Извлечение правил нейросетевого регулятора при построении когнитивных систем автоматического управления
Аннотация
Когнитивные технологии входят в один из самых «интеллектуальных» разделов теории искусственного интеллекта. Особое место в интеллектуальных системах занимает обучение по прецедентам, основанное на выявлении общих закономерностей по частным эмпирическим данным, реализуемое главным образом в искусственных нейронных сетях (ИНС). Благодаря своим структурным особенностям, ИНС успешно применяются для синтеза нелинейных регуляторов в автоматических системах управления, однако неявный для пользователя нейросетевой алгоритм формирования результатов порождает проблему доверия к его выводам при решении реальных практических задач, в связи с чем актуальна задача установления «прозрачности» внутреннего алгоритма ИНС. Целью исследования является повышение достоверности функционирования нейросетевых регуляторов при построении когнитивных систем автоматического управления. В работе выполнен анализ существующих подходов и методов интерпретируемости результатов ИНС, рассмотрены известные способы формализации нейросетевых алгоритмов, позволяющие выполнить описание правил функционирования ИНС. Предложена методика извлечения правил нейросетевого регулятора на основе гранулярных вычислений, где в качестве информационных гранул принимаются множества схожих по своим свойствам входных признаков, объединенных в кластеры, что достигается путем интеграции в слои многослойных ИНС самоорганизующихся слоев. Применимость предложенных решений показана на примере синтеза системы автоматического регулирования, имеющей нелинейные характеристики. Выполнено построение нейросетевого регулятора, превосходящего по своим характеристикам известные решения данной задачи, а также обладающего возможностью вербального представления правил своего функционирования. Практической значимостью предложенных решений является построение причинно-следственной связи между наборами входных данных и формируемым выходным сигналом нейросетевого регулятора, их представлением в виде совокупности правил, обеспечивающих интерпретацию нейросетевого алгоритма в аспекте построения когнитивной системы автоматического управления. Предложенная методика извлечения правил нейросетевого регулятора может найти применение в методах анализа и синтеза интеллектуальных систем автоматического управления, о чем даны соответствующие рекомендации и предложения.
Скачивания
Литература
2. Mikryukov А. А. (2018) Cognitive technologies in support systems decision making in the digital economy. Innovacii i investicii. № 6. P. 127–131. (In Russ.).
3. Avdeeva Z. K. [et al.] (2017) Cognitive approach in control. Problemy upravlenija. № 3. P. 2–8. (In Russ.).
4. Averkin A. N., Yarushev S. A. and Pavlov V. Yu. (2017) Cognitive hybrid systems for decision support and forecasting. Programmnye produkty i sistemy. № 4. P. 632–642. (In Russ.). DOI
5. Kanin A. V., Kovalev S. M. and Shvalov D. V. (2019) Interpretability assessment of knowledge bases, advantages and opportunities of their estimates. Transport: nauka, obrazovanie, proizvodstvo (Transport-2019): sb. tr. Mezhdunar. nauchno-prakt. konf. [Proceedings of Int. Conf. on Transport: Science, Education, Production (Transport-2019)]. Rostov-on-Don: RGUPS. P. 151– 156. (In Russ.).
6. Maki G. I. and Hussain Z. M. (2021) Deep Learning for Control of Digital Systems. Journal of Physics: Conference Series. Vol. 1804. P. 012086. DOI
7. Salah L. B. and Fourati F. (2019) Deep MLP neural network control of bioreactor. Proceedings of the 10th International Renewable Energy Congress (IREC) (Sousse, Tunisia, 26-28 March 2019). IEEE. P. 1–5. – DOI
8. Warr K. (2019) Strengthening Deep Neural Networks: Making AI Less Susceptible to Adversarial Trickery. USA, Sebastopol: O’Reilly Media, Inc. 246 p.
9. Augasta M. G. and Kathirvalavakumar T. (2012) Rule extraction from neural networks – A comparative Study. Proceedings of the International Conference on Pattern Recognition, Informatics and Medical Engineering (Salem, Tamilnadu, India, 21–23 March 2012). IEEE. P. 404–408. – DOI
10. Biswas S.K. [et al.] (2017) Rule Extraction from Training Data Using Neural Network. International Journal of Artificial Intelligence Tools, World Scientific. No 26. P. 1–26. DOI
11. Das A. K. [et al.] (2020) A Neural Expert System to Identify Major Risk Factors of Breast Cancer. IEEE International Conference for Innovation in Technology (INOCON). P. 1–4. DOI
12. Burkhardt S. [et al.] (2021) Rule Extraction from Binary Neural Networks with Convolutional rules for model validation. Frontiers in Artificial Intelligence. Vol. 4. P. 1–14. – DOI
13. Chakraborty M., Biswas S. K. and Purkayastha B. (2019) Rule Extraction from Neural Network Using Input Data Ranges Recursively. New Generation Computing. Vol. 37, No 1. P. 67– 96. DOI
14. Barskij A. B. (2016) Logicheskie nejronnye seti. Moscow : Internet-Universitet Informacionnyh Tehnologij (INTUIT). 492 p. (In Russ.).
15. Fridman O. V. (2019) Logic Neural Networks: Methods Of Automatic Design, Reduction, Rule Extraction. Trudy Kol’skogo nauchnogo centra RAN. Vol. 10, No 9-9. P. 97–108. (In Russ.). DOI
16. Kamruzzaman S. M. and Hasan A. R. (2005) Rule extraction using artificial neural networks. Proceedings of the International Conference on Information and Communication Technology in Management (Melaka, Malaysia, 23–25 May 2005). Melaka. P. 1–14.
17. Kalistratov T. A. (2016) Methods And Facilities For The Automatic Contrast Of The Neural Network. Vestnik Tambovskogo universiteta. Serija: Estestvennye i tehnicheskie nauki. Vol. 21, No 2. P. 668–670. (In Russ.).
18. Gridin V. N. and Solodovnikov V. I. (2017) Joint use of Neural Network technologies and decision trees to search for logical patterns in data. Informacionnye tehnologii i nanotehnologii: sb. tr. III Mezhdunar. konf. i mol. shk. [Proceedings of 3th Int. Conf. on Information technologies and nanotechnologies]. Samara. P. 1763–1769. (In Russ.).
19. Chopade H. A. and Narvekar M. (2017) Hybrid Auto Text Summarization Using Deep Neural Network And Fuzzy Logic System. Proceedings of the International Conference on Inventive Computing and Infor-matics (Coimbatore, India, 23–24 November 2017). IEEE. P. 52–56. DOI
20. Korikov A. M. and Nguyen A. T. (2018) A neuro-fuzzy classification of objects and their states. Nauchnyi vestnik NTGU. Vol. 72, No 3. P. 73–86. (In Russ.).
21. Marshakov D. V. (2021) Rule extraction from the Artificial Neural Network. IOP Conference Series: Materials Science and Engineering: 16 (Rostov-on-Don, 11–13 Sep-tember 2020). Rostov-on-Don. P. 012127. – DOI
22. Osovsky S. (2002) Nejronnye seti dlja obrabotki informacii [Neural networks for information processing]. Мoscow : Finansy i statistika. 344 p. (In Russ.).
23. Marshakov D. V. (2021) Neural Network Implementation Of The Fuzzy Control Algorithm. Transport: nauka, obrazovanie, proizvodstvo (Transport-2021): sb. tr. Mezhdunar. nauchno-prakt. konf. [Proceedings of Int. Conf. on Transport: Science, Education, Production (Transport-2021)]. Rostov-on-Don: RGUPS. P. 136– 140. (In Russ.).
24. Terehov V. A., Efimov D. V. and Tjukin I. Ju. (2002) Nejrosetevye sistemy upravlenija [Neural network control systems]. Moscow : Vysshaja shkola. 183 p. (In Russ.).
25. Omidvar O. M. and Elliott D. L. (1997) Neural Systems for Control. USA, San Diego: Academic Press. 358 p. DOI
26. Chernodub A. N. and Dzjuba D. A. (2011) Review of neurocontrol methods. Problemy programmirovanija. No 2. P. 79–94. (In Russ.).
27. Johari S. N. H. [et al.] (2019) Internal Model Control-ler Characterization for an Integrating Water Level Process Control. IEEE 7th Conference on Systems, Process and Control (ICSPC). P. 228– 231. DOI
28. Dey C., Mudi R. K. and Simhachalam D. (2014) A simple nonlinear PD controller for integrating processes. ISA Transactions. Vol. 53. P. 162–172. DOI
29. Levin P. N., Belokopytov R. N. and Goroshko D. Ju. (2019) Comparison of the Classical and Fuzzy Controller. Modern Science. No. 9-2. P. 218–222. (In Russ.).
- Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
