Архитектура искусственных нейронных сетей, особенности их обучения с учителем и без него. Правило коррекции по ошибке. Обучение методом соревнования. Основные принципы генетического алгоритма. Анализ применения нейронных сетей для синтеза регуляторов.
Аннотация к работе
Тема: "Разработка и исследование искусственной нейронной сети для управления динамическим объектом с переменными параметрами". студентаИскусственные 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: 1. разработана модель нейрона как простейшего процессорного элемента, выполнявшего вычисление переходной функции от скалярного произведения вектора входных сигналов и вектора весовых коэффициентов; 3. сделано основополагающее предположение о том, что такая сеть способна обучаться, распознавать образы, обобщать полученную информацию. За последнее время развитие теории нейронных сетей ушло далеко вперед, но по-прежнему многие утверждения У. 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. Розенблат создал собственную модель нейронной сети, путем введения в модель У.Нейроны представляют собой относительно простые, однотипные элементы, имитирующие работу нейронов мозга. Каждый нейрон характеризуется своим текущим состоянием (возбужден или заторможен) по аналогии с нервными клетками головного мозга. 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 ;Функция активации (активационная функция, функция возбуждения) - функция, вычисляющая выходной сигнал искусственного нейрона. В качестве аргумента принимает сигнал , получаемый на выходе сумматора ?. Существует много разных активационных функций, но чаще всего используются следующие: 1. 4) - несложная кусочно-линейная функция, которая имеет два линейных участка, где функция активации тождественно равна минимально допустимому и максимально допустимому значению и есть участок, на котором функция строго монотонно возрастает. Функцию можно описать следующим выражением: Где, параметр наклона.По 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. Объединение однослойных нейросетей в несколько слоев определяет многослойную нейросеть. Элемент ? (сумматор) складывает входные сигналы, взвешенные относительно соответствующих синапсов нейрона.Многослойная сеть состоит из нейронов, которые расположены на разных уровнях. При задании функции активации сигмоидального типа будем иметь многослойный персептрон (рис.Нейронные сети, имеющие обратную связь, называются "рекуррентными сетями”. Рекуррентная сеть может состоять из единственного слоя нейронов, каждый из которых направляет свой выходной сигнал на входы всех остальных нейронов слоя. Например, сеть Хопфилда, представленная на рис. 10 не имеет скрытых нейронов. Здесь обратные связи исходят, как из выходных, так и из скрытых нейронов.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.
План
Оглавление
Введение
Глава 1. Постановка задачи
Глава 2. Математическая модель нейронной сети
2.1 Искусственный нейрон
2.2 Активационная функция
Глава 3. Архитектура искусственных нейронных сетей
3.1 Однослойный персептрон
3.2 Многослойный персептрон
3.3 Рекуррентные сети
Глава 4. Обучение нейронных сетей
4 1 Обучение с учителем
4.2 Обучение без учителя
4.3 Правило коррекции по ошибке
4.4 Метод Хэбба
4.5 Обучение методом соревнования
4.6 Генетический алгоритм
4.7 Алгоритм обратного распространения ошибки
Глава 5. Применение нейронных сетей для синтеза регуляторов