![]() КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
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
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; Просмотров: 325; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |