ВИБІР ОПТИМАЛЬНОЇ СТРУКТУРИ ПРИХОВАНИХ ШАРІВ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ АНАЛІЗУ ЕФЕКТИВНОСТІ ЕНЕРГОСПОЖИВАННЯ

Розроблено метод вибору оптимальної структури прихованих шарів штучної нейронної мережі (ШНМ), ідеєю якого є практичне застосування декількох внутрішніх структур ШНМ і розрахунку похибки роботи кожної структури прихованих шарів з використанням ідентичних наборів даних для навчання ШНМ, що виключає вплив специфіки даних у навчальній вибірці на результати роботи алгоритму. Метод базується на почерговому порівнянні очікуваних результуючих значень і реальних результатів роботи штучних нейронних мереж прямого поширення з різною кількістю внутрішніх шарів, а також різною кількістю нейронів на кожному шарі. Метод дає змогу реалізувати пошук оптимальної внутрішньої структури ШНМ для застосування у сфері розробки систем "розумного" будинку і розрахунку оптимального рівня енергоспоживання відповідно до поточних умов, таких як температура у приміщеннях, присутність людей та час доби. Застосування методу на початкових стадіях розробки систем "розумного" будинку дає змогу зменшити часові витрати на вибір ефективної структури ШНМ і приділити більше уваги взаємозв'язкам між вхідними та вихідними даними, а також таким важливим параметрам процесу навчання ШНМ, як кількість ітерацій тренування, мінімальна помилка тренування, тощо. Розроблено програмне забезпечення, що дає змогу провести процеси навчання, випробування та отримати вихідні результати роботи алгоритму штучної нейронної мережі, такі як очікуване значення енергоспоживання та часу роботи кожного окремого електроприладу. Виявлено недолік використаного підходу знаходження оптимальної внутрішньої структури ШНМ, який полягає у тому, що кожна наступна структура створюється на базі найефективнішої з попередньо створених структур, без аналізу інших структур, що показали гірші результати при меншій кількості прихованих шарів. З'ясовано, що для удосконалення розв'язання даної задачі необхідно створити механізм, який базуватиметься на аналізі вхідних даних, вихідних даних, аналізуватиме внутрішні взаємозв'язки між параметрами та оптимізовуватиме структуру мережі на кожному етапі за допомогою визначених логічних правил відповідно до результатів, отриманих на попередньому кроці. Встановлено, що вирішення поставленої проблеми є задачею нелінійного програмування, яку можна розв'язати при подальшому розвитку даного дослідження.