Тип шаблона
xorijda neyrokompyuter texnologiyalarini rivojlantirishning zamonaviy tendentsiyalari
Download 393.47 Kb.
|
diplom 1
2. xorijda neyrokompyuter texnologiyalarini rivojlantirishning zamonaviy tendentsiyalari2.1 Sun'iy neyron tarmoqlarni boshqarish tizimlarida qo'llashTarixiy jihatdan shuni ta'kidlash mumkinki, boshqaruv tizimlarining (CS) rivojlanishi doimo bosqichma-bosqich sodir bo'ladi. Ushbu bosqichlarni ajratib ko'rsatish mumkin: boshqaruv tizimini qurish kontseptsiyasini ishlab chiqish bosqichi; CS modellashtirish bosqichi, tavsiya etilgan qurilish kontseptsiyasiga muvofiq; olingan natijalarni tahlil qilish bosqichi; boshqaruv tizimini qurish kontseptsiyasini takomillashtirish (modernizatsiya qilish) bosqichi. Ushbu barcha bosqichlar davomida nazariy tadqiqotlar to'xtamaydi, bu esa CS qurishning dastlab ishlab chiqilgan kontseptsiyasini takomillashtirishning asosiy yo'nalishlarini tanlash va uning asosiy g'oyalarini bir qator tegishli sohalarga kengaytirish imkonini beradi. Shunga o'xshash sxema bo'yicha sun'iy neyron tarmoqlardan foydalangan holda boshqaruv tizimlarini ishlab chiqish amalga oshirilmoqda. Shu bilan birga, shuni ta'kidlash kerakki, neyron tarmoqlarni boshqarish tizimlarining ko'plab ishlab chiqilgan apparat va dasturiy ta'minot modellari ko'pincha bu holatda sodir bo'ladigan jarayonlar va mavjud muammolarni nazariy tushunishdan ustun turadi.x. Nochiziqli dinamik tizimlar uchun boshqaruv muammolarini hal qilishda zaruriy qadam, qoida tariqasida, ushbu tizimlarning xususiyatlarini nazariy va eksperimental tahlil qilish asosida ularning adekvat matematik modellarini olishdir. Tizimda sodir bo'ladigan jarayonlarni nazariy tahlil qilish, masalan, differensial tenglamalar ko'rinishidagi matematik tavsifni olish imkonini beradi. Eksperimental tahlilda tizimning kirish va chiqish signallarini kuzatish asosida uning parametrik yoki noparametrik modeli olinadi. Eng keng tarqalgani parametrik modellar bo'lib, ular strukturaviy va parametrik identifikatsiyalash muammolarini hal qilishni talab qiladi va cheklangan miqdordagi parametrlardan foydalanadi. Ko'p sonli ishlarga qaramay, nochiziqlilik turlarining xilma-xilligi chiziqli bo'lmagan tizimlarni aniqlashning yagona nazariyasini yaratishga imkon bermaydi. Eng ko'p qo'llaniladigan klassik yondashuv chiziqli bo'lmaganlarni, masalan, Volter, Hammershteyn, Wiener seriyalari, Kolmogorov-Gabor polinomlari va boshqalar tomonidan yaqinlashishga asoslangan. Biroq, bunday modellarning ko'lami cheklangan. Bundan tashqari, adekvat matematik tavsifni olishda qo'shimcha qiyinchiliklar haqiqiy signallarda shovqin mavjudligi bilan bog'liq.xi. Klassik CS modellaridan biri bu o'z-o'zini sozlaydigan Astroma boshqaruvchisi kabi real vaqtda sozlanishi koeffitsientlarga ega bo'lgan qayta aloqa modelidir. Bunday tekshirgichning koeffitsientlari har bir boshqaruv siklida tizimning taxminiy parametrlariga muvofiq o'rnatiladi. Haqiqiy vaqtda sozlanishi mumkin bo'lgan daromadlar bilan qayta aloqa nazoratining blok diagrammasi 22-rasmda ko'rsatilgan. Fig.22 Teskari aloqa va sozlanishi mumkin bo'lgan daromadli boshqaruvning blok diagrammasi Yana bir taniqli SU modeli - Lyapunov modeli. Lyapunov mos yozuvlar modelidan foydalangan holda moslashuvchan boshqaruv tizimlari boshqariladigan modelning chiqishi oxir-oqibat kerakli xususiyatlarga ega bo'lgan oldindan belgilangan modelning chiqishiga mos keladigan tarzda ishlab chiqilgan. Bunday tizim asimptotik barqaror bo'lishi kerak, ya'ni boshqariladigan tizim oxir-oqibat nol xato bilan mos yozuvlar modelini kuzatib boradi. Bundan tashqari, adaptiv nazorat yoki o'quv nazorati bosqichidagi vaqtinchalik jarayonlar kafolatlangan chegaralarga ega. Malumot modeli bilan moslashtirilgan boshqaruvning blok diagrammasi 23-rasmda ko'rsatilgan. Fig.23 mos yozuvlar modeli bilan moslashtirilgan boshqaruvning blok diagrammasi Qandaydir tarzda sun'iy neyron tarmoqlardan foydalanadigan boshqaruv tizimlari klassik boshqaruv usullariga mumkin bo'lgan alternativalardan biridir. Boshqaruv muammolarini hal qilish uchun NN dan foydalanish imkoniyati asosan ikkita qatlamdan iborat bo'lgan va yashirin qatlamda ixtiyoriy ko'p sonli tugunlarga ega bo'lgan NN ma'lum darajadagi haqiqiy sonlarning har qanday funktsiyasini taxmin qilishi mumkinligiga asoslanadi. aniqlik. Bu taklifning isboti taniqli Weierstrass teoremasiga asoslanadi. Shunday qilib, hatto bitta yashirin qatlamga ega bo'lgan NNlar identifikatsiya va boshqarish muammolarini hal qilish uchun ishlatilishi mumkin. Neyron tarmoqlarni boshqarish tizimlarini qurishda birinchi qoʻllanilgan usullardan biri mavjud kontrollerdan “nusxa olish”ga asoslangan usul edi. 1964 yilda ushbu usulni qo'llagan Whidrow uni allaqachon mavjud bo'lgan mutaxassisdan bilim olish orqali ekspert tizimini qurish usuli deb atadi. Bunday boshqaruv tizimining arxitekturasi 21-rasmda ko'rsatilgan. Fig.24 Mavjud kontrollerdan "nusxa olish"ga asoslangan neyron tarmoqni boshqarish tizimi Ushbu 24-rasmga qarab, bu usulning foydaliligiga shubha qilish mumkin. Agar allaqachon mavjud bo'lsa, nima uchun boshqa boshqaruv boshqaruvchisidan (NS ko'rinishida) foydalanish kerak? Biroq, birinchidan, mavjud kontroller foydalanishda noqulay bo'lishi mumkin (masalan, odam bunday boshqaruvchi sifatida harakat qilishi mumkin), ikkinchidan, samarali boshqaruvni rivojlantirish uchun NN mavjud boshqaruvchidan farqli taqdimot usulidan foydalanishi mumkin (bu o'lchash osonroqdir rasmiylashtirish va hokazo) boshqaruv ob'ektining holati haqida ma'lumot. Hozirgi vaqtda neyron tarmoqlarni boshqarish tizimlarini qurish uchun boshqa bir qator mumkin bo'lgan arxitekturalar juda yaxshi ishlab chiqilgan va keng qo'llaniladi. Ularning barchasida neyron tarmoq boshqaruvchisining maqsadi boshqaruv ob'ekti holatlarining dinamikasini boshlang'ich holatdan kerakli yakuniy holatgacha boshqarish uchun adekvat boshqaruv signalini yaratishdir. Bundan tashqari, holatlarning o'zgarishi optimal traektoriya bo'ylab sodir bo'lishi kerak. Boshqaruv ob'ektining holatini nazorat qilishni tashkil etish va neyron tarmog'i boshqaruvchisini amalga oshirish ko'p jihatdan tanlangan o'rganish algoritmiga va foydalaniladigan boshqaruv tuzilmasiga bog'liq. To'g'ridan-to'g'ri (to'g'ridan-to'g'ri) boshqaruv sxemasi va bilvosita boshqaruv sxemasi eng ko'p qo'llaniladi. Bunday holda, orqaga tarqalish algoritmi ko'pincha o'rganish algoritmi sifatida ishlatiladi.xii. Bilvosita boshqarish sxemasida boshqaruv ob'ektining parametrlari vaqtning har bir momentida aniqlanadi va keyin boshqaruvchi parametrlarini baholash uchun ishlatiladi (25-rasm). Shunday qilib, identifikatsiya qilishning aniq jarayoni mavjud. Fig.25 Bilvosita boshqarish sxemasi Bunday sxemaning kamchiligi shundaki, identifikatsiya va nazorat faqat ee xatosiga asoslanadi va shuning uchun ee tizimining chiqishida xatolikni minimallashtirish kafolatlanmaydi. To'g'ridan-to'g'ri boshqarish sxemasida neyron tarmoq boshqaruvchisining parametrlari eu chiqish xatosini bevosita kamaytiradigan tarzda o'rnatiladi (26-rasm). 26-rasm To'g'ridan-to'g'ri boshqarish sxemasi Nazoratchi tomonidan minimallashtirilishi kerak bo'lgan maqsad funktsiyasi sifatida boshqaruv ob'ektining chiqishidagi o'rtacha kvadrat xatosi ishlatiladi: Bunday boshqaruv tizimlarining barqarorligi va boshqarilishi masalalari ishlarda batafsil ko'rib chiqiladi. Boshqaruv tizimlarida neyron tarmoqlardan foydalanish muammolarini ko'rib chiqadigan nazariy tadqiqotlarning yo'nalishlaridan biri bunday boshqarish usullarini boshqa ma'lum turdagi boshqaruv tizimlari bilan taqqoslash, neyron tarmoqlar usullariga xos xususiyatlarni aniqlash va ularni tahlil qilishdir. Ko'rib chiqilayotgan usullarning har biri ham yaxshi, ham yomon xususiyatlarga ega bo'lsa-da, shuni ta'kidlash kerakki, neyron tarmoqni boshqarish usuli boshqa ikkita usulda kam qo'llaniladigan shunday foydali xususiyatlarga ega. Taqqoslash natijasida olingan asosiy natijalar 1-jadvalda keltirilgan. NN dan foydalanadigan usul tizimning chiziqliligi bo'yicha hech qanday cheklovlarga ega emas, u shovqinli sharoitlarda samarali bo'ladi va mashg'ulot tugagandan so'ng real vaqt rejimida nazorat qilishni ta'minlaydi. Neyron tarmoqlarni boshqarish tizimlari haqiqiy sharoitlarga moslashuvchan tarzda sozlangan bo'lib, rasmiy tizimlarni qurish bilan bog'liq cheklovlarni o'z ichiga olmaydi, vazifaga to'liq mos keladigan modellarni shakllantiradi. Bundan tashqari, neyron tarmoqlarni boshqarish tizimlari nafaqat standart adaptiv boshqaruv usullarini amalga oshiradi, balki rasmiylashtirilmaganligi sababli hal qilish qiyin bo'lgan bir qator muammolarga o'zlarining algoritmik yondashuvlarini taklif qiladi. 1-jadval Nazorat usullarining xarakteristikalari umumiy ko'rinishi
Shunday qilib, bir xil xarakterdagi ma'lumotlarni bitta model doirasida qayta ishlash mumkin bo'ladi - NN uchun faqat ularning korrelyatsiyasi muhimdir. Shunday qilib, aqlli boshqaruvning kelajagi an'anaviy boshqaruvning sun'iy neyron tarmoqlardan foydalanishga asoslangan tizimlardan foydalanish imkoniyatlari va istiqbollari bilan uyg'unlashuvida yotadi. Neyron tarmoqlarni boshqarish tizimlari chiziqli bo'lmagan dinamik tizimlar sinfiga kiradi. Bunday tizimlarning bir qismi sifatida sun'iy neyron tarmog'i turli funktsiyalarni bajarishi mumkin: texnologik asbob-uskunalarni diagnostika qilish, texnologik jarayonlarda harakatlanuvchi ob'ektlarni boshqarish, vaziyatni prognozlash, texnologik jarayonlarning holatini baholash va monitoring qilish va boshqalar. Tor ma'noda "neyron tarmoqlarni boshqarish tizimlari" tushunchasi quyida tavsiflangan funktsiyalar sohasi bilan cheklanishi mumkin. Bu, birinchi navbatda, chiziqli bo'lmagan ko'paytmali bog'langan zavodning adaptiv boshqaruvchisining funktsiyasi. Neyron tarmog'ining ishlashi uchun ikkita variant mavjud. Birinchisida neyron tarmoq o'rgatiladi va bir vaqtning o'zida boshqaruv tizimining harakatlantiruvchi qurilmasining kirishida boshqaruv harakatini hosil qiladi. Tarmoqni o'qitish maqsadi va ob'ektni boshqarish maqsadi bir xil bo'lib, bu tizimning yagona maqsadli funktsiyasi vazifasida namoyon bo'ladi. Tarmoq real vaqt rejimida, tizimdagi jarayonlar tezligida (on-layn rejimda) o'qitiladi. Ikkinchi variantda tarmoqning ishlashi ikki bosqichdan iborat: 1) ma'lum bir optimal boshqaruv funktsiyasi uchun tarmoqni tayyorlashning dastlabki bosqichi 2) bir xil sharoitlarda yoki ularga yaqin bo'lgan ob'ektni boshqarish rejimida ushbu funktsiyaning yaqinlashuvini takrorlash bosqichi. Tarmoqni o'qitish va ob'ektni boshqarishning maqsadli funktsiyalari bir-biridan farq qilishi mumkin. Boshqarish uchun neyron tarmoqdan foydalanishning bunday varianti - nazoratchi nazorat deb ataladigan narsa hozirgi kunga qadar ustun taqsimotni topdi, garchi bu holda neyron tarmoq kontrollerini sintez qilish va uning parametrlarini o'rnatish jarayoni real vaqt rejimida davom etmaydi (off- chiziq rejimi)xiii. Tarmoqni o'qitishga o'ziga xos yondashuvni tanlash (onlayn yoki oflayn) muammoning o'ziga xos xususiyatlariga bog'liq va bundan tashqari, tarmoqni o'qitish algoritmining o'ziga xos turini (qidiruvsiz / qidiruv sxemalari, global / mahalliy optimallashtirish va boshqalar) aniqlaydi. ). Masalan, o'rganilayotgan texnik ob'ektning xatti-harakati to'g'risida juda ko'p ma'lumotlar to'plangan sohalarda (masalan, avtomobilsozlikda yangi turdagi dvigatelni boshqarish tizimini loyihalashda) foydalanish yanada oqilona ko'rinadi. genetik algoritmlar, tasodifiy qidirish yoki "statistik" o'rganish elementlari bilan algoritmlar yordamida oflayn o'rganish texnikasi. Boshqa tomondan, texnik xususiyatlari ish paytida o'zgarib turadigan ob'ektlar uchun tarmoqni sozlashning onlayn algoritmlaridan foydalanish eng maqbuldir. Ikkinchidan, neyron tarmoqlar nochiziqli tizimlarning holat vektorini baholash uchun identifikator sifatida va kengaytirilgan Kalman filtrlari sifatida ishlatiladi. Uchinchidan, biz neyron tarmog'idan tipik boshqaruv qonuniyatlari bilan boshqaruvchilar parametrlarini o'rnatish va adaptiv tizimlar nazariyasining ma'lum usullari asosida amalga oshirilgan moslashish algoritmlari parametrlarini o'rnatish uchun optimallashtiruvchi sifatida foydalanishning mashhurligini qayd etamiz. Sun'iy neyron tarmoqlarning uchta asosiy turi mavjud: 1) to'g'ridan-to'g'ri tarqaladigan o'rgatiladigan ko'p qatlamli neyron tarmoqlari (ko'p qatlamli perseptronlar); 2) takrorlanuvchi Xopfild tarmoqlari; 3) Kohonenning tarmoqlari ("o'zini o'zi tashkil etuvchi xaritalar"). Bir qator sabablarga ko'ra ko'p qatlamli chiziqli bo'lmagan neyron tarmoqlari (MNS) boshqaruv maqsadlari uchun eng katta taqsimotni topdi, Hopfield tarmoqlari eng kam taqsimotni topdi va Kohonen tarmoqlari undan ham kamroq taqsimotni topdi; xususan, Kohonenning "o'zini o'zi tashkil qilish xaritasi" faollashtirishning "radial asosli funktsiyalari" (inglizcha Radial Basis Function dan RBF-tarmoqlari) bilan boshqaruv tizimlarida qo'llaniladigan tarmoqlarning birinchi qatlamini tashkil qiladi. Boshqarish tizimlarida o'rgatish mumkin bo'lgan ko'p qatlamli neyron tarmoqlardan foydalanish 80-yillarning oxirida, asosan AQShda, mobil robotlarning analitik belgilangan traektoriyalar bo'ylab harakatini boshqarish uchun jiddiy ravishda boshlandi. Boshqarish tizimlarida neyron tarmoqlardan foydalanishning ushbu yo'nalishi dolzarb bo'lib qolmoqda, faqat hozir muammoning echimi oldindan belgilanmagan harakat traektoriyalari holatiga tarqaldi. Shu bilan birga, chiziqli bo'lmagan ob'ektlar holatining identifikatorlari sifatida ko'p qatlamli tarmoqlardan foydalanish bo'yicha tadqiqotlar boshlandi va bu yo'nalish ham keyinchalik rivojlandi. Ko'p qatlamli neyron tarmoq sanoat PID kontroller parametrlarini sozlash optimallashtiruvchisi vazifasini bajarishi mumkinxiv. Ammo so'nggi yillarda dinamik ob'ektlarni boshqarish uchun neyron tarmoqlardan foydalanish bo'yicha birinchi natijalar paydo bo'ldi. Bu masalalar quyidagilarga taalluqlidir: neyron tarmoqlarni boshqarish tizimlari tuzilmalarini sintez qilish; tarmoq sozlamalari tezligini cheklash; neyronlarning sinaptik ulanishlarining og'irlik koeffitsientlari qiymatlari bo'yicha cheklovlar ostida kichik traektoriya xatolarini ta'minlaydigan sozlash algoritmlarini o'zgartirish; nazoratsiz buzilishlar sharoitida qo'pollikni kafolatlaydigan boshqaruvning modifikatsiyalari. Bu muammolarni hal qilish yondashuvlari, albatta, u yoki bu tarzda, boshqaruv muammolarida neyron tarmoqlardan foydalanish bo'yicha adabiyotlarda o'z aksini topgan. 1992 yilda RBF tarmog'idan foydalangan holda chiziqli bo'lmagan ob'ektlarni boshqarish tizimini sintez qilish tartibi ishlab chiqilgan va uning arxitekturasini sintez qilish va sozlash algoritmi masalalari etarlicha batafsil ko'rib chiqilgan. Jarayonlarning sifati va tizimning o'lchovsiz buzilishlarga befarqligi bilan bog'liq muammolar hal etilmagan. Bir qator boshqa ishlarda va keyinchalik murakkab texnik ob'ektlar uchun neyron tarmog'ini boshqarish tizimlarini sintez qilish usullari, xususan, neyron tarmoq avtopilotlari va burchak harakatini boshqarish tizimlarini sintez qilish muammolarini hal qilish uchun taklif qilingan. raketa. Shuni ta'kidlash kerakki, ushbu maqolalarda tasvirlangan usullar real sharoitlarda ishlaydigan modellarda sinovdan o'tgan (ya'ni. Shunisi e'tiborga loyiqki, sun'iy neyron tarmoqlar va ularni qo'llash bo'yicha ko'plab ishlar xorijiy ilmiy adabiyotlarda nashr etilgan. bu yo'nalishda rus bibliografiyasi juda kam va dinamik ob'ektlarni boshqarish uchun ilovalarda u deyarli yo'q. Neyron tarmoqlarni boshqarish tizimlarini algoritmik va strukturaviy sintez qilishning asosiy muammosi ko'p qatlamli neyron tarmoqlarni optimal boshqarish qonunini shakllantirish va sinf uchun boshqaruv muammosini hal qilish uchun shart-sharoitlarni yaratish uchun o'rgatish uchun zarur bo'lgan mazmunli ma'lumotlarni oqilona tanlashdir. chiziqli bo'lmagan ob'ektlar va kerakli nazorat maqsadlari. Algoritmik sintez neyron tarmoq uchun real vaqt rejimida o'rganish algoritmini tanlash va ularning yordami bilan nazorat maqsadlariga erishish shartlarini tahlil qilish muammosini hal qilishni o'z ichiga oladi, bu amaliy nuqtai nazardan muhimdir. Tor ma'noda "murakkab dinamikaga ega chiziqli bo'lmagan ob'ekt" tushunchasini quyidagi xususiyatlar asosida berish mumkin: ob'ektlar va tizimlarning ko'p o'lchovliligi va ko'p bog'liqligi; nazorat ob'ekti dinamikasining chiziqli bo'lmaganligi, statsionar bo'lmaganligi va apriori noaniqligi ("modelsiz dinamika" deb ataladigan narsaning mavjudligi); boshqaruv tizimining ishlashi uchun noqulay muhit. Boshqaruv tizimining ishlashi uchun dastlabki real sharoitlarning ushbu cheklangan ro'yxati bilan ham, bunday tizimning boshqaruvchisini loyihalash va hisoblashda hal qilinishi kerak bo'lgan analitik muammolar aniq. Neyron tarmog'ini boshqarish texnologiyasidan foydalanish analitik sintez va loyihalashtirilayotgan tizimning xususiyatlarini tahlil qilishning matematik muammolarini sezilarli darajada bartaraf etishga imkon beradi. Bu neyron tarmoqlari tizimlarida boshqaruv jarayonlarining erishilgan xossalari va sifati ko'p darajada ko'p qatlamli chiziqli bo'lmagan neyron tarmoqlarning asosiy xususiyatlariga bog'liqligi, odatda kompyuter shaklida amalga oshiriladigan analitik hisoblangan optimal qonunlarga bog'liqligi bilan izohlanadi. dastur. Moslashtirilgan ko'p qatlamli neyron tarmoqlari chiziqli bo'lmagan dinamik ob'ektlarni boshqarishda ulardan foydalanishni oqlaydigan bir qator afzalliklarga ega. Download 393.47 Kb. Do'stlaringiz bilan baham: 
|