Исследование возможности применения искусственных нейронных сетей для автоматического управления

ВВЕДЕНИЕ

Искусственные нейронные сети, или нейронные компьютеры, появились практически одновременно с компьютерами Фон-неймановской архитектуры. Они являлись одной из возможных ветвей развития вычислительной техники. Но благодаря простоте реализации с помощью технических средств того времени в этой гонке победила Фон-неймановская архитектура, а нейронные сети на какое-то время были забыты. Но с совершенствованием технологии производства элементной базы и с достижением теоретических пределов производительности компьютеров с традиционной архитектурой о нейронных сетях вспомнили и в последнее время нейронные сети, и нейрокомпьютеры получили второе дыхание.

Идея нейронных сетей была позаимствована у природы, а точнее в качестве аналога использовалась нервная система животных и человека. Нервная система состоит из огромного количества достаточно простых элементов – нейронов. Каждый нейрон получает сигналы от тысяч других нейронов и передает обработанную информацию тысячам других нейронов по одному единственному выводу. Нейроны связаны между собой в достаточно сложную и идеально настроенную систему. Высокое быстродействие данной системы, пока не достижимое для современных компьютеров, обеспечивается за счет параллельности обработки информации. Сравнительно медленные нейроны обрабатывают входящую информацию одновременно, но благодаря большому их количеству достигается огромное быстродействие (табл. 1).

Длительный период эволюции придал мозгу человека много качеств, которые отсутствуют как в машинах с архитектурой фон Неймана, так и в современных параллельных компьютерах. К ним относятся:

- массовый параллелизм;

- распределенное представление информации и вычисления;

- способность к обучению и способность к обобщению;

- адаптивность;

- свойство контекстуальной обработки информации;

- толерантность к ошибкам;

- низкое энергопотребление.

Можно предположить, что машины, построенные на тех же принципах, что и биологические нейроны, будут обладать перечисленными характеристиками.

Интеллектуальные системы на основе искусственных нейронных сетей (ИНС) позволяют с успехом решать проблемы распознавания образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления.

Таблица 1. Машина фон Неймана по сравнению с биологической нейронной системой

Машина фон Неймана	Биологическая нейронная система
Процессор	Сложный	Простой
	Высокоскоростной	Низкоскоростной
	Один или несколько	Большое количество
Память	Отделена от процессора	Интегрирована в процессор
	Локализована	Распределенная
	Адресация не по содержанию	Адресация по содержанию
Вычисления	Централизованные	Распределенные
	Последовательные	Параллельные
	Хранимые программы	Самообучение
Надежность	Высокая уязвимость	Живучесть
Специализация	Численные и символьные oперации	Проблемы восприятия
Среда функционирования	Строго определенная	Плохо определенная
	Строго ограниченная	Без ограничений

Нейронные сети применяются для решения целого ряда задач, которые традиционными линейными методами трудно решаемы, или даже вообще не решаемы. На практике нейросети используются в двух видах – как программные продукты, выполняемые на обычных компьютерах, и как специализированные аппаратно-программные комплексы. В первом случае не используется встроенный параллелизм нейросетевых алгоритмов. Для многих задач, в т.ч. приложениях при анализе и обобщении баз данных, особенного быстродействия и не требуется: для них вполне хватает производительности современных универсальных процессоров. В этих приложениях используется исключительно способность нейросетей к обучению, к извлечению скрытых в больших массивах информации закономерностей. Для второй группы приложений – обработки сигналов в реальном времени, параллелизм нейровычислений является критическим фактором. Потребность в выполнении большого объема исследовательских работ и быстром функционировании появившихся прикладных систем привели к появлению специализированных вычислительных устройств для эффективного моделирования нейронных сетей – нейрокомпьютеров.

Перечислим основные задачи, решаемые нейронными сетями:

-Распределенная ассоциативная память;

-Распознавание образов;

-Адаптивное управление;

-Прогнозирование;

-Экспертные системы;

-Оптимизация (т.е. поиск максимума функционала при наличии ограничений на его параметры),

-Кластеризация, категоризация.

Эти задачи можно эффективно внедрять в космонавтике, механике, металлургии и т.д.

В настоящее время самые различные отрасли промышленности и народного хозяйства находятся в условиях нестабильности. Нестабильность характеризуется существенными нереализуемыми резервами в экономии затрат, связанными с издержками производства.

Без преувеличения можно сказать, что металлургия является одним из китов, на

Внимание, отключите Adblock

Вы посетили наш сайт со включенным блокировщиком рекламы!
Ссылка для скачивания станет доступной сразу после отключения Adblock!

Скачать