Qeyri-səlis sinir idarəetmə sistemləri haqqında bəzi məlumatlar. Qeyri-səlis məntiq və süni neyron şəbəkələri. Kruglov V.V. Qeyri-səlis məntiq və süni neyron şəbəkələri

Misal "İsti çay" X \u003d 0 C C; C \u003d 0/0; 0/10; 0/20; 0,15/30; 0,30/40; 0,60/50; 0,80/60; 0, 90/70; 1/ 80; 1/90; 1/100.

İki qeyri-səlis çoxluğun kəsişməsi (qeyri-səlis "AND"): MF AB (x)=min(MF A (x), MF B (x)). İki qeyri-səlis çoxluğun birliyi (qeyri-səlis "OR"): MF AB (x)=max(MF A (x), MF B (x)).

Lütfi Zadənin fikrincə, dil dəyişəni təbii və ya süni dilin sözləri və ya cümlələri olan dəyişəndir. Linqvistik dəyişənin dəyərləri qeyri-səlis dəyişənlər ola bilər, yəni. linqvistik dəyişən qeyri-səlis dəyişəndən daha yüksək səviyyədədir.

Hər bir linqvistik dəyişən aşağıdakılardan ibarətdir: ad; onun qiymətlər çoxluğu, bu da baza termin çoxluğu adlanır. Baza termin çoxluğunun elementləri qeyri-səlis dəyişənlərin adlarıdır; universal dəst X; təbii və ya rəsmi dil sözlərindən istifadə etməklə yeni terminlərin yaradıldığı sintaktik qayda G; linqvistik dəyişənin hər bir qiymətini X çoxluğunun qeyri-səlis alt çoxluğu ilə əlaqələndirən semantik qayda P.

"Səhm qiyməti" linqvistik dəyişəninin təsviri X= Baza terminlər dəsti: "Aşağı", "Orta", "Yüksək"

"Yaş" linqvistik dəyişəninin təsviri

"Soft computing" (Soft computing) qeyri-səlis məntiq, süni neyron şəbəkələri, ehtimal əsaslandırması, təkamül alqoritmləri

Şəbəkə qurun (giriş dəyişənlərini seçdikdən sonra) İlkin şəbəkə konfiqurasiyasını seçin Yadda saxlayarkən müxtəlif konfiqurasiyalarla bir sıra təcrübələr aparın. ən yaxşı şəbəkə(nəzarət xətası mənasında). Hər bir konfiqurasiya üçün bir neçə sınaq aparılmalıdır. Növbəti təcrübədə uyğunsuzluq müşahidə olunarsa (şəbəkə məqbul keyfiyyətdə nəticə vermir), ara təbəqəyə (laylara) əlavə neyronlar əlavə etməyə çalışın. Bu kömək etmirsə, yeni bir ara təbəqə əlavə etməyə çalışın. Həddindən artıq uyğunlaşma varsa (nəzarət xətası artmağa başladı), bir neçəsini çıxarmağa çalışın gizli elementlər(və bəlkə də təbəqələr).

Neyron Şəbəkələrin Təsnifatı (Nəzarət Edilən Öyrənmə) ilə Həll Edilən Data Mining Problemləri Proqnoz Klasterləşdirmə (Nəzarətsiz Öyrənmə) Mətnin Tanınması, Nitqin tanınması, Şəxsiyyətin İdentifikasiyası Sonlu giriş dəyərlər dəsti ilə verilən funksiyanın ən yaxşı yaxınlaşmasını tapır (təlim nümunələri sıxılma tapşırığı). məlumat ölçüsünü azaltmaqla məlumat

Deductor (BaseGroup) Analitik paketində "Müştəriyə kredit verin" tapşırığı Təlim dəsti - müştərilər haqqında məlumatları özündə əks etdirən məlumat bazası: - Kreditin məbləği, - Kreditin müddəti, - Kreditin məqsədi, - Yaş, - Cins, - Təhsil, - Şəxsi mülkiyyət, – Mənzil, – Mənzilin sahəsi. Kredit almaq istəyən Müştərinin kreditin defolt risk qrupunda olub-olmamasına cavab verə biləcək bir model qurmaq lazımdır, yəni. istifadəçi “Kredit verməliyəmmi?” sualına cavab almalıdır. Tapşırıq təsnifat tapşırıqları qrupuna aiddir, yəni. müəllimlə öyrənmək.

Avtomatik idarəetmə sahəsində mühəndislər ənənəvi elektromexaniki və analoq idarəetmə texnologiyalarından kompüterləşdirilmiş analiz və qərar alqoritmlərini birləşdirən rəqəmsal mexatronik idarəetmə sistemlərinə keçərkən, daha da əhəmiyyətli dəyişikliklərə səbəb ola biləcək yeni kompüter texnologiyaları üfüqdədir. Neyron şəbəkələri və qeyri-səlis məntiq artıq geniş tətbiq tapıb və tezliklə avtomatik idarəetmə sistemlərinin qurulması və proqramlaşdırılması üsulunu dəyişdirə biləcək.

Ənənəvi kompüterlər fon Neyman arxitekturasına malikdir, bu arxitektura aydın şəkildə verilmiş təlimatların ardıcıl işlənməsi və icrasına əsaslanır. Süni neyron şəbəkələri (ANN) fərqli bir arxitektura əsasında qurulur. Onlar yüksək paralellik səviyyəsinə malik sistemə birləşdirilmiş çox sadə prosessor bloklarından yığılır. Bu sistem xarici mənbələrdən daxil olan məlumatlarda nümunənin tanınmasına əsaslanan gizli əmrləri yerinə yetirir.

qeyri-səlis məntiqənənəvi anlayışları da başlarına çevirir. Verilmiş miqyasda kəmiyyətin mövqeyini təyin edən dəqiq ölçmə nəticələrinin əvəzinə (məsələn, "temperatur 23 ° C"), qeyri-səlis məlumat qeyri-müəyyən şəkildə müəyyən edilmiş üst-üstə düşən dəstlərə ("istiliyin soyuq tərəfində") üzvlük dərəcəsini göstərir. .

Təriflər

Bu anlayışlardan istifadə edən kompüterlər (daha dəqiq desək, “məhsul maşınları”) ənənəvi idarəetmə sistemlərinin gücündən kənarda olan mürəkkəb problemləri həll etmək iqtidarındadır.

Vikipediyaya görə süni neyron şəbəkəsi (ANN) “hesablamaların əlaqəsinə əsaslanan məlumatı emal etmək üçün riyazi və ya hesablama modelindən istifadə edən bir-biri ilə əlaqəli süni “neyronlar” toplusudur”.

Əksər hallarda ANN şəbəkədən keçən xarici və ya daxili informasiyanın təsiri altında strukturunu dəyişən adaptiv sistemdir. Rəqəmsal girişlərdən ədədi nəticələri hesablamaq əvəzinə, ANN girişlər və çıxışlar arasında mürəkkəb əlaqələri modelləşdirir və ya verilənlərdə nümunələri aşkar edir.

Elementar qovşaqlar (“neyronlar”, “neyrodlar”, “emaledici elementlər” və ya “bloklar” da deyilir) bir-birinə bağlanır və qovşaqlar şəbəkəsini təşkil edir. Onların tətbiqinin faydalı təsiri qüvvələri və ya çəkiləri dəyişdirən nəticə alqoritmlərini həyata keçirmək qabiliyyətindən irəli gəlir. şəbəkə əlaqələriİstədiyiniz siqnal axını əldə etmək üçün.

Bu süni neyron şəbəkəsi nümunəsində 3D vektorunu təmsil edən h dəyişəni x giriş dəyişənindən asılıdır. Sonra, iki ölçülü vektor dəyişəni olan g h-dən asılıdır və nəhayət, f çıxış dəyişəni g-dən asılıdır.

Ən maraqlısı öyrənmə imkanıdır ki, bu da praktikada həll olunan problemin kontekstində nəticənin düzgünlüyünü göstərən, çox vaxt “xərc” adlanan müəyyən dəyərin optimallaşdırılması deməkdir.

Məsələn, klassik səyyar satıcı problemində qiymət ticarət ərazisini tamamilə gəzmək, bütün tələb olunan nöqtələrdə dayanmaq və başlanğıc nöqtəyə çatmaq üçün tələb olunan vaxtdır. Daha qısa marşrut daha yaxşı həll yolu verir.

Bu problemi həll etmək üçün fon Neuman kompüterləri bütün mümkün marşrutları qurmalı və sonra hər bir marşrutu növbə ilə yoxlamalı və bu marşrutun ümumi gecikməsini müəyyən etmək üçün gecikmə vaxtı toplamalıdır.Bütün mümkün marşrutlar üçün cəmləri hesabladıqdan sonra kompüter sadəcə olaraq, marşrutu seçir. ən qısası.

Bunun əksinə olaraq, ANN ümumi marşrut vaxtını minimuma endirən konfiqurasiyaları tapmaq üçün bütün marşrutları paralel olaraq nəzərdən keçirir. Bu konfiqurasiyaların istifadəsi nəticədə marşrutu minimuma endirir. Öyrənmə əvvəlki təcrübəyə əsaslanaraq marşrutun optimallaşdırılması strategiyalarını təmin edən konfiqurasiyaların müəyyənləşdirilməsindən ibarətdir.

Qeyri-səlis məntiq (yenə Vikipediyaya görə) dəqiqlikdən daha çox təxmini olan mülahizələrlə məşğul olan qeyri-səlis çoxluqlar nəzəriyyəsindən irəli gəlir. Qeyri-səlis məntiqdə həqiqət qeyri-səlis müəyyən edilmiş çoxluqlara aid olduğunu göstərir. Qeyri-səlis məntiqdə qərarlar qeyri-müəyyən müəyyən edilmiş, lakin buna baxmayaraq çox vacib xüsusiyyətlərə əsasən qəbul edilə bilər. Qeyri-səlis məntiq 0-dan 1-ə qədər olan diapazonda üzvlük dəyərlərinin dəyişdirilməsinə, həmçinin “bir az”, “müəyyən dərəcədə” və “çox” kimi qeyri-müəyyən anlayışların istifadəsinə imkan verir. Bu, xüsusi bir şəkildə dəstdə qismən üzvlük həyata keçirməyə imkan verir.

Əsas tətbiq davamlı dəyişənin alt diapazonları ilə təsvir edilə bilər. Məsələn, bloklanma əleyhinə əyləc sisteminin temperatur diapazonu əyləclərin düzgün idarə edilməsi üçün lazım olan temperatur diapazonlarını müəyyən edən bir neçə ayrıca üzvlük funksiyasına malik ola bilər. Hər bir funksiya temperatur dəyərinin 0-dan 1-ə qədər aralığında həqiqət dəyərinə aid olub-olmadığını göstərir. Bu həqiqət dəyərlərindən sonra əyləc sisteminin necə idarə olunacağını seçmək üçün istifadə edilə bilər.

Şəkil emalı

Qeyri-səlis məntiqə əsaslanan ANN-də qərar qəbul etmənin köməyi ilə yaratmaq olar güclü sistem idarəetmə. Aydındır ki, bu iki anlayış birlikdə yaxşı işləyir: üç qeyri-səlis vəziyyətə (məsələn, soyuq, isti, isti) malik bir nəticə alqoritmi, üç neyron üçün giriş dəyərləri kimi həqiqət dəyərlərindən (0.8, 0.2, 0.0) istifadə edərək aparatda həyata keçirilə bilər. , hər biri üç dəstdən birini təmsil edir. Hər bir neyron öz funksiyasına uyğun olaraq giriş dəyərini emal edir və çıxış dəyərini alır, sonra bu, neyronların ikinci təbəqəsi üçün giriş dəyəri olacaq və s.

Məsələn, təsvirin işlənməsi üçün neyrokompüter video çəkiliş, işıqlandırma və aparat parametrlərində çoxsaylı məhdudiyyətləri aradan qaldıra bilər. Bu sərbəstlik dərəcəsi neyron şəbəkənin nümunələrin öyrənilməsi yolu ilə tanınma mexanizmini qurmağa imkan verməsi səbəbindən mümkün olur. Nəticədə, sistem yaxşı və qüsurlu məhsulları güclü və zəif işıqda, müxtəlif bucaqlarda yerləşdikdə və s. tanımaq üçün öyrədilə bilər. Nəticə mühərriki işıqlandırma şəraitini "qiymətləndirmək"lə işə başlayır (başqa sözlə, sistemin necə hərəkət edəcəyini bildiyi digər işıqlandırma şərtlərinə oxşarlıq dərəcəsini təyin etməklə). Daha sonra sistem verilmiş işıqlandırma şəraitinə əsaslanan meyarlardan istifadə edərək təsvirin məzmunu haqqında qərar qəbul edir. Sistem işıqlandırma şərtlərinə qeyri-səlis anlayışlar kimi baxdığından, nəticə çıxarma mühərriki məlum nümunələrdən asanlıqla yeni şərtləri müəyyən edir.

Sistem nə qədər çox nümunə öyrənirsə, görüntü emal mühərriki bir o qədər çox təcrübə qazanır. Bu öyrənmə prosesi, məsələn, oxşarlıq və fərqlilik sahələrində öyrənmək üçün oxşar xüsusiyyətlərə malik hissələr qruplarına əvvəlcədən çeşidləməklə kifayət qədər asanlıqla avtomatlaşdırıla bilər. Bu müşahidə olunan oxşarlıqlar və fərqlər daha sonra ANN-ə məlumat verə bilər, onun vəzifəsi daxil olan hissələri bu kateqoriyalara ayırmaqdır. Beləliklə, sistemin müvəffəqiyyəti avadanlığın qiymətindən deyil, etibarlı nəticə çıxarma mühərrikinin hazırlanması və qurulması üçün tələb olunan şəkillərin sayından asılıdır.

Təsvir edən neyrokompüter diaqnozun model və alqoritmlərdən çox operator təcrübəsinə və təcrübəsinə əsaslandığı tətbiqlər üçün uyğundur. Prosessor ondan tanınma mexanizmi qura bilər sadə şərhlər operator tərəfindən hazırlanmış təsvirə, sonra şərhlərlə təmin edilmiş obyektlərdən xüsusiyyətləri və ya xüsusiyyət vektorlarını çıxarın və onları neyron şəbəkəsinə köçürün. Görünən obyektləri təsvir edən xüsusiyyət vektorları piksel sıra dəyərləri, histoqram və ya intensivlik paylanması, intensivliyin paylanması profilləri və ya müvafiq oxlar boyunca qradientlər kimi sadə ola bilər. Daha mürəkkəb xüsusiyyətlərə dalğacık çevrilməsi və sürətli Furye çevrilməsi elementləri daxil ola bilər.

Ümumiləşdirmələr

Nümunələrdən öyrəndikdən sonra neyron şəbəkəsi ümumiləşdirmə qabiliyyətinə malikdir və əvvəllər heç vaxt müşahidə olunmayan vəziyyətləri misallardan oxşar vəziyyətlərlə əlaqələndirərək təsnif edə bilir. Digər tərəfdən, sistem həddindən artıq sərbəstliyə və vəziyyətlərin ümumiləşdirilməsinə meyllidirsə, onun davranışı istənilən vaxt əks nümunələri öyrənməklə düzəldilə bilər.

Neyron şəbəkəsi nöqteyi-nəzərindən bu əməliyyat, mövcud neyronların təsir sahələrini, qərar məkanının mövcud xəritələşdirilməsi ilə ziddiyyət təşkil edən yeni nümunələrə uyğunlaşdırmaq üçün azaltmaqdır.

ANN-lərin qəbulunu müəyyən edən mühüm amil müstəqil və adaptiv öyrənmədir. Bu o deməkdir ki, cihaz minimum və ya operator müdaxiləsi olmadan obyekti öyrənə bilməlidir. Gələcəkdə, məsələn, kuklalar ilk dəfə onları açan uşağın üzünü tanıya və adlarını soruşa bilər. üçün öz-özünə təhsil cib telefonu ilk sahibinin barmaq izini yoxlamaqdan ibarət ola bilərdi. Sahibin identifikasiyası üz, barmaq izi və nitqin tanınmasını bir cihazda birləşdirməklə də təkmilləşdirilə bilər.

Öz-özünə öyrənmə şəraitində cihaz öz iş mühitində ən yaxşı şəkildə fəaliyyət göstərəcək öz tanınma mühərrikini qurmalıdır. Məsələn, ağıllı kukla saçının və dərisinin rəngindən, yerindən və mövsümündən asılı olmayaraq ilk sahibini tanımalıdır.

Əvvəlcə mühərrik bildiyi bütün xüsusiyyət çıxarma üsullarından istifadə etməlidir. Bu, hər biri obyektlərin eyni kateqoriyalarını müəyyən etmək üçün nəzərdə tutulmuş, lakin müxtəlif xüsusiyyətlərin (rəng, dənəvərlik, kontrast, haşiyə qalınlığı və s.) müşahidəsinə əsaslanan bir sıra ara mexanizmlərin formalaşmasına səbəb olacaqdır. Ümumi mühərrik daha sonra ən yaxşı performans və/və ya dəqiqlik verənləri seçərək ara mühərriklərin işini qiymətləndirə bilər.

Balıqların çeşidlənməsi nümunəsi

PiscesVMK gəmidə və sahil zavodlarında balıq emalı üçün emal avadanlıqları istehsal edir. Şirkətin müştəriləri Şimal dənizində və Atlantik okeanında müxtəlif növ balıqlar üçün ilboyu balıq ovu həyata keçirən balıq emalı gəmiləridir. Bu istehlakçılar anbarlarını mümkün qədər tez ovla doldurmaq istəyirlər. yüksək keyfiyyətli minimum işçi sayı ilə.

Tipik olaraq, balıqlar torlarla gəmiyə gətirilir və təmizləmə, dilimləmə və fileto maşınları vasitəsilə onları daşıyan konveyerdə konteynerlərə boşaldılır. Mümkün sapmalara yanlış çeşid, zədələnmiş balıq, çəndə birdən çox balığın olması və dilimləmə maşınına girməzdən əvvəl düzgün yerləşdirilməməsi daxildir. Bu cür nəzarətin ənənəvi görüntü emal vasitələri ilə həyata keçirilməsi çətindir, çünki ölçüləri, forma və həcmi riyazi olaraq təsvir etmək çətindir. Bundan əlavə, bu parametrlər üzmə yerindən və mövsümdən asılı olaraq dəyişə bilər.

Balıqlar Matroxun Iris smart kamerası və General Vision şirkətinin CogniSight tanınma mühərriki əsasında 20-dən çox sistem quraşdırıb. Kamera konveyerin üstündə quraşdırılıb ki, balıq filesi maşına girməzdən əvvəl onun altından keçsin. Kamera Siemens Simatic S7-224 nəzarətçisinə (PLC) və ona qoşulub yerli şəbəkə(LAN). Kameranın yanında quraşdırılmış stroboskopik işıq mənbəyi hər dəfə yeni konteyner görünəndə işə düşür. Kameranı yerli şəbəkəyə qoşmaq üç əməliyyatı yerinə yetirmək üçün lazımdır: fokus və düzgün təsvir kontrastını təmin etmək üçün çeviricinin tənzimlənməsi, tanınma mühərrikini öyrənmək və şərti və pis vəziyyətdə olan balıqların sayını davamlı olaraq bildirən statistikaya daxil olmaq.

Transduserin tənzimlənməsi kameranın suya davamlı qutuda quraşdırılması zamanı yalnız bir dəfə baş verir. Təlim hər üzgüçülüyün başlanğıcında ilk ovdan balıq nümunələri ilə və ya mövcud faylın yüklənməsi ilə həyata keçirilir.

Kamera bilik bazasını əldə etdikdən sonra o, balığı müstəqil şəkildə, onunla əlaqə saxlamadan tanımağa başlaya bilər Şəxsi kompüter. INS onu "qəbul edilmiş", "rədd edilmiş", "emal üçün" və ya "boş" kateqoriyalarına ayırır. Bu siqnal, müvafiq balıqları çıxarmaq və ya emal etmək üçün qutulara yönəldən iki fırçaya nəzarət edən PLC-yə gedir. PLC, həmçinin kameranın altından hər dəfə balıq konteyneri keçəndə tətik siqnalı yaradan maqnit sensora qoşulur.

Balıqlar indi Norveç, İslandiya, Şotlandiya və Danimarkada 5 müxtəlif balıqçılıq donanmasında 20-dən çox sistem quraşdırıb. Sistem siyənək xətlərində dəqiqədə 360 konveyer tutumunu təxmin edir, lakin o, daha da sürətlə işləyə bilər.

80 neyron şəbəkəsi üçün 16 ton balığın təsnifatında 98% dəqiqliyə nail olunub. Etibarlılığı, çevikliyi və istifadəsi asanlığı sayəsində balıqçılar sistemdən razıdırlar. Faydaları: Azaldılmış üzmə vaxtı, artan ov keyfiyyəti və daha az balıqçı arasında paylaşılan gəlir.

Diskret istehsal alətlərində neyron şəbəkələri nəqliyyat vasitələrinin idarə edilməsində, radar sistemlərində nümunənin tanınmasında, şəxsiyyətin tanınmasında, obyektin tanınmasında, əl yazısında, jestlərdə və nitqdə tətbiq tapmışdır.

Qeyri-səlis məntiq artıq avtomobili və digər alt sistemləri idarə etmək üçün istifadə olunur nəqliyyat vasitəsi, məsələn, ABS sistemi və kruiz kontrol, həmçinin kondisioner, kameralar, rəqəmsal görüntüləmə, süni intellekt Kompüter oyunları və uzaqdan sensor sistemlərində nümunənin tanınması.

Oxşar yumşaq hesablama texnologiyaları etibarlı yaratmaq üçün də istifadə olunur şarj cihazı tənəffüs aparatlarının batareyaları üçün. Davamlı və toplu sənayelərdə qeyri-səlis məntiq və neyron şəbəkələr bəzi özünü tənzimləyən nəzarətçilərin əsasını təşkil edir. Bəzi mikrokontrollerlər və mikroprosessorlar qeyri-səlis məntiq üçün optimallaşdırılıb ki, sistemlər daha sürətli işləyə bilsin (aşağıda “Real Time Control üçün Sürətli Qeyri-səlis Məntiq”ə baxın).

Yuxarıda təsvir edilən PID nəzarətçiləri qeyri-xətti və qeyri-xətti idarəetmədə zəif performansa malikdir mürəkkəb sistemlər, habelə idarəetmə obyekti haqqında kifayət qədər məlumatın olmaması ilə. Bəzi hallarda nəzarətçilərin xüsusiyyətləri qeyri-səlis məntiq metodları, neyron şəbəkələri və genetik alqoritmlərdən istifadə etməklə təkmilləşdirilə bilər. Sadalanan üsullar xaricdə “soft-computing” adlanır və onların natamam və qeyri-dəqiq məlumatlarla işləmək qabiliyyətindən ibarət “hard-computing”dən fərqini vurğulayır. Yuxarıda göstərilən metodların kombinasiyaları (qeyri-səlis-PID, neyro-PID, genetik alqoritmli neyro-qeyri-səlis-PID nəzarətçiləri) bir nəzarətçidə istifadə oluna bilər.

Qeyri-səlis və neyroşəbəkə nəzarətçilərinin əsas çatışmazlığı onların konfiqurasiyasının mürəkkəbliyidir (qeyri-səlis qaydalar bazasının yaradılması və neyron şəbəkənin öyrədilməsi).

5.7.1. PID kontrollerlərində qeyri-səlis məntiq

Qeyri-səlis nəticə aşağıdakı kimi həyata keçirilir. Fərz edək ki, səhvin dəyişmə sahəsi dəstlərə, idarəetmə hərəkətinin dəyişmə sahəsi dəstlərə bölünür və bir mütəxəssisin köməyi ilə aşağıdakı əməliyyat qaydaları tərtib etmək mümkün olmuşdur. nəzarətçi [Astrom]:

Bu qaydalar çox vaxt daha yığcam cədvəl şəklində yazılır (şək. 5.91).

Qaydalardan istifadə edərək qeyri-səlis nəzarətçinin çıxışında idarəedici dəyişənin qiymətini əldə edə bilərsiniz. Bunun üçün (5.118) qaydalar sisteminə daxil olan çoxluqlar üzrə nəticə çıxarma əməliyyatlarının yerinə yetirilməsi nəticəsində yaranmış dəyişənin çoxluğa üzvlük funksiyasını tapmaq lazımdır.

Qaydalardakı (5.118) “AND” əməliyyatı çoxluqların kəsişməsinə, bütün qaydaların tətbiqinin nəticəsi isə çoxluqların birləşmə əməliyyatına uyğundur [Rutkovskaya]. İki çoxluğun kəsişməsi üçün üzvlük funksiyası, məsələn, və (1-ci Qaydaya baxın) [Rutkovskaya] kimi tapılır.

Çoxluqların kəsişməsi və ya birləşməsi ilə əldə edilən üzvlük funksiyaları müəyyən edilə bilər fərqli yollar, həll olunan problemin mənasından asılı olaraq. Bu mənada qeyri-səlis çoxluq nəzəriyyəsinin özü də qeyri-səlisdir. [Rutkowska] çoxluqların kəsişməsi üçün üzvlük funksiyasının 10 müxtəlif tərifini verir, lakin konkret problemi həll etmək üçün hansının seçilməli olduğunu demir. Xüsusilə, çoxluqların kəsişməsi və birləşməsi vəziyyətində üzvlük funksiyalarını tapmaq üçün daha başa düşülən əməliyyatdan istifadə edirlər ki, bu da ehtimalların vurulması və toplanması qaydaları ilə analoqudur:

Lakin üzvlük funksiyasını tapmaq üçün ilk iki üsuldan istifadə etmək adətən daha üstündür, çünki adi dəstlər üçün işlənib hazırlanmış qaydaların əksəriyyətini saxlamaqla [Uskov].

Qaydalarda (5.118) qeyri-səlis dəyişənə daxil olan çoxluqların hər biri üçün üzvlük funksiyaları [Rutkovskaya] formasında alınır.

Burada 9 tənliyin hər biri qaydalardan birinə uyğun gəlir (5.118). Bütün 9 qaydanı tətbiq etdikdən sonra əldə edilən nəzarət hərəkətinin üzvlük funksiyası bütün qaydaların üzvlük funksiyalarının birliyi kimi tapılır:

Nəzarət hərəkətinin nəticədə üzvlük funksiyası alındıqdan sonra sual yaranır ki, nəzarət hərəkətinin hansı xüsusi dəyəri seçilməlidir. Qeyri-səlis çoxluqlar nəzəriyyəsinin ehtimal təfsirindən istifadə etsək, onda aydın olur ki, belə bir qiymət idarəetmə hərəkətinin riyazi gözləntiləri ilə analogiya şəklində əldə edilə bilər:

Bu qeyri-səlisləşdirmə üsulu ən çox yayılmışdır, lakin yeganə deyil.

Qeyri-səlis kontrollerlər qurmaq üçün adətən P, I, PI və PD PD+I, PI+D və PID idarəetmə qanunlarından istifadə olunur [Mann ]. Səhv siqnalı, xətanın artımı, xətanın kvadratı və xətanın inteqralı [Mann ] qeyri-səlis nəticə çıxarma sistemi üçün giriş siqnalları kimi istifadə olunur. Qeyri-səlis PID nəzarətçisinin tətbiqi problemlərə səbəb olur, çünki o, PID nəzarətçi tənliyindəki üç şərtə uyğun olaraq üçölçülü qayda cədvəlinə malik olmalıdır ki, bunu ekspert cavablarından istifadə etməklə tamamlamaq olduqca çətindir. PID kimi qeyri-səlis kontrollerlərin çoxlu strukturları [Mann] məqaləsində tapıla bilər.

Qeyri-səlis nəzarətçinin son tənzimləməsi və ya optimala yaxın tənzimləmə hələ də çətin işdir. Bunun üçün öyrənmə alqoritmləri style="color:red"> və böyük hesablama resursları və vaxt tələb edən genetik axtarış metodlarından istifadə edilir.

PID qazancını tənzimləmək üçün qeyri-səlis məntiqdən istifadə

"Parametrlərin hesablanması" və "Avtomatik tənzimləmə və uyğunlaşma" bölmələrində təsvir edilən üsullarla yerinə yetirilən nəzarətçinin tənzimlənməsi optimal deyil və sonrakı tənzimləmə ilə təkmilləşdirilə bilər. Sazlama operator tərəfindən qaydalar əsasında (“Qaydalar əsasında əl ilə tənzimləmə” bölməsinə baxın) və ya qeyri-səlis məntiq blokundan istifadə etməklə avtomatik həyata keçirilə bilər (şək. 5.92). Qeyri-səlis məntiq bloku (qeyri-səlis blok) tənzimləmə qaydaları əsasında və qeyri-səlis nəticə çıxarma metodlarından istifadə edir. Qeyri-səlis tənzimləmə həddi aşmağı azaldır, yerləşmə vaxtını azaldır və PID nəzarətçisinin [Yesil] möhkəmliyini artırır.

Qeyri-səlis məntiq blokundan istifadə edərək nəzarətçinin avtomatik tənzimlənməsi prosesi nəzarətçi əmsallarının ilkin yaxınlaşmalarının axtarışı ilə başlayır. Bu, adətən, qapalı sistemdə təbii rəqslər dövrünə və loop qazanmasına əsaslanan Ziegler-Nichols metodu ilə edilir. Sonra, optimallaşdırma üsulları ilə tənzimləmə parametrlərinin optimal dəyərlərini tapmaq üçün zəruri olan bir meyar funksiyası tərtib edilir.

Nəzarətçinin tənzimləmə prosesində bir neçə addım [Hsuan ] istifadə olunur. Birincisi, avtomatik tənzimləmə qurğusunun giriş və çıxış siqnallarının diapazonları, arzu olunan parametrlərin üzvlük funksiyalarının forması, qeyri-səlis nəticə çıxarma qaydaları, nəticə çıxarma mexanizmi, qeyri-səlisləşdirmə metodu və kəskin dəyişənləri çevirmək üçün zəruri olan miqyas amillərinin diapazonları. qeyri-səlis olanlar seçilir.

Nəzarətçi parametrlərinin axtarışı optimallaşdırma üsulları ilə həyata keçirilir. Bunun üçün məqsəd funksiyası idarəetmə xətasının kvadratlarının cəminin və qərarlaşma vaxtının inteqralı kimi seçilir. Obyektin çıxış dəyişəninin fırlanma sürəti bəzən minimumlaşdırma meyarına əlavə edilir.

İstənilən parametrlər (tapılacaq parametrlər) kimi, qeyri-səlis blokun giriş və çıxışında üzvlük funksiyalarının maksimumlarının mövqeyi (bax. Şəkil 5.90) ​​və miqyas faktorları seçilir. Optimallaşdırma probleminə üzvlük funksiyalarının mövqelərindəki dəyişikliklər diapazonuna məhdudiyyətlər əlavə olunur. Kriteriya funksiyasının optimallaşdırılması, məsələn, genetik alqoritmlərdən istifadə etməklə həyata keçirilə bilər.

Qeyd etmək lazımdır ki, obyektin dəqiq riyazi modelini əldə etmək üçün kifayət qədər məlumatın olduğu hallarda ənənəvi kontroller qeyri-səlis nəzarətçidən həmişə daha yaxşı olacaq, çünki qeyri-səlis idarəedicinin sintezi zamanı ilkin məlumatlar təqribən verilir.

5.7.2. Süni neyron şəbəkələri

Qeyri-səlis məntiq kimi neyron şəbəkələri PID kontrollerlərində iki şəkildə istifadə olunur: nəzarətçinin özünü qurmaq və onun əmsallarını tənzimləmək üçün blok qurmaq. Neyroşəbəkə “öyrənmək” qabiliyyətinə malikdir ki, bu da neyroşəbəkəyə PID nəzarətçi əmsallarını tənzimləmək sənətində öyrətmək üçün mütəxəssisin təcrübəsindən istifadə etməyə imkan verir. Neyroşəbəkə nəzarətçisi cədvəllə idarə olunan nəzarətçiyə bənzəyir (bax "Cədvəl nəzarəti">), lakin neyron şəbəkələri üçün hazırlanmış xüsusi tənzimləmə ("təlim") üsulları və verilənlərin interpolyasiyası üsulları ilə fərqlənir.

Mütəxəssisin linqvistik dəyişənlərdə tənzimləmə qaydalarını tərtib etməli olduğu qeyri-səlis nəzarətçidən fərqli olaraq, neyroşəbəkədən istifadə edərkən ekspertin qaydaları formalaşdırmasına ehtiyac yoxdur - onun neyron şəbəkə "təlimi prosesində nəzarətçini bir neçə dəfə tənzimləməsi kifayətdir. ".

Neyron şəbəkələri 1943-cü ildə neyron fəaliyyətinin və bioloji neyronların tədqiqi nəticəsində McCulloch və Pitts tərəfindən təklif edilmişdir. süni neyronümumi halda qeyri-xətti çevrilməni həyata keçirən bir çıxış və girişi olan funksional blokdur , burada - daxil olan dəyişənlər üçün çəki əmsalları (parametrləri); - daimi yerdəyişmə; -" aktivləşdirmə funksiyası"neyron, məsələn, forma (sigmoid funksiyası), bəzi parametr haradadır. Neyron şəbəkəsi (şək. 5.93) bir-biri ilə əlaqəli çoxlu neyronlardan ibarətdir, əlaqələrin sayı minlərlə ola bilər. Aktivləşdirmə funksiyalarının qeyri-xətti olması və çoxlu sayda tənzimlənən əmsallara görə (işdə [Kato ] giriş qatında 35, çıxış qatında 25 neyrondan istifadə edildiyi halda, əmsalların sayı 1850 idi) neyron şəbəkəsi çoxsaylı giriş siqnallarının çoxlu çıxış siqnallarına qeyri-xətti xəritələşdirilməsini həyata keçirin.

PID nəzarətçisi və avtomatik tənzimləmə vahidi kimi neyron şəbəkəsi olan avtomatik idarəetmə sisteminin tipik quruluşu Şek. 5.94 [Kawafuku, Kato]. Bu strukturdakı neyron şəbəkəsi hər bir siqnal dəsti üçün PID nəzarətçisinin əmsallarını yaradan funksional çevirici rolunu oynayır. Genetik alqoritmlər, tavlama simulyasiya metodu, ən kiçik kvadratlar metodu da daxil olmaqla minimumu tapmaq üçün digər üsullardan da istifadə olunur.

Neyron şəbəkəsinin təlim prosesi aşağıdakı kimidir (şək. 5.95). Ekspertə müxtəlif girişləri olan qapalı dövrəli avtomatik idarəetmə sistemində tənzimləyicinin parametrlərini tənzimləmək imkanı verilir. Güman edilir ki, ekspert bunu təcrübə üçün kifayət qədər keyfiyyətlə edə bilər. Mütəxəssis tərəfindən tənzimlənən sistemdə əldə edilən dəyişənlərin vaxt diaqramları (oscilloqramları) arxivdə qeyd olunur və sonra PID nəzarətçisinə qoşulmuş neyron şəbəkəsinə verilir (şək. 5.95).

düyü. 5.95. Avtotənzimləmə blokunda neyron şəbəkəsinin təlim sxemi

Öyrənmə prosesinin müddəti PID kontrollerlərində neyron şəbəkə metodlarının geniş istifadəsinə əsas maneədir [Uskov]. Neyron şəbəkələrin digər çatışmazlıqları təlim siqnalları dəstinə daxil olmayan giriş hərəkətləri üçün idarəetmə xətasının proqnozlaşdırılmasının qeyri-mümkünlüyüdür; şəbəkədəki neyronların sayını, təlimin müddətini, təlim təsirlərinin diapazonunu və sayını seçmək üçün meyarların olmaması. Nəşrlərin heç biri tənzimləyicinin möhkəmliyini və ya sabitlik marjasını araşdırmayıb.

5.7.3. Genetik alqoritmlər

1. N ölçülü xromosomların ilkin populyasiyasının seçilməsi.

2. Populyasiyada xromosomların yararlılığının qiymətləndirilməsi.

3. Alqoritmin dayanma vəziyyətinin yoxlanılması.

4. Xromosomların seçilməsi.

5. Genetik operatorların tətbiqi.

6. Yeni əhalinin formalaşması.

7. 2-ci addıma keçin.

Alqoritmin işləməsi üçün arzu olunan parametrlərin dəyişməsinin aşağı və yuxarı hədlərini, keçid ehtimalını, mutasiya ehtimalını, populyasiyanın ölçüsünü və nəsillərin maksimum sayını təyin etmək lazımdır.

Xromosomların ilkin populyasiyası təsadüfi olaraq yaradılır. Xromosom uyğunluğu kodlaşdırılmış formada obyektiv funksiyadan istifadə etməklə qiymətləndirilir. Sonra, ən yaxşı uyğunluğu olan xromosomlar bir qrupa yığılır, onların daxilində genetik keçid və ya mutasiya əməliyyatları aparılır. Keçid, iki valideyndən perspektivli bir övlad almağa imkan verir. Mutasiya operatoru xromosomlarda dəyişikliklər edir. İkili kodlaşdırma vəziyyətində mutasiya ikili sözdə təsadüfi bitin dəyişdirilməsindən ibarətdir.

düyü. 5.97), sonra seçilmiş mövqenin sağında yerləşən genetik məlumat mübadiləsi var [Fleming ].

Genetik alqoritm icra edildikdən sonra binar təmsil mühəndislik kəmiyyətlərinə deşifrə edilir.

PID nəzarətçisinin əmsallarını qiymətləndirmək üçün populyasiyada xromosomların uyğunluğunun qiymətləndirilməsi, məsələn, aşağıdakı kimi seçilə bilər.

,

nəzarət xətasının cari qiyməti haradadır, vaxtdır.

Xromosomların seçilməsi rulet üsulu ilə həyata keçirilir. Rulet çarxında sektorlar var və sektorun eni fitnes funksiyası ilə mütənasibdir. Buna görə də, bu funksiyanın dəyəri nə qədər böyükdürsə, ona uyğun gələn xromosomun seçilməsi ehtimalı bir o qədər yüksəkdir.

Mişchenko V.A. 1Korobkin A.A. 2

1 Voronej Dövlət Pedaqoji Universiteti, Voronej

2 Voronej Dövlət Universiteti, Voronej

Bu məqalədə qeyri-səlis məntiqə əsaslanan sistemlərin qurulması prinsipləri müzakirə olunur, əlavə olaraq məntiqi nəticənin qurulması prinsipi müəyyən edilir. Qeyri-səlis neyron şəbəkələrinin təşkili strukturu da Vanq-Mendel şəbəkəsinin timsalında nəzərdən keçirilir. Belə bir şəbəkənin təşkili sxemi təsvir edilir, onun strukturu, xüsusən neyron şəbəkənin təbəqələri müəyyən edilir və hər bir təbəqənin fəaliyyət prinsipləri təsvir edilir. Bundan əlavə, Wang-Mendel qeyri-səlis neyron şəbəkəsinin öyrənmə prosesi nəzərdən keçirilir ki, bu da şəbəkənin çəki əmsallarının tənzimlənməsini və Qauss funksiyasının parametrlərinin təyin edilməsini əhatə edir. Həm də şəbəkə öyrənmə prosesi, öyrənmə prosesinin həllini tapmaq mümkün olmadığı halda nəzərdən keçirilir və parametrlərin axtarışı elə aparılır ki, bütün şərtlər müəyyən dərəcədə yerinə yetirilsin. Həmçinin məqalədə müqayisəli təhlil müxtəlif növlər memarlıqlar ağıllı sistemlər.

qeyri-səlis məntiq

qeyri-səlis neyron şəbəkələri

1. Aksenov S.V., Novoseltsev V.B. Neyron şəbəkələrin təşkili və istifadəsi (metodlar və texnologiyalar) / Ed. red. V.B. Novoseltsev. - Tomsk: NTL nəşriyyatı, 2006. - 128 s.

2. Batırşin İ.Z. Qeyri-səlis hibrid sistemlər. Nəzəriyyə və təcrübə / Ed. N.G. Yaruşkina. - M. FİZMƏTLİT, 2007. - 208 s.

3. Osovski S. İnformasiyanın emalı üçün neyron şəbəkələri / Per. Polşadan olan İ.D. Rudinski. - M.: Maliyyə və statistika, 2002. - 344 s.

5. Yakheva G.E. Qeyri-səlis çoxluqlar və neyron şəbəkələr: Dərslik/ GE. Yaxev. – M.: İnternet Universiteti İnformasiya texnologiyaları; BINOMIAL. Bilik laboratoriyası, 2006. - 316 s.

-də istifadə olunub müxtəlif növlər Qeyri-səlis məntiqə əsaslanan sistem modeli, formanın qeyri-səlis qaydaları toplusu kimi mövzu sahəsində mütəxəssislər tərəfindən qurulmuş bilik bazasıdır:

Əgər x A 1-dirsə, y B 1-dir,

Əgər x A 2-dirsə, y B 2-dir,

Əgər x A n-dirsə, y B n-dir,

Harada X Və y müvafiq olaraq giriş və çıxış dəyişənləridir və A Və IN- üzvlük funksiyaları.

Qeyri-səlis məntiqi nəticə bir neçə mərhələdə formalaşır:

• qeyri-səlisliyin tətbiqi: bu mərhələdə üzvlük funksiyaları giriş dəyişənlərinin faktiki qiymətlərinə tətbiq edilir;
• məntiqi nəticə: hər bir qaydanın əsasları üçün həqiqət dəyəri hesablanır və hər bir qaydanın nəticələrinə tətbiq edilir. Bu, hər bir qayda üçün hər çıxış dəyişəninə bir qeyri-səlis alt çoxluğun təyin edilməsi ilə nəticələnir;
• kompozisiya: hər bir çıxış dəyişəninə təyin edilmiş qeyri-səlis alt çoxluqlar bütün çıxış dəyişənləri üçün bir çoxluğa birləşdirilir;
• sərtləşmə: qeyri-səlis nəticələr toplusunu sərt ədədə çevirmək lazım olduğu hallarda istifadə olunur.

Bu prinsiplər əsasında çoxlu sayda şəbəkələr qurulmuşdur, gəlin onlardan birini - Wang-Mendel şəbəkəsini daha ətraflı nəzərdən keçirək. Belə bir şəbəkənin strukturu dörd qatlı neyron şəbəkəsidir ki, burada birinci təbəqə giriş dəyişənlərinin qeyri-səlisləşdirilməsini, ikincisi - vəziyyətin aktivləşdirilməsi dəyərlərinin aqreqasiyasını, üçüncüsü - M nəticə çıxarma qaydalarının (birinci neyron) aqreqasiyasını və normallaşdırıcı siqnal (ikinci neyron), bir neyrondan ibarət olduğu halda, çıxış təbəqəsi çıxış siqnalını istehsal edərək normallaşdırmanı həyata keçirir.

Bu şəbəkədə birinci və üçüncü təbəqələr parametrikdir: birinci təbəqədə var M*N*2 Qauss funksiyasının parametrləri, üçüncü - M parametrləri w i.

Wang-Mendel şəbəkəsinin çıxış siqnalı düsturla hesablanır:

, (1)

Harada w i- çəki əmsalı, μ ij ()- mərkəzi müəyyən edən riyazi gözlənti parametrləri ilə Gauss funksiyası c ij və standart kənarlaşma ilə müəyyən edilən yayılma parametrləri dij,

Qauss funksiyasıdır.

düyü. 1. Vanq-Mendel şəbəkəsinin strukturu

Şəbəkənin vəzifəsi məlumat cütlərinin belə bir xəritəsini qurmaqdır ( x,d) belə ki, gözlənilən qiymət giriş vektoruna uyğun olsun x, çıxış funksiyası ilə əmələ gəlmişdir y(x).

Qeyri-səlis şəbəkələrin, eləcə də klassik şəbəkələrin təlimi Evklid normasından istifadə etməklə verilən məqsəd funksiyasını minimuma endirməyə əsaslanan nəzarət edilən alqoritmə uyğun olaraq həyata keçirilə bilər.

, Harada səh- məşq cütlərinin sayı ( x,d).

Qeyri-səlis neyron şəbəkəsini öyrətmək üçün aşağıdakı addımların ardıcıl növbəsini ehtiva edən bir alqoritm istifadə olunur:

• sabit parametr dəyərləri üçün c ij Və d i birinci təbəqənin j, parametrlərin dəyərləri hesablanır w işəbəkənin üçüncü təbəqəsi;
• sabit parametr dəyərləri ilə w iüçüncü təbəqənin parametrləri müəyyən edilir c ij Və dijşəbəkənin birinci təbəqəsi.

Beləliklə, ilk mərhələdə K təlim nümunələri , k=1, 2, ... K, sistemi əldə edirik K xətti tənliklər, burada W- xətti əmsallardan ibarət vektor wi, D- şəbəkə istinad cavablarının vektoru, . Sətirlərin sayı K matrislər PV sütunlarının sayından xeyli çoxdur. Bu xətti cəbri tənliklər sisteminin həlli bir addımda aşağıdakı kimi əldə edilə bilər: , burada matris üçün psevdoəks matrisdir. PV.

İkinci mərhələdə, üçüncü təbəqənin polinomlarının əmsallarının dəyərləri sabitlənir və şəbəkənin birinci təbəqəsi üçün Gauss funksiyasının əmsalları dəqiqləşdirilir (adətən çoxlu) standart üsul gradient: , , Harada k- növbəti təlim dövrünün sayı, v c - əmsallar üçün öyrənmə dərəcəsi c ij , v d - d ij əmsalları üçün öyrənmə sürəti, - şəbəkə xətası, burada L - ümumi sayı təlim nümunələri, y l - Verilmiş nümunə üçün Wang-Mendel şəbəkə çıxışı, - istinad dəyəri Wang-Mendel şəbəkəsinin çıxışı.

Törəmələr və düsturlarla hesablanır:

, .

Törəmələri və düsturlarla tapıla bilər:

, ,

Harada - Qauss funksiyası

Bir sıra mərhələlərdə Gauss funksiyasının parametrlərinin dəqiqləşdirilməsi mərhələsi daha aşağı yaxınlaşma dərəcəsinə malik olduğundan, təlim zamanı 1-ci mərhələnin həyata keçirilməsi, bir qayda olaraq, bir neçə mərhələnin həyata keçirilməsi ilə müşayiət olunur. 2.

Çox vaxt həlli olmayan sistemə (adi mənada) “həll” tapmaq tələb olunur. Vəziyyətdən çıxış yolu naməlum parametrlərin elə dəyərlərini tapmaqdır ki, sistemin bütün şərtləri "müəyyən dərəcədə" yerinə yetirilsin.

A + matrisi matris üçün psevdo tərs adlanır A, Əgər . Bu dərhal nəzərdə tutur ki, əgər matris Aölçüsü var m x n, onda psevdoinvers matrisi A + ölçüsü var n x m .

Bu anlayışın tərifinə ədəbiyyatda tez-tez rast gəlinən başqa bir yanaşmanı da təsvir edək. Birincisi, biz tənliklər sisteminin psevdohəlli anlayışını təqdim edirik. Bizə tənliklər sistemi verilsin

Harada A- ölçü matrisi m x n, b- vektoru m elementləri.

Bu sistemin istənilən həlli həm də sistemin həllidir

(2) sisteminin psevdohəlli minimum qalığa malik bütün sütunlar arasında minimum normaya malik (3) sisteminin həllidir (vektorun norması vektor komponentlərinin kvadratlarının cəminin kvadrat kökünə bərabərdir). , və (2) sisteminin həllinin qalığı vektorun normasıdır Ax-b).

Matrisə psevdo tərs Aölçüsü m x n sütunları Ax=e i formalı sistemlərin psevdohəllləri olan A + matrisi adlanır,

harada mən - i-sifarişin eynilik matrisinin ci sütunu m.

Yalançı tərs matrisin tapılması üçün universal üsullara Qrevil və Fadeyevin təkrarlanan alqoritmləri daxildir. Bu yazıda biz matris psevdoinversiya üçün Qrevil alqoritmini təqdim edirik.

Matris olsun A∈ R min və bir k - onun k-ci sütun, k = 1, . . .,n.

A k-dan ibarət olan matris olsun k matrisin ilk sütunları A:

At k\u003d 1: A 1 \u003d a 1 və nə vaxt k= 2, . . . ,n: ; A n = A.

Matris A+ ∈ R min rekursiv alqoritmlə hesablana bilər:

1. İnisiallaşdırma.

2. Döngə ilə keçin k=2, ..., n.

, Harada I- sifarişin şəxsiyyət matrisi m,

Qəbul edilib son addım A + n matrisi psevdoinvers matrisdir ki, bu da arzu olunan həlldir.

Qeyri-səlis məntiq prinsipi uzun müddətdir ki, ilkin məlumatların zəif rəsmiləşdirildiyi və ya etibarsız olduğu məsələlərin həlli üçün istifadə olunur. Bu quruluşa malik şəbəkələrin əsas üstünlükləri bunlardır:

• məlumatın təqdim edilməsinin asanlığı: problemin təsviri və şərtləri təbii dilə yaxın bir dildə tərtib edilir;
• universallıq: qeyri-səlis yaxınlaşma teoreminə görə istənilən riyazi model qeyri-səlis məntiq üzərində qurulmuş sistemlə yaxınlaşdırıla bilər;
• səmərəlilik: süni neyron şəbəkələri üçün tamlıq teoremlərinə bənzər bir sıra teoremlər belə şəbəkələrin yüksək səmərəliliyini göstərir.

Bununla belə, neyron şəbəkələrin belə təşkili də bir sıra çatışmazlıqlara malikdir:

• qeyri-səlis qaydaların ilkin toplusu şəxs tərəfindən formalaşır, bu həmişə obyektiv deyil, bəzən natamam və ya hətta ziddiyyətlidir;
• giriş və çıxışı birləşdirən məlumatların növü və parametrləri də subyektiv olaraq müəyyən edilir və heç də həmişə reallığı əks etdirmir.

İntellektual sistemlərin arxitekturasının hər bir növü şəbəkə təlimi, verilənlərin emalı və hesablanması baxımından öz xüsusiyyətlərinə malikdir. son nəticə, bu, bir növ memarlığın digərlərinin tətbiq oluna bilmədiyi problemlərin həlli üçün istifadə edilməsinə imkan verir. Məsələn, nümunənin tanınması tapşırıqlarında süni neyron şəbəkələrinin istifadəsi geniş istifadə olunur, lakin şəbəkələrin prinsipini izah etmək kifayət qədər çətindir. Şəbəkələr müstəqil olaraq məlumatları qəbul edə və onları emal edə bilər, lakin şəbəkələrin öyrədilməsi prosesi kifayət qədər uzundur, əlavə olaraq, yaranan şəbəkənin təhlili olduqca mürəkkəbdir. Eyni zamanda, neyroşəbəkəyə əvvəlcədən etibarlı olan heç bir məlumat daxil etmək mümkün deyil.

Qeyri-səlis məntiq üzərində qurulmuş sistemləri nəzərə alsaq, bunun əksini mübahisə etmək olar - belə sistemlərin çıxışında əldə edilən məlumatları başa düşmək asandır, lakin belə sistemlər müstəqil olaraq çıxış məlumatlarının formalaşmasında istifadə oluna bilən məlumatları əldə edə bilmirlər.

Gördüyümüz kimi, süni neyron şəbəkələri və qeyri-səlis məntiqli sistemlər bir-birinə bənzəyir, lakin onların hər birinin öz üstünlükləri və mənfi cəhətləri var. Bu nəticə qeyri-səlis neyron şəbəkələrinin yaradılması üçün əsas götürülüb. Belə şəbəkələr qeyri-səlis məntiq aparatına əsaslanan həll yolu qurur, lakin üzvlük funksiyaları süni neyron şəbəkəsinin təlim alqoritmlərindən istifadə etməklə tənzimlənir. Bundan əlavə, belə şəbəkələr təkcə öyrənə bilməz, həm də aprior məlumatları nəzərə almağa qadirdir. Quruluşuna görə qeyri-səlis neyron şəbəkələri çoxqatlı şəbəkələrə bənzəyir, məsələn, geri yayılma alqoritmindən istifadə edərək şəbəkə öyrənilməsi ilə, lakin qeyri-səlis şəbəkələrdəki gizli təbəqələr qeyri-səlis sistemin işləmə mərhələlərinə uyğundur: birinci qat qeyri-səlisliyə əsaslanan qeyri-səlisliyə əsaslanan şəbəkələri təqdim edir. verilmiş daxiletmə xüsusiyyətləri üzrə; ikinci qat qeyri-səlis qaydalar toplusunu müəyyən edir; üçüncü təbəqə tərifə çatdırma funksiyasını yerinə yetirir. Bu təbəqələrin hər biri adi neyron şəbəkəsi ilə eyni şəkildə konfiqurasiya edilən bir sıra parametrlərə malikdir.

Rəyçilər:

• Şaşkin A.İ., fizika-riyaziyyat elmləri doktoru, şöbə müdiri Voronej Dövlət Universitetinin Riyazi və tətbiqi analiz kafedrası, Voronej.
• Kurqalin S.D., fizika-riyaziyyat elmləri doktoru, şöbə müdiri Voronej Dövlət Universitetinin Rəqəmsal Texnologiyalar Fakültəsi, Voronej.

Biblioqrafik keçid