HPIM0877

9. isuciru fotetigencja w robotyce wowych organizmów żywych. Topologia połączeń neuronów oraz ich parametry stanowią program działania sieci, a sygnały na wyjściach, w odpowiedzi na określone sygnały wejściowe, są rozwiązaniami stawianych jej zadań. Wręlc* szość wykorzystywanych sieci neuronowych ma budowę warstwowej - rys. 9.4.

SjpWyeejśow

WantgfmjkKm

pi mswoni inwonl neuron

,li| (jawni

Pienia waotw lAryta

Btodm sieci neuronowy

Rfionek M

Sieć neuronowa w pierwszej fazie jest wykorzystywana jako układ uczący się optymalnego sterowania obiektem (bądź stanem wyjściowym obiektu), natomiast w fazie drugiej umożliwia wykonanie zadanego ruchu (uzyskanie określonego stanu), przez wygenerowanie wektora sygnałów zerojedynkowych, dającego na wyjściu sieci odpowiedni zestaw sygnałów sterujących stereotypową pracą obiektu (52).

Setem* Molowy układa uczącego wj [52)

RyMMe&S.S

W ogólnym przypadku numer stereotypowego ruchu musi za pomocą sieci być zamieniony na sygnał sterujący obiektem w taki sposób, aby otrzymać proces jak najbardziej zbliżony do zadanego wzorca. Celem układu uczącego się jest wygenerowanie w możliwie malej liczbie kroków takich sygnałów, aby

HillMHfil

_cfator binarnych sygnałów wejściowych*

^T^jgyjna sieć zbudowana z elementów o sterowanych parametrach; _na podstawie przesłanek neurofizjologicznych o budowie sieci ncuro-podobnych zazwyczaj przyjmuje sic, że jest to struktura warstwowa,

‘ - nieznany obiekt sterowania, o którym zakłada się jedynie, że spełnia pewne warunki stcrowalności,

ł# _ urządzenie porównujące (komparator), w którym sygnały wyjściowe są porównywane z wzorcowymi i jest określany sygnał błędu,

-    układ automatycznego sterowania sprzężeniami (wartościami współczynników sprzężeń) w sieci, w zależności od sygnału błędu,

-    układ automatycznego doboru oraz generacji sygnałów wejściowych.

Sam mechanizm adaptacyjnego procesu uczenia składa się z dwóch etapów. Etap pierwszy to wstępna identyfikacja cech nieznanego, nieliniowego obiektu sterowania. Połączony jest on z doborem optymalnego sygnału wejściowego sterującego siecią. Na podstawie wyników tej identyfikacji w etapie drugim jest dokonywana przebudowa sieci w taki sposób, aby w możliwie krótkim czasie i przy spełnieniu nałożonych ograniczeń, na wyjściu sieci otrzymać zespół sygnałów bliski wzorcowemu.

Z badania i modelowania z wykorzystaniem sieci omawianego typu wynika, że sieci uczące się umożliwiają bardzo szybkie dostosowanie się urządzenia do zmiennych warunków działania i zmiennych zadań. Liczba iteracji niezbędna do ^nauczenia się" sieci dla nieskomplikowanego sygnału jest zbliżona do pięciu, a nauczenie urządzenia poprawnej reakcji na kilka różnych sygnałów gnymaga kilkudziesięciu cykli.

i Progowe sieci neuronowe są w technice robotyzacyjnej na ogół stosowane do [93]:

-    rozwiązywania zadań kinematyki i dynamiki robotów,

■ ** przetwarzania informacji pochodzących z czujników (przede wszystkim w urządzeniach rozpoznających obrazy).

W pierwszym przypadku analityczny model robota jest zastępowany odpowiednio nauczoną siecią neuronową. Zasadnicza korzyść z zastosowania sieci neuronowej polega na znacznym zwiększeniu prędkości obliczeń, a także na ominięciu konieczności budowy modelu badanego zespołu robota. W uczeniu sieci korzysta się z rezultatów badań obiektu rzeczywistego, stąd leź wyniki dostarczane przez dobrze nauczone sieci są dokładniejsze niż wyniki uzyskane Z wykorzystaniem metod modelowania.

W drugim przypadku sieci neuronowe służą do rozpoznawania informacji pochodzących z systemów wizyjnych, rtp. do rozpoznawania kształtów łub identyfikowania położenia przedmiotów. Sieci neuronowe w takich zastosowaniach zastępują tradycyjne metody analityczne, stosowane na poziomie struktury układu sterującego.