Применение методов нейронных сетей и генетических алгоритмов в решении задач управления электроприводами

Основные свойства сети

Существующие методы синтеза систем автоматического управления электроприводами, как, например, модальное управление, позволяют создавать системы с достаточно высокими показателями регулирования, однако их практическая реализация сопряжена с рядом технических трудностей. К ним относится необходимость измерения трудноизмеряемых координат, например, таких, как упругий момент. В отдельных случаях невозможно реализовать на практике синтезированные параметры из-за существующих в реальных электроприводах ограничений по тем или иным величинам. Вполне естественна идея заменить применяемые линейные регуляторы нелинейными, которые при меньшем числе сигналов от измеряемых координат обеспечивали бы требуемое выходное управляющее воздействие для объекта регулирования. Такую возможность обеспечивает нелинейный регулятор, реализуемый в виде нейроконтроллера, который представляет собой нейронную сеть, функционирующую по принципу биологических нейронных сетей.

Историю становления искусственных нейронных сетей (ИНС) как научного направления начинают с работ Мак-Каллока, Питса и Розенблатта. Возрождение интереса к ИНС в 1980-х годах связано с именем Д. Румельхарта, переоткрывшего алгоритм обучения нейронных сетей, известный как алгоритм обратного распространения ошибки.

ИНС представляет собой, подобно сети нервных клеток, упорядоченную по слоям совокупность элементов, называемых нейронами (рис. 1.8).

Нейроны из разных слоев соединяются между собой связями так, чтобы каждый нейрон из последующего слоя получал сигналы от всех нейронов предыдущего слоя. Сигналы поступающие на вход каждого нейрона (рис. 1.9), суммируются:

где w0 — смещение; и>, — вес /'-й связи, и затем преобразуются в выходной сигнал нейрона в соответствии с выбранной активационной функцией z =f(s).

В большинстве случаев при решении задач управления активационная функция нейронов входного и выходного слоев являются линейной, а функция нейронов скрытого слоя — нелинейной. Таким образом, входной слой ИНС воспринимает вектор входных сигналов х = (*,, х2,..., х„) и формирует сигнал z = (zx, z2, •••> zj в нейронах скрытого слоя. Вектор выходов нейронной сети у = (у,, у2,..., ут) снимается с выходного слоя.

При работе с сетью различают два принципиально различных режима — обучение и работу. При обучении нейронной сети на ее вход подается некоторый тренировочный вектор входных сигналов, а значения весов связей w, и сдвигов w0 нейронов скрытого и выходного слоев варьируются до тех пор, пока сеть не научится отображать некоторый набор Nтренировочных входных векторов в набор желае-

Схема трехслойной ИНС

Рис. 1.8. Схема трехслойной ИНС

Модель нейрона мых выходных. Для оценки качества работы сети используется сумма квадратов ошибок Е по выходам ИНС для всех тренировочных сигналов

Рис. 1.9. Модель нейрона мых выходных. Для оценки качества работы сети используется сумма квадратов ошибок Е по выходам ИНС для всех тренировочных сигналов:

где норма — евклидова; dp у) — у'-е значение вектора желаемых и фактических выходов сети соответственно.

Если удается так настроить сеть, чтобы величина Е не превышала некоторую величину одновременно для всех совокупностей входных сигналов, процесс обучения полагают законченным, после чего параметры сети фиксируют, а саму сеть считают готовой к работе. Благодаря обучению сеть приобретает способность не только различать тренировочные сигналы, предъявленные в процессе обучения, но также хорошо справляться с любыми другими допустимыми сигналами, классифицируя их по совокупностям признаков.

 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ   ОРИГИНАЛ     След >