Добавил:

ivanov666 Опубликованный материал нарушает ваши авторские права? Сообщите нам.

Вуз:

Башкирский Государственный Аграрный Университет

Предмет:

[НЕСОРТИРОВАННОЕ]

Файл:

Основы мехатроники. Учебник для СПО

.pdf

Скачиваний:

Добавлен:

07.09.2026

Размер:

2 Мб

Скачать

☆

<<< < Предыдущая 12 / 182 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 > Следующая >>>

1.2. Методы искусственного интеллекта

Методы искусственного интеллекта в системах управления базируются на следующих теоретических принципах:

- ситуационного управления;

- иерархического построения интеллектуальных систем;

- организации процедур логического вывода на основе ис-

пользования различных технологий обработки знаний;

- организации процессов самообучения;

- построения интеллектуального человеко-машинного

интерфейса.

К методам искусственного интеллекта относятся технологии управления:

- на основе экспертных систем;

- использующие математику нечетких множеств (фаз-

зи-регуляторы);

- использующие нейросетевые структуры;

- применяющие ассоциативную память;

- использующие сочетания приведенных выше технологий,

например нейросетевые fuzzy-регуляторы.

Технологии интеллектуального управления не конфликтуют с классическими котроллерами, так как либо занимают отдельную нишу по служебному назначению, либо естественным образом включают их в свою структуру, повышая качество регулирования и расширяя свои инструментальные средства.

Для выделения класса интеллектуальных систем управления используется следующая группа признаков:

- постоянная наблюдаемость внешнего мира с помощью

специально организованных информационных каналов;

- полная открытость системы с возможностью наращивания

ее интеллектуальных ресурсов (количества данных и знаний, сохранения и / или повышения быстродействия и т. п.);

- способность прогнозировать изменения во внешнем мире и

в своем поведении с учетом этих перемен;

- иерархическая структура системы, в которой объем ин-

формационных ресурсов растет, а требования к точности снижаются снизу вверх;

- функциональная устойчивость при разрушении высших

уровней иерархии.

Общим свойством базовых технологий обработки знаний, включая технологии экспертных систем, нейросетевых структур, нечеткой логики и ассоциативной памяти, является способность к решению задач классификации, которые возникают на каждом уровне иерархии интеллектуальных систем и лежат в основе ситуационного управления. В то же время специфика каждой из интеллектуальных технологий в конечном итоге определяет оперативность логического вывода, реализуемость на аппаратном уровне, особенности организации процессов пополнения и обобщения знаний, в том числе в режиме самообучения.

1.3. Экспертные системы

Экспертная система (ЭС) — компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление.

В информатике они рассматриваются совместно с базами знаний как модели поведения экспертов в определенной области с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

ЭС применяются для решения неформализованных проблем, к которым относятся задачи, обладающие одной или несколькими характеристиками:

- задачи не могут быть представлены в числовой форме;

- исходные данные и знания о предметной области обладают

неоднозначностью, неточностью, противоречивостью;

- цели нельзя выразить с помощью четко определенной це-

левой функции;

- не существует однозначного алгоритма решения задачи;

- алгоритмическое решение задачи существует, но его нельзя

использовать по причине большой размерности пространства решений и ограничений на ресурсы.

ЭС должна содержать пять основных компонентов:

- интерфейс с пользователем;

- подсистему логического вывода;

- базу знаний;

- модуль приобретения знаний;

- модуль отображения и объяснения решений.

Обобщенная структура ЭС представлена на рис. 1.1.

Рис. 1.1. Обобщенная структура ЭС

Взаимодействие пользователя с ЭС осуществляется через интерфейс с пользователем. В программах, его реализующих, происходит преобразование (трансляция) предложений естественного языка на внутренний язык представления знаний данной ЭС.

Описание задачи пользователя на выбранном языке представления знаний поступает в подсистему логического вывода, которая использует информацию из базы знаний, генерирует рекомендации по решению искомой задачи. Основу базы знаний составляют факты и правила. В подсистеме логического вывода

Модуль отображения и

объяснения решений

Подсистема логического

вывода

Рабочая па-

мять

База знаний

Интерфейс с

пользователем

Модуль при-

обретения

знаний

реализуется некоторая стратегия выбора соответствующего факта из базы знаний, которая зависит от способа их представления в ЭС и характера решаемых задач.

Модуль отображения и объяснения решения демонстрирует промежуточные и окончательные решения задачи и объясняет пользователю действия системы.

Функция модуля приобретения знаний состоит в поддержке процесса извлечения знаний о соответствующей узкоспециализированной предметной области.

База знаний состоит из набора правил.

Рабочая память — область памяти, в которой хранится множество фактов, описывающих текущую ситуацию, и все пары «атрибут — значение», которые установлены к определенному моменту. Рабочая память — это динамическая часть базы знаний, содержимое которой зависит от окружения решаемой задачи.

По типу решаемых задач ЭС делятся на:

- интерпретирующие;

- прогнозирующие;

- диагностические;

- проектирования;

- планирования;

- мониторинга;

- наладочные;

- оказания помощи;

- обучающие;

- контроля.

По способу и учету временного признака ЭС делятся на статические, квазидинамические, динамические, по способу формирования решения — на анализирующие и синтезирующие, а по степени интеграции — на автономные и гибридные.

ЭС работает в двух режимах: приобретения знаний и решения задач. Первый режим — это передача потенциального опыта решения проблемы от некоторого источника знаний и преобразование его в вид, который позволяет использовать эти знания. В режиме решения задач общение с ЭС осуществляет конечный пользователь, которого интересуют результат и способ получения решения.

Пример регулятора на основе ЭС приведен в разделе 1.9.

1.4. Искусственные нейронные сети

Искусственные нейронные сети (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке их смоделировать. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

ИНС представляют собой систему соединенных и взаимодействующих между собой простых процессоров (искусственных нейронов). Они обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединенными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

С точки зрения машинного обучения ИНС представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики ИНС используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования она — способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта ИНС является основой философского течения коннективизма и главным направлением в структурном подходе к изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ ИНС перед традиционными алгоритмами.

Технически обучение заключается в нахождении коэффициентов связей между нейронами. При этом ИНС способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

Интеллектуальные системы на основе ИНС позволяют с успехом решать проблемы распознавания образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления. Известны и иные, более традиционные подходы к их решению, однако они не обладают необходимой гибкостью за пределами ограниченных условий. ИНС дают многообещающие альтернативные решения, и многие приложения выигрывают от их использования.

Уоррен МакКаллок и Уолтер Питтс предложили использовать бинарный пороговый элемент в качестве модели искусственного нейрона. Этот математический нейрон вычисляет взвешенную сумму n входных сигналов x

, j = 1, 2 ... n, и форми-

рует на выходе сигнал величины 1, если эта сумма превышает определенный порог u, и 0 — в противном случае.

Часто удобно рассматривать u как весовой коэффициент, связанный с постоянным входом x

= 1. Положительные веса

соответствуют возбуждающим связям, а отрицательные — тормозным. МакКаллок и Питтс доказали, что при соответствующим образом подобранных весах совокупность параллельно функционирующих нейронов подобного типа способна выполнять универсальные вычисления. Здесь наблюдается определенная аналогия с биологическим нейроном: передачу сигнала и взаимосвязи имитируют аксоны и дендриты, веса связей соответствуют синапсам, а пороговая функция отражает активность сомы.

ИНС может рассматриваться как направленный граф со взвешенными связями, в котором искусственные нейроны являются узлами. По архитектуре связей ИНС могут быть сгруппированы в два класса: сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями.

В наиболее распространенном семействе сетей первого класса, называемых многослойным перцептроном, нейроны расположены слоями и имеют между ними однонаправленные связи. Сети прямого распространения являются статическими в том смысле, что на заданный вход они вырабатывают одну совокупность выходных значений, не зависящих от предыдущего состояния сети. Рекуррентные сети являются динамическими, так как в силу обратных связей в них модифицируются входы нейронов, что приводит к изменению состояния сети.

Способность к обучению является фундаментальным свойством мозга. В контексте ИНС процесс обучения может рассматриваться как настройка архитектуры сети и весов связей для эффективного выполнения специальной задачи. Обычно нейронная сеть должна настроить веса связей по имеющейся обучающей выборке. Функционирование сети улучшается по мере итеративной настройки весовых коэффициентов. Свойство сети обучаться делает ее более привлекательной по сравнению с системами, которые следуют определенному комплексу правил функционирования, сформулированному экспертами.

Для конструирования процесса обучения, прежде всего, необходимо иметь модель внешней среды, в которой функционирует нейронная сеть, — знать доступную для ИНС информацию. Эта модель определяет парадигму обучения. Во-вторых, нужно понять, как модифицировать весовые параметры сети, какие правила обучения управляют процессом настройки. Алгоритм обучения означает процедуру, в которой используются правила обучения для настройки весов.

Существуют три парадигмы обучения: «с учителем», «без учителя» (самообучение) и смешанная. В первом случае ИНС располагает правильными ответами (выходами сети) на каждый входной пример. Веса настраиваются так, чтобы сеть производила ответы как можно более близкие к известным правильным ответам. Усиленный вариант обучения «с учителем» предполагает, что известна только критическая оценка правильности выхода ИНС, но не сами правильные значения выхода. Обучение «без учителя» не требует знания правильных ответов на каждый пример обучающей выборки. В этом случае раскрывается внутренняя структура данных или корреляция между образцами в

системе данных, что позволяет распределить образцы по категориям. При смешанном обучении часть весов определяется посредством обучения «с учителем», в то время как остальная получается с помощью самообучения.

Теория обучения рассматривает три фундаментальных свойства, связанных с обучением по примерам: емкость, сложность образцов и вычислительная сложность. Емкость — это понятие о том, сколько образцов может запомнить ИНС и какие функции и границы принятия решений могут быть на ней сформированы. Сложность образцов определяет число обучающих примеров, необходимых для достижения способности сети к обобщению. Слишком большое число образов в выборке может вызвать «переобученность». Тогда задача распознавания превращается в задачу классификации.

Известны четыре основных правила обучения: коррекция по ошибке, машина Больцмана, правило Хебба и обучение методом соревнования.

Правило коррекции по ошибке. При обучении «с учителем» для каждого входного примера задан желаемый выход d. Реальный выход сети y может не совпадать с желаемым. Принцип коррекции состоит в использовании сигнала (d-y) для модификации весов, обеспечивающей постепенное уменьшение ошибки. Обучение имеет место только в случае, когда перцептрон ошибается. Известны различные модификации этого алгоритма обучения.

Обучение Больцмана. Представляет собой стохастическое правило обучения, которое следует из информационных теоретических и термодинамических принципов. Целью является такая настройка весовых коэффициентов, при которой состояния видимых нейронов удовлетворяют желаемому распределению вероятностей. Обучение Больцмана может рассматриваться как специальный случай коррекции по ошибке, в котором под последней понимается расхождение корреляций состояний в двух режимах.

Правило Хебба. Этот постулат обучения является самым старым правилом. Хебб опирался на следующие нейрофизиологические наблюдения: если нейроны с обеих сторон синапса активизируются одновременно и регулярно, то сила синаптической

связи возрастает. Важной особенностью является то, что изменение синаптического веса зависит только от активности нейронов, которые связаны данным синапсом. Это существенно упрощает цепи обучения в реализации сверхвысокого уровня

интеграции – very-large-scale-integrated (VLSI).

Обучение методом соревнования. В отличие от правила Хебба, в котором множество выходных нейронов могут возбуждаться одновременно, при этом методе выходные нейроны соревнуются между собой за активизацию. Это явление известно как правило «победитель забирает все». Подобное обучение имеет место в биологических нейронных сетях. Оно позволяет кластеризовать входные данные: подобные примеры группируются сетью в соответствии с корреляциями и представляются одним элементом.

При обучении модифицируются только веса «победившего» нейрона. Эффект этого правила достигается за счет такого изменения сохраненного в сети образца (вектора весов связей «победившего» нейрона), при котором он становится чуть ближе ко входному примеру.

В табл. 1.1 представлены различные алгоритмы обучения и связанные с ними архитектуры сетей. В последней колонке перечислены задачи, для которых может быть применен каждый алгоритм. Каждый из них ориентирован на сеть определенной архитектуры и предназначен для ограниченного класса задач. Кроме рассмотренных, следует упомянуть некоторые другие алгоритмы: Adaline и Madaline, линейный дискриминантный анализ, проекции Саммона, анализ главных компонентов.

Таблица 1.1

Известные алгоритмы обучения

Парадигма

Обучающее правило

Архитектура

Алгоритм обучения

Задача

«С учителем»

Коррекция ошибки

Однослойный и многослойный перцептроны

Алгоритмы обучения перцептрона. Обратное распространение. Adaline и Madaline

Классификация образов. Аппроксимация функций. Предсказание, управление

Парадигма

Обучающее правило

Архитектура

Алгоритм обучения

Задача

Больцман

Рекуррентная сеть

Алгоритм обучения Больцмана

Классификация образов

Хебб

Многослойная сеть прямого распространения

Линейный дискриминантный анализ

Анализ данных. Классификация образов

Соревнование

Векторное квантование

Категоризация внутри класса. Сжатие данных

Сети адаптивного резонанса Adaptive

Resonance Theory ART

Сети адаптивного резонанса Predictive

ART (ARTMAP)

Классификация образов

«Без учителя»

Коррекция ошибки

Многослойная сеть прямого распространения

Проекция Саммона

Категоризация внутри класса. Анализ данных

Хебб

Сеть прямого распространения или соревнование

Анализ главных компонентов

Анализ данных. Сжатие данных

Сеть Хопфилда

Обучение ассоциативной памяти

Ассоциативная память

Соревнование

Векторное квантование

Категоризация. Сжатие данных

Самоорганизующиеся карты Кохонена

Self-Organizing Maps (SOM)

Самоорганизующиеся карты Кохонена SOM

Категоризация. Анализ данных

Сети ART

Сети ART1, ART2

Категоризация

Смешанная

Коррекция ошибки и соревнование

Сеть радиально-базисных функций

Radial basis function (RBF )

Алгоритм обучения

RBF

Классификация образов. Аппроксимация функций. Предсказание, управление

Среди различных структур ИНС одной из наиболее известных является многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми аксонами нейронов предыдущего слоя или, в случае первого слоя, со всеми входами ИНС. Такая сеть называется полносвязной. Когда в ней только один слой, алгоритм ее обучения «с учителем» довольно очевиден, так как правильные выходные состояния нейронов единственного слоя заведомо известны и подстройка синаптических связей идет в направлении, минимизирующем ошибку на выходе сети. По этому принципу строится, например, алгоритм обучения одно-

<<< < Предыдущая 12 / 182 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 > Следующая >>>

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]