Modelarea Comportamentului Conducătorului Auto cu Sisteme Fuzzy

Capitolul 1

Utilizarea sistemelor inteligente pentru asistarea conducatorului auto

1.1. Controlul inteligent

În automatizări controlul inteligent este diferit radical față de metodele clasice de reglare cu toate că se bazează pe aceleași principii: un set de cunoștințe apriorice despre procesul vizat și cerințele de performanțe impuse sistemului automat. Totuși, studiile teoretice și chiar realizări experimentale sau industriale evidențiază un nou mod de abordare a problemelor. Diferitele controlere inteligente (neurale, fuzzy, fuzzy-neurale sau combinații ale acestora obținute asistat de algoritmi genetici) pot fi considerate în general aproximatori de funcții neliniare. Față de estimatorii convenționali de funcții se pot enunța o serie de avantaje:

-Procesul de proiectare nu impune cunoașterea modelului procesului (în multe aplicații este dificil a exprima exact ecuații ce descriu dinamica reală a procesului condus, iar pe de altă parte, chiar dacă se obține modelul matematic acesta include totdeauna incertitudini datorită variațiilor reale a unor parametrii, perturbațiilor aleatoare sau neliniarităților ce nu pot fi determinate în timpul fazei de proiectare);

-Performanțele de regim tranzitoriu și robustețea reglării pot fi imbunătățite (aspecte ce pot fi demonstrate prin compararea experimentală a răspunsurilor aceluiași sistem, prima dată condus cu un regulator PID(proporțional-integral-derivativ) optimal clasic, iar a doua oară cu un controler logic fuzzy);

-Proiectarea se poate face exclusiv pe baza unor informații lingvistice furnizate de către experți sau adunate prin alte tehnici;

În absența informațiilor furnizate de către expert, proiectarea se poate face pe baza răspunsurilor sistemului obținute cu seturi de date de intrare experimentale. Evident că pot fi utilizate și metode mixte, care conbină informațiile lingvistice cu cele experimentale;

-Structurile obținute au un nivel de generalitate (dau estimații bune atunci când sunt utilizate noi seturi de date de intrare, altele decât folosite în proiectare). În consecință se obține o interdependență față de caracteristicile particulare ale elementului de execuție (în special motoarele electrice)). Algoritmii actuali de control, bazați pe tehnici neinteligente, lucrează pe probleme specifice și satisfac condiții de performanțe impuse pentru o clasă redusă a semnalelor de intrare. Putem spune că fiecare aplicație trebuie analizată individual, adică o problemă specifică se rezolvă cu un algoritm specific. Un exemplu este regulatorul adaptiv clasic care, pe masură ce acumulează noi informații despre dinamica modelului procesului condus, își modifică și propria lege de conducere.

Structurile pentru controlul inteligent sunt flexibile, putând fi oricând modificate sau extinse pentru adaptarea la alte situații, prin simpla încorporare de noi cunoștințe, reguli și date.

Pot fi găsite soluții de reglare procese ce nu pot fi abordate prin metode convenționale.

Controlerele inteligente impun abordări diferite în proiectare, în funcție de tehnica folosită. Astfel la cele bazate pe rețele neurale convenționale se stabileste mai întâi o topografie fixă a rețelei după care aceasta este instruită pe baza unui algoritm de învățare, ce urmarețte în general minimizarea unui criteriu de cost sau a unei erori. Topologia fixă, apriori stabilită, impune restricții rețelei și poate duce la creșterea nepermis de mare a timpului de calcul în procesul de învățare. De aceea, sunt căutate rețele cu topologie adaptivă și algoritmi euristici neconvenționali pentru accelerarea instruirii. Dacă se utilizează controlere fuzzy convenționale, se stabilesc mai întâi valorile inițiale ale regulilor și funcțiilor de apartenență. Aceasta este o procedură dificilă și chiar inacceptabilă atunci când nu sunt disponibile apriori aceste informații expert despre sistem. Totuși se întrevăd, și aici soluții, prin utilizarea unor regulatoare adaptive hibride, de tip fuzzy – neural.Soluțiile bazate pe inteligența artificială (AAI) sunt: controlul indiresct sau direct. În primul caz, se utilizează un modul pentru identificarea on-line a modelului procesului condus, model ce este utilizat pentru proiectarea controlerului. Intrările și ieșirile sistemului trebuie să fie disponibile la fiecare pas de eșantionare.

Adaptarea directă, procesul reprezentat printr-o tabelă de performanță care este utilizată pentru determinarea răspunsului curent utilizând anumite calități – cum ar fi eraoarea sau modificarea erorii între două momente consecutive de eșantionare. Când se utilizează un controler fuzzy, cea mai simplă posibilitate de adaptare este cea a factorului de scalare, care schimbă clasificarea variabilelor de intrare sau prin modificarea formei funcțiilor de apartenență.

Această soluție se poate implementa în acționările neadaptive, existente în industrie. O soluție adaptivă poate fi modificarea bazei de reguli, la fiecare pas de eșantionare estimându-se nivelul de performanțe obținut cu vechile reguli și ajustandu-le pe acestea corespunzător.

Adaptarea asistată de algoritmi genetici pentru controlere fuzzy sau neurale oferă o tehnică de proiectare a acestora sistematică și simplu de implementare. Se obțin soluții robuste, configurări topologice, minimale, autoânvățare rapidă și convergența imediată. În realizarea unui sistem de conducere inteligent trebuie urmarit un ciclu de dezvoltare conform schemei din Figura de mai jos.

Figura 1

Figura 1.1:Sistem de conducere inteligent

Primul pas al ciclului îl reprezintă analiza problemei și conține două etape distincte:

-Identificarea și descompunerea în subprobleme. O problemă complexă, cum ar fi de exemplu fabricația unor produse pe o linie de asamblare, se poate descompune în subprobleme aproximării cu semifabricate, asamblarii propriu-zise, controlului de calitate și depozitarea pieselor finite. Evident că problemele simple sa rezolvă ca atare.

-Identificarea proprietaților problemei. Dacă am facut o descompunere, identificarea se face pe subprobleme și trebuie să evidențieze nevoile de achiziție automată de cunoștințe, accesibilitatea fizică a acestora, condițiile de lucru (și gradul de modificare al acestora, pentru evitarea cerințelor de robustețe), cerințe pentru explicarea deciziilor, etc.

Următorul pas urmărește alegerea tehnicilor de lucru adecvate pentru fiecare subproblemă, în funcție de proprietățile identificate. Se ține seama atât de capabilitatea fiecărei tehnici în rezolvarea problemei cât și de disponibilitățile de calcul de care se dispune și de compabilitatea între tehnici diferite. Pe această bază se stabilește concret, în pasul trei, tehnica ce va fi utilizată. În anumite situații soluția optimă este alegerea unei metode hibride.

Implementarea sistemului de control inteligent implică alegerea mediului de programare potrivit și stabilirea celorlalte cerințe necesare realizării practice.

Faza de validare este utilizată pentru testarea și verificarea funcționării componentelor individuale ale aplicației. Dacă sunt descoperite anomalii de funcționare, atunci se iau măsuri de corecție sau, în cazuri mai grave, de reproiectare.

Sarcinile fazei de mentenanță constau în evaluarea periodică a performanțelor sistemului și efectuarea unor ajustări sau îmbunatățiri. Etapa este importantă pentru componentele adaptive (rețele neurale, algoritmi genetici) care își pot degrada performanțele la schimbarea parametrilor mediului de lucru, dacă nu sunt reinstruite cu date noi.

1.2. Sisteme inteligente . Proprietăți

Pană în ultimii ani, tehnicile de reglare bazate pe inteligența artificială (IA) nu au fost considerate o alternativă serioasă la tehnicile convenționale clasice. Totuși, dezvoltările recente ale teoriei modeme a reglării automate sunt orientate din ce în ce mai des către soluții alternative care renunță la strategiile clasice de proiectare a regulatoarelor în favoarea tehnicilor de inteligență artificială bazate pe algoritmi implementați pe microcalculatoare. Aceste tehnici se referă în special la , rețele neurale, algoritmi genetici sau soluții hibride ( fuzzy – neural, genetic – neural, etc.).

Sistemele inteligente au cateva proprietăți remarcabile: achiziția de cunoștințe, robustețea , raționamentul și explicarea.

Achiziția de cunoștințe este etapa crucială în dezvoltarea sistemelor inteligente, însumând culegerea, interpretarea și reprezentarea unor informații cognitive despre domeniul ales. O structură consacrată pentru achiziția de cunoștințe este reprezentată de sistemele expert. Ele colectează într-o bază de cunoștințe experiența specialiștilor umani. Aceste informații sunt utilizate pentru rezolvarea unor probleme sau luarea unor decizii pe baza unui set de reguli, apriori stabiliți. De aceea , sistemele expert sunt limitat completate, în condiții operaționale limitate, fară a avea mecanisme capabile de a face schimbări în procedurile de elaborare a deciziilor sau de adaptare la schimbările mediului de operare. Datorită acestor probleme, tehnici ca rețelele neurale sau algoritmi genetici, care pot fi instruite cu seturi de date, au avantaje nete. Aici orizontul deciziilor posibile este învățat, putand fi adaptat la schimbări ce apar în timp.

Un sistem inteligent nu este robust dacă răspunde corespunzător numai în anumite domenii de lucru și cere o substanțială intervenție umană pentru a se adapta unui domeniu nou.. Cu alte cuvinte , acest sistem nu este pot să opereze cu cunoștințe inexacte, incomplete sau inconsistente. Cauzele nerobusteței sunt: structura de reprezentare inadecvată și mecanismul de raționare. La sistemele expert, cunoștințele sunt reprezentate prin simboluri discrete, iar raționarea constă în operații logice asupra acestora. Dimpotrivă, într-o rețea neurală reprezentările sunt numerice, legate între ele prin conexiuni.

O cunoștință se reprezintă prin ansamblul valorilor tuturor nodurilor și legăturilor din rețea. Reprezentarea și raționarea sunt distribuite și este posibil lucrul cu date incomplete sau inconsistente. Această calitate a fost numită degradare elegantă ( gracefully degrade) pentru că dacă o parte a rețelei este neoperațională, restul poate funcționa și incearca sa dea raspunsuri. Acest mod de toleranță la defecțiuni este în contrast evident cu compotamentul sistemelor expert, care se defectează chiar dacă o singur regulă de interferență devine neoperațională. Concluziile pentru aplicațiile industriale sunt evidente. Sistemele de inducție cu reguli au aceleași probleme de robustețe ca și sistemele expert. Ele au dificultăți în a induce relații din seturi de date contradictorii sau incomplete.

1.3. Rețele neuronale

Principiile rețelelor neuronale

Capacitatea de învățare și de luare a deciziilor conferă unui sistem inteligent de conducere posibilitatea să modeleze on – line mediul de lucru într-un mod simultan adaptiv și predictiv. Scopul este de a prescrie deciziile referitoare la situațiile viitoare.

Rețelele neuronale artificiale (ANN + Artificial Neural Network ) sunt instrumente de învățare on – line , care utilizează un model general simplificat al neuronului. Deducerea acestui model plecând de la celula nervoasa implică urmatoarele ipoteze simplificatoare:

neglijarea efectelor electrice cauzate de forma dendritelor(proiecțiile ramificate ale neuronilor) și axonului(proiecție lungă, subțire a unei celule nervoase).

curenții de intrare pe canalele sinaptice se consideră simplu aditivi și interacțiunile complexe dintre ei se neglijează;

variații de potențial la nivelul membranei se presupun simultane în zona presinaptică și în intervalul celulei;

evenimentele sinoptice sunt foarte rapide: la apariția unei fluctuații de potențial la terminațiile presinaptice rezultă o schimbare aproape instantanee a concentrației neurotransmițătorului, urmată de apariția unui curent în celula postsinaptică.

Teoria rețelelor neuronale a apărut încă din 1943, odată cu modelul introdus de MCCulloch și Pitts . Ei au luat in considerare proprietatea că la nivelul fiecarui neuron efectul sinapselor este variabil, fapt ce îi conferă acestuia adaptabilitate . În model acțiunea sinaptică se reprezintă printr-o pondere variabilă ce determină gradul de activare al neuronului. Unitățile neuronale se comportă ca decodificatoare selective a formulelor de semnal. Ele sunt elemente de decizie logică, cu două stări.

Trecerea de la cercetările biologice care urmăresc modelarea funcționării sistemului nervos în domeniul tehnic – ingineresc nu urmărește crearea unor mașini "umanoide", ci extragerea unor noțiuni care sa conducă la rezolvarea unor probleme dificil de abordat prin calcul convențional. Aceasta trecere necesită o abordare sistematică. Un sistem învață un eveniment sau model prin codificarea acestuia în structura sa, care pe masura învățării se modifică. Sistemele au proprietatea de adaptabilitate și de auto-organizare. Pentru ANN, algoritmul de învățare , care constă în modificarea ponderilor legăturilor între elementele rețelei, reprezintă singura modalitate de instruire. În context ingineresc, o rețea neuronală reprezintă un sistem dinamic , ce realizează procesarea informației prin intermediul răspunsului de stare la o intrare continuă sau inițială. În acest sens, calculul neuronal reprezintă studiul rețelelor cu noduri adaptabile, care se mai numesc modele conexionale sau procesoare distribuit -paralel.

Tipuri de rețele neuronale

În general, o rețea neuronală ( NN – neural network ) artificială este alcatuită dintr-un numar N de elemente numite noduri sau neuroni, fiecare nod fiind conectat cu toate celelalte pentru a forma unul sau mai multe straturi sau nivele (layers).

Ele se vor numi corespunzător rețele uni sau multistrat. Puterea relativă a conexiunilor între noduri este determinată prin ponderi și prin valori de prag. Ponderile se stabilesc în timpul procedurii de învățare și ulterior ele pot avea valori fixe sau pot fi modificate permanent, printr-un proces iteractiv, învățarea poate fi efectuată în mod supervizat (învățarea cu supervizor) sau prin auto – instruire.

Nodurile de bază utilizate în ANN diferă de la un tip de rețea la alta. Modelul McCulloch și Pittis impune pentru noduri un model de bază al neuronului, ca în Figura 1.2.

Figura 1.2:Model de bază al neuronului

Intrările modelului sunt date din lumea reală sau din alte elemente ale rețelei, cum ar fi ieșiri ale nodurilor nivelului anterior. Ieșirea modelului este dată de o funcție care însumează ponderat valorile intrărilor. Ieșirile pot fi utilizate direct, sau pot fi procesate cu valori de prag sau elemente de filtrare ) cum ar fi, de exemplu, funcția signoidală).

În funcție de conexiunile între noduri, rețelele pot fi de două tipuri:

-directe (feedforward) și

-recurente (backpropegation).

În rețele directe ( Figura 1.3) influența unui nod asupra altuia poate fi excitatorie (pondere pozitivă) sau inhibitorie (pondere negativă). Fiecarui nod I se asociază și o anumită valoare de prag.

Figura 1.3:Rețele directe

Daca rețeaua este multistrat, între stratul de intrare și cel de ieșire se interpun straturi intermediare, numite ascunse. În practică se utilizează maxim două astfel de straturi, într-o astfel de structură, numai nodurile aceluiași strat operează în paralel, în timp ce straturile adiacente calculează serial.

Propagarea semnalelor în rețea are loc doar între straturile adiacente și doar pe o singură direcție. Modificarea acestor semnale se realizează prin intermediul ponderilor de conectare între două noduri. Explicit, intrarea totală într-un nod oarecare I din stratul k este :

xik = [wijkyjk-1] + ik , unde:

wjjk = ponderea de conectare a nodului j din stratul (k-1) cu nodul I din stratul k;

yjk-1 = ieșirea nodului j din stratul k- 1;

ik = valoarea de prag a nodului I din stratul k;

Ieșirea nodului I din stratul k este :

yik = f(xik), unde f este în general o funcție crescătoare, de exemplu funcția signoid

f(x) = (l – e -x ) / (l + ex).

Dacă se consideră patru straturi, dintre care unul de intrare, unul de ieșire și două ascunse, fiecare strat poate fi reprezentat de operatorul: Sk(u) = F(Wku), unde:

u – intrarea corespunzatoare stratului;

Wk – matricea ponderilor, k = l, 2, 3;

F = operator dialog neliniar cu elemente signoidale, f(x)=l/(l+e-x).

Putem reprezenta funcția de intrare – ieșire a rețelei prin:

Y = S(u) = F [W3F[W2F[W'u]]] = S3S2S'(u)

deci, NN directe reprezintă funcții neliniare, având ca parametrii elementele matricilor de ponderi.

Între rețelele cu reacție, cea mai cunoscută este rețeaua unistrat Hapfield. Reprezentarea ei schematic este data în Figura 1.4.

Figura 1.4: Rețeaua unistrat Hapfield

Numarul nodurilor elementare este foarte mare, iar fiecare element este legat pe o singură cale cu toate celelalte ( ieșirea unui nod este conectată la intrările tuturor celorlalte). De obicei, fiecare nod are și o intrare separată pentru interfață cu mediul real. Intrările sunt semnale binare.

Ponderile Wij alcătuiesc o matrice simetrica N x N .

O caracteristică a acestei rețele o constituie capacitatea de memorare , C = MN, unde M este numărul formelor stocate, iar N numărul nodurilor. Hopfield a demonstrat că rețeaua își poate pierde capacitatea de asociere pentru c > 0.15.

E = – ½ WijSiSj, cu i, j de la 1 la N, unde:

N = numărul de noduri;

Wij = ponderea între ieșirea nodului j și intrarea nodului l .

Fiecare formă învațată reprezintă un minim de energie. Dacă la intrarea rețelei se găsește o formă de test incompletă sau perturbată de zgomot, energia inițială a sistemului nu este minimală.

Prin ajustări iteractive ale ponderilor Wij, se urmarește minimizarea funcției E.

Rețeaua Hopfield reprezintă un sistem dinamic discret, descris de ecuația :

Y(f+l) = f(x(t)),unde:

x(t) = Wy(t), cu x {- 1,1)" și W – matricea ponderilor

f (x) = sng(x) =

Ecuația se generalizează imediat:

x(t+l) = S1[x(t),x(0)] = x0

Pentru o valoare inițială x0 sistemul evoluează către o stare de echilibru cu condiția ca S1 să fie corespunzător ales. Mulțimea condițiilor inițiale din vecinatatea lui x0 care determină convergența sistemului către aceia și starea de echilibru este identificată cu starea respectivă.

Rețele cu propagare înapoi (back propagation / BP) sunt utilizate mai ales in domeniul controlului automat. Structura rețelei este cea din Figura 1.5.

Figura 1.5: Rețele cu propagare înapoi

Între nodurile elementare de pe un strat oarecare nu există conexiuni. La intrare se aplică un set de date (un model) pentru fiecare nod de intrare. Ieșirile acestui nivel ascuns, s.a.m.d. învațarea rețelei constă în forțarea ei, prin modificarea ponderilor, ca să dea la ieșire o formă particulară de răspuns pentru fiecare model de intrare dat. Fiecare valoare de ieșire a nodurilor ultimului strat poate fi comparată cu o valoare dorită sau specificată, diferențele constituind o eroare. Aceasta poate fi minimizată prin ajustarea ponderilor, utilizand o serie de algoritmi specifici. Totuși, învățarea rețelei este destul de dificilă. Utilitatea acestui tip de rețea în controlul automat a fost demonstrată de Willis în 1991. El o recomandă atât pentru estimarea în timp real a parametrilor proceselor pentru a obține modele adaptive, cât și pentru controlul sistemelor neliniare.

Utilizarea modelelor NN ale proceselor oferă avantaje certe față de tehnicile convenționale. Spre exemplu, rețelele pot fi folosite pentru obținerea unor informații de măsură greu accesibile prin metoda de hardware sau pot predicta valori de interpolare ale unor măsurători.

Rețelele BP pot fi implementate on-line pe microcalculatoare pentru controlul în timp real al proceselor neliare. Un exemplu este controlul unui robot-manipulator după schema propusă de Warwack în 1991 (Figura 1.6). Rețeaua se adaptează prin ajustarea ponderilor, învățând schimbările caracteristice în articulațiile robotului, atunci când acesta efectuează mișcări în spațiul de lucru.

Ea generează un vector de ieșire care include semnale de comandă pentru motoare în vederea obținerii traiectoriei dorite.

După instruirea inițială, învățarea este continuată on-line în timpul operării, prin urmărirea schimbărilor în caracteristicile mișcărilor din articulțtii.

Figura 1.6: Controlul unui robot-manipulator

Rețelele neuronale multiple (n – tuple-secvențe în ordine de n elemente), denumite și digitale, utilizează un model neuronal

diferit și o nouă strategie de învățare. Fiecare nod este definit ca o memorie digitală, prelucrând numai semnale binare și poartă denumirea de neuron RAM (Figura 1.7).

Figura 1.7: Neuron RAM

Neuronul RAM implementează principiul memoriei asociate. Memorarea simplă implică simpla stocare și ulterioara regăsire a informației. La calculatoarele convenționale, regăsirea unui eveniment se face prin specificarea adresei locației unde este stocat. Creaturile unui percep, învață și cunosc mediul lor de existență prin asocierea unor relații spațio – temporale. În acest sens definim memoria asociativă ca un procedeu prin care un set de date stocate pot fi regăsite folosindu-se ca excitație(cheie) oricare din componentele sale. Deci, informația se regăseste chiar pe baza conținutului memoriei sau al relației între părți ale informației memorate. În plus , o "cheie" influențată de zgomot implică regăsirea celui mai apropiat eveniment stocat.

Intrările unui neuron RAM sunt adrese de memorie, iar ieșirea reprezintă valoarea datelor stocate. Când nodul este în mod învățare, datele pentru instruire sunt introduse pe liniile de adresă și stocate valorile potrivite. În modul analiză, nodul este adresat și furnizează la ieșire valoarea stocată. Într-o rețea multiplă, pe intrările sale se aplică modele care alimentează cu câte n biți fiecare din nodurile elementare, ieșirea acestora memorându-se valoarea 1. Când rețeaua analizează un model particular, nodurile cu ieșiri 1 sunt comparate cu cele obținute în procesul de învățare. Dacă comparația este 100y adevarată, modelul este similar cu cel învățat, daca nu, se va regăsi modelul cel mai apropiat. Aplicația imediată în recunoașterea formelor este evidentă. În plus, rețeaua poate fi resetată și se poate starta o nouă procedură de învățare.

1.4. Sisteme Neuro-Fuzzy

Atunci când într-o aplicație se pot colecta cunoștințe parțiale privind mulțimile fuzzy și regulile fuzzy de deducție a comenzii regulatorului, combinarea rețelelor neurale și a regulatoarelor fuzzy are eficiență.Proiectarea unui regulator fuzzy se realizează pe baza cunoștințelor oferite de un expert uman , cunoașterea modelului matematic al procesului fără să fie necesară,însă regulile de deducție se bazează pe cunoștințele expertului, astfel încât pot apare incertitudini în alegerea formei funcției de apartenență, a numărului acestora și a regulilor de deducție.[1]

Prin folosirea algoritmilor de instruire, modelele neuro – fuzzy pot îmbunătăți performanțele. Pentru folosirea separată de modele neurale și fuzzy, există următoarele tipuri de variante de a combina cele două modele:

-Rețeaua neurală transmite funcțiile de apartenență. Pe baza datelor de intrare se instruiesc rețele neuronale care aproximează direct funcțiile de apartenență sau generează unii parametri ai funcțiilor de apartenență (Figura 1.8).[1]

-Rețeaua neurală oferă reguli lingvistice de conducere pe baza datelor de intrare.Pentru acest scop se folosesc algoritmi de grupare “clustering “. Instruierea rețelei neurale se face off line, iar mulțimile fuzzy se definesc printr-o altă metodă (Figura1.9).[2]

-Rețeaua neurală adaptează,în timpul funcționării acesteia, parametrii mulțimilor fuzzy, Figura 1.10.

-Rețeaua neurală învață pentru calculul ponderilor în regulile de deductie, Figura 1.11. Aceste ponderi pot fi interpretate ca ”importantă” care se dă unei reguli și deci se poate modifica ieșirea unei reguli. În acest caz regulile de deducție și mulțimile fuzzy trebuiesc cunoscute, însă semnatica acestor ponderi nu este cunoscută.

Într-un sistem de conducere, mai pot exista metode când rețelele neurale se folosesc pentru preprocesarea sau postprocesarea intrărilor respectiv ieșirile regulatorului fuzzy. Aceste variante nu afectează optimizarea RLF, ci a sistemului pe ansamblu, deci nu avem un regulator neuro-fuzzy.[1]

Modele hibride neuro-fuzzy

Prin această metodă se proiectează o arhitectură omogenă ce este de obicei orientată pe rețele neurale. Prin această metodă de fapt regulatorul fuzzy se implantează cu rețele neurale(Figura 1.12.)

Această metodă are avantajul că utilizează un singur model pentru regulator astfel încât problemele de comunicație între modelele fuzzy și cele neurale nu mai apar. Metoda se bazează pe interpretarea bazei de reguli fuzzy a regulatorului , folosind rețele neurale. Instruirea rețelei neurale se face prin supervizare, ceea ce necesită comenzile exterioare. Instruirea se poate face și on line dacă există o problemă de instruire fixă și procesul tehnologic suportă unele experimentări.[2]

Pentru instruire este necesară cunoașterea funcțiilor sistemului și a unor criterii de apreciere a stării sistemului ca “ bună “ sau “ proastă “. Pentru instruirea unei rețele neurale sunt necesare un set de date de instruire sau o funcție de evaluare a stărilor sistemului.

Folosirea uneia dintre metodele de proiectare a regulatoarelor sau modelelor fuzzy, se face pe baza analizei următoarelor criterii:

-dacă funcțiile de apartenență și regulile de deducție sunt cunoscute parțial sau în întregime,

-dacă modelul fuzzy al regulatorului este cunoscut și trebuie implementat.

În definirea acestor criterii trebuie avut în vedere ca problema instruirii rețelei neurale să fie definită funcțiile de apartenență sunt alese și parametrii acestora sunt inițializați.[1]

1.5. Sisteme expert

Un sistem expert este un program care urmăreste cunoștințele, raționează pentru obținerea rezultatelor, într-o activitate dificilă, intreprinsă uzual doar de experții umani. Dacă un expert uman are cunostințe intr-un domeniu specific, un sistem expert utilizează cunoștințele ce sunt stocate într-o bază de cunoștințe, bază formată din cunoștințele asociate domeniului respectiv.

Experții umani raționează și ajung la concluzii pe baza cunoștințelor ce le posedă, sistemele expert raționează utilizand cunostințele stocate în baza de cunoștinte. Un sistem expert este un program care urmarește un grup de cunoștințe, împreună cu un algoritm de căutare specific metodei de raționare, pentru obținerea în acelați mod ca și experții umani a rezultatelor despre activități dificil de examinat. Aria de aplicabilitate pentru sisteme expert a cuprins multe domenii de activitate de la arhitectură, bănci, comerț, educație, ingineria sistemelor, etc. Un sistem expert este bazat pe două componente distincte complementare: noi tehnici de programare, ce permit utilizarea a foarte multe cunoștințe, noi construcții și metodologii dezvoltate, ce permit utilizarea acestor tehnici de programare legate cu probleme complexe. Succesul dezvoltării sistemelor expert este legat de modul în care sunt combinate aceste doua obiective.[3]

Expertul care ințelege necesitatea utilizării, în domeniul său de cunoaștere, a unui sistem expert, poate obține un ajutor de la inginerul de cunoștințe deoarece, în urma discuțiilor cu acesta, anumite cunoștințe vor fi reformulate. Sistemele expert marchează un mare progres în știința calculatoarelor și inteligenței artificiale. Între instrumentele de lucru ale sistemelor expert se iau în considerare metodele prin care o bază de cunoștințe poate fi afișată, captată și reprezentată. Principala virtute a calculatoarelor este abilitatea de realizare a unei mari viteze de calcul. Calculatoarele încep să se extindă la aplicațiile inginerești și bancare. Calculul matematic, sistemele automate, sunt realizate prin intermediul unor programe de calcul, ce transpun în mașină, gandirea omului ce le-a programat.[4]

Problemele ce se solicită rezolvate prin sisteme expert fac apel la gândire, la abilitatea de raționare cu alte concepte decat numere. Realizarea programelor ce raționează, pornețte de la faptul că simbolurile de prelucrare pot fi numere, texte sau alte concepte. În urma cercetărilor, utilizand calculatoare din ce în ce mai performante, a putut fi rezolvată problema raționării

Sistemele expert sunt produse ale inteligenței artificiale, ramură a științei calculatoarelor ce urmărește dezvoltarea de programe inteligente.

Un sistem expert se bazează pe două componente distincte și complementare:

-tehnologii de programare care permit utilizarea unui volum mare de cunoștințe și modul de inferențiere cu acestea.

-construcții și metodologii dezvoltate, ceare permit utilizarea efectivă a acestor tehnologii.

Raționarea și cunoștințele într-un sistem expert nu trebuie tratate separat, deoarece un astfel de sistem presupune o armonizare a lor.

Capacitatea de realizare a unei viteze mari de calcul este principala calitate a calculatoarelor. Fiecare limbaj de programare încearcă să facă calculatorul cât mai eficient din punct de vedere al puterii de calcul. Un sistem expert viabil, dublat de viteza de lucru a unui calculator, poate eficientiza un anumit domeniu de lucru.

Arhitecturi de sisteme expert

Competența de a furniza explicații asupra raționamentelor întreprinse pentru ajungerea la rezultat, este o caracteristică esențială a sistemelor expert care privește explicații ce trebuiesc exprimate într-un limbaj cât mai apropiat de limbajul natural. Volumul mare al bazei de cunoștințe este determinat de multitudinea problemelor de analizat, însă un sistem expert trebuie să fie capabil să rezolve în aceeași măsură și problemele ce sunt afectate de cunoașterea incertă și incompletă. În aceste situații se pot utiliza cunoștințe ce permit găsirea soluției potrivite fără ca aceasta să fie neapărat soluția optimă.

Componentele sistemelor expert

Componente principale

-Baza de cunoștințe este reprezentată ca o structură de date ce conține ansamblul cunoștințelor specializate introduse de către expertul uman.

-Mecanismul de inferență preia cunoștințele din baza de cunoștințe, cunoștințe care sunt utilizate pentru construirea raționamentului, elaborează planul de rezolvare al problemei și execută acțiunile prevăzute în planul de rezolvare.

-Baza de fapte este reprezentată de o memorie auxiliară ce conține toate datele utilizatorului (faptele inițiale ce descriu enunțul problemei de rezolvat) și rezultatele intermediare produse în cursul procedurii de deducție.

Componente secundare

-Interfața utilizator este cea care asigură dialogul dintre utilizator și sistem.

-Modulul de achiziție al cunoștințelor preia cunoștințele specializate furnizate de expertul uman sau inginerul de cunoștințe într-o formă ce nu este specifică reprezentării interne (fișiere).

-Modulul de explicații permite trasarea drumului de urmat în raționare de către sistemul rezolutiv și emiterea justificărilor pentru soluțiile obținute, evidențiindu-se în acest mod cauza greșelilor sau motivul eșecurilor.

Reprezentarea cunoașterii

Într-un calculator, reprezentarea cunoștințelor constă în găsirea unor corespondențe între lumea exterioară și sistemul simbolic ce permite execuția raționamentelor. În acest scop se extrag din observațiile făcute asupra obiectelor, a faptelor și a fenomenelor, acele caracteristici cărora li se pot asocia semnificații determinate de imaginea mentală formată despre lume. Descrierea are ca scop diferențierea imaginii obiectului dat de imaginile celorlalte obiecte ale lumii înconjurătoare, la fel cum obiectul fizic se deosebește de restul obiectelor lumii reale.[5]

Componente ale cunoașterii științifice:

-cunoașterea reflexivă bazată pe reflectarea exterioară a faptului științific;

-cunoașterea generativă bazată pe crearea de noi obiecte abstracte pentru construirea unor noi fapte științifice și programe de acțiune.

Cunoașterea dacă informațiile despre obiecte, fapte, fenomene, sau procese necunoscute, este sesizată de subiectul cunoscător prin organele sale senzoriale sau prin intermediul unor aparate sau instrumente, este empirică.

Cunoașterea dacă se desfășoară după raționamente și judecăți reliefând legăturile interne, cauzalitatea, legitățile după care se dezvoltă structurile și se derulează procesele, este teoretică. Ea se dezvoltă din cunoașterea empirică prin analiză, sinteză, deducție, inducție, generalizare și particularizare.Totalitatea pieselor de cunoaștere, modul de stocare și procedeele de acces la acestea se numește sistem cognitiv.[5]

Etapele reprezentării cunoașterii

-Stabilirea sistemului de meta-reprezentare, care are ca obiectiv asigurarea unor modalități de reprezentare adecvate de cunoaștere a lumii reale cât și pentru componentele proprii ale sistemului inteligenței artificiale.

-Stabilirea sistemului de clasificare care urmărește gruparea în clase, și ordonarea acestora după criterii ce rezultă din analiza relevației proprietăților obiectelor care formează piesele de cunoaștere.

-Stabilirea sistemului de organizare privind gruparea și ordonarea elementelor și claselor, și asigurarea unor procese fundamentale cum sunt: acces, căutare, corespondență, grupare, regrupare, interferență deductivă, interferență inductivă, organizare, reorganizare și protecție.

Metode de reprezentare a cunoașterii

Reprezentarea cunoașterii urmărește descrierea universului în care sistemul efectuează raționamente sub formă de entități corespunzătoare indivizilor și sub formă de simboluri pentru relațiile dintre aceștia.

O arhitectură de reprezentare a cunoștințelor este construită pe trei nivele:

-nivelul intern care este constituit din schema internă ce descrie structura de stocare fizică a cunoștințelor în baza de cunoștințe;

-nivelul conceptual care descrie structura întregii baze de cunoștințe pentru o comunitate de utilizatori;

– nivelul extern care include o colecție de scheme externe ce descrie baza de cunoștințe prin prisma diferiților utilizatori.[6]

Pentru aplicațiile de inteligență artificială,se disting trei clase de metode de reprezentare:

-metode logice (enunțuri adevărate);

-metode relaționale (grafuri și rețele);

-metode procedurale (proceduri).

Sisteme rezolutive

Un sistem rezolutiv este format din totalitatea componentelor unui sistem de inteligență artificială care are ca obiectiv rezolvarea de probleme. Prin problemă se înțelege dificultatea de natură cognitivă ce se constituie ca moment inițial al activității inteligente.

Transpunerea problemei de la subiectul uman la subiectul de inteligență artificială presupune reformularea acesteia astfel încât să reflecte discordanța dintre obiectele specificate în formularea externă, resursele cognitive și rezolutive ale sistemului.

Mecanismul de inferență este inima oricărui sistem expert, care fiind alimentat de baza de cunoștințe, construiește raționamentul în mod dinamic decizând ce reguli sunt declanșate și în ce ordine.[5]

Ciclul de bază al unui mecanism de inferență:

-faza de selecție;

-faza de filtrare;

-faza de rezolvare a conflictelor;

-faza de execuție.

Analiza tipurilor de probleme

După ușurința cu care dă soluții la problemele ce nu au fost stabilite în prealabil, precizarea lor fiind făcută în momentul încărcării bazei de cunoștințe, capacitatea de rezolvare a problemelor de către un sistem inteligent este apreciată.

Din punct de vedere al formulării se disting trei categorii de probleme:

  -probleme bine formulate;

– probleme incomplet definite;

-probleme greșit formulate.[5]

Strategii de control

Alegerea tehnicii de rezolvare este dependentă de tipul problemei, existând posibilitatea selectării tehnicii de căutare:

-căutare exhaustivă;

-căutare prin examinare semantică a legăturilor:

-căutarea în adâncime;

-căutarea pe orizontală (în lărgime).

-căutarea soluției optime.

Categorii de aplicații:

 -sisteme expert de clasificare;

-sisteme expert de control;

– sisteme expert de anticipare.

Sistemele expert folosite în arheologie fac parte din categoria celor de clasificare, deoarece interesul arheologului este acela de a-și selecta, ordona și cataloga materialul (sau cunoștințele) în vederea prelucrărilor ulterioare.[6]