Застосування штучних нейронних мереж в системах управління

Штучні нейронні мережі (НМ) почали досліджуватись в 60-і роки в біонічному напряму в кібернетиці. Сьогодні вони застосовуються в різних галузях промисловості (енергетика, хімія, авіаційне приладо-будування...). Основа – високий рівень розвитку електроніки і обчислювальної техніки, створення цифрових нейромережових СБИС з числом нейронних елементів на одному кристалі порядку 1000 і більше. Крім того, фундаментальною базою є дослідження в нейробіології, в нейрофізіології, біофізиці, біохімії, що дали матеріал для вивчення динаміки нелінійних нейронних процесів.

Штучні НМ - клас параметризованих функціональних структур, властивості яких визначаються коефіцієнтами зв’язку між нейронними елементами та параметрами їх характеристик перетворення. Нейронні елементи описуються нелінійними статичними функціями або диференційними рівняннями конкурентного типу. Допускаються довільні зв’язки між нейронами, але на практиці застосовуються , як правило, регулярні багатошарові нейроструктури з повними або частинними зв’язками між шарами та матричною пошаровою організацією нейронів. Характерна ознака функціонування нейромережових структур – настройка коефіцієнтів міжнейронних зв’язків, необхідна для отримання заданих динамічних характеристик перетворення вхідних даних в умовах невизначеності чи змінюваного середовища, що визначає їх застосування в адаптивних системах.

Крім того, це:

- автоматизація процесів розпізнавання образів;

- створення експертних систем;

- організація асоціативної пам’яті і інш.;

- прогнозування показників біржового ринку.

Найбільш ефективно нейронні мережі застосовуються при побудові систем адаптивного управління в умовах апріорної невизначеності та змінюваних характеристик зовнішнього середовища. Це визначається їх функціональними властивос-тями:

- можливістю перебудови;

- нелінійністю динаміки і кооперативності міжнейронної взаємодії, що визначає складні оператори перетворення вхідної інформації;

- паралельністю роботи нейронів, що важливо при апаратній реалізації нейромережових регуляторів.

Терміни і поняття.Основа кожної нейронної мережі – однотипні елементи, які імітують роботу нейронів мозку (рис. 9.2).

Входи синапси

x₁ W₁

Вихід

x₂

. W₂ Аксон У

.

. комірка нейрони

нейрона

х_n W_n

Рис.9.2. Схема нейрона

(9.11)

У=F (S) (9.12)

Кожний нейрон характеризується поточним станом за аналогією з нервовими клітинами головного мозку:

- можуть бути збуджені;

- можуть бути загальмовані

Нейрон має групу синапсів – однонаправлених вхідних зв’эязків, зв’язаних з виходами інших нейронів, та аксон – вихідний зв’язок даного нейрона, з якого сигнал (збудження або гальмування) надходить на синапси наступних нейронів. Кожний синапс характеризується розміром синаптичного зв’язку або його вагою W_i, що за фізичним змістом еквівалентний електричній провідності (рис.9.2).

x₁ W₁₁ y₁

x₂ w₂ y₂

_. w_n1

_. w₁₃

x_n w_n2 y₃

Рис.9.3. Схема зв’язків нейрона

Велике число нейронів об’єднуються в так звані прошарки і з’єднання певним чином нейронів різних прошарків, а в деяких конфігураціях – нейронів одного прошарку між собою. Обробка взаємодії нейронів ведеться пошарово.

Теоретично кількість прошарків і число нейронів у кожному прошарку може бути довільним, але фактично воно обмежено ресурсами комп’ютера чи спеціалізованої мікросхеми, на яких реалі-зуються НМ.

Вибір структури НМ здійснюється відповідно до особливостей і складності задачі, для стандартних задач існують оптимальні конфігу-рації.

При розробці нових конфігурацій необхідно враховувати такі принципи:

- можливості мережі зростають із збільшенням числа осередків, щільності зв’язків між ними і числом виділених прошарків;

- введення зворотніх зв’язків збільшує можливості системи, але виникає проблема динамічної стійкості;

- вдосконалення алгоритмів функціонування мережі, наприклад введення кількох типів синапсів (збуджуючих, гальмівних) сприяє зростанню потужності НМ.

Процес функціонування НМ, тобто сукупність виконуваних дій, залежить від розмірів синаптичних зв’язків. Для конкретної структури НМ (під конкретну задачу) необхідно знайти оптимальні значення змінних вагомих коефіцієнтів (деякі синаптичні зв’зки можуть бути постійними). Цей етап – навчання НМ, коли розв’язується компромісна задача вибору параметрів ваг та часом навчання. Навчання може проводитись “з вчителем” або без нього. В першому випадку мережі задаються значення вхідних і бажаних вихідних сигналів. В другому – виходи НМ формуються самостійно, а ваги змінюються за алгоритмом, який враховує вхідні сигнали і похідні від них.

Алгоритми навчання поділяються на класи:

- детерміновані, коли підстроювання ваг проводиться за жорст-кою послідовністю дій;

- стохастичні, коли підстроювання підпорядковується деякому випадковому процесу;

НМ можуть оперувати двійковими сигналами (бінарні) або неперервними (аналогові).

НМ можуть бути:

- синхронними, коли стан змінює лише один нейрон;

- асинхронними, коли змінюється стан групи нейронів у про-шарку.

Поиск по сайту: