На головну

Системи управління на основі штучних нейронних мереж.

  1.  I-е покоління систем рухомого зв'язку - аналогові системи
  2.  I. Створення радянської судової системи
  3.  II-е покоління систем рухомого зв'язку - цифрові системи
  4.  III. Вітчизняний досвід управління.
  5.  III.1.1 Загальний опис банківської системи
  6.  P Попередньо напружені стрижні і складові елементи системи груп В і С
  7.  V. Право оперативного управління

Нейронні мережі й еволюційний - галузь знань популярна в даний час. Ця популярність обумовлюється здатністю НС до навчання по спостережуваних прикладів і формування прийнятних висновків на базі неповної, зашумлений і неточною вхідної інформації. До НС виявляють інтерес відрости промисловості та непромислові сфери. НС є ті, яких навчають динамічні системи, що оцінюють характеристики вхід-вихід. НС мають важливу перевагу перед традиційними системами адаптивного і оптимального управління: для їх реалізації не потрібно завжди апріорна математична модель об'єкта управління.

Причинами, що послужили застосування нейронних мереж в системах управління є наступні:


 1. НС можуть реалізовувати довільні гладкі функції будь-якої складності.

2. Для реалізації нейромережевих СУ необхідна мінімальна інформація про ОУ.

3. При реалізації НС у вигляді сціалізірованних інтегральних схем можлива
 паралельна обробка інформації, що, по-перше, значно збільшує швидкість
 роботи системи і, по-друге підвищує надійність системи.

Наведемо основні терміни, використовувані в літературі по нейромережевим СУ.
 1. Оперативне навчання - мережа навчається в процесі управління.

2. Попереднє навчання - мережа навчається перед процесом управління.

3. Узагальнений навчання - НС навчається відтворювати заданий оператор (копіювати
 задану систему).

4. Спеціалізоване (безпосереднє) навчання - ІС навчається видавати потрібні

сигнали управління.

5. Пряме навчання (управління) - в схемі навчання (управління) не використовується
 додатковий звичайний регулятор.

6. Непряме навчання (управління) - в схемі навчання (управління) використовується
 додатковий звичайний регулятор.

7. Інверсне навчання - НС навчається відтворювати зворотний оператор об'єкта.

Розглянемо деякі найбільш відомі варіанти побудови нейромережевих СУ.

1. Послідовна схема нейромережевого управління

Найпростіша послідовна схема нейромережевого управління показана на рис. 1.

 
 


Мал. 1. Послідовна схема нейромережевого управління

позначення:

- Х - вхідний задає сигнал системи (уставка);

- F - сигнали, що несуть інформацію про контрольованих збурень

- У - вихідний сигнал системи

Запропоновано декілька варіантів навчання НС для схеми на рис. 1.

А. Універсальне управління. На рис. 2.показана схема попереднього узагальненого інверсного навчання НС.

НС, попередньо навчена инверсной динаміці об'єкта, потім використовується в схемі на рис. 1.

 При нестаціонарності ОУ застосування попереднього навчання не дозволяє отримати хороші показники управління. У зв'язку з чим отримали розвиток схеми, що допускають оперативне навчання. Розглянемо схему на рис. 3.

 У схемі на рис. 3 нейроемулятор Нс2 навчається зворотного динаміці ОУ, а, нейроемулятор НС1 просто КОЛІР нейроемулятор Нс2.

Як видно, тут використовується разомкнутая схема управління без негативного зворотного зв'язку. Перевагами такої схеми є простота і відсутність проблем зі стійкістю. До недоліків можна віднести наступне: при невиконанні умови квазістаціонарності ОУ дана схема не гарантує, що вихідний сигнал ОУ буде відповідати опорного сигналу ця схема не здатна керувати нестійким об'єктом; складності також виникають, якщо оператор ОУ не має зворотної.

 Б. предикатні управління (управління з прогнозом). Мал. 4. ілюструє процедуру спеціалізованого навчання НС для послідовної схеми управління. В даному випадку НС налаштовується таким чином, щоб отримати найкраще виконання рівності у = х. Відзначимо, що тут для навчання НС не можна застосовувати класичний метод зворотного поширення з аналітично заданих градієнтом так як між виходом системи та НС варто ОУ, якобіан якого в загальному випадку невідомий, і доводиться застосовувати або чисельну апроксимацію якобіана системи, або інші модернізації методу зворотного розподілу, які не потребують інформації про якобіане системи. Крім того, система на рис. 4. не може навчатися в оперативному режимі.

 Інший підхід полягає в тому, щоб в систему на рис. 4 додати ще одну НС (емулятор), яка виконує імітаційне моделювання ОУ (рис. 5).

 На рис. 5. НС1 виконує функції контролера, а Нс2 - емулятора. При цьому нейроемулятор Нс2 може використовуватися як для визначення якобіана ОУ, так і для безпосереднього навчання нейроконтролера НС1. В цьому випадку ідентифікатор Нс2 налаштовується на пряму динаміку об'єкта, а НС1 налаштовується через ідентифікатор Нс2 таким чином, щоб мінімізувати критерій якості управління на певному інтервалі часу в майбутньому. Після реалізації на даному інтервалі часу процес повторюється. У літературі цей метод іноді називається як «зворотне поширення в часі» або «принцип удаляющегося горизонту».

Управління з прогнозом порівняно з інверсним керуванням дає кращі результати, особливо це проявляється в разі нереализуемости точної зворотної динаміки об'єкта. У той же час і обчислювальні витрати для даного методу значно вище. Вже згадана схема управління, так само як і попередня, відноситься до розімкненим, і при невиконанні умови квазістаціонарності об'єкта вона не гарантує, що вихідний сигнал ОУ буде відповідати опорного сигналу.

2. Паралельна схема контролера нейросетевого управління

 На рис. 6. приведена паралельна схема нейроконтролера для послідовної схеми нейромережевого управління. Налаштування НС полягає в тому, щоб підкоригувати сигнал звичайного контролера u2, якщо він не забезпечує необхідної якості управління. На рис. 7. приведена так звана структура «навчання з помилкою зворотного зв'язку» паралельного нейроконтролера. У даній схемі НС, завершивши навчання, приймає на себе управління об'єктом, усуваючи дію контролера зворотного зв'язку. Відзначимо, що зразковим регулятором в даному випадку може виступати людина-оператор.

3. Нейромережеве управління зі зворотним зв'язком

Найпростіша схема нейромережевого управління зі зворотним зв'язком показана на рис. 8.

 НС виконує функції регулятора замкнутої системи. Перевагами такої схеми є здатність забезпечувати високу якість управління при наявності неконтрольованих збурень, а також нестаціонарності і нестійкості ОУ.

В даному випадку завдання налаштування НС значно складніше: якщо при послідовній схемі управління відомо, що НС повинна реалізовувати зворотну динаміку об'єкта, то в схемі зі зворотним зв'язком оператор, який повинен реалізовувати НС, невідомий; ні зв'язок, ні якобіан зв'язку між показниками якості регулювання і параметрами НС також невідомі. Система на рис. 8 може навчатися в оперативному режимі.

4. Схема зі звичайним контролером, керованим нейронною мережею

В системі, наведеній на рис. 9, НС використовується для налаштування параметрів звичайного контролера (наприклад, ПІД-регулятора)

 Дана схема отримала назву «схема нейромережевого управління з самонастроювання».

Незважаючи на велику кількість переваг, СУ на основі НС властивий і цілий ряд недоліків:

 1. При оптимізації ваг НС виникає проблема зупинки алгоритму навчання в локальному мінімумі, що призводить до необхідності застосування алгоритмів глобальної оптимізації, які працюю досить повільно.

2. Відсутня сувора теорія з вибору типу та архітектури НС, що призводить до необхідності застосовувати алгоритми самоорганізації, які також працюють досить повільно.

3. Всю інформацію НС отримує в процесі навчання, і ніяку апріорнуюінформацію ввести в НС неможливо.

Узагальнюючи зазначене вище, можна відзначити, що нейромережеві регулятори мають в ряді випадків неприйнятно тривалий час навчання.

Відомо кілька способів прискорення процесу навчання.

1. Вбудовування знань про структуру ОУ в НС. Часто є апріорна інформація про ОУ, яку можна враховувати в так званих нечітких (гібридних) НС, при цьому дана інформація не обов'язково повинна бути формалізована і може бути представлена ??в зручній для людини формі.

2. Попереднє навчання. Перед процесом оперативного навчання НС може бути попередньо навчена на ОУ або його моделі, що дозволяє значно скоротити час навчання.

3. Використання ефективних нейромережевих парадигм. Вище розглядалися СУ, засновані на багатошарових НС прямого поширення, яких навчають за допомогою алгоритму зворотного поширення. Існує велика різноманітність типів НС і способів їх навчання, застосування яких, можливо, дозволить створити більш ефективні системи нейросетевого управління.

4. Ефективні структури і методи побудови нейромережевих систем управління. Вище розглянуто кілька відомих структур нейросетевого управління, але можливо, існують більш ефективні підходи до їх побудови.




 Метод гармонійної лінеаризації нелінійностей. |  Цифрові регулятори і методи їх налаштувань.

 Безперервно-стохастичні моделі на прикладі систем масового обслуговування. |  Процеси кінцевої тривалості в імпульсних САР. |  Метод динамічного програмування. |  Складові внемашинного інформаційного забезпечення систем управління. Системи класифікації та кодування інформації. |  Алгебраїчний аналог критерію стійкості Гурвіца для ІСАР. |  Системи управління на основі нечіткої логіки. |  Реляційна модель даних. Поняття функціональної залежності. Процес нормалізації бази даних. |  Цілісність даних |  реляційна алгебра |  Нормалізація бази даних |

© um.co.ua - учбові матеріали та реферати