Управления

Итак, мы уже познакомились с достоинствами и недостатками как нейронных сетей, так и систем, в которых используется нечеткая логика. Представим себе структуры, которые объединяют наилучшие свойства обоих методов, и в то же время свободны от их проблем. Цель настоящей главы заключается в демонстрации того, что конструирование таких гиб­ридов возможно, причем они обладают очень интересными особенностя­ми.

В разделе 3.9 была представлена типовая структура модуля не­четкого управления и рассмотрено несколько примеров. В последующих разделах мы покажем, что при определенных условиях нечеткая система может быть представлена в форме многослойной сети с прямым распро­странением сигнала (feedforward). Еще одна цель заключается в обзоре реализаций таких модулей управления, обозначаемых в англоязычной литературе термином fuzzy-neural. Однако до начала обсуждения кон­кретных структур следует определить содержание этого термина.

Читатель, конечно, догадывается, что речь идет об объединении нейронных сетей с нечеткими системами. Оба подхода весьма успешно справляются с задачами, которые традиционные системы регулирования решают не самым лучшим образом. Если возникает необходимость уп­равлять объектом, который обладает неоднозначными свойствами, опи­сание которого заведомо неполно либо не может быть сведено к простой математической модели, то приходится искать решения, альтернативные «обычным» способам управления, и чаще всего выбираются нейронные сети или системы с нечеткой логикой. Напомним вкратце, чем характери­зуются эти методы.

Важнейшим достоинством нейронных сетей считается возмож­ность их обучения и адаптации. Нам не требуются полные знания об объ­екте управления (например, его математическая модель). На основе входных и заданных (эталонных) сигналов нейронная сеть может на­учиться управлять объектом. Нейронные сети (см. гл. 2) состоят из огром­ного количества взаимосвязанных простых обрабатывающих элементов (нейронов), что в результате дает громадную вычислительную мощ­ность при использовании параллельной обработки информации. К сожа­лению, способ проектирования таких систем основывается скорее на интуиции, чем на существующих закономерностях. До настоящего време­ни неизвестен алгоритм расчета количества слоев сети и количества ней­ронов в каждом слое для конкретных приложений. Тем не менее, по за­вершении обучения нейронные сети становятся незаменимыми средст­вами решения задач распознавания образов, аппроксимации, оптимиза­ции, векторного квантования либо классификации. С другой стороны, на­копленные нейронной сетью знания оказываются распределенными меж­ду всеми ее элементами, что делает их практически недоступными для наблюдателя.

Глава 5. Модули нечетко-нейронного управления

5, 1. Определение структуры модуля управления при дефуззификации

Этого недостатка лишены системы управления с нечеткой логикой. Однако в данном случае знания о способе управления необходимы уже на стадии проектирования управляющих модулей, причем они должны исходить от экспертов и, следовательно, возможность обучения отсутст­вует. Однако и в такой ситуации полные знания (описывающие в матема­тическом виде функциональную зависимость между входами и выходами системы) не требуются. В отличие от обычных модулей управления, ис­пользуются не количественные («сколько?»), а качественные («как?») знания. Система принимает решения на основе правил, записанных в форме импликации IF-THEN. Простейший подход к проектированию та­ких систем заключается в формулировании правил управления и функ­ции принадлежности по результатам наблюдения за процессом управле­ния, осуществляемым человеком либо уже существующим регулятором, с последующим оцениванием корректности функционирования такой си­стемы. Если проект оказывается неудачным, то функцию принадлежнос­ти и/или правила управления можно легко модифицировать. Как уже от­мечалось, основной недостаток подобных систем - это невозможность адаптации и обучения

Объединение обоих подходов позволяет, с одной стороны, привне­сти способность к обучению и вычислительную мощность нейронных се­тей в системы с нечеткой логикой, а с другой стороны - усилить интеллек­туальные возможности нейронных сетей свойственными «человеческо­му» способу мышления нечеткими правилами выработки решений.

Попытки такого объединения стали в последние годы предметом весьма интенсивных исследований. Их результатом можно считать систе­мы выработки решений, в разной степени реализующих идею нечеткого мышления в комплексе с заимствованной от нейронных сетей способно­стью к обучению

В последующих разделах обсуждаются различные модули нечет­кого управления, для обучения которых применяется алгоритм обратного распространения ошибки. Применение этого алгоритма стало возмож­ным благодаря представлению модулей нечеткого управления в форме многослойных сетей с прямым распространением сигнала (типа feedfor­ward).

Дата добавления: 2015-06-04