Нейросетевая обработка динамических процессов

В качестве входных образов для НС могут выступать не только статические объекты, например изображения, но и временные выборки значений динамических процессов. Входным образом для интеллектуальной системы может служить ряд отсчетов значений процесса, взятых через равные промежутки времени: . Применение последовательной цепочки единичных элементов задержки позволяет сформировать вектор входных сигналов для многослойной НС, как показано на рис.48.1. Если выходные сигналы НС так же должны образовывать временную последовательность, то эталонные образы естественно формировать аналогичной цепочкой элементов задержки, причем ее длина может отличаться от длины входного вектора. С позиций теории цифровой обработки сигналов такая нейронная сеть реализует функции цифровой фильтрации, однако, способ настройки – обучение, и расширенные возможности трансформации позволяют отнести такую систему к интеллектуальным устройствам.

Рис.48.1. Обработка динамического процесса в НС

Величина вектора ошибки вычисляется как разность фактического выходного сигнала и эталона: . Способ минимизации этой ошибки определяется методом обучения нейронной сети. Аналитическое описание нейронной и метода обучения сети не отличает от модели НС, приведенной в разделе 19. Дискретная линия задержки на входе системы выполняет функции краткосрочной памяти, содержащей динамически изменяющийся входной процесс.

При перемещении выборок входного процесса по линии задержки каждый такт процесса последовательно попадет на все входы отдельно взятого нейрона, при условии, что НС является полносвязанной сетью.

Вычислительную мощность нейронной сети можно увеличить, если дополнить ее системой рекуррентных (обратных) связей. Пример возможной конфигурации такой НС приведен на рис.48.2. Показана обратная связь только одного выходе НС с входными нейронами, связи других выходов полностью идентичны показанной связи.

Рис.48.2. Обработка динамического процесса в НС с обратной связью

Рекуррентная связь обладает памятью конечной длинны для выходных сигналов, что существенно повышает ее вычислительные возможности. Нейронные сети этого типа способны имитировать работу вычислительных машин и могут быть отнесены к множеству конечных автоматов.