ГЛАВА 5. МОДУЛИ НЕЧЕТКО-НЕЙРОННОГО УПРАВЛЕНИЯ

Итак, мы уже познакомились с достоинствами и недостатками как нейронных сетей, так и систем, в которых используется нечеткая логика. Представим себе структуры, которые объединяют наилучшие свойства обоих методов, и в то же время свободны от их проблем. Цель настоящей главы заключается в демонстрации того, что конструирование таких гибридов возможно, причем они обладают очень интересными особенностями.

В разделе 3.9 была представлена типовая структура модуля нечеткого управления и рассмотрено несколько примеров. В последующих разделах мы покажем, что при определенных условиях нечеткая система может быть представлена в форме многослойной сети с прямым распространением сигнала (feedforward). Еще одна цель заключается в обзоре реализаций таких модулей управления, обозначаемых в англоязычной литературе термином fuzzy-neural. Однако до начала обсуждения конкретных структур следует определить содержание этого термина.

Читатель, конечно, догадывается, что речь идет об объединении нейронных сетей с нечеткими системами. Оба подхода весьма успешно справляются с задачами, которые традиционные системы регулирования решают не самым лучшим образом. Если возникает необходимость управлять объектом, который обладает неоднозначными свойствами, описание которого заведомо неполно либо не может быть сведено к простой математической модели, то приходится искать решения, альтернативные «обычным» способам управления, и чаще всего выбираются нейронные сети или системы с нечеткой логикой. Напомним вкратце, чем характеризуются эти методы.

Важнейшим достоинством нейронных сетей считается возможность их обучения и адаптации. Нам не требуются полные знания об объекте управления (например, его математическая модель). На основе входных и заданных (эталонных) сигналов нейронная сеть может научиться управлять объектом. Нейронные сети (см. гл. 2) состоят из огромного количества взаимосвязанных простых обрабатывающих элементов (нейронов), что в результате дает громадную вычислительную мощность при использовании параллельной обработки информации. К сожалению, способ проектирования таких систем основывается скорее на интуиции, чем на существующих закономерностях. До настоящего времени неизвестен алгоритм расчета количества слоев сети и количества нейронов в каждом слое для конкретных приложений. Тем не менее, по завершении обучения нейронные сети становятся незаменимыми средствами решения задач распознавания образов, аппроксимации, оптимизации, векторного квантования либо классификации. С другой стороны, накопленные нейронной сетью знания оказываются распределенными между всеми ее элементами, что делает их практически недоступными для наблюдателя.

Этого недостатка лишены системы управления с нечеткой логикой. Однако в данном случае знания о способе управления необходимы уже на стадии проектирования управляющих модулей, причем они должны исходить от экспертов и, следовательно, возможность обучения отсутствует. Однако и в такой ситуации полные знания (описывающие в математическом виде функциональную зависимость между входами и выходами системы) не требуются. В отличие от обычных модулей управления, используются не количественные («сколько?»), а качественные («как?») знания. Система принимает решения на основе правил, записанных в форме импликации IF-THEN. Простейший подход к проектированию таких систем заключается в формулировании правил управления и функции принадлежности по результатам наблюдения за процессом управления, осуществляемым человеком либо уже существующим регулятором, с последующим оцениванием корректности функционирования такой системы. Если проект оказывается неудачным, то функцию принадлежности и/или правила управления можно легко модифицировать. Как уже отмечалось, основной недостаток подобных систем - это невозможность адаптации и обучения.

Объединение обоих подходов позволяет, с одной стороны, привнести способность к обучению и вычислительную мощность нейронных сетей в системы с нечеткой логикой, а с другой стороны - усилить интеллектуальные возможности нейронных сетей свойственными «человеческому» способу мышления нечеткими правилами выработки решений.

Попытки такого объединения стали в последние годы предметом весьма интенсивных исследований. Их результатом можно считать системы выработки решений, в разной степени реализующих идею нечеткого мышления в комплексе с заимствованной от нейронных сетей способностью к обучению.

В последующих разделах обсуждаются различные модули нечеткого управления, для обучения которых применяется алгоритм обратного распространения ошибки. Применение этого алгоритма стало возможным благодаря представлению модулей нечеткого управления в форме многослойных сетей с прямым распространением сигнала (типа feedforward).