Különböző hagyományos és nem-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 acélkonverter modellezése, tanácsadó rendszer Cél: az elérni kívánt véghőmérséklethez adjunk javaslatot a felhasználandó oxigén 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.)
A modellezés lehetőségei Elméleti modell (a fizikai-kémiai egyenletekre alapoz) A folyamat viselkedését leíró bemenetikimeneti (fekete-doboz) modell Adatok alapján: neurális modell - a folyamat mért adataira alapozzuk Ökölszabályok alapján: szabályalapú rendszer (hagyományos vagy fuzzy) - a gyártás során összegyűjtött tapasztalatokra alapozzuk
Hogyan kombináljuk össze ezeket az infókat, algoritmusokat????? Oxigén javaslat O 1 O 2 O K O SZ O ELM Mért értékek alapján tanított modellek NN NN 2 1... NN K Szabályalapú oxigén javaslat Elméleti modell (fizikai-kémiai egyenletek) Bemeneti adatok ellenőrzése, korrekciója Bemeneti adatok
Orvosi röntgenkép-kiértékelés (mammográfia) 100 100 200 200 300 300 400 400 500 600 700 500 600 700 800 900 1000 1100 100 200 300 400 500 600 700 800 900 100 200 300 400 500 600 Cél: Elváltozásokat keresünk (folt, mikrokalc., torzulás) 800 900 1000 1100 100 200 300 400 500 600 700 800 900 100 200 300 400 500 600 700 1000 1000 1100 1100 100 200 300 400 500 600 700 100 200 300 400 500 600
Információk: 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 szövetszerkezet., nem tudjuk megfogalmazni, hogy mi a harmonikus ) Mottó: Ha valaki már látott kb. tízezer felvételt és jó érzéke van hozzá, abból lesz jó diagnoszta
Hogyan kombináljuk össze ezeket az infókat, algoritmusokat????? Kóros / normál Folt? 1... Folt? K Mikrokalc 1... Mikrokalc M Anamnézis Bemeneti adatok (képek) ellenőrzése, korrekciója Bemeneti adatok
Elektromos fogyasztás-előrejelzés Piaci liberalizáció: a kereskedőnek (pl. Elmű,Émász) egy napra előre meg kell rendelnie az energiát az elosztótól, ezt adja el a fogyasztóknak. A jó fogyasztókért harc van.) Célok, feladatok: 24 órás (48,72,96) előrejelzés ¼ órás pontossággal Hosszútávú (egy éves!) előrejelzés (¼ órás pontossággal! vicc, de ezt szeretnék) Fogyasztói csoportok kialakítása, jellemző fogyasztási minták keresése
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 (Makai Tamással), gyerekcipőben jár
Mért adatok: (egyéves fogyasztási görbe, bevásárlóközpont) Fogyasztás 2500 2000 1500 1000 500 Szokatlan viselkedés 0 0 0.5 1 1.5 2 2.5 3 3.5 x 10 4 Mérési hiba Negyedórák
Mért adatok: egy elég szabályos fogyasztó 9 napi fogyasztása 6500 6000 5500 5000 4500 4000 3500 3000 2500 2000 0 100 200 300 400 500 600 700 800 900
Kérdőív adatok: Két fogyasztó, mindkettő azt válaszolta, hogy inkább délelőtt fogyaszt: De/Du arany: 1,3 De/Du arany: 6,0 12000 2500 10000 2000 8000 1500 6000 1000 4000 2000 500 6 8 10 12 14 16 18 20 6 óra 14 óra 22 óra 6 8 10 12 14 16 18 20 6 óra 14 óra 22 óra
Hogyan kombináljuk össze ezeket az infókat, algoritmusokat? Csoport 1????... Csoport N Kérdőív elemzés Mért adatok elemzése Bemeneti adatok ellenőrzése, korrekciója Bemeneti adatok (mérések, kérdőív adatok, fogyasztói jellemzők)
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) Kimenet=g 1.y1+g 2.y 2 + +g n.y n Kapuzó hálózat g 1 g 2... g n Szakértő 1 Szakértő 2... Szakértő n x
A különböző szakértelem integrálása (MOE) A kapuzó hálózat mondja meg, hogy melyik bemeneti tartományban melyik szakértőben mennyire bízzunk (g 1, g 2, ) T u l l a j d o n s á g 2 Szakértő 1 Szakértő 2 Szakértő 2 Szakértő 3 Tulajdonság 1 A kapuzó hálózatot mintákkal tanítjuk
A különböző szakértelem integrálása - a szakértők bizonytalansága alapján (Tóth Norbert PhD disszertáció) Kimenet=g 1.y 1 +g 2.y2+ +g n.y n Az #1 eredmény bizonytalansága g 1 Σ Az #n eredmény bizonytalansága g n Kiterjesztett (döntési fa) Kiterjesztett (döntési fa)... osztályozó 1 osztályozó 2 Kiterjesztett (döntési fa) osztályozó n x
Szimulációs példa (osztályozás): 1.2 1 Class A Class B Decision Hyperplanes 0.8 0.6 0.4 0.2 0-0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
Megoldás MOE-val: 1 0.9 Class A Class B Classifier Separator Boundary 0.8 1 0.7 0.8 0.6 0.6 0.5 0.4 0.4 0.2 0.3 0.2 0 1 1.5 0.1 0.5 1 0 0 0.5 1 1.5 0 0 0.5
Megoldás a saját bizonytalanságbecslés segítségével 1 0.8 0.6 0.4 0.2 1 0 0.8 0.6 0.4 0.2 0 0 0.2 0.4 0.6 0.8 1 1.2 1.4
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 különböző tudás integrálásához Ha új szakértő lép be vagy ki, nem kell újratanítani a rendszert
Köszönöm a figyelmet!