Нейрокомпьютерные системы

В настоящее время достаточно хорошо разработан и широко используется целый  ряд других возможных архитектур построения нейросетевых СУ. Во всех из них, назначением нейросетевого контроллера является выработка адекватного управляющего сигнала для управления динамикой состояний объекта управления от начального состояния до желаемого итогового состояния. Причем смена состояний должна происходить по оптимальной траектории. Организация контроля за состоянием объекта управления и реализация нейросетевого контроллера в значительной степени зависят от выбранного алгоритма обучения и используемой структуры управления. Наиболее широко используемыми являются схема прямого (непосредственного) управления и схема косвенного управления. При этом чаще всего в качестве алгоритма обучения используется алгоритм обратного распространения ошибки¹⁵.

В схеме косвенного управления параметры объекта управления определяются в каждый момент времени  и затем используются для оценки параметров контроллера (рис.25). Таким  образом, имеет место явно выраженный процесс идентификации.

 

Рис.25 Схема  косвенного управления

 

Недостатком такой схемы является то, что идентификация  и управление основываются исключительно  на ошибке е_и, и, следовательно, минимизацию ошибки на выходе системы е_у гарантировать нельзя.

В схеме прямого  управления параметры нейросетевого контроллера регулируются таким образом, чтобы уменьшить непосредственно ошибку выхода е_у (рис.26).

 

Рис.26 Схема  прямого управления

 

В качестве целевой функции, которая должна быть минимизирована контроллером используется среднеквадратическая ошибка на выходе объекта управления:

 

 

 

Вопросы устойчивости и управляемости таких СУ подробно рассматриваются в работах.

Одной из областей теоретических исследований, рассматривающих  проблемы использования НС в системах управления, является сравнение таких  методов управления с другими  известными типами СУ, выявление присущих нейросетевым методам особенностей и их анализ. Хотя каждый из рассмотренных методов имеет как хорошие, так и плохие характеристики следует заметить, что метод нейросетевого управления имеет такие полезные свойства, которые плохо реализуются в двух других методах.

Основные  результаты, полученные при сравнении, приведены в табл.1.

В методе с  использованием НС отсутствуют ограничения  на линейность системы, он эффективен в условиях шумов и после окончания  обучения обеспечивает управление в  реальном масштабе времени. Нейросетевые СУ более гибко настраиваются на реальные условия, образуя модели полностью адекватные поставленной задаче, не содержащие ограничений, связанных с построением формальных систем. Кроме того, нейросетевые СУ не только реализуют стандартные адаптивные методы управления, но и предлагают свои алгоритмические подходы к ряду задач, решение которых вызывает затруднение вследствие неформализованное.

 

Таблица 1 Обзор  характеристик методов управления

Критерий	Управление с обратной связью и  регулируемыми коэффициентами	Адаптивное управление с эталонной  моделью Ляпунова	Нейросетевое управление
Устойчивость обратной связи	Наихудшая	Наилучшая	Средняя
Скорость сходимости	Наилучшая	Средняя	Наихудшая
Работа в реальном времени	Средняя	Средняя	Наилучшая
Сложность программы управления	Наихудшая	Средняя	Средняя
Ошибка слежения	Средняя	Наилучшая	Средняя
Подавление помех	Наилучшая	Наихудшая	Средняя
Робастность Рассогласования модели	Наихудшая	Средняя	Наилучшая

 

Так, появляется возможность обработки в рамках одной модели данных одной природы - для НС важна лишь их коррелированность.

Таким образом, будущее интеллектуального управления лежит в сочетании традиционного  управления с потенциальными возможностями  и перспективами использования  систем, основанных на использовании  искусственных НС.

Нейросетевые системы управления относятся к классу нелинейных динамических систем. В составе таких систем искусственная нейронная сеть может выполнять различные функции: диагностику технологического оборудования, управления подвижными объектами в и технологическими процессами, прогнозирование ситуаций, оценку состояния и мониторинг технологических процессов и многое другое. В более узком смысле понятие "нейросетевые системы управления" можно ограничить нижеописанной областью функций.

Это, во-первых, функция адаптивного регулятора нелинейного многосвязного объекта. Здесь возможны два варианта функционирования нейросети. В первом - нейросеть обучается и одновременно формирует управляющее воздействие на входе исполнительного устройства системы управления. Цель обучения сети и цель управления объектом совпадают, что отражается в задании единой целевой функции системы. Сеть обучается в реальном времени, в темпе протекания процессов в системе (режим on-line). Во втором варианте работа сети состоит из двух этапов:

1) предварительного этапа обучения сети заданной оптимальной функции управления

2) этапа воспроизведения аппроксимации этой функции в режиме управления объектом при тех же условиях или близких к ним. Целевые функционалы обучения сети и управления объектом могут отличаться друг от друга. Такой вариант применения нейронной сети для управления - так называемое супервизорное управление - нашел преимущественное распространение до настоящего времени, хотя процесс синтеза нейросетевого контроллера и настройка его параметров в этом случае протекает не в реальном времени (режим off-line) ¹⁶.

Выбор конкретного подхода к  обучению сети (on-line или off-line) зависит от специфики задачи и, более того, определяет конкретный вид алгоритма обучения сети (беспоисковые/поисковые схемы, глобальная/локальная оптимизация и т.д.). Так, например, в отраслях промышленности, где накоплены огромные массивы данных о поведении исследуемого технического объекта (например, в автомобильной промышленности при проектировании системы управления новым типом двигателя) более разумным представляется использование off-line техники обучения с применением генетических алгоритмов, алгоритмов с элементами случайного поиска или "статистического" обучения. С другой стороны, для объектов, технические характеристики которых меняются в процессе эксплуатации, наиболее предпочтительным становится применение on-line алгоритмов настройки сети.

Во-вторых, нейронные сети находят применение как идентификаторы для оценивания вектора состояния нелинейных систем и как расширенные фильтры Калмана.

В-третьих, отметим известное применение нейронной сети в качестве оптимизаторов для настройки параметров регуляторов с типовыми законами регулирования и для настройки параметров алгоритмов адаптации, реализуемых на основе известных методов теории адаптивных систем.

Существуют три основных типа искусственных нейросетей:

1) обучаемые многослойные нейронные  сети прямого распространения  (многослойные перцептроны;

2) рекуррентные сети Хопфилда;

3) сети ("самоорганизующиеся карты") Кохонена.

Наибольшее распространение для  целей управления по ряду причин нашли  многослойные нелинейные нейронные  сети (МНС), меньшее - сети Хопфилда и еще меньшее - сети Кохонена; в частности, "самоорганизующаяся карта" Кохонена образует первый слой применяемых в системах управления сетей с "радиальными базисными функциями" активации (RBF-сети от англ. Radial Basis Function).

Применение обучаемых многослойных нейросетей в системах управления началось по - настоящему в конце 80-х годов, главным образом в США, для управления движением подвижными роботами по аналитически заданным траекториям. Это направление использования нейросетей в системах управления остается по прежнему актуальным, только теперь решение задачи распространилось и на случай не заданных заранее траекторий движения. В это же время начались исследования по применению многослойных сетей как идентификаторов состояния нелинейных объектов, и это направление также получило впоследствии развитие. Многослойная нейронная сеть может выполнять функцию оптимизатора настроек параметров промышленного ПИД - регулятора¹⁷.

Но лишь в последние годы появились  первые результаты по использованию  нейросетей для управления динамическими объектами. Эти проблемы касаются:

• синтеза структур нейросетевых систем управления;
• ограничений на скорость настройки параметров сети;
• модификации алгоритмов настройки, обеспечивающих малые траекторные ошибки при ограничениях на значения весовых коэффициентов синаптических связей нейронов;
• модификации управления, гарантирующего грубость в условиях неконтролируемых возмущений.

Подходы к решению перечисленных  проблем, безусловно, так или иначе, отражены в литературе по применению нейросетей в задачах управления. Еще в 1992 г, была разработана процедура синтеза системы управления нелинейными объектами с применением RBF-сети и достаточно подробно рассмотрены вопросы синтеза ее архитектуры и алгоритма настройки. Проблемы же, связанные с качеством процессов и нечувствительностью системы к неизмеряемым возмущениям, не были решены. В ряде других работ и в более позднее время были предложены методы синтеза нейросетевых систем управления сложными техническими объектами, в частности, для решения задач синтеза нейросетевых автопилотов и систем управления угловым движением ракеты. Необходимо отметить, что методы, описанные в этих работах, были протестированы на действующих моделях в реальных условиях (т.е. при наличии помех в каналах измерения, неточности математических моделей и т.д.).

Примечательно, что большинство  работ по искусственным нейронным  сетям и их применению опубликовано в зарубежных изданиях научной литературы. российская же библиография в этом направлении довольно скудна, а в приложениях к управлению динамическими объектами практически отсутствует.

Главной проблемой как алгоритмического, так и структурного синтеза нейросетевых систем управления является обоснованный выбор содержательной информации, необходимой для обучения многослойных нейронных сетей для формирования ею оптимального закона управления и установления условий существования решения задачи управления для класса нелинейных объектов и требуемых целей управления. Алгоритмический синтез включает в себя решение задачи выбора алгоритма обучения нейросети в реальном времени и анализа условий достижимости целей управления с их помощью, что существенно с практической точки зрения.

В узком смысле понятие "нелинейный объект со сложной динамикой" можно  дать, опираясь на следующие признаки:

• многомерность и многосвязность объектов и систем;
• нелинейность, нестационарность и априорная неопределенность динамики объекта управления (существование так называемой "немоделируемой динамики");
• возмущаемая среда функционирования системы управления.

Даже при этом ограниченном перечне  исходных реальных условий работы системы  управления очевидны те аналитические  проблемы, с которыми приходится иметь  дело при проектировании и расчете  регулятора такой системы. Применение нейросетевой технологии управления позволяет в значительной мере снять математические проблемы аналитического синтеза и анализа свойств проектируемой системы. Это объясняется тем, что достигаемые свойства и качество процессов управления в нейросетевых системах в большей степени зависят от фундаментальных свойств многослойных нелинейных нейросетей, а не от аналитически рассчитанных оптимальных законов, обычно реализуемых в виде компьютерной программы. Настраиваемые многослойные нейросети обладают рядом достоинств, оправдывающих их применение в задачах управления нелинейными динамическими объектами.

2.2 Теория нейронных  сетей

 

В области теории нейронных сетей  российская научная школа, которая  развивается уже в течение 30 лет, имеет определенный приоритет по сравнению с зарубежными исследованиями. Теория нейронных сетей - алгоритмический  базис нейрокомпьютеров, подобно  тому, как булева алгебра служила  основой логики однопроцессорных и  многопроцессорных компьютеров.

Общая методика синтеза многослойных нейронных сетей была разработана  сотрудниками Научного центра нейрокомпьютеров еще в конце 60-х годов и постоянно  развивалась в течение 30 лет. В  результате в России сформировалось направление в области теории нейронных сетей, которое по ряду параметров превосходит уровень  зарубежных работ. Например были разработаны методы адаптивной настройки нейронных сетей с произвольным видом нейрона и произвольным числом слоев; с различными видами связей между слоями; с различными видами критериев оптимизации; с различными ограничениями на весовые коэффициенты нейронных сетей.

Реализованные в известных зарубежных нейропакетах нейросетевые парадигмы имеют по крайней мере два серьезных недостатка:

1) они реализуют нейросетевой алгоритм, не адекватный выбранной задаче;

2) достигают локального эффекта  на первом этапе использования  без возможности улучшения для  повышения качества решения задачи.