5.6. Интеллектуальная система на основе нейронной сети
Пусть имеется некий детерминированный процесс p(t). Построим искусственную нейронную сеть на основе ADALINE для предсказания значений p(t) (рис. 12).
Некоторый
сигнал поступает на линию задержки так,
что на ее выходе формируются 2 сигнала:
,
.
Настройка сети реализуется с помощью
М-функцииadapt,
которая изменяет параметры сети на
каждом шаге с целью минимизировать
погрешность
.
Если эта погрешность нулевая, то выход
сетиa(t)
точно равен p(t)
и сеть выполняет предсказание должным
образом.
Рис. 12. Схема ИНС
Для формирования входа применим динамическое звено второго порядка (колебательное). В сети ADALINE используем линию задержки с двумя блоками.
Листинг программы для решения задачи предсказания сигнала на 1 шаг вперед приведен в приложении.
На рис. 13 пунктиром показан входной сигнал, а непрерывной линией – выход построенной нейронной сети после 5 циклов обучения.
Приемлемое качество результатов получается после пяти циклов обучения. При длительности процесса 10 с диапазон успешного предсказания сигнала находится в пределах 1,8…10 с.
5.7. Заключение
История ИНС насчитывает более полувека, но именно в последние десятилетия нейронные сети получили широкое распространение. Сегодня существует много практических примеров, демонстрирующих впечатляющие возможности ИНС: их научили превращать текст в фонетическое представление, которое затем превращается в речь; другие ИНС могут распознавать рукописные буквы, сжимать изображения и т.д.
Рис. 13. Результаты обучения и моделирования нейронной сети
Одной из наиболее перспективных областей применения нейронных сетей является их использование в интеллектуальных системах управления сложными техническими объектами. Именно здесь наиболее ярко проявляются такие их преимущества, как способность к обучению, отказоустойчивость, возможность аппроксимации существенно нелинейных характеристик, присущий им параллелизм обработки информации.
В данной работе была построена ИНС на основе ADALINE, предназначенная для решения задачи предсказания сигнала. Разработанная программа позволяет успешно предсказывать сигнал в пределах 1,8…10 с при длительности процесса 10 с.
5.8. Список литературы.
1. Медведев, В. С. Нейронные сети. MATLAB 6 / В. С. Медведев, В. Г. Потемкин / под общ. ред. к.т.н. В. Г. Потемкина. – М.: ДИАЛОГ-МИФИ, 2002. – 496с. (Пакеты прикладных программ; кн.4).
2. Васильев, В. И. Интеллектуальные системы управления с использованием нейронных сетей: Учебное пособие / В. И. Васильев, Б. Г. Ильясов, С. С. Валеев, С. В. Жернаков. – Уфа: Уфимск. гос. авиац. техн. ун-т, 1997. – 92 с.
3. http://neuronets.ru Анил К. Джейн Мичиганский Государственный университет, США «Введение в искусственные нейронные сети»
4. www.bankreferatov.ru «Нейронные сети»
5.9. Приложение
Листинг программы в процедурах пакета Neural Network системы MATLAB моделирования линейной сети, предназначенной для предсказания сигнала.
clear
sys = ss(tf(1,[1 1 1]));
time = 0:0.2:10;
[y,time] = step(sys, 0:0.2:10);
p = y(1:length(time)-2)';
y = y(3:length(time))';
time = time(1:length(time)-2);
net = newlin([-1 1], 1, [1 2]);
P = num2cell(p);
T = num2cell(p);
pi = {0 0};
net.adaptParam.passes = 5;
[net, Y, E, PF, Af] = adapt (net, P, T, pi);
Y1 = cat(1,Y{:});
plot (time, Y1, 'b:', time, p, 'r-'), xlabel ('Time, sec'), ylabel('Processes');
title ('Training neural net');
x = sim(net, P);
x1 = cat(1, x{:});
plot (time, x1, 'b');
net.IW{1, 1}, net.b