3.9 Le applicazioni
3.9.2 Sistemi ibridi
Molte delle applicazioni delle reti neurali a problemi reali richiedono un'opportuna organizzazione di sistema e non semplicemente l'utilizzo di- retto di modelli descritti in questo articolo. Per esempio, l'estrazione del- l'informazione da una fattura acquisita mediante uno scanner richiede un
3.9 Le applicazioni 75
Figura 3.27: Autoassociatori neurali
opportuno sistema per la gestione documentale, dove le reti neurali possono giocare un ruolo strategico in alcune parti critiche.
A titolo di esempio, si consideri il problema del riconoscimento di targhe automobilistiche acquisite mediante ordinarie telecamere in ambiente au- tostradale. Tale applicazione è, per esempio, interessante per le società di gestione del tra co autostradale in corrispondenza delle stazioni di esazione a seguito di infrazioni in impianti automatici.
In gura 3.28, è illustrata l'architettura complessiva di un sistema per il riconoscimento di targhe in sperimentazione presso il Dipartimento di In- gegneria dell'Informazione dell'Università di Siena. Il sistema è composto da moduli sviluppati con tecnologia neurale (in rosa), da moduli basati su classici approcci di elaborazione delle immagini e da motori inferenziali. Un modulo di controllo provvede a sincronizzare le operazioni dei moduli slave delegati ad assolvere le funzioni di segmentazione della targa, dei caratteri e di riconoscimento dei caratteri stessi. Altri moduli esprimono vincoli gram- maticali sulle stringhe possibili oltre ad una probabilità a priori che si presenti una data targa. Il riconoscimento dei caratteri, che costituisce ovviamente l'attività critica, è basato su due moduli. Il primo contiene percettrono mul- tistrato con struttura ad autoassociatore, che modellano le classi attese. La struttura può integrarsi dinamicamente quando si presenta una eventuale altra classe. Tale modulo ha la funzione di stabilire una lista di classi can- didate, mentre il modulo a anco, basato su percettroni multistrato con
3.9 Le applicazioni 76 struttura a classi catore, serve a ra nare la decisione.
Figura 3.28: Architettura del sistema per il riconoscimento di targhe Tali classi catori sono tipicamente invocati dal modulo centrale quando i candidati si riferiscono a classi tipicamente molto confuse. In tal caso, ap- positi classi catori assolvono unicamente al compito di eliminare l'ambiguità derivante da classi molto confuse. Si noti che tali classi catori possono op- erare sulla stessa nestra di elaborazione del modulo precedente, ma anche su opportune nestre, decise dal modulo centrale, per enfatizzare le parti del pattern doce si localizzano verosimilmente le dierenze. E' anche inter- essante notare che il processo di segmentazione dei caratteri è ra nato dagli autoassociatori che posizionano la nestra in un intorno della posizione indi- cata dal modulo di segmentazione, a seguito di elaborazioni atte a stabilire la zona di massima risonanza.
Capitolo 4
Applicazione delle Reti Neurali
al Sistema Dati Aria: il
Database di Galleria del Vento
Il sistema per la rilevazione dati aria oggetto della presente tesi è caratter- istico di un velivolo ad elevate prestazioni ed è composto da quattro sonde (`null-seeking probes') [1]. Ogni sonda fornisce in uscita tre dati, ovvero: l'angolo di usso locale λi misurato da un apposito trasduttore di rotazionedella sonda, la frontal pressure Pf ronti fornita dalla presa allineata con la di-
rezione del usso locale e la slot pressure Psloti ottenuta misurando la media
delle pressioni che si hanno in corrispondenza delle due prese posizionate a 90◦ rispetto alla direzione locale del usso. Il pedice i(i = 1, . . . , 4), rappre-
senta l'indice della sonda.
L'attività svolta, inerente l'applicazione delle reti neurali all'elaborazione dei dati aria, ha come obiettivo quello di valutare la fattibilità dell'approccio. In particolar modo è focalizzata alla possibilità di sostituire l'approccio classi- co, legato alla ricostruzione dei dati aria attraverso funzioni polinomiali, con una singola rete neurale capace di ricostruire, una volta opportunamente al- lenata, tutti e quattro i dati di interesse per il controllo del velivolo, vale a dire α, β, M∞ e Psa. Le logiche di monitoring e di voting, sia per quanto
riguarda la ricostruzione degli angoli che per quanto riguarda la ricostruzione delle pressioni, non sono state prese in considerazione. Si è quindi puntato a sviluppare un algoritmo di calcolo relativo ai dati aria, alternativo a quello classico illustrato in [1].
4.1 Dati da elaborare 78
4.1 Dati da elaborare
Per ogni condizione di volo analizzata in galleria del vento e caratterizza- ta dai parametri α, β, M∞, Ω e Config, è possibile risalire (si veda [1]) alle
misure delle sonde conoscendo le condizioni di usso locale che si instaurano in prossimità dei punti di installazione delle sonde ed un modello di fun- zionamento delle sonde stesse, capace di prevedere le misure delle pressioni e quelle degli angoli dalle grandezze locali.
Queste sono state generate attraverso un modello simulink sviluppato all'in- terno del dipartiemnto DIA e rappresentato in gura 4.1.
Figura 4.1: Modello Simulink dell'Air Data System
I dati forniti dal modello risultano essere gli stessi disponibili dalle letture delle sonde, ovvero: l'angolo di usso locale λi, la frontal pressure Pf ronti
ed in ne la slot pressure Psloti; ancora, il pedice i(i = 1, . . . , 4), rappresenta
l'indice della sonda.
4.1 Dati da elaborare 79 angoli di incidenza e derapata, (α, β) e la contemporanea ricostruzione delle pressioni , Psa e M∞, essendo quest'ultimo paragonabile e direttamente cor-
relato alla pressione totale Pt, è importante stabilire quali sono i segnali
di input che contengono le informazioni più indicate allo scopo. Il modello sviluppato in [1] stabilisce i seguenti legami tra le misure delle sonde e le caratteristiche del usso asintotico:
λi = fi(α, β, M∞, Ω, Conf ig) Pf ronti = Psa[1 + γ
2M∞2CPf ronti(α, β, M∞, Ω, Conf ig)]
Psloti = Psa[1 +
γ
2M∞2 CPsloti(α, β, M∞, Ω, Conf ig)]
dove CPf ront,i e CPslot,i sono i coe cienti di pressione in corrispondenza
delle prese front e slot della sonda i−esima.
Nel presente lavoro di tesi è stata considerata la sola con gurazione denomi- nata `Cruise', caratterizzata dalla de essione nulla delle super ci di controllo del velivolo e si sono considerate manovre stazionarie (Ω = 0). Sotto tali con- dizioni, si piò dimostrare [1], che per calcolare gli angoli di incidenza e di de- rapata è necessario conoscere una generica coppia di misure angolari (λi, λj)
ed il numero di Mach. Quest'ultimo ha però un forte legame col rapporto di pressione (Pf ront
Pslot ) come illustrato in [1]. L'eliminazione del numero di Mach
del passo precedente come ingresso alla rete è stata possibile in quanto si è veri cato il corretto funzionamento della rete sul Mach stesso, quando in in- gresso si ha il rapporto delle due misure di pressione frontal pressure rispetto a slot pressure fornite da una qualunque delle quattro sonde installate nelle parte prodiera della fusoliera [1]. Si può osservare che tale funzione, riportata in §2 di [2] relativamente alla sonda 2, è strettamente dipendenta dal Mach e molto meno dagli angoli di incidenza e derapata e quindi fornisce delle informazioni ottimali per la ricostruzione del Mach. Il rapporto considerato inoltre è indipendente dalla quota, come dettagliatamente riportato in §3 di [1], in quanto non è dipendente dalla pressione statica.
Il compito delle reti neurali è, quindi, quello di riuscire a ricostruire i dati aria, α, β, M∞, Psa, approssimando al meglio le funzioni polinomiali che li legano
alle letture delle sonde, e per poterlo ottenere si può pensare di utilizzare come dato di input, una qualsiasi combinazione relativa ai dati derivanti da una qualsiasi delle diverse coppie che si possono creare con le quattro sonde installate sul velivolo.