Перспективи використання штучних нейронних мереж при розробці систем керування

Размещено на http://www.allbest.ru/

Національний університет водного господарства та природокористування

Перспективи використання штучних нейронних мереж при розробці систем керування

Кінчур О.Ф.

м. Рівне

Предметом статті є огляд нейронних мереж та їх використання в інтелектуальних системах керування

Subject of the article there is review of neural networks and their use in intellectual control system

Штучні нейронні мережі (ШНМ) це новий, перспективний засіб побудови інформаційних систем. Мережа нейронів, що утворює людський мозок, являє собою високоефективну, комплексну, нелінійну систему обробки інформації. Вона здатна організувати свої нейрони таким чином, щоб реалізувати сприйняття образу, його розпізнання або керування рухом, у багато разів швидше, ніж ці задачі будуть вирішені найсучаснішими комп'ютерами.

В той час як на заході застосування ШНМ вже досить поширене, у нас це ще до певної міри екзотика. Серед вчених, що займаються цією проблематикою можна виділити таких: Короткий С., Сабанін В.Р., Махотило К.В., Жданов А.А., Вороновский Г. К.

ШНМ є спрощеною моделлю мозку. Вона будується на основі штучних нейронів, що володіють тими ж основними властивостями, що і живі. У загальному випадку ШНМ -- це машина, що моделює спосіб роботи мозку. Звичайно ШНМ реалізуються у вигляді електронних пристроїв або комп'ютерних програм. Вона подібна до мозку у двох аспектах: знання здобувається мережею в процесі навчання, для збереження знання використовуються сили міжнейронних зв'язків, що називаються також синаптичними вагами.

Рис. 1. Будова біологічного нейрона

Як працює біологічна нейронна мережа. Нервова система і мозок людини складаються з нейронів, з'єднаних між собою нервовими волокнами. Нервові волокна здатні передавати електричні імпульси між нейронами. Кожен нейрон (рис. 1), має відростки нервових волокон двох типів - дендрити, по яких приймаються імпульси, і єдиний аксон, по якому нейрон може передавати імпульс. Аксон контактує з дендритами інших нейронів через - синапси, що впливають на силу імпульсу.

Можна вважати, що при проходженні синапса сила імпульсу міняється у визначене число раз, це прийнято називати вагою синапса. Імпульси, що надійшли до нейрона одночасно по декількох дендритах, сумуються. Якщо сумарний імпульс перевищує деякий поріг, нейрон збуджується, формує власний імпульс і передає його далі по аксону. Важливо відзначити, що ваги синапсів можуть змінюватися, а значить, міняється і поводження відповідного нейрона.

Неважко побудувати математичну модель описаного процесу (рис. 2).

Рис.2. Модель нейрона з трьома входами

На рис.2 зображена модель нейрона з трьома входами (дендритами), причому синапси цих дендритів мають ваги w1, w2, w3. Нехай до синапсів надходять імпульси сили x1, x2, x3 відповідно, тоді після проходження синапсів і дендритів до нейрона надходять імпульси w1x1, w2x2, w3x3. Нейрон перетворює отриманий сумарний імпульс S=w1x1+ w2x2+ w3x3 відповідно до деякої передатної функції f(S). Сила вихідного імпульсу дорівнює y=f(S)=f(w1x1+ w2x2+ w3x3).

Таким чином, нейрон цілком описується своїми вагами wk і передатною функцією f(x). Одержавши набір чисел (вектор) xk як входи, нейрон видає деяке число y на виході.

Штучна нейронна мережа (ШНМ, нейронна мережа) - це набір нейронів, з'єднаних між собою (рис. 3). Як правило, передатні функції всіх нейронів у нейронної мережі фіксовані, а ваги є параметрами нейронної мережі і можуть змінюватися. Деякі входи нейронів позначені як зовнішні входи нейронної мережі, а деякі виходи - як зовнішні виходи нейронної мережі. Подаючи будь-які числа на входи нейронної мережі, ми одержуємо певний набір чисел на виходах.

Рис. 3. Структура штучної нейронної мережі

Таким чином, робота нейронної мережі полягає в перетворенні вхідного вектора у вихідний вектор, причому це перетворення задається вагами нейронної мережі.

Практично будь-яку задачу можна звести до задачі, що розв'язується нейронною мережею.

Побудова нейронної мережі. Це питання вирішується в два етапи:

1. Вибір типу (архітектури) нейронної мережі.

2. Підбір ваг (навчання) нейронної мережі.

На першому етапі варто вибрати наступне:

· які нейрони ми хочемо використовувати (число входів, передатні функції);

· яким чином варто з'єднати їх між собою;

· що взяти як входи і виходи нейронної мережі.

Необов'язково придумувати нейронну мережу "з нуля" - існує кілька десятків різних нейромережевих архітектур, причому ефективність багатьох з них доведена математично.

На другому етапі нам потрібно "навчити" обрану нейронну мережу, тобто підібрати такі значення її ваг, щоб вона працювала потрібним чином. У використовуваних на практиці нейронних мережах кількість ваг може складати кілька десятків тисяч, тому навчання - дійсно складний процес. Для багатьох архітектур розроблені спеціальні алгоритми навчання, що дозволяють настроїти ваги нейронної мережі певним чином. Найбільш популярний з цих алгоритмів - метод зворотного поширення помилки (Error Back Propagation). нейронний мережа керування насосний

Навчити нейронну мережу - означає, повідомити їй, чого ми від неї хочемо.

Рис. 4. Порядок навчання нейронної мережі

При навчанні нейронної мережі (рис. 4) ми маємо деяку базу даних, що містить приклади. Подаючи дані на входи мережі, ми одержуємо від неї деяку відповідь, не обов'язково вірну. Нам відома і вірна (бажана) відповідь. Обчислюючи різницю між бажаною відповіддю і реальною відповіддю мережі, ми одержуємо - вектор помилки. Алгоритм зворотного поширення помилки - це набір формул, що дозволяє по вектору помилки обчислити необхідні виправлення для ваг нейронної мережі.

Виявляється, що після багаторазового пред'явлення прикладів ваги нейронної мережі стабілізуються, причому нейронна мережа дає правильні відповіді на всі (або майже усі) приклади з бази даних. У програмних реалізаціях можна бачити, що в процесі навчання величина помилки (сума квадратів помилок по усіх виходах) поступово зменшується. Коли величина помилки досягає нуля або прийнятно малого рівня, тренування зупиняють, а отриману нейронну мережу вважають натренованою і готовою до застосування на нових даних.

Важливо відзначити, що вся інформація, що нейронна мережа має про задачу, зосереджується в наборі навчальних прикладів. Тому якість навчання нейронної мережі прямо залежить від кількості прикладів у навчальній вибірці, а також від того, наскільки повно ці приклади описують дану задачу.

Застосування нейронної мережі. Після того, як нейронна мережа навчена, ми можемо застосовувати її для вирішення корисних задач (рис. 5).

Рис. 5. Порядок застосування ШНМ

Найважливіша особливість людського мозку полягає в тому, що, один раз навчивши визначеному процесові, він може вірно діяти й у тих ситуаціях, у яких він не бував у процесі навчання. Так само і нейронна мережа, може з великою імовірністю правильно реагувати на нові, не пред'явлені їй раніше дані.

Сучасний стан теорії і практики створення штучних нейронних мереж і нейрокомп'ютерів привело до розробки принципово нових алгоритмів і методів керування нелінійними динамічними об'єктами.

Більшість схем нейромережевого керування, засновані на використанні наступних підходів:

1. Послідовна схема керування (рис. 6). Якщо позначити відношення «вхід-вихід» для об'єкта керування як f, то НМ реалізує зворотне відображення u=f -1(y). Таким чином, якщо подати на НМ опорний сигнал r, то вихідний сигнал об'єкта керування y приймає значення r, тому що y=f(u)=f(f -1(r))=r .

Размещено на http://www.allbest.ru/

Рис. 6. Нейрокерування зі зворотнім відображенням

2. Паралельні схеми керування (рис. 7). НМ паралельного типу використовується для підстроювання керуючого вхідного сигналу u1, що є вихідним сигналом звичайного ПІД-контролера. Настроювання виконується таким чином, щоб вихідний сигнал об'єкта керування y як можна точніше відповідав заданому опорному сигналові r.

Размещено на http://www.allbest.ru/

Рис. 7. Паралельна схема нейроконтролера

3. Схема керування із самонастроюванням (рис. 8). Тут НМ використовується для настроювання параметрів звичайного контролера подібно настроюванню, виконуваного людиною-оператором.

Размещено на http://www.allbest.ru/

Рис. 8. Схема нейронного керування з самоналаштовуванням

4. Схема керування з емулятором і контролером (рис. 9). Нейроконтролер навчається на інверсній моделі об'єкта керування, а нейроемулятор на звичайній моделі об'єкта. Нейроконтролер може навчатися безпосередньо на основі зворотного поширення помилки через нейроемулятор.

Размещено на http://www.allbest.ru/

Рис. 9. Схема з емулятором та нейроконтролером

Для аналізу цих схем нейронного керування розроблені алгоритми навчання НМ і програмні моделі, на яких проводяться дослідження процесів керування динамічними об'єктами.

Одним із напрямків застосування ШНМ є прогнозування величин, що змінюються в часі. Метою моєї дисертаційної роботи є розробка системи керування насосною станцією на основі нейронної мережі. ЇЇ функції зводяться до прогнозування водоспоживання на певний проміжок часу та вироблення керуючого впливу для регульованого електроприводу з метою безперебійного і своєчасного забезпечення споживачів водою (рис. 10).

Рис. 10. Інтелектуальна система керування електроприводом насосної станції

Нейромережеве керування вільне від обмежень на лінійність системи, ефективне в умовах шумів і після закінчення навчання забезпечує керування в реальному масштабі часу. Нейромережеві СК більш гнучко настроюються на реальні умови. Крім того, вони не тільки реалізують стандартні адаптивні методи керування, але і пропонують свої алгоритмічні підходи до ряду задач, вирішення яких викликає ускладнення внаслідок неформалізованості.

Таким чином, майбутнє інтелектуального керування лежить у сполученні традиційного керування з потенційними можливостями і перспективами використання систем, основаних на використанні штучних нейронних мереж.

Література

1. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика: Пер. с англ.- M.: Мир, 1992.

2. Терехов В.А. Ефимов Д.В. Тюкин И.Ю. Нейросетевые системы управления. -М: Радиотехника, 2002. 480 с.

3. Automated load forecasting using neural networks / Bacha Hamid, Mayer Walter // Proc. Amer. Power Conf. vol.54. Pt 2. 54tp Annu. Meet. Amer. Power Conf., Chicago,III., Apr. 1992. - Chicago (III), 1992. - p.1149.

Размещено на Allbest.ru