczane są przewidywane wyniki i aktualizowane są wagi oraz przesunięcia każdej warstwy. Wagi i przesunięcia są aktualizowane na podstawie „straty” lub „błędu” w każdej warstwie; strata to różnica między każdą przewidywaną wartością a wartością rzeczywistą. Naszym celem podczas uczenia jest znalezienie zestawu wag i przesunięć, który najlepiej zminimalizuje stratę. Początkowo każdej warstwie przypisywane są losowe wagi, a proces uczenia dopracowuje te wagi, aż błąd między wartościami przewidywanymi a rzeczywistymi zostanie zminimalizowany.
W jaki sposób wykorzystujemy sieci neuronowe w technologii oprysków?
Wykorzystujemy sieci neuronowe do przewidywania wielkości kropli rozpylanych wyłącznie na podstawie danych sygnałowych z czujnika. Wykorzystanie sieci neuronowych do przewidywania wielkości kropli oznacza, że możliwości estymacyjne systemu można rozszerzyć tak, aby obejmowały dane dotyczące wszelkiego rodzaju substancji chemicznych, a nie tylko wody. Jest to niezwykle korzystne, ponieważ sprawia, że opracowywanie i wdrażanie urządzenia przebiega szybciej, jest tańsze i łatwiejsze do udoskonalenia.
Dlaczego potrzebujemy sieci neuronowych w technologii rozpylania?
Urządzenia do pomiaru wielkości kropli kosztują ponad 250 000 dolarów, nie licząc kosztów wysoko wykwalifikowanych techników i inżynierów, którzy gromadzą i interpretują dane. Przenośne urządzenie do pomiaru wielkości kropel oparte na sieciach neuronowych kosztowałoby znacznie mniej i mogłoby być obsługiwane przez każdą osobę posiadającą oprogramowanie, podstawowe instrukcje obsługi oraz przeszkoloną w zakresie obsługi. W zależności od zastosowania i jakości danych wyjściowych zwrot z inwestycji w takie urządzenie można by osiągnąć w ciągu miesięcy, a nawet tygodni.
Jeśli chcesz omówić ten temat bardziej szczegółowo, skontaktuj się z nami lub napisz do mnie bezpośrednio przez LinkedIn.