Пупков К.А., Коньков В.Г. - Интеллектуальные исследования (Современнаяя теория управления) (1072100), страница 19

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 19)

-вычислительная среда должна быть компактной, малоэнергоемкой.

Одним из возможных вариантов организации такой вычислительной среды, удовлетворяющей указанным выше требованиям, является мультитранспьютерная вычислительная среда. Базовым элементом этой вычислительной среды является транспьютер, представляющий собой новый перспективный класс микропроцессоров, отличительной чертой которых является высокое быстродействие (порядка 10...15 MIPS или 2.25 MFLOPS), наличие встроенного арифметического процессора для операций с плавающей точкой, а также наличие нескольких (в зависимости от модификации транспьютера от 2 до 6) двунаправленных высокоскоростных LINKа, обеспечивающих обмен информацией в последовательном формате как между самими транспьютерами, так и между транспьютерами и через соответствующие адаптеры внешними устройствами. При этом скорости передачи информации могут принимать значения 5...20 Мбит/с. Внешняя адресуемая память может наращиваться и достигать 4 Гбайт. Внутрисхемный интерфейс внешней памяти обеспечивает скорость передачи данных порядка 25...40 Мбайт/с [58].

Основным базовым языком программирования транспьютеров является язык программирования высокого уровня ОССАМ, ориентированный на программирование как последовательных, так и параллельных вычислительных процессов. Получаемый в результате компиляции с языка ОССАМ объектный программный модуль отличается компактностью и вычислительной эффективностью.

Указанные выше основные эксплуатационные характеристики и особенности транспьютеров позволяют сделать вывод о целесообразности их использования в качестве базовых элементов мультипроцессорных контроллеров сложных систем управления, в том числе и интеллектуальных систем управления, в качестве базовых элементов мультипроцессорных вычислительных средств для организации интеллектуальных инструментальных систем динамического, технологического и технического проектирования систем управления, а также при создании универсальных многофункциональных комплексов полунатурного моделирования сложных систем управления.

Особенности внутренней архитектуры транспьютеров, особенности организации их межпроцессорного интерфейса, особенности программирования - все эти особенности транспьютеров как базовых процессорных элементов позволяют материально, компактно реализовать достаточно сложную и гибкую топологию мультитранспьютерной среды с большой вычислительной производительностью, однако при этом возникает ряд специфических проблем, связанных с разработкой и отладкой программных средств, ориентированных на конвейерную и параллельную обработку данных, проблем организации и оптимизации структур вычислительных процессов, проблем организации и оптимизации топологической структуры вычислительной среды, на которой реализуются эти процессы и т.д.

Необходимость решения всех указанных выше специфических проблем, связанных с применением транспьютеров, позволяет говорить о новой, транспьютерной технологии проектирования сложных систем управления, интеллектуальных систем, инструментальных средств их проектирования.

Рассмотренная выше концепция мультитранспьютерной организации вычислительных средств для решения задач полунатурного моделирования легла в основу созданного на кафедре «Системы автоматического управления» Московского государственного технического университета универсального многофункционального комплекса для полунатурного моделирования сложных динамических систем управления.

Моделирующий комплекс был использован для разработки программного обеспечения, оценки потребных вычислительных ресурсов с учетом мультитранспьютерной реализации вычислительных алгоритмов, а также для отработки аппаратных и программных средств интерфейса с внешними информационно-измерительными и исполнительными устройствами многостепенного динамического стенда, предназначенного для полунатурного моделирования в реальном времени процессов механического взаимодействия стыковочных узлов космических летательных аппаратов типа «Мир» и «Shuttle» (см. рис. 30).

Рис. 30. Блок-схема моделирующего комплекса.

В состав комплекса входят:

-базовый центральный компьютер класса IBM PC-386 с комплектом стандартных периферийных средств;

-Transputer Modules (TRAM-ы) - унифицированные платы транспьютерных модулей;

-Transputer Modules Board-платы типа ТМВ166, обеспечивающие интерфейс транспьютерных модулей с HOST-компьютером;

-транспьютерные модули-адаптеры аналого-цифровых и цифро-аналоговых преобразователей;

-тензометрическая станция в комплекте с датчиками механических сил;

-буферный усилительно-коммутационный блок;

-нагрузочный электро-гидравлический привод;

-источники питания;

-кабельная система.

На вычислительной мальтитранспьютерной среде решалась система дифференциальных и алгебраических уравнений высокого порядка вида

Здесь - векторы относительной скорости и дальности соответственно; - главные тензоры инерции космических аппаратов; - векторы линейных и угловых ускорений, обусловленных действием всех активных внешних сил и моментов; - векторы угловых скоростей; -матрицы направляющих косинусов; - матрицы, зависящие от угловых скоростей ; - кинематические параметры; -коэффициенты; - вектор командных сигналов управления на исполнительные сервоприводы динамического стенда.

Вычислительный алгоритм был запрограммирован на языке ОССАМ-2, отлажен, откомпилирован и реализован на 4-х транспьютерной вычислительной среде, причем один из транспьютеров был использован в качестве интерфейсного адаптера с HOST-компьютером. Такая конфигурация оказалась достаточной для обеспечения необходимого быстродействия с учетом требований синхронизации модельного и реального времени.

Результаты моделирования на комплексе показали высокую эффективность его мультитранспьютерной организации и вычислительную эффективность разработанных программных средств.

2.5 Нейросетевые технологии интеллектуальных систем.

Программные технологии, применяемые в системах управления могут быть подразделены на традиционные, использующие обычные вычислительные процедуры, и подпадающие под определение “систем искусственного интеллекта”, или интеллектуальных систем [59]. Типичными примерами последних являются экспертные системы и нейронные сети. В общем случае вопрос выбора типа программного обеспечения (ПО) зависит непосредственно от требований предметной области и от стоимости разработки ПО опосредованно. Так, например, система U-2, использующая весь спектр современных информационных технологий, позволяет решать достаточна широкий круг задач управления, но ее применение становится проблематичным при решении задач прикладного характера не столько по причине высокой стоимости системы, сколько из-за высоких требований к вычислительным ресурсам. Широко известная система СИАМ, использующая традиционные вычислительные процедуры, к сожалению позволяет решать только задачи моделирования в достаточно узких пределах, что ограничивает возможности её применение в основном рамками учебного процесса. Более мощная система моделирования MATLAB+SIMULINK дает возможность работать с широким классом объектов и методологических подходов, в том числе с использованием элементов искусственного интеллекта (NEURAL NETWORK TOOLBOX, FUZZY LOGIC TOOLBOX). Трудности, связанные с сопряжением системы с реальными объектами и отдельными программными модулями, ограничивают область применения системы задачами моделирования. Помимо вышеназванных, создан ряд компактных программно-аппаратных комплексов, использующих как традиционные методы, так и элементы искусственного интеллекта для решения прикладных задач управления.

Однако, существует ряд задач управления, в которых информация об объекте может быть неполной, неточной или нечеткой, когда применение традиционных вычислительных алгоритмов становится проблематичным и не дает желаемого результата. Кроме того, связь между входными и выходными параметрами может быть настолько сложна, что моделирование в традиционном смысле становится мало эффективным а порой просто невозможным. В таких ситуациях желаемый результат может принести применение нейросетевых технологий. Наибольший эффект использование нейросетевых технологий дает в таких областях как распознавание образов, анализ данных, моделирование и управление. Перечень типичных задач, решаемых с помощью нейросетей приведен в таблице.

Парадигмы нейросетевой технологии. Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать (или не соответствовать) анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число свойств, присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.

Свойства нейронных сетей. Обучение. Искусственные нейронные сети могут менять свое повеление в зависимости от внешней среды. Этот фактор в большей степени, чем какой -либо другой, ответствен за интерес, который они вызывают. После предъявления входных сигналов (возможно с соответствующими выходами), нейронные сети самонастраиваются, чтобы обеспечить требуемую реакцию.

Обобщение. Отклик сети после обучения может быть до некоторой степени нечувствителен к небольшим изменениям входных сигналов. Эта внутренне присущая способность видеть образ сквозь шум и искажения позволяет преодолеть требования строгой точности, предъявляемое обычным компьютерам. Важно отметить, что нейронная сеть делает обобщения автоматически благодаря своей структуре, а не с помощью “человеческого интеллекта”, представленного в форме специально написанных компьютерных программ.

Абстрагирование. Некоторые из нейронных сетей обладают способностью извлекать сущность из входных сигналов, т.е. оперировать с данными, которые не возникали в процессе обучения.

Нейронные сети и другие виды программного обеспечения. Традиционные программы выполняют точно установленные инструкции в определенный момент времени. Например, выполняя вычисления, программа производит шаг за шагом последовательность действий пока не будет получен некоторый результат. Прохождение данных по нейронной сети напротив не может быть заранее определено по причине иерархической структуры сети и распределенности по связям весовых коэффициентов. Кроме того, входные данные могут быть недоопределены или определены нечетко, что в традиционных программах не представляется возможным. Поставленная задача может быть решена нейросетью даже если входная информация не рассматривалась ранее при обучении, при условии, что данные не выходят за предъявляемые к ним ограничения. Нейронные сети занимают небольшой объем памяти, так как сохраняется лишь структура нейронной сети. Нейронные сети идеально подходят для решения задач управления, так как обеспечивают благодаря параллельной структуре чрезвычайно высокую скорость выполнения операций.

Для решения таких прикладных задач, как прогнозирование и выдача рекомендаций (управление) на основе анализа данных могут быть использованы как экспертные системы, так и нейронные сети. Но основное преимущество нейронных сетей заключается в возможности избежать традиционной процедуры программирования и сбора информации или знаний при помощи экспертов или конечных пользователей. При создании экспертных систем, наоборот, требуется проводить “интервью” с экспертами для получения “правил” поведения системы или объекта при определенных условиях, что требует значительного времени и материальных вложений и порой не приносит желаемого эффекта, так как нет гарантии что все необходимые правила будут получены и что экспертная система будет работать в различных условиях.

Дополнительное преимущество нейронных сетей состоит в способности выделять общие принципы (обобщение) при предъявлении некоторого набора обучающих векторов с неполным набором данных (абстрагирование). Также стоит выделить способность получать желаемый выход в случае неполного или нечеткого набора данных в случае, когда работа множества традиционных компьютерных программ завершается ошибкой.

Характеристики

Список файлов книги