Информационные технологии

Выделяют три типа обучения: с учителем, самообучение и смешанный. В первом способе известны правильные ответы к каждому входному примеру, а веса подстраиваются так, чтобы минимизировать ошибку. Обучение без учителя позволяет распределить образцы по категориям за счет раскрытия внутренней структуры и природы данных, выходы НС формируются самостоятельно, а веса изменяются по алгоритму, учитывающему только входные и производные от них сигналы. При смешанном обучении комбинируются два вышеизложенных подхода.

Поскольку ошибка зависит  от весов нелинейно, получить решение  в аналитической форме невозможно, и поиск глобального минимума осуществляется посредством итерационного  процесса – так называемого обучающего алгоритма. Разработано уже более  сотни разных обучающих алгоритмов, отличающихся друг от друга стратегией оптимизации и критерием ошибок. Обычно в качестве меры погрешности  берется средняя квадратичная ошибка (СКО):

 

(1.8)

 

где М – число примеров в обучающем множестве;

d – требуемый выходной сигнал;

y – полученный выходной сигнал.

Обучение нейросети производится методом градиентного спуска, т. е. на каждой итерации изменение веса производится по формуле.

 

, (1.9)

 

где e – коэффициент обучения, определяющий скорость обучения.

Отметим два свойства полной ошибки. Во-первых, ошибка E=E(W) является функцией состояния W, определенной на пространстве состояний. По определению, она принимает неотрицательные  значения. Во-вторых, в некотором  обученном состоянии W*, в котором  сеть не делает ошибок на обучающей  выборке, данная функция принимает  нулевое значение. Следовательно, обученные  состояния являются точками минимума введенной функции E(W).

Таким образом, задача обучения нейронной сети является задачей  поиска минимума функции ошибки в  пространстве состояний

 

 

2. Нейросетевые системы управления

 

Нейроуправление представляет собой новое высокотехнологичное направление в теории управления, активно развивающееся во всем мире с конца 70-х годов. Нейронные сети являются предметом исследования целого ряда дисциплин. С точки зрения теории управления нейронные сети выбираются в качестве модели объекта управления или непосредственно регулятора, а динамический процесс ее настройки представляет собой процесс синтеза системы управления.

Проблема синтеза регуляторов  рассматривается с двух позиций, а именно: прямые методы и косвенные  методы синтеза нейросетевых систем управления:

прямые методы синтеза  – регулятор реализуется непосредственно  на нейросети. Применение метода не вызывает трудностей, однако необходимость постоянного переобучения нейросети приводит к ряду проблем;

косвенные методы синтеза  – нейросеть используется в качестве модели объекта управления, а синтез регулятора осуществляется традиционным методом.

В общем случае управление объектом с помощью нейросети можно представить схемой на рисунке 1.5

 

Рисунок 1.5 Управление при  помощи нейроконтроллера.

 

При этом обучение самого нейроконтроллера непосредственно по входным данным объекта может быть произведено с помощью схемы, представленной на рисунке 1.6 с применением наиболее распространенного алгоритма.

Рисунок 1.6. Обучение нейроконтроллера при помощи алгоритма обратного распространения ошибки.

 

Заключение.

При современном уровне развития техники, когда даже бытовые приборы  оснащаются микропроцессорными устройствами, все более актуальным становится разработка новых систем автоматического  управления.

Но в связи с возрастающей сложностью объектов управления и с  увеличением требований к системам управления за последнее десятилетие  резко повысилась необходимость  в создании более точных, более  надежных систем управлении, обладающих большими функциональными возможностями.

Интеллектуальные системы  на основе искусственных нейронных  сетей (ИНС) позволяют с успехом  решать проблемы идентификации и  управления, прогнозирования, оптимизации. Известны и другие, более традиционные подходы к решению этих проблем, однако они не обладают необходимой  гибкостью и имеют существенные ограничения на среду функционирования.

Нейронные сети позволяют  реализовать любой требуемый  для процесса нелинейный алгоритм управления при неполном, неточном описании объекта  управления (или даже при отсутствии описания), создавать мягкую адаптацию, обеспечивающую устойчивость системе  при нестабильности параметров.

ИНС могут применяться  для различных задач: аппроксимация  функций, идентификация, прогнозирование, управление, классификация образов, категоригизация, оптимизация.

Широкий круг задач, решаемый НС, не позволяет в настоящее время  создавать универсальные, мощные сети, вынуждая разрабатывать специализированные НС, функционирующие по различным  алгоритмам.

 

                Список литературы.

1. Г.А. Титоренко .Автоматизированные информационные технологии в экономике. / Под ред– М.: ЮНИТИ-ДАНА, 2003.
2. Грабауров В.А. Информационные технологии для менеджеров. – М.: Финансы и статистика, 2002.
3. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления.- Высшая школа,2002 .
4. http://ru.wikipedia.org