Введення
При сучасному рівні розвитку техніки, коли навіть побутові прилади оснащуються мікропроцесорними пристроями, все більш актуальним стає розробка нових систем автоматичного управління. p> Але у зв'язку із зростаючою складністю об'єктів управління і з збільшенням вимог до систем управління за останнє десятиліття різко підвищилася необхідність у створенні більш точних, більш надійних систем управлінні, що володіють великими функціональними можливостями. p> Інтелектуальні системи на основі штучних нейронних мереж (ІНС) дозволяють з успіхом вирішувати проблеми ідентифікації та управління, прогнозування, оптимізації. Відомі й інші, більш традиційні підходи до вирішення цих проблем, однак вони не мають необхідною гнучкістю і мають істотні обмеження на середовище функціонування.
Нейронні мережі дозволяють реалізувати будь необхідний для процесу нелінійний алгоритм управління при неповному, неточному описі об'єкта управління (або навіть за відсутності описи), створювати м'яку адаптацію, що забезпечує стійкість системі при нестабільності параметрів.
ІНС можуть застосовуватися для різних завдань: апроксимація функцій, ідентифікація, прогнозування, управління, класифікація образів, категорігізація, оптимізація.
Широке коло завдань, вирішуване НС, не дозволяє в даний час створювати універсальні, потужні мережі, змушуючи розробляти спеціалізовані НС, що функціонують за різних алгоритмах.
У даній роботі розглядається можливість застосування штучної нейромережі регулятора. Проблема синтезу нейромережевих регуляторів розглядається з двох позицій, а саме: прямі методи синтезу і непрямі методи синтезу нейромережевих систем управління. У даному випадку розглядаються прямі методи синтезу нейромережевих регуляторах спільно з наглядачами пристроями.
В
1. Огляд і аналіз нейромереж
Штучні нейронні мережі отримали широке поширення за останні 20 років і дозволили вирішувати складні завдання обробки даних, часто значно перевершуючи точність інших методів статистики і штучного інтелекту, або будучи єдино можливим методом вирішення окремих завдань. Нейронні мережі (НС) успішно застосовуються в самих різних областях - бізнесі, медицині, техніці, геології, фізики. Такий вражаючий успіх визначається кількома причинами: НС - виключно потужний метод моделювання, який дозволяє відтворювати надзвичайно складні залежності; вони нелінійні по своєю природою і крім того, нейронні мережі справляються з проблемою розмірності , яка не дозволяє моделювати лінійні залежності в випадку великої кількості змінних.
1.1 Властивості нейронних мереж
Безсумнівно, що технічні засоби, побудовані на тих же принципах, що і біологічні нейронні мережі, володіють рядом схожих властивостей. До таких властивостей відносяться:
В· масовий паралелізм,
В· розподілене подання інформації та обчислення,
В· здатність до навчанню і здатність до узагальнення,
В· адаптивність,
В· властивість контекстуальної обробки інформації,
В· толерантність до помилок,
В· низьке енергоспоживання.
Можна виділити основні ідеї, що лежать в основі нейронних мереж і нейромоделювання:
п‚· Нейромережа відтворює структуру і властивості нервової системи живих організмів: нейронна мережа складається з великого числа простих обчислювальних елементів (нейронів) і володіє більш складною поведінкою в порівнянні з можливостями кожного окремого нейрона. Нейромережа отримує на вході набір вхідних сигналів і видає відповідний їм відповідь (вихідні сигнали нейромережі), що є рішенням задачі. p> п‚· Штучна нейромережа, як і природна біологічна нейронна мережа, може навчатися вирішенню завдань: нейросеть містить внутрішні адаптивні параметри нейронів і своєї структури, і міняючи їх, може міняти свою поведінку. p> п‚· Місце програмування займає навчання, тренування нейронної мережі: для вирішення завдання не потрібно програмувати алгоритм. p> п‚· Нейронна мережа навчається вирішення завдання на деякій "підручнику" - наборі ситуацій, кожна з яких описує значення вхідних сигналів нейромережі та необхідний для цих вхідних сигналах відповідь. "Підручник" задає набір еталонних ситуацій з відомими рішеннями, а нейронна мережа при навчанні сама знаходить залежності між вхідними сигналами і відповідями. p> Апаратна реалізація ІНС - нейрокомпьютер - має істотні відмінності (як за структурою, так і за класом розв'язуваних завдань) від обчислювальних машин, виконаних у Відповідно до традиційної архітектурою фон Неймана. Порівняльні характеристики нейрокомп'ютерів і традиційних комп'ютерів і традиційних комп'ютерів наведені в таблиці 1.1
Таблиця 1.1 Порівняльні оцінки традиційних ЕОМ і нейрокомп'ютерів. span align=center>
Категорії
порівняння
ЕОМ традиційної
...
