Professional Documents
Culture Documents
IU 9 - Vjestacke Neuronske Mreze U Upravljanju 3 PDF
IU 9 - Vjestacke Neuronske Mreze U Upravljanju 3 PDF
Sadraj predavanja
Vieslojne FF-ANN
Algoritam propagiranja greke unazad
Izrazi za modificiranje teina i pomaka neurona
Batch (off-line) treniranje
Osobine algoritma propagiranja greke unazad i njegove
modifikacije
Primjena FF-ANN u upravljanju:
NARMA-L2 regulator
Vieslojna FF-ANN
Izlazni sloj neuroni iji izlazi ujedno predstavljaju i izlaze ANN
Skriveni slojevi neuroni iji izlazi predstavljaju ulaze u naredni
sloj ANN
Svi neuroni sloja FF-ANN tipino imaju istu aktivacijsku funkciju
Vieslojne FF-ANN
preslikavanja
su
stanju
realizirati
sloenija
Vieslojna FF-ANN
Procedura:
1.
2.
3.
4.
5.
unazad
trai
minimum
(1)
(2) (1)
(2) (1)
(2)
n(21 )=w(2)
a
+
w
a
+
w
a
+
b
11 1
12 2
13 3
1
n 12
a 1
1 = f
n 11
1
1
1
n 1
1 = w 11 p 1 w 12 p 2 b 1
a 1
2 = f
n 21
1
1
1
n 1
=
w
p
w
p
b
2
21
1
22
2
2
a 1
3 = f
n 31
1
1
1
n 1
3 = w 31 p 1 w 32 p 2 b 3
n1
Kriterij:
2
2 2
J = e =t a1
2
w 11 = e
f
1
a
1
2
n1
k
2
w 112, k 1= w 2,
11 w 11
f
h
w =e i o a j
ni
o
ij
f o
o
ni
o
b i = e i
o , k 1
w ij
o , k
= w ij
w ij
, k 1
o , k
o
b o
=
b
b
i
i
i
2
2
n 1 a 1
n1
J
2 f
2 f
2 f 1
1 =2t a 1
2
1
1 =2t a1
2 w 11
1
1 =
w 11
n1 a 1 w 11
n1
n 1 w11
1
f 2 2 f 1
=2e 2 w 11 1 p 1
n1
n1
2
2
1 =e
Uvedimo oznaku:
f
w = w 1 p 1
n1
1
11
2
1
2
11
f
2
n1
k
1
w 111, k 1= w 1,
w
11
11
o
1i
h , k 1
w ij
h , k
= w ij
w ij
, k1
b h
= b i h , k b i h
i
J = ei = t i a i
i=1
S o
o 2
i =1
2
2 2
J = t 1 a 2
a
1
2
2
o
no
J
f o h
2 f
i
=2t i a i o o =2e i o a j
o
w ij
n i w ij
ni
f
h
w =e i o a j
ni
o
ij
f o
b = e i o
ni
o
i
,k
w ijo , k 1= w o
w ijo
ij
o , k 1
bi
o , k
=bi
bi
2
f 2 2
2 f
2 f 1
=2 t 1 a 2 w11 t 2 a 2 2 w 21 1 p 1
n1
n2
n1
2
1
f 1
=2[ w w ] 11 p 1
n1
2
1
2
11
2
2
2
21
2
=e
i
i
f
2
ni
wh
ij =
S h
l =1
S h
f h
p j
h
ni
o
o
w
l
li
f
b =
w h
l=1
n i
h
i
o
l
o
li
h , k 1
w ij
h , k
= w ij
w ij
, k1
b h
= b i h , k b i h
i
S o
S o
J = e ir = t ir a ir
r =1 i =1
r =1 i=1
o 2
f
w = e ir o ahjr
ni
r =1
o
ij
f o
b = e ir o
n i
r =1
o
i
S( h)
S h
h
h
o
o f
f
w = w p jr (h) b i = lr wli h
r =1 l =1
ni
ni
r=1 l=1
(h)
ij
(o)
lr
(o)
li
(h)
f
e
=
= f 1 f
Logsig: a=
n 1en 2
1e n
2
a=
Tansig:
n 1
1e
f
en
=2
n 2
n
(1+ e )
Purelin: a = n
f
=1
n
Osobine algoritma
propagiranja greke unazad
Prednosti:
Jednostavna implementacija
Standardan metod
Nedostaci:
Local
Minimum
Global
Realizaciju regulatora
NARMA-L2 regulator
Postizanje
vremenu
collect
efikasnosti
t
TRAIN
implementacije
realnom
e t , e t dt,
0
de t
,t ,
dt
r k =F r k 1 ,r k 2 , .. . ,r k n ,e k ,e k 1 , .. . e k m ,k
Kanjenje
e(t)
r(k-1)
s
Integrator
r(t)
e(k)
ANN
ANN
e(k-1)
du/dt
Diferencijator
Kanjenje1
(a)
(b)
r(k)
djelovanja
Backpropagation
NARMA-L2 regulator
Osnovna ideja je da se nelinearna dinamika sistema
transformira u linearnu dinamiku, ponitavanjem nelinearnosti
Prvi korak u sintezi regulatora predstavlja identifikacija sistema
Standardno se koristi NARMA model:
Sljedei korak je razvijanje nelinearnog regulatora koji sistem
vodi po referentnoj trajektoriji yd(k+d):
ANN se trenira da realizira preslikavanja N i G
Problem pri treniranju ovih mrea predstavlja primjena algoritma
propagiranja greke unazad u dinamikim uslovima
NARMA-L2 regulator
Umjesto regulatora u formi preslikavanja G jednostavnije je
koristiti priblini NARMA-L2 model regulatora:
d2
NARMA-L2 regulator
Regulator realizira upravljanje prema izrazu:
NARMA-L2 regulator