Нейросетевое моделирование процессов электропотребления бортовых систем

Нейросетевое моделирование процессов электропотребления бортовых систем

Автор: Щербаков, Алексей Михайлович

Шифр специальности: 05.13.18

Научная степень: Кандидатская

Год защиты: 2005

Место защиты: Воронеж

Количество страниц: 148 с. ил.

Артикул: 2851679

Автор: Щербаков, Алексей Михайлович

Стоимость: 250 руб.

Нейросетевое моделирование процессов электропотребления бортовых систем  Нейросетевое моделирование процессов электропотребления бортовых систем 

Содержание
Введение
1Анализ методов моделирования электропотребления бортовых приемников энергии.
1.1 Анализ существующих методов моделирования электропотребления
1.2 Анализ методик применения искусственных нейронных сетей И11С для решения задач моделирования электропотребления
1.3 Аналитическая оценка нейросетевых моделей.
1.4 Основные принципы функционирования комплекта унифицированных приборов автоматического регулирования и контроля системы электроснабжения СЭС служебного модуля СМ космической станции КС
1.5 Цели работы и задачи исследования.
2. Алгоритмизация обработки исходной информации для построения
нейросетевых моделей электропотребления бортовой СЭС.
2.1 Общая схема решения задачи моделирования электропотребления бортовой СЭС
2.2 Алгоритм сокращения размерности векторов внешних и внутреннихвходных переменных
2.3 Алгоритм оценивания области достоверных значений нейросетсвой модели
2.4 Алгоритм выбора структуры и размерности нейросетевой модели
Выводы.
3. Исследование и разработка алгоритмов обучения объектноориентированных нейросетевых моделей электропотребления бортовой СЭС.
3.1 Постановка задачи обучения нейросетевой модели электропотрсбления бортовой СЭС.
3.2 Оценка возможностей алгоритмов обучения искусственных нейронных сетей.
3.3 Алгоритмическая реализация процесса обучения нейросетевой модели электропотребления бортовой СЭС.
3.4 Результаты сравнительного анализа эффективности алгоритмов обучения.
4. Имитационное моделирование электропотребления СМ КС
4.1 Выбор выходных параметров модели электропотребления СМ КС.
4.2 Предметный анализ факторов, влияющих на электропотребление СМ КС
4.3 Формирование нейросетевой модели электропотребления
4.4 Программная реализация имитационного моделирования электропотребления СМ КС.
Выводы.
Заключение.
Библиографический список.
Приложения.
Введение
Актуальность


В основу теории самоорганизации положен геделевский подход. Согласно теореме неполноты Геделя никакая система аксиом не может быть логически замкнутой: всегда можно найти такую теорему, для доказательства которой потребуется внешнее дополнение-расширение исходной системы аксиом. Или, применительно к математическому моделированию, только внешние критерии, основанные на новой информации, позволяют найти истинную модель объекта. Второй основой теории самоорганизации явился принцип неокончательных решений Д. Габора, согласно которому всякая однорядная процедура может быть заменена многорядной (требующей меньшего времени счета) только при условии сохранения достаточной «свободы выбора» нескольких лучших решений каждого предыдущего ряда. Реализация первого принципа заключается в том, что вся совокупность экспериментальных данных разбивается на две последовательности: обучающую и проверочную. Модель строится по данным обучающей последовательности. В [] показано, что при наличии аддитивно наложенной на экспериментальные данные помехи (шума), при увеличении сложности модели (например, увеличении членов полиномиальной модели) критерии адекватности модели, рассчитанные по данным обучающей последовательности (внутренние критерии), монотонно уменьшаются. Это приводит к выводу: чем сложнее модель, тем она точнее, что, вообще говоря, неверно. В этих же условиях критерии адекватности модели, рассчитанные по данным проверочной последовательности, проходят через минимум, что позволяет найти модель оптимальной сложности. В качестве внешних критериев используем критерий регулярности (среднеквадратичная ошибка, вычисленная по данным проверочной последовательности) и критерий несмещенности, требующий максимального совпадения значений выходной величины двух моделей, полученных на обучающей (ОВ) и контрольной выборке (КВ) таблицы экспериментальных данных. Отмечено, что при наличии помех результат моделирования по критерию регулярности может не совпадать с физической моделью объекта. В отличие от этого, модели по критерию минимума смещения обычно соответствуют теории процесса. Опыт решения задач моделирования показывает, что наиболее эффективным является применение комбинированных критериев, объединяющих в себе оба указанных критерия. Модель по МГУ Л строится в процессе перебора различных комбинаций аргументов. Сложность модели наращивается постепенно. Процедура синтеза модели многорядная. Реализация принципа неокончательных решений заключается в том, что на 5-ом ряду выбираются несколько лучших решений по минимуму критерия отбора. Окончательно выбирается то решение, которое дает минимум критерия отбора на ($+/)-ом ряду. Всего известно более 0 методов прогнозирования [, , ]. Все методы можно разделить на исследовательские, основанные на закономерностях развития объекта, и на нормативные, предполагающие, что будущее объекта не известно. Следует заметить, что на практике трудно найти метод, подходящий одновременно для долговременного и краткосрочного прогнозирования. Поэтому необходимо применение нескольких методов, что в известной мере является их недостатком. Статистические методы можно применять для анализа одномерных и многомерных временных рядов. У(0+ЩО + А(0, где (1. А(0 - случайная составляющая (аддитивная помеха, график - 4). Графическая интерпретация формулы (1. Рис. Временной ряд электропотребления обладает свойством комуля-тивности, т. Всякое усреднение сглаживает ряд. Иногда специально применяют экспоненциальное сглаживание (метод Бокса-Дженкинса []). Модель Бокса - Дженкинса основана на обработке авторегрес-сионых рядов, в которой не делается никаких априорных допущений относительно дисконтирующих коэффициентов. Она решает проблему исключительно тренда путем перехода к разностям ряда и допускает коррелированность остатков []. Для получения последовательности остатков (отклонений от сезонной составляющей) используется банк минутных интегрированных фактических значений нагрузки. Прогнозируемый алгоритм представляет собой фильтр второго порядка. Т(0 + а(1); (1. Т(1) + МО + а(1); (1.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.219, запросов: 244