Способ обучения

Для обучения представленной структуры необходима предвари­тельная подготовка обучающих данных: они должны быть разделены на подмножества, образующие репрезентативные классы. На базе этих классов будут формироваться правила. Непосредственное обучение осу­ществляется по алгоритму обратного распространения ошибки и прово­дится раздельно для сети, реализующей условия правил, и для сети, ре­ализующей заключения. Применяется следующая схема обучения:

Этап 1. Подготовка множества обучающих данных в виде пар
(х(0, d{t)) = (x,(t)... x_n(t); d(t)), t = 1, 2,.... J, где J обозначает количест­
во выборок.

Этап 2. Разделение пространства входных переменных на N клас­
сов R_k, где к - 1...... N. Лучше всего выполнить эту операцию с примене­
нием одного из методов классификации. В результате формируется N
подмножеств обучающей выборки, обозначаемых (х (f), d(t)), где /=1,2,
..., Jk, a Jk - количество выборок, представляющих к-ю область R_k, при­
чем J, + J₂ +... + Jn = J- Как уже отмечалось, разделение л-мерного про­
странства на N областей равнозначно тому, что в системе вывода будут
использоваться N нечетких правил.

Этап 3. Обучение нейронной сети SNw_as разделению обучающих данных на области. Такое обучение тождественно определению много­мерных функций принадлежности нескольких переменных в условиях правил. Если на вход сети поступают значения х₍., то эталонные сигналы d/ = [d,⁽¹⁾,.., d,^(W)] T подаются в выходной слой по следующему правилу:

(5.92)

1 для х,- е R_k, 0 для х, ё R_k,

где /= 1, 2..... Jfc; к-_\...... N. Таким образом задается область, к которой

принадлежит точка х,.

По завершении обучения сеть SNwas приобретает способность вы­водить степень принадлежности каждой обучающей выборки х к области Rk. Другими словами, выходные сигналы сети № определяют степень принадлежности входных данных к соответствующим областям. Посколь-

5.6. Модуль управления с зависимыми лингвистическими переменными 373

ку в компонентах условий каждая область отображается одной функцией принадлежности, то можно записать, что

_AV(*) = d⁽'° (5.93)

Этап 4. Обучение нейронных сетей SN_fc реализации заключений Так как заключения правил представляются в виде функциональных за­висимостей между выходным значением и входными сигналами, то зада­ча сводится к определению этих зависимостей. Обучающие данные, со­ответствующие классу Rfc х_; и d/, / = 1, 2,..., Jk, подаются на вход и выход сети SN/,. Эта сеть будет реализовать заключения для правила F$^k\ На ее выходе будут непосредственно формироваться управляющие воздейст­вия, соответствующие /ему правилу, т.е. у^х).

На практике обучение сети SN^ производится следующим обра­зом: после обучения сети SNw_as все сети объединяются, в результате че­го формируется модуль управления, показанный на рис. 5.40. На его вход подаются данные из обучающей выборки (х, d). Натренированная сеть SNwas классифицирует эти данные по соответствующим областям и выра­батывает корректные выходные сигналы. Например, если точка х полно­стью принадлежит m-й области, то на выходе сети SNw_as получаем

1, для т = к,

(5.94)

d(k) =

Подготовка обучающих данных

Разделение входного пространства на классы (области)

I Построение и обучение нейронной сети SN_fete I Построение и обучение нейронной сети SN_fe

(KOHELp) Рис. 5.43. Блок-схема, описывающая последовательность действий при проектиро-

Глава 5. Модули нечетко-нейронного управления

5. б. Модуль управления с зависимыми лингвистическими переменными

Если формулу, определяющую выходной сигнал модуля управле­ния, представить в виде

y = j?dl^khx)-y^{k)fr), (5.95)

то легко заметить, что с учетом зависимости (5.94) она упростится до

у = у^(т)(х). (5.96)

Благодаря соединению выходов сетей SNwas и SNjc множительны­ми элементами в слое L3 (см. рис. 5.40) становится возможным автома­тический «выбор» сети SN_m, которую следует подвергнуть обучению.

Выполнение отмеченных этапов 1 - 4 (см. рис. 5.40) позволяет сформировать условия и заключения для каждого правила. Процесс про­ектирования модуля управления можно считать завершенным.

Дата добавления: 2015-06-04