Tadqiqot usullari.N.I.Chervyakov ishlarida V.F. Lubentsova, T.A. Rudakova [3] parametrik noaniqlik va kechikish mavjudligi bilan o'zgaruvchan tuzilishga ega bo'lgan avtomatik jarayonni boshqarish tizimini sintez qilish muammosini hal qildi. Mualliflar neyron tarmog'ining ko'p modulliligi tamoyillariga asoslangan texnikani taklif qilishdi.
Hozirgi vaqtda neyron tarmoqlardan foydalangan holda aqlli boshqaruv tizimlarini qurish katta qiziqish uyg'otmoqda [4-7]. Bu muammolarga bag‘ishlangan ilmiy nashrlar oqimi yildan-yilga ortib borayotgani shundan dalolat beradi. Shu sababli, sun'iy neyron tarmoqlarga asoslangan kechikish bilan aqlli boshqaruv tizimlarini ishlab chiqish va qurish dolzarb vazifadir.
Ushbu ishning ilmiy yangiligi optimal neyron tarmoqni tanlash algoritmini, sun'iy neyron tarmoqlarga asoslangan kechikish bilan intervalli ob'ektni aqlli boshqarish tizimini qurish algoritmini ishlab chiqishda va ma'lumotlar uchun neyron tarmoq arxitekturasini yaratishdadir. aqlli tizimlar modellari. Sun'iy neyron tarmoqlarga asoslangan kechikish bilan intervalli belgilangan ob'ekt uchun aqlli boshqaruv tizimlarini qurish uchun biz to'qqiz bosqichdan iborat algoritmdan foydalanamiz.
Algoritm:
Qadam 1. Intellektual tizimda neyron tarmoq modellari bo'lgan modullar sonini aniqlash. Texnologik jarayonga mos keladigan tizim bir nechta modullardan iborat bo'lib, ularning har biri jarayonning har bir bosqichida berilgan texnologik jarayonning holatiga yaqin bo'ladi.
Qadam 2. Neyron tarmoq modeli parametrlarini o'rnatishning mumkin bo'lgan holatlari sonini aniqlash. Ushbu bosqichda ob'ektning interval bilan belgilangan qiymatlari bilan ishlash imkoniyati qo'llaniladi.
Qadam 3. Modullarning kirish va chiqish parametrlarini tanlash. Har bir modulning neyron tarmog'ining kirish va chiqish qatlami uchun parametrlarni aniqlash.
Qadam 4. Kirish va chiqish vektorlarining misollari va mazmunini shakllantirish. Kirish va chiqish parametrlari joylashgan raqamli diapazonlarning ta'rifi.
Qadam 5. Neyron tarmoqni loyihalash: strukturani tanlash, qatlamlar sonini va har bir qatlamdagi neyronlar sonini aniqlash. Kirish qatlami null qatlam deb ataladi va qatlamlarni hisoblashda hisobga olinmaydi.
Qadam 6. Neyron tarmoqni o'qitish algoritmini tanlash.
Qadam 7. Tanlangan algoritm yordamida neyron tarmoqni o'rgatish.
Og'irlik koeffitsientlari uchun dastlabki raqamli qiymatlar 0,1 dan 1 gacha bo'lgan oraliqda o'rnatiladi. Faollashtirish funktsiyasi tanlangan. O'quv muammosi - bu tanlangan maqsad funktsiyasining minimalini izlash.
Qadam 8. Neyron tarmoqni tekshirish va optimallashtirish. Ushbu bosqichda ushbu algoritmning barcha oldingi bosqichlariga bir nechta qo'ng'iroqlarni amalga oshirish mumkin. Xato hisoblab chiqiladi va neyron tarmoqning og'irliklari tuzatiladi.
Qadam 9. Ko'p qatlamli neyron tarmoqlardan foydalanib, kechikish bilan intervalli belgilangan ob'ektni boshqarish tizimi quriladi.
Neyron tarmog'ini o'qitishning eng mos algoritmini aniqlash uchun biz turli xil o'qitish algoritmlarini ko'rib chiqamiz, ularning har biri bir qator afzallik va kamchiliklarga ega.
O'rganish algoritmining eng mashhur variantineyron tarmoqxatoning orqaga tarqalish algoritmi [8-9]. Orqaga tarqalish algoritmini tushunish eng oson. Ushbu algoritmning muhim kamchiliklari ham mavjud, masalan, uzoq o'rganish jarayoni. Murakkab vazifalarda tarmoqni o'rgatish uchun kunlar yoki haftalar ketishi mumkin, ammo tarmoq o'rganmasligi mumkin. Buning sababi tarmoqni o'qitish jarayonida og'irliklarning qiymatlari tuzatish natijasida katta qiymatlarga aylanishi mumkin. Natijada, neyronlarning hammasi yoki ko'pchiligi juda katta qiymatlarda, siqish funktsiyasining hosilasi juda kichik bo'lgan mintaqada ishlaydi. O'quv jarayonida qaytarilgan xato ushbu lotinga mutanosibdir, shuning uchun o'quv jarayoni deyarli muzlatib qo'yishi mumkin. Bu muammo kam o'rganilgan, u qadam hajmini kamaytirish orqali hal qilinadi,
Shuni hisobga olish kerakki, neyron tarmog'ida xato yuzasi murakkab tuzilishga ega va bir qator noxush xususiyatlarga ega, xususan, u bo'lishi mumkin.mahalliy minimal. Mahalliy minimallar - bu ularning ba'zi mahallalarida eng past bo'lgan, ammo global minimumdan yuqori bo'lgan nuqtalar.
Orqaga tarqalish usuli variatsiyadan foydalanadigradient tushish, ya'ni xato yuzadan pastga tushadi, doimiy ravishda og'irliklarni minimal darajaga moslashtiradi. Ma’lumki, murakkab tarmoqning xato yuzasi yuqori o‘lchamli bo‘shliqdagi tepaliklar, vodiylar, burmalar va jarlardan iborat. Shunday qilib, yaqin atrofda ancha chuqurroq minimum mavjud bo'lganda, tarmoq mahalliy minimumga erishishi mumkin. Mahalliy minimal nuqtada barcha yo'nalishlar yuqoriga ko'tariladi va tarmoq mahalliy minimumdan chiqa olmaydi.
Neyron tarmoqlarni o'rgatishdagi asosiy qiyinchilik aynan mahalliy minimaldan chiqish usullaridir: har safar mahalliy minimumni qoldirganda, keyingi mahalliy minimumni chiqish yo'lini topishning iloji bo'lmaguncha xatoni orqaga yoyishning bir xil usuli bilan qidiriladi. undan.
Konvergentsiya [10] tahlili shuni ko'rsatadiki, og'irlikdagi tuzatishlar cheksiz kichik deb taxmin qilinadi. Amalda buni amalga oshirish mumkin emas, chunki bu cheksiz o'rganish vaqtiga olib keladi. Siz qadam o'lchamini chekli sifatida qabul qilishingiz kerak. Agar qadam o'lchami qattiq va juda kichik bo'lsa, unda konvergentsiya juda sekin bo'ladi; agar u qattiq va juda katta bo'lsa, falaj yoki doimiy beqarorlik yuzaga kelishi mumkin. Bunday holda, antigradientning berilgan yo'nalishi bo'yicha smeta yaxshilanishi to'xtaguncha qadamni oshirish va agar bunday yaxshilanish bo'lmasa, uni kamaytirish samarali bo'ladi. P. D. Vasserman [11] o'quv jarayonida qadam o'lchamini avtomatik ravishda to'g'irlaydigan adaptiv qadam tanlash algoritmini tasvirlab berdi. A. N. Gorbanning kitobi [12] ta'limni optimallashtirishning tarmoqlangan texnologiyasini taklif qiladi.
Shuni ta'kidlash kerakki, tarmoqni qayta tayyorlash imkoniyati, bu uning topologiyasini noto'g'ri loyihalash natijasidir. Agar neyronlar soni juda ko'p bo'lsa, tarmoqning ma'lumotni umumlashtirish xususiyati yo'qoladi. Keyin o'qitish uchun taqdim etilgan tasvirlarning butun to'plami tarmoq tomonidan o'rganiladi, ammo boshqa har qanday tasvirlar, hatto shunga o'xshashlar ham bo'lishi mumkin.tasniflangannoto'g'ri.