Аналіз проблеми інформаційного синтезу систем керування, що навчаються, страница 15

Таким чином, аналіз сучасних методів і підходів до автоматичної класифікації дозволяє зробити висновок про те, що теорія ефективного машинного навчання інтелектуальних СК знаходиться у стані становлення і все ще залишається нерозв’язаною центральна задача інформаційного синтезу цього класу систем – адаптація вхідного математичного опису з метою побудови безпомилкового за навчальною матрицею класифікатора що на практиці функціонують за умов нечіткої компактності реалізацій образу та обмеження обсягу навчальної вибірки. Незважаючи на визнаний факт, що основним шляхом реалізації такої адаптації є оптимізація просторово-часових параметрів   функціонування інтелектуальної системи, відомі спроби вирішення цієї проблеми відбуваються в рамках статистичної теорії прийняття рішень без врахування таких важливих властивостей слабо формалізованих процесів, як нечітка компактність реалізацій образу та обмежений обсяг навчальної вибірки.

1.5. Структура і функціонування нечітких регуляторів інтелектуальних СК

Після обґрунтування у 1965 р. Л.А. Заде [155] принципу несумісності для складних систем, для яких практично неможливе цілком адекватне математичне моделювання в рамках традиційної математики, в теорії керування з’явився новий клас нечітких регуляторів, які дозволили розширити межи застосування теорії керування і на слабо формалізовані процеси. Узагальнена класична схема нечіткого регулятора показана на рис. 1.2 [224]. 

Рис. 1.2. Інтелектуальна СК з нечітким регулятором (Мамдані й

Ассиліані, 1970 р.)

Основна відмінність нечіткого регулятора від чіткого, як показано на  рис. 1.2 полягає в наявності фазифікатора для перетворення вхідних даних, які існують у різних чітких формах, в нечітку форму та дефазіфікатора для формування чіткого керуючого сигналу. Нечіткий логічний вивід полягає в реалізації способу виведення, що ґрунтується на використанні тверджень, які набувають не тільки значення  “істинно” та “хибно”, але й будь-які проміжні значення. 

Для придання інтелектуальній СК властивості адаптації Мізумото М. і Танака К. запропонували в 1997 р. нечіткий регулятор, що самонастроюється, схему якого показано на рис. 1.3 [225]. Основна ідея функціонування запропонованого ними нечіткого регулятора полягає в необхідності оцінки поточного функціонального стану системи за енергетичним критерієм ефективності та у виборі модифікатором бази знань, що створюється попередньо експертом-фахівцем, відповідного корегуючого висловлювання, яке обробляється в контролері блоком нечіткого логічного виведення. Корекція нечіткого регулятора закінчується у момент приведення величини похибки між реакцією системи та вхідним сигналом до нульового значення. Основна проблема при використанні цього регулятора полягає в забезпеченні необхідної інтерпретивності бази знань, яка безпосередньо впливає на оперативність керування.

Рис. 1.3. Інтелектуальна СК з нечітким регулятором, що

самонастроюється (Мізумото М, Танака К, 1977 р.)

З метою розширення функціональних можливостей інтелектуальної СК  С. Гупта [224] запропонував схему нечіткого регулятора, що здатний самонавчатися (рис.1.4). Основна відмінність показаного на рис. 1.4 нечіткого регулятора полягає в наявності квантифікатора, основним призначенням якого є    оцінка поточного функціонального стану процесу керування та подання отриманих знань у вигляді відповіднх логічних висловлювань. У процесі функціонування СК квантифікатор залежно від показників функціонального стану процесу формує кванти знань, які співвідносяться в базі правил з відповідними правилами формування корегуючих висловлювань. Процес корекції продовжується до до тих пір, поки експертна система оцінки якості функціонування не визначить оптимальне правило. Суттєвим недоліком такої системи є наявність в контурі регулятора оператора-експерта, який повинен постійно відслідковувати процес керування.