Рис. 1. Ошибка обучения нейронной
сети
Если в сети слишком мало нейронов или слоев, то нейронная сеть
не обучится и ошибка при работе сети останется большой (рис. 1), на
выходе сети не будут передаваться резкие колебания аппроксимируе-
мой функции.
Если нейронов или слоев слишком много, то быстродействие бу-
дет низким, увеличится объем памяти, нейронная сеть переобучится
— выходной вектор будет передавать незначительные и несуществен-
ные детали в изучаемой зависимости, например шум или ошибочные
данные; зависимость выхода от входа окажется резко нелинейной: вы-
ходной вектор будет существенно и непредсказуемо меняться при ма-
лом изменении входного вектора; нейронная сеть будет неспособна к
обобщению — в области, где нет или мало известных точек, выход-
ной вектор будет случайным и непредсказуемым, не будет адекватным
решаемой задаче.
Для проведения расчета масс и смещений каждого слоя нейрон-
ной сети требуется время, и чем больше слоев, тем более длительным
становится период квантования по времени. При этом в зависимости
от параметров квантования частотные характеристики нейронных се-
тей, нейрорегуляторов оказывают решающее влияние на устойчивость
и показатели качества процессов управления. Выполнение программ
при нейроуправлении электроприводом в реальном масштабе времени
приводит к возникновению временной задержки, что эквивалентно по-
явлению сомножителя
e
−
T p
, г де
Т
— период квантования по времени.
Проведем анализ влияния числа слоев нейронных сетей на устой-
чивость замкнутых систем нейроуправления электроприводом. На
рис. 2 изображена функциональная схема электропривода с много-
слойным нейрорегулятором
NET
(
D
kv
(
z, m
число слоев
))
, работа которо-
го описывается следующей системой уравнений:
X
1
=
X
0
Z
−
1
,
— входной сигнал нейронной сети, задержанный на 1 такт;
Y
1
=
Y
0
Z
−
1
,
— выходной сигнал нейронной сети, задержанный на 1 такт;
ISSN 0236-3941. Вестник МГТУ им. Н.Э. Баумана. Сер. “Машиностроение”. 2010. № 3 109
