Моделирование технологических процессов в системах с помощью нейронных сетей

Общие положения

Искусственные нейронные сети – вычислительные структуры, состоящие из связанных между собой математических нейронов, которые можно рассматривать как очень упрощенные модели реальных биологических нейронных сетей. Нейросетевые структуры представляют, по сути, распределенные и параллельные системы, обладающие свойствами обучения и адаптации к различным внешним воздействиям [11].

На основе нейронных сетей могут быть созданы модели самых разнообразных технологических процессов, что определяется специфическими свойствами сетей, состоящими в следующем:

1. Они являются универсальными аппроксимоторными, что позволяет использовать их для определения характеристик «вход-выход» различных по природе технологических процессов и систем (технических, биологических, экономических, социальных, экологических и других).

2. Для обучения нейронных сетей необходимы минимальные вычислительные ресурсы, что дает возможность широко и эффективно использовать методы случайного поиска, генетические и различные эволюционные алгоритмы в задачах управления технологическими процессами.

3. Разновидности нейронных сетей и в частности репликативные нейронные сети позволяют создавать различные генераторы объектов (элементы конструкции перегрузочных машин с определенными прочностными свойствами, объекты корпусов, судов с требуемыми гидравлическими характеристиками, профили глубоко погруженных крыльев судов с гидродинамическим принципом поддержания, профили сечения рек, прорезей на водных коммуникациях и др.).

4. При получении новых экспериментальных, либо расчетных данных обеспечивается возможность переобучения сети, либо её до обучение, что позволяет аккумулировать информацию для последующего использования в нейросетевой базе данных.

5. Возможность построения модулей ассоциативной памяти с фильтрацией поисковой информацией, оптимизирующих нейронных сетей, нечетких нейронных сетей и генетических алгоритмов и др. [17], [40]. Ввиду того, что определенные термины, используемые в искусственных нейронных сетях, заимствованы из моделей биологических нейронных сетей, остановимся кратко на их содержании [41].

Нейрон – это особый вид нервных клеток, обладающих электрический активностью. Уникальная способность нейрона состоит в возможности принимать, обрабатывать и передавать информацию по нервным путям, образующим коммуникационную систему мозга. Тело нейрона состоит из ядра (nucleus) и плазмы, обладающей молекулярными составляющими для выработки нейрону необходимых продуктов.

Нейрон получает сигналы от аксонов других нейронов через дендриты.

Дендрит – это приемник в виде отростка нейрона. С помощью, которого тело нейрона принимает нервные импульсы от других нейронов, рецепторных а также от внешних раздражителей.

Аксон – это передатчик сигналов в виде отростка нейрона, передающих нервные импульсы от тела нейрона к другим нейронам.

Синапс – особое образование для соединения нейронов друг с другом и с клетками исполнительных органов. Он осуществляет регулирование величины (веса) импульса. Это регулирование происходит с помощью выделения особых химических веществ в виде специальных клеток, так называемых нейромедиаторов, а также на основе промежутков между аксоном и дендритом. Синапсы различаются по размерам и возможностям концентрации нейромедиаторов. Нервные импульсы одинаковой величины, которые поступают на выходы нейрона через различные синапсы, могут вызывать различную степень его возбуждения [41].

В коре головного мозга содержится около 10¹¹ нейронов. Каждый нейрон связан с 10³-10⁴ другими нейронами [41]. Число взаимосвязей головного мозга можно оценить величиной, составляющей около 10¹⁴-10¹⁵ отдельных каналов.