Вы находитесь на странице: 1из 11

Министерство образования и науки Российской Федерации

Федеральное государственное автономное образовательное


учреждение высшего образования

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ
ТОМСКИЙ ПОЛИТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ»

Институт кибернетики
Направление подготовки: «Мехатроника и робототехника»
Кафедра систем управления и мехатроники

Использование Simulink при построении нейронных сетей.


Отчет по лабораторной работе №5
по курсу «Метода искусственного интеллекта в мехатронике и
робототехнике»
Вариант 4

Выполнил: студент гр. 8ЕМ81 Григоришин И.С.


Подпись Дата

Принял: ассистент СУМ. Беляев А.C.


Подпись Дата

Томск – 2018
Цель работы: изучение основных блоков визуального приложения
Simulink программной среды MatLAB, используемых при построении
нейронных сетей, приобретение опыта моделирования нейросетевых систем
управления среды MatLAB.
Задание:
1. Выполнить все примеры, предлагаемые в теоретической части.
2. Для примера 2 исследовать в моделируемой схеме нейросетевой
адаптивной системы влияние параметров нейросети и числа уроков обучения
на показатели качества процесса идентификации объекта (первый этап
адаптивного управления) и процесса обучения сети МНС1 (второй этап
адаптивного управления).
3. Отобразить результаты обучения (для примера 2) для различного
числа нейронов в скрытом слое.
Ход работы (пример 1):
Первым этапом является создание простейшей нейронной сети.
Входным вектором в данном примере является: 𝑝 = [1 2 3 4 5], целевой вектор
имеет вид: 𝑡 = [1 3 5 7 9].
Для построения нейронной сети необходимо выполнить команду в
математическом пакете MatLAB:

Для симуляции построенной нейронной сети необходимо


воспользоваться функцией sim:

Для того, чтоб открыть построенную нейронную сеть в Simulink


необходимо воспользоваться функцией genism:

2
В результате блок-диаграмма НС в Simulink, представленная на
рисунке 1.

Рисунок 1 – Блок-диаграмма созданной нейронной сети


Протестируем работу модели, задав значение 𝑥1 равное 2. После
симуляции выход модели стал равен 𝑦1 = 3, что соответствует
действительности (рисунок 2).

Рисунок 2 – Симуляция нейронной сети


Для детального разбора созданной нейронной сети достаточно сделать
двойное нажатие на ее слое. Структура слоя нейронной сети представлена на
рисунке 3.

Рисунок 3 – Структура слоя нейронной сети в Simulink

3
Ход работы (пример 2):
В данном примере будет рассмотрена система автоматического
управления с нейросетевым регулятором на основе эталонной модели.
В качестве модели используется демонстрационный вариант звена
робота («robot arm»). Для открытия модели достаточно набрать в командной
строке mrefrobotarm. Структура эталонной модели представлена на рисунке
4.

Рисунок 4 – Структура эталонной модели руки робота


Для реализации модели были использованы 2 нейронные сети:
1. нейронная сеть объекта управления;
2. нейронная сеть регулятора.
В разбираемом примере целью является управление движением одного
звена робота. Структурная схема данного звена представлена на рисунке 5.

Рисунок 5 – Структурная схема звена робота

4
Первым этапом для данного примера является построение модели
объекта управления, выбрав в окне Model Reference Control кнопку Plant
Identification.
Далее необходимо сгенерировать данные для обучения, нажав кнопку
Generate Training Data. Данное действие приведет к генерации обучающей
последовательности на интервале 500 секунд для модели рассматриваемого
объекта управления. На рисунке 6 представлены графики входного и
выходного сигнала объекта управления.

Рисунок 6 – Графики входного и выходного сигналов ОУ


Сгенерировав данные для обучение, необходимо начать обучение
нейронной сети объекта управления, нажав кнопку Train Network в окне
Plant Identification.
После обучения нейронной сети будут получены графики результата
обучения модели на обучающем множестве, результата тестирования модели
на контрольном множестве и выхода эталонной модели и объекта управления,
представленные на рисунке 7.

5
Рисунок 7 – Графики с результатами обучения НС ОУ
Обучив нейронную сеть объекта управления, необходимо обучить
нейронную сеть регулятора. Для этого в окне Model Reference Control
требуется нажать кнопку Generate Training Data.
По аналогии с нейронной сетью объекта управления, сгенерировав
данные для обучения требуется обучить сеть регулятора. На рисунке 8
представлен графики выходов эталонной модели и модели объекта
управления.

Рисунок 8 – Графики выхода эталонной модели и модели объекта управления


После того, как обучение как нейронной сети объекта управления, так
и нейронной сети регулятора окончится, можно перейти к моделированию в
Simulink.
6
Графики эталонного сигнала и выхода объекта управления показаны
на рисунке 9.

Рисунок 9 – Графики эталонного сигнала (ступенчатый процесс) и выхода объекта


Заключительным этапом будет планирование экспериментов по
обучению нейронных сетей с разными значениями числа нейронов в скрытом
слое и разным количеством уроков.
Эксперимент №1
Сеть Параметр Значение
Объект управления Количество нейронов 20
Количество уроков 300
Регулятор Количество нейронов 13
Количество уроков 10

Результаты симуляции при изменении только количества нейронов в


скрытом слое НС ОУ представлены на рисунке 10.

7
Рисунок 10 – Результаты симуляции эксперимента №1
Эксперимент №2
Сеть Параметр Значение
Объект управления Количество нейронов 13
Количество уроков 3000
Регулятор Количество нейронов 13
Количество уроков 10

Результаты симуляции при изменении только количества уроков НС


ОУ представлены на рисунке 11.

Рисунок 11 – Результаты симуляции эксперимента №2

8
Эксперимент №3
Сеть Параметр Значение
Объект управления Количество нейронов 20
Количество уроков 3000
Регулятор Количество нейронов 13
Количество уроков 10

Результаты симуляции при изменении и количества нейронов в


скрытом слое, и количества уроков НС ОУ представлены на рисунке 12.

Рисунок 12 – Результаты симуляции эксперимента №3


Эксперимент №4
Сеть Параметр Значение
Объект управления Количество нейронов 13
Количество уроков 300
Регулятор Количество нейронов 20
Количество уроков 10

Результаты симуляции при изменении только количества нейронов в


скрытом слое НС регулятора представлены на рисунке 13.

9
Рисунок 13 – Результаты симуляции эксперимента №4
Эксперимент №5
Сеть Параметр Значение
Объект управления Количество нейронов 13
Количество уроков 300
Регулятор Количество нейронов 13
Количество уроков 100

Результаты симуляции при изменении только количества уроков НС


регулятора представлены на рисунке 14.

Рисунок 14 – Результаты симуляции эксперимента №5

10
Вывод: выполняя задания лабораторной работы было получено
базовое представление об основных блоках визуального приложения Simulink,
используемых при построении нейронных сетей, был приобретен опыт
моделирования нейросетевых систем управления среды MatLAB.
Углубляясь в детали, были обучены две модели нейронных сетей, а
именно: модель нейронной сети объекта управления (руки робота) и модель
нейронной сети регулятора для объекта управления.
Помимо этого, были проведены опыты по настройке нейронных сетей
для достижения удовлетворительных точностных характеристик моделей.

11