Построение нечеткого контроллера
Система управления обычно строится на основе сложных мат моделей которые часто являются нелинейными. Для того чтобы можели можно было исп-ть их линеаризируют. Те при некоторых предположениях заменяют нелинейный элемент линейным, при этом теряется точность модели. Применение нечетких множеств позволяет построить альтернативный путь решения таких задач. Рассмотрим это на пример нечеткого контроллера.
Состав системы – тепловентилятор, датчик, контроллер. Можно создать систему со ступенчатым управлением – напр если темп ниже 20 гр – вращение на высокой скорости, меньше двадцати – средней. Нечеткий контроллер позволяет построить схему с более плавным регулированием. Для этого лингв переменную темп в комнате будем описывать с помощью четырех значений: холодно, прохладно, тепло, жарко. Эти значения являются нечеткими переменными, которые описываются с помощью функций пренадлежности.
1
16 21 25 t
Если температура = холодно, то скорость вентилятора высокая, если прохладная, то средняя, если тепло, то низкая, если жарко, то выкл. Предположим что температура в комнате 24 гр. С достовеностью 0.6 она пренадлежит понятию тепло и 0.2 – жарко – те скорость вентилятора дБ с доствоверностьб 0.6 низкая и 0.2 выкл.Реальную скорость вращения можно определить наприсер по положению тентра тяжести трапеции( на графике для режимов вентилятора). Процедура решения этой задачи показала наличие сл этапов: фаззификация – переход от точных значений(датчик)к нечетким, применение правил управления, которые хранятся в БД. Они дают решение в нечетких терминах. Дефаззификация – переход от нечетких значений к конкретному значению управляемого параметра.
Нейронные сети.
Задачи, решаемые с помощью нейросетевого моделирования.
Классификиция - имеется несколько опеделенных классов образов. Дан некий образ(напр речевой сигнал или рукописный символ ), который представлен вектором признаков. Выяснить к какому классу их можно отнести.
Задачи кластеризации. Задача кластеризации отличается от задачи классификации тем, что нет предварительно определенных классов. Задан набор образов или объектов и на основании их подобия разместить сходные объекты в один кластер. В результате будут сформированы несколько кластеров.
Задачи прогноза и предсказания.
Задачи оптимизации
Задачи управления, которые состоят в расчете входного воздействие, после которого системы будет развиваться в определенном направлении.
Биологический нейрон.
Нейроны – нервные клетки, которые обладают рядом важных свойств. Количество нейронов в головном мозге оценивается от 20 до 100 млрд. Каждый нейрон взаимодействует с другими нейронами и число взаимодействий может измеряется тысячами. В результате нейроны образуют многослойную сеть, обеспечивающую решение интеллектуальных задач. Основная идея – использовать модель нейронной сети для решения тех задач, которые обычными методами решить невозможно. Каждый нейрон состоит из тела клетки(сома), и двух типов отростков. Первый тип – дендриты – отростки , через которые в нейрон передаются сигналы от других нейронов(входы). Аксон – длинный отросток, с помощью которого нейрон переедет сигналы другим нейронам. На конце аксон может разветвляться и поэтому сигнал может передаваться многим нейронам. Когда нейрон принимает сигнал от других нейронов, он может перейти или не перети в возб состояние. Это зависит от того набрало ли входное воздействие нек порогового уровня.Очень важную роль играем механихм контакта между аксонами и дендритом. Контакт называется синапсом. На конце аксона имеется утолщение, которое содержит пузырьки жидкости, называемой медиатором. Между аксоном и дендритом имеется синоптическая щель. Когда нейрон возбуждается по аксону протекает эл ток, который вызывает поступление медиатора в синоптическую щель. В результате изменяется пропускная способность синоптической щели. Возможны два варианта: взаимодействие между аксоном и дендритом может усилиться и тогда дендрит воспримет более сильное возбуждение. Или наоборот, может произойти торможение. Переход нейрона в возб состояние зависит от соотношения между возбуждением и торможением. Со временем сила синоптической связи может теряться, например если через один из контактов часто проходит возбуждение, то проводимость синоптической щели может измениться так, что воздействия станут более сильными.
Модель искусственного нейрона.
Модель исск нейрона предполагает наличие нескольких входов с регулируемым коэффициентов усиления. В теле исск нейронадолжен находиться сумматор, который вычисляет алгебраическую сумму сигналов, поступивших на входы, далее эта алгебраическая сума должна сравниваться с нек порговым значением. В результате на единственный выход поступает или не поступает выходной сигнал. С каждым входом связывается некоторый весовой коэффициент.
Сети нейронов. Отдельный нейрон может выпольнаять только самые примитивниые задачи. Свою силу они проявляют только когда объединены в сеть. Сети нейронов классифицируются по неск признакам. Они определяются топологией сети(шаблон связей между нейронами), алгоритмом обучения и схемой кодирования, которая определяет инетрпретацию данных в сети ив результатах обработки