Структуры нейронных сетей для нейроуправления

Нейронные сети по характеру структуры можно представить в виде двух больших классов, которые имеют принципиальные отличия друг от друга признаками отсутствия либо наличия межнейронных обратных связей в сети.

1. нейронные сети прямого распространения;

2. рекуррентные нейронные сети.

Как правило, нейронные сети прямого распространения представляют в виде многослойных структур (в частных случаях и однослойных), которые обладают свойством прямонаправленности, т.е. любой из нейронов предыдущего слоя (включая входной слой) имеет возможность воздействия только на нейроны из последующих слоев [42, 50, 85, 105].

У рекуррентных нейронных сетей в отличие от сетей прямого распространения - имеются обратные связи.

Нейронные сети различаются и по типу обучения:

1. обучаемые с супервизором (с учителем);

2. обучаемые через самоорганизацию.

В соответствие конкретным входным воздействиям на сеть каждым примером ему ставится в соответствие (из множества возможных воздействий) желаемый отклик.

Настроечные параметры сети в процессе обучения, такие, как синаптические веса межнейронных связей, пороги, параметры активационных функций нейронов (возможно), подбирают таким образом, чтобы указанные в примерах реальные отклики сети на входные воздействия могли совпадать с желаемыми (с определенной степенью точности). Нейронной сети при достаточной мощности в смысле и количества слоев, и общего числа нейронов в них, как и множества обучающих примеров, приобретает способность правильной реакции, как на входные воздействия из обучающей выборки, так и на другие незнакомые для НС, но допустимые воздействия. Данное обстоятельство трактуется как свойство нейронной сети к обобщению [100].

Обучение нейронной сети через самоорганизацию, происходит без контроля со стороны учителя (т.е. множества обучающих примеров). Обучение производится только по входным образам с использованием меры качества, вне зависимости от задачи, которую нейронная сеть должна решить.

Рассмотренная выше классификация проведена лишь по основным признакам, которыми НС характеризуются с точки зрения принципов их обучения и функционирования, конкретные архитектуры нейронных сетей.

Нейронные системы управления - это класс нелинейных динамических систем. В составе таких систем ИНС может выполнять различные функции, как:

a) - диагностика технологического оборудования;

b) - управление подвижными объектами и технологическими процессами;

c) - прогнозирование ситуаций;

d) - оценка состояния и мониторинг технологических процессов, и многое другое.

Применение нейросетевой технологии управления позволяет, в значительной мере, снять проблемы математического анализа и синтеза

проектируемой системы. Это объясняется тем, что достигаемые свойства и качество процессов управления зависит от фундаментальных свойств многослойных НС, а не от аналитически рассчитанных оптимальных законов управления, обычно реализуемых в виде компьютерных программ. Многослойные НС обладают рядом достоинств, оправдывающих их применение в задачах управления нелинейными динамическими объектами. Перечислим наиболее существенные из них.

1. Универсальные аппроксимационные свойства многослойных НС, играющих ключевую роль в формировании нелинейных алгоритмов управления.

2. Адаптивность нейросетевых структур вследствие их обучения в процессе функционирования.

3. Способность НС к параллельной обработке сигналов, что делает естественным их применение для управления многомерными (многоканальными) объектами управления.

Однако обзор литературы показывает, что ИНС в прямую не использовалась для решения задач синтеза систем управления с различными начальными условиями.

1.4