книги / Нечёткое, нейронное и гибридное управление

низкого давления составляет 9 с, что отвечает требования технического задания. Перерегулирование текущего параметра отсутствует.

В [50] рассмотрен нейро-нечеткий регулятор частоты газотурбинного двигателя.

2.10. Другие примеры нейронного управления

Рациональное применение нейронных сетей как интеллектуального средства возможно в задачах идентификации, то есть построения математической прямой и обратной модели регулируемого объекта, а также для задания систем желаемых движений с помощью ЭМ с алгоритмом обучения с учителем и без него и коррекции настроек классических регуляторов.

На рис. 2.45 приведена структура включения НС для нахождения прямой модели объекта.

Рис. 2.45. Структура системы включения НС для нахождения прямой модели объекта

В процессе настройки НС при различных входных сигналах u необходимо добиться воспроизведения на выходе НС такого же сигнала, что и на выходе регулируемого объекта. Это необходимо для поиска прямой модели регулируемого объекта.

Рассмотрим структуру системы включения НС для нахождения обратной модели регулируемого объекта (рис. 2.46).

221

Рис. 2.46. Структура системы включения НС для нахождения обратной модели объекта

Вданной структуре выход НС должен повторять входной сигнал u с минимальной ошибкой ε, т.е. НС будет воспроизводить обратную модель регулируемого объекта.

Взадачах построения регулятора в контуре управления объектом необходимо знать модель желаемого движения (эталонную модель). В данном случае настройка параметров НС выполняется по структурной схеме (рис. 2.47). Параметры НС настраиваются так, чтобы движение регулируемого объекта вместе с НС производило желаемое движениеэталонной модели.

Рис. 2.47. Структурная схема адаптивной САР

снастройкой без учителя при наличии ЭМ

Взадачах адаптивной настройки параметров традиционных регуляторов к структуре САР добавляется контур адаптации, куда входит эталонная модель, элемент сравнения и ИНС для коррекции настройки, например, ПИ-регулятора. Данная структура приведена на рис. 2.48.

222

Рис. 2.48. Структурная схема адаптивной САР с коррекцией настроек ПИ-регулятора при наличии ЭМ (без учителя)

На рис. 2.49 приведена структурная схема адаптивной САР с алгоритмом обучения НС с учителем.

Рис. 2.49. Структурная схема адаптивной САР с алгоритмом обучения с учителем

223

На рис. 2.50 приведена структурная схема адаптивной САР с алгоритмом обучения ИНС с учителем с целью выполнения САР желаемых движений, задаваемых ЭМ.

Рис. 2.50. Структурная схема адаптивной САР с алгоритмом обучения с учителем при наличии эталонной модели

НС могут быть использованы для обработки видеоизображений, обработки статических изображений, распознавания речи, обнаружения фальсификаций, в медицинской диагностике и т.д.

Обработка видеоизображения

Одной из наиболее сложных и актуальных проблем обработки видеоизображений, представленных последовательностью оцифрованных кадров, является проблема выделения и распознавания движущихся объектов в условиях действия различного рода помех и возмущений. Для этого должны быть решены задачи выделения объекта на сложном зашумленном фоне, фильтрации помех, скоростной фильтрации, отделения объекта от фона, оценки скорости каждого объекта, его идентификации и сопровождения. Системы обработки видеоизображений, построенные с применением нейросетевых методов, представляют собой, как правило, программно-

224

аппаратные комплексы на персональных компьютерах, позволяющих работать с данными телевизионной системы в реальном времени (не менее 25 кадров/с, 320·200 пикселей). Выделение изображений движущихся объектов осуществляется путем построения оценки поля скоростей с помощью многослойной локально-связанной нейронной сети. Размерность сети для изображения 320·200 пикселей составляет несколько миллионов нейронов и примерно вчетверо больше синапсов. Распознавание выделенных силуэтов производится на самоорганизующейся нейронной сети, предварительно обученной на изображениях объектов рассматриваемых классов. Обеспечивается инвариантность к произвольному движению фона, устойчивость к зашумлению до 10 %. Вероятность правильного распознавания объектов не менее 90 %.

Обработка статических изображений

Не менее сложными являются задачи выделения и распознавания объектов на статическом тоновом изображении. В частности, подобные задачи возникают при автоматической обработке спутниковых изображений земной поверхности. Для их решения разработан и реализован на персональных компьютерах ряд автоматизированных систем анализа изображений земной поверхности. Системы в автоматическом режиме обеспечивают выделение на обрабатываемых изображениях объектов заданных классов: дорожной сети, кварталов с характерной застройкой, аэродромов и стоящих на них самолетов. Нейросетевые принципы, заложенные в их основу, обеспечивают инвариантность к яркостным характеристикам выделяемых и распознаваемых объектов, а также позволяют проводить обучение и адаптацию систем.

Распознавание речи

Распознавание речи – одно из наиболее популярных применений нейронных сетей. Достаточно квалифицированный пользователь может создать свою нейронную систему распознавания речи, используя двухкаскадную иерархическую нейронную сеть, где пер-

225

вый уровень осуществляет грубое распознавание речи, относя их к одному из классов, а второй уровень точно классифицирует слово внутри каждого из классов.

Обнаружение фальсификаций

В США введена в действие система обнаружения мошенничества в области здравоохранения. Подсчитано, что потери бюджета от такого рода фальсификаций составляет около 730 млн долларов в год. Создание нейросетевой специализированной системы обошлось фирме ITC в 2,5 млн долл. Тестирование показало, что нейронная сеть позволяет обнаружить 38 % мошеннических случаев, в то время как существующая экспертная система – только 14 %. Для настройки системы были использованы также методы нечеткой логики и генетической оптимизации.

Применение в медицинской диагностике

В настоящее время разработано достаточно много нейродиагностических комплексов, позволяющих сократить необходимое время диагностики различных заболеваний, а также снизить потребность в квалифицированных кадрах. Например, компанией «НейроПроект» создана система диагностики слуха у грудных детей. Общепринятая методика диагностики состоит в том, что в процессе обследования регистрируются отклики мозга в ответ на звуковые раздражители. Для достаточно уверенной диагностики слуха ребенка опытному эксперту-аудиологу необходимо провести около 2000 тестов, что занимает около часа. Нейронная сеть способна с той же достоверностью определить уровень слуха уже за 200 наблюдений в течение всего нескольких минут, причем без участия квалифицированного персонала.

Практическая реализация НС обеспечивается на программном уровне для обычных контроллеров и на аппаратном уровне на нейрокомпьютерах или их компонентов, которые еще разрабатывают-

226

ся. Сравнительная оценка традиционных ЭВМ и нейрокомпьютеров приведена в табл. 2.3.

Общие свойства нечеткого управления и нечеткого управления

сприменением нейронной технологии:

1.Не требуют математического описания объекта, который может быть нелинейным и с переменными коэффициентами, а следовательно, исключают адаптацию САР с помощью «жестких» и «гибких» эталонных моделей.

2.Ускоряют анализ сложных динамических систем с заданной точностью, так как не требуют решения дифференциальных уравнений, а требуют решения логических уравнений.

3.Заменяют цифровое ПИД-управление.

4.Дают возможность оперировать непрерывными быстро меняющимися во времени значениями переменных.

5.Применяются в контурах нелинейного управления.

6.Позволяют создавать алгоритмы, функциональность которых трудно формализуется методами традиционной математики.

7.Регуляторы имеют общую фаззификацию и возможность статической коррекции коэффициента усиления путем коррекции расположения терм-множеств

8.Нейро-нечеткое управление находится на границе между нечетким и нейронным управлением, сочетающим достоинства и исключающим их недостатки.

9.Сочетание процедуры нечеткого управления (фаззификация)

сэлементом нейронного управления (адаптивный нейрон) исключает следующее противоречие: нечеткая составляющая управления позволяет изменять коэффициент усиления и не исключает «жесткую» базу знаний, а нейронная составляющая заменяет «жесткую» базу знаний «гибкой», способной самообучаться и приспосабливаться.

227

Таблица 2 . 3

Сравнительный анализ нечеткого управления и нечеткого адаптивного управления с применением

нейронной технологии

228

Контрольные вопросы

1.Персептрон Розенблатта.

2.Активационные функции: пороговая, сигмоидная, линейная, степенная.

3.Нейронные сети без обратных связей.

4.Модифицированный метод наименьших квадратов.

5.Процедура Уидроу–Хоффа.

6.Модифицированный метод наименьших квадратов.

7.Метод с последовательным обучением.

8.Области применения нейронных сетей.

9.Алгоритм обратного распространения ошибки.

10.Генетические алгоритмы. Основные понятия.

11.Работа генетического алгоритма.

12.Достоинства и недостатки нейронного управления.

13.Эквисторная нейронная сеть.

14.Классификация нейронных сетей.

15.Адаптивный нейрон.

16.Биологический нейрон.

17.Измерительный нейрон.

18.Нейронная сеть Гроссберга. Обучение.

19.Нейронная сеть Хопфилда. Обучение.

20.Нейронная сеть Хэмминга. Обучение.

229

Глава 3. ГИБРИДНОЕ УПРАВЛЕНИЕ

Объединение нечеткой логики и нейронных сетей позволяет, с одной стороны, привнести способность к обучению и вычислительную мощность нейронных сетей в системы нечеткой логики, а с другой – усилить интеллектуальную возможность нейронных сетей свойственными «человеческому» способу мышления нечетким правилами выработки решений.

Основное преимущество нечетких систем в отличие от нейронных систем заключается в том, что знания в этих системах представляются в форме легко понимаемых человеком гибких логических конструкций, таких как IF...THEN... . Кроме того, необходимо отметить, что в соответствии с теоремой Б. Коско (1993) любая математическая функция может быть аппроксимирована системой, основанной на нечеткой логике, следовательно, такие системы являются универсальными.

Основные трудности при использовании нечетких систем на практике связаны с априорным (неполным) определением правил и построения функций принадлежности для каждого значения лингвистических переменных, описывающих структуру объекта, которые разработчик обычно выполняет вручную. Поскольку вид и параметры функций принадлежности выбираются субъективно, они могут быть не вполне адекватны реальной действительности.

Основное преимущество нейросетевого подхода – возможность выявления закономерностей в данных, их обобщение, т.е. извлечение знаний из данных, а основной недостаток – невозможность непосредственно (в явном виде, а не в виде вектора весовых коэффициентов межнейронных связей) представить функциональную зависимость между входом и выходом исследуемого объекта.

Недостатком нейросетевого подхода является трудность формирования представительной выборки, большое число циклов обучения и забывание «старых» примеров, трудность определения размеров и структуры сети.

230