1. Sieci rekurencyjne

Najprościej mówiąc sieci rekurencyjne to takie, które zawierają sprzężenie zwrotne. Sprzężeniem zwrotnym w SN nazywamy takie połączenia, które zawracają sygnały z dalszych (od wejścia) neuronów sieci do neuronów warstwy wejściowej lub do wcześniejszych warstw ukrytych.

Przebieg sygnałów wejściowych w sieci ze sprzężeniem zwrotnym może wykazywać dwojakiego rodzaju zmienność:

• Jeśli współczynnik wagi sprzężenia zwrotnego jest dodatni to sygnał zmienia się jednokierunkowo (aperiodycznie)

• Jeśli współczynniki wagi sprzężenia zwrotnego jest ujemny to sygnał zmienia się oscylacyjnie

• W przypadku gdy neuron jest nieliniowy następuję tzw. chaotyczne błądzenie (efekt motyla, dziwne traktory, fraktale czy zbiory Mandebrotta)

W sieciach rekurencyjnych możemy wyróżnić zachowania:

• Stabilne (sygnały mają ograniczone wartości i zwykle po kilku krokach „zbiegają się” do jakiejś ustalonej końcowej wartości)

• Niestabilne (kolejne wartości sygnału wyjściowego uciekają poza zakres wartości dopuszczalnych)

Sieci takie stosowane są w zagadnieniach:

• Optymalizacyjnych (poszukiwanie najkorzystniejszych decyzji, zapewniających maksymalny zysk i minimalne straty przy uwzględnieniu ograniczeń)

• Komiwojażera

• Optymalnego ograniczania zasobów (np. wody)

• Dobór portfela akcji w czasie gry na giełdzie

• Budowania pamięci skojarzeniowej (czyli pamięci asocjacyjnej lub hetero asocjacyjnej - czyli takich pamięci które pozwalają przyspieszyć proces poprzez ułatwienie procesorowi dostępu do wiedzy)

• Teoretycznego opisu prostych układów fizycznych (cząstki elementarne)

• Termodynamika statystyczna (duży układ o dużej ilości elementów)

• Maszyny Boltzmanna

• Algorytmy symulowanego wyżarzania

Podstawową cechą sieci rekurencyjnych jest, że są bardzo dynamiczne w swoim działaniu, co jest jednocześnie ich zaletą i wadą (zależnie od przeznaczenia).

Wśród sieci rekurencyjnych wyróżniamy:

• SN, które działają jako pamięci asocjacyjne

• Sieć Hopfielda

• SN, które działają jako pamięci hetero asocjacyjne

• Sieć Hamminha

• Sieć typu BAM

• SN tworzone na podstawie perceptronu (w sprzężeniu zwrotnym umieszcza się blok opóźnienia jednostkowego, co pozwala rozpatrywać przepływ sygnałów jako jednokierunkowy)

• Sieć RMLP

• Sieć Williamsa - Zipsera

• Sieć Elmana

2. Sieci modularne

Idea przewodnia budowy sieci modularnych jest osiągnięcie n niezależnie wytrenowanych sieci neuronowych spełniających pewne fragmenty ogólnego odwzorowania oraz wyznaczanie odpowiedzi całego układu za pomocą bloku decyzyjnego (ang. supervisor).

Mówiąc prostszymi słowami różnica między klasycznymi sieciami neuronowymi a tymi o budowie modularnej jest taka: zamiast jednej dużej sieci, zespół mniejszych oraz blok decyzyjny pozwalający z sumy sygnałów wypracować końcową odpowiedz.

Wśród zalet można wymienić podzielenie odpowiedzialności za odpowiedz pomiędzy poszczególne moduły oraz dużą niewrażliwość na uszkodzenia.

Sieci neuronowe o budowie modularnej świetnie nadają się do budowy wielo sieciowych klasyfikatorów. Wśród znanych zastosowań tego typu sieci wymienia się rozpoznawanie pisma odręcznego, diagnozowanie uszkodzeń w układach technicznych czy też diagnozowanie raka piersi u kobiet.

3. Zastosowanie sieci neuronowych w układach sterowania

Sieci neuronowe mogą być bardzo pomocne w budowaniu układów sterowania, zwłaszcza w robotyce. Szczególnie przydatne są przy modelowaniu układów dynamicznych o strukturze nieliniowej. Zaleca się, aby sieć neuronowa nie stanowiła całości układu sterowania! Proponuje się połączenie struktury szeregowej i równoległej regulatorów (czyli regulatora konwencjonalnego i neuronowego). Stosowanie konkretnych modeli sieci neuronowych w układach sterowania można uzależnić od:

• Rodzaju nieliniowości charakterystyki układu

• Charaktery zakłóceń

• Potrzeb dynamicznych sterowanego układu

• Istnienia i wielkości opóźnień w torze sterowania

• Zapasu stabilności sterowanego układu

Wśród znanych implementacji sieci neuronowych do układów sterownia można wymienić (sieci neuronowe nie występują tutaj jako cały układ sterowania, jedynie jako jego fragment lub dodatek):

• optymalizacja wtrysków paliwa w silnikach odrzutowych

• optymalizacja procesu spalania węgla kamiennego w obiektach energetycznych (np. obniżenie emisji NOx)

• optymalizacja pracy wtryskiwacza wody w układzie regulacji temperatury pary w kotle parowy

• układy samonaprowadzania pocisków moździerzowych

---