Нейронные сети в системах управления

Нейронные сети имеют потенциал для очень сложного поведения. Они состоят из множества взаимосвязанных простых нелинейных систем, которые обычно моделируются сигмовидной функцией. Массивные взаимосвязи довольно простых нейронов, которые образуют человеческий мозг, являются первоначальным мотивом для моделей нейронных сетей. Термины "искусственные нейронные сети" и "модели соединения" обычно используются, чтобы отличить их от биологических сетей нейронов живых организмов. Интерес к нейронным сетям вернулся в этом десятилетии после периода относительного бездействия сопровождающегося недостатками ранних нейронных сетей (однослойный персептрон), которые были обнародованы в конце 1960-х. Возобновление интереса было обусловлено, в частности, мощностью нейронных моделей, многослойным персептроном и обратной связью модели Хопфилда и методами обучения, такими как обратное распространение, но, это было также из-за достижения в области аппаратных средств, которые принесли не только досягаемость реализации нейронных сетей, но и очень большое число узлов.

В нейронной сети, простые нелинейные элементы, называемые узлами или нейронами связаны между собой, и сильные стороны взаимосвязей обозначены параметрами, называемыми весами. Эти весы корректируются, в зависимости от задачи, для повышения производительности. Им могут быть назначены новые значения в два способа: либо определяются через некоторый предписанный автономный алгоритм, остающейся неподвижным во время работы, либо отрегулированы через процесс обучения. Обучение осуществляется, во-первых, регулированием этих весов шаг за шагом (как правило, чтобы свести к минимуму некоторые целевые функции), а затем и хранения этих самых больших функций в качестве фактического сильных взаимосвязей. Взаимосвязи и их сила обеспечит память, которая необходима в процессе обучения.

Способность к обучению является одним из основных преимуществ, которые делают нейронные сети такими привлекательными. Они также имеют возможность проведения массивной параллельной обработки, в отличие от фон Неймановских машин - обычных цифровых вычислительных машин, в которых команды выполняются последовательно. Нейронные сети могут также обеспечить, в принципе, значительную отказоустойчивость, так как повреждение нескольких ссылок не должно значительно ухудшить общую производительность системы. Преимущества наиболее заметны, когда большое количество узлов использованы и реализованы в аппаратном обеспечении. Аппаратная реализация нейронных сетей в настоящее время очень активная область для исследования; оптические и более традиционными средствами осуществления этих крупных сетей были предложены.

Нейронные сети характеризуются их топологией сети, то есть количеством соединений, узлами характеристик, которые классифицируются по типу использования нелинейных элементов. Четкое и краткое общее введение в нейронные сети приведено в [1], где основной упор делается к распознаванию образов, области, которая особенно хорошо подходит для нейронных сетей. Нейронные сети были предметом ряда специальных вопросов, [2], [3], и являются хорошим источником последних событий в других областях. В работах [4], [5], появились сборники документов о нейронных сетях с акцентом на управление приложениями.

Технология управления