Без рубрики

Нейросетевые модели технологических процессов (достоинства и недостатки)

Нейросетевые модели по сути дела предназначены для формализации опыта эксплуатации и создания эмпирической модели управления (в голове технического персонала) по управлению технологическим процессом.

Функциональная модель нейрона

схема

В данной структуре входные сигналы Z0…Zi подаются на синоптические блоки Wki, реализующие функцию синапса. Каждый из этих блоков характеризуется весовым коэффициентом (синоптическим весом) положительные значения весов Wk способствует возбудительным сигналам, отрицательные тормозными сигналами. Все сигналы с синапса Wk суммируются в сумматоре и на входе сумматора получаются взвешенные входные сигналы, чтобы на выходе сформировать выходной сигнал Sk, который равен сумме двух сигналов:

формула

Выход Yu называют выходом линейного сумматора, bk0 сдвиг сигнала во времени. Выходная величина с выхода линейного сумматора подается на вход функции активации. На выходе функции активации формируется сигнал k-го нейрона.

график

Функция активации предназначена для осуществления процедуры нелинейного преобразования результирующего сигнала линейного сумматора. В качестве функции активации может использоваться набор различных функций, наиболее часто встречается функция гиперболического тангенса

формула

Суть функции активации заключается в масштабировании выходного сигнала Sk. Суть масштабирования — усиление малых сигналов приращения суммы и ослабление больших величин сигнала. Обязательным условием использования функции активации является наличие непрерывной производной на всем интервале существования этой функции.

Архитектура ИНС

Общего принципа формирования структуры ИНС не существует, поэтому формально нейронные сети могут объединяться различными способами, но на практике нашли применение только некоторые типы архитектуры ИНС. Причина в том, что архитектура ИНС непосредственно связана с методом обучения. В инженерной практике наиболее часто используется 4 разновидности архитектуры:

Однослойные прямонаправленные ИНС

Слойной называется ИНС, состоящая из группы нейронов, объединенных в сложные структуры. Считается, что сеть состоит из k слоев, если в каждом k-ом слое происходит преобразование информации. Слой нейронов, в котором не производится преобразование информации, обычно не учитывается.

Если информационные сигналы в ИНС распространяются толь-ко от начала к выходу, то такая сеть называется прямолинейной или прямонаправленной.

схема

Каждый нейрон входного слоя связан с каждым нейроном выходного слоя. Входной слой нейрона называется сенсорным. Выходной слой является результативным. Представленная структура включает в себя входной слой и выходной слой нейронов. В данном случае нейроны сенсорного слоя обеспечивают только трансляцию входных информационных сигналов Хi. Все преобразование информации осуществляется в выходном слое и поэтому данная структура может быть названа однослойной.

Многослойные прямонаправленные ИНС (персептроны)

Наличие нейронов в скрытых слоях в архитектуре сети обеспечивает возможность осуществления нелинейных преобразований по каналу вход-выход любой сложности. Эти способности особенно эффективно проявляются при большом количестве входных сигналов. Как правило, в многослойной ИНС нейроны входного слоя просто ретранслируют (повторяют) входные сигналы с умножением на масштабируемые постоянные коэффициенты и передают их на первый скрытый слой ИНС. В скрытых слоях происходит нелинейное преобразование информации с целью достижения требуемого результата. Сигналы с последнего скрытого слоя поступают на нейроны выходного результативного слоя и формируют реакцию сети на текущее входное воздействия Xi.

Рекуррентная искусственная нейронная сеть

Рекуррентный тип ИНС отличается наличием ОС и элементов временной задержки информационных сигналов. Временная задержка информационных сигналов осуществляется с целью контроля скорости изменения входного параметра, поскольку управление с учетом скорости изменения более эффективно, чем управление по параметру. Она становится более оперативной для решения поставленных задач.

Полностью связанные сети

Характерным признаком является наличие связи между всеми нейронами, входящими в сеть. Наиболее известным типом полностью связанных ИНС является сеть Хопфильда. В сетях данного типа каждый нейрон имеет двухстороннюю связь со всеми нейронами. Сеть Хопфильда имеет симметричную кольцевую структуру, в которой нельзя четко выделить скрытый слой нейронов и установить единые направления распространения информационных сигналов.
Достоинства:

  • ИНС — универсальные средства для создания адекватных математических моделей исследуемого технологического процесса.
  • Уникальным, ценным свойством ИНС является возможность автоматической непрерывной коррекции параметров модели в процессе хода технологического процесса. То есть благодаря непрерывной процедуре обучения ИНС всегда оказывается адаптированной к реальным условиям.

Недостатки:

  • Изначально НС модель не обладает даже минимальными знаниями об управляемом объекте, и эти знания приобретаются системой в процессе обучения, на которое требуется определенный интервал времени и этим ИНС отличаются от детерминированных моделей, которые представляются в виде дифференциальных уравнений, определяющих динамику уравнения. Они отличаются и от классической теории стохастического (вероятностного) управления, которое в основе своей имеют плотности вероятности появления событий.
  • При использовании нейро-управления основной проблемой является решение задачи идентификации объекта управления и создание (синтез) системы управления с учетом реальных технических средств и структуры управления для различных существенно нелинейных объектов управления.

Все рубрики