- •Технические нервные системы Обучаемые системы управления со зрением для промышленных роботов
- •Оглавление
- •Введение
- •1. Аналитический обзор информационно-управляющих систем промышленных роботов
- •1.1. Современное состояние систем управления роботами, использующих процедуру обучения
- •1.2. Принципы функционирования обучаемых систем управления (технических нервных систем)
- •Павлов Иван Петрович (1849-1936)
- •Пуанкаре (Poincare) Жюль Анри (1854-1912)
- •1.3. Сравнительный анализ адаптивных управляющих систем управления с распознаванием образов и обучаемых систем управления
- •1.4. Анализ вопросов аппаратной реализации систем управления роботами
- •2. Моделирование обучаемых систем управления
- •2.1. Математическое моделирование процесса обучения обучаемой системы управления
- •2.1.1. Алгоритм обучения обучаемой системы управления
- •2.1.2 Алгоритм расчета рецепторных долей сигнала управления
- •2.1.3. Условие сходимости процесса обучения
- •2.2. Закономерности процесса обучения, выявленные с помощью его математической модели
- •2.2.1. Закономерности процесса обучения системы управления для двух ситуаций обучаемой выборки
- •2.2.2. Закономерности процесса обучения системы управления при последовательном предъявлении ситуаций
- •2.2.3. Обучение с масштабированием подобных ситуаций
- •2.2.4. Влияние заданной точности выходных сигналов на продолжительность обучения
- •2.2.5. Влияние отличительности образов ситуаций обучаемой выборки на продолжительность обучения
- •2.2.6. Влияние порядка предъявления ситуаций обучаемой выборки на продолжительность обучения
- •Первый вариант обучения:
- •Второй вариант обучения:
- •2.2.7. Влияние способа дробления входной информации на продолжительность обучения
- •1 Вариант.
- •2 Вариант.
- •2.3. Имитационное моделирование обучения системы управления решению некоторых задач
- •2.3.1. Имитационное моделирование процесса обучения поиску заданного предмета
- •2.3.2. Имитационное моделирование процесса обучения воспроизведению образов
- •2.3.3. Имитационное моделирование процесса обучения распознаванию образов (ситуаций)
- •3. Схемные решения обучаемых систем управления
- •3.1. Командные рецепторы обучаемой системы управления
- •3.2. Обучаемая система управления с внутренними обратными связями
- •3.3. Деление рецепторов обучаемой системы управления на группы
- •3.4. Обучаемая система управления с парными рецепторами
- •3.5. Распределитель выходных сигналов обучаемой системы управления
- •4. Исследование обучаемой системы управления, установленной на робот тур-10к
- •4.1. Выбор параметров обучаемой системы управления для промышленного робота тур-10к
- •4.2. Методика обучения робота тур-10к с обучаемойсистемой управления со зрением поиску заданного предмета среди прочих
- •4.2.1. Разработка методики выбора ситуаций обучаемой выборки для решения задачи поиска заданного предмета
- •4.2.2. Настройка резисторной матрицы обучаемой системы управления и результат обучения
- •4.3. Свойства и особенности обучаемых систем управления, выявленные в результате исследований
- •5. Реализация обучаемых систем управления
- •5.1. Варианты физической реализации обучаемых систем управления
- •5.2. Варианты электрической реализации обучаемых систем управления
- •5.2.1. Обучаемая система управления с резисторной матрицей из подстроечных резисторов
- •5.2.2. Обучаемая система управления с резисторной матрицей, элементы которой выполнены в виде графитовых соединений
- •5.2.3. Обучаемая система управления с резисторной матрицей, элементы которой выполнены из халькогенидных полупроводников
- •5.3. Обучаемая система управления со зрением для промышленного робота pm-01 (puma)
- •6. Технический подход к проявлениям сложной нервной деятельности
- •6.1. Обучение и самообучение объекта с технической нервной системой
- •6.2. Чувства и эмоции объекта с технической нервной системой
- •6.3. Мышление объекта с технической нервной системой
2 Вариант.
Для этого варианта дробления, как и для первого диапазон изменения параметра разбивается на интервалы, соответствующие единице изменения параметра. Если значение параметра входит в интервал, то значение признака, соответствующего этому интервалу принимаем равным единице, в противном случае значение признака равно нулю.
Ситуации обучаемой выборки для этого варианта дробления примут вид: 1) b1,1(1)=0; _b2,1(1)=0; _b3,1(1)=1; _b4,1(2)=0; _b5,1(2)=1; _b6,1(2)=0; _b7,1(2)=0; _b8,1(3)=1; _b9,1(3)=0; _b10,1(3)=0; __сигнал управления E1 = 8; 2) b1,2(1)=0; _b2,2(1)=0; _b3,2(1)=1; _b4,2(2)=0; _b5,2(2)=0; _b6,2(2)=1; _b7,2(2)=0; _b8,2(3)=0; _b9,2(3)=1; _b10,2(3)=0; __сигнал управления E2 = 20; 3) b1,3(1)=0; _b2,3(1)=1; _b3,3(1)=0; _b4,3(2)=0; _b5,3(2)=0; _b6,3(2)=0; _b7,3(2)=1; _b8,3(3)=0; _b9,3(3)=0; _b10,3(3)=1; __сигнал управления E3 = 45.
Контрольные ситуации: 4) b1,4(1)=1; _b2,4(1)=0; _b3,4(1)=0; _b4,4(2)=0; _b5,4(2)=0; _b6,4(2)=1; _b7,4(2)=0; _b8,4(3)=0; _b9,4(3)=0; _b10,4(3)=1; __сигнал управления E4 = 37; 5) b1,5(1)=0; _b2,5(1)=1; _b3,5(1)=0; _b4,5(2)=0; _b5,5(2)=0; _b6,5(2)=0; _b7,5(2)=1; _b8,5(3)=1; _b9,5(3)=0; _b10,5(3)=0; __сигнал управления E5 = 19.
Число циклов обучения: t = 3. Весовые коэффициенты признаков: c1 = 0,000000; ___ c2 =15,000000; ___ c3 = 7,017833; ___ c4 = 0,000000; ___ c5 = 0,526749; ___ c6 = 6,491084; ___ c7 =15,000000; ___ c8 = 0,526749; ___ c9 = 6,491084; ___ c10 =15,000000.
Фактические значения сигналов управления в контрольных ситуациях: Ef4 = 21,491084, ошибка Ef4 = 15,508916; ___Ef5 = 30,526749, ошибка Ef5 = 11,526749.
Идея дробления входной информации была изложена в заявке на изобретение ? 4242260/24 от 16 февраля 1987 г., схема которого представлена на рис.2.13.
Рис.2.13.
Обучаемая система управления с реализацией
дробления входных сигналов
1 – входы,
2 – диоды, 3 – плюс-резисторы, 4 –
минус-резисторы, 5 – сумматоры-вычитатели,
6 – выход, 7 – преобразующее устройство,
8 – РАУ (разрядно-аналоговое устройство),
9 – входы РАУ.
Выводы. Из рассмотренного примера видно, что дробление информации позволяет использовать линейную модель для определения сигнала управления отдельным исполнительным двигателем объекта управления, сократить продолжительность обучения, увеличить точность сигналов управления, повысить адаптивность системы управления. Следует отметить, что при дроблении параметров интервалы дробления могут дублироваться, перекрывать частично или полностью интервалы других признаков. В этом смысле дробление параметров в обучаемых системах управления перекликается с методами нечеткой логики. В отличие от традиционной формальной логики, оперирующей физическими параметрами, точными и четкими понятиями типа истина и ложь, да и нет, ноль и единица, нечеткая логика имеет дело со значениями, лежащими в некотором (непрерывном или дискретном) диапазоне. Функция принадлежности элементов к заданному множеству также представляет собой не жесткий порог "принадлежит – не принадлежит", а плавную сигмоиду, проходящую все значения от нуля до единицы [53]. Разница лишь в том, что в обучаемых системах управления принадлежность признака некоторому интервалу носит не вероятностный характер, а вполне конкретна.
