Муҳаммад ал-хоразмий номидаги тошкент ахборот технологиялари
Download 3.44 Mb. Pdf ko'rish
|
KIBER XAVFSIZLIK MUAMMOLARI VA ULARNING (1)
|
Литература
1. Искусственный интеллект и интеллектуальные системы управления / И.М.Макаров и др., -М.: Наука, 2006. - 333 с. 2. Гостев В.И. Нечёткие регуляторы в системах автоматического управления. –К.: «Раiоаматор», 2008. – 972 с. 3. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления. Теория и практика. Учебное пособие. - М.: Радиотехника, 2009. - 392 с. 152 АЛГОРИТМЫ СИНТЕЗА НЕЙРОСЕТЕВОГО РЕГУЛЯТОРА ДЛЯ СИСТЕМ УПРАВЛЕНИЯ СЛОЖНЫМИ ОБЪЕКТАМИ Игамбердиев Х.З. 1 , Вахидова Г.Р. 1 1 Ташкентский государственный технический университет, Ташкент, Узбекистан, sevinovjasur@gmail.com Сегодня, как и сто лет назад, несомненно, что мозг работает более эффективно и принципиально другим образом, чем любая вычислительная машина, созданная человеком. Именно этот факт в течение стольких лет побуждает и направляет работы ученых всего мира по созданию и исследованию искусственных нейронных сетей (ИНС). Искусственная нейронная сеть – это существенно параллельно распределенный процессор, который обладает естественной склонностью к сохранению опытного знания и возможностью предоставления его нам. Она сходна с мозгом в двух аспектах: знание приобретается сетью в процессе обучения; для сохранения знания используются силы межнейронных соединений, называемые также синаптическими весами. Модификация весов является традиционным способом обучения ИНС. Такой подход близок к теории адаптивных линейных фильтров, которые уже давно и успешно применяются в управлении. Однако для ИНС существует еще и возможность модификации собственной топологии, основывающаяся на том факте, что в живом мозге нейроны могут появляться, умирать и менять свои связи с другими нейронами. Из сказанного выше становится ясно, что ИНС реализуют свою вычислительную мощь, благодаря двум основным своим свойствам [1,2]: существенно параллельно распределенной структуре и способности обучаться и обобщать полученные знания. Под свойством обобщения понимается способность ИНС генерировать правильные выходы для входных сигналов, которые не были учтены в процессе обучения (тренировки). Эти два свойства делают ИНС системой переработки информации, которая решает сложные многомерные задачи, непосильные другой технике. ИНС в настоящее время находят широкое применение и самых разных предметных областях. Они используются для идентификации статических и динамических объектов, для построения ассоциативной памяти и моделей временных рядов, сжатия информации, в системах поддержки принятия решений, для целей прогнозирования, классификации и распознавания образов, а также как средство решения некоторых задач вычислительного характера. Разработка нейросетевых систем управления связана с существенными трудностями, так как со времен перцептрона Розенблатта нейронные сети традиционно использовались только при распознавании образов и классификации. Для построения на базе искусственных нейронных сетей регуляторов и идентификационных моделей необходимо разработать новые методы выбора их структуры и параметров. Одним из перспективных 153 подходов к решению этой задачи является использование методов эволюционного моделирования, а именно генетических алгоритмов, для обучения и структурной оптимизации нейронных сетей. Необходимо отметить, что многие вопросы, в первую очередь связанные с практическим использованием ИНС в САУ, исследованы еще недостаточно полно. Большинство работ либо носят постановочный абстрактный характер, где основное внимание уделяется доказательству принципиальной возможности использования нейросети некоторой разновидности в определенной предметной области, либо посвящены решению относительно узких прикладных задач и не содержат обобщений, позволяющих использовать полученные результаты для решения схожих задач. В частности, отсутствуют работы, посвященные задаче замены классических регуляторов на нейросетевые, обобщающие накопленный к настоящему времени опыт их использования. Очень слабо освещены вопросы синтеза нейросетового регулятора по критерию минимума среднеквадратнческой ошибки в сопоставлении со свойствами традиционного линейного регулятора [2,3]. Достаточно ограничен перечень работ по нейросетевому управлению нестационарным объектом, где, как правило, рассматривается только случай достаточно плавного непрерывного изменения свойств объекта управления. Всё это свидетельствует о необходимости дальнейшего развития исследований по данной проблематике, в первую очередь направленной на конкретизацию процедур синтеза нейросетевых регуляторов, корректное сопоставление их свойств со свойствами аналогичных классических регуляторов. В материалах доклада рассмотрены вопросы эволюционного синтеза нейросетевых регуляторов систем автоматического управления, основывающихся на применении генетических алгоритмов. Продемонстрирована возможность синтеза систем управления при помощи комбинации генетического алгоритма и искусственных нейронных сетей. Проведены структурный и параметрический синтез системы автоматического управления с динамическим регулятором состояния и модулем нейросетевой настройки параметров для нестационарного объекта управления. Решена задача синтеза нейросетевых систем управления с заданными частотными характеристиками. Проведены методы построения нейросетевых моделей регуляторов на основе последовательного наращивания числа слоев и нейронов в случае одномерного и двумерного управления, отличающиеся от существующих методов использованием в качестве этапа валидации модели системы автоматического управления, позволяющей оценить обобщающие способности нейросетевых моделей регуляторов на поведениях динамического объекта, не использованных при обучении. Выполнено сопоставление преимуществ и трудностей реализации нейроконтроллеров на базе кибернетического подхода и в рамках идеологии ПИД-регуляторов. 154 Полученные результаты могут найти практическое применение при решении задач интеллектуального управления технологическими процессами. Download 3.44 Mb. Do'stlaringiz bilan baham: 
|