Математическая модель нейронной сети. Однослойный и многослойный персептрон, рекуррентные сети. Обучение нейронных сетей с учителем и без него. Алгоритм обратного распространения ошибки. Подготовка данных, схема системы сети с динамическим объектом.
Аннотация к работе
Искусственные нейронные сети используются в качестве регулятора многомерных и многосвязных динамических объектов. Применение искусственных нейронных сетей для целей управления является одной из многочисленных областей относительного нового раздела современной науки - нейроинформатики, содержанием которой служит разработка и исследование методов решения самых разнообразных задач с помощью искусственных нейронных сетей, построенных на стандартных искусственных нейронах. Искусственные нейронные сети, (Artificial Neural Networks, ANN),-далее ИНС - созданы по аналогии с биологической нейронной сетью человеческого мозга. Искусственные нейронные сети, кроме того, что похожи на мозг, обладают рядом характеристик, свойственных мозгу. Искусственные нейронные сети могут менять свое поведение в зависимости от условий.Требуется построить нейронную сеть, изменяющую параметры регулятора (, где - параметры регулятора), вырабатывающую управление, поступающее на динамический объект (1) и доставляющую минимум заданному функционалу качества . Структуру построенной нейронной сети необходимо оптимизировать: для заданного объекта и регулятора найти оптимальное число слоев нейронов в каждом слое и оптимальную функцию активации для каждого слоя.Ими было сделано следующее: разработана модель нейрона как простейшего процессорного элемента, выполнявшего вычисление переходной функции от скалярного произведения вектора входных сигналов и вектора весовых коэффициентов; Маккаллока является то, что эта модель использует пороговый вид активационной функции нейрона, который не дает нейронной сети достаточную гибкость при обучении и настройке для решения поставленной задачи. Искусственный нейрон, также как и его естественный прототип, имеет группу синапсов (входов), которые соединены с выходами других нейронов, а также аксон - выходную связь данного нейрона - откуда сигнал возбуждения или торможения поступает на синапсы других нейронов. Взвешенный сумматор производит суммирование по формуле: где, - номер входа нейрона; - номер нейрона в слое; номер слоя входные сигналы, совокупность всех входных сигналов нейрона, образующих вектор . весовые коэффициенты, совокупность весовых коэффициентов, образующих вектор весов . вес, моделирующий пороговый уровень нейрона взвешенная сумма входных сигналов, значение передается на нелинейный элемент. где - вектор входных сигналов нейрона, подающийся на вход с весом ; - вектор весов нейрона, включающийПо архитектуре связей ИНС могут быть сгруппированы в два класса (рис. В сетях прямого распространения сигнал по сети проходит только в одном направлении: от входа к выходу. Совокупность нейронов, объединенных в один слой, называют однослойной нейросетью. 8, состоит из одного слоя (т.е. количество слоев нейронов между входом и выходом равно единице) искусственных нейронов, соединенных с помощью весовых коэффициентов с множеством входов. В многослойном персептроне каждый нейрон на данном уровне иерархии принимает и обрабатывает сигналы от каждого нейрона более низкого уровня.Процесс обучения нейронных сетей представляет собой настройку архитектуры сети, а также ее весовых коэффициентов для эффективного решения поставленной задачи. Сеть должна настроить веса по обучающим примерам. Таким образом, в процессе обучения знания учителя передаются в сеть в максимально полном объеме. На основании полученных выходных значений нейронов по формуле производится изменение весовых коэффициентов. где - выходное значение нейрона слоя ,-выходное значение нейрона слоя n. и - весовой коэффициент, - коэффициент скорости обучения. Обучение таким методом позволяет объединять входные данные, т.е. одинаковые примеры группируются (объединяются) сетью в соответствии с корреляциями и представляются как один элемент.Нейронные сети используются для структурного и параметрического синтеза регуляторов в двух случаях: для построения самого регулятора. для построения блока настройки коэффициентов регулятора. Одной из особенностей нейронной сети является способность к обучению, эта способность позволяет передавать нейронной сети опыт эксперта. Для регулятора, в котором используется нейронная сеть для настройки его коэффициентов, не нужно формулировать правила, достаточно того, чтобы сам эксперт несколько раз настроил регулятор в процессе обучения нейросети. Структура системы автоматического регулирования с ПИД-регулятором и нейронной сетью в качестве блока автонастройки коэффициентов изображена на рис. На рисунке можно увидеть: нейронную сеть NN, которая играет роль функционального преобразователя, который для каждого набора сигналов r,e,u,y вырабатывает коэффициенты ПИД-регулятора (, , ).Итак, в ходе решения проблемы предстоит разработать искусственную нейронную сеть, для адаптивной настройки параметров регулятора, управляющего объектом с переменными параметрами. В качестве примера рассмотрим модель динамического объекта, описывающую крестокрылый снаряд, который требуется стабилизировать относительно центра тяжести по заданной траектории. Рассмотр
Введение
В данной работе будет рассмотрена многослойная нейронная сеть прямого распространения, способная настраивать параметры регулятора, для управления динамическим объектом с переменными параметрами.
Искусственные нейронные сети используются в качестве регулятора многомерных и многосвязных динамических объектов. Применение искусственных нейронных сетей для целей управления является одной из многочисленных областей относительного нового раздела современной науки - нейроинформатики, содержанием которой служит разработка и исследование методов решения самых разнообразных задач с помощью искусственных нейронных сетей, построенных на стандартных искусственных нейронах.
Мозг - одна из вершин биологической эволюции, так как он является мощнейшим процессором информации. Среди его особенностей можно выделить способность быстро обрабатывать большие объемы информации, поступающие от органов чувств, объединять или сравнивать ее с хранимой информацией и предоставлять соответствующие ответные меры.
Также следует отметить способность мозга самостоятельно запоминать и предоставлять информацию, необходимую для развития таких навыков. Ученые потратили годы на изучение мозга и разработали некоторые математические модели его поведения. Данные модели были основаны на исследовании основных характеристик нейронов и их соединений. И, несмотря на то, что модели лишь в первом приближении имитируют свойства биологических нейронов, они представляют большой интерес изза их способности к обучению и объединению аналогичных моделей, что позволяет нам решать сложные проблемы традиционным программированием. Их моделирование производилось на компьютере и специальном оборудовании. С годами первоначальные модели постепенно усложнялись, вводились новые понятия, ставшие вычислительной парадигмой, как, например, машина Тьюринга.
Искусственные нейронные сети, (Artificial Neural Networks, ANN), -далее ИНС - созданы по аналогии с биологической нейронной сетью человеческого мозга. Они состоят из элементов, функциональные возможности которых подобны элементарным функциям биологических нейронов, и чья организация соответствует анатомии человеческого мозга.
Искусственные нейронные сети, кроме того, что похожи на мозг, обладают рядом характеристик, свойственных мозгу. Например, учатся на опыте, обобщают предыдущие и новые примеры и абстрагируют основные характеристики ряда данных.
Искусственные нейронные сети могут менять свое поведение в зависимости от условий. Им указывается сумма входов, и они сами корректируются для создания последовательных выходов. В некоторых случаях ИНС могут предоставить правильные ответы на последовательность искаженных входных сигналов. Некоторые искусственные нейронные сети способны абстрагироваться от входных сигналов, по всей видимости, не представляющих общий и относительный аспект.
Особые характеристики систем нейронного вычисления позволяют применять новую технологию расчетов в широком спектре приложений. Принцип работы нейронного вычисления стоит ближе к восприятию данных человеком. Искусственные нейронные сети дают рациональные решения в приложениях, где на вход подается сигнал шума или неполный сигнал.[3]
ИНС используются при решении различных задач и активно применяются там, где обычные алгоритмические решения оказываются неэффективными или вовсе невозможными.
ИНС применяются в следующих областях: анализ и обработка сигналов, распознавание изображений, управление технологическими процессами, фильтрация шумов, робототехника, язык обработки, медицинская диагностика, контекстная реклама в интернете, системы видеонаблюдения и др.
В последнее время искусственные нейронные сети стали использоваться специалистами в области технического конструирования, физиологии и психологии, это связано с тем, что нейронная сеть аналогична естественной нервной системе человека. И, исходя из этого, можно узнать много нового о том, как работают естественные системы организма
Искусственная нейронная сеть может менять свое поведение в зависимости от внешних условий. Распознав предъявленные входные сигналы, она способна обучиться, вырабатывая требуемую реакцию. И после обучения сеть не будет реагировать на небольшие изменения входных сигналов. Благодаря своему строению, нейронная сеть имеет свойство обобщения.
Другой особенностью ИНС является отказоустойчивость. Отказоустойчивость заключается в том, что во многих ИНС, в случае выхода из строя нейрона или искажения соединения сети, поведение сети будет изменено незначительно. Поведение меняется, но система не гибнет и не перестает функционировать. Обусловливается это тем, что у ИНС информация распределена по всей сети, а не содержится в конкретном месте.[1]
Некоторые структуры нейронных сетей имеют способность к выработке абстрактного образа на основе нескольких выходных примеров. Допустим, если обучить сеть, предъявляя ей последовательность искаженных изображений буквы «Б», то после обучения сеть сможет воспроизвести эту букву «Б» без искажений.