1.2. Нейронные сети в системах контроля и управления.
Нечеткая логика обеспечивает успешное решение проблемы управления, однако в некоторых случаях бывает трудно определить правильное множество правил и функций принадлежности. Кроме того, возникают трудности при настройке модели на оптимальное решение с достаточной степенью точности. Данные проблемы можно успешно решить путем комбинации нейронных сетей и нечеткой логики. В этом случае нейронные сети используются для обучения системы поведению, основанному на входных и выходных данных, и для генерации нечетких правил и функций принадлежности. Комбинация нечеткой логики и нейронных сетей минимизирует стоимость системы с одновременным повышением ее эффективности. Применение нейронных сетей обеспечивает высокую скорость вычислений за счет параллелизма, значительную устойчивость к колебаниям параметров, способность к адаптации, обучению и самоорганизации.
Нейроподобная сеть. Нейроподобная сеть - это совокупность нейронов, соединенных определенным образом друг другом и с внешней средой [4]. Входной вектор (координирующий входное воздействие или образ внешней среды) подается на сеть путем активации входных воздействий нейроподобных элементов. Множество выходных сигналов нейронов сети Y1,Y2,...,Ym называется вектором выходной активности, или паттерном активности нейронной сети. Веса связей нейронов сети удобно представлять в виде матрицы W, где wij - вес связи между i- и j-м нейронами. В процессе функционирования (эволюции состояния) сети осуществляется преобразование входного вектора в выходной, т.е. некоторая переработка информации, которую можно интерпретировать, например, как функцию гетеро - или автоассоциативной памяти. Конкретный вид выполняемого сетью преобразования информации обуславливается не только характеристиками нейроподобных элементов, но и особенностями ее архитектуры, т.е. той или иной топологией межнейронных связей, выбором определенных подмножеств нейроподобных элементов для ввода и вывода информации, наличием или отсутствием конкуренции, направлением и способами управления и синхронизации информационных потоков между нейронами.
Существуют различные варианты применения нейронных сетей в системах нечеткой логики. Например, при построении нечеткой модели Сугено для структурной идентификации можно использовать нечеткие кластеризующие сети Кохонена, основанные на интеграции метода нечетких С-средних и нейронной сети Кохонена. Нейронные сети также используются для генерации нечётких правил и функций принадлежности. Это можно осуществить с помощью многослойной нейронной сети с алгоритмом обратного распространения.
Использование нейронных сетей в нечётких контроллерах имеет большие потенциальные возможности для решения сложных задач управления в разрабатываемых системах полностью компьютерно-интегрированного производства. Системы управлением производством - программные и аппаратные средства позволяющие повысить эффективность производства: сократить время цикла, снизить стоимость продукции, повысить качество, а также сократить инвентарные записи, расход материалов, незавершенные работы. Это достигается полной взаимной совместимостью всех составляющих системы управления. Для реализации этой возможности все составляющие системы должны иметь способность быстрой и гибкой перестройки их работы. Кроме этого для универсальности таких систем необходима возможность блочного построения системы из универсальных блоков, которые можно было бы настраивать практически на любую задачу управления за счёт их возможности классификации и адаптации
Обучение нейроподобной сети. Одно из важнейших свойств нейроподобной сети - способность к самоорганизации, самоадаптации с целью улучшения качества функционирования. Это достигается обучением сети, алгоритм которого задается набором обучающих правил. Обучающие правила определяют, каким образом изменятся связи в ответ на входное воздействие. Многие из них является развитием высказанной Д.О. Хеббом идеи о том, что обучение основано на увеличении силы связи (синаптического веса) между одновременно активными нейронами. Таким образом, часто используемые связи в сети усиливаются, что объясняет феномен обучения путем повторения и привыкания. Математически это правило можно записать следующим образом:
wij(t+1)= wij(t)+a*yi*yj
где wij(t) и wij(t+1) - значения веса связи от i-го к J-му нейрону соответственно до и после его изменения,
В настоящее время существует множество обучающих разнообразных обучающих алгоритмов; в данном дипломном проекте будет рассмотрен алгоритм обучения сети обратного распространения.
Преимущества нейронных сетей. Вместо последовательного выполнения программы как в компьютере фон-Неймана, нейросетевые модели исследуют много вычислительных задач одновременно, Используя массивную параллельную структуру, включающую много вычислительных элементов, соединенных связями с различными весовыми коэффициентами. Обычно нейроподобные сети обеспечивают более высокую степень устойчивости ошибкам по сравнению с последовательным компьютером фон-Неймана, так как существует значительно больше обрабатывающих узлов, каждый из которых имеет основное местное соединение. Дефект нескольких узлов или линий не нарушает общую характеристику.
Классификация нейроподобных сетей. На рис.1 представлено классификационное дерево нейроподобных сетей.
Сначала разделяют сети с цифровым и аналоговым входом, далее - по типу обучения: с учителем и без учителя. Сети, обучаемые с супервизором, такие как сеть Хопфилда и персептроны, используют в качестве ассоциативной памяти или классификатора. Эти сети могут точно определить правильный класс для новых входных образов во время обучения. Самые распространенные статистические классификаторы, такие как классификаторы Гаусса, обучаются с супервизором при использовании маркированных обучающих данных. Сети, обучаемые без супервизора, такие как самоорганизующиеся карты признаков Кохонена, используют в качестве векторных кванторов или для формирования кластеров.
Дальнейшие различие между нейронным сетями, не отмеченное на рис 1., заключается в наличии или отсутствии адаптивного обучения. Хотя все показанные нейронные сети могут обучаться адаптивно, сеть Хопфилда и сеть Хэмминга в основном работают с фиксированными весами связей.
Алгоритмы обучения являются классическими алгоритмами; другие алгоритмы подобны или работают с той же функцией, что и соответствующая нейронная сеть. Существует множество различных обучающих алгоритмов. Например, в персептроне используют несколько обучающих процедур, такие как стохастическая версия алгоритма обучения, алгоритм обратного распространения ошибки и т.д.
рис 1.1