Рассмотрим структуры гибридных систем (ГС), решающих задачу управления, выделим особенности архитектуры и алгоритмов обучения для каждого конкретного типа ГС.
NNFLC — нечеткий контроллер на основе НС (Neurons network fuzzy logic controller). Структура NNFLC приведена на рис. 9.2. Структура NNFLC – это многослойная сеть прямого распространения сигнала, причем различные слои выполняют разные функции. Опишем кратко функции слоев.
Слой 1 представляет функции принадлежности, реализованные как радиальные базисные нейроны.
Слой 2 моделирует И - условия правил.
Слой 3.
Слой 3 представляет собой ИЛИ - комбинацию правил со знаковыми термами в консеквентах и выполняет разные функции в рабочем режиме и в режиме обучения. В режиме обучения слой настраивает параметры функций принадлежности выходных переменных. В рабочем режиме формирует назначение выхода.
Рисунок 9.2 – Структура NNFLC.
Структура ННС NNFLC инициализируется по принципу формирования полной матрицы правил. Если — входные переменные, — количество нечетких меток (разбиений) , то исходное количество правил:
|
|
Обучение ННС сложной архитектуры (с различными функциональными слоями) обычно происходит многоэтапно, причем на каждом этапе используются различные алгоритмы обучения: предобучение (offline), оперативное (online), поз учителя, с учителем.
Общая схема обучения ННС NNFLС содержит следующие этапы:
• формирование обучающих данных;
• самоорганизующаяся кластеризация (настройка функций принадлежности);
• соревновательное обучение (алгоритм победителя);
• удаление правил;
• комбинирование правил;
• окончательная настройка параметров (тюнинг) функций принадлежности с помощью алгоритма обратного распространения ошибки.
Приведем содержательные характеристики этапов обучения. Настройка параметров функций принадлежности включает в себя определение центров и ширины для функций принадлежности, представленных функциями формы:
Алгоритм победителя выявляет
где — монотонно убывающий уровень обучения.
Настройка ширины осуществляется эвристически, например по принципу «первого ближайшего соседа»:
где — параметр перекрытия.
Алгоритм победителя ищет матрицу весов , которая оценивает качество связей левой и правой частей правил:
Комбинирование правил часто целесообразно выполнять с участием эксперта. Окончательная настройка функций принадлежности выполняется с помощью алгоритма обратного распространения ошибки для функции ошибки . Цепочка правил распространяет ошибку до слоя 1 с обратным распространением. Таким образом, можно сделать вывод о том, что архитектура NNFLC может быть проинтерпретирована как система нечеткого вывода Такаджи- Суджено.
|
|
Тема 10. Эволюционные технологии