10. Властивостібагатошаровихнейромережевих структур.

Більш великі і складні нейронні мережі мають, як правило, і великі обчислювальні можливості. Хоч створені мережі всіх конфігурацій, які тільки можна собі представити, пошарова організація нейронів копіює прошаркові структури певних відділів мозку. Виявилося, що такі багатошарові мережі володіють більшими можливостями, і в останні роки були розроблені алгоритми для їх навчання.

Багатошарові мережі можуть утворюватися каскадами прошарків. Вихід одного прошарку є входом для подальшого прошарку.

Хоч вини мають значно складнішу структуру ніж одношарові але за рахунок цьохо мають більшу точність.

Багатошарові менежі підходять для моделювання глобальних залежностей які важко чітко установити.

11. Принципи та алгоритминавчання і тренуваннянейроних мереж.

Обучение – это процесс, в котором свободные параметры нейронной сети настраиваются посредством моделирования среды, в которую эта сеть встроена. Тип обучения определяется способом подстройки этих параметров.

Это определение процесса обучения нейронной сети предполагает следующую последовательность событий:

1. В нейронную сеть поступают стимулы из внешней среды.

2. В результате первого пункта изменяются свободные параметры нейронной сети.

3. После изменения внутренней структуры нейронная сеть отвечает на возбуждения уже иным образом.

Обучение с учителем предполагает, что для каждого входного вектора из обучающего множества существует требуемое значение выходного вектора, называемого целевым. Эти вектора образуют обучающую пару. Веса сети изменяют до тех пор, пока для каждого входного вектора не будет получен приемлемый уровень отклонения выходного вектора от целевого.

Обучение с подкреплением — один из способов машинного обучения, в ходе которого испытуемая система (агент) обучается, взаимодействуя с некоторой средой. Откликом среды (а не специальной системы управления подкреплением, как это происходит в обучении с учителем) на принятые решения являются сигналы подкрепления, поэтому такое обучение является частным случаем обучения с учителем, но учителем является среда или ее модель.

Обучение без учителя является намного более правдоподобной моделью обучения с точки зрения биологических корней искусственных нейронных сетей. Обучающее множество состоит лишь из входных векторов. Алгоритм обучения нейронной сети подстраивает веса сети так, чтобы получались согласованные выходные векторы, т.е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы.

Алгоритмы:

• с прямым распространением ошибки

• с обратным распространением ошибки

• рекурсивный

12. Системиуправліннянаосновінейромережевих структур.

Использование ИНС позволяет решать задачу управления нелинейным объектом путем создания адаптивной СУ с обучаемым нейроконтроллером (НК). Здесь под обучением подразумевается процесс выработки в СУ желаемой реакции на внешние сигналы путем многократных воздействий на систему и внешней корректировки. Внешняя корректировка осуществляется “учителем”, которому известна желаемая реакция СУ на определенные воздействия. Таким образом, при обучении “учитель” сообщает системе дополнительную информацию о том, верна или неверна ее реакция (см. рис. 1.16).

Рис. 1.16 Общая схема системы управления с обучаемым нейроконтроллером

Существует множество подходов к применению ИНС в качестве НК: как нелинейные усилители при интегральной, дифференциальной и пропорциональной частях ПИД-контроллера (рис. 1.17). 

Рис. 1.17 Система управления с комбинированным ПИД-нейроконтроллером

Если первый тип СУ с ИНС является компромиссным решением в рамках классического подхода, то второй тип построен только на ИНС.

Рис. 1.18 Система управления с нейроконтроллером

СУ с ИНС можно классифицировать как адаптивные системы. В этом случае выделяются замкнутые и разомкнутые адаптивные СУ.

Наиболее часто используются замкнутые нейросетевые системы управления (НСУ) с эталонной моделью (рис. 1.19).

Рис. 1.19 Нейросетевая система управления с эталонной моделью

Рис. 1.20 Нейросетевая система управления с экстремальным законом управления

Существуют также схемы разомкнутых адаптивных НСУ с НЭ объекта управления.

Рис. 1.21 Нейросетевая система управления с нейроэмулятором

13. Система управління з прямою та інверсною моделями об'єкта.

14. Адаптивна система управління з прямою та інверсною моделями об'єкта.

18. Інтелектуальні системи управління на основі експертних систем.

    1. Структура експертної системи управління.

Экспертные системы — компьютеризированные системы, которые, обобщают знания специалистов в некоторой области деятельности человека, могут давать экспертную оценку для решений, предлагаемых пользователем или назначать решения поставленных пользователем проблем, основываясь на полученных знаниях.

Структура экспертной системы — это типичная структура интеллектуальной системы. Типовая структура экспертной системы приведена на рис.1.1.

Рис.1.1. Структура экспертной системы.

Здесь приняты следующие сокращения: БЗ — база знаний; БД — база данных; МО — механизм советов и объяснений; МПЗ — механизм приобретения знаний.

Пусть для представления знаний применяется логический метод. Тогда базу знаний составляют аксиомы и правила вывода, а механизм вывода может быть построен, к примеру, на основе одного из методов доказательства теорем, в частности одной из модификаций резолюции Робинсона. Обычно ответом может быть - ДА или НЕТ.

Так как при правильном построении системы ответ ДА является решением, то работа механизма объяснений будет заключаться в том, чтобы представить его структурой вывода, составленной в терминах аксиом и правил вывода.

Экспертные системы широко используются в медицине (MYCIN, PUFF) геологии (DENDRAL), сельском хозяйстве, в качестве системы диагностики и контроля, прогно­зи­рования и планирования, конструирования и т.д.

Так, например, в системе MYCIN эксперты описывают свои знания в виде специально разработанной структуре, используя привычную терминологию, в частности болезни, первичные и вторичные признаки, диагнозы и т.п.

Внедрение экспертных систем имело большое значение для СИИ. Этим было про­демонстрировано, что СИИ имеют практическую пользу, и установлено, что для того чтобы системы стали настоящим помощником человека, необходимо резкое совершенствование механизмов преобразования знаний. Стало очевидным, что дальнейшее развитие интеллектуальных систем возможно только через решение проблем их эффективной реализации.

Аналогично тому, как возникновение АСУ, и других сложных сис­тем, потребовало разработки теоретической базы для их создания и поддержания, развитие интеллектуальных систем также потребовало создания соответствующей теоретической основы и наработки практических методов, средств, подходов к реализации данных систем. Если в первом случае были развиты методы и средства системного анализа, проектирования АСУ, то теоретической базой для создания СИИ стало новое научное направление — ИИ.

Строго говоря, создание экспертных систем относится, по различным источникам к третьему или четвертому этапу развития ИИ, т.е. можно предположить, что в ИИ многое было разработано до создания экспертных систем.

Структура из конспекта Кравца

-------------------------------------------------------------------