Разработка и исследование методов синтеза адаптивных регуляторов на основе нейро-нечетких сетевых структур

• Автор: Белоглазов, Денис Александрович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Таганрог
• Количество страниц: 164 с. + Прил. ( с. 1-47 )

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1. АНАЛИЗ МЕТОДОВ РЕШЕНИЯ ЗАДАЧ УПРАВЛЕНИЯ ТЕХНИЧЕСКИМИ ОБЪЕКТАМИ В УСЛОВИЯХ НЕПОЛНОТЫ ДАННЫХ
1.1. Особенности управления техническими объектами в условиях неполноты данных
1.2. Примеры объектов управления с частично неопределенными параметрами
1.3. Системный подход к решению задач управления в условиях неполноты данных
1.3.1. Классификация видов неопределенности
1.3.2. Сущность системного подхода
1.4. Целеполагание при решении задач управления
1.5. Задача разработки моделей регуляторов в условиях неполноты
данных
1.5.1. Аналитическое конструирование оптимальных
регуляторов
1.5.2. Синтез самоорганизующихся регуляторов с
экстраполяцией
1.5.3. Аналитическое конструирование агрегированных регуляторов
1.5.4. Задача моделирования нечеткого регулятора
1.6. Обоснование применения нейро-нечетких систем для реализации регуляторов в условиях неполноты данных
1.7. Обоснование предмета диссертационных исследований
1.8. Выводы
2. РАЗРАБОТКА МОДЕЛЕЙ АДАПТИВНЫХ СИСТЕМ УПРАВЛЕНИЯ В УСЛОВИЯХ НЕПОЛНОТЫ ДАННЫХ
2.1. Задача моделирования функций системы адаптивного управления
2.2. Алгоритмизация структурной модели системы адаптивного управления
2.3. Разработка структур функциональных блоков интеллектуальной адаптивной системы управления
2.4. Алгоритм работы ННСЬ ННС2
2.5. Разработка архитектуры блока ускорения адаптации
2.6. Разработка архитектуры блока оценки
2.7. Назначение блока подготовки обучающих примеров
2.8. Выводы
3. РАЗРАБОТКА ЭВОЛЮЦИОННОГО АЛГОРИТМА ОБУЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ АДАПТИВНОЙ ГИБРИДНОЙ СИСТЕМЫ
3.1. Задача разработки эволюционного алгоритма обучения
3.2. Определение способа представления решений
3.3. Определение вида и параметров операторов случайных изменений
3.3.1. Разработка комбинированного оператора скрещивания (кроссинговера)
3.3.2. Разработка комбинированного оператора мутации
3.3.3. Разработка алгоритма адаптации параметров комбинированных операторов случайных изменений
3.4. Определение вида оператора репродукции
3.5. Определение способа оценки приспособленности хромосом
3.6. Определение условия остановки алгоритма
3.7. Определение способа создания популяции начальных решений
3.8. Определение способа отбора решений в новую популяцию
3.9. Разработка общей структурной схемы генетического алгоритма

3.9.1 . Разработка структуры параллельного генетического
алгоритма
3.9.2 . Разработка структуры генетического алгоритма на основе двух
операторов селекции
3.10. Выводы
4. ИССЛЕДОВАНИЕ ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ АДАПТИВНЫХ ОБУЧАЕМЫХ СИСТЕМ УПРАВЛЕНИЯ
4.1. Информационное обеспечение для задач исследования
4.2. Проектирование информационного обеспечения
4.2.1. Описание информационного обеспечения
4.2.2. Задачи экспериментального применения информационного обеспечения
4.3. Эффективность разработанных генетических алгоритмов на примере оптимизации функций многих переменных
4.3.1. Этапы экспериментального исследования ГА
4.3.2. Результаты сравнения эффективности генетических алгоритмов на примере оптимизации функций многих переменных
4.4. Эффективность разработанных генетических алгоритмов на примере обучения модулей адаптивной интеллектуальной гибридной системы управления
4.4.1. Сравнение эффективности разработанных генетических алгоритмов на примере обучения нейросетевого эмулятора
4.4.2. Сравнение эффективности разработанных генетических алгоритмов на примере обучения нейро-нечеткого классификатора
4.4.3. Сравнение эффективности разработанных генетических алгоритмов на примере обучения нейро-нечеткого регулятора
4.4.4. Общее сравнение эффективности разработанных генетических алгоритмов
4.5. Пример использования нейроэмулятора

Этап 1. Построение наблюдателя выбранного порядка. Влияния шумов при измерении выходного сигнала y(t) делает нецелесообразным применение операции дифференцирования и требует применения наблюдателя [125]: рекуррентного наблюдателя управляемых переменных. От вида наблюдателя зависит вид применяемой методики коррекции параметров.
Этап 2. Определение текущего порядка наблюдателя. Априорная информация об ОУ позволяет определить его порядок. Целесообразно использование СОРЭ с виртуальной моделью общего вида без определения порядка [125]. Если априорной информации недостаточно для определения степени объекта, то необходимо использовать СОРЭ с виртуальной моделью общего вида и алгоритмом определения порядка ОУ [125].
Этап 3. Расчет закона управления. Определяют коэффициенты управления таким образом, чтобы уравнение системы имело один кратный корень, т.е. соответствовало биномиальному распределению, обеспечивалось наибольшее быстродействие и точность работы регулятора в целом.
К недостаткам СОРЭ можно отнести возможность управления преимущественно одномерными объектами [125, 130], недостаточную эффективность отработки интенсивных скачкообразных возмущений [130]. Анализ особенностей методологии СОРЭ представлен в табл. 1.7 [125, 130].
1.5.3. Аналитическое конструирование агрегированных регуляторов. Методика аналитического конструирования агрегированных регуляторов (АКАР) предложена A.A. Колесниковым в работах [125, 126] и представляет собой новый подход к решению проблемы «нелинейность-многомерность-многосвязность». Теория АКАР позволяет обеспечить не только желаемые показатели переходного процесса ОУ, но и его определенное асимптотическое поведение в некоторой области или ее окрестностях [125, 126]. Метод АКАР опирается на идею введения в систему инвариантных многообразий, целевых аттракторов, которые представляют собой совокупность свойств ОУ и требований к нему предъявляемых.