604495490

Sterowanie neuronowe bezzałogowym pojazdem podwodnym 471

Sterowanie neuronowe bezzałogowym pojazdem podwodnym 471

(2)

«(' + 1) = g' \y{t +1), y(t), ...,y(t - n),«(/),...,«(/- m)]

Należy zauważyć, że regulator zbudowany z wykorzystaniem bezpośrednio odwróconego modelu neuronowego ma charakter regulatora typu dead-beat. Dodatkowo zastosowanie w rozwiązaniu sprzężeń zwrotnych pozwala na uzyskanie krótkiego czasu odpowiedzi [3, 4], Sterowanie z wykorzystaniem bezpośrednio odwróconego modelu neuronowego nakłada pewne ograniczenia, jeżeli chodzi o proces uczenia sieci. Mianowicie dane, które są stosowane w fazie uczenia, powinny być podobne do tych wykorzystywanych później na etapie już działania całego układu. Dodatkowo nie wiadomo, w jaki sposób obiekt sterowania będzie odpowiadał na sygnały sterujące pochodzące z opracowanego regulatora neuronowego wykorzystującego bezpośrednio odwrócony model neuronowy. Rozwiązaniem w tym przypadku może być prowadzenie uczenia metodą iteracyjną.

Samo uczenie może być prowadzone w dwóch trybach: uczenia ogólnego i uczenia specjalizowanego. W przypadku uczenia ogólnego celem jest minimalizacja błędu pomiędzy sygnałem generowanym na wyjściu sieci, a rzeczywistym sygnałem podawanym na obiekt sterowania. W tym przypadku funkcję celu zapisuje się w postaci [4]:

(3)

J=Z (»(<)-)²

Uczenie specjalizowane polega na minimalizacji błędu pomiędzy sygnałem wyjściowym obiektu sterowania a sygnałem zadawanym na wejściu układu, co można zapisać w postaci

[4]:

(4)

W przypadku zastosowania bezpośrednio odwróconych modeli neuronowych do sterowania dynamicznym obiektem wielowymiarowym stosuje się następujące podejście [4]:

- tworzy się zbiór danych na podstawie przeprowadzonego eksperymentu na obiekcie sterowania;

-    tworzy się sieć neuronową, która po przeprowadzonym uczenia będzie stanowić bezpośrednio odwrócony model neuronowy obiektu sterowania;

-    prowadzi się uczenie metodą ogólną na utworzonym zbiorze danych;

-    przeprowadza się uczenie metodą specjalizowaną na modelu obiektu sterowania;

-    przeprowadza się uczenie metodą specjalizowaną na obiekcie rzeczywistym.

2.2. Sztuczne sieci neuronowe

Właściwości sieci neuronowych oraz ich możliwości zależą zarówno od architektury połączeń między neuronami jak i od rodzaju samych neuronów. Wprowadzając do statycznego modelu matematycznego sztucznego neuronu różnego rodzaju sprzężenia zwrotne, można otrzymać model dynamiczny. Dynamika zostaje wprowadzona do neuronu w taki sposób, aby aktywność neuronu zależała od jego wewnętrznych stanów [1, 2]. Realizuje się to poprzez dodanie do struktury neuronu liniowego systemu dynamicznego, po którego wykorzystaniu każdy neuron odtwarza przeszłe wartości sygnałów, mając do dyspozycji dwa zbiory sygnałów: sygnały wejściowe i sygnał wyjściowy w chwilach bieżących i przeszłych.