Управление в искусственных нейронных сетях

УПРАВЛЕНИЕ В ИСКУССТВЕННЫХ  НЕЙРОННЫХ СЕТЯХ 

                     СЕГОДНЯ МЫ РАССМОТРИМ

 

1)ЧТО ТАКОЕ ИНС?

2)ИСТОРИЯ ИНС...

3)СРАВНЕНИЕ ИНС С МОЗГОМ  ЧЕЛОВЕКА.

4)УПРАВЛЕНИЕ В ИНС.

5)ГДЕ ПРИМЕНЯЕТСЯ ИНС.

ОПРЕДЕЛЕНИЕ ИНС................................................................

 

Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или  аппаратные реализации, построенные  по принципу организации и функционирования биологических нейронных сетей  — сетей нервных клеток живого организма.

 

                                          ИСТОРИЯ

Мозг и цифровой компьютер  выполняют совершенно разные задачи и имеют различные свойства.

 

Микросхемы компьютера способны выполнить отдельную команду  меньше чем за наносекунду, тогда  как нейроны действуют в миллионы раз медленнее.

 

В типичном мозгу человека имеется в 1000 раз больше нейронов, чем логических элементов в процессоре типичного компьютера высокого класса.

       КАК ЛЮБОЙ МОЗГ, ИНС ТОЖЕ УЧИТСЯ

 

 

 

                             НЕЙРОУПРАВЛЕНИЕ

 

 Нейронные сети обладают рядом уникальных свойств, которые делают их мощным инструментом для создания систем управления: способностью к обучению на примерах и обобщению данных, способностью адаптироваться к изменению свойств объекта управления и внешней среды, пригодностью для синтеза нелинейных регуляторов, высокой устойчивость к повреждениям своих элементов в силу изначально заложенного в нейросетевую архитектуру параллелизма.

 

…..........................................................................................................................................................................

 

 

                               

 

Подражающее нейроуправление(Neurocontrol learning based on mimic, Controller Modeling, Supervised Learning Using an Existing Controller) охватывает системы нейроуправления, в которых нейроконтроллер обучается  на примерах динамики обычного контроллера  по обратной связи, построенного, например, на основе обычной ПИД-схемы управления. После обучения нейронная сеть в  точности воспроизводит функции  исходного контроллера.

 

                                                                                                                                                                                                                                                                    

 

                          

 

         

 

Подражающее нейроуправление

 
Обобщенное инверсное нейроуправление

 

В схеме обобщенного инверсного нейроуправления (Generalized Inverse Neurocontrol, Direct Inverse Neurocontrol, Adaptive Inverse Control) в качестве контроллера используется нейронная  модель инверсной динамики объекта  управления, называемая инверсный нейроэмулятор. Инверсный нейроэмулятор представляет собой нейронную сеть, обученную  в режиме офф-лайн имитировать обратную динамику объекта управления на основе записанных траекторий поведения динамического  объекта. Для получения таких  траекторий, на объект управления в  качестве управляющего сигнала подают некоторый случайный процесс. Значения управляющих сигналов и ответных реакций объекта протоколируют  и на этой основе формируют обучающую  выборку

Метод обратного пропуска ошибки через прямой нейроэмулятор

 

Метод обратного пропуска ошибки через прямой нейроэмулятор (Backpropagation Through Time, Model Reference Adaptive Control, Internal Model Control) основан на идее применения тандема из двух нейронных сетей, одна из которых выполняет функцию  контроллера, а вторая — модели объекта  управления, которая носит название прямой нейроэмулятор. Прямой нейроэмулятор  служит для вычисления градиента  ошибки нейроконтроллера в процессе его обучения и далее не используется. Можно сказать, что нейроконтроллер  и нейроэмулятор представляют собой  единую нейросеть, при этом, при обучении нейроконтроллера веса прямого нейроэмулятора «замораживаются». Прямой нейроэмулятор  обучается первым. Для этого, на вход объекта управления подается случайный  управляющий сигнал , изменяющий положение  объекта управления , и формируется  обучающая выборка 

Метод нейроуправления с  эталонной моделью

 

Метод нейроуправления с  эталонной моделью (Model Reference Adaptive Control, Neural Adaptive Control)— вариант нейроуправления  по методу обратного пропуска ошибки через прямой нейроэмулятор, с дополнительно  внедренной в схему эталонной  моделью (Reference Model) динамической системы, имитировать поведение которой  обучается нейроконтроллер. Это  делается в целях повышения качества переходного процесса: в случае, когда переход объекта в целевое  положение за один такт невозможен, траектория движения и время осуществления  переходного процесса становятся плохо  прогнозируемыми величинами и могут  привести к неустойчивости переходного  процесса. Для уменьшения этой неопределенности, вводится эталонная модель, представляющая собой, как правило, устойчивую линейную динамическую систему первого или  второго порядка. В ходе обучения, эталонная модель на такте  получает на вход установку  и генерирует опорную траекторию , которая сравнивается с положением объекта управления  с целью получить ошибку управления , минимизировать которую обучается  нейроконтроллер.

Метод нейросетевой фильтрации внешних возмущений

 

Метод нейросетевой фильтрации внешних возмущений (Adaptive Inverse Control based on Linear and Nonlinear Adaptive Filtering, Internal Model Control) служит для улучшения качества работы контроллера в цепи управления. Изначально, эта схема была предложена Б. Уидроу для использования совместно  с нейроконтроллерами, обученными по методу обобщенного инверсного нейроуправления[26]. В более поздней работе им были применены нейроконтроллеры, обученные  по методу обратного распространения  ошибки через прямой нейроэмулятор. В принципе, нейросетевую фильтрацию ошибок можно использовать для повышения  качества работы контроллера любого типа, не обязательно нейросетевого. В этой схеме используется две  предварительно обученных нейронных  сети: инверсный нейроэмулятор, обученный  так же, как это делается в методе обобщенного инверсного нейроуправления  и прямой нейроэмулятор, обученный  так же, как это делается в методе обратного распространения ошибки через прямой нейроэмулятор.

Прогнозирующее модельное  нейроуправление

 

Здесь  — ошибка выхода системы,  — вклад изменения  управляющего сигнала в общий  функционал стоимости . Для прогнозирования  будущего поведения системы и  вычисления ошибок используется прямой нейроэмулятор, обученный так же, как в методе обратного распространения  ошибки через прямой нейроэмулятор. Примечательность рассматриваемого метода состоит в том, что в нем  отсутствует обучаемый нейроконтроллер. Его место занимает оптимизационный  модуль, работающий в режиме реального  времени, в котором может быть использован, например, cимплекс-метод  или квази-Ньютоновский алгоритм.

Методы нейроуправления  на основе адаптивной критики

 

В режиме управления объектом, на вход нейроконтроллера поступает  вектор , вызывающий появление на его  выходе сигнала управления , в результате чего объект управления переходит в  положение . Далее производится вычисление значения текущей ошибки управления . Модуль критики, получая на входе  вектор , производит оценку функции  стоимости . На следующем такте процесс  повторяется: вычисляются новые  значения  и . Обучение системы нейроуправления  происходит в режиме он-лайн и состоит  из двух этапов: обучения модуля критики  и обучения нейроконтроллера. Сначала, рассчитывается ошибка временной разности . Затем по методу наискорейшего  спуска выполняется коррекция веса связей для модуля критики .

Гибридное параллельное нейроуправление

 

Методы гибридного параллельного  нейроуправления (Parallel Neurocontrol, Stable Direct Adaptive Control, Additive Feedforward Control) предусматривают  параллельное использование нейроконтроллеров  и обычных контроллеров для управления динамическими объектами. При этом нейроконтроллер и обычный контроллер, в роли которого выступает, например, ПИД-контроллер, получают одинаковые значения уставки. Возможны следующие варианты совместного подключения обычного контроллера и нейроконтроллера:

к объекту управления подключается обычный контроллер, после чего нейроконтроллер  обучается управлять уже замкнутой  обычным контроллером системой. После  обучения нейроконтроллера, он подключается к системе, а управляющие сигналы  обоих контроллеров суммируются;

нейроконтроллер учится управлять  объектом управления, после обучения начинает функционировать в штатном  режиме. Далее, для управления замкнутой  нейроконтроллером системой настраивается  обычный контроллер. После настройки  обычного контроллера, он подключается к системе, управляющий сигнал обоих  контроллеров суммируется;

области действия обычного контроллера  и нейроконтроллера разграничиваются. Например, в пространстве состояний  объекта управления для нейроконтроллера выделяется отдельная область 

Гибридное нейро-ПИД управление

 

Гибридное нейро-ПИД управление (NNPID Auto-tuning, Neuromorphic PID Self-tuning) позволяет  осуществлять самонастройку ПИД-регулятора в режиме он-лайн путем использованием нейронных сетей.

                                     применение

 
              

 

КОНЕЦ