Классификация искусственных нейронных сетей
Объединенные (путем передачи сигналов с выходов одних искусственным нейронов на входы других) между собой нейроны образуют искусственную нейронную сеть (ИНС).
Существует много вариантов построения ИНС. Для их классификации используются следующие основные критерии:
тип нейронов, составляющих сеть;
количество слоев нейронов в сети;
направление передачи сигналов в сети;
вид обучающих выборок ;
назначение сети.
Сеть, состоящая целиком из нейронов одного типа, называется однородной, если же в ней комбинируются слои нейронов разного типа, то она —гибридная.
Сеть, все нейроны которой расположены в одной "плоскости" (т.е. отсутствует хотя бы одна непосредственная связь выхода одного нейрона со входом другого), называется однослойной, иначе она — многослойная.
Сеть называется однонаправленной, если в ней отсутствуют обратные связи (т.е. нет передачи сигнала с последующих слоев на предыдущие). Сеть с обратными связями называется рекуррентной.
Если
для обучения сети используется стратегия
с учителем и 
,
то сеть называется гетероассоциативной.
Если же 
,
то сеть —автоассоциативна.
Компьютер с архитектурой фон Неймана по сравнению с нейронной сетью
** |
компьютер |
нейронная сеть |
Процессор |
Сложный Высокоскоростной Один или несколько |
Простой Низкоскоростной Большое количество |
Память |
Отдельно от процессора Локализированная Адресация по адресу |
в процессоре Распределенная Адресация по смыслу |
Обчислення |
Централизованные Последовательные Сохраненные программы |
Распределенные Параллельные Самообучение |
Надежность |
Уязвимость |
Живучесть |
Специализация |
Числовые операции |
Проблемы восприятия |
Среда функционирования |
Строго вызначеное Строго ограниченное |
Плохо вызначенное Без ограничений |
Функции |
Логично, через правила, концепции, вычисления |
Через изображения, рисунки, управление |
Метод обучения |
По правилам |
По примерам |
Применение |
Числовая обработка информации |
Распознавание языка, распознавание образов, распознавание текстов |
15) Нечеткая логика.
Нечеткая логика: достоинства и недостатки
Для описания неопределенностей в задачах автоматического управления используются три метода:
вероятностный ( стохастический );
использование нечеткой логики (fuzzy logic );
хаотические системы.
Более подробно остановимся на втором пункте.
Впервые термин нечеткая логика (fuzzy logic) был введен амерканским профессором не то иранского, не то азербайджанского происхождения (в разных источниках указывается по-разному) Лотфи Заде в 1965 году в работе “Нечеткие множества” в журнале “Информатика и управление”.
Основанием для создания новой теории послужил спор профессора со своим другом о том, чья из жен привлекательнее. К единому мнению они, естественно, :) так и не пришли. Это вынудило Заде сформировать концепцию, которая выражает нечеткие понятия типа “привлекательность” в числовой форме.
Очевидной областью внедрения алгоритмов нечеткой логики являются всевозможные экспертные системы, в том числе:
нелинейный контроль за процессами ( производство );
самообучающиеся системы ( или классификаторы ), исследование рисковых и критических ситуаций ;
распознавание образов;
финансовый анализ ( рынки ценных бумаг ) ;
исследование данных ( корпоративные хранилища );
совершенствование стратегий управления и координации действий, например сложное промышленное производство.
Мощь и интуитивная простота нечеткой логики как методологии разрешения проблем гарантирует ее успешное использование во встроенных системах контроля и анализа информации. При этом происходит подключение человеческой интуиции и опыта оператора.
В отличие от традиционной математики, требующей на каждом шаге моделирования точных и однозначных формулировок закономерностей, нечеткая логика предлагает совершенно иной уровень мышления, благодаря которому творческий процесс моделирования происходит на наивысшем уровне абстракции, при котором постулируется лишь минимальный набор закономерностей.
Нечеткие числа, получаемые в результате “не вполне точных измерений”, во многом аналогичны распределениям теории вероятностей, но свободны от присущих последним недостатков: малое количество пригодных к анализу функций распределения, необходимость их принудительной нормализации, соблюдение требований аддитивности, трудность обоснования адекватности математической абстракции для описания поведения фактических величин. В пределе, при возрастании точности, нечеткая логика приходит к стандартной, Булевой. По сравнению с вероятностным методом, нечеткий метод позволяет резко сократить объем производимых вычислений, что, в свою очередь, приводит к увеличению быстродействия нечетких систем.
Недостатками нечетких систем являются:
отсутствие стандартной методики конструирования нечетких систем;
невозможность математического анализа нечетких систем существующими методами;
применение нечеткого подхода по сравнению с вероятностным не приводит к повышению точности вычислений.
Если Вы немного заинтересовались этой мало изученной, но бесспорно перспективной областью науки, тогда только вперед. Далее будет рассказаны некоторые основы данной теории, кое-что о "нечетком" железе и софте.
БАЗОВЫЕ ПОНЯТИЯ НЕЧЕТКОЙ ЛОГИКИ
Вспомните прогноз погоды на любом из телевизионных каналов: завтра температура воздуха +5 градусов С, возможен дождь. В этом случае даже профессиональные синоптики не могут точно сказать будет дождь или нет. Это и есть проявление нечеткой логики: погода завтра может быть в данном случае как просто пасмурной, так и дождливой: события здесь предсказываются с некоторой долей уверенности (рангом).
Рассмотрим теперь другой пример, связанный с возрастом человека (рис.1). До 16 лет нельзя однозначно утверждать, что человек молодой (например, 15-летие относится к термину молодой с рангом около 0,9 ). Зато диапазону от 16 до 30 лет можно смело присвоить ранг 1, т.е. человек в этом возрасте молодой. После 30 лет человек вроде уже не молодой, но еще и не старый, здесь принадлежность (ранг) термина молодой возрасту будет принимать значения в интервале от 0 до 1. И чем больше возраст человека, тем мень ше становится его принадлежность к молодым, т.е. ранг будет стремиться к 0.
Рис.1.
Нечеткое множество для термина молодой.
Рассуждая таким образом, было получено нечеткое множество, описывающее понятие молодости для всего диапазона возрастов человека. Если ввести остальные термины (например, очень молодой, старый и т.д.) , то можно охарактеризовать такую переменную как возраст, состоящую из нескольких нечетких множеств и полностью перекрывающую весь жизненный период.
К нечетким множествам можно применять следующие операции:
1.объединение |
|
2.пересечение |
|
3.дополнение |
|
4.концентрация |
|
5.размывание (или размытие) |
|
Фаззификация - сопоставление множества значений х ее функции принадлежности М(х), т.е. перевод значений х в нечеткий формат (пример с термином молодой).
Дефаззификация - процесс, обратный фаззификации.
Все системы с нечеткой логикой функционируют по одному принципу: показания измерительных приборов фаззифицируются (переводятся в нечеткий формат), обрабатываются (см. ниже), дефаззифицируются и в виде привычных сигналов подаются на исполнительные устройства.
Степень принадлежности - это не вероятность , т.к. неизвестна функция распределения , нет повторяемости экспериментов. Так, если взять из рассмотренного ранее примера прогноза погоды два взаимоисключающих события: будет дождь и не будет и присвоить им некоторые ранги, то сумма этих рангов необязательно будет равна 1, но если равенство все-таки есть, то нечеткое множество считается нормированным. Значения функции принадлежности M(x) могут быть взяты только из априорных знаний , интуиции (опыта) , опроса экспертов.
В нечеткой логике вводится понятие лингвистической переменной, значениями которой являются не числа , а слова естественного языка , называемые термами. Например, в случае управления мобильным роботом можно ввести две лингвистические переменные:ДИСТАНЦИЯ (расстояние до помехи) и НАПРАВЛЕНИЕ (угол между продольной осью робота и направлением на помеху).
Рассмотрим лингвистическую переменную ДИСТАНЦИЯ. Значениями ее можно определить термыДАЛЕКО, СРЕДНЯЯ, БЛИЗКО и ОЧЕНЬ БЛИЗКО.Для физической реализации лингвистической переменной необходимо определить точные физические значения термов этой переменной. Пусть переменная ДИСТАНЦИЯ может принимать любое значение из диапазона от нуля до бесконечности. Согласно положениям теории нечетких множеств, в таком случае каждому значению расстояния из указанного диапазона может быть поставлено в соответствие некоторое число от нуля до единицы, которое определяет степень принадлежности данного физического расстояния (допустим 40 см) к тому или иному терму лингвистической переменнойДИСТАНЦИЯ Степень принадлежности определяется так называемой функцией принадлежности М(d), где d-расстояние до помехи. В нашем случае расстоянию 40 см. можно задать степень принадлежности к терму ОЧЕНЬ БЛИЗКО равную 0,7 , а к терму БЛИЗКО– 0,3 (см. рис.1.). Конкретное определение степени принадлежности может проходить только при работе с экспертами.
Рис.1.
Лингвистическая переменная и функция
принадлежности.
ПеременнойНАПРАВЛЕНИЕ, которая может принимать значения в диапазоне от 0 до 360 градусов, зададим термыЛЕВОЕ, ПРЯМО И ПРАВОЕ.
Теперь необходимо задать выходные переменные. В рассматриваемом примере достаточно одной, которая будет называтьсяРУЛЕВОЙ УГОЛ. Она может содержать термы: РЕЗКО ВЛЕВО, ВЛЕВО, ПРЯМО, ВПРАВО, РЕЗКО ВПРАВО. Связь между входом и выходом запоминается в таблице нечетких правил (рис.2.).
Рис.2.
Таблица нечетких правил.
Каждая запись в данной таблице соответствует своему нечеткому правилу, например:
Если ДИСТАНЦИЯ БЛИЗКО и НАПРАВЛЕНИЕ ПРАВОЕ, тогда РУЛЕВОЙ УГОЛ РЕЗКО ВЛЕВО
Таким образом, мобильный робот с нечеткой логикой будет работать по следующему принципу: данные с сенсоров о расстоянии до помехи и направлении на нее будут фаззифицированы, обработаны согласно табличным правилам, дефаззифицированы и полученные данные в виде управляющих сигналов поступят на привода робота.
16) Адаптивные регуляторы в системах управления электроэнергетическим оборудованием. Прогнозирующее и робастное управление.
Ряд современных микропроцессорных приборов автоматически рассчитывают коэффициенты настройки регуляторов, такиерегуляторы называются адаптивными. Адаптация производится:
В процессе вывода состояния объекта на новую заданную точку SP. В этом случае говорят о самонастройке или самооптимизации;
В процессе стабилизации состояния объекта. В этом случае говорят об адаптивном управлении. Адаптивное управление, которое, по самому определению этого термина, должно обеспечить слежение параметров настройки регулятора за непрерывно изменяющимися свойствами объекта управления. Адаптивные регуляторы позволяют улучшить качество регулирования температуры, например, при изменении загрузки печи и изменения состояния нагревательного элемента в процессе эксплуатации.
Однако можно отметить и недостатки адаптивных систем:
В случае очень больших возмущающих воздействий параметры настройки могут сбиться и система на некоторое время может перейти в колебательный режим со значениями превышающими пределы регулируемой величины PV.
Встроенные алгоритмы адаптации производят идентификацию не всех типов обьектов управления. Поэтому, прежде, чемпроектировать систему управления, необходимо в технической документации (или получить консультацию у производителяоборудования) уточнить типы обьектов, которые может идентифицировать та или иная система адаптивного регулирования.
Методы изменения управляющего выходного сигнала в процессе идентификации обьекта могут иметь необратимыепоследствия для технологического процесса. Например, при самонастройке регулятор может полностью открыть или полностью закрыть клапан (регулирующий орган), или подача пробных гармонических (синусоидальных) сигналов может ввести процесс регулирования в автоколебательный режим.
В связи с этим, на этапе проектирования системы управления (а не на этапе пуско-наладочных работ) необходимо уточнить следующие вопросы совместимости:
Верно ли выбран метод самонастройки для данного процесса или обьекта регулирования?
Может ли быть настроен данным типом алгоритма самонастройки данный обьект управления?
Допустимы ли методы и диапазоны изменения управляющего выхода в процессе самонастройки?
В любом случае для установки адаптивных систем (некоторых производителей) требуется хотя бы грубое задание некоторых параметров:
частоты опроса,
максимального и минимального значения регулируемой величины,
времени регулирования,
заданного значения перерегулирования,
допустимого значения изменения выходного сигнала,
зоны нечувствительности и др.
робастность – устойчивочть(в разумных пределах)
Главной задачей синтеза робастных систем управления является поиск закона управления, который сохранял бы выходные переменные системы и сигналы ошибки в заданных допустимых пределах несмотря на наличие неопределённостей в контуре управления. Неопределённости могут принимать любые формы, однако наиболее существенными являются шумы, нелинейности и неточности в знании передаточной функции объекта управления.