Перспективи використання штучних нейронних мереж при розробці систем керування

Характеристика будови біологічного нейрона. Порядок навчання нейронної мережі. Основний аналіз схем нейромережевого керування, заснованих на використанні підходів. Особливість розробки системи керування насосною станцією на основі нейронної мережі.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык украинский
Дата добавления 24.01.2020
Размер файла 207,5 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

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

...

Подобные документы

  • Навчання штучних нейронних мереж, особливості їх використання для вирішення практичних завдань. Рецепторна структура сприйняття інформації. Перцептрон як модель розпізнавання. Задача моделювання штучної нейронної мережі з розпаралелюванням процесів.

    дипломная работа [2,8 M], добавлен 24.07.2013

  • Топології нейронної мережі та їх застосування, варіанти вибору архітектури мереж, число проміжних шарів і число елементів, архітектури мереж користувачів. Мережі для задач з багатьма класами, операція додавання матриці втрат, багатошаровий перцептрон.

    контрольная работа [227,3 K], добавлен 21.06.2011

  • Аналіз основних способів контролювання та керування контентом мережі Інтернет. Призначення, функції та принцип дії метапошукових машин, так званих інтелігентних агентів. Індексування, аналіз і категоризація. Документація інтранет і керування контентом.

    реферат [19,0 K], добавлен 10.08.2011

  • Вимоги до програмного виробу та функціональних характеристик. Опис інтерфейсу програмного виробу, процедур і функцій. Мережі зі зворотним розповсюдженням. Алгоритм навчання з вчителем (алгоритм зворотного розповсюдження багатошарових нейронних мереж).

    курсовая работа [1,1 M], добавлен 20.01.2009

  • Бібліотека Pcap та її реалізація WinPcap під платформу Windows. Аспекти робот з бібліотекою WinPcap. Штучні нейронні мережі. Застосування бібліотеки Winpcap для захоплення мережевого трафіку. Реалізація нейронної мережі Кохонена для аналізу заголовків.

    дипломная работа [2,2 M], добавлен 09.06.2012

  • Аналіз областей застосування та технічних рішень до побудови систем керування маніпуляторами. Виведення рівнянь, які описують маніпулятор як виконавчий об’єкт керування. Зв’язок значень кутів акселерометра з формуванням сигналів управління маніпулятором.

    дипломная работа [2,3 M], добавлен 26.07.2013

  • Характеристика особливостей побудови біологічних та штучних нейронних мереж. Вивчення їх активіаційних функцій: порогової бінарної, лінійної обмеженої, гіперболічного тангенса. Персептрони і зародження штучних нейромереж. Багатошарові нейронні мережі.

    реферат [1,2 M], добавлен 11.06.2010

  • Специфіка застосування нейронних мереж. Огляд програмних засобів, що використовують нейронні мережі. Побудова загальної моделі згорткової нейронної мережі. Реалізація нейромережного модулю розпізнавання символів на прикладі номерних знаків автомобілів.

    дипломная работа [3,4 M], добавлен 15.03.2022

  • Розробка системи підтримки прийняття рішень для проектування комп’ютерної мережі. Матричний алгоритм пошуку найменших шляхів. Програма роботи алгоритму в MS Excel. Розробка програми навчання нейронної мережі на основі таблиць маршрутизації в пакеті Excel.

    курсовая работа [2,8 M], добавлен 12.12.2013

  • Застосування нейронних мереж при вирішенні різних технічних проблем. Архітектура штучних нейронних мереж. Дослідження штучного інтелекту. Гіпотеза символьних систем. Представлення за допомогою символів. Синтаксичний та семантичний аналіз розуміння мови.

    курсовая работа [985,8 K], добавлен 14.01.2010

  • Аспекти вирішення методологічної та теоретичної проблеми проектування інтелектуальних систем керування. Базовий алгоритм навчання СПР за методом функціонально-статистичних випробувань. Критерій оптимізації та алгоритм екзамену системи за цим методом.

    курсовая работа [1,6 M], добавлен 22.09.2011

  • Характеристика інструментів MatLab - пакету прикладних програм для числового аналізу. Основні функції та можливості програмного комплексу. Скриптова мова програмування. Побудова моделі штучної нейронної мережі за допомогою команди NNTool та її тестування.

    лабораторная работа [215,8 K], добавлен 11.06.2015

  • Класифікація комп’ютерних мереж і топологій. Побудова функціональної схеми локальної мережі. Організація каналів зв’язку. Вибір способу керування мережею. Вибір конфігурації робочих станцій. Програмне забезпечення локальної мережі та захист інформації.

    курсовая работа [2,7 M], добавлен 15.06.2015

  • Дослідження цифрових систем автоматичного керування. Типові вхідні сигнали. Моделювання цифрової та неперервної САК із використання MatLab. Результати обчислень в програмі MatLab. Збільшення періоду дискретизації цифрової системи автоматичного керування.

    лабораторная работа [173,7 K], добавлен 14.03.2009

  • Системи автоматичного керування. Описання методу стикування розв'язків на основі теореми по n-інтервалів. Застосування методу динамічного програмування (рівняння Р. Белмана). Моделювання задачі синтезу та аналізу на електронній обчислювальній машині.

    контрольная работа [632,5 K], добавлен 31.03.2014

  • Дискретизація задачі із закріпленим лівим і вільним правим кінцем. Необхідні умови оптимальності. Ітераційний метод розв’язання дискретної задачі оптимального керування з двійним перерахуванням. Оптимальне стохастичне керування. Мінімаксне керування.

    контрольная работа [221,8 K], добавлен 19.12.2010

  • Аналіз сучасних підходів та проектних рішень щодо проектування і роозробка системи керування та актуалізації інформації web-сайту національного оператора Енергоринка та вимоги до нього в масштабах Укренерго. Організація захисту данних на різних рівнях.

    дипломная работа [1,1 M], добавлен 29.01.2009

  • Контроль пожежної безпеки. Комфортне керування освітленням. Програми керування оповіщенням, системою доступу, освітленням, пожежною безпекою. Схема секторів для системи відеонагляду. Програма для логічного контролеру. Схема внутрішніх з'єднань.

    курсовая работа [941,0 K], добавлен 20.02.2015

  • Алгоритмічна структура алгоритму керування. Вибір конфігурації контролера, схем підключення, технічних засобів автоматизації. Схеми підключення зовнішніх пристроїв. Розроблення прикладного програмного забезпечення для реалізації алгоритму керування.

    курсовая работа [3,5 M], добавлен 22.01.2014

  • Вибір конфігурації контролера і схем підключення. Розроблення прикладного програмного забезпечення для реалізації алгоритму керування. Самодіагностика та індикація несправностей. Обробка цифрової інформації. Розрахунок надійності системи керування.

    курсовая работа [1,1 M], добавлен 25.08.2014

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.