21691

Расширение последовательной схемы нейронного управления

Лекция

Информатика, кибернетика и программирование

Простая процедура обучения для эмулятора выглядит так: {рис. 109} Целью обучения является минимизация ошибки предсказания . 109} Для ускорения сходимости процесса обучения можно использовать другую модель эмулятора: {рис.

Русский

2013-08-03

106 KB

4 чел.

етоды искусственного интеллекта

Лекция № 7

МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

ЛЕКЦИЯ № 8

На прошлой лекции мы привели алгоритм обучения нейросети. Единственная его сложность состоит в вычислении производной  на втором шаге. С этой сложностью мы как раз и столкнулись на практическом занятии.

Альтернативный подход, позволяющий избавиться от аппроксимации, состоит в том, чтобы выполнить имитационное моделирование объекта управления, используя другую нейронную сеть, реализующую отображение вход/выход для объекта управления. В этом случае данная нейронная сеть используется в качестве идентификатора системы, или эмулятора. Таким образом, используя эмулятор, можно вычислить , как если бы этот эмулятор представлял собой действительный объект управления.

Итак, ,

где  — отображение вход/выход для эмулятора.

Простая процедура обучения для эмулятора выглядит так:

{рис. 4.3.5, с. 109}

Целью обучения является минимизация ошибки предсказания .

Рассмотрим эту схему подробно:

{рис. 4.3.6, с. 109}

Для ускорения сходимости процесса обучения можно использовать другую модель эмулятора:

{рис. 4.3.7, с. 110}

Здесь в качестве условной модели используется простая математическая модель или физически точная модель, даже если сама система является достаточно сложной и нелинейной. Если между действительным выходным сигналом и входным сигналом модели имеется несоответствие, то нейронная сеть выполняет самонастройку с целью минимизации ошибки.

Таким образом, эмулятор рассматривается здесь как сумма условной модели и нейросети, но настраиваться и изменяться может только нейросеть.

Этот метод моделирования является подходящим для практических задач управления, так как условная модель может не обеспечивать достаточной точности предсказания действительного выходного сигнала.

Общие схемы

Г-н Омату, основываясь на собственном опыте, очень рекомендует использовать статистическую модель, модель авторегрессии, модель авторегрессии скользящего среднего, линейных векторных уравнений и т.п., так как они позволяют выявить долгосрочные тенденции. В свою очередь нейронная сеть позволяет реализовать нелинейные соотношения. Таким образом, общая конфигурация такая:

{рис. 4.3.8, с. 111}

NN1 — это нейросетевой эмулятор, а NN2 — это нейроконтроллер, реализующий инверсно-динамическое отображение.

NN1 реализован по схеме 4.3.6 или 4.3.7, а NN2 — по схеме 4.3.4.

Другая схема реализации инверсной динамики:

{рис. 4.3.9, с. 112}

Здесь нейронная сеть NN1 используется для обучения инверсному отображению, а математическая модель NN2 копируется с модели NN1 после того, как заканчивается её обучение, обучение NN1.

Нейроконтроллеры на основе многослойных нейросетей широко применяются для решения нестандартных задач обучения и адаптивного управления. Однако их практическое применение серьёзно ограничено из-за необходимого для них длительного срока обучения. Мы рассмотрим задачу эффективного оперативного обучения многослойных нейроконтроллеров с целью сокращения времени обучения.

Расширение последовательной схемы нейронного управления

Практическое применение нейроконтроллеров ограничено из-за необходимого для них длительного срока обучения.

Искусственные нейросети представляют собой математические модели, разработанные для практического использования принципов, на основе которых, как предполагается, действуют биологические системы. Можно ожидать, что использование таких принципов позволит в некоторой степени имитировать возможности биологических систем по обработке информации.

Нейросети могут обучаться решению задач управления в оперативном или автономном режиме в зависимости от того, выполняет нейросеть полезную работу в процессе обучения или нет. Хотя автономное обучение обычно осуществляется достаточно быстро, обобщение результатов автономного обучения на конкретные условия управления представляет значительные сложности. В связи с этим практически для всех реальных задач управления необходимо оперативное обучение. В идеальном случае обучение должно быть только оперативным, а сеть должна быстро обучаться, начиная с некоторого начального набора весов.

Постановка задачи

Рассмотрим дискретный процесс с одним входом и одним выходом:

,

где

— выход;

— вход;

— дискретное целочисленное время;

и  — неотрицательные целые числа, оценки чисел  и ;

— некоторая функция.

Задача состоит в обучении управлению объектом, который описывается вот этим уравнением. Управление должно осуществляться таким образом, чтобы выходной сигнал соответствовал некоторому опорному сигналу ; при этом во времени должна минимизироваться некоторая норма ошибки . Единственные априорные количественные данные об объекте управления — величины  и , представляющие собой соответственно оценки величин  и  — предполагаются известными. Иными словами, предполагается известной приближённая оценка порядка дифференциального уравнения, описывающего объект управления.


Нейронный эмулятор

При заданных оценках величин  и  многослойная нейронная сеть с  входами и одним выходом может использоваться для эмуляции зависимости . Обозначив отображение, выполняемое эмулятором объекта управления как , а его выход — как , получим выражение:

,

где  — -мерный вектор.

Для случая, когда

,

целью обучения эмулятора является минимизация нормы ошибки эмуляции .

PAGE  3

Томский политехнический университет,

Дмитрий Афонин, апрель 2006 г.


 

А также другие работы, которые могут Вас заинтересовать

19705. Творческий путь Толстого 40 KB
  Творческий путь Толстого Толстой происходил из знатной дворянской семьи. Толстой родился в родовом имении Ясная Поляна в Тульской губернии. в 1844 г. поступил в Казанский университет где учился сначала на восточном факультете затем на юридическом. В студенческие годы
19706. Поэтика ранних произведений Толстого 33.5 KB
  Поэтика ранних произведений Толстого. Как и все произведения Л.Н.Толстого трилогия €œДетство. Отрочество. Юность€ явилась по сути воплощением большого количества замыслов и начинаний. В ходе работы над произведением писатель тщательно оттачивал каждую фразу каждую ...
19707. «Анна Каренина»: источники замысла, поэтика, проблематика. Новые черты в художественном мире Толстого 39 KB
  Анна Каренина: источники замысла поэтика проблематика. Новые черты в художественном мире Толстого. После окончания работы над романом Война и мир Лев Николаевич увлекся проблемами семьи и брака. Окружающая его действительность давала много материала о семейно...
19708. Толстовство 30 KB
  Толстовство Толстовство группа синкретических сект христианского происхождения. Зародилась в конце 80х годов XIX в. в русской крестьянской среде под влиянием идей духоборчества и учений Л. Н. Толстого. Окончательно сформировалась в начале XX в. Толстовство возникло в Р
19709. Позднее творчество Толстого 49 KB
  Позднее творчество Толстого. К концу 70х началу 80х годов XIX века в мировоззрении Толстого наступил перелом подготовленный всем ходом исторического развития пореформенной России. В это время Толстой окончательно порывает со своим классом и переходит на позиции патри
19710. Роман «Воскресенье»: проблематика, поэтика 38.5 KB
  Роман Воскресенье: проблематика поэтика. Роман Воскресение сюжет которого Толстому был подсказан известным адвокатом А. Ф. Кони создавался в течение десяти лет. За это время Толстым был накоплен огромный материал связанный с деятельностью революционеров. В эти го
19711. Творческий путь Чехова 26 KB
  Творческий путь Чехова. Став студентом медицинского факультета Московского университета Чехов выступал под различными псевдонимами. Чехов уже с 1880 г. начал помещать рассказы фельетоны юморески мелочишки под псевдонимом Антоша Чехонте или его вариантами или сов...
19712. Жанр рассказа в творчестве Чехова 30.5 KB
  Жанр рассказа в творчестве Чехова. Чехов создал рассказ как самостоятельный и полноценный жанр и доказал что прозаический микромир может вместить в себя беспредельность. Тот или иной рассказ Чехова нетрудно превратить в роман ибо в нем достаточно материала для романа....
19713. Cвоеобразие Чеховских пьес 32 KB
  Cвоеобразие Чеховских пьес На первый взгляд драматургия Чехова представляет собою какойто исторический парадокс. Прежде всего в драматургии Чехова отсутствует €œсквозное действие€ ключевое событие организующее сюжетное единство классической драмы. Драма при э...