Кочергин Максим Игоревич — кандидат технических наук, доцент
Томск, 634050
sc 57211392793
Maksim I. Kochergin — PhD, Associate Professor
Tomsk, 634050
sc 57211392793
Введение. Проанализированы способы представления искусственных нейронных сетей в пакетах моделирования Simulink и SimInTech. Приведены примеры визуальных схем (моделей), построенных в данных пакетах моделирования с использованием блоков нейронных сетей. Показано, что этим моделям присущи такие недостатки, как отсутствие механизмов проведения структурной оптимизации искусственных нейронных сетей, отсутствие возможности их объединения в ансамбли и обучения нейронных сетей одновременно с работой модели объекта управления. При построении нейросетевых моделей управления затруднено использование специализированных библиотек Python (Keras, PyTorch и др.) и среды NeuroGenetic Optimizer (BioCompSystems). Метод. Показан способ реализации моделей искусственных нейронных сетей в формализме метода многоуровневых компонентных цепей. Согласно предложенному способу, построение моделей объекта и системы управления осуществляется на визуальном языке из готовых блоков (компонентов) с направленными и ненаправленными связями. Методика многоуровневого представления нейросетевых моделей управления связывает модели с другими инструментами метода компонентных цепей. Основные результаты. Предложены варианты моделей нейронных сетей с инкапсулированной и компонентной структурами. Первый вариант характеризуется компактностью модели управления, возможностью автоматизированной вариации и оптимизации структуры нейронной сети, возможностью изменения структуры сети во время работы модели при вычислительном эксперименте (сценарии). Второй вариант обладает возможностью детальной отладки, исследования процесса обучения сети и конструирования сети любой структурной сложности. Представлено описание связей основных разработанных компонентов — нейронной сети, блоков обучения, объединения нейросетей в ансамбль (бэггинг), чтения данных из файла, формирования выборок и слоев нейронной сети (входной, скрытый, выходной). Работа компонентов проиллюстрирована на реализации многоуровневой компьютерной модели неуправляемого полета тела (цели) и управляемого полета снаряда для решения задачи управления траекторией снаряда с целью поражения цели. Обсуждение. Разработанные библиотеки компонентов могут быть использованы в составе среды моделирования МАРС для построения многоуровневых систем управления объектами мультифизической природы.
The paper analyzes the features of representing artificial neural networks in Simulink and SimInTech. Examples of visual schemes (models) built in these modeling environments using neural network blocks are given. The following shortcomings of such representations are the lack of mechanisms: for carrying out structural optimization of neural networks, for combining them into ensembles, for training them synchronously with the simulation of the object model. It was noted that there are difficulties in using other tools, such as specialized Python libraries (Keras, PyTorch, etc.), the NeuroGenetic Optimizer (BioCompSystems) for building neural network control models. A method is shown to implement the representation of neural networks in the formalism of the method of multilevel component circuits, according to which the construction of models of an object and a control system is carried out in a visual language from ready-made blocks (components) with directional and non-directional connections. A technique has been developed for multilevel representation of neural network control models, which allows them to be combined with other tools of the component circuit method. Two options for representing neural networks are proposed: with an encapsulated structure and with a component structure. The first version of the representation is characterized by the compactness of the representation of the control model, the possibility of automated variation and optimization of the structure of the neural network, and the possibility of changing the structure of the network during the executing of the model within a computational experiment (scenario). The second option has the ability to perform detailed debugging and research of the network learning process, and the ability to construct a network of any structural complexity. The paper describes the main developed components with their connections: a neural network, a training block, an ensemble unit (bagging), a block for reading data from a file, a sampling block, a neural network layer (input, hidden, output). A multilevel computer model of the uncontrolled flight of a body (target) and the controlled flight of a projectile is presented as an example to illustrate the operation of the developed components to solve the problem of controlling a projectile to hit the target. The developed component libraries can be used as part of the MARS modeling environment to build multilevel control systems for objects of a multiphysics nature.
The authors declare that there are no conflicts of interest present.