Диссертация (785777), страница 26

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

Текст из файла (страница 26)

2.2.6, было введено понятие сетевой 41 модели (СМ), которое обобщает понятие НС-модели. Здесь было показано, что СМ представляет собой совокупность взаимосвязанных элементов (элементов СМ), организованных как сетевые объединения, построенныепо определенным правилам из очень небольшого числа исходных элементов-примитивов.

Одним из возможных примеров элемента СМ может служить единичный искусственный нейрон.Если при таком подходе следовать принципу минимализма, то наиболее перспективныйпуть, как уже отмечалось ранее, состоит в формировании очень ограниченного набора базисных элементов СМ. Тогда разнообразные конкретные виды элементов СМ, требуемые дляполучения НС-моделей, формируются как частные случаи базисных элементов. Обрабатывающие элементы СМ могут иметь две разновидности: рабочие элементы и вставочные элементы. Важнейшее отличие между ними состоит в том, что рабочие элементы осуществляютпреобразование входных данных в требуемый выход НС-модели, т. е. в требуемый результат.Другими словами, совокупность взаимодействующих рабочих элементов реализует алгоритмрешения требуемой прикладной задачи.

В противоположность этому, вставочные элементыСМ не участвуют непосредственно в упомянутом алгоритме, их роль заключается в воздействии на рабочие элементы, например, за счет корректировки значений параметров рабочихэлементов, что, в свою очередь, изменяет характер преобразования, реализуемого данным41Данный класс моделей можно также именовать композиционными, имея в виду фундаментальную рольоперации композиции в структурном формировании моделей.138элементом.Вход КМОсновнаяподсетьВыход КМНастройкиВставочная Контекст КМподсетьРИС. 2.46. Вставочные элементы в сетевой (композиционной) моделиТаким образом, вставочные элементы вводятся в СМ как средство контекстного воздействия на параметры и характеристики рабочих элементов СМ.

Использование вставочных элементов — наиболее эффективный способ сделать сетевую (композиционную) модель адаптивной. Функциональную роль вставочных элементов поясняет рис. 2.46, на котором вставочныеэлементы объединены во вставочную подсеть. Видно, что вставочная подсеть получает те жесамые входы, что и рабочая подсеть рассматриваемой СМ, реализующая основной алгоритмобработки входных данных. Кроме того, вставочная подсеть может получать также некоторуюдополнительную информацию, называемую здесь контекстом СМ.

Сообразно полученным исходным данным (входы НС-модели + контекст) вставочная подсеть вносит корректировки врабочую подсеть таким образом, чтобы эта рабочая подсеть отвечала изменившейся задаче.Обучение вставочной подсети проводится заранее, на этапе формирования НС-модели, такчто смена решаемой задачи не требует дообучения (и, тем более, переобучения) рабочей подсети, производится лишь ее перенастройка, требующая небольшого времени.2.5.1.3 Преднастройка НС-моделей и ее возможные вариантыБудем выделять два варианта преднастройки: сильную преднастройку и слабую преднастройку.Сильная преднастройка ориентирована на адаптацию НС-модели в широком диапазонеусловий. Характерным архитектурным признаком НС-модели в этом случае является наличиев составе обрабатывающих элементов СМ, наряду с рабочими элементами также и вставочных элементов, воздействующих на параметры рабочих элементов СМ.

Такой подход позволяет реализовывать как параметрическую, так и структурную адаптацию НС-модели.Слабая преднастройка не использует вставочные элементы. При ней выделяются фрагменты НС-модели, меняющиеся при изменении условий и проводится подстройка данных139фрагментов по двухступенчатой схеме.

Например, пусть решается задача моделирования движения летательного аппарата. В качестве основы требуемой модели используется системадифференциальных уравнений, описывающая движение ЛА. Данная система согласно схеме,которая излагается в разд. 5, преобразуется в НС-модель. Это общая модель, которая должнабыть уточнена применительно к определенному ЛА за счет задания конкретных значений егогеометрических, массовых, инерционных, аэродинамических характеристик. Наиболее сложной является проблема конкретизации аэродинамических характеристик моделируемого ЛАвследствие неполного и неточного знания соответствующих величин.

В такой ситуации целесообразно АДХ представлять в виде двухкомпонентной структуры: первая из них основанана априорном знании (например, на данных, полученных путем эксперимента в АДТ), втораясодержит уточняющие данные, получаемые непосредственно в полете. Преднастройка НСмодели в данном случае осуществляется за счет того, что при переходе от моделированияодного конкретного ЛА к другому в НС-модели заменяется часть описания АДХ, основаннаяна априорном знании. Уточняющая часть этого описания является инструментом адаптацииНС-модели, выполняемой уже в процессе функционирования моделируемого объекта.xАприорнаямодельfˆ(x)Уточняющая f (x)модель(a)xАприорнаямодельfˆ(x)+f (x)Уточняющаямодель∆f (x)(b)РИС.

2.47. Структурные варианты преднастройки НС-модели: (a) — последовательныйвариант; (b) — параллельный вариантВ обоих вариантах, как последовательном, так и параллельном, априорная модель обучается в автономном режиме (off-line) заранее с использованием доступных знаний о моделируемом объекте. Уточняющая модель подстраивается уже непосредственно в процессефункционирования объекта на основе данных, получаемых в оперативном режиме(on-line).В последовательном варианте (рис.

2.47a) выход f^(x) априорной модели, отвечающий данному конкретному значению входного вектора x, является входом для уточняющей модели,140реализующей преобразованиеf (f^(x)).В параллельном варианте (рис. 2.47b) априорная и уточняющая модели действуют неза-f^(x), отвечающую данному конкретному значениювходного вектора x и исходному знанию о моделируемом объекте, а также поправку f (x)для того же самого значения входного вектора x с учетом данных, которые стали доступныдля использования в процессе функционирования объекта. Искомое значение f (x) являетсясуммой этих компонент, т. е. f (x) = f^(x) + f (x).висимо друг от друга, вычисляя оценкуСледует подчеркнуть, что нейросетевая реализация априорной и уточняющей моделей является, как правило, различной с точки зрения привлекаемых архитектурных решений, хотяв частном случае может быть и одинаковой, например обе эти модели могут быть построеныв виде мультиперсептронов с сигмоидальными активационными функциями.

Это позволяетнаиболее эффективно удовлетворять требованиям, которые, вообще говоря, для априорной иуточняющей моделей различны. В частности, основное требование, предъявляемое к априорной модели, состоит в возможности представления с требуемой точностью сложных нелинейных зависимостей, при этом время, затрачиваемое на обучение такой модели некритично,поскольку это обучение осуществляется в автономном режиме. В то же время, уточняющаямодель в своей работе должна укладываться в очень жесткие рамки реального (или даже опережающего) масштаба времени. По этой причине, в частности, в абсолютном большинствеслучаев неприемлемыми будут нейроархитектуры, требующие полного их переобучения дажепри незначительных изменениях в обучающих данных, с которыми они работают. В такойситуации более целесообразен инкрементный подход к обучению и дообучению НС-моделей,позволяющий не проводить заново обучение всей сети, а лишь откорректировать те ее элементы, которые непосредственно связаны с изменившимися обучающими данными.2.5.2 Инкрементное формирование НС-моделей1.

Одним из инструментов адаптации НС-моделей является инкрементное формирование,существующее в двух вариантах: параметрическом и структурно-параметрическом.При параметрическом варианте инкрементного формирования структурная организацияНС-модели задается сразу и фиксируется, после чего в несколько этапов осуществляется ееинкрементная подстройка (обучение/дообучение), например, для расширения области режимов функционирования ДС, в которой модель работает с требуемой точностью.Например, если взять полную пространственную модель движения ЛА, учитывающую как141его траекторное, так и угловое движение, то в соответствии с инкрементным подходом вначале осуществляется автономное (off-line) обучение данной модели на относительно небольшойподобласти значений переменных состояния и управления, а затем в оперативном (on-line) режиме выполняется инкрементное дообучение НС-модели, при котором на каждом шаге этогопроцесса производится поэтапное расширение подобласти, на которой обеспечивается работоспособность модели с тем, чтобы в итоге расширить данную подобласть до полной области.2.

Характеристики

Список файлов диссертации