Содержание работы:

С точки зрения общей теории систем целью любой теоретической исследовательской деятельности моделирования является поиск адекватных зависимостей между измеряемыми величинами и некоторыми целевыми свойствами исследуемой системы. Наиболее интересно, разумеется, построить аналитическую модель изучаемого процесса или явления. Однако, это возможно лишь в наиболее простых случаях, зачастую представляющих лишь теоретический интерес. В большинстве задач поиска количественных соотношений между входными и выходными параметрами исследователь стоит перед необходимостью применения ряда алгоритмических и эвристических процедур, обеспечивающих пошаговое построение требуемой зависимости.

Если рассматривать математическую модель как вопрос, задаваемый исследователем природе, то утверждающей частью такого вопроса является четкое разделение зависимых и независимых переменных, ответственных за протекание изучаемого процесса и предполагаемая аналитическая форма записи модели. Вопрошающая часть соответствует вектору параметров, подлежащих численной оценке. При недостатке априорных данных о задаче или предметной области утверждающая часть ослаблена, вместо одной модели одновременно рассматривается несколько конкурирующих моделей или вместо небольшого набора параметров, отражающих механизм изучаемого явления, задается большое число независимых переменных, из которых путем отсеивающих экспериментов отбираются действительно значимые. Это типичная ситуация для начальной стадии моделирования.

В процессе решения проблемы неизменно возникает иерархия моделей на основе отношений, существующих между их утверждающими и вопрошающими частями. Например, если найдена оценка вектора параметров, уже она сама становится основой утверждающей части нового вопроса - вопроса об адекватности модели. Если найдены значения некоторых параметров, характеризующих  адекватность модели, к примеру, коэффициент корреляции, среднеквадратичное отклонение, то можно ставить вопрос о ее точности прогнозирования, переносимости на другие предметные области. Иерархия вопросов и порожденная ею иерархия моделей ограничиваются лишь глубиной и широтой интересов исследователя.

В силу ограничений, свойственных традицион�ным методам построения зависимостей, существует необходимость разработки альтернативного подхода к проблеме моделирования, основанного на технологии эмуляции нейронных сетей, по�скольку с его помощью можно выявить зависимости между переменными вне рамок каких-либо заранее выбранных моделей. Существенной частью такого моделирования является последующий анализ обученной нейронной сети с целью эксплицитного формирования правил, связывающих зависимые и независимые переменные. Это позволяет дать содержательную интерпретацию эмпирических моделей. Значительное внимание при этом уделяется представлению графической информации о структуре нейронной сети, визуализации результатов прогноза и моделирования.

Сравнивая коннекционистские (сетевые), символьные (экспертные) и алгоритмические системы моделирования, можно выделить ряд преимуществ коннекционистского подхода.

В случае символьных и алгоритмических систем знания извлекаются из эксперта, в то время как в коннекционистских системах знания порождаются непосредственно при обучении. При этом в символьных системах знания локализованы в правилах и объектах, а в алгоритмических � жестко запрограммированы. В коннекционистских же системах заранее не очевидно, какие группы нейронов соответствуют тем или иным функциям и возникнут ли вообще такие группы в процессе обучения. Заранее предполагается, что все обрабатывающие элементы (нейроны) однородны. Если это не так и возможна декомпозиция, то иерархическая система правил порождает базу знаний, соответствующую обученной нейросети. Развитие возможностей объяснения и агрегации знаний приведет к дальнейшему объединению лучших свойств коннекционистских (сетевых), символьных (продукционных) и алгоритмических систем моделирования. Многочисленные эксперименты по моделированию причинно-следственных соотношений на основе нейронных сетей показывают, что результаты моделирования не хуже тех, которые можно получить с использованием традиционных подходов, основанных на использовании многомерной линейной регрессии, факторного и дескриминантного анализа. Есть все основания полагать, что по мере совершенствования структуры нейронной сети, введения дополнительных параметров настройки и оптимизации их подбора, вариации числа и размеров скрытых слоев, а также при применении усовершенствованных методик обучения можно достичь существенно лучшего качества.

Использование искусственных нейронных сетей в системах управления динамическими объектами является одной из многочисленных областей их применения. Интерес к применению в системах управления искусственных нейронных сетей и, в первую очередь, статических многослойных нейронных сетей (МНС) наряду с динамическими искусственными нейронными сетями Хопфилда вполне закономерен, если иметь в виду комплекс достоинств, присущий нейронным сетям. С точки зрения теории управления, наиболее важными свойствами и характеристиками ИНС являются следующие.

Аппроксимирующие свойства МНС являются центральными при использовании МНС в управлении. Обучение сети с использованием данных вход/выход нелинейного объекта, в том числе многомерного, можно рассматривать как задачу аппроксимации необходимой нелинейной функции управления.

Способность искусственных нейронных сетей к обучению и самообучению придает адаптивные свойства системе с искусственной нейронной сетью. Обученная сеть функционирует даже при несоответствии входных данных искусственной нейронной сети в составе конкретной системы обучающей выборке и адаптируется в реальном масштабе времени (режим on-line).

Нейронные сети имеют множество входов и выходов и поэтому вполне естественно их применение в многомерных системах. Нейронные сети могут оперировать одновременно как с аналоговыми, так и с дискретными данными, а параллельная организация МНС приводит к повышенной надежности, что еще важнее, к высокой живучести управляющих систем на основе МНС. В сущности, сеть представляет собой довольно универсальную, однородную вычислительную среду для реализации разнообразных задач теории управления - моделирования, идентификации, управления с адаптацией к контролируемым изменениям свойств объекта не только на параметрическом уровне, но и на алго�ритмическом и структурном уровнях эволюции объекта.

Back to Top

Last updated: ноября 16, 2000.