ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. “Приборостроение”. 2012
65
ных алгоритмов классификации и др. По существу, задача может
быть отнесена к классу задач временного распознавания образов, где
текущий выходной сигнал зависит не только от текущего, но и от
предыдущих значений входного сигнала. Системы, выполняющие
подобные функции, относятся к классу нелинейных фильтров и мо-
гут быть реализованы с применением различных методов, наиболее
эффективными из которых являются искусственные нейронные сети.
Для них разработаны эффективные алгоритмы обучения и реализа-
ции, например метод обратного распространения ошибки как на мик-
ропроцессорах общего назначения, так и в виде специальных инте-
гральных микросхем [3].
Для решения данной задачи была выбрана архитектура много-
слойного перцептрона. Сети такого вида, хотя и имеют недостатки,
основным из которых является сложность подбора количества слоев
и числа нейронов в каждом слое, в то же время не накладывают су-
щественных ограничений на структуру решаемой задачи и позволяют
учитывать ее динамическую составляющую. При этом возможны не-
сколько вариантов построения сети. Наиболее распространенными
являются включение времени в качестве входного параметра сети и
подача на входы сети сигналов с определенной временнóй задерж-
кой. В данном случае был выбран второй вариант, что диктуется
структурой решаемой задачи: большинство возникающих ситуаций
(
касание инструментом поверхности, его заклинивание и т. д.) опре-
деляются по значению силовых факторов до момента события и
в момент его наступления. Таким образом, на вход сети подаются
значения сил и моментов в текущий момент времени и в определен-
ное количество предыдущих моментов. Структура сети подбиралась
опытным путем на основе экспериментальных данных.
Факторами, учитываемыми при оценке качества сети, выступали
процент ошибок на тестовой и контрольной выборках, показатели
переобученности сети, время обучения и реакции на входной сигнал.
Изначально структура сети имела один слой и один оператор вре-
меннóй задержки для каждой компоненты главного вектора сил и
моментов. В таком варианте сеть обладает максимальным быстро-
действием как при обучении, так и при работе. Однако при этом ка-
чество распознавания оказывалось весьма низким. В дальнейшем был
добавлен второй слой нейронов и далее увеличивалось количество
нейронов в скрытом слое.
Критериями оптимальности служили процент ошибок на кон-
трольной выборке и переобученность сети. В результате была по-
лучена следующая структура сети (рис. 5): 24 входа (текущий и
три предыдущих момента времени), 2 слоя, 16 нейронов в скрытом
слое.