Нейросетевой метод моделирования кинематики в радионавигационной системе автономного подвижного объекта

• Автор: Винокуров, Игорь Викторович
• Шифр специальности: 05.12.14
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Москва
• Количество страниц: 188 с. : ил.

1. ОСОБЕННОСТИ РАБОТЫ РАДИОНАВИГАЦИОННОЙ СИСТЕМЫ АВТОНОМНОГО ПОДВИЖНОГО ОБЪЕКТА НОВОГО ПОКОЛЕНИЯ

1.1 Особенности работы радионавигационной системы автономного

подвижного объекта в режиме поиска

1.2. Особенности работы радионавигационной системы автономного подвижного объекта в режиме радиокоррекции

1.3. Цель работы

Заключение по разделу

2. РАЗРАБОТКА НЕЙРОСЕТЕВОГО МЕТОДА МОДЕЛИРОВАНИЯ КИНЕМАТИКИ АВТОНОМНОГО ПОДВИЖНОГО ОБЪЕКТА В РАДИОНАВИГАЦИОННОЙ СИСТЕМЕ

2.1. Анализ основных особенностей организации и функционирования нейронных сетей

2.2. Анализ существующих нейросетевых методов моделирования кинематики автономного подвижного объекта в

радионавигационной системе

2.3. Анализ возможных подходов к разработке нейросетевого метода моделирования кинематики автономного подвижного объекта в радионавигационной системе
2.4. Нейросетевой метод моделирования кинематики автономного подвижного объекта в радионавигационной системе
Заключение по разделу
3. РАЗРАБОТКА ИНСТРУМЕНТАЛЬНОГО СРЕДСТВА МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ РАБОТЫ НЕЙРОННЫХ СЕТЕЙ В РАДИОНАВИГАЦИОННОЙ СИСТЕМЕ АВТОНОМНОГО ПОДВИЖНОГО ОБЪЕКТА
3.1. Основные требования к инструментальному средству
математического моделирования работы нейронных сетей

3.2. Формирование нейронных сетей
3.2.1. Модели нейроноподобных элементов
3.2.2. Макроязык описания нейронных сетей
3.2.3. Организация обучения нейронных сетей с прямыми связями
3.3. Исследование работы нейронных сетей
3.3.1. Исследование работы формируемых нейронных сетей и нейронных сетей с формируемой матрицей межнейронных 62 связей
3.3.1.1. Формирование входных воздействий нейронных сетей
3.3.1.2. Формы представления результатов моделирования
работы нейронных сетей
3.3.1.3. Оценка точности результатов моделирования работы нейронных сетей
3.3.2. Исследование работы обучаемых нейронных сетей
Заключение по разделу
4. ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВОГО МЕТОДА
МОДЕЛИРОВАНИЯ КИНЕМАТИКИ АВТОНОМНОГО ПОДВИЖНОГО ОБЪЕКТА В РАДИОНАВИГАЦИОННОЙ СИСТЕМЕ
4.1. Формирование нейронной сети для определения кинематических параметров автономного подвижного объекта в
радионавигационной системе с заданной точностью
4.2. Математическое исследование точности определения кинематических параметров автономного подвижного объекта в радионавигационной системе с помощью нейроимитатора ЫеигоИегаФг
4.3. Исследование реализации нейронной сети для определения
кинематических параметров автономного подвижного объекта в радионавигационной системе на нейропроцессоре 1879ВМ1

4.4. Математическое исследование времени определения кинематических параметров автономного подвижного объекта в радионавигационной системе на нейропроцессоре 1879ВМ1
и микропроцессоре Ые1® 80486
4.5. Экспериментальное исследование времени определения
® кинематических параметров автономного подвижного объекта в
радионавигационной системе на нейропроцессоре 1879ВМ1
и микропроцессоре 1те1® 80486
Заключение по разделу
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ПРИЛОЖЕНИЕ 1 Алгоритм определения кинематических параметров автономного подвижного объекта в
радионавигационной системе
ПРИЛОЖЕНИЕ 2 Масштабирование арифметических операций для
реализации динамической нейросетевой модели 4-го порядка кинематики автономного подвижного объекта в радионавигационной системе на нейропроцессоре
1879ВМ1
ПРИЛОЖЕНИЕ 3 Определение максимальной абсолютной погрешности определения кинематических параметров автономного подвижного объекта в радионавигационной системе в
32-х разрядной целочисленной арифметике
ПРИЛОЖЕНИЕ 4 Определение кинематических параметров автономного подвижного объекта в радионавигационной системе на микропроцессоре Ме1® 80486 методом Рунге-Кутта 10-го порядка
аппроксимации
ПРИЛОЖЕНИЕ 5 Реализация определения кинематических параметров # автономного подвижного объекта в
радионавигационной системе методом Рунге-Кутта 4-го порядка аппроксимации на микропроцессоре 1п1е1®
80486

ние основных возможностей НИ Neurolterator и его демонстрационную версию можно получить со следующей странички Internet по нейросетевой тематике:
3.2. Формирование нейронных сетей
Для формирования НС в НИ Neurolterator необходимо определить модели нейроноподобных элементов, образующих эти НС, описать структуры НС и задать весовые коэффициенты межнейронных связей. Для НС с прямыми связями весовые коэффициенты межнейронных связей могут быть определены в результате обучения этих НС распознавать или классифицировать образы.
3.2.1. Модели нейроноподобных элементов
НИ Neurolterator имеет четыре модели нейроноподобных элементов, используемых для формирования НС - нейроноподобный элемент с кусочнолинейной функцией активации (кусочно-линейная модель), нейроноподобный элемент с пороговой функцией активации (пороговая модель), нейроноподобный элемент с сигмовидной функцией активации (сигмовидная модель) и нейроноподобный элемент с функцией активации гауссова распределения (гауссова модель), рис. 3.1.

Рис. 3.1. Модели нейроноподобных элементов в НИ ЫеигоЬегШог
a) кусочно-линейная,
b) пороговая,
c) сигмовидная,
б) гауссова
Аналитические выражения функций активации этих моделей нейроноподобных элементов приведены в табл. 2. Параметр х определяет порог срабатывания модели нейроноподобного элемента, а х1 и у - смещение и уровень насыщения его функции активации соответственно.