Измерение параметров динамических систем на основе искусственных нейронных сетей, использующих алгоритм Калмана

• Автор: Кобяков, Павел Владимирович
• Шифр специальности: 05.11.16
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Санкт-Петербург
• Количество страниц: 201 с. : ил.

1 Измерение параметров объектов с помощью нейросетевого моделирования

1.1 Задачи измерения параметров динамических объектов

1.1.1 Пример объекта - процесс метаболизма глюкозы в человеческом организме

1.2 Применение моделей динамических объектов в измерительных приложениях

1.2.1 Моделирование в статических режимах

1.2.2 Динамические модели объектов

1.2.3 Моделирование в условиях недостаточной информации

1.2.4 Моделирование с использованием нейронных сетей

1.3 Применение нейронных сетей для моделирования динамических систем

1.4 Алгоритмы обучения динамических нейронных сетей

1.5 Нейронные сети и интеллектуальные измерительные системы

1.5.1 Интеллектуальные измерительные системы на основе
нейронных сетей
1.5.2 Нейронные сети и классические вычислительные методы
1.6 Постановка задачи диссертации
• 2 Развитие методик измерений, основанных на применении

динамических нейронных сетей
2.1 Разработка методики измерения параметров линейных динамических систем по неполному вектору состояния
2.1.1 Измерение параметров линейных динамических систем но неполному вектору состояния
2.1.2 Моделирование измерений параметров линейных динамических систем
2.2 Разработка методики измерения параметров линеаризованных нелинейных динамических систем по неполному вектору состояния
2.2.1 Измерение параметров линеаризованных нелинейных динамических систем по неполному вектору состояния
2.2.2 Моделирование измерения параметров нелинейных линеаризованных динамических систем
• 2.3 Разработка методики измерения параметров нелинейных динамических систем по неполному вектору состояния
2.3.1 Измерение параметров нелинейных динамических систем по неполному вектору состояния
2.3.2 Моделирование измерений параметров нелинейных
С*-
динамических систем
2.4 Исследование зависимости точности измерений от параметров нейросетевой модели
2.4.1 Исследование зависимости точности измерений от количества непосредственно измеряемых компонент вектора состояния
2.4.2 Исследование зависимости точности измерений от длины входной линии задержки
2.5 Выводы по главе

3 Применение и совершенствование алгоритма обучения динамических нейронных сетей, основанного на теории фильтров Калмана
3.1 Теория фильтров Калмана
3.1.1 Фильтр Калмана для одномерной величины
3.1.2 Фильтр Калмана для динамических систем
3.1.3 Фильтр Калмана для нелинейных динамических систем
3.2 Обучение динамических сетей с использованием фильтров Калмана
3.2.1 Вычислительная сложность
3.3 Анализ классических алгоритмов обучения нейронных сетей и алгоритма обучения, основанного на теории фильтров Калмана
3.3.1 Условия эксперимента
3.3.2 Результаты
3.4 Применение сетей Калмана для построения измерительных систем
3.5 Разработка методики увеличения скорости сходимости алгоритма Калмана
3.6 Выводы по главе
Разработка методики оценки погрешностей в измерительных системах, использующих динамические нейронные се-

4.1 Анализ и моделирование погрешности стандартного нейрона
4.1.1 Нелинейный преобразователь
4.1.2 Сумматор
4.1.3 Учет собственных погрешностей элементов нейрона
4.1.4 Моделирование погрешности стандартного нейрона

у(п)
Рис. 2.1. Статическая нейронная сеть для измерения в системах с полностью измеряемым вектором состояния
Рис. 2.2. Динамическая нейронная сеть для измерения параметров линейной динамической системы по неполному вектору состояния