Documente Academic
Documente Profesional
Documente Cultură
2-Mai-2009
Neron biologic (natural) Neuron artificial Tipuri de retele neuronale artificiale mai importante (RNA = NN)
Tip perceptron Bazate pe functii radiale Recurente Cu autoorganizare
2-Mai-2009
Ceva despre neuronii biologici Unul! (cand sunt mai multi = o retea = RNA)
Creierul uman: peste cca. 1010 (peste 10 miliarde neuroni) si (60-80) trilioane de sinapse! RNA sunt procesoare masive paralele distribuite si seamana cu creierul, deoarece:
Cunostintele RNA sunt obtinute de aceasta printr-un proces de invatare Acestea sunt depozitate NU in neuroni, ci in conexiunile sinaptice dintre acestia (ponderile conexiunilor, ce variaza odata cu invatarea!) O RNA devine mai inteligenta dupa orice iteratie a procesului de invatare
2-Mai-2009
(#)
neuronul biologic care arde (se activeaza (on) si trece un semnal electric prin axon la alti neuroni), ardere ce se intampla atunci cand intrarile sale sunt excitate semnificativ ( adica x* este suficient de mare fata de f(x*)).
2-Mai-2009
2-Mai-2009
Perceptronul din figura este unul cu trei straturi (Multilayer Perceptron = MLP) deoarece sunt TREI stagii de procesare neuronala intre intrari si iesiri. Definitie: O RNA feedforward care a folosit regula delta (BKP) pentru instruire se numeste MLP
Straturi: aici, unul de iesire si doua ascunse (= hidden), deoarece NU se conecteaza la iesire. MLP are: Intrari: xi, i = 1, 2, ., n; Iesiri: yi, i = 1, 2, , m; n1 neuroni in stratul ascuns 1; n2 neuroni in stratul ascuns 2; m neuroni in stratul de iesire; NU exista restrictii asupra numarului de neuroni din fiecare strat; NU exista restrictii asupra numarului de straturi ascunse.
6
2-Mai-2009
Functiile de activare fj(1) primul strat; fj(2) al doilea strat si fj stratul de iesire, pot fi diferite pentru fiecare neuron la un MLP
2-Mai-2009
2-Mai-2009
(2) Invatare nesupervizata. Se mai numeste adaptare in bucla deschisa deoarece tehnica nu utilizeaza informatie de reactie pentru a actualiza parametrii RNA.
Kohonen Self-Organizing Map (KSOM) RNA competitiva Grosgerg Adaptive Resonance Theory (ART) poate fi utilizata la invatare on-line
2-Mai-2009
11
2-Mai-2009
Pas 7: Dac k < K, atunci k = k + 1 i se sare la Pasul 2; altfel se trece la Pas 8 Pas 8: Ciclul de antrenare s-a ncheiat. Dac E < Emax se termin sesiunea de instruire (antrenare). Dac E > Emax, atunci E = 0, k = 1 i va ncepe un nou ciclu de antrenare la Pas 3. Observatii: (1). Pasii algoritmului difera putin de la o functie de actualizare la alta (mai precis pasul 5, actualizarea ponderilor): aici s-a utilizat ca functie de actualizare, o functie sigmoidala unipolara (2) Accelerarea invatarii (instruirii), i.e. convergenta algoritmului intr-un timp mai mic: (a) metoda momentum; (b) rata de invatare ( ) variabila (pentru ponderi si iteratii functie de semnul gradientului).
2-Mai-2009
13
Aplicatii RNA
Aplicatii RNA
2-Mai-2009
14
2-Mai-2009
2-Mai-2009
16
2-Mai-2009
17
2-Mai-2009
18
2-Mai-2009
19
2-Mai-2009
20
2-Mai-2009
21
APLICATII ale RNA in estimare, modelare (Ai, i=1,2, ,6; aici, A1)
(A). Estimarea parametrilor (Ai), problema ESENTIALA la:
Procesarea adaptiva a semnalelor; Recunoasterea formelor (pattern recognition) Identificarea sistemelor; Controlul adaptiv.
aici, iesirile tinta pentru RNA sunt iesirile profesorului expert (controlerul existent), iar intrarile sunt aceleasi (intrari) pe care le utilizeaza controlerul pentru a genera iesirea de control.
2-Mai-2009
22
APLICATII ale RNA in estimare, modelare(A1, A2, A3, A4, A5, A6)
(A2). Predictia adaptiva a semnalelor. Valorile intarziate ale unui semnal se
utilizeaza pentru a predicta semnalul la un moment oarecare de timp viitor (adesea momentul de timp urmator). RNA ce trebuie antrenata ia informatia de intrare de la valorile intarziate ale semnalului, in timp ce iesirea RNA devine chiar semnalul ce trebuie predictat (v. figura simpla de mai jos); in cazuri reale, e necesara o cascada de unitati si linii de intarziere.
2-Mai-2009
23
APLICATII ale RNA in estimare, modelare(A1, A2, A3, A4, A5, A6)
(A3). Identificarea sistemelor. Setul de date pentru instruirea RNA se poate obtine
observand comportarea I/E a procesului. Intrarile catre RNA pot fi valori intarziate ale procesului, mai ales in cazul sistemelor dinamice
2-Mai-2009
24
APLICATII ale RNA in estimare, modelare(A1, A2, A3, A4, A5, A6)
(A4). Diferentierea unui model: In cazul acestui tip de aplicatie, metoda identifica MM al
unui proces si apoi il utilizeaza pentru a propaga inapoi eroarea de la iesirea acestuia si a procesului la stratul de intrare al controlerului RNA. Acest lucru permite controlerului RNA sa invete procesul invers (MM invers al procesului) intr-o maniera indirecta, bazata exclusiv pe RNA (v. figura de mai jos)
2-Mai-2009
25
APLICATII ale RNA in estimare, modelare(A1, A2, A3, A4, A5, A6)
(A5). Identificarea modelului/ sistemului invers al unui proces/ sistem. In
acest caz iesirile procesului devin intrari ale RNA, iar intrarile procesuli devin iesiri ale RNA sau valori tinta. O problema apare la identificarea inversa atunci cand intrari diferite ale procesului genereaza aceeasi iesire a procesului si maparea (aplicatia I/E) nu este unica: in aceste cazuri, MM invers al procesului nu este bine definit. In restul cazurilor (i.e. cand MM invers este bine definit sau aproximat, controlerele adaptive inverse (CAI) pot fi foarte eficace, vezi aplicatiile de control B)
2-Mai-2009
26
APLICATII ale RNA in estimare, modelare(A1, A2, A3, A4, A5, A6)
(A6). Estimarea (observarea) starii. Daca RNA din observerul de stare din
figura este antrenata cu algoritmul BKP, atunci va fi minimizat indicele de performanta (IP) notat J:
2-Mai-2009
27
2-Mai-2009
28
Cele doua abordari diferite pentru a implementa RNA = NN in control, se numesc metoda de proiectare directa si metoda de proiectare indirecta. Controlul (conducerea) unui sistem dinamic inseamna fortarea acestuia de a avea o comportare dorita intr-un anumit sens.
In cazul controlului fuzzy, aceasta fortare se bazeaza pe o colectie de reguli lingvistice de forma If.then; deci, control fuzzy = o metoda matematica de implementare a unei strategii de control exprimata intrun limbaj natural (de ex. la sisteme complexe etc)
2-Mai-2009 Sem 2, "SI", SICC, control neuronal,I 29
In cazul controlului neuronal, fortarea de control se refera la o alta metoda si anume, numai atunci cand sunt disponibile date ale comportarii sistemului (perechi de masuratori I/E): fie de la procesul real, fie de la modelul simulat al acestuia.
Tinand cont ca o RNA (= NN) este un aproximator universal de functii, e natural ca o RNA sa se utilizeze si pentru asa ceva (i.e. in control). Mai mult: daca nu este disponibil MM al dinamicii procesului, RNA (NN) pot furniza o metoda utila pentru proiectarea controlerului, daca avem disponibila informatie numerica despre comportarea sistemului sub forma datelor I/E. Adica, o RNA poate fi utilizata ca un model al procesului tip cutie neagra (black box). Si inca mai mult: controlerele proiectate pe baza RNA, beneficiaza de capabilitatea de invatare a RNA, lucru potrivit pentru controlul adaptiv, respectiv acolo unde controlerele trebuie sa se adapteze la schimbarea mediului (de exemplu), cum ar fi cazul sistemelor variante in timp..
2-Mai-2009
30
APLICATII ale RNA in control, Bi, i = 1,2,...5, aici B1 (A, B1, B2, B3, B4, B5).
CONTROLUL NEURONAL (Bi):
Este un control adaptiv, prin definitie (cauza: caracteristicile adaptive -recurente ale RNA) Acesta aproape intotdeauna utilizeaza RNA multistrat feedforward (perceptron multistrat); exista totusi si alte arhitecturi de RNA; Majoritatea aplicatiilor utilizeaza algoritmul de invatare BKP (exista s.a. implementari,
dar la nivel teoretic doar)
Controlerele neuronale (adaptive) categorisite dupa modul de utilizare in structurile de control adaptiv:
Structura de control adaptiv direct Structura de control adaptiv indirect
2-Mai-2009
31
APLICATII ale RNA in control,Bi,i= 1,2,...6, (A, B1, B1, B2, B3, B4, B5), aici B1
2-Mai-2009
32
2-Mai-2009
33
2-Mai-2009
34
2-Mai-2009
35
2-Mai-2009
36
APLICATII ale RNA in control,(B1,B1, B2,B3,B4,B5),control invers, asertiuni(B4). Exista trei posibilitati de control invers in practica:
(B4). Cand RNA invata maparea unei cinematici inverse statice (manipulatoare robotice; i.e. se utlizeaza modelul invers al cinematicii statice), procesul poate fi controlat in maniera bucla-deschisa (v. fig. A5) (B4). Atunci cand este utilizat un model invers al dinamicii procesului, procedura se numeste control invers adaptiv (sau control cu model invers determinat direct) control in bucla inchisa (B4). Atunci cand se utilizeaza diferentierea unui model (v. punctul A4 de la modelare), cand controlerul RNA invata modelul invers al procesului). Spre deosebire de controlul cu model invers de mai sus (unde MM invers al procesului se determina direct), aici, modelul invers se determina indirect (control cu model invers determinat indirect).
2-Mai-2009 Sem 2, "SI", SICC, control neuronal,I 37
2-Mai-2009
38
2-Mai-2009
39
2-Mai-2009
40
RNA trebuie antrenata pentru a recunoaste eroarea dintre furnizeze controlul on/off.
si
ref
si sa
2-Mai-2009
41
2-Mai-2009
2-Mai-2009
43
2-Mai-2009
44
Exemplul de control RNA direct, controlul temperaturii codul sursa Matlab % RNA pentru controlul ON/OFF al temperaturii (RNA ce functioneaza ca un controller ON/OFF)
% Se genereaza paternurile de antrenare a RNA, adica sinusoida amortizata, din care %vom dezvolta vectorii tinta corespunzatori. Se seteaza valorile tinta la valoarea +1 %pentru toate valorile pozitive ale sinusoidei amortizate si la -1 pentru cele negative >> w=2*pi; >> time=0; >> for i=1:50, >> p(i)=(exp(-time))*sin(w*time); >> time=time+0.1; >> if (p(i)>0.0) >> t(i)=1; >> elseif (p(i)<0.0) >> t(i)= -1;
2-Mai-2009
45
>>end >>end >>figure (1) >>plot (p) >>figure (2) >>plot (t)
% Neuronului de iesire i se asigneaza functia lineara purelin (deoarece furnizeaza la %iesire ambele valori 1) si nu functia poslin (numai iesiri pozitive, +1!); apoi, %pentru optimizare se utilizeaza algoritmul trainlm (Levenberg-Marquardt); %pentru antrenare se aleg 10.000 de epoci, iar mse = 0.179; se aleg pentru stratul %ascuns doar 10 neuroni (in aceasta simulare!).
2-Mai-2009
46
2-Mai-2009
48
Exemplul de control RNA direct, figuri: sinusoida amortizata; tinte; eroare invatare
Fig 1 (p), fig.2 (t) si fig.3 (mse=eroarea patratica medie la antrenarea cu trainlm)
V ec torul tinta t(i), i= 1,50; [ = + 1 dac a p(i)= poz .]; [= -1 dac a p(i) = neg.]] 1 0.8 0.6 0.4 0.2
0 -0.2
0.6
-0.4 -0.6
0.4
-0.8
0.2
-1
10
15
20
25
30
35
40
45
50
-0.2
-0.4
-0.6
10
15
20
25
30
35
40
45
50
2-Mai-2009
49
F unc tia originala 'o' s i func tia antrenata' * ' (RN A a invatat c arac teris tic a tip releu) 1.5
1
80 S um a pa tratelor erorii 1.5 P ragu ri a c tiv are n euron, B 0 0 2 -2 1 0.5 0 -0.5 -1 -1.5
0.5
60 40 20 0 -20 -1
-0.5
-1
-2 -2.5 -1
-1.5 -0.6
-0.4
-0.2
0.2
0.4
0.6
0.8
P onderi, W
P raguri ac tivare, B
0 1 P onderi neuron, W
2-Mai-2009
50
2-Mai-2009
51
0.5
-0.5
-1
-1.5 -15
-10
-5
10
15
2-Mai-2009
52
2-Mai-2009
53
2-Mai-2009
54