Podręcznik

Na początku wróćmy do struktury perceptronu wielowarstwowego i zastanówmy się jak można ją wykorzystać do modelowania dynamiki. Sygnały pomiarowe w automatyce (np. ciśnienia, temperatury) i robotyce (np. położenia, prędkości) odwzorowują zmienne dynamiczne, czyli takie, że ich wartości zależą od aktualnych wejść oraz pewnej funkcji stanu obiektu. W podstawowym ujęciu perceptron realizuje odwzorowanie statyczne, czyli uwzględnia sygnały wejściowe, ale nie uwzględnia stanu.

Najprostsze podejście do modelowania dynamiki zostało przedstawione na rysunku 24. W celu modelowania dynamiki wprowadzamy na wejścia opóźnione próbki sygnałów (można również podać opóźniony sygnał wyjściowy). Na rysunku $k$ oznacza aktualną chwilę czasu, a $p$ horyzont predykcji (chcemy przewidywać wartość $y$ na $p$ kroków w przód.

Rysunek 24: Perceptron wielowarstwowy z opóźnionymi wejściami

Wśród innych metod modelowania dynamiki z wykorzystaniem sieci neuronowych możemy wymienić:

• sieci globalnie rekurencyjne (ze sprzężeniem z wyjścia na wejście),

• splot 1D (jak filtracja sygnału w dziedzinie czasu),

• sieci o neuronach rekurencyjnych (rozdział 5.4),

• oraz sieci z mechanizmem atencji jak transformery.

Jednak podejście z perceptronem wielowarstwowym jest koncepcyjnie i realizacyjnie najprostsze, a modele te mogą mieć mało parametrów i szybko się uczyć, więc jest to podejście, które polecam przynajmniej jako pierwszą próbę.