Министерство  образования и науки Российской Федерации

Государственное образовательное учреждение высшего  профессионального образования

Пермский  государственный технический университет 

Факультет электротехнический

Кафедра микропроцессорных  средств автоматизации 
 
 
 

    Реферат по предмету «Автоматизированное управление ЖЦП»

    Тема: Нейронные сети и их применение для задач управления. 
 
 
 

                                            Выполнил: студент гр. АУЦ-06

                                            Кашапов М.Р.

                                            Проверил: ассистент  каф. МСА

                                            Елтышев Д.К. 
 
 
 
 
 

     Пермь, 2010 г.

 

     Оглавление

 

     Введение

    Уже сегодня искусственные нейронные  сети используются во многих областях, но прежде чем их можно будет применять  там, где на карту поставлены человеческие жизни или значительные материальные ресурсы, должны быть решены важные вопросы, касающиеся надежности их работы. Поэтому уровень допустимых ошибок следует определять исходя из природы самой задачи. Некоторые проблемы с анализом вопросов надежности возникают из-за допущения полной безошибочности компьютеров, тогда как искусственные нейронные сети могут быть неточны даже при их правильном функционировании. На самом же деле компьютеры, как и люди, тоже могут ошибаться. Первые – в силу различных технических проблем или ошибок в программах, вторые – из-за невнимательности, усталости или непрофессионализма. Следовательно, для особо критических задач необходимо, чтобы эти системы дублировали и страховали друг друга. А это значит, при решении таких задач нейронные сети должны выступать не в качестве единственных средств, а в качестве дополнительных, предупреждающих особые ситуации или берущих на себя управление, когда проблема не решается стандартным образом и какие-либо задержки могут привести к катастрофе.

    Другая  трудность использования нейронных  сетей состоит в том, что традиционные нейронные сети неспособны объяснить, каким образом они решают задачу. Внутреннее представление результатов  обучения зачастую настолько сложно, что его невозможно проанализировать, за исключением некоторых простейших случаев, обычно не представляющих интереса.

    В последнее время предпринимаются  активные попытки объединения искусственных  нейронных сетей и экспертных систем. В такой системе искусственная нейронная сеть может реагировать на большинство относительно простых случаев, а все остальные передаются для рассмотрения экспертной системе. В результате сложные случаи принимаются на более высоком уровне, при этом, возможно, со сбором дополнительных данных или даже с привлечением экспертов [2].

    Что такое нейронная  сеть

    В последнее время все чаще стали  говорить о нейронных сетях. Развиваются  целые сегменты математики, изучающие  нейронные сети, а на основе созданных  моделей строятся различные автоматические системы анализа и распознавания информации. Остановимся кратко на тех принципах, которые заложены в автоматических нейронных сетях.

    Нервная система и мозг человека состоят  из нейронов, соединенных между собой  нервными волокнами. Нервные волокна  способны передавать электрические импульсы между нейронами. Все процессы передачи раздражений от нашей кожи, ушей и глаз к мозгу, процессы мышления и управления действиями - все это реализовано в живом организме как передача электрических импульсов между нейронами. Рассмотрим строение биологического нейрона. Каждый нейрон имеет отростки нервных волокон двух типов: дендриты, посредством которых принимаются импульсы, и аксон (он единственный), по которому нейрон может передавать импульс. Аксон контактирует с дендритами других нейронов через специальные образования - синапсы, которые влияют на силу импульса. Можно считать, что при прохождении синапса сила импульса меняется определенное число раз, которое называют весом синапса. Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются. Если суммарный импульс превышает некоторый порог, нейрон возбуждается, формирует собственный импульс и передает его далее по аксону. Важно отметить, что веса синапсов могут изменяться со временем, а значит, меняется и поведение соответствующего нейрона.

    Таким образом, создание автоматических систем на основе нейронной сети заключается  в выборе архитектуры сети и подборе  весов сети. Подбор весов - это "обучение" сети. Получается, что нейронные  сети представляют собой нечто среднее между центральным процессором и человеческим мозгом.

    Краткая история исследования нейронных сетей

    История исследования нейронных сетей помнит взлеты и падения. Первый всплеск  исследовательского энтузиазма приходится на 1940-1960-е гг. Его можно связать с работами Дж. фон Неймана по концептуальному сравнительному анализу работы биологических нейронных сетей и компьютеров и по разработке принципов построения надежных вычислительных систем из ненадежных компонент (фактически формальных нейронов). Сравнительно небольшой прогресс нейрокибернетики (особенно в области практического применения) 1940-1960-х гг. привел к тому, что период энтузиазма сменился периодом спада активности исследований искусственных нейронных сетей. Многие исследователи ушли в те области, которые показались им более привлекательными. Однако в середине 1980-х гг. снова возник нейросетевой бум. Причиной бума, по-видимому, послужил постоянный интерес человечества к изучению работы нервной системы и ряд новых интересных моделей, разработанных к этому времени. Одной из таких "стимулирующих" моделей стали работы, которые позволили привлечь методы теоретической физики к исследованию нейронных сетей. Во второй половине 1980-х гг. был предложен целый ряд интересных и содержательных моделей нейронных сетей. В моделях строятся нейросети, выполняющие различные алгоритмы обработки информации: ассоциативная память, категоризация, то есть разбиение множества образов на кластеры, состоящие из подобных друг другу, топологически корректное картирование, распознавание зрительных образов, инвариантное относительно деформаций и сдвигов в пространстве решение задач комбинаторной оптимизации. Хотя ряд исследований и был посвящен анализу характеристик нейронных сетей с целью понимания свойств естественных нейронных систем, однако, в отличие от первой волны, подавляющее количество работ относилось к исследованию алгоритмов нейросетей с прагматическими целями, что позволило привлечь дополнительные финансовые ресурсы для их поддержки. Все это привело к тому, что в 1990-х гг. нейросетевые автоматические системы прочно вошли в инженерный обиход, и сейчас продолжается активная работа по их реализации для различных задач анализа и распознавания информации.

    1. Искусственные нейронные сети

    Искусственные нейронные сети (ИНС) – математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей – сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. [3].

    ИНС представляют собой систему соединённых  и взаимодействующих между собой  простых процессоров (искусственных  нейронов). Такие процессоры обычно довольно просты, особенно в сравнении  с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи. На Рис.1. приведен пример простой нейросети, где зелёным обозначены входные элементы, жёлтым – выходной элемент.

Рис. 1. Схема простой нейросети

    С точки зрения машинного обучения, нейронная сеть представляет собой  частный случай методов распознавания  образов, дискриминантного анализа, методов  кластеризации и т. п. С математической точки зрения, обучение нейронных  сетей – это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть – способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.

    Нейронные сети не программируются в привычном  смысле этого слова, они обучаются. Возможность обучения – одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

    2. Классификация нейронных сетей

    Классификация по типу входной информации:

• Аналоговые нейронные сети (используют информацию в форме действительных чисел);
• Двоичные нейронные сети (оперируют с информацией, представленной в двоичном виде).

    Классификация по характеру обучения:

• Обучение с учителем – выходное пространство решений нейронной сети известно;
• Обучение без учителя – нейронная сеть формирует выходное пространство решений только на основе входных воздействий. Такие сети называют самоорганизующимися;
• Обучение с подкреплением – система назначения штрафов и поощрений от среды.

    Классификация по характеру связей:

• Сети прямого распространения (Feedforward)

    Все связи направлены строго от входных  нейронов к выходным. Примерами таких  сетей являются перцептрон Розенблатта, многослойный перцептрон, сети Ворда.

    3. Известные применения нейронных сетей

    3.1. Распознавание образов и классификация

    В качестве образов могут выступать  различные по своей природе объекты: символы текста, изображения, образцы  звуков и т. д. При обучении сети предлагаются различные образцы образов с  указанием того, к какому классу они относятся. Образец, как правило, представляется как вектор значений признаков. При этом совокупность всех признаков должна однозначно определять класс, к которому относится образец. В случае, если признаков недостаточно, сеть может соотнести один и тот же образец с несколькими классами, что неверно. По окончании обучения сети ей можно предъявлять неизвестные ранее образы и получать ответ о принадлежности к определённому классу.

    Топология такой сети характеризуется тем, что количество нейронов в выходном слое, как правило, равно количеству определяемых классов. При этом устанавливается соответствие между выходом нейронной сети и классом, который он представляет. Когда сети предъявляется некий образ, на одном из её выходов должен появиться признак того, что образ принадлежит этому классу. В то же время на других выходах должен быть признак того, что образ данному классу не принадлежит. Если на двух или более выходах есть признак принадлежности к классу, считается что сеть «не уверена» в своём ответе.

    3.2. Принятие решений и управление

    Эта задача близка к задаче классификации. Классификации подлежат ситуации, характеристики которых поступают на вход нейронной  сети. На выходе сети при этом должен появится признак решения, которое  она приняла. При этом в качестве входных сигналов используются различные критерии описания состояния управляемой системы.

    3.3. Кластеризация

    Под кластеризацией понимается разбиение  множества входных сигналов на классы, при том, что ни количество, ни признаки классов заранее не известны. После обучения такая сеть способна определять, к какому классу относится входной сигнал. Сеть также может сигнализировать о том, что входной сигнал не относится ни к одному из выделенных классов – это является признаком новых, отсутствующих в обучающей выборке, данных. Таким образом, подобная сеть может выявлять новые, неизвестные ранее классы сигналов. Соответствие между классами, выделенными сетью, и классами, существующими в предметной области, устанавливается человеком. Кластеризацию осуществляют, например, нейронные сети Кохонена.

    3.4. Прогнозирование и аппроксимация

    Способности нейронной сети к прогнозированию  напрямую следуют из ее способности  к обобщению и выделению скрытых  зависимостей между входными и выходными  данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие. Например, прогнозирование котировок акций на основе котировок за прошлую неделю может оказаться успешным (а может и не оказаться), тогда как прогнозирование результатов завтрашней лотереи на основе данных за последние 50 лет почти наверняка не даст никаких результатов.

    3.5. Сжатие данных и Ассоциативная память

    Способность нейросетей к выявлению взаимосвязей между различными параметрами дает возможность выразить данные большой  размерности более компактно, если данные тесно взаимосвязаны друг с другом. Обратный процесс – восстановление исходного набора данных из части информации – называется (авто)ассоциативной памятью. Ассоциативная память позволяет также восстанавливать исходный сигнал/образ из зашумленных/поврежденных входных данных. Решение задачи гетероассоциативной памяти позволяет реализовать память, адресуемую по содержимому [4].