ข้อมูลบางอย่างเกี่ยวกับระบบควบคุมประสาทแบบคลุมเครือ ตรรกะคลุมเครือและโครงข่ายประสาทเทียม Kruglov V.V. ตรรกะคลุมเครือและโครงข่ายประสาทเทียม

ตัวอย่าง "ชาร้อน" X= 0 C C; 0/10; 0.15/30; 0.60/50;

จุดตัดของชุดคลุมเครือสองชุด (คลุมเครือ “AND”): MF AB (x)=min(MF A (x), MF B (x)) การรวมชุดคลุมเครือสองชุด (คลุมเครือ "OR"): MF AB (x)=max(MF A (x), MF B (x))

จากข้อมูลของ Lotfi Zadeh ตัวแปรทางภาษาคือตัวแปรที่มีค่าเป็นคำหรือประโยคของภาษาธรรมชาติหรือภาษาประดิษฐ์. ค่าของตัวแปรทางภาษาสามารถเป็นตัวแปรคลุมเครือได้เช่น ตัวแปรทางภาษาอยู่ในระดับที่สูงกว่าตัวแปรคลุมเครือ

ตัวแปรทางภาษาแต่ละตัวประกอบด้วย: ชื่อ; ชุดของค่าซึ่งเรียกอีกอย่างว่าชุดคำพื้นฐานชุด T องค์ประกอบของชุดคำพื้นฐานคือชื่อของตัวแปรคลุมเครือ ชุดสากล X; กฎวากยสัมพันธ์ G ตามเงื่อนไขใหม่ที่สร้างขึ้นโดยใช้คำของภาษาธรรมชาติหรือเป็นทางการ กฎความหมาย P ซึ่งเชื่อมโยงแต่ละค่าของตัวแปรทางภาษากับเซตย่อยคลุมเครือของเซต X

คำอธิบายของตัวแปรทางภาษา "ราคาหุ้น" X= ชุดคำพื้นฐาน: "ต่ำ", "ปานกลาง", "สูง"

คำอธิบายของตัวแปรทางภาษา "อายุ"

“การประมวลผลแบบอ่อน” (ตรรกะคลุมเครือ โครงข่ายประสาทเทียม การให้เหตุผลเชิงความน่าจะเป็น อัลกอริธึมเชิงวิวัฒนาการ)

การสร้างเครือข่าย (หลังจากเลือกตัวแปรอินพุต) เลือกการกำหนดค่าเครือข่ายเริ่มต้น ดำเนินการชุดการทดลองด้วยการกำหนดค่าที่แตกต่างกันในขณะที่จดจำ เครือข่ายที่ดีที่สุด(ในแง่ของข้อผิดพลาดในการควบคุม) ควรทำการทดลองหลายครั้งสำหรับการกำหนดค่าแต่ละรายการ หากสังเกตเห็นการ undertraining ในการทดลองครั้งต่อไป (เครือข่ายไม่ได้ผลลัพธ์ที่มีคุณภาพที่ยอมรับได้) ให้ลองเพิ่มเซลล์ประสาทเพิ่มเติมให้กับชั้นกลาง หากวิธีนี้ไม่ได้ผล ให้ลองเพิ่มเลเยอร์กลางใหม่ หากเกิดการติดตั้งมากเกินไป (ข้อผิดพลาดในการควบคุมเริ่มเพิ่มขึ้น) ให้ลองลบบางส่วนออก องค์ประกอบที่ซ่อนอยู่(และอาจเป็นเลเยอร์)

ปัญหาการทำเหมืองข้อมูลได้รับการแก้ไขโดยใช้โครงข่ายประสาทเทียม การจำแนกประเภท (การเรียนรู้แบบมีผู้ดูแล) การจัดกลุ่มการคาดการณ์ (การเรียนรู้แบบไม่มีผู้ดูแล) การจดจำข้อความ การรู้จำเสียง การระบุตัวตน ค้นหาการประมาณที่ดีที่สุดของฟังก์ชันที่ระบุโดยชุดค่าอินพุตที่จำกัด (ตัวอย่างการฝึกอบรม ปัญหาของข้อมูล การบีบอัดโดยการลดขนาดของข้อมูล

งาน “ฉันควรออกเงินกู้ให้กับลูกค้า” ในชุดการฝึกอบรม Deductor (BaseGroup) แพ็คเกจการวิเคราะห์ - ฐานข้อมูลที่มีข้อมูลเกี่ยวกับลูกค้า: – จำนวนเงินกู้, – ระยะเวลากู้ยืม – วัตถุประสงค์ของการกู้ยืม – อายุ – เพศ – การศึกษา – ทรัพย์สินส่วนตัว – อพาร์ทเมนต์ – พื้นที่ของอพาร์ตเมนต์ จำเป็นต้องสร้างแบบจำลองที่สามารถตอบได้ว่าลูกค้าที่ต้องการได้รับเงินกู้มีความเสี่ยงที่จะไม่ชำระคืนเงินกู้หรือไม่ เช่น ผู้ใช้จะต้องได้รับคำตอบสำหรับคำถาม “ฉันควรออกเงินกู้หรือไม่” งานอยู่ในกลุ่มปัญหาการจำแนกประเภทเช่น การฝึกอบรมกับอาจารย์

ในขณะที่วิศวกรที่ทำงานในด้านการควบคุมอัตโนมัติมีส่วนร่วมในการเปลี่ยนจากระบบเครื่องกลไฟฟ้าแบบดั้งเดิมและ เทคโนโลยีอะนาล็อกการควบคุมไปยังระบบควบคุมเมคคาทรอนิกส์แบบดิจิทัลที่รวมการวิเคราะห์ด้วยคอมพิวเตอร์และอัลกอริธึมการตัดสินใจเข้าด้วยกัน สิ่งใหม่ ๆ ได้ปรากฏขึ้นบนขอบฟ้า เทคโนโลยีคอมพิวเตอร์ที่สามารถทำให้เกิดการเปลี่ยนแปลงที่สำคัญยิ่งขึ้นได้ โครงข่ายประสาทเทียมและลอจิกคลุมเครือได้พบการใช้งานที่หลากหลายแล้ว และจะสามารถเปลี่ยนวิธีการสร้างและตั้งโปรแกรมระบบควบคุมอัตโนมัติได้ในเร็วๆ นี้

คอมพิวเตอร์แบบดั้งเดิมมีสถาปัตยกรรม von Neumann ซึ่งใช้การประมวลผลตามลำดับและการดำเนินการตามคำสั่งที่ระบุอย่างชัดเจน โครงข่ายประสาทเทียม (ANN) สร้างขึ้นบนพื้นฐานของสถาปัตยกรรมที่แตกต่างกัน พวกมันประกอบขึ้นจากหน่วยประมวลผลที่เรียบง่ายมากรวมกันเป็นระบบคู่ขนานสูง ระบบนี้ดำเนินการคำสั่งโดยนัย ซึ่งขึ้นอยู่กับการจดจำรูปแบบในการป้อนข้อมูลจากแหล่งภายนอก

ตรรกะคลุมเครือยังเปลี่ยนความคิดเดิมๆ ในหัวของพวกเขาอีกด้วย แทนที่จะเป็นผลลัพธ์ของการวัดที่แม่นยำซึ่งกำหนดตำแหน่งของปริมาณบนมาตราส่วนที่กำหนด (เช่น “อุณหภูมิ 23 o C”) ข้อมูลที่ไม่ชัดเจนจะระบุถึงระดับของการเป็นสมาชิกในชุดที่ทับซ้อนกันซึ่งมีการกำหนดอย่างคลุมเครือ (“ในด้านที่เย็นกว่าของความอบอุ่น” ).

คำจำกัดความ

คอมพิวเตอร์ (หรือที่เรียกให้เจาะจงกว่านั้นคือ "กลไกการอนุมาน") ที่ใช้แนวคิดเหล่านี้สามารถแก้ไขปัญหาที่ซับซ้อนซึ่งระบบควบคุมแบบเดิมไม่สามารถทำได้

เครือข่ายประสาทเทียม (ANN) ตามวิกิพีเดียคือ "คอลเลกชันที่เชื่อมต่อกันของ 'เซลล์ประสาท' เทียมที่ใช้แบบจำลองทางคณิตศาสตร์หรือการคำนวณเพื่อประมวลผลข้อมูลตามการเชื่อมต่อของคอมพิวเตอร์"

ในกรณีส่วนใหญ่ ANN เป็นระบบปรับตัวที่เปลี่ยนแปลงโครงสร้างภายใต้อิทธิพลของข้อมูลภายนอกหรือภายในที่ส่งผ่านเครือข่าย แทนที่จะคำนวณผลลัพธ์ที่เป็นตัวเลขจากการป้อนข้อมูลที่เป็นตัวเลข ANN จะจำลองความสัมพันธ์ที่ซับซ้อนระหว่างอินพุตและเอาท์พุต หรือตรวจจับรูปแบบในข้อมูล

โหนดย่อยของอะตอม (เรียกอีกอย่างว่าเซลล์ประสาท เซลล์ประสาท องค์ประกอบการประมวลผล หรือหน่วย) เชื่อมต่อเข้าด้วยกันเพื่อสร้างเครือข่ายของโหนด ผลประโยชน์ของการใช้งานเกิดจากความสามารถในการใช้อัลกอริธึมการอนุมานที่เปลี่ยนแรงหรือน้ำหนัก การเชื่อมต่อเครือข่ายเพื่อให้ได้กระแสสัญญาณที่ต้องการ

ในตัวอย่างของโครงข่ายประสาทเทียมนี้ ตัวแปร h ซึ่งแทนเวกเตอร์ 3 มิติ ขึ้นอยู่กับตัวแปรอินพุต x ต่อไป g คือตัวแปรเวกเตอร์สองมิติ ขึ้นอยู่กับ h และสุดท้ายตัวแปรเอาท์พุต f ขึ้นอยู่กับ g

โอกาสในการเรียนรู้ที่น่าสนใจที่สุด ซึ่งในทางปฏิบัติหมายถึงการปรับปริมาณให้เหมาะสม ซึ่งมักเรียกว่า "ราคา" ซึ่งบ่งบอกถึงความถูกต้องของผลลัพธ์ในบริบทของปัญหาที่กำลังแก้ไข

ตัวอย่างเช่น ราคาในปัญหาของพนักงานขายที่เดินทางแบบคลาสสิกคือเวลาที่ต้องใช้ในการเดินทางไปทั่วอาณาเขตการค้าโดยสมบูรณ์ หยุดที่จุดที่จำเป็นทั้งหมด และไปถึงจุดเริ่มต้น เส้นทางที่สั้นกว่าจะเป็นทางออกที่ดีกว่า

เพื่อแก้ไขปัญหานี้ คอมพิวเตอร์ของฟอน นอยมันน์จะต้องสร้างเส้นทางที่เป็นไปได้ทั้งหมด จากนั้นทดสอบแต่ละเส้นทางตามลำดับ โดยบวกกับความล่าช้าของเวลาเพื่อกำหนดความล่าช้าทั้งหมดสำหรับเส้นทางที่กำหนด หลังจากคำนวณผลรวมสำหรับเส้นทางที่เป็นไปได้ทั้งหมดแล้ว คอมพิวเตอร์ก็จะเลือก อันที่สั้นที่สุด

ในทางตรงกันข้าม ANN จะพิจารณาเส้นทางทั้งหมดพร้อมกันเพื่อค้นหาการกำหนดค่าที่ย่อให้เล็กที่สุด เต็มเวลาเส้นทาง. การใช้การกำหนดค่าเหล่านี้จะย่อเส้นทางผลลัพธ์ให้เหลือน้อยที่สุด การเรียนรู้ประกอบด้วยการระบุการกำหนดค่าที่อิงจากประสบการณ์ก่อนหน้านี้ ทำให้เกิดกลยุทธ์การปรับเส้นทางให้เหมาะสม

ตรรกศาสตร์คลุมเครือ (อ้างอิงจากวิกิพีเดียอีกครั้ง) มาจากทฤษฎีเซตคลุมเครือ ซึ่งเกี่ยวข้องกับการให้เหตุผลที่มีความประมาณมากกว่าที่แน่นอน ความจริงในตรรกะคลุมเครือแสดงให้เห็นความเป็นสมาชิกในชุดคลุมเครือ ในตรรกะคลุมเครือ การตัดสินใจสามารถกระทำได้บนพื้นฐานของความไม่ชัดเจน แต่ถึงกระนั้นก็มากเช่นกัน ลักษณะสำคัญ- ตรรกะคลุมเครือช่วยให้สามารถเปลี่ยนค่าสมาชิกในชุดในช่วง 0 ถึง 1 รวมถึงการใช้แนวคิดที่คลุมเครือเช่น "เล็กน้อย" "บางส่วน" และ "มาก" ทำให้สามารถใช้ความเป็นสมาชิกบางส่วนในชุดในลักษณะพิเศษได้

การใช้งานพื้นฐานสามารถอธิบายได้ด้วยช่วงย่อยของตัวแปรต่อเนื่อง ตัวอย่างเช่น ช่วงอุณหภูมิของระบบเบรกป้องกันล้อล็อกอาจมีฟังก์ชันสมาชิกแยกกันหลายอย่าง ซึ่งกำหนดช่วงอุณหภูมิที่จำเป็นในการควบคุมเบรกอย่างเหมาะสม แต่ละฟังก์ชันจะแสดงค่าอุณหภูมิที่เป็นของค่าความจริงในช่วง 0 ถึง 1 ค่าความจริงเหล่านี้สามารถใช้เพื่อเลือกวิธีการควบคุมระบบเบรกเพิ่มเติมได้

การประมวลผลภาพ

คุณสามารถสร้างได้โดยใช้การตัดสินใจใน ANN ตามตรรกะคลุมเครือ ระบบอันทรงพลังการจัดการ. เห็นได้ชัดว่าแนวคิดทั้งสองนี้ทำงานร่วมกันได้ดี: อัลกอริธึมการอนุมานที่มีสถานะคลุมเครือสามสถานะ (เช่น เย็น อุ่น ร้อน) สามารถนำไปใช้ในฮาร์ดแวร์ได้โดยใช้ค่าความจริง (0.8, 0.2, 0.0) เป็นค่าอินพุตสำหรับ เซลล์ประสาทสามตัว แต่ละเซลล์เป็นตัวแทนของหนึ่งในสามชุด เซลล์ประสาทแต่ละตัวจะประมวลผลค่าอินพุตตามหน้าที่ของมัน และรับค่าเอาต์พุต ซึ่งต่อมาจะเป็นค่าอินพุตสำหรับเซลล์ประสาทชั้นที่สอง เป็นต้น

ตัวอย่างเช่น คอมพิวเตอร์นิวรัลสำหรับการประมวลผลภาพสามารถลบข้อจำกัดมากมายเกี่ยวกับการบันทึกวิดีโอ การจัดแสง และการตั้งค่าอุปกรณ์ได้ ระดับความเป็นอิสระนี้เกิดขึ้นได้เนื่องจากโครงข่ายประสาทเทียมช่วยให้คุณสร้างกลไกการจดจำโดยศึกษาตัวอย่าง เป็นผลให้สามารถฝึกระบบให้จดจำผลิตภัณฑ์ที่ดีและไม่ดีในที่มีแสงสูงและต่ำเมื่ออยู่ในมุมที่ต่างกัน เป็นต้น ระบบอนุมานเริ่มต้นด้วยการ “ประมาณ” สภาพแสง (หรืออีกนัยหนึ่ง คือการกำหนดระดับความคล้ายคลึงกับสภาพแสงอื่นๆ ที่ระบบรู้วิธีการทำงาน) จากนั้นระบบจะตัดสินใจเกี่ยวกับเนื้อหาของภาพโดยใช้เกณฑ์ตามสภาพแสงที่กำหนด เนื่องจากระบบถือว่าสภาพแสงเป็นแนวคิดที่ไม่ชัดเจน ระบบอนุมานจึงกำหนดเงื่อนไขใหม่ได้อย่างง่ายดายจากตัวอย่างที่ทราบ

ยิ่งระบบเรียนรู้ตัวอย่างมากเท่าไร ระบบประมวลผลภาพก็จะยิ่งได้รับประสบการณ์มากขึ้นเท่านั้น กระบวนการเรียนรู้นี้สามารถดำเนินการได้โดยอัตโนมัติอย่างง่ายดาย เช่น โดยการจัดเรียงเบื้องต้นเป็นกลุ่มของส่วนต่างๆ ที่มีคุณสมบัติคล้ายกันเพื่อการเรียนรู้ในด้านของความเหมือนและความแตกต่าง ความเหมือนและความแตกต่างที่สังเกตได้เหล่านี้สามารถให้ข้อมูลแก่ ANN ซึ่งมีหน้าที่จัดเรียงส่วนที่เข้ามาเป็นหมวดหมู่เหล่านี้ ดังนั้นความสำเร็จของระบบไม่ได้ขึ้นอยู่กับต้นทุนของฮาร์ดแวร์ แต่ขึ้นอยู่กับจำนวนอิมเมจที่จำเป็นในการฝึกอบรมและสร้างกลไกการอนุมานที่เชื่อถือได้

การประมวลผลภาพนิวโรคอมพิวเตอร์เหมาะสำหรับการใช้งานที่การวินิจฉัยต้องอาศัยประสบการณ์และความเชี่ยวชาญของผู้ปฏิบัติงานมากกว่าแบบจำลองและอัลกอริธึม โปรเซสเซอร์สามารถสร้างกลไกการจดจำได้จาก ความคิดเห็นง่ายๆไปยังภาพที่ผู้ปฏิบัติงานถ่าย จากนั้นแยกคุณลักษณะหรือเวกเตอร์คุณลักษณะออกจากวัตถุที่มีคำอธิบายประกอบแล้วป้อนเข้าไปในโครงข่ายประสาทเทียม เวกเตอร์คุณลักษณะที่อธิบายวัตถุที่มองเห็นได้อาจทำได้ง่ายๆ เช่น ค่าแถวพิกเซล ฮิสโตแกรมหรือการกระจายความเข้ม โปรไฟล์การกระจายความเข้ม หรือการไล่ระดับสีตามแกนที่สอดคล้องกัน คุณลักษณะที่ซับซ้อนมากขึ้นอาจรวมถึงองค์ประกอบของการแปลงเวฟเล็ตและการแปลงฟูเรียร์ที่รวดเร็ว

ลักษณะทั่วไป

หลังจากการฝึกอบรมด้วยตัวอย่าง โครงข่ายประสาทเทียมสามารถสรุปได้และสามารถจำแนกสถานการณ์ที่ไม่เคยพบเห็นมาก่อน โดยเชื่อมโยงกับสถานการณ์ที่คล้ายคลึงกันจากตัวอย่าง ในทางกลับกัน หากระบบมีแนวโน้มที่จะมีเสรีภาพมากเกินไปและมีสถานการณ์ทั่วไปมากเกินไป พฤติกรรมของระบบจะสามารถแก้ไขได้ตลอดเวลาโดยการสอนตัวอย่างโต้แย้ง

จากมุมมองของโครงข่ายประสาทเทียม การดำเนินการนี้ประกอบด้วยการลดขอบเขตอิทธิพลของเซลล์ประสาทที่มีอยู่เพื่อรองรับตัวอย่างใหม่ที่ขัดแย้งกับการทำแผนที่พื้นที่โซลูชันที่มีอยู่

ปัจจัยสำคัญที่กำหนดการยอมรับ ANN คือการเรียนรู้ที่เป็นอิสระและปรับเปลี่ยนได้ ซึ่งหมายความว่าอุปกรณ์จะต้องสามารถศึกษาวัตถุที่มีการแทรกแซงของผู้ปฏิบัติงานน้อยที่สุดหรือไม่มีเลย ตัวอย่างเช่น ในอนาคต ตุ๊กตาสามารถจดจำใบหน้าของเด็กได้เมื่อแกะห่อออกเป็นครั้งแรกและถามชื่อ การเรียนรู้ด้วยตนเองเพื่อ โทรศัพท์มือถืออาจเกี่ยวข้องกับการตรวจสอบลายนิ้วมือของเจ้าของเดิม นอกจากนี้ยังสามารถปรับปรุงการระบุเจ้าของโดยการรวมการจดจำใบหน้า ลายนิ้วมือ และเสียงพูดไว้ในอุปกรณ์เครื่องเดียว

ในสภาพแวดล้อมการเรียนรู้ด้วยตนเอง อุปกรณ์จะต้องสร้างกลไกการจดจำของตัวเองซึ่งจะทำงานได้ดีที่สุดในสภาพแวดล้อมการทำงาน ตัวอย่างเช่น ตุ๊กตาอัจฉริยะจะต้องจดจำเจ้าของเดิมได้ โดยไม่คำนึงถึงสีผม สีผิว สถานที่ หรือฤดูกาล

ในตอนแรกกลไกจะต้องใช้เทคนิคการแยกฟีเจอร์ทั้งหมดที่รู้ สิ่งนี้จะนำไปสู่การก่อตัวของกลไกระดับกลางจำนวนหนึ่ง ซึ่งแต่ละกลไกได้รับการออกแบบมาเพื่อระบุประเภทของวัตถุที่เหมือนกัน แต่ขึ้นอยู่กับการสังเกตคุณสมบัติที่แตกต่างกัน (สี ลายไม้ คอนทราสต์ ความหนาของขอบ ฯลฯ) กลไกทั่วไปสามารถประเมินประสิทธิภาพของกลไกระดับกลาง โดยเลือกกลไกที่ผลิตขึ้นมา ประสิทธิภาพที่ดีขึ้นและ/หรือความถูกต้อง

ตัวอย่างการคัดแยกปลา

PiscesVMK ผลิตอุปกรณ์เทคโนโลยีสำหรับการแปรรูปปลาบนเรือและในโรงงานชายฝั่ง ลูกค้าของบริษัทคือเรือแปรรูปปลาที่ดำเนินการประมงตลอดทั้งปีสำหรับปลาประเภทต่างๆ ในทะเลเหนือและมหาสมุทรแอตแลนติก ผู้บริโภคเหล่านี้ต้องการจับปลาที่จับได้ให้เต็มโดยเร็วที่สุด คุณภาพสูงสุดโดยมีจำนวนพนักงานขั้นต่ำ

โดยทั่วไปแล้ว ปลาจะถูกนำขึ้นเรือโดยใช้อวนและขนลงภาชนะบนสายพานลำเลียงที่ขนปลาผ่านเครื่องทำความสะอาด หั่น และแล่เนื้อปลา การเบี่ยงเบนที่เป็นไปได้ ได้แก่ เกรดผิด ความเสียหายต่อตัวปลา มีปลามากกว่าหนึ่งตัวในภาชนะ และการวางตำแหน่งปลาที่ไม่เหมาะสมก่อนเข้าเครื่องหั่น การใช้การควบคุมดังกล่าวโดยใช้เครื่องมือประมวลผลภาพแบบเดิมๆ นั้นเป็นเรื่องยาก เนื่องจากขนาด รูปร่าง และปริมาตรนั้นยากต่อการอธิบายทางคณิตศาสตร์ นอกจากนี้ พารามิเตอร์เหล่านี้อาจแตกต่างกันไปขึ้นอยู่กับสถานที่และฤดูกาลเดินเรือ

Pisces ได้ติดตั้งระบบมากกว่า 20 ระบบโดยใช้กล้องอัจฉริยะ Iris ของ Matrox และระบบจดจำ CogniSight ของ General Vision กล้องจะติดตั้งอยู่เหนือสายพานลำเลียงเพื่อให้ปลาลอดผ่านเข้าไปก่อนเข้าเครื่องแล่เนื้อ กล้องเชื่อมต่อกับตัวควบคุม (PLC) ของ Siemens Simatic S7-224 และ เครือข่ายท้องถิ่น(แลน). แหล่งกำเนิดแสงแฟลชที่ติดตั้งอยู่ข้างๆ กล้องจะถูกกระตุ้นทุกครั้งที่มีคอนเทนเนอร์ใหม่เข้ามาให้เห็น การเชื่อมต่อกล้องกับเครือข่ายท้องถิ่นเป็นสิ่งจำเป็นในการดำเนินการสามประการ: การตั้งค่าหัวโซน่าร์เพื่อให้แน่ใจว่ามีโฟกัสและคอนทราสต์ของภาพที่เหมาะสม การฝึกกลไกการจดจำ และการเข้าถึงสถิติที่รายงานจำนวนปลาที่ดีและไม่ดีอย่างต่อเนื่อง

การปรับคอนเวอร์เตอร์จะเกิดขึ้นเพียงครั้งเดียวระหว่างการติดตั้งกล้องในเคสกันน้ำ การฝึกอบรมจะดำเนินการเมื่อเริ่มต้นการเดินทางแต่ละครั้งโดยใช้ตัวอย่างปลาตั้งแต่การจับครั้งแรกหรือโดยการโหลดไฟล์ที่มีอยู่

เมื่อกล้องได้รับฐานความรู้แล้ว กล้องก็สามารถเริ่มจดจำปลาได้โดยอัตโนมัติโดยไม่ต้องสื่อสารกับปลา คอมพิวเตอร์ส่วนบุคคล- ANN จัดเรียงข้อมูลออกเป็นหมวดหมู่ “ยอมรับ”, “ปฏิเสธ”, “สำหรับการประมวลผล” หรือ “ว่างเปล่า” สัญญาณนี้จะถูกส่งไปยัง PLC ที่ควบคุมแปรงสองตัวที่จะนำปลาที่เหมาะสมเข้าไปในภาชนะเพื่อนำออกหรือแปรรูป นอกจากนี้ PLC ยังเชื่อมต่อกับเซ็นเซอร์แม่เหล็กที่สร้างสัญญาณทริกเกอร์ทุกครั้งที่ตู้ปลาผ่านใต้ห้องเพาะเลี้ยง

ปัจจุบัน ราศีมีนได้ติดตั้งระบบมากกว่า 20 ระบบบนกองเรือประมง 5 ลำในนอร์เวย์ ไอซ์แลนด์ สกอตแลนด์ และเดนมาร์ก ระบบประมาณถังสายพานลำเลียง 360 ถังต่อนาทีสำหรับสายแฮร์ริ่ง แต่สามารถไปได้เร็วกว่านั้นอีก

สำหรับเครือข่ายที่มีเซลล์ประสาท 80 ตัว มีความแม่นยำ 98% เมื่อจำแนกปลาจำนวน 16 ตัน ชาวประมงพอใจกับระบบนี้เนื่องจากความน่าเชื่อถือ ความยืดหยุ่น และความสะดวกในการใช้งาน ประโยชน์ที่ได้รับ: ลดเวลาการเดินทาง ปรับปรุงคุณภาพการจับ และเพิ่มการกระจายรายได้ให้กับชาวประมงน้อยลง

ในเครื่องมือการผลิตแบบแยกส่วน โครงข่ายประสาทเทียมได้พบการประยุกต์ใช้ในการควบคุมยานพาหนะ การจดจำรูปแบบในระบบเรดาร์ การจดจำบุคคล การจดจำวัตถุ ข้อความที่เขียนด้วยลายมือ ท่าทางและคำพูด

ลอจิกคลุมเครือถูกนำมาใช้ในการควบคุมรถยนต์และระบบย่อยอื่นๆ แล้ว ยานพาหนะเช่นระบบ ABS และระบบควบคุมความเร็วคงที่ตลอดจนเครื่องปรับอากาศ, กล้อง, การประมวลผลภาพดิจิตอล, ปัญญาประดิษฐ์ เกมคอมพิวเตอร์และการจดจำรูปแบบในระบบประสาทสัมผัสระยะไกล

เทคโนโลยีซอฟต์คอมพิวติ้งที่คล้ายกันยังใช้เพื่อสร้างความน่าเชื่อถืออีกด้วย ที่ชาร์จสำหรับแบตเตอรี่เครื่องช่วยหายใจ ในอุตสาหกรรมการผลิตแบบต่อเนื่องและแบบเป็นชุด ตรรกะคลุมเครือและโครงข่ายประสาทเทียมเป็นพื้นฐานของตัวควบคุมที่ปรับแต่งเองบางตัว ไมโครคอนโทรลเลอร์และไมโครโปรเซสเซอร์บางตัวได้รับการปรับให้เหมาะสมสำหรับตรรกะคลุมเครือ เพื่อให้ระบบสามารถทำงานได้เร็วยิ่งขึ้น (ดู “ตรรกะคลุมเครือที่รวดเร็วสำหรับการควบคุมแบบเรียลไทม์” ด้านล่าง)

ตัวควบคุม PID ที่อธิบายไว้ข้างต้นมีประสิทธิภาพต่ำเมื่อควบคุมแบบไม่เชิงเส้นและ ระบบที่ซับซ้อนรวมถึงเมื่อมีข้อมูลไม่เพียงพอเกี่ยวกับวัตถุควบคุม ในบางกรณีสามารถปรับปรุงลักษณะของหน่วยงานกำกับดูแลได้โดยใช้วิธีลอจิกแบบคลุมเครือ โครงข่ายประสาทเทียม และอัลกอริธึมทางพันธุกรรม วิธีการที่ระบุไว้เรียกว่า "การประมวลผลแบบอ่อน" ในต่างประเทศ โดยเน้นความแตกต่างจาก "การประมวลผลแบบยาก" ซึ่งประกอบด้วยความสามารถในการดำเนินการกับข้อมูลที่ไม่สมบูรณ์และไม่ถูกต้อง การรวมกันของวิธีการที่ระบุไว้ (ตัวควบคุม fuzzy-PID, neuro-PID, neuro-fuzzy-PID พร้อมอัลกอริธึมทางพันธุกรรม) สามารถใช้ในตัวควบคุมเดียวได้

ข้อเสียเปรียบหลักของตัวควบคุมเครือข่ายแบบคลุมเครือและแบบนิวรัลคือความยากในการตั้งค่า (การรวบรวมฐานของกฎแบบคลุมเครือและการฝึกอบรมโครงข่ายประสาทเทียม)

5.7.1. ตรรกะคลุมเครือในตัวควบคุม PID

การอนุมานแบบคลุมเครือจะดำเนินการดังนี้ สมมติว่าพื้นที่ของการเปลี่ยนแปลงข้อผิดพลาดแบ่งออกเป็นชุด พื้นที่ของการเปลี่ยนแปลงการดำเนินการควบคุมแบ่งออกเป็นชุด และด้วยความช่วยเหลือจากผู้เชี่ยวชาญ จึงเป็นไปได้ที่จะกำหนดกฎต่อไปนี้สำหรับการดำเนินการของ ตัวควบคุม [Astrom]:

กฎที่กำหนดมักจะเขียนในรูปแบบตารางที่มีขนาดกะทัดรัดกว่า (รูปที่ 5.91)

เมื่อใช้กฎ คุณสามารถรับค่าของตัวแปรควบคุมที่เอาต์พุตของตัวควบคุมแบบคลุมเครือ ในการดำเนินการนี้ คุณต้องค้นหาฟังก์ชันสมาชิกของตัวแปรสำหรับชุดที่สร้างขึ้นจากการดำเนินการอนุมานในชุดที่รวมอยู่ในระบบกฎ (5.118)

การดำเนินการ “AND” ในกฎ (5.118) สอดคล้องกับจุดตัดของเซต และผลลัพธ์ของการใช้กฎทั้งหมดสอดคล้องกับการดำเนินการของการรวมเซต [Rutkovskaya] ฟังก์ชันสมาชิกภาพสำหรับจุดตัดของสองชุด ตัวอย่างเช่น และ (ดูกฎข้อ 1) จะพบว่าเป็น [Rutkovskaya]

ฟังก์ชั่นสมาชิกที่ได้รับจากจุดตัดหรือการรวมกันของเซตสามารถกำหนดได้ ในรูปแบบต่างๆขึ้นอยู่กับความหมายของปัญหาที่กำลังแก้ไข ในแง่นี้ ทฤษฎีเซตฟัซซี่เองก็คลุมเครือเช่นกัน ใน [Rutkovskaya] ให้คำจำกัดความที่แตกต่างกัน 10 ประการของฟังก์ชันสมาชิกภาพสำหรับจุดตัดของเซตต่างๆ ไว้ แต่ไม่ได้บอกว่าควรเลือกอันใดเพื่อแก้ไขปัญหาเฉพาะ โดยเฉพาะอย่างยิ่ง พวกเขาใช้การดำเนินการที่เข้าใจได้มากขึ้นในการค้นหาฟังก์ชันสมาชิกในกรณีของจุดตัดและการรวมกันของเซต ซึ่งมีความคล้ายคลึงกับกฎของการคูณและการบวกของความน่าจะเป็น:

อย่างไรก็ตาม การใช้สองวิธีแรกในการค้นหาฟังก์ชันสมาชิกมักจะดีกว่า เนื่องจาก ในเวลาเดียวกันกฎส่วนใหญ่ที่พัฒนาขึ้นสำหรับฉากธรรมดา [Uskov] ยังคงได้รับการเก็บรักษาไว้

ฟังก์ชั่นสมาชิกภาพสำหรับแต่ละชุดที่รวมอยู่ในตัวแปรฟัซซี่ในกฎ (5.118) จะได้มาในรูปแบบ [Rutkovskaya]

ในที่นี้สมการทั้ง 9 แต่ละสมการสอดคล้องกับกฎข้อใดข้อหนึ่ง (5.118) ผลลัพธ์ของฟังก์ชันสมาชิกภาพของการดำเนินการควบคุมที่ได้รับหลังจากใช้กฎทั้ง 9 ข้อ จะพบว่าเป็นผลรวมของฟังก์ชันสมาชิกของกฎทั้งหมด:

เมื่อได้รับฟังก์ชันสมาชิกที่เป็นผลลัพธ์ของการดำเนินการควบคุมแล้ว คำถามก็เกิดขึ้นว่าควรเลือกค่าเฉพาะของการดำเนินการควบคุมใด หากเราใช้การตีความความน่าจะเป็นของทฤษฎีเซตฟัซซี่ จะเห็นได้ชัดว่าค่าดังกล่าวสามารถรับได้โดยการเปรียบเทียบกับความคาดหวังทางคณิตศาสตร์ของการดำเนินการควบคุมในรูปแบบ:

วิธีการกำจัดเสียงพึมพำนี้เป็นวิธีที่พบได้บ่อยที่สุด แต่ไม่ใช่วิธีเดียวเท่านั้น

ในการสร้างตัวควบคุมแบบคลุมเครือ โดยปกติจะใช้กฎหมายควบคุม P, I, PI และ PD PD+I, PI+D และ PID [Mann] สัญญาณอินพุตสำหรับระบบอนุมานแบบคลุมเครือ ได้แก่ สัญญาณข้อผิดพลาด การเพิ่มข้อผิดพลาด ค่ากำลังสองของข้อผิดพลาด และอินทิกรัลของข้อผิดพลาด [Mann] การใช้ตัวควบคุม PID แบบคลุมเครือเป็นปัญหาเนื่องจากต้องมีตารางกฎสามมิติตามเงื่อนไขสามข้อในสมการตัวควบคุม PID ซึ่งเป็นเรื่องยากมากที่จะเสร็จสมบูรณ์โดยใช้คำตอบของผู้เชี่ยวชาญ โครงสร้างจำนวนมากของตัวควบคุมฟัซซี่ที่มีลักษณะคล้าย PID สามารถพบได้ในบทความ [Mann]

การปรับขั้นสุดท้ายของตัวควบคุมแบบคลุมเครือหรือการปรับให้ใกล้เคียงกับค่าที่เหมาะสมที่สุดยังคงเป็นงานที่ยาก เพื่อจุดประสงค์นี้ มีการใช้อัลกอริธึมการฝึกอบรม style="color:red"> และวิธีการค้นหาทางพันธุกรรม ซึ่งต้องใช้ทรัพยากรและเวลาในการประมวลผลจำนวนมาก

การใช้ลอจิกคลุมเครือเพื่อปรับสัมประสิทธิ์ตัวควบคุม PID

การปรับแต่งคอนโทรลเลอร์ดำเนินการโดยใช้วิธีการที่อธิบายไว้ในส่วน “การคำนวณพารามิเตอร์” และ “การปรับแต่งและการปรับอัตโนมัติ” นั้นไม่เหมาะสมและสามารถปรับปรุงได้ด้วยการปรับแต่งเพิ่มเติม ผู้ปฏิบัติงานสามารถปรับค่าได้ตามกฎ (ดูหัวข้อ “การปรับจูนด้วยตนเองตามกฎ”) หรือโดยอัตโนมัติ โดยใช้บล็อกตรรกะคลุมเครือ (รูปที่ 5.92) บล็อกลอจิกคลุมเครือ (บล็อกคลุมเครือ) ใช้ฐานของกฎการปรับแต่งและวิธีการอนุมานคลุมเครือ การปรับจูนแบบคลุมเครือช่วยลดการโอเวอร์ชูต ลดเวลาในการปักหลัก และเพิ่มความทนทานของตัวควบคุม PID [Yesil]

กระบวนการปรับแต่งคอนโทรลเลอร์อัตโนมัติโดยใช้บล็อกตรรกะคลุมเครือเริ่มต้นด้วยการค้นหาค่าประมาณเริ่มต้นของสัมประสิทธิ์คอนโทรลเลอร์ โดยปกติจะทำโดยวิธี Ziegler-Nichols ซึ่งขึ้นอยู่กับระยะเวลาของการแกว่งตามธรรมชาติในระบบปิดและอัตราขยายของลูป จากนั้นจะมีการกำหนดฟังก์ชันเกณฑ์ที่จำเป็นในการค้นหาค่าที่เหมาะสมที่สุดของพารามิเตอร์การตั้งค่าโดยวิธีการปรับให้เหมาะสม

ในกระบวนการปรับแต่งคอนโทรลเลอร์ จะใช้ [Hsuan] หลายขั้นตอน ขั้นแรก ช่วงของสัญญาณอินพุตและเอาท์พุตของบล็อกการปรับค่าอัตโนมัติ รูปแบบของฟังก์ชันสมาชิกของพารามิเตอร์ที่ต้องการ กฎของการอนุมานแบบฟัซซี่ กลไกการอนุมานเชิงตรรกะ วิธีการกำจัดฟัซซี และช่วงของตัวประกอบสเกลที่จำเป็นสำหรับการแปลงตัวแปรที่คมชัด จะถูกเลือกให้เป็นแบบคลุมเครือ

การค้นหาพารามิเตอร์ตัวควบคุมดำเนินการโดยใช้วิธีการปรับให้เหมาะสมที่สุด เมื่อต้องการทำเช่นนี้ ฟังก์ชันเป้าหมายจะถูกเลือกเป็นผลรวมของผลรวมกำลังสองของข้อผิดพลาดในการควบคุมและเวลาในการตกตะกอน อัตราการเพิ่มขึ้นของตัวแปรเอาท์พุตของออบเจ็กต์บางครั้งจะถูกเพิ่มเข้าในเกณฑ์การย่อขนาด

เนื่องจากพารามิเตอร์ที่ต้องการ (พารามิเตอร์ที่จำเป็นต้องค้นหา) จึงมีการเลือกตำแหน่งของจุดสูงสุดของฟังก์ชันสมาชิก (ดูรูปที่ 5.90) ​​​​และปัจจัยขนาดที่อินพุตและเอาต์พุตของบล็อกฟัซซี่ สำหรับปัญหาการปรับให้เหมาะสมนั้น มีการเพิ่มข้อจำกัดในช่วงของการเปลี่ยนแปลงตำแหน่งของฟังก์ชันสมาชิก การเพิ่มประสิทธิภาพฟังก์ชันเกณฑ์สามารถทำได้ เช่น การใช้อัลกอริธึมทางพันธุกรรม

ควรสังเกตว่าในกรณีที่มีข้อมูลเพียงพอที่จะได้รับแบบจำลองทางคณิตศาสตร์ที่แม่นยำของวัตถุ ตัวควบคุมแบบเดิมจะดีกว่าตัวควบคุมแบบฟัซซี่เสมอ เพราะเมื่อทำการสังเคราะห์ตัวควบคุมแบบฟัซซี่ ข้อมูลเริ่มต้นจะได้รับโดยประมาณ

5.7.2. โครงข่ายประสาทเทียม

โครงข่ายประสาทเทียม เช่น ลอจิกคลุมเครือ ถูกนำมาใช้ในตัวควบคุม PID ในสองวิธี: เพื่อสร้างตัวควบคุมเอง และสร้างบล็อกสำหรับการปรับค่าสัมประสิทธิ์ โครงข่ายประสาทเทียมมีความสามารถในการ "เรียนรู้" ซึ่งช่วยให้คุณสามารถใช้ประสบการณ์ของผู้เชี่ยวชาญในการสอนโครงข่ายประสาทเทียมถึงศิลปะในการปรับค่าสัมประสิทธิ์ของตัวควบคุม PID ตัวควบคุมที่มีโครงข่ายประสาทเทียมจะคล้ายกับตัวควบคุมที่มีตัวควบคุมตาราง (ดูหัวข้อ "การควบคุมตาราง") แต่จะแตกต่างกันในวิธีการปรับแต่งพิเศษ ("การฝึกอบรม") ที่พัฒนาขึ้นสำหรับโครงข่ายประสาทเทียมและวิธีการแก้ไขข้อมูล

ซึ่งแตกต่างจากตัวควบคุมแบบคลุมเครือซึ่งผู้เชี่ยวชาญจะต้องกำหนดกฎการปรับแต่งในตัวแปรทางภาษา เมื่อใช้โครงข่ายประสาทเทียม ผู้เชี่ยวชาญไม่จำเป็นต้องกำหนดกฎ - ก็เพียงพอแล้วสำหรับเขาที่จะตั้งค่าตัวควบคุมด้วยตัวเองหลายครั้งในระหว่างกระบวนการ " การฝึกอบรม” โครงข่ายประสาทเทียม

โครงข่ายประสาทเทียมถูกเสนอในปี พ.ศ. 2486 โดย McCulloch และ Pitts อันเป็นผลมาจากการศึกษากิจกรรมทางประสาทและเซลล์ประสาททางชีววิทยา เซลล์ประสาทเทียมเป็นบล็อกฟังก์ชันที่มีเอาต์พุตและอินพุตเดียวที่ใช้การแปลงแบบไม่เชิงเส้นโดยทั่วไป โดยที่สัมประสิทธิ์การถ่วงน้ำหนัก (พารามิเตอร์) สำหรับตัวแปรอินพุตอยู่ที่ไหน - การกระจัดอย่างต่อเนื่อง - ฟังก์ชั่นการเปิดใช้งาน" ตัวอย่างเช่น เซลล์ประสาทที่อยู่ในรูปแบบ (ฟังก์ชันซิกมอยด์) โดยที่พารามิเตอร์บางตัว โครงข่ายประสาทเทียม (รูปที่ 5.93) ประกอบด้วยเซลล์ประสาทที่เชื่อมต่อถึงกันจำนวนมาก จำนวนการเชื่อมต่ออาจเป็นพันก็ได้ เนื่องจากฟังก์ชันการเปิดใช้งานไม่เชิงเส้นและค่าสัมประสิทธิ์ที่ปรับแต่งได้จำนวนมาก (ในงาน [Kato] มีการใช้เซลล์ประสาท 35 ตัวในเลเยอร์อินพุตและ 25 ตัวในเลเยอร์เอาท์พุต ในขณะที่จำนวนสัมประสิทธิ์คือ 1850) โครงข่ายประสาทเทียมจึงสามารถทำงานได้ การทำแผนที่แบบไม่เชิงเส้นของสัญญาณอินพุตจำนวนมากกับสัญญาณเอาต์พุตจำนวนมาก

โครงสร้างทั่วไปของระบบควบคุมอัตโนมัติที่มีตัวควบคุม PID และโครงข่ายประสาทเทียมเป็นหน่วยปรับแต่งอัตโนมัติจะแสดงในรูปที่ 1 5.94 [คาวาฟุกุ, คาโตะ]. โครงข่ายประสาทเทียมในโครงสร้างนี้มีบทบาทเป็นตัวแปลงฟังก์ชัน ซึ่งสำหรับชุดสัญญาณแต่ละชุดจะสร้างค่าสัมประสิทธิ์ของตัวควบคุม PID (วิธีข้อผิดพลาดในการแพร่กระจายกลับ) [Terekhov] ยังใช้วิธีการอื่นในการค้นหาค่าต่ำสุดอีกด้วย รวมถึงอัลกอริธึมทางพันธุกรรม การหลอมจำลอง และวิธีการกำลังสองน้อยที่สุด

กระบวนการฝึกโครงข่ายประสาทเทียมมีดังนี้ (รูปที่ 5.95) ผู้เชี่ยวชาญได้รับโอกาสในการปรับพารามิเตอร์ของตัวควบคุมในระบบควบคุมอัตโนมัติแบบปิดภายใต้อิทธิพลอินพุตต่างๆ ถือว่าผู้เชี่ยวชาญสามารถทำได้โดยมีคุณภาพเพียงพอต่อการปฏิบัติ แผนภาพเวลา (ออสซิลโลแกรม) ของตัวแปรที่ได้รับในระบบที่ปรับแต่งโดยผู้เชี่ยวชาญจะถูกบันทึกไว้ในไฟล์เก็บถาวรแล้วส่งไปยังโครงข่ายประสาทเทียมที่เชื่อมต่อกับตัวควบคุม PID (รูปที่ 5.95

ข้าว. 5.95. โครงการฝึกอบรมโครงข่ายประสาทเทียมในบล็อกการปรับอัตโนมัติ

ระยะเวลาของกระบวนการเรียนรู้เป็นอุปสรรคสำคัญต่อการใช้วิธีการโครงข่ายประสาทเทียมอย่างแพร่หลายในตัวควบคุม PID [Uskov] ข้อเสียอื่นๆ ของโครงข่ายประสาทเทียมคือการไม่สามารถคาดการณ์ข้อผิดพลาดในการควบคุมสำหรับการดำเนินการอินพุตที่ไม่ได้เป็นส่วนหนึ่งของชุดสัญญาณการฝึก ขาดเกณฑ์ในการเลือกจำนวนเซลล์ประสาทในเครือข่าย ระยะเวลาการฝึก ช่วง และจำนวนอิทธิพลของการฝึก ไม่มีสิ่งพิมพ์ใดที่ตรวจสอบความแข็งแกร่งหรือเสถียรภาพของหน่วยงานกำกับดูแล

5.7.3. อัลกอริธึมทางพันธุกรรม

1. การคัดเลือกประชากรเริ่มแรกของโครโมโซมขนาด N

2. การประเมินสมรรถภาพของโครโมโซมในประชากร

3. การตรวจสอบเงื่อนไขการหยุดอัลกอริทึม

4. การเลือกโครโมโซม

5. การประยุกต์ตัวดำเนินการทางพันธุกรรม

6. การก่อตัวของประชากรใหม่

7. ไปที่ขั้นตอนที่ 2

เพื่อให้อัลกอริธึมทำงานได้ คุณต้องตั้งค่าขีดจำกัดล่างและบนของการเปลี่ยนแปลงในพารามิเตอร์ที่ต้องการ ความน่าจะเป็นของการผสมข้ามพันธุ์ ความน่าจะเป็นของการกลายพันธุ์ ขนาดประชากร และจำนวนเจเนอเรชันสูงสุด

ประชากรโครโมโซมเริ่มแรกถูกสร้างขึ้นแบบสุ่ม สมรรถภาพของโครโมโซมได้รับการประเมินโดยใช้ฟังก์ชันวัตถุประสงค์ในรูปแบบที่เข้ารหัส ถัดไป โครโมโซมที่มีสมรรถภาพดีกว่าจะถูกรวบรวมไว้เป็นกลุ่ม ซึ่งมีการดำเนินการทางพันธุกรรมของการผสมข้ามหรือการกลายพันธุ์ การข้ามช่วยให้คุณได้ลูกหลานที่มีแนวโน้มจากพ่อแม่สองคน ตัวดำเนินการกลายพันธุ์ทำการเปลี่ยนแปลงโครโมโซม ในกรณีของการเข้ารหัสไบนารี่ การกลายพันธุ์ประกอบด้วยการเปลี่ยนบิตสุ่มในคำไบนารี่

ข้าว. 5.97) จากนั้นจะมีการแลกเปลี่ยนข้อมูลทางพันธุกรรมเกิดขึ้น ซึ่งอยู่ทางด้านขวาของตำแหน่งที่เลือก [เฟลมมิง]

หลังจากดำเนินการอัลกอริธึมทางพันธุกรรมแล้ว การแทนค่าไบนารี่จะถูกถอดรหัสเป็นปริมาณทางวิศวกรรม

สามารถเลือกการประเมินความเหมาะสมของโครโมโซมในประชากรเพื่อประมาณค่าสัมประสิทธิ์ของตัวควบคุม PID ได้ เช่น

,

โดยที่ค่าปัจจุบันของข้อผิดพลาดในการควบคุมคือเวลา

การเลือกโครโมโซมดำเนินการโดยใช้วิธีรูเล็ต ล้อรูเล็ตมีส่วนต่างๆ และความกว้างของส่วนนั้นแปรผันตามฟังก์ชันฟิตเนส ดังนั้น ยิ่งค่าของฟังก์ชันนี้มีค่ามากเท่าใด การเลือกโครโมโซมที่สอดคล้องกันก็จะยิ่งมีมากขึ้นเท่านั้น

มิชเชนโก้ วี.เอ. 1โครอบคิน เอ.เอ. 2

1 รัฐโวโรเนซ มหาวิทยาลัยการสอน, โวโรเนซ

2 มหาวิทยาลัยแห่งรัฐ Voronezh, Voronezh

บทความนี้กล่าวถึงหลักการของการสร้างระบบโดยใช้ตรรกศาสตร์คลุมเครือ อีกทั้งยังมีการกำหนดหลักการสร้างอนุมานเชิงตรรกะด้วย โครงสร้างการจัดองค์กรของโครงข่ายประสาทเทียมแบบคลุมเครือยังพิจารณาโดยใช้ตัวอย่างของเครือข่าย Wang–Mendel แผนภาพองค์กรของเครือข่ายดังกล่าวมีการอธิบายโครงสร้างของมันโดยเฉพาะการกำหนดเลเยอร์ของโครงข่ายประสาทเทียมและอธิบายหลักการทำงานของแต่ละเลเยอร์ นอกจากนี้ ยังมีการพิจารณากระบวนการฝึกอบรมโครงข่ายประสาทเทียม Wang-Mendel แบบคลุมเครือ ซึ่งรวมถึงการปรับค่าสัมประสิทธิ์การถ่วงน้ำหนักของเครือข่ายและการปรับพารามิเตอร์ของฟังก์ชันเกาส์เซียน กระบวนการฝึกอบรมเครือข่ายยังได้รับการพิจารณาในกรณีที่ไม่สามารถหาวิธีแก้ปัญหาสำหรับกระบวนการฝึกอบรมได้และการค้นหาพารามิเตอร์จะดำเนินการในลักษณะที่ตรงตามเงื่อนไขทั้งหมดในระดับหนึ่ง บทความนี้ยังได้ดำเนินการ การวิเคราะห์เปรียบเทียบ ประเภทต่างๆสถาปัตยกรรม ระบบอัจฉริยะ.

ตรรกะคลุมเครือ

โครงข่ายประสาทเทียมคลุมเครือ

1. Aksenov S.V., Novoseltsev V.B. การจัดองค์กรและการใช้โครงข่ายประสาทเทียม (วิธีการและเทคโนโลยี) / เอ็ด เอ็ด วี.บี. โนโวเซลเซวา. – ตอมสค์: สำนักพิมพ์ NTL, 2549 – 128 หน้า

2. บาตีร์ชิน ไอ.ซี. ระบบไฮบริดคลุมเครือ ทฤษฎีและการปฏิบัติ / อ. เอ็น.จี. ยารุชคิน่า. – ม. ฟิซแมทลิต, 2007. – 208 น.

3. Osovsky S. โครงข่ายประสาทเทียมสำหรับการประมวลผลข้อมูล / การแปล จากโปแลนด์ I.D. รูดินสกี้. – อ.: การเงินและสถิติ, 2545. – 344 หน้า

5. ยาเควา G.E. ชุดคลุมเครือและโครงข่ายประสาทเทียม: บทช่วยสอน/ จี.อี. ยาฮเยวา. – ม.: มหาวิทยาลัยอินเทอร์เน็ต เทคโนโลยีสารสนเทศ- ทวินาม ห้องปฏิบัติการความรู้, 2549 – 316 น.

ใช้ใน ประเภทต่างๆแบบจำลองระบบที่ใช้ตรรกศาสตร์คลุมเครือเป็นฐานความรู้ที่สร้างขึ้นโดยผู้เชี่ยวชาญเฉพาะสาขาวิชา โดยเป็นชุดของกฎคลุมเครือในรูปแบบ:

ถ้า x คือ A 1 แล้ว y คือ B 1

ถ้า x คือ A 2 แล้ว y คือ B 2

ถ้า x คือ A n แล้ว y คือ B n

ที่ไหน เอ็กซ์และ ยคือตัวแปรอินพุตและเอาต์พุตตามลำดับ และ กและ ใน- ฟังก์ชั่นการเป็นสมาชิก

การอนุมานเชิงตรรกะแบบคลุมเครือถูกสร้างขึ้นในหลายขั้นตอน:

• การแนะนำความคลุมเครือ: ในขั้นตอนนี้ฟังก์ชันสมาชิกจะถูกนำไปใช้กับค่าที่แท้จริงของตัวแปรอินพุต
• การอนุมาน: คำนวณค่าความจริงสำหรับสถานที่ของแต่ละกฎและนำไปใช้กับข้อสรุปของแต่ละกฎ ซึ่งส่งผลให้มีชุดย่อยคลุมเครือหนึ่งชุดที่จะถูกกำหนดให้กับตัวแปรเอาต์พุตแต่ละตัวสำหรับแต่ละกฎ
• องค์ประกอบ: ชุดย่อยคลุมเครือที่กำหนดให้กับตัวแปรเอาต์พุตแต่ละตัวจะรวมกันเป็นชุดเดียวสำหรับตัวแปรเอาต์พุตทั้งหมด
• ลดความชัดเจน: ใช้ในกรณีที่จำเป็นต้องแปลงชุดเอาต์พุตฟัซซี่ให้เป็นตัวเลขที่ชัดเจน

สร้างขึ้นบนหลักการเหล่านี้ จำนวนมากเครือข่าย มาดูหนึ่งในนั้นกันดีกว่า - เครือข่าย Wang-Mendel โครงสร้างของเครือข่ายดังกล่าวเป็นโครงข่ายประสาทเทียมสี่ชั้นซึ่งชั้นแรกดำเนินการแบ่งเฟสของตัวแปรอินพุตส่วนที่สอง - การรวมค่าการเปิดใช้งานเงื่อนไขส่วนที่สาม - การรวมกฎการอนุมาน M (เซลล์ประสาทแรก) และการสร้าง a สัญญาณการทำให้เป็นมาตรฐาน (เซลล์ประสาทที่สอง) ในขณะที่ประกอบด้วยหนึ่งเซลล์ประสาท เลเยอร์เอาท์พุตทำการทำให้เป็นมาตรฐานโดยสร้างสัญญาณเอาท์พุต

ในเครือข่ายนี้ เลเยอร์ที่หนึ่งและสามเป็นแบบพาราเมตริก โดยเลเยอร์แรกประกอบด้วย ม*น*2พารามิเตอร์ของฟังก์ชัน Gaussian และพารามิเตอร์ตัวที่สาม - M ฉัน

สัญญาณเอาท์พุตของเครือข่าย Wang-Mendel คำนวณโดยสูตร:

, (1)

ที่ไหน ฉัน- ค่าสัมประสิทธิ์น้ำหนัก ไมจ()- ฟังก์ชันเกาส์เซียนพร้อมพารามิเตอร์ความคาดหวังทางคณิตศาสตร์ซึ่งกำหนดจุดศูนย์กลาง ซีจและพารามิเตอร์กระจายซึ่งกำหนดโดยค่าเบี่ยงเบนมาตรฐาน ดีจ,

- ฟังก์ชันเกาส์เซียน

ข้าว. 1. โครงสร้างของเครือข่ายวัง-เมนเดล

หน้าที่ของเครือข่ายคือการสร้างการแมปคู่ข้อมูล ( เอ็กซ์,ง) เพื่อให้ค่าที่คาดหวังสอดคล้องกับเวกเตอร์อินพุต xถูกสร้างขึ้นโดยฟังก์ชันเอาต์พุต ใช่(x).

การฝึกอบรมเครือข่ายคลุมเครือ เช่นเดียวกับเครือข่ายคลาสสิก สามารถดำเนินการได้โดยใช้อัลกอริธึมที่ได้รับการดูแล โดยขึ้นอยู่กับการลดฟังก์ชันวัตถุประสงค์ที่ระบุโดยใช้บรรทัดฐานแบบยุคลิดเป็น

, ที่ไหน พี- จำนวนคู่ฝึกซ้อม ( เอ็กซ์,ง).

ในการฝึกโครงข่ายประสาทเทียมแบบคลุมเครือ มีการใช้อัลกอริธึมที่มีการสลับขั้นตอนต่อไปนี้ตามลำดับ:

• สำหรับค่าพารามิเตอร์คงที่ ซีจและ ฉัน j ของเลเยอร์แรก ค่าพารามิเตอร์จะถูกคำนวณ ฉันชั้นที่สามของเครือข่าย
• ด้วยค่าพารามิเตอร์คงที่ ฉันของชั้นที่สามจะมีการระบุพารามิเตอร์ ซีจและ ดีจชั้นแรกของเครือข่าย

ดังนั้นในระยะแรกสำหรับ เคตัวอย่างการฝึก , k=1, 2, ... เคเราก็ได้ระบบ เคสมการเชิงเส้น โดยที่ ว- เวกเตอร์ที่ประกอบด้วยสัมประสิทธิ์เชิงเส้น วฉัน, ดี- เวกเตอร์ของการตอบสนองเครือข่ายอ้างอิง - จำนวนบรรทัด เคเมทริกซ์ พีวีมากกว่าจำนวนคอลัมน์อย่างมีนัยสำคัญ การแก้ระบบสมการพีชคณิตเชิงเส้นนี้สามารถหาได้ในขั้นตอนเดียวดังนี้: โดยที่เมทริกซ์ผกผันเทียมสำหรับเมทริกซ์คือที่ไหน พีวี.

ในขั้นตอนที่สองค่าสัมประสิทธิ์ของพหุนามของชั้นที่สามได้รับการแก้ไขและค่าสัมประสิทธิ์ของฟังก์ชันเกาส์เซียนสำหรับชั้นแรกของเครือข่ายได้รับการแก้ไข (โดยปกติหลายครั้ง) วิธีการมาตรฐานการไล่ระดับสี: , , ที่ไหน เค- จำนวนรอบการฝึกครั้งต่อไป, v c - อัตราการเรียนรู้สำหรับสัมประสิทธิ์ c ij, v d - อัตราการเรียนรู้สำหรับสัมประสิทธิ์ d ij, - ข้อผิดพลาดของเครือข่าย โดยที่ L - จำนวนทั้งหมดตัวอย่างการฝึกอบรม yl คือผลลัพธ์ของเครือข่าย Wang-Mendel สำหรับตัวอย่างนี้ - ค่าอ้างอิงผลลัพธ์ของเครือข่าย Wang-Mendel

อนุพันธ์และคำนวณโดยใช้สูตร:

, .

อนุพันธ์และสามารถพบได้โดยใช้สูตร:

, ,

ที่ไหน - ฟังก์ชันเกาส์เซียน

เนื่องจากในชุดของขั้นตอน ขั้นตอนของการปรับแต่งพารามิเตอร์ของฟังก์ชันเกาส์เซียนมีอัตราการลู่เข้าที่ต่ำกว่ามาก ดังนั้นในระหว่างการฝึกอบรมการดำเนินการตามขั้นตอนที่ 1 ตามกฎจะมาพร้อมกับการดำเนินการหลายขั้นตอนที่ 2

บ่อยครั้งที่คุณจำเป็นต้องค้นหา “วิธีแก้ไข” สำหรับระบบที่ไม่มีวิธีแก้ปัญหา (ตามความหมายปกติ) ทางออกจากสถานการณ์คือการค้นหาค่าของพารามิเตอร์ที่ไม่รู้จักซึ่งตรงตามเงื่อนไขทั้งหมดของระบบ "ในระดับหนึ่ง"

เมทริกซ์ A+ เรียกว่า pseudoinverse ของเมทริกซ์ ก, ถ้า . มันจะตามมาทันทีว่าถ้าเมทริกซ์ กมีขนาด ม x nดังนั้นเมทริกซ์ผกผันเทียม A + จะมีขนาด n x ม .

ให้เราอธิบายอีกแนวทางหนึ่งในการกำหนดแนวคิดนี้ซึ่งมักพบในวรรณคดี ขั้นแรก เราจะแนะนำแนวคิดของสารละลายเทียมของระบบสมการ ขอให้เราได้รับระบบสมการ

ที่ไหน ก- เมทริกซ์ขนาด ม x n, ข- เวกเตอร์ของ มองค์ประกอบ

วิธีแก้ปัญหาใดๆ ของระบบนี้ก็ถือเป็นวิธีแก้ปัญหาของระบบเช่นกัน

สารละลายเทียมของระบบ (2) เป็นวิธีแก้ปัญหาของระบบ (3) โดยมีบรรทัดฐานขั้นต่ำในทุกคอลัมน์ที่มีความคลาดเคลื่อนขั้นต่ำ (บรรทัดฐานของเวกเตอร์คือ รากที่สองจากผลรวมของกำลังสองของส่วนประกอบเวกเตอร์ และความคลาดเคลื่อนของคำตอบของระบบ (2) เรียกว่าบรรทัดฐานของเวกเตอร์ ขวาน-b).

ผกผันเทียมของเมทริกซ์ กขนาด ม x nเรียกว่าเมทริกซ์ A + คอลัมน์ซึ่งเป็นโซลูชันหลอกของระบบในรูปแบบ Ax=e ผม ,

ฉันอยู่ที่ไหน - ฉันคอลัมน์ที่ 3 ของเมทริกซ์เอกลักษณ์ของลำดับ ม.

วิธีการสากลสำหรับการค้นหาเมทริกซ์ผกผันเทียม ได้แก่ อัลกอริธึมที่เกิดซ้ำของ Greville และ Fadeev ในบทความนี้ เรานำเสนออัลกอริทึม Greville สำหรับการกลับเมทริกซ์เทียม

ให้เมทริกซ์ได้รับ ก∈ R นาที และ a k - ee เคคอลัมน์ที่ เค = 1- - ., น.

ให้ A k เป็นเมทริกซ์ที่ประกอบด้วย เคคอลัมน์แรกของเมทริกซ์ ก:

ที่ เค= 1: A 1 = a 1 และเมื่อใด เค= 2- - - , n: - ก = ก.

เมทริกซ์ A+ ∈ R min สามารถคำนวณได้โดยใช้อัลกอริทึมที่เกิดซ้ำ:

1. การเริ่มต้น

2. ปั่นจักรยานตาม เค=2, ..., n.

, ที่ไหน ฉัน- เมทริกซ์ลำดับหน่วย ม,

ได้รับเมื่อ ขั้นตอนสุดท้ายเมทริกซ์ A + n คือเมทริกซ์ผกผันเทียมซึ่งเป็นคำตอบที่ต้องการ

หลักการของตรรกะคลุมเครือถูกนำมาใช้เป็นเวลานานในการแก้ปัญหาที่ข้อมูลต้นฉบับมีรูปแบบไม่ดีหรือไม่น่าเชื่อถือ ข้อได้เปรียบหลักของเครือข่ายที่มีโครงสร้างนี้คือ:

• ความสะดวกในการนำเสนอข้อมูล: คำอธิบายของคำชี้แจงปัญหาและเงื่อนไขจัดทำขึ้นในภาษาที่ใกล้เคียงกับธรรมชาติ
• ความเป็นสากล: ตามทฤษฎีบทการประมาณแบบคลุมเครือ ใดๆ แบบจำลองทางคณิตศาสตร์สามารถประมาณได้ด้วยระบบที่สร้างขึ้นจากตรรกะคลุมเครือ
• ประสิทธิภาพ: ทฤษฎีบทจำนวนหนึ่งคล้ายกับทฤษฎีบทความสมบูรณ์สำหรับเครือข่ายประสาทเทียมแสดงให้เห็นถึงประสิทธิภาพสูงของเครือข่ายดังกล่าว

อย่างไรก็ตาม การจัดระเบียบโครงข่ายประสาทเทียมนี้ก็มีข้อเสียหลายประการเช่นกัน:

• กฎคลุมเครือชุดเริ่มแรกนั้นถูกสร้างขึ้นโดยบุคคล ซึ่งไม่ได้มีวัตถุประสงค์เสมอไป และบางครั้งก็ไม่สมบูรณ์หรือขัดแย้งกันด้วยซ้ำ
• ประเภทและพารามิเตอร์ของข้อมูลที่เชื่อมต่ออินพุตและเอาต์พุตนั้นถูกกำหนดตามอัตวิสัยและไม่ได้สะท้อนถึงความเป็นจริงเสมอไป

สถาปัตยกรรมระบบอัจฉริยะแต่ละประเภทมีลักษณะเฉพาะของตัวเองในแง่ของการฝึกอบรมเครือข่าย การประมวลผลข้อมูล และการประมวลผล ผลลัพธ์สุดท้ายซึ่งอนุญาตให้คุณใช้สถาปัตยกรรมบางประเภทเพื่อแก้ไขปัญหาที่สถาปัตยกรรมอื่นไม่สามารถใช้งานได้ ตัวอย่างเช่น การใช้โครงข่ายประสาทเทียมในงานจดจำรูปแบบมีการใช้กันอย่างแพร่หลาย อย่างไรก็ตาม เป็นการยากที่จะอธิบายหลักการทำงานของเครือข่าย เครือข่ายสามารถรับข้อมูลและประมวลผลได้อย่างอิสระอย่างไรก็ตามกระบวนการของเครือข่ายการฝึกอบรมนั้นค่อนข้างยาวนอกจากนี้การวิเคราะห์เครือข่ายที่ได้รับในท้ายที่สุดนั้นค่อนข้างซับซ้อน ในขณะเดียวกันก็ไม่สามารถป้อนข้อมูลที่เชื่อถือได้ล่วงหน้าลงในโครงข่ายประสาทเทียมได้

เมื่อพิจารณาระบบที่สร้างขึ้นจากตรรกะคลุมเครือ เราสามารถพูดตรงกันข้ามได้ - ข้อมูลที่ได้รับจากเอาต์พุตของระบบดังกล่าวนั้นง่ายต่อการเข้าใจ อย่างไรก็ตาม ระบบดังกล่าวไม่สามารถรับข้อมูลที่สามารถนำมาใช้ในอนาคตได้อย่างอิสระเมื่อสร้างข้อมูลเอาต์พุต

ดังที่เราเห็น โครงข่ายประสาทเทียมและระบบลอจิกคลุมเครือมีความคล้ายคลึงกัน แต่แต่ละระบบก็มีข้อดีและข้อเสียของตัวเอง ข้อสรุปนี้ถูกนำมาใช้เป็นพื้นฐานสำหรับการสร้างโครงข่ายประสาทเทียมแบบคลุมเครือ เครือข่ายดังกล่าวสร้างโซลูชันโดยใช้ตรรกะคลุมเครือ แต่ฟังก์ชันการเป็นสมาชิกจะได้รับการปรับเปลี่ยนโดยใช้อัลกอริธึมการเรียนรู้โครงข่ายประสาทเทียม นอกจากนี้เครือข่ายดังกล่าวไม่เพียงแต่สามารถเรียนรู้ได้ แต่ยังสามารถคำนึงถึงข้อมูลเบื้องต้นอีกด้วย ในโครงสร้างของพวกเขา เครือข่ายประสาทเทียมแบบคลุมเครือจะคล้ายกับเครือข่ายหลายชั้น ตัวอย่างเช่น ด้วยการเรียนรู้เครือข่ายโดยใช้อัลกอริธึมการแพร่กระจายกลับ แต่เลเยอร์ที่ซ่อนอยู่ในเครือข่ายแบบคลุมเครือนั้นสอดคล้องกับขั้นตอนการทำงานของระบบคลุมเครือ: เลเยอร์แรกแนะนำความคลุมเครือตาม ลักษณะเฉพาะของอินพุต ชั้นที่สองกำหนดกฎคลุมเครือมากมาย ชั้นที่ 3 ทำหน้าที่สร้างความชัดเจน แต่ละเลเยอร์เหล่านี้มีชุดพารามิเตอร์ การตั้งค่าจะดำเนินการในลักษณะเดียวกับการตั้งค่าของโครงข่ายประสาทเทียมทั่วไป

ผู้วิจารณ์:

• Shashkin A.I. แพทย์สาขาวิทยาศาสตร์กายภาพและคณิตศาสตร์ หัวหน้า ภาควิชาคณิตศาสตร์และการวิเคราะห์ประยุกต์ของสถาบันการศึกษางบประมาณของรัฐบาลกลางด้านการศึกษาวิชาชีพระดับสูง "Voronezh State University", Voronezh
• Kurgalin S.D. แพทย์สาขาวิทยาศาสตร์กายภาพและคณิตศาสตร์ หัวหน้า ภาควิชาเทคโนโลยีดิจิทัล Voronezh State University, Voronezh

ลิงค์บรรณานุกรม