Аналіз проблеми інформаційного синтезу систем керування, що навчаються, страница 16

Рис. 1.4. Інтелектуальна СК з нечітким регулятором, що

самонавчається (С. Гупта, 1996 р.)

З метою зменшення впливу експерта-оператора на процес керування О.Ю. Соколов у 1998 році у Національному аерокосмічному університеті ім. М.Є. Жуковського «Харківський авіаційний інститут» побудував лінгвістичний нечіткий регулятор, що самоорганізується, з ієрархічною структурою керування (рис. 1.5) [227]. У запропонованому О.Ю Соколовим нечіткому регуляторі, що самоорганізується, втручання оператора зводиться тільки до вибору в базі цілей необхідного цільового критерію, який реалізує алгоритм керування за відповідною таблицею лінгвістичних правил (ТЛП), що знаходяться в базі знань. Подальший розвиток лінгвістичної системи керування (рис 1.5) привів до надання нечіткому регулятору властивості навчання за енергетичним критерієм [154]. Це дозволило здійснювати синтез оптимального нечіткого регулятора із заданими перехідними характеристиками.

Рис. 1.5. Схема інтелектуального нечіткого регулятора (О.Ю. Соколов, 1998 р.)

На практиці найбільше застосування нечітких регуляторів СК, що навчаються, відбувається на базі нечітких нейронних мереж [90,145,150]. Але незавершеність в рамках різних підходів до проектування СК, що навчаються, методології побудови безпомилкових за навчальною вибіркою і оперативних класифікаторів все ще стримує впровадження здатних навчатися СК слабо формалізованими процесами за умов нечіткої компактності реалізацій образу та обмеженнх обсягів навчальної аибірки, що має місце в практичних задачах керування.

Оскільки парадигмою тенденції розвитку нечітких регуляторів інтелектуальних СК слабо формалізованими процесами є перехід від ергономічних структур до здатних навчатися (самонавчатися) регуляторів, то саме визначення нечіткого регулятора СК, що навчається, потребує уточнення.

Визначення 1.5.1.Нечітким регулятором СК, що навчається, називається електронно-обчислювальний пристрій, який здійснює фазіфікацію вхідних даних при довільних початкових умовах, побудову деяким оптимальним способом нечіткого розбиття простору ознак на класи розпізнавання, дефазіфікацію чітких керуючих висловлювань і формування відповідно їм фізичних керуючих сигналів.

Таким чином, незавершеність методології побудови безпомилкових за навчальною вибіркою і оперативних класифікаторів все ще стримує впровадження здатних навчатися СК слабо формалізованими процесами за умов нечіткої компактності реалізацій образу та обмежених обсягів навчальної вибірки, що має місце в практичних задачах керування. При цьому невирішеною центральною проблемою інформаційного синтезу СК цього класу все ще залишається оцінка функціональної ефективності навчання  розпізнавати образи. На практиці найбільше застосування нечітких регуляторів СК, що навчаються, відбувається на базі нечітких нейронних мереж [90,145,150], які в рамках біонічного підходу історично першими поставили проблему високоефективного машинного навчання.

1.6. Основні висновки та постановка задачі інформаційного синтезу СК, що навчається

Порівняльний аналіз існуючих методів автоматичної класифікації та дослідження тенденції розвитку методів інформаційного синтезу СК, що навчаються, дозволяють зробити такі висновки:

1.  Використання в задачах контролю та керування відомих параметричних і непараметричних методів автоматичної класифікації, які ґрунтуються на методах теорії статистичних рішень, становлять певну методологічну цінність, оскільки дозволяють формалізувати процес прийняття рішень, але потребують забезпечення статистичної сталості вхідних даних, що на практиці для слабо формалізованих процесів є ускладненим.

2.  Основний недолік відомих методів автоматичної класифікації полягає в ігноруванні перетину класів розпізнавання, що має місце на практиці в задачах керування слабо формалізованими процесами. Тому останнім часом спостерігається збільшення уваги до розробки алгоритмів автоматичної класифікації у рамках теорії нечітких множин.