Нейросетевые системы управления

Лекция 8

Области применения нейронных сетей

1. Нейросетевые системы управления

2. Применение нейронных технологий в системах связи

3. Нейросетевые телекоммуникационные системы

Нейросетевые системы управления

В историческом плане можно утверждать, что разработка систем управления (СУ) всегда происходит поэтапно. В качестве таких этапов можно выделить:

· этап разработки концепции построения СУ;

· этап моделирования СУ, в соответствии с предлагаемой концепцией построения;

· этап анализа получаемых результатов;

· этап доработки (модернизации) концепции построения СУ.

На протяжении всех этих этапов не прекращаются теоретические ис­следования, которые позволяют выбирать основные направления совер­шенствования первоначально сформулированной концепции построения СУ и распространять ее основные идеи на ряд смежных областей.

По аналогичной схеме происходит развитие СУ, использующих искус­ственные НС. Однако следует заметить, что большое количество разрабо­танных аппаратных и программных моделей нейросетевых СУ часто опе­режают теоретическое понимание происходящих при этом процессов и имеющихся проблем.

Необходимым этапом решения задач управления нелинейными дина­мическими системами является получение их адекватных математических моделей, базирующееся, как правило, на теоретическом и эксперимен­тальном анализе свойств этих систем. Теоретический анализ процессов, происходящих в системе, позволяет получить математическое описание в виде, например, дифференциальных уравнений. При экспериментальном анализе на основе наблюдений входных и выходных сигналов системы получают либо ее параметрическую, либо непараметрическую модель. Наиболее широкое распространение получили параметрические модели, требующие решения задач структурной и параметрической идентифика­ции и использующие ограниченное число параметров. Несмотря на ог­ромное количество работ, многообразие видов нелинейностей не позволя­ет создать единую теорию идентификации нелинейных систем. Приме­няемый чаще всего классический подход основан на аппроксимации не­линейностей, например рядами Вольтера, Гаммерштейна, Винера, поли­номами Колмогорова-Габора и др. Однако область применения таких мо­делей ограничена. Кроме того, дополнительные трудности получения аде­кватного математического описания обусловлено наличием в реальных сигналах помех.

Одной из классических моделей СУ является модель с обратной свя­зью с регулируемыми в реальном масштабе времени коэффициентами, например самонастраивающийся регулятор Астрома. Коэффициенты такого контроллера регулируются в течении каждого цикла управления в соответствии с оценкой параметров системы. Блок-схема управления с обратной связью и регулируемыми в реальном масштабе времени коэф­фициентами приведена на рис. 1.

Рис. 1. Блок-схема управления с обратной связью и регулируемыми коэффициентами

Другой хорошо известной моделью СУ является модель Ляпунова. Системы адаптивного управления, использующие эталонную модель Ля­пунова проектируются таким образом, чтобы выходной сигнал управляе­мой модели в конце концов соответствовал выходному сигналу предвари­тельно определенной модели, которая имеет желаемые характеристики. Такая система должна быть асимптотически устойчивой, то есть управляемая система в итоге отслеживает эталонную модель с нулевой ошибкой. Более того, переходные процессы на этапе адаптивного управ­ления или обучающего управления имеют гарантированные пределы. Блок-схема адаптивного управления с эталонной моделью представлена на рис. 2.

Системы управления, так или иначе использующие искусственные НС являются одной из возможных альтернатив классическим методам управ­ления. Возможность использования НС для решения задач управления во многом основывается на том, что НС, состоящая из двух слоев и имеющая в скрытом слое произвольное большое количество узлов, может аппрок­симировать любую функцию действительных чисел с заданной степенью точности. Доказательство этого положения, основанное на известной теореме Вейерштрасса. Таким образом, для решения задач идентификации и управления могут быть использованы НС даже с одним скрытым слоем.

Рис. 2. Блок-схема адаптивного управления с эталонной моделью

Одним из первых используемых методов построения нейросетевых СУ был метод, основанный на "копированиии" существующего контроллера. Применив этот метод в 1964 Уидроу назвал его методом построения экс­пертной системы за счет получения знаний от уже существующего экс­перта. Архитектура такой СУ представлена на рис. 3.

Рис. 3. Нейросетевая СУ, основанная на "копировании" существующего контроллера

Глядя на этот рисунок можно усомниться в полезности этого метода. Зачем нужно использовать еще один управляющий контроллер (в виде НС), если один уже существует? Однако, во-первых, существующий кон­троллер может быть неудобен при использовании (например, в роли тако­го контроллера может выступать человек), а во-вторых, для выработки эффективного управления НС может использовать отличную, от сущест­вующего контроллера, по способу представления (легче измерить, форма­лизовать и т. д.) информацию о состоянии объекта управления.

В настоящее время достаточно хорошо разработан и широко использу­ется целый ряд других возможных архитектур построения нейросетевых СУ. Во всех из них, назначением нейросетевого контроллера яв­ляется выработка адекватного управляющего сигнала для управления ди­намикой состояний объекта управления от начального состояния до же­лаемого итогового состояния. Причем смена состояний должна происхо­дить по оптимальной траектории. Организация контроля за состоянием объекта управления и реализация нейросетевого контроллера в значи­тельной степени зависят от выбранного алгоритма обучения и используе­мой структуры управления. Наиболее широко используемыми являются схема прямого (непосредственного) управления и схема косвенного управления. При этом чаще всего в качестве алгоритма обучения исполь­зуется алгоритм обратного распространения ошибки.

В схеме косвенного управления параметры объекта управления опре­деляются в каждый момент времени и затем используются для оценки параметров контроллера (рис. 4). Таким образом, имеет место явно выраженный процесс идентификации.

Рис. 4. Схема косвенного управления

Недостатком такой схемы является то, что идентификация и управле­ние основываются исключительно на ошибке e_u, и, следовательно, мини­мизацию ошибки на выходе системы e_y гарантировать нельзя.

В схеме прямого управления параметры нейросетевого контроллера регулируются таким образом, чтобы уменьшить непосредственно ошибку выхода e_y (см. рис. 5).

Рис. 5. Схема прямого управления

В качестве целевой функции, которая должна быть минимизирова­на контроллером используется среднеквадратическая ошибка на выходе объекта управления

Е_у = ½(у_e-у)². (1)

Одной из областей теоретических исследований, рассматривающих проблемы использования НС в системах управления, является сравнение таких методов управления с другими известными типами СУ, выявление присущих нейросетевым методам особенностей и их анализ. Хотя каждый из рассмотренных методов имеет как хорошие, так и плохие характеристики следует заметить, что метод ней­росетевого управления имеет такие полезные свойства, которые плохо реализуются в двух других методах.

Основные результаты, полученные при сравнении, приведены в табл. 1.

Обзор характеристик методов управления

Критерий	Управление с обратной связью и регулируемыми коэффициентами	Адаптивное управ­ление с эталонной мо­делью Ляпунова	Нейросетевое управление
Устойчивость обратной связи	Наихудшая	Наилучшая	Средняя
Скорость сходимости	Наилучшая	Средняя	Наихудшая
Работа в реаль­ном времени	Средняя	Средняя	Наилучшая
Сложность программы управления	Наихудшая	Средняя	Средняя
Ошибка слежения	Средняя	Наилучшая	Средняя
Подавление помех	Наилучшая	Наихудшая	Средняя
Робастность рассогласования модели	Наихудшая	Средняя	Наилучшая

В методе с использованием НС отсутствуют ограничения на линей­ность системы, он эффективен в условиях шумов и после окончания обу­чения обеспечивает управление в реальном масштабе времени. Нейросетевые СУ более гибко настраиваются на реальные условия, образуя моде­ли полностью адекватные поставленной задаче, не содержащие ограниче­ний, связанных с построением формальных систем. Кроме того, нейросетевые СУ не только реализуют стандартные адаптивные методы управле­ния, но и предлагают свои алгоритмические подходы к ряду задач, реше­ние которых вызывает затруднение вследствие неформализованное™. Так, появляется возможность обработки в рамках одной модели данных одной природы - для НС важна лишь их коррелированность.

Таким образом, напрашивается следующий вывод. Будущее интеллек­туального управления лежит в сочетании традиционного управления с потенциальными возможностями и перспективами использования систем, основанных на использовании искусственных НС.