CC BY
25
Братцев К.Е.
ПРИМЕНЕНИЕ ПРИНЦИПОВ НЕЙРОСЕТЕВОЙ ИДЕНТИФИКАЦИИ ДЛЯ ПОСТРОЕНИЯ ИНФОРМАЦИОННО-ИЗМЕРИТЕЛЬНЫХ СИСТЕМ
ПАРАМЕТРОВ ДВУХПОЛЮСНЫХ ЭЛЕКТРИЧЕСКИХ ЦЕПЕЙ
Широкое внедрение современных многопараметровых датчиков имеющих многокомпонентные схемы замещения вызывает необходимость наряду с решением задачи измерения, решать более общую задачу идентификации. В данной главе дается обоснование целесообразности применения нейросетевых алгоритмов для идентификации структуры сигналов сложной формы, формируемых в многокомпонентных ДЭЦ. Обобщим структуру ИИС параметров ДЭЦ на случай реализации функции идентификации. Подсистема нейросетевой идентификации (ПНИ) параметров двухполюсных электрических цепей представляет собой совокупность функционально объединенных измерительных и вычислительных средств для получения информации о физическом объекте, ее преобразования и обработки с целью ее идентификации. Информация от физического объекта поступает посредством сигналов. Под сигналом понимается физический процесс, имеющий информационное значение, установленное принятым соглашением. Идентификацией называют отождествление анализируемого сигнала с одним из известных. В общем случае сигналы с ДЭЦ относятся к подклассу параметрически неопределенных, то есть таких сигналов структура и количество описывающих его параметров априорно не известны. В условиях параметрической неопределенности классические методы идентификации, основанные на полном знании значений всех параметров идентифицируемых сигналов, обычно оказываются непригодными, и приходится эти методы дополнять теми или иными способами восстановления неизвестных значений параметров.
В реальных физических объектах (ФО) протекают сложные процессы и явления, информация о которых получается посредством датчиковой аппаратуры (Дх-Дл) имеющих ДЭЦ в качестве схем замещения. Далее измерительные преобразователи (ИПх-ИПл) преобразуют сигналы с датчиков в унифицированный сигнал, в качестве которого выступает напряжение, преобразуемое в дальнейшем в цифровой код посредством (АЦЩ-АЦПП). Полученный цифровой код обрабатывается и хранится в блоке цифровой обработки (БЦО). Для получения целостного представления о процессах и явлениях протекающих в физическом объекте БЦО консолидирует измерительную информацию о нескольких десятках, а иногда сотнях физических величин. Указанная совокупность блоков представляет собой классическую обобщенную структуру многоканальной ИИС.
Рис. 2.1
Обобщенная структурная схема ПНИ ДЭЦ представлена на рис. 2.1 ее основное назначение выделение информативной составляющую на фоне неинформативной, поэтому кроме классической многоканальной измерительной ИИС и структуру системы включена подсистема нейросетевой идентификации (ПНИ), выполняющая задачи отождествления (идентификации) поступившей информативной составляющей информации с одной из известных. Известные информативные составляющие хранятся в базе данных и называются базой знаний. Постоянно растущий объем базы знаний определяет жесткие требования к современным методам идентификации: увеличение вероятности идентификации, уменьшение времени обработки информации, и т.д. Анализ наиболее распространенных методов идентификации показал, что наиболее перспективным направлением построения ПНИ параметров ДЭЦ является реализация принципов построения искусственных нейронных сетей. К достоинствам ПНИ параметров ДЭЦ на базе искусственных нейронных сетей на следует отнести:
- структурную адаптивность, обеспечиваемая универсальностью структур ИН и связей между ними; алгоритмическая адаптивность, определяемая разнообразием алгоритмов, реализуемых в рамках отдельных нейронов; и параметрическая адаптивность, обеспечиваемая подбором векторов весовых коэффициентов в соответствии с обучающей выборкой; позволят синтезировать ПНИ наиболее соответствующие структурам многокомпонентных ДЭЦ;
- топологический и функциональный параллелизм выполнения операций, обеспечивающий высокое быстродействие и устойчивость работы даже при разрушении части ИНС, что является важным фактором при построении сложных сенсорных сетей, реализующих алгоритмы распределенной обработки;
- самообучение позволит строить ПНИ динамически подстраиваться к изменяющимся во времени сигналам с ДЭЦ, что позволить обеспечить долговременную стабильность таких ИИС за счет реализации процедур самодиагностики и самокалибровки;
- простоту реализации как программными, так и аппаратными методами, так как основными операциями нейронных сетей являются произведение с накоплением, что соответствует ряду задач, которые математически описаны с помощью этих операций.
К недостаткам следует отнести:
- недостаточность теоретической проработки вопросов синтеза ИНС, которые зачастую ограничиваются лишь эмпирическими наблюдениями;
- имеющиеся теоретические и практические результаты относятся в первую очередь к обработке звука и изображения и недостаточно ориентированы к решению задач построения ПНИ параметров ДЭЦ.
В качестве основного направления ПНИ параметров ДЭЦ следует указать проработка теоретических положений, обеспечивающих реализацию достоинств ИНС при реализации подсистем нейросетевой идентификации параметров двухполюсных электрических цепей, доведение полученных теоретических положений до практической реализации посредством разработки методики инженерного синтеза ПНИ параметров ДЭЦ.
Таким образом, обоснована целесообразность применение принципов нейросетевой идентификации для построения информационно-измерительных систем параметров двухполюсных электрических цепей
