|
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.
Do'stlaringiz bilan baham: |
