4.2.2. Нейросетевые сау

Нейросетевые технологии в интеллектуальных системах позволяют решать ряд задач в управлении, когда информация об объекте неполная и неточная [9]. В таких случаях мощные традиционные информационные средства, такие как система моделирования Matlab + Simulik, не дают нужного результата. Так как искусственные нейронные сети строятся на принципах биологических сетей, то они обладают важными свойствами последних, склонны к обучению и обобщению. За счёт распараллеливания информации они обладают высоким быстродействием. Схема искусственного нейрона приведена на рис. 4.2.

Рис. 4.2

На нейрон подаются сигналы , после умножения на свой весони суммируются. Сигналмодифицируется специальной функциейтак, что выходной сигнал нейрона [9]

. (4.1)

В интеллектуальных системах наибольшее распространение получила многослойная сеть прямого распространения (рис. 4.3). На этой схеме прямоугольниками показаны отдельные нейроны.

Рис. 4.3

В такой сети скрытых слоёв может быть несколько. Число нейронов во входном и выходном слоях определяется количеством входных и выходных координат. Число нейронов в скрытых слоях подбирается опытным путём.

При обучении сети решается ряд задач по коррекции весовых коэффициентов отдельных нейронов. Некоторые подходы изложены в [9].

Наиболее предпочтительная область применения нейронных сетей – распознавание образов. Возможно их использование в системах управления производственными объектами [9].