Выбор модели нейронной сети для системы принятия решений при управлении сложными техническими устройствами Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК: 004.896 ББК: 32.973.2

Краснов С.С., Куралесова Н.О.

ВЫБОР МОДЕЛИ НЕЙРОННОЙ СЕТИ ДЛЯ СИСТЕМЫ ПРИНЯТИЯ РЕШЕНИЙ ПРИ УПРАВЛЕНИИ СЛОЖНЫМИ ТЕХНИЧЕСКИМИ УСТРОЙСТВАМИ

Krasnov S.S., Kuralesova N.O.

THE CHOICE OF A NEURAL NETWORK MODEL FOR THE SYSTEM OF DECISION MAKING IN THE MANAGEMENT OF COMPLEX TECHNICAL DEVICES

Ключевые слова: системный анализ, оптимизация, системы поддержки принятия решений

Key words: system analysis, optimization, decision support systems

Аннотация: в статье рассмотрены вопросы использования в системах управления моделей нейронных сетей. Конкретизированы особенности реализации моделей нейронных сетей. Предложены рекомендации.

Abstract: in the article the questions of use in control systems of neural network models. Specific features of the implementation of models of neural networks. Suggested recommendations.

Проведенный анализ периодических изданий и диссертационных работ, посвященных применению искусственных нейронных сетей (ИНС), показывает, что ИНС получили широкое распространение за последнее время в силу того, что позволили решать задачи обработки данных, значительно превосходя точность других методов статистики и искусственного интеллекта, а часто являясь единственно

возможным методом решения отдельных задач. Нейронные сети (НС) успешно применяются в задачах распознавания образов, кластеризации, прогнозирования и управления в самых разных областях -бизнесе, медицине, технике, геологии, физике.

Наиболее эффективные примеры применения представлены в таблице 1.

Таблица 1 - Примеры использования ИНС

Область применения Задача ИНС Принцип действия

Биология Прогноз поведения молекул Нейронная сеть накапливает опыт, полученный в результате реакций молекул с реактивами-вычислителями. Для хранения опыта используется хранилище данных.

Биоэкология Лазерное зондирование атмосферы Происходит сбор информации с лазерной системы зондирования, составление БД из экспертных оценок, конструирование и обучение нейронной сети. Нейронная сеть способна идентифицировать вредные вещества.

Космонавтика Резервирование дублир ованных параметров Оценка значения выходной переменной по входным критериям.

Космонавтика Интеллектуальный модуль системы управления с возможностью Работа в жестком реальном времени. Осуществляется переход от аналогового аппаратного обеспечения к цифровому и от электронных релейно-импульсных систем к

самообучения.

Анализ таблицы 1 показывает, что наиболее перспективная область применения НС в машиностроении - это система принятия решений при управлении различными техническими средствами и

технологическими процессами, в которой на базе анализа прошлых управляющих неконтролируемых воздействий и отклонений траектории системы формируются наборы

программируемым бортовым

вычислительным машинам.

Продолжение таблицы 1

управляющих воздействий,

минимизирующих отклонение реальной траектории системы от желаемой.

Дальнейший анализ объектов управления позволил выявить два вида системы управления с использованием модели нейронной сети (МНС): управление параметрами системы (а) и управление реакцией системы (б).

Авиация

Восстановление потерянной полетной информации.

Используется метод искусственных нейронных сетей. Обработка полетной информации от GPS, гироскопа скорости допплеровского РЛ и системы воздушных сигналов.

Машиностроение

Модель самонастройки адаптивных САУ

Нейронная сеть на основе жесткой логики (автомат)_

Робототехника

Рациональное размещение грузов с учетом физических особенностей.

Алгоритм плотного размещения грузов, поиска расположения с учетом физических характеристик грузов._

Информатика телекоммуникации

и

Применение генетических алгоритмов для редукции множества входных

параметров нейронных сетей.

Генетические алгоритмы определения входных нейронной сети.

служат для параметров

Коммунальное хозяйство

Диплоидные генетические

алгоритмы

мини-котельной

Нейронная сеть используется для управления бойлером в мини-котельной вместо традиционного ПИД-регулятора. Для обучения искусственной нейронной сети используется генетический алгоритм. В качестве хранилища опыта выступает МРС-контроллер, которым оценивается поведение температур прямого и обратного носителей, модели которых выполнены на базе ИНС с выбором параметром посредством генетических алгоритмов._

Машиностроение

Автоматизированная система управления дуговой плавильной печи.

Искусственная нейронная сеть на базе жесткой логики, предназначенная для управления дуговой плавильной печью, являющейся сложным техническим объектом, содержащим несколько систем управления._

Космонавтика

Моделирование гиперзвукового обтекания космических аппаратов при спуске в атмосфере Марса._

Нейронная сеть накапливает опыт, возникающий при каких-либо

нестандартных ситуациях, вследствие чего находит пути выхода из них.

а) б)

Рисунок 1 - Исследуемые схемы управления Таким образом, модель НС может Системы управления организационно

управлять как внутренними параметрами могут быть представлены в виде иерархии самого объекта, так и входными [1] (таблица 2). параметрами объекта.

Таблица 2 - Иерархия управления с точки зрения производственной системы

Уровень Описание Цель Временные границы Типичные средства проектирования

4 Уровень -Система Интегрированная оптимизация производства Обеспечение заказов клиентов и планирование поставки материалов Дни Статическая оптимизация

3 Уровень -Подсистема Оптимизация статического состояния компонент оперативного уровня Обеспечение эффективного действия отдельного компонента Часы Статическая оптимизация

2 Уровень -Модуль Динамическое управление компонентами оперативного уровня Достижение требуемых характеристик, определенных на уровне 3 Минуты Управление многими переменными (например, модельное прогнозирующее управление)

1 Уровень -Исполнительное устройство Динамическое управление на уровне отдельного исполнительного механизма Достижение требуемых характеристик, полученных на уровне 2, манипулируя соответствующими исполнительными механизмами Секунды Управление одной переменной (например, ПИД-регулирование)

Задача выбора реализации МНС для системы управления сталкивается с проблемой - разрабатывать собственную модель или адаптировать существующие. Модели нейросетей существуют в

достаточном количестве, расширяя существующую классификацию

специализированными моделями (таблица

"аблица 3 - Классификация М НС

№ п/п Тип обучения С учителем Без учителя

1 Примеры Однослойный и многослойный перцептроны, машина Больцмана, сети, обучающиеся по правилу Хебба, рекуррентные слоистые и полносвязные сети обратного распространения ошибки, сети, использующие радиальные базисные функции Карты Кохонена, системы с множественными локально устойчивыми состояниями, такие как сеть Хопфилда, сети, настраивающиеся на основе адаптивного резонанса.

2 Моделируют Рефлекторное поведение Мышление

3 Адекватность Высокая Средняя

4 Количество запусков при обучении Несколько При каждом

5 По типу связей Рекурентные сети Сеть Хопфилда

Поскольку все искусственные нейронные сети базируются на концепции нейронов, соединений и передаточных функций, существует сходство между разными структурами или архитектурами нейронных сетей. Большинство отличий зависит от разных правил обучения. Учитывая это, ставится задача выбора не только вида модели, но и способа ее реализации.

Различаются два класса - Supervised (обучающиеся по образцу, с учителем) и Unsupervised (обучающиеся без образца, без учителя). В первом случае обучение организовано как воспроизведение набора правильных образцов (обучающей выборки), после чего сеть может адекватно реагировать и на примеры, которых не было в обучающей выборке, во втором случае образцы правильной реакции исходно отсутствуют.

Видимо, нейросети, обучающиеся по образцу, неплохо воспроизводят рефлекторное поведение. К этому классу можно отнести, например, однослойный и многослойный перцептроны, машину

Больцмана, сети, обучающиеся по правилу Хебба, рекуррентные слоистые и полносвязные сети обратного

распространения ошибки, сети,

использующие радиальные базисные функции. Нейросети, обучающиеся без образца, быть может, иногда моделируют более интересную вещь - мышление, однако делают это несравненно менее успешно.

Нейросети, обучающиеся без образца, -это карты Кохонена, системы с множественными локально устойчивыми состояниями, такие как сеть Хопфилда, сети, настраивающиеся на основе адаптивного резонанса.

При реализации каждая модель нейронной сети имеет особенности ее построения, определяющие время выполнения алгоритма (включение, обучение), требуемый аппаратный ресурс (ОЗУ, объем диска, скорость процессора). Изучение этих особенностей (таблица 4) позволяет разделять модели нейронных сетей на три группы: программные (а), программно-аппарат-ные (б), аппаратные (в).

Таблица 4 - Особенности нейронных сетей

№ Критерий Программные Программно-аппаратные Аппаратные

1 Объем ОЗУ Ограничений нет Ограничений нет Ограничения - тип модели

2 Объем HDD Ограничений нет Ограничений нет Отсутствует

3 Время выполнения Ограничений нет Ограничений нет Жесткое ограничение

Учитывая, что требования системы управления добавляют жесткие критерии к конструктивным особенностям реализации

МНС, на вариант программной реализации МНС влияет тип нейронной сети (таблица 5).

Таблица 5 - Структура систем управления и средства реализации МНС

Уровень Описание Цель Временные границы Типовые модели Средства реализации

Уровень 4 Система Интегрирован ная оптимизация производства Обеспечение заказов клиентов и планировани е поставки материалов Дни Самоорганизующая ся карта Кохонена или нейронная сеть Хопфилда Программн ые

Уровень 3 Подсистема Оптимизация статического состояния компонент оперативного уровня Эффективное действие отдельного компонента Часы Многослойный перцептрон или сеть Ворда Программн ые

Продолжение таблицы 5

Уровень 2 Модуль Динамическое управление компонентами оперативного уровня Управление исполнитель ными модулями, входящими в уровень 3 Минуты Многослойный перцепртон Программно -аппаратные

Уровень 1 Исполнител ьное устройство Динамическое управление на уровне отдельного исполнительн ого механизма Управление характеристи ками, полученными на уровне 2, манипулируя соответствую щими исполнитель ными механизмами Секунды Однослойный и многослойный перцептроны, машина Больцмана, сети, обучающиеся по правилу Хебба, рекуррентные слоистые и полносвязные сети обратного распространения ошибки, сети, использующие радиальные базисные функции Аппаратные

В результате получаем рекомендации по выбору, какую модель НС использовать для исследуемого объекта и как ее реализовать.

Если обучение нейронной сети будет происходить только 1 раз, то лучше всего выбрать вариант обучения с учителем, поскольку в данном случае обучение пройдет более надежно. Если же обучение будет происходить каждый раз при запуске оборудования, то оптимальное решение -

это выбрать вариант обучения без учителя, чтобы упростить сборку системы принятия решений.

Всегда можно подобрать наиболее оптимальный для некоторой задачи способ - всё определяется свойствами задачи, требованиями к решению, а также компетентностью пользователя или разработчика.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Проектирование систем управления / Г.К. Гудвин, С.Ф. Гребе, М.Э. Сальгадо. -М.: БИНОМ. Лаборатория знаний, 2010. - 911 с.

2. Стратегическое управление организационно-экономической устойчивостью фирмы: Логистикоориентирова нное проектирование бизнеса / А.Д. Канчавели, А.А. Колобов,

И.Н. Омельченко, и др.; Под ред. А.А. Колобова, И.Н. Омельченко. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2001.

3. Ефимов, Д.В. Нейросетевые системы управления [Текст] / Д.В. Ефимов. - М.: Высшая школа, 2002.

4. Обучение нейронной сети [Электронный ресурс]: http://www. aiportal.ru/ arti cles/neural -networks/l earning-neunet.html

5. Парадигмы обучения нейронных сетей [Электронный ресурс]: http://apsheronsk. bozo. ru/Neural/Lec3. htm