53 .Адаптивный пороговый элемент.

Почти одновременно с персептроном Розенблатта появилась модель нейрона с обучением, предложенная в 1960 г. Бенджамином Уидроу (США) и названная им адаптивным линейным нейроном - Адалине (ADAptive Linear NEuron). Адалине моделировал функции обычного нейрона: адаптивные веса соответствовали синапсам, компоненты входного вектора - входам дендритов, а логический выход - выходам аксонов (рис). Так же, как и персептрон Розенблатта, Адалине был предназначен для решения задач распознавания образов и мог обучаться в процессе решения. К его преимуществам следует отнести наглядность и простоту реализации. Допустим, что , а входыи на выходе принимают значения +1 или -1. Тогда в момент достижения непрерывной величинойпорогового значения (=0) имеем:

где определяет порог возбуждения нейрона. Отсюда уравнение граничной прямой (разделяющей линии на рис. 30.6.) принимает вид:

Здесь коэффициент определяет наклон разделяющей линии, а величина- точку пересечения этой прямой с осью.

Обучение Адалине осуществляется, таким образом, с помощью следующего алгоритма.

Шаг 1. Рандомизируются все веса нейрона (- в малые величины).

Шаг 2. На вход нейрона подается входной обучающий вектор и вычисляется в соответствии с ним сигнал:

Шаг 3. Вычисляется значение бинарного сигнала :

;

Шаг 4. Вычисляется ошибка путем вычитания сигналаиз требуемого значения выхода

Шаг 5. Коррекция весовых коэффициентов с учетом скорости обученияи величины ошибки:

.

Шаг 6. Повторяются шаги со второго по пятый до тех пор, пока ошибка не станет достаточно малой.

Алгоритм процесса обучения Адалине схож с алгоритмом обучения персептрона Розенблатта, но и тот и другой не реализуют линейно неразделимые логические функции, в частности, функцию «Исключающего ИЛИ». Эту проблему в начале 60-х годов удалось решить научному сотруднику Стэнфордского Университета (США) У. Риджвэю, который предложил подход к реализации сложных логических функций на основе композиции 2-х адаптивных пороговых элементов - Мадалине (Multi Adaline). В качестве алгоритма адаптации весовых коэффициентов Мадалине также может использоваться дельта-правило (см. формулу (30.5)). Заслуга Мадалине оказалась в том, что она была первой моделью многослойной НС., на базе которой стало, возможным решение проблемы реализации функции «Исключающего ИЛИ».

55. Общие принципы построения интеллектуальных сау с использованием нейронных сетей.

Как уже отмечалось, НС начинают играть все более важную и заметную роль при создании систем автоматического управления (САУ) сложными техническими объектами и контроля за ними. К таким объектам относятся современные летательные аппараты, силовые и энергетические установки, роботы-манипуляторы и др. Для них характерны отсутствие точных математических моделей либо их чрезмерная сложность, высокая размерность пространства состояний и принимаемых решений по управлению, иерархичность, многообразие критериев качества, высокий уровень шумов и внешних возмущений.

Известный специалист в области теории управления профессор Йельского университета (США) К.С. Нарендра предлагает условно разделить трудности, возникающие при построении САУ данными объектами, на три основные категории.

1. вычислительные сложности;

2. наличие нелинейностей;

3. неопределенность.

Включение НС в систему управления позволяет придать ей принципиально новые свойства: система приобретает способность понимать, рассуждать, изучать процессы, возмущения и условия функционирования, накапливая полученные ею знания и целенаправленно используя их для улучшения своих качественных характеристик. Согласно установившейся в последние годы терминологии, такую систему называют интеллектуальной системой управления (intelligent control system) . Поскольку механизм обучения и функционирования интеллектуальной системы управления с НС предполагает работу со знаниями, то подобные системы часто называют системами, основанными на знаниях (knowledge – based system). Существуют различные способы применения НС в интеллектуальных системах управления. Так, нейронная сеть может использоваться для получения нелинейной математической модели объекта (процесса) управления по входным/выходным данным, т.е. для решения задачи идентификации. Другой вариант использования НС– получение инверсной (обратной) математической модели объекта управления. Возможно непосредственное включение НС в качестве регулятора в замкнутый контур управления объектом (рис. 31.3). При этом на вход нейронной сети подается сигнал ошибки управления , выход сетиодновременно является входом объекта, а цель обучения НС– уменьшить величину рассогласования между выходами объекта и эталонной модели системы. Таким способом достигается желаемая динамика САУ, причем в силу нелинейной природы НС возникает возможность высококачественного управления реальным объектом в широком диапазоне изменения режимов его работы и условий эксплуатации