- •Основные функции различных частей головного мозга
- •Структура биологического нейрона. Взаимодействие нейронов с центральной нервной системой.
- •Формальный нейрон Мак-Каллока-Питса. Условие возбуждения формального нейрона.
- •Проблема «исключающего или». Способ решения проблемы
- •Обобщенная модель искусственного нейрона. Условие возбуждение нейрона.
- •Функция активации нейронов. Характеристика, основные типы.
- •7.Многослойные персептроны. Структура, решаемые задачи.
- •8. Обучение многослойных нейронных сетей.
- •9.Алгоритм обратного распространения
- •10.Проблемы при обучении нейронной сети
- •11.Задачи аппроксимации функции
- •12. Радиально-базисные сети. Структура, обучение.
- •13. Сеть Хопфилда. Структурирование устойчивости.
- •Область применения:
- •14.Нейронная сеть Кохонена.
- •15.Рекурентные нейронные сети
- •16.Построение нечеткой нейронной сети
- •Нейронные сети в задачах идентификации динамических объектов.
- •Преимущества нейроуправления. Структурные схемы нейросетевых сау.
- •Общая характеристика процедуры проектирования сау.
- •Реализация и применение нейронных сетей на практике.
Нейронные сети в задачах идентификации динамических объектов.
Под идентификацией понимается получение математического описания объекта по результатам наблюдений за его входными и выходными переменными
Подход основан на нелинейно модели скользящего среднего
Идея: процесс можно разложить в ряд Вольтера.
Р- количество предыдущих значений.
Если в качестве F используется линейная функция, то представленное выражение определяет средневзвешенное значение входного сигнала за Р тактов.
Определение ее сводится к определению параметров для минимизации ошибки вывода.
Модель объекта: вход-состояние-выход
А, В, С – матрица коэффициентов.
Уравнения динамического объекта можно представить в форме:
F и H – неизвестные матричные функции
НС1 и НС2 используются в качестве аппроксиматоров для F и H.
Обучение, 2 случая:
Навязка выхода сети, т.е. НС1 и НС2 обучаются автономно.
– НС1
– НС2
Более сложные алгоритмы обучения.
Перспективная область применения нейросетевых моделей – их использование в качестве прогнозируемых моделей.
Преимущества нейроуправления. Структурные схемы нейросетевых сау.
«+» : полная прозрачность, так как выходы нейронов каждого слоя имеют ясную и понятную интерпретацию, что позволяет скорректировать цепочку логических рассуждений.
а) использование НС в задачах идентификации ОУ; б) получение инверсной модели ОУ; в) НС в качестве регулятора; г) для формирования уставок класс. лин. регулятором.
Общая характеристика процедуры проектирования сау.
Реализация и применение нейронных сетей на практике.
Существует и программная реализация и реализация на нейрокомпьютере (вычислительная схема с архитектурой аппаратного и программного обеспечения адекватных к выполнению алгоритмов представленных в нейросетевом базисе.
3 реализации нейрокомпонентов:
Нейроимитаторы: Nero Solution – моделирование и проектирование НС (MLP, Кохонен)
Neural Works Professional – позволяет проектировать новые архитектуры, поддерживает генерации исходного кода.
Process Advisor – позволяет моделировать объекты динамики
Statistica Neural Networks – просмотр всех параметров НС
Наиболее перспективным направлением в плане практической реализации для управления динамическими объектами является аппаратная реализация.
В качестве элементной базы используется ПЛИС или ЦЛП