1.5 Навчальні системи

Навчальні системи є найбільш складним і поки маловивченим класом адаптивних систем. Навчальні системи управління характеризуються наявністю спеціальних процесів навчання, які полягають у поступовому накопиченні, запам'ятовуванні та аналізі інформації про поведінку системи і зміни законів функціонування залежно від придбаного досвіду. До процесу навчання доводиться вдаватися тоді, коли не тільки малий обсяг апріорної інформації про об'єкт, але і відсутня можливість встановлення детальних причинно-наслідкових зв’язків у структурі самої системи через її складності.

Накопичення та узагальнення інформації в процесі навчання можна здійснювати за рахунок внесення «еталонного досвіду» в систему ззовні або шляхом формування такого досвіду усередині системи. Наприклад, у першому випадку навчальній системі подають послідовність ситуацій, образів або режимів, які мають заздалегідь відомі характеристики або розрізняються за належністю до певних класів. Поведінка системи у відповідь на таку навчальну послідовність ситуацій формується на основі принципу «заохочення - покарання», тобто реакція системи на представлену ситуацію запам’ятовується і використовується для організації контрольованих змін динамічних властивостей системи управління.

Характер накопичення досвіду при навчанні дуже різноманітний, наприклад досвід може бути накопичений позитивний або негативний, систематизований або випадковий, власний або принесений ззовні, імітаційний (штучний) або природний. Однак у всіх способів накопичення досвіду є достатньо спільна риса – поступове виділення «області знань» з усієї сукупності «незнання». Тому в теорії навчальних систем ця особливість знайшла відображення в досить швидко розвиваючому напрямку, пов’язаному зі створенням автоматичних систем класифікації або розпізнаванням образів. Під класифікацією або розпізнаванням образів розуміється встановлення за результатами накопиченого досвіду кордонів між певними класами складних ситуацій.

Задача автоматичного навчання класифікації формулюється таким чином, що за кожної можливої ситуації з безлічі розглянутих ставиться у відповідність точка деякого простору x. Заздалегідь відомо, що в просторі x необхідно виділити дві чи більше число областей або класів ситуацій. Розташування кордонів між областями невідомо і немає певних правил, за якими можна визначити приналежність тієї чи іншої точки будь із заданих областей. Мета навчання полягає в побудові поверхні, що розділяє задані точки із зазначеного безлічі на задане число класів. Принципово існує два підходи до навчання такому поділу. У першому випадку, при навчанні із заохоченням, класифікуючій системі пред’являють ряд випадкових точок з безлічі в просторі x і повідомляють інформацію про належність цих точок до певних класів. Після певного циклу навчання на таких прикладах система будує поділяючу поверхню і може надалі відрізняти належність різним класам не тільки представлених йому точок-прикладів, але і будь-яких інших точок у просторі x.

У разі навчання без заохочення(самонавчальні системи) інформація про належність точок поділюваних по класам відсутня. Тут система зі спостереження представлених точок визначає факт компактного розташування кількох з них і потім будує розділяють поверхні на основі обраної міри близькості компактних груп точок до поділяючої поверхні

Об’єктивна складність навчання як із заохоченням, так і без заохочення полягає в тому, що не завжди класи з близько розташованих один до одного точок строго віддалені, тобто можливо перетин класів, коли одні й ті ж точки належать різним класам.

На рисунку 1.5 показані різні класи безлічі точок (відмічені в одному випадку X і в іншому 0). У випадку (а) класи просто можуть бути розділені прямою лінією (показана пунктиром); в випадку (б) класи можна розділити досить складною кривою; в третьому випадку (в) неможливо поділ класів якою-небудь однієї прямою або кривою лінією.

Рисунок 1.5 – Різні класи безлічі точок

Для добре поділених класів використовують досить прості алгоритми автоматичної класифікації, засновані на апроксимації поділяючих поверхонь окремими ділянками гіперплощини. Для менш поділених класів доводиться використовувати імовірнісні методи, засновані на визначенні, імовірнісних характеристик приналежності точок класам, які перетинаються.

Залежно від способів накопичення досвіду зазначені системи поділяють на навчальні з заохоченням і навчальні без заохочення (самонавчальні) системи.

Значний інтерес до адаптивним системам управління веде до створення різноманітних типів систем, призначених для вирішення широкого кола завдань автоматичного управління. При побудові адаптивних систем часто використовують поєднання різних принципів, наприклад самонастроювання і навчання, в цьому випадку створюються комбіновані адаптивні системи управління, що наділяються корисними властивостями різних систем.

РОЗРАХУНКОВА ЧАСТИНА

Вхідні дані

Згідно з варіантом 9 заносимо із методичних вказівок початкові дані.

Функціональна схема САУ №3 зображена на рисунку 2.1. До її складу входять: ЕП – елемент порівняння, ПП – попередній підсилювач, ЕМП – електромашинний підсилювач, Г – генератор, ДН – дільник напруги, – вихідне значення напруги, – напруга на виході ЕП, – напруга на виході ПП, – напруга на виході ЕМП, – напруга на виході Г, – вихідна напруга ДН.