Интеллектуальные алгоритмы.
В наше время идет создание алгоритмов работы реле на основе искусственных нейронных сетей и нечеткой логике. Сейчас это является наиболее молодым и перспе6ктивным направлением разработки РЗ, однако, таких устройств РЗ пока не существует.
Устройства рЗиА на основе искусственных нейронных сетей.
Теория искусственных нейронных сетей имеет биологические корни и создавалась с целью дальнейшего её применения в технике.
Искусственная нейронная сеть – совокупность моделей биологических нейронных сетей. Это сеть элементов (нейронов), связанных между собой синоптическими соединениями, то есть соединениями, обладающими свойствами передачи информации с усилениями.
Примером биологической нейронной сети является нервная система человека, которая состоит из 1012 нейронов.
Нейронная сеть, как и человек, должна обучаться. Обучение является процессом многомерной оптимизации, то есть существует много параметров, которые необходимо настроить, чтобы получить желаемый результат. Обучение представляет собой процесс многомерной оптимизации – множество параметров, которые необходимо подстроить, чтобы она давала на выходе необходимую информацию.
Основные черты нейронных сетей.
Перечислим основные черты биологических нейронных сетей
память,
обработка сенсорной (входной) информации,
нелинейная аппроксимация (на заданном отрезке),
прогноз (вне этого отрезка – на будущее),
классификация (разграничение объекта на группы),
распознавание (необходимо найти конкретный объект),
поиск по ассоциации.
В силу своих особенностей искусственные нейронные сети имеют следующие свойства:
параллельность вычислений (одновременность),
всеобщность метода (искусственных нейронных сетей), то есть существует возможность решить большой класс задач,
самоорганизация (в процессе обучения),
аналоговость (с этим связана некоторая трудность реализации),
надежность (если вырезать 10% нейронной сети, то оставшаяся часть может выполнять все необходимые операции),
обучаемость,
способность к обобщению,
абстрагирование ( то есть биологическая нейронная сеть обучена в некотором множестве. Теперь, если предъявить ей новый образ, то биологическая нейронная сеть может сделать некоторые выводы о свойствах этого объекта.
Можно говорить о двух способах применения нейронных сетей:
Фоллеймановский подход, который отличается гибкостью (разнообразием структур нейронных сетей, возможностью обучения).
Нейроплаты и нейропроцессоры, где менять что-либо в процессе, после обучения, нельзя.
7.3.1.2. Формальный нейрон.
– функция
активизации от взвешивании суммы всех
входов.
Θ –пороговый уровень
xi – входной сигнал
wi – весовой коэффициент
Входы связаны с телом нейрона с помощью синоптических соединений, имеющих весовые коэффициенты.
Функции активизации бывают гладкими и негладкими:
1. Жесткая ступенька. Она не дифференцируема.
2. Логистическая функция.
3. Гиперболический тангенс.
4. Пологая ступенька.
5. Гауссовская функция.
6. Приближение гауссовской кривой.
Выбор функции может производиться самостоятельно. Ограничения, которые имеет нейрон:
1. Вычисление в нейронных системах производится параллельно (предполагается).
2. В формальном нейроне нет нервных импульсов.
3. Нет гормональной регуляции как в биологических системах.
4. Чрезмерная формализация приводит к тому, что неспособны решать задачи.
5. F в биологических системах трудно определить, здесь F – приближение, способное решать некоторые задачи.