Материал: Элементы искусственного интеллекта в робототехнике. Ефремов Д.А

Далее проверяется, изменилось ли состояние сети. Если да, то классификация заканчивается; если нет, то выполняется еще 1 такт работы выходного слоя, и так до стабили­зации сети. Если предъявленный обра­зец входит в зону действия класса, то на выходах сети будет од­на единица при остальных нулях. Если образец не относится к классу, то на выходах нули. Входной слой используется при инициализации только 1 раз, в дальнейших итерациях используются только нейроны второго слоя.

Коллективы нейронных сетей применяются для сокращений аппаратных и программных ресурсов под­держивающих работу сети. Для реализации коллектива пространство признаков X (X₁, X₂,...X_n) разбиваются на подмножества, каждое из которых имеет схожие или ло­гические признаки. Для каждого подмножества конструируется своя сеть, которая выполняет отображение F обозначающее x в пространстве y (где y – выходное состояние сети) F : xy.

Для коллектива сетей решение представляется неко­то­рым функционалом, который определяет правила объединения решений полученных отдельными сетями. Сети, работающие с подмножествами, называются экспертами, а их объединение че­рез функционал F коллективом сетей (рис.22).

Э1

F₁

Ф(F)

. Э2

F_i

.

.

F_N

X_N

Рис. 21. Коллектив нейронных сетей с взвешенным суммированием решений

или

В пределах одного эксперта, в свою очередь, может быть реализован коллектив сетей, т. е. появляются эксперты ниж­не­го уровня, и формируется иерархическая структура коллектива сетей.

51

4.10. Аппаратно-программные средства реализации нейронных сетей для задач робототехники

Нейронные сети реализуются:

1. В виде программных моделей.

2. Аппаратным способом с использованием специальных чипов-нейронов.

3. Созданием аппаратных средств, моделирующих фрагменты нейронной сети на ПЛИС.

4. Созданием многопроцессорных систем с повышенным бы­с­тро­действием на основе процессоров обработки сиг­налов.

В перечисленных исполнениях сети применяются в различных приложениях, относящихся к робототехнике.

Использование нейронных сетей при обработке изображения

При распознавании изображений производится пред­ва­ри­те­льная их обработка, которая реализуется методом маски. Этот метод заключается в сканировании изображения неболь­шим по размеру растром, размером 3x3 или 4x4.

З­адачей обработки является сглаживание контура изобра­же­ния и удаление случайных помех. Задача обработки сигна­лов от маски состоит в присвоении всему растру сканиро­ва­ния значения белое или черное в зависимости от составляющих белого и черного в сканирующем растре. Решение такой зада­чи может быть выполнено с использованием нейронной сети, число входов которой равен размеру маски с одним выходом. Ней­рон­ная сеть может быть реализована или в виде одно­слойно­го персептрона, или в виде сети Хемминга. Результат обработки каждого отдельного сканирования в виде единичного бита за­писывается в буферную память, которая заполняется после­до­вательно данными обработки всего изображения. Полученный кодовый набор в дальнейшем используется для распознавания всего изображения. Эта операция выполняется на много­слой­ной многовходовой сети, обученной методом обратного рас­про­странения ошибки для всех объектов.

52

2. Использование сетей для распознавания речи

При распознавании речи часто использу­ется алгоритм линейного предсказания. Он заключается в том, что по ряду дискретных отсчетов можно предсказать ка­кое созвучие (фонема) будет произнесено. Реализация алго­рит­ма выполняется с помощью следующих аппаратных средств (рис.22):

1) АЦП с частотой тактирования (отсчета) 100 кГц и более;

2) сдвиговых регистров в качестве буферной памяти для последовательных отсчетов и нейронных сетей, которые по группе отсчетов формируют выходные состояния, соответству­ю­щие фонемам (созвучиям).

НС

АЦП

НС

Рис. 22. Структура системы распознавания речи на основе коллектива нейронных сетей

3. Использование сетей для формирования законов управления

В качестве элементов управления нейронные сети исполь­зу­ют­ся как формирователи управляющих воздействий на основе входных данных, описывающих объект управления. В частнос­ти, при управлении перемещениями входными данными явля­ются рассогласования в заданных и реальных координатах и производные от этих рассогласований. Нейросетевой регуля­тор, получив эти данные, формирует величину, корректи­рую­щую управляющее воздействие.

Нейросетевой регулятор представляет собой много­слой­ную сеть, число входов которой должно быть рассчитано на по­лу­чение информации в виде бинарных кодов с разрядов 10-12 для трех параметров (рассогласование, I и II производная от

53

рассогласования) и числом выходов, равным разрядности пред­ста­вления управляющих воздействий. Обучение сети выпол­ня­ет­ся по диапазону возможных рассогласований, которые раз­би­ваются на некоторое достаточно большое количество образцов.

5. Методы нечеткой логики в интел­лектуальных системах

В точных методах оценки величин и событий они обра­зу­ют универсальное множество E. Каждый элемент этого мно­же­ства может иметь признак A с истинностью 0 или 1, что пред­ста­вляется функцией принадлежности M_A=[0,1]. Таким обра­зом, подмножество А представляет собой упорядоченный на­бор пар, одна составляющая которых – признак; вторая – 0 или 1. В нечеткой логике функция принадлежности может при­ни­мать любые значения. И таким образом нечеткое множество представляет собой набор пар из признаков и значений функ­ции принадлежности.Например, для набора x₁ – x₄ указывается значение функции принадлежности:

В запись нечеткого множества соответствующей таблице имеет вид

В технических системах функции принадлежности обычно имеют аналитическое представление. Наиболее распространенными функциями принадлежности являются:

треугольная: , (рис.23,а)

трапециидальная: , (рис.23,б)

54

гауссова: , (рис.23,в)

M

a b x

a

M

a b c d x

б

M

x

a

в

Рис. 23. Типовые функции принадлежности нечетких множеств