4.4. Расширение последовательной схемы нейронного управления

Нейроконтроллеры на основе многослойных нейронных сетей широко применяются для решения нестандартных задач обучения и адаптивного управления. Однако их практическое применение серьезно ограничено из-за необходимого для них длительного срока обучения. В данном разделе рассматривается задача эффективного оперативного обучения многослойных нейроконтроллеров с целью сокращения времени обучения.

Сначала описываются схемы управления, использующие нейроэмуляторы и нейроконтроллеры на основе многослойных нейронных сетей. Нейроконтроллер обучается инверсной динамике объекта управления, используя выбранные случайным образом начальные веса. Для описания нескольких эффективных методов оперативного обучения, основанных на многократном выполнении операций корректировки в течение каждого периода дискретизации, в данном разделе снова рассматриваются основные схемы управления. Один из методов — инверсно-прямое управление — эффективен для небольшой настройки уже обученного контроллера. Другой метод — подход на основе ошибки предсказания выхода — обеспечивает непосредственную минимизацию ошибки управления. Он также существенно ускоряет сходимость процесса обучения контроллера. Результаты моделирования, полученные на несложном объекте управления (водяной ванне), подтверждают эффективность предложенных структур нейронного управления и методов обучения.

4.4.1. Некоторые сведения об оперативном обучении

Искусственные нейронные сети представляют собой математические модели, разработанные для практического использования принципов, на основе которых, как предполагается, действуют биологические системы. Можно ожидать, что

использование таких принципов позволит в некоторой степени имитировать возможности биологических систем по обработке информации [5]. Результатом современных разработок в области применения нейронных сетей в управлении динамическими процессами стало еще недостаточно развитое, но очень перспективное направление в нейронном управлении. Его можно рассматривать как нетрадиционное (коннекционистс-кое) направление в теории адаптивного управления. Интерес к нейронному управлению, возникший у специалистов по системам управления, можно объяснить тремя основными причинами.

1. Имеются живые образцы интеллектуальных адаптивных контроллеров — биологические нервные системы.

2. Нейронные сети, по существу, представляют собой адаптивные системы, способные обучаться решению слоясных задач.

3. Есть основания считать, что нейронные технологии управления позволят преодолеть многие сложности, возникающие при работе с нелинейными объектами или с объектами неизвестной структуры и неразрешимые с помощью обычных методов адаптивного управления.

Вообще говоря, нейронные сети могут обучаться решению задач управления в оперативном или автономном режиме, в зависимости оттого, выполняет нейронная сеть полезную работу в процессе обучения или нет. Хотя автономное обучение обычно осуществляется достаточно быстро, обобщение результатов автономного обучения на конкретные условия управления представляет значительные сложности. В связи с этим практически для всех реальных задач управления необходимо оперативное обучение. В идеальном случае обучение должно быть только оперативным; сеть должна быстро обучаться, начиная с некоторого начального набора весов.

Для обучения инверсной динамике объекта управления по результатам наблюдения соотношений меясду его входными и выходными процессами были предложены

нейроконтроллеры на основе нейронных сетей. Хотя такие нейроконтроллеры доказали свою эффективность в управлении сложными системами, из-за необходимого для них длительного времени обучения во многих практических ситуациях более эффективными оказываются контроллеры, построенные на основе обычных технологий. Медленная сходимость процесса обучения нейроконтроллеров приводит к плохим характеристикам управления и низкой надежности, особенно на начальных стадиях обучения. Чтобы нейронное управление стало действительной альтернативой традиционным методам, необходимы эффективные алгоритмы оперативного обучения нейроконтроллеров.

В данном разделе приводится некоторая общая структура нейронного управления, основанная на многослойных нейронных сетях. При этом требуются лишь незначительные сведения о количественных характеристиках объекта управления. Кратко рассматриваются основные схемы обучения нейроконтроллеров; отмечается, что хотя эти схемы обучения обеспечивают очень хорошие характеристики нейроконтроллеров, они требуют достаточно длительного времени обучения. В обычных адаптивных системах, где выполняется одна корректирующая операция за период дискретизации, повышение частоты дискретизации кажется естественным способом улучшения характеристик. Однако во многих реальных ситуациях частота дискретизации не может превышать некоторого предельного значения. С учетом этого ограничения в работе [52] предлагаются новые методы оперативного обучения, основанные на эффективном использовании данных о соотношении вход-выход объекта управления. В этих методах различаются понятия частоты дискретизации и частоты обучения. Предлагаемые методы направлены на сокращение времени обучения нейроконтроллеров. Для оценки эффективности предлагаемых нейроморфных структур управления и методов обучения используются результаты имитационного моделирования.