які повинна виконати нейронна мережа.
Установки мережі коригуються з урахуванням навчального вектора і сигналу помилки. Сигнал помилки - це різниця між бажаним сигналом і поточним відгуком нейронної мережі. Коригування параметрів виконується покроково з метою імітації нейронною мережею поведінки вчителя. Ця емуляція в деякому статистичному сенсі повинна бути оптимальною. Таким чином, в процесі навчання знання вчителя передаються в мережу в максимально повному обсязі. Після закінчення навчання вчителя можна відключити і дозволити нейронної мережі працювати з середовищем самостійно [4].
. 7 ПРАВИЛО КОРЕКЦІЇ ПО ПОМИЛКУ
Розенблатт в 1957 році розробив модель навчання, яка використовувала алгоритм навчання з учителем. Згодом ця модель стала основою для більш складних алгоритмів навчання.
Алгоритм корекції по помилки полягає в наступному: мається вхідний приклад, для нього задається бажаний вихід і якщо поточний вихід нейронної мережі не відповідає бажаному, то вагові параметри коригуються. Це робиться до тих пір, поки реакція не стане правильною. Різниця корекції обчислюється за формулою (бажаний-поточний вихід).
Принцип полягає в поступовому зменшенні помилки.
.8 КОМПЛЕКТ LEGO Mindstorms NXTMindstorms - це конструктор для створення програмованого робота. Вперше представлений компанією LEGO в 1998 році. Через 8 років (2006) у світ вийшла модель LEGO Mindstorms NXT, а в 2009 - LEGO Mindstorms NXT 2.0.
Набори LEGO Mindstorms комплектуються набором стандартних деталей LEGO (балки, осі, колеса, шестірні) і набором, що складається з сенсорів, двигунів і програмованого блоку.
Для програмування робота Mindstorms можна використовувати середу візуального програмування NXT-G, створену компанією National Instrumensts (творець LabView). Крім цього, незалежними розробниками створені десятки засобів і мов для програмування робота. Одним з найбільш популярних таких засобів є мова NXC.
Для написання програм використовується мова NXC - це мова програмування. Для написання програм існує середу програмування Bricx Command Center (BricxCC). З допомогою не? можна писати програми, завантажувати їх на робота, запускати і зупиняти їх і багато іншого. BricxCC працює здебільшого як текстовий редактор, але з деякими додатковими можливостями [6].
2.9 нейронна мережа В ПІД - регулятор
Пропорционально-интегрально-дифференциальный (ПІД) регулятор використовується в системах автоматичного управління для формування керуючого сигналу з метою отримання необхідних точності і якості перехідного процесу. ПІД - регулятор формує керуючий сигнал, який є сумою трьох доданків, перше з яких пропорційно різниці вхідного сигналу і сигналу зворотного зв'язку (сигнал неузгодженості), друге - інтеграл сигналу неузгодженості, третє - похідна сигналу неузгодженості. Якщо якісь із складових не використовуються, то регулятор називають пропорційно-інтегральним, пропорційно-диференціальним, пропорційним і т. П. [6].
Нейронні мережі використовуються в ПІД - регуляторах двома шляхами: для побудови самого регулятора і для побудови блоку настройки його коефіцієнтів. Особливістю нейронної мережі є здатність до «навчання», що дозволяє передати нейронної мережі досвід експерта. Регулятор з нейронною мережею схожий на регулятор з табличним керуванням, однак відрізняється спеціальними методами настройки (навчання), розробленими для нейронних мереж, і методами інтерполяції даних. На відміну від нечіткого регулятора, де експерт повинен сформулювати правила настроювання в лінгвістичних змінних, при використанні нейронної мережі від експерта не вимагається формулювання правил - достатньо, щоб він кілька разів сам настроїв регулятор в процесі" навчання" нейронної мережі.
Типова структура системи автоматичного регулювання з ПІД - регулятором і нейронною мережею в якості блоку авто настройки показана на малюнку 2.8. Нейронна мережа NN в даній структурі відіграє роль функціонального перетворювача, який для кожного набору сигналів r, e, u, y виробляє коефіцієнти ПІД - регулятора K, Ti, Td.
Найскладнішою частиною в проектуванні регуляторів з нейронною мережею є процедура «навчання» мережі. «Навчання» полягає в ідентифікації невідомих параметрів нейронів wi, b і a. Для «навчання» нейронної мережі зазвичай використовують методи градієнтного пошуку мінімуму критеріальною функції? =(U * - u) 2, залежною від параметрів нейронів [7].
Малюнок 2.8 Структура ПІД - регулятора з блоком авто налаштування на основі нейронної мережі NN [7]
Процес пошуку є ітераційним, на кожній ітерації знаходять всі коефіцієнти мережі, спочатку для вихідного шару нейронів, потім попереднього і так до першого шару (метод ...
