Аннотация
В статье предлагается метод регулирования технической системы, в котором, в отличие от традиционных подходов, основанных на использовании теории автоматического управления, предлагается использовать нейронную сеть. Нейронная сеть предназначается в данной системе для того, чтобы с ее помощью решать задачу классификации для определения управляющего воздействия в бинарном виде, т. е. в виде включения/отключения управляющего механизма. Рассмотрен пример применения предложенного способа к решению задачи слежения за движущейся по вертикальной линии предметом. В качестве элемента, который следит за передвижением, выступает механизм, способный менять свой угол наклона к горизонту. В качестве управляющего сигнала можно подавать на механизм команды перемещения «вниз» и «вверх». Приведена нейронная сеть, представленная в виде программы на языке Matlab, которая производит построение нейронной сети многослойного персептрона с одним скрытым слоем из десяти нейронов, обучение сети и ее проверку. Также разработана программа, которая генерирует данные для обучения сети. Обученная сеть протестирована на векторе входных данных, которые представляют собой пары положения передвижного механизма и текущего угла наклона.
Несмотря на то что предложенный способ напоминает простой П-регулятор, использование нейронной сети оправдано в случае увеличения параметров входного вектора Х, что свойственно реальным задачам, в которых размерность вектора Х может составлять более 1000. Также преимуществом данного метода является простое по сравнению с ТАУ обучение, в котором не предполагается решения задач идентификации исходной системы.
Ключевые слова: программное обеспечение, нейронные сети, многослойный персептрон, регулирование, задача слежения, ТАУ, обучение нейронных сетей, Matlab
Список литературы
1. Bishop C. Pattern recognition and machine learning. – New York: Springer, 2007. – 738 p. – (Information science and statistics).
2. Richert W., Coelho L. Building machine learning systems with Python. – Birmingham: Packt Publ., 2013. – 290 p.
3. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. – 2nd ed. – New York: Springer, 2013. – 745 p. – (Springer series in statistics).
4. Lantz B. Machine learning with R. – Birmingham: Packt Publ., 2013. – 396 p.
5. Mohri M., Rostamizadeh A., Talwalkar A. Foundations of machine learning. – Cambridge, MA: MIT Press, 2012. – 432 p. – (Adaptive computation and machine learning series).
6. Conway D., White J.M. Machine learning for hackers. – Sebastopol, CA: O'Reilly, 2012. – 324 p.
7. Welcome to the Deep Learning tutorial [Electronic resource]. – URL: http://deeplearning.stanford.edu/tutorial/ (accessed: 29.04.2016).
8. Haykin S. Neural networks: a comprehensive foundation. – New York: MacMillan Publ., 1994. – 1104 p.
