Экспертные информационные системы

Такие системы могут создаваться по схемам построения адаптивных систем. Наиболее приемлемой является схема с эталонной моделью. Функционирование динамической структурной экспертной системы происходит в несколько этапов. На первом осуществляется проектирование системы управления, включающее выбор структуры модели объекта, идентификацию его параметров, определение закона управления, синтез и предварительную настройку параметров этого закона. На втором этапе производится обучение системы, отсеиваются отклонения от заданных режимов, формируются данные о взаимосвязи параметров среды с параметрами системы и её модели. На третьем этапе реализуется управление на основе сопоставления имеющейся теоретической информации, полученной на предыдущих этапах, с реальными данными от датчиков о состоянии объекта управления и внешней среды.

Важнейшей составляющей экспертной системы является база знаний об идентификации объекта и синтезе алгоритмов управления. При идентификации объекта используются частотные, статистические и другие подходы. Для создания базы данных о синтезе алгоритмов управления применяют различные критерии: интегральный квадратичный, максимальной степени устойчивости, с использованием показателей качества системы в переходном режиме и т.п. В случае нелинейных алгоритмов рассматриваются методы Ляпунова и Лагранжа.

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 вес они суммируются. Сигнал модифицируется специальной функцией так, 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].