Разработка методов и средств управления подъемно-транспортными электротехническими системами

• Автор: Гаврилов, Александр Юрьевич
• Шифр специальности: 05.09.03
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Москва
• Количество страниц: 177 с. : ил

Оглавление
ВВЕДЕНИЕ
ГЛАВА 1. АНАЛИЗ ОБЛАСТИ ИССЛЕДОВАНИЯ
1.1. Актуальность темы
1.2. Рассмотрение объекта исследования
1.3. Анализ методов и средств управления мостовыми кранами
1.4. Анализ методов объемного машинного зрения и обхода препятствий
1.5. Анализ технологий оптической навигации
1.6. Нейронные сети и их применение в управлении
1.6.1. Модель нейрона
1.6.2. Архитектура нейронных сетей
1.6.3. Возможности нейронных сетей
1.6.4.' Использование нейронных сетей для управления
1.7. Постановка задачи на исследование
ГЛАВА 2. РАЗРАБОТКА МЕТОДА ОБЪЕМНОГО МАШИННОГО ЗРЕНИЯ ДЛЯ УПРАВЛЕНИЯ ЭЛЕКТРОТЕХНИЧЕСКИМИ СИСТЕМАМИ
2.1. Анализ требований к системе машинного зрения
2.2. Постановка задачи
2.3. Разработка метода объемного машинного зрения
2.3.1. Трехмерная модель представления груза
2.3.2. Методика калибровки камер
2.3.3. Методика построения маски объекта
2.3.4. Оценка методов поиска границ на изображении
2.3.5. Метод определения параметров груза
2.3.5.1. Детектор формы
2.3.5.2. Создание объемной модели и определение размеров
объекта
2.4. Методика построения «карты наполнения склада»
2.4.1. Метод определения относительной высоты
2.4.2. Метод построения «карты высот»
2.5. Методика определения препятствий
2.6. Определение параметров аппаратного обеспечения
2.7. Выводы поданной главе
ГЛАВА 3. РАЗРАБОТКА СИСТЕМЫ ОПТИЧЕСКОЙ НАВИГАЦИИ
3.1. Анализ требований и постановка задачи
3.2. Оценка параметров требуемого аппаратного обеспечения
3.3. Разработка алгоритма оптической навигации
3.4. Разработка детектора положения с применением нейронных сетей
3.4.1. Разработка структуры нейронной сети
3.4.2. Настройка нейронной сети
3.4.3. Методика использования нейронной сети
3.5. Результаты экспериментов
3.6. Выводы по данной главе
ГЛАВА 4. ОБЕСПЕЧЕНИЕ ТОЧНОСТИ ПЕРЕМЕЩЕНИЯ МОСТОВОГО КРАНА С ИСПОЛЬЗОВАНИЕМ НЕЙРОННОГО УПРАВЛЕНИЯ
4.1. Анализ задач управления
4.2. Разработка замкнутой системы управления
4.3. Синтез нейронной системы управления краном
4.3.1. Схема использования нейронной сети
4.3.2. Синтез нейросетевого компенсатора
4.3.3. Методика подготовки данных
4.3.4. Обучение нейронной сети
4.4. Разработка микропроцессорной системы управления
4.4.1. Разработка структурной схемы
4.4.2. Разработка схемы электрической принципиальной.
4.4.3. Разработка алгоритмической части
4.5. Результаты численного эксперимента
4.6. Оценка полученных результатов
4.7. Выводы ПО ДАННОЙ ГЛАВЕ
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ. Копии актов о внедрении

ют входные сигналы. К сожалению, точная терминология в теории нейронных сетей еще не установилась, в связи с чем все еще существует некоторая неопределенность в названии многослойных сетей — одни исследователи считают входной слой, другие не считают. Для того чтобы избежать путаницы будем определять нейронную сеть количеством скрытых слоев [83]. На рис. 1.7 приведена нейронная сеть с двумя скрытыми слоями, обозначенными на рисунке цифрами 2 и 3.
Для большинства практических задач достаточно использования многослойных нейронных сетей с тремя скрытыми слоями, но в общем случае, структура сети определяется входными и выходными величинами и сложностью задачи.
Существуют и другие структуры нейронных сетей, нашедшие свое применение в специальных задачах. Подробнее ознакомиться с ними можно, например, в [84].
1.6.3. Возможности нейронных сетей
Применение нейронных сетей обусловлено их свойствами:
• обобщения;
• универсальной аппроксимации.
Обобщение — способность сети давать близкий к правильному результат для входных векторов, которых не было в обучающем множестве. Если бы нейронные сети не обладали такой способностью, они были бы лишь механизмом запоминания, а не обработки информации. Но важнейшее качество нейронных сетей — способность дать хороший результат для векторов, с которыми сеть раньше не встречалась [81].
В процессе обучения веса нейронов настраиваются таким образом, чтобы сеть аппроксимировала выходные данные, предъявляемые ей в тренировочных наборах. Но сеть не просто запоминает тренировочные данные, появляется обобщение предъявленной информации благодаря непрерывности и гладкости активационной функции нейронов.