Постановка завдання
. Практична частина
. 1 Розробка та налагодження програми руху мобільного робота
. 2 Розробка нейронної мережі
. 3 Результати роботи
Висновок
Список літератури
Додаток А. Лістинг програми руху мобільного робота
Додаток Б. Експериментальні дані
Додаток В. Лістинг нейронної мережі
нейронний мережу робот регулятор
1. ВСТУП
У даній роботі розглядається двошаровий нейронна мережа прямого поширення з зворотним поширенням помилки, здатна підбирати коефіцієнти ПІД-регулятора, для управління руху робота.
Застосування штучних нейронних мереж для цілей управління є однією з численних областей відносного нового розділу сучасної науки - нейро-інформатики, змістом якої служить розробка та дослідження методів вирішення найрізноманітніших завдань за допомогою штучних нейронних мереж, побудованих на стандартних штучних нейронах.
Штучні нейронні мережі, (Artificial Neural Networks, ANN), -дали ІНС - створені за аналогією з біологічною нейронною мережею людського мозку. Вони складаються з елементів, функціональні можливості яких подібні елементарних функцій біологічних нейронів, і чия організація відповідає анатомії людського мозку.
Штучні нейронні мережі, крім того, що схожі на мозок, володіють рядом характеристик, властивих мозку. Наприклад, вчаться на досвіді, узагальнюють попередні і нові приклади і абстрагують основні характеристики ряду даних.
Особливі характеристики систем нейронного обчислення дозволяють застосовувати нову технологію розрахунків у широкому спектрі додатків. Принцип роботи нейронного обчислення стоїть ближче до сприйняття даних людиною. Штучні нейронні мережі дають раціональні рішення в додатках, де на вхід подається сигнал шуму або неповний сигнал.
ІНС використовуються при вирішенні різних завдань і активно застосовуються там, де звичайні алгоритмічні рішення виявляються неефективними або зовсім неможливими.
ІНС застосовуються в наступних областях: аналіз і обробка сигналів, розпізнавання зображень, управління технологічними процесами, фільтрація шумів, робототехніка, мова обробки, медична діагностика, контекстна реклама в інтернеті, системи відеоспостереження та ін. [1].
2. ЛІТЕРАТУРНИЙ ОГЛЯД
. 1 НЕЙРОННОЯ МЕРЕЖА
У 1943 році американським вченим Уорреном Маккалоком (W. McCulloch) і його учнем Уолтером Питтсом (W. Pitts) була створена перша математична модель нейрона (базового елементу мозку). Також вони сформулювали основні положення теорії діяльності головного мозку.
Ними було зроблено наступне:
розроблена модель нейрона як найпростішого процесорного елемента, що виконував обчислення перехідної функції від скалярного добутку вектора вхідних сигналів і вектора вагових коефіцієнтів;
запропонована конструкція мережі таких елементів для виконання логічних і арифметичних операцій;
зроблено основоположне припущення про те, що така мережа здатна навчатися, розпізнавати образи, узагальнювати отриману інформацію.
За останній час розвиток теорії нейронних мереж пішло далеко вперед, але як і раніше багато тверджень У. Маккаллока залишаються актуальними. Зокрема, при великій різноманітності моделей нейронів принцип їхньої дії, закладений У. Маккаллока і У. Питтсом, залишається незмінним. Недоліком моделі У. Маккаллока є те, що ця модель використовує пороговий вид активационной функції нейрона, який не дає нейронної мережі достатню гнучкість при навчанні та налаштування для вирішення поставленого завдання.
Подальший розвиток теорія нейронних мереж отримало роботах американського нейрофізіолога Френсиса Розенблатта (Rosenblatt F.).
У 1958 році Ф. Розенблат створив власну модель нейронної мережі, шляхом введення в модель У. Маккаллока і У. Питтса здатність зв'язків до модифікації, що зробило її навчатиметься. Ця модель була названа персептроном.
Спочатку персептрон являв собою одношарову структуру з жорсткою пороговою функцією процесорного елемента і бінарними або багатозначними входами, надалі ця модель була значно вдосконалена [2].
Будь-яка нейронна мережа передбачає великий обсяг обчислень (навчання мережі зазвичай є ітераційним процесом). Тому тільки з ростом обчислювальної потужності комп'ютерів з'явилася можливість практичного застосування нейронних мереж, щ...
