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) |
Алгоритмы обучения модуля
Как уже отмечалось, задача сети, состоящей из слоев L1 - L3, за Глава 5. Модули нечетко-нейронного управления 5.3. Модуль управления с нейросетевоп дефуззификацией
ногр метода расчета погрешности. Мы вынуждены использовать оценочную (прогнозируемую) погрешность, распространяемую в обратном направлении из более высоких слоев сети. Способ функционирования и обучения модуля управления можно разделить на следующие этапы Этап 1. Формирование набора нечетких правил для конкретной системы управления. Для рассматриваемой сети невозможно автоматическое построение правил (например, путем обучения), поэтому способ управления данным объектом должен быть известен, а соответствующие правила могут формулироваться, например, экспертом. Вначале должны быть зафиксированы все входные и выходные нечеткие множества, после чего на их базе конструируются правила типа IF - THEN. Этап 2. Построение нечеткой системы на основе анализа базы правил. Сеть строится на правилах, сформулированных на предыдущем этапе. Количество узлов в каждом слое, связи между ними, значения весов и параметров непосредственно определяются в ходе анализа базы правил с учетом функций, выполняемых конкретными слоями. Количество узлов, их связи и значения весов фиксируются при конструировании сети и не подлежат в дальнейшем какой-либо модификации.
Этап 3. Построение и обучение нейронной сети. Способ конструирования нейронной сети очевидным образом связан с количеством М нечетких множеств (определяющим количество входов сети) и с требуемым качеством отображения. Сама проблема проектирования нейронных сетей подробно и всесторонне обсуждается во многих публикациях (например, [8,14,17, 20]), поэтому мы ее рассматривать здесь не будем. Сеть, выполняющая функцию дефуззификации, будет обучаться с помощью алгоритма обратного распространения ошибки (см. п. 2.5), который е= -|(y-cf)2. (5.34) Применим теперь формулы (2.83) - (2.86) и обозначения, введенные в разд. 2.5. Начнем с построения выражения, описывающего изменения весов связей между элементами выходного L6 и скрытого L5 слоев. Изменение m-го веса выходного нейрона определяется зависимостью w%){t + 1) = w%){t)-Tie{>*){t)y%4t), (5.35) (5.36) Рекурсия, определяющая изменение весов Wj(5)(f) связей между /-м нейроном скрытого слоя L5 и у-м нейроном выходного слоя L4 задается формулой (5.37) wf\t +1) = wfkt) - V^5){t)yf4t),
Ј(5)=Ј(6)w(6)f,(s(5)) (538) Изменение весов w^4)(() связей между ь-м нейроном выходного слоя L4 uj-м входом нейронной сети определяется формулой iy[.4>(f + 1) = wЈ(f)-77ej4)(f)xj4)(f). (5-39) (5.40) В процессе обучения нейронных сетей очень часто используется так называемый момент (momentum - см. п. 2.5). В этом случае формулы для модификации весов принимают вид |^4)(0-*44)('-1)]. (5.41) Следует обратить внимание на тот факт, что в качестве входных сигналов xr\f) выступают степени активности правил. Поэтому множество обучающих данных для нейронной сети должно состоять из вектора степеней активности правил и заданных (эталонных) выходных значений. В реальных системах мы сталкиваемся с проблемой получения таких данных. В рассматриваемом решении предлагается следующий метод: входное пространство неформально подразделяется на классы, после чего для каждой выделенной области задается представляющая ее точка на входе нечеткой системы и осуществляется вывод решения. Выходные сигналы нечеткой системы используются как входные обучающие данные для нейронной сети.
Этап 4. Доработка функций принадлежности входных нечетких множеств на основе обучающих данных. При описании первого блока рассматриваемого модуля нечеткого управления было установлена невозможность прямого определения погрешности на его выходе (т.е. на выходе слоя L3) из-за отсутствия необходимых данных. Поэтому для обучения этой части модуля погрешность должна оцениваться на основе ошибки, распространяемой в обратном направлении с верхних слоев нейронной сети вплоть до слоя L3. Погрешности в высших слоях рассчитываются по формулам (5.36), (5.38) и (5.40). Легко заметить, что погрешность для ь-го элемента слоя L3 может быть определена как Глава 5 Модули нечетко-нейронного управления Если бы существовали данные dr, г- 1.......... М с заданными значе е = ^(у<3)-с/г)2, (5.43) где г= 1...... М- номер выхода первого блока модуля нечеткого управле -fk = y*?)~dr (5'44) ошибкой, распространяемой в обратном направлении из нейронной сети до слоя L3, т.е. ^зТ = 43) (5-45) Получив оценку погрешности на выходе слоя L3, можно применить градиентный метод (gradient cfescenf method), который позволяет подобрать параметры а/77, Ь/77, с/77 функции принадлежности, учитываемые в слое L1. Например, формула модификации параметра Ь,, определяющего центр центр функции принадлежности нечеткого множества, соответствующего /-й входной переменной для m-ro нечеткого правила, имеет вид b/"(f + 1) = b/"(f)-t7 8ё = dbm(t) f {t) - т?
5.3. Модуль управления с нейросетевой дефуззификацией
!>=min(yЈ>), которые, как известно, не имеют производных. Для таких элементов устанавливается, что сигнал погрешности передается на все узлы предыдущего слоя (с которыми данный элемент связан) одинаково, т.е.
Другой подход заключается в распространении сигнала погрешности только к тем элементам, которые выработали соответственно максимальное или минимальное значение: (5.50) Можно также распространять погрешность пропорционально входным значениям таким образом, чтобы значение погрешности возрастало с приближением величины сигнала к его максимальному (или минимальному) значению: (5.46) Для упрощения записи примем следующие обозначения: у*(2) -выход слоя L2, ам*(х,)= уД(1) - выход слоя L1. Поэтому производную е<3) можно представить в виде
(5-47) Ее взятие может быть связано с некоторыми трудностями, поскольку в структуре модуля нечеткого управления имеются функции max-imum и minimum ду?) 10 для/с*т. (5"51) Определенная проблема возникает и при взятии частной производной Щ-. В уравнении (5.31), описывающем форму функции принадлежности, содержатся недифференцируемые компоненты, например, пики либо граничные точки. Поэтому допустим, что производная в таких точках равна среднему арифметическому производных в соседних точках Тогда можно сформулировать окончательное выражение, по которому модифицируется параметр Ь™: Глава 5. Модули нечетко-нейронного управления Для параметров а™ и с/" соответствующие формулы принимают аналогичный вид:
5.3. Модуль управления с непросетевой дефуззификацией 343 параметров и нелинейности задачи она часто используется в качестве объекта, на котором демонстрируется функционирование различных регуляторов. В настоящем разделе в качестве такого регулятора будем использовать описанный выше модуль нечеткого управления. На рис. 5.22 изображен объект регулирования, т.е. перевернутый маятник. Если принять, что в роли переменных состояния выступают угол маятника х^ = в и угловая скорость х2 = в. то уравнения динамики можно записать в виде [19]
gsinx, — /4 госте2 х, I 3 тс + т
Блок-схема полной процедуры построения и модификации модуля нечеткого управления представлена на рис. 5.21.
Дата добавления: 2015-06-04; Просмотров: 453; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |