При более сложном алгоритме управления получается, что использование НС не выгодно. Прелесть НС в том, что она учится управлять сама. Но кто будет ее учить? Применение сетей без учителя возможно, но при небольшом количестве нейронов. Применение сетей с учителем требует непосредственно учителя, а учить может или человек или регулятор, который подключен параллельно с НС находящейся в состоянии обучения. Сами понимаете, что если есть работающий регулятор, то зачем еще городить НС. Вот и возникает вопрос, как зависит структура НС от сложности объекта управления?)
Наш опыт использования НС для предсказания аварийных ситуаций на объектах Энергетики и Жизнеобеспечения городского хозяйства (предикативная АСУТП с самообучением) показывает:
1. УЧИТ-УЧИТЕЛЬ И ДЕЛО ЭТО ЗАТРАТНОЕ. НС начинает устойчиво (в большинстве случаев) управлять объектом сама (причем одновременно по нескольким параметрам) после накопления данных (8мес круглосуточно) + обучение разрешенным действиям (еженедельный manual DataMining в течение 3мес + ежемесячный manual learning curve 5мес).
2. ПРИМЕНЯТЬ ВЫГОДНО ЕСЛИ ОБЪЕКТ УПРАВЛЕНИЯ СТОИТ >2.5 mega$. В итоге чтобы НС заработала почти как мы хотели, пришлось вбить около 250 k$.
3. КОНФИГУРАЦИЯ СЕТИ. По нашей далеко не финальной версии 1канал измерения параметра - 3узла, 1канал воздействия (имеем в виду оценку "ОТДАЧИ или ИНЕРЦИИ" то есть решили приложить 100% а объект СОПРОТИВЛЯЕТСЯ в итоге приложилось 82% за время воздействия)-2узла. 1управляющее правило-5узлов. Кол-во и веса связей между узлами? до сих пор мы не выработали единый метод оценки кол-ва узлов, сейчас пытаемся связать их с временем обучения (сокращение learning curve, но без первичного manual Datamining к сожалению никуда).