46. Идентификация систем обучаемыми интеллектуальными системами
Задача идентификации
системы состоит в том, чтобы по набору
соответствующих пар векторов входных
и выходных сигналов
оценить структурные параметры системы
.
Схема решения этой
задачи [18] с помощью нейронной сети
приведена на рис.46.1. Параллельно к входам
идентифицируемой, неизвестной системы
подключена нейронная сеть; блок обучения
получает вектор невязки между выходными
сигналами
и формирует корректирующую матрицу
весовых коэффициентов
.
Рис.46.1. Идентификация системы с помощью НС.
В результате обучения нейронная сеть станет функциональной копией идентифицируемой системы, не смотря на внутренние фактические различия. В данном случае последовательность входных воздействий является обучающей выборкой, а выходной вектор реакции идентифицируемой системы – обучающим эталоном ответа. Данный метод будет успешным, если существует нейронная сеть, которая с требуемой точностью аппроксимирует передаточные характеристики исследуемой системы.
По аналогичной
методике осуществляется инверсная
идентификация, то есть определяются
параметры
системы с передаточной функцией, обратной
по отношению к неизвестной системе
.
Схема инверсной идентификации приведена
на рис.46.2. Нейронная сеть включена
встречно, по отношению к идентифицируемой
системе: входным сигналом для НС является
выходной вектор
системы, а невязка определяется как
разница между входным сигналом и выходным
вектором НС:
.
В качестве эталонов обучающей выборки
используется входной сигнал
.
Рис.46.2. Инверсная идентификация системы с помощью НС.
Задачи инверсной идентификации свойственны измерительным системам и элементам противодействия возмущениям и компенсации ошибок. В данных примерах знания о связи входного и выходного сигнала обобщаются в виде параметров НС.
48. Нейросетевая обработка динамических процессов
В качестве входных
образов для НС могут выступать не только
статические объекты, например изображения,
но и временные выборки значений
динамических процессов. Входным образом
для интеллектуальной системы может
служить ряд отсчетов значений процесса,
взятых через равные промежутки времени:
.
Применение последовательной цепочки
единичных элементов задержки позволяет
сформировать вектор входных сигналов
для многослойной НС, как показано на
рис.48.1. Если выходные сигналы НС так же
должны образовывать временную
последовательность, то эталонные образы
естественно формировать аналогичной
цепочкой элементов задержки, причем ее
длина может отличаться от длины входного
вектора. С позиций теории цифровой
обработки сигналов такая нейронная
сеть реализует функции цифровой
фильтрации, однако, способ настройки –
обучение, и расширенные возможности
трансформации позволяют отнести такую
систему к интеллектуальным устройствам.
Рис.48.1. Обработка динамического процесса в НС
Величина вектора
ошибки вычисляется как разность
фактического выходного сигнала и
эталона:
.
Способ минимизации этой ошибки
определяется методом обучения нейронной
сети. Аналитическое описание нейронной
и метода обучения сети не отличает от
модели НС, приведенной в разделе 19.
Дискретная линия задержки на входе
системы выполняет функции краткосрочной
памяти, содержащей динамически
изменяющийся входной процесс.
При перемещении выборок входного процесса по линии задержки каждый такт процесса последовательно попадет на все входы отдельно взятого нейрона, при условии, что НС является полносвязанной сетью.
Вычислительную мощность нейронной сети можно увеличить, если дополнить ее системой рекуррентных (обратных) связей. Пример возможной конфигурации такой НС приведен на рис.48.2. Показана обратная связь только одного выходе НС с входными нейронами, связи других выходов полностью идентичны показанной связи.
Рис.48.2. Обработка динамического процесса в НС с обратной связью
Рекуррентная связь обладает памятью конечной длинны для выходных сигналов, что существенно повышает ее вычислительные возможности. Нейронные сети этого типа способны имитировать работу вычислительных машин и могут быть отнесены к множеству конечных автоматов.