Книги по разным темам
Pages: | 1 | ... | 14 | 15 | 16 | 17 | 18 | ... | 58 | компакте. Поэтому значение 8. Царегородцев В.Г. Общая неэффективность синоптических весов могут быть такими, использования суммарного градиента выборки при что действующим потенциалом активации обучении нейронной сети // Материалы XII Всеросс.
будет только один потенциал активации из семинара "Нейроинформатика и ее приложения", Красноярск, 2004. - 196с. - С.145-151.
группы для всего множества входных 9. Wilson D.R., Martinez T.R. The general inefficiency векторов. Аналогично для всех остальных of batch training for gradient descent learning // Neural групп. В результате на компакте МП с Networks. 2003, Vol.16. Issue 10. pp. 1429-1451.
НВПА будет эквивалентен МП без НВПА, 10. Ahrendt T. Fast Computations of the Exponential а для него справедлива теорема об Function // Lecture Notes in Computer Science, 1999, Vol. 1563. pp. 302-аппроксимации функции, т.е. МП с НВПА может аппроксимировать с заданной 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ МЕТОД СИНТЕЗА НЕЙРОИДЕНТИФИКАЦИИ СЛОЖНЫХ ТЕХНОЛОГИЧЕСКИХ УСТАНОВОК С ИСПОЛЬЗОВАНИЕМ НЕЧЕТКИХ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ В.М.Буянкин, С.К. Ковалева МГТУ им. Н.Э.Баумана Viktor-Buyankin@yandex.ru In article the method of synthesis of neuropredicting структуре биологической моделью нервной identification with use of ensemble of hybrid neural системы человека, позволяют получать networks with indistinct logic is considered at довольно сложные законы управления.
incomplete, inexact static and dynamic characteristics Традиционные методы идентификации:
of difficult technological installations. For realization of this method the block diagram consisting of метод частотных характеристик, метод ensembles of recurrent neural networks and predicting наименьших квадратов, метод hybrid neural networks with indistinct logic is offered.
статистических корреляционных функций The first ensemble of neural networks identifies часто сводятся к линеаризации transitional characteristics of the difficult technological дифференциальных уравнений, что installation, the second ensemble of neural networks приводит к приближенному описанию carries out neuroforecasting of transitional characteristics for some steps forward.
работы сложных технологических установок. При классической Аннотация идентификации с использованием ЭВМ, имеющих архитектуру фон-Неймана, В статье рассматривается метод аппроксимируемую функцию синтеза нейропрогнозирующей представляют в виде последовательной идентификации с использованием ансамбля суммы. При идентификации с гибридных нейронных сетей с нечеткой использованием нейронных сетей логикой при неполных, неточных используется параллельность вычислений с статических и динамических высокой гибкостью базовых функций, характеристиках сложных технологических связанных с адаптацией входных данных и установок. Для реализации этого метода возможностью управления числом предлагается структурная схема, элементов суммирования, что позволяет состоящая из ансамблей рекуррентных достичь более высокой точности нейронных сетей и прогнозирующих прогнозируемых нелинейных статических и гибридных нейронных сетей с нечеткой динамических характеристик сложных логикой. Первый ансамбль нейронных технологических установок. Кроме того, сетей идентифицирует переходные предлагаемый метод нейроидентификации характеристики сложной технологической позволяет достичь более высокой точности установки, второй ансамбль нейронных прогнозируемых нелинейных статических и сетей проводит нейропрогнозирование динамических характеристик сложных переходных характеристик на несколько технологических установок с нечеткими тактов вперед.
параметрами.
1. Введение 2. Описание, постановка и методы решения задачи В последние годы резко повысился интерес к таким научным направлениям как Структурная схема метода синтеза нейроидентификация, нейропрогнозирующей идентификации с нейропрогнозирование различных использованием ансамбля гибридных физических процессов в сложных нейронных сетей при неполных неточных технологических установках. Такой статических и динамических впечатляющий успех объясняется тем, что нейронные сети, являясь по своей Материалы XVI Международной конференции по нейрокибернетике характеристиках сложных технологических блоков активации первого слоя нейронов;
установок [1,2,3] представлена на рис. 1.
Y0' - сигнал на выходе второго слоя ' нейронов; W1'...Wmn - веса второго слоя ' нейронов; B1 - смещение второго слоя нейронов; Y0' - сигнал на выходе второго слоя нейронов, tan sig функция активации, имеющая тангенциальную форму.
В нейронной сети используются элементы входного вектора: X (n) текущего выхода Y (n) и задержанного выхода Y (n -1). Процедура нейроидентификации сложной технической установки заключается в настройке весовых Рис. 1. Структурная схема метода синтеза коэффициентов и параметров нейронов.
нейропрогнозирующей идентификации с Выходной сигнал с функциями активации использованием ансамбля нечетких нейронных типа arctg для двухслойной нейронной сетей сети имеет вид:
Для реализации этого метода N 2m 2m, (2) y = arctg предлагается архитектура, состоящая из wi i=0wh2h1 arctg xi (n) + m + m i= ансамблей рекуррентных нейронных сетей где xi - входы нейронной сети; y - выход и прогнозирующих гибридных нейронных нейронной сети; N- число входов сетей с нечеткой логикой.
Система уравнений, описывающая нейронной сети; w- вес к h2 - му нейрону работу рекуррентной нейронной сети, второго слоя от h1- го нейрона первого слоя имеют вид:
сети; m - смещение; wi - вес обратной -1 -2 -3 -n связи.
Y1 = Y0Z,Y2 = Y0Z,Y3 = Y0Z,...Yn = Y0Z ;
Оперативное обучение веса связей O1 = X0W1+Y0W2 +Y1W3 +Y2W4 +Y3W5 +.....YnWn +B1;
1 1 1 1 1 нейронной сети корректируется на основе O2 = X0W21+Y0W22 +Y1W23 +Y2W24 +Y3W25 +.....YnW2n +B2;
ошибки:
N 2m.................................................................................
2m em = - arctg arctg xi(n)+m+m YT. (3) w i=0wh2h1 i Om = X0Wm1+Y0Wm2 +Y1Wm3 +Y2Wm4 +YWm5 +.....YWmn +Bm;
3 n i= R1 = tan sig(O1); При оптимизации поиска параметров нейронной сети используется функционал..........................
минимизации средней квадратичной Rm = tan sig(Om);
ошибки, который выглядит следующим образом:
a Y0 = R1W1 +............. + RmW2m + B1; Ф(n) = min (n). (4) eт (1) hk = Y0 = tan sigY.0, Параллельный алгоритм настройки где Y0 - выходной сигнал нейронной сети;
двухслойной нейронной сети имеет вид:
a a a Y1,Y2,......Yn - входные сигналы нейронной dyh (n) wh,h12m dФ(n) d 2 = (yh (n) - F(n + h2) = (n) = eh2 d dwh,h2, dwh,h2 2 dwh,h1 h1=0 (1+ gi2 (n)) dw h2 =1 h2 =1 1 сети, задержанные на один, два, три,.. n a a a 2meh (n) 2meh (n) 2 количество тактов;
(n) eh2 (1+ gh (n) = (1+ gh (n)), (5) 2 h2 =1 h2 =12 h2 =O1...Om - выходные сигналы первого слоя где n - текущий момент времени; yh нейронов; W1...Wmn - веса первого слоя выход второго слоя нейронов; eh - ошибка нейронов; B1...Bm - смещения первого слоя решения во втором слое нейронов для нейронов; R1...Rm - сигналы на выходе 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ 1 текущего момента времени; gi - активация neti = x1;
1 1 i - слоя нейронов; gh - активации во yi = fi1(neti ) = neti ;
втором слое нейронов.
i = 1,Веса нейронной сети в процессе (xi2 - mц )обучения корректируются по следующей netц = ;
формуле: (ц )dФ(n) 2 2 yц = fц2(netц ) = exp(netц );
wij (n +1) = wij (n) - k, (6) dwi j = 1.............n где k - коэффициент скорости обучения.
k 3 В процессе обучения нейронной сети netki = xц ;
ошибка em интегрируется, умножается на 3 коэффициент интегральной составляющей yi3 = fk3(netk ) = netk ;
и коэффициент пропорциональной k = 1...................l составляющей:
4 4 N 2m 2m ko Eo =ki T - arctg arctg xi(n)+m+m + net0 = xk ;
w Y i=0wh2h1 i i= 4 yi4 = fk4(netk ) = netk ;
N 2m 2m kpYT - arctg + m wh2h1 wi i =0 arctg xi (n) + m i=0 xi = Pi (n);
(8) (7) Сумма интегральной и yi4 = Pi (n +1), пропорциональной составляющей E0 1 где x1 - первый сетевой ввод; yi поступает в блок обучения нейронной сети.
первый сетевой вывод;
Цифровая следящая система работает до xi2 - второй сетевой ввод; yц - второй тех пор, пока не будет достигнута заданная точность обучения нейронной сети.
mij ij сетевой вывод; и соответственно, Цифровые регуляторы обеспечивают среднее и стандартное отклонение точность и устойчивость следящей функции; xц - третий сетевой ввод;
системы. Когда E(z) становится равна Eзад(z), следящая система управления yi3 - третий сетевой вывод; xi4 - четвертый останавливает процесс обучения, отсекая сетевой ввод; yi4 - четвертый сетевой поиск ненужных локальных минимумов.
вывод; n - общее количество Первый ансамбль нейронных сетей лингвистических переменных относительно идентифицирует переходные входных узлов.
характеристики сложной технологической установки, второй ансамбль гибридных нейронных сетей проводит нейропрогнозирование переходных характеристик на несколько шагов вперед.
Уравнения нечеткой гибридной нейронной сети для прогноза статических и динамических характеристик ионноплазменной установки имеют вид:
Рис. 2. Основные этапы метода нейропрогнозирующей идентификации с использованием ансамбля гибридных нейронных сетей с нечеткой логикой Материалы XVI Международной конференции по нейрокибернетике При обучении этих нейронных сетей авиационного двигателя (рис. 3). Точность анализируется ошибка, если она нейроидетификации давления превышает заданную точность, то ионизированной плазмы составила 0.нейронные сети дообучаются. После этого мм ртутного столба.
проводится анализ точности 3. Заключение нейроидентификации с прогнозом и вычисляются статические и динамические Таким образом благодаря характеристики сложной технологической нейроидентификации с прогнозированием установки.
статических и динамических характеристик Основные этапы методики удается достичь более высокой точности и представленые на рис. 2 и включают в качества и управления сложными себя:
технологическими установками, что 1. Определение входных и выходных выгодно отличает системы переменных для нечеткой нейронной нейроуправления от традиционных систем сети.
управления.
2. Задание системы нечеткого вывода.
3. Выбор лингвистических термов.
итература 4. Формирование базы правил, выбор функций принадлежности для входных и 1. Буянкин В.М. Применение нейронных сетей для выходных переменных.
управления Ф Нейросетевые методы повышения 5. Фазификацию входных переменных. эффективности систем управления сложными элементами электротехнических установокФ 6. Агрегирование дополнительных условий Издание LAMBERN Academic Publishing Germany, в нечетких правилах продукций, 2011г 265с.
7. Активацию дополнительных заключений 2. Буянкин В.М. Нейроуправление роботами с в нечетких правилах продукций, параллельной кинематикой У Применение 8. Аккумуляцию заключений нечетких нейронных сетей для управления роботамиФ Издание LAMBERN Academic Publishing Germany, правил продукций, 2011г 167 с.
9. Дефазификацию выходных данных, 3.Буянкин В.М., Гоменюк С.М., Карпенко А.П., 10. Анализ построения системы нечеткого Литун Т.О. Нейросетевая идентификация и вывода с графическим отображением управление некоторыми механизмами поверхности нечеткого вывода, параллельной кинематики Приложение к журналу УИнформационные технологииФ №11/11. Выбор прогнозируемых параметров для Буянкин В.М. Интегральный, пропорциональный, расчета статических и динамических дифференциальный нейрорегулятор. УВестник характеристик технологической МГТУ им. Н.Э.БауманаФ, серия фундаментальные установки.
науки 2006 г. N3(64) 3. Буянкин В.М. Нейроидентификация характеристик установки с ионно-плазмено м напылением для нанесения жаростойких покрытий. 51-я научная конференция Московского физико-технического института Современные проблемы фундаментальных и прикладных наук.
2008 г.
4. Буянкин В.М. Нейроидентификация физичесих поцессов при ионно-плазменном напыленииФ(Приложения информатики в медицине, технике, экономике, ив естественных и гуманитарных науках) конференция У НаучноРис. 3. Система нейропрогнозирующей техническая конференция Неироинформатика- идентификации при ионно-плазменном напылении 2009Ф МИФИ лопаток авиационных двигателей 5. Буянкин В.М. Нейроидентификация характеристик установки с ирнно-плазменом Предложенная методика была напылением для нанесения жаростойких покрытий проверена при идентификации Всероссийская научно-техническая технологической установки с ионноконференция Машиностроительные технологии 2008 г.
плазменным напылением лопаток МГТУ им. Н.Э.Баумана 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ НАВИГАЦИОННАЯ СИСТЕМА АВТОНОМНОГО КОЛЁСНОГО РОБОТА Ю.В.Верменко, М.В.Петрушан НИИ нейрокибернетики им. А.Б. Когана ЮФУ vermenkoyura@mail.ru Navigation system of autonomous mobile robot has управления моторными компонентами been considered. This system consists of localization мобильной платформы для движения по node, path planing node, motor and odometry node.
запланированному маршруту не Particle filters were used to localize robot in an представлены в открытом доступе для environment. A* search is used to find a path. Much of attention is given to the motor control prblem. такой аппаратной архитектуры, поэтому Develompent of motor node of wheled robot has been задача их разработки актуальна и described.
представляет исследовательский и прикладной интерес.
Введение Модуль реализуется как узел Robot Operating System (www.ros.org), однако Навигационное планирование существует большое число программных является обязательным компонентом платформ [4,5] и операционных систем для автономного функционирования робота в роботов (YARP, Player, OpenRAVE), в реальной среде. Моделирование которые может быть интегрирован навигационных функций представляет как разрабатываемый модуль.
исследовательский интерес для изучения поведения животных в естественных Описание платформы условиях, так и прикладной интерес в рамках разработки программно-аппаратных В качестве колёсной платформы компонентов роботов.
Pages: | 1 | ... | 14 | 15 | 16 | 17 | 18 | ... | 58 | Книги по разным темам