Состояние и перспективы развития нейрокомпьютерных систем
Дипломная работа - Компьютеры, программирование
Другие дипломы по предмету Компьютеры, программирование
в условиях шумов и после окончания обучения обеспечивает управление в реальном масштабе времени. Нейросетевые СУ более гибко настраиваются на реальные условия, образуя модели полностью адекватные поставленной задаче, не содержащие ограничений, связанных с построением формальных систем. Кроме того, нейросетевые СУ не только реализуют стандартные адаптивные методы управления, но и предлагают свои алгоритмические подходы к ряду задач, решение которых вызывает затруднение вследствие неформализованное.
Таблица 1 Обзор характеристик методов управления
КритерийУправление с обратной связью и регулируемыми коэффициентамиАдаптивное управление с эталонной моделью ЛяпуноваНейросетевое управлениеУстойчивость обратной связиНаихудшаяНаилучшаяСредняяСкорость сходимостиНаилучшаяСредняяНаихудшаяРабота в реальном времениСредняяСредняяНаилучшаяСложность программы управленияНаихудшаяСредняяСредняяОшибка слеженияСредняяНаилучшаяСредняяПодавление помехНаилучшаяНаихудшаяСредняяРобастность Рассогласования моделиНаихудшаяСредняяНаилучшая
Так, появляется возможность обработки в рамках одной модели данных одной природы - для НС важна лишь их коррелированность.
Таким образом, будущее интеллектуального управления лежит в сочетании традиционного управления с потенциальными возможностями и перспективами использования систем, основанных на использовании искусственных НС.
Нейросетевые системы управления относятся к классу нелинейных динамических систем. В составе таких систем искусственная нейронная сеть может выполнять различные функции: диагностику технологического оборудования, управления подвижными объектами в и технологическими процессами, прогнозирование ситуаций, оценку состояния и мониторинг технологических процессов и многое другое. В более узком смысле понятие "нейросетевые системы управления" можно ограничить нижеописанной областью функций.
Это, во-первых, функция адаптивного регулятора нелинейного многосвязного объекта. Здесь возможны два варианта функционирования нейросети. В первом - нейросеть обучается и одновременно формирует управляющее воздействие на входе исполнительного устройства системы управления. Цель обучения сети и цель управления объектом совпадают, что отражается в задании единой целевой функции системы. Сеть обучается в реальном времени, в темпе протекания процессов в системе (режим on-line). Во втором варианте работа сети состоит из двух этапов:
) предварительного этапа обучения сети заданной оптимальной функции управления
) этапа воспроизведения аппроксимации этой функции в режиме управления объектом при тех же условиях или близких к ним. Целевые функционалы обучения сети и управления объектом могут отличаться друг от друга. Такой вариант применения нейронной сети для управления - так называемое супервизорное управление - нашел преимущественное распространение до настоящего времени, хотя процесс синтеза нейросетевого контроллера и настройка его параметров в этом случае протекает не в реальном времени (режим off-line) .
Выбор конкретного подхода к обучению сети (on-line или off-line) зависит от специфики задачи и, более того, определяет конкретный вид алгоритма обучения сети (беспоисковые/поисковые схемы, глобальная/локальная оптимизация и т.д.). Так, например, в отраслях промышленности, где накоплены огромные массивы данных о поведении исследуемого технического объекта (например, в автомобильной промышленности при проектировании системы управления новым типом двигателя) более разумным представляется использование off-line техники обучения с применением генетических алгоритмов, алгоритмов с элементами случайного поиска или "статистического" обучения. С другой стороны, для объектов, технические характеристики которых меняются в процессе эксплуатации, наиболее предпочтительным становится применение on-line алгоритмов настройки сети.
Во-вторых, нейронные сети находят применение как идентификаторы для оценивания вектора состояния нелинейных систем и как расширенные фильтры Калмана.
В-третьих, отметим известное применение нейронной сети в качестве оптимизаторов для настройки параметров регуляторов с типовыми законами регулирования и для настройки параметров алгоритмов адаптации, реализуемых на основе известных методов теории адаптивных систем.
Существуют три основных типа искусственных нейросетей:
) обучаемые многослойные нейронные сети прямого распространения (многослойные перцептроны;
) рекуррентные сети Хопфилда;
) сети ("самоорганизующиеся карты") Кохонена.
Наибольшее распространение для целей управления по ряду причин нашли многослойные нелинейные нейронные сети (МНС), меньшее - сети Хопфилда и еще меньшее - сети Кохонена; в частности, "самоорганизующаяся карта" Кохонена образует первый слой применяемых в системах управления сетей с "радиальными базисными функциями" активации (RBF-сети от англ. Radial Basis Function).
Применение обучаемых многослойных нейросетей в системах управления началось по - настоящему в конце 80-х годов, главным образом в США, для управления движением подвижными роботами по аналитически заданным траекториям. Это направление использования нейросетей в системах управления остается по прежнему актуальным, только теперь решение задачи распространилось и на случай не заданных заранее траекторий движения. В это же время начались исследования по применению многослойных сетей как иденти