Методы повышения качества управления судном на основе использования нейросетевых технологий

Методы повышения качества управления судном на основе использования нейросетевых технологий

Автор: Глушков, Сергей Витальевич

Шифр специальности: 05.22.19

Научная степень: Докторская

Год защиты: 2008

Место защиты: Владивосток

Количество страниц: 244 с. ил.

Артикул: 4391003

Автор: Глушков, Сергей Витальевич

Стоимость: 250 руб.

Методы повышения качества управления судном на основе использования нейросетевых технологий  Методы повышения качества управления судном на основе использования нейросетевых технологий 

Введение.
1 Анализ современных систем управления курсом судна.
1.1 Общие сведения об авторулевых
1.2 Адаптивные авторулевые
1.3. Основные методы адаптации авторулевых.
1.4. Пассивные методы адаптации САУ
1.5. Активные методы адаптации САУ
1.5.1. Системы со стабилизацией характеристик.
1.5.2. Системы прямой адаптации
1.5.3. Использование нейросегевых технологий в решении
задачи адаптивного управления курсом судна.
1.6. Математическая модель САУ курсом судна
1.7 Выводы по первой главе.
2 Построение адаптивной системы управления курсом судна с использованием нейросетевых технологий
2.1 Постановка задачи в управлении курсом судна при реализации контроллера с помощью нейросетей.
2.2 Искусственные нейронные сети как среда проведения синтеза адаптивных регуляторов управления курсом судна.
2.2.1 Архитектура нейросетей, используемых в решении задач управления.
2.2.2 Виды функции активации.
2.2.3 Объединение нейронов.
2.2.4 Структура нейронной сети.
2.2.5 Архитектура нейронных сетей
2.2.6 Сети прямого распространения.
2.2.6.1 Однослойный персептрон.
.6.2 Многослойный персептрон.
2.2.6.3 Сети ЯВР
2.2.7 Сети обратного распространения
2.2.8 Сеть Кохонена.
2.2.9 Сеть Хопфильда
2.2. Модули АЯТ.
2.2. Обучение нейронной сети
2. Парадигмы обучения.
2. Обучение с учителем
2. Обучение без учителя.
2. Смешанное обучение.
2.2. Минимизации целевой функции ошибки нейронной сети
2.3 Задачи классификации
2.3.1 Отбор данных
2.3.2 Выбор архитектуры сети
2.3.2.1 Вероятностная нейронная сеть радиальнобазисных функций. . .
2.3.2.2 Алгоритмы обучения сети Р
2.4 Выводы по второй главе.
3 Определение областей работоспособности параметров системы управления курсом судна
3.1 Основные термины и определения при решении задачи поиска области работоспособности параметров системы автоматического управления курсом судна САУКС
3.2 Общая математическая постановка задачи обеспечения заданного качества функционирования системы с учетом технологических отклонений управляемых параметров и
изменений эксплуатационных воздействий.
3.2.1 Состояние работ по проблеме определения областей допустимого качества
3.3 Выводы по третьей главе
4 Параметрическая оптимизация системы автоматического управления курсом судна по критерию надежности с учетом эксплуатационных и технологических отклонений значений параметров.
4.1 Математическая постановка задачи идентификации процесса изменения параметров САУКС под воздействием эксплуатационных факторов.
4.2 Математическая постановка задачи определения допустимого начального значения вектора управляемых параметров.
4.2.1 Адаптация архитектуры сети.
4.2.2 Адаптация величины рабочего шага.
4.2.3 Адаптация распределения случайного шага.
4.3 Математическая постановка задачи определения ориентации области работоспособности в пространстве параметров системы автоматического управления курсом судна
4.4 Математическая постановка задачи определения значения вектора обобщенных параметров системы с учетом технологических отклонений настройки регулятора и возможного диапазона внешних воздействий
4.5 Алгоритм решения задачи параметрического синтеза систем автоматического управления курсом судна
4.6 Выводы по четвертой главе
5 Математическое обоснование построения классификатора
по признакам движения судна на курсе.
5.1 Методы выделения признаков.
5.1.1 Линейное предсказание
5.1.1.1 Преобразование Фурье
5.1.1.2. Вейвлет анализ
5.1.1.3. Кэпефальный анализ.
5.2 Постановка задачи выделения признаков.
5.2.1 Использование преобразования Фурье в решении задачи выделения признаков движения судна
5.2.1.1 Области представления функции.
5.2.1.2 Свойства преобразования Фурье.
5.2.1.3 Дискретное преобразование Фурье
5.2.2 Расчет параметров вероятностной нейронной
сетиклассификатора.
5.2.2.1. Структурная схема сети.
5.2.2.2 Масштабирование данных.
5.2.2.2. Кластеризация по методу Ксредних
5.2.2.3. Отклонение гауссовой функции.
5.3 Выводы по пятой главе.
6 Разработка алгоритмов и структурных схем системы автоматического управления курсом судна с использованием нейросетсных технологий.
6.1 Разработка нейросетевого классификатора системы управления курсом судна
6.1.1 Формирование исходных векторов данных.
6.1.2 Идентификация исходных векторов данных.
6.1.3 Создание рабочих массивов данных
6.1.4 Режим обучения
6.2 Экспериментальная проверка системы автоматического управления курсом судна с использованием нейросетевых технологий.
6.3 Целесообразность применения генетических алгоритмов в
задачах оптимизации нейросетевого регулятора в САУКС
6.3.1 Гибридный цикл генетического алгоритма
6.4 Структура и функциональные особенности нейросетевого
регулятора на нечеткой логике
6.5 Проверка работоспособности метода и алгоритма синтеза системы управления курсом судна, обеспечивающего рабастность к заданному диапазону внешних воздействий.
6.6 Выводы по шестой главе.
Заключение.
Список использованных источников


Для этой модели теоретически обоснованы методы определения оптимального типа и структуры нейронной сети, моделирующей объект управления, и метод определения оптимальной настройки нейросетевого рехулятора системы автоматического управления курсом судна по критериальным признакам движения судна на курсе, что позволяет обеспечить требуемое качество и точность движения судна на курсе при данных внешних воздействиях. Представлены алгоритмы и программное обеспечение для технической реализации системы автоматического управления курсом судна на базе нейросетевых технологий. Создан опытный образец адаптивного регулятора системы автоматическою управления курсом судна, прошедший испытания и принятый Российским Регистром морского судоходства. Достоверность результатов доказывается корректностью применения хорошо апробированного математического аппарата и совпадением результатов теоретических исследований с данными стендовых, натурных экспериментов и имитационного моделирования работы системы управления курсом судна. Практическая ценность работы заключается в теоретической и практической разработке всех этапов получения иейросетевой модели объекта управления, нейросетевого регулятора и на этой основе создания робастных адаптивных систем автоматического управления курсом судна. Наличие нейросетевой модели системы позволяет также моделировать, т. Результаты могут быть использованы при разработке систем управления судами, которые только проектируются либо проходят переоборудование в нашей стране. Предложенные методы синтеза робастного адаптивного авторулевого реализуемы в современной микропроцессорной аппаратной среде. Тема связана с НИР и ОКР, проводимых на кафедрах Технические средства судовождения и Автоматические и информационные системы ФГОУ ВПО МГУ им. Г. И. Невельского ранее ДВВИМУ, ДВГМЛ в соответствии с общесоюзной программой Океан, планом НИР ММФ на гг. Мировой океан гг. Модернизация транспортной системы России гг. НИР вуза в рамках тем Датчики навигационной информации для судового измерительного комплекса, Повышение эффективности технических средств навигации и разработка методов их комплексного использования. Реализация результатов работы. Результаты работы непосредственно использованы при выполнении госбюджетных и хоздоговорных НИР, которые велись на кафедрах Автоматика и вычислительная техника, Автоматические и информационные системы ФГОУ ВПО МГУ им. Г. И. Невельского ДВВИМУ, ДВГМА. Выводы и рекомендации, полученные при разработке диссертации, были внедрены в филиал ЦНИВТ г. Владивосток при разработке управляющих систем, в конструкторском бюро ДАЛЬНЕЕ лаборатории подводных аппаратов Института автоматики и процессов управления ДВО АН СССР ныне Институт проблем морских технологий ДВО РАН при разработке системы управления необитаемого автономного подводного аппарата, в ФГОУ ВПО МГУ им. Г. И. Невельского в процессе обучения курсантов и студентов лекции, курсовое и дипломное проектирование. Апробация результатов работы. Основные теоретические положения подтверждены экспериментально при испытании макетных образцов адаптивного авторулевого на стендах, в морских условиях на исследовательских судах и автономном необитаемом подводном аппарате, имитационном моделировании системы автоматического управления курсом судна. При разработке макетов и про1рамм для ЭВМ использованы результаты теоретических исследований, изложенные в диссертационной работе. Материалы работы были доложены и одобрены на ежегодных научнотехнических конференциях НТК ДВВИМУ ДВГМА, МГУ им. Г. И. Невельского гг. НТК Технические средства изучения и освоения океана в г. Ленинграде г. НТК в ТОВВМУ ТОВМИ им. С. О. Макарова, г. Владивосток гг. X юбилейной международной научнопрактической конференции Современные техника и технологии СТТ Томск, г. Всероссийской выставке научнотехнического творчества Москва, ВВЦ, , гг. Наука процветанию морской отрасли Владивосток, ДВМП, г. Молодежь и научнотехнический прогресс Владивосток, ДВГТУ, г. НТК Наука морскому образованию на рубеже веков г. Владивостоке, пятой и шестой международных научнопрактических конференциях Проблемы транспорта Дальнего Востока г. Безопасность на море. Научнотехнические проблемы и человеческий фактор Владивосток, МГУ, , , гг. Авторулевой установлен на головном судне Ураганный, строящейся серии судов РС0, успешно прошел швартовые, ходовые и морские испытания, утвержден Российским Регистром морского судоходства.

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: 0.269, запросов: 238