Разработка и исследование нейросетевых алгоритмов управления

• Автор: Хоанг Куанг Тинь
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Москва
• Количество страниц: 216 с. : ил.

СОДЕРЖАНИЕ

ОСНОВНЫЕ ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ

ВВЕДЕНИЕ
ГЛАВА 1. ПРИМЕНЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ ИДЕНТИФИКАЦИИ И УПРАВЛЕНИЯ

1.1. Введение

1.2. Искусственные нейронные сети и их основные свойства

1.2.1. История и основные свойства ИНС

1.2.2. Многослойные нейронные сети и их аппроксимирующие свойства

1.3. Задача идентификации на основе ИНС

1.4. Основные схемы и задача управления на основе ИНС

1.4.1. Основные схемы нейросетевого управления

1.4.2. Задача управления динамическими объектами на основе нейросетевой модели
1.5. Многослойные нейронные сети в задачах идентификации и управления
1.6. Выводы
ГЛАВА 2. ИДЕНТИФИКАЦИЯ СИСТЕМ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
2.1. Введение
2.2. Основные этапы процедуры идентификации
2.3. Планирование и проведение эксперимента
2.4. Выбор модельной структуры
2.4.1. Линейные регрессионные модели
2.4.2. Базовые нейросетевые модельные структуры
2.4.3. Основные критерии выбора модельной структуры
2.5. Принятие решения об адекватности модели
2.5.1. Исследование корреляционных функций
2.5.2. Оценка средней ошибки обобщения
2.6. Моделирование
2.6.1. Системы управления положением считывающего устройства накопителя на жестком магнитном диске
2.6.2. Идентификация исполнительного двигателя
2.7. Выводы
ГЛАВА 3. АЛГОРИТМЫ ОПТИМИЗАЦИИ ПАРАМЕТРОВ НЕЙРОСЕТЕВОЙ МОДЕЛИ
3.1. Введение
3.2. Постановка задачи оптимизации параметров нейросетевой модели
3.3. Методы инициализации весовых коэффициентов сети
3.4. Определение шага алгоритма скорости обучения
3.5. Методы и алгоритмы оптимизации параметров нейросетевой модели
3.5.1. Методы первого порядка
3.5.2. Методы второго порядка
3.5.3. Рекуррентные методы
3.6. Критерий останова
3.7. Моделирование
3.7.1. Аппроксимация функции одной переменной на основе ИНС
3.7.2. Аппроксимация функции двух переменных на основе ИНС
3.7.3. Моделирование динамической системы на основе нейросетевой модели АИМАЛХ
3.8. Выводы
ГЛАВА 4. МЕТОДЫ СТРУКТУРНОЙ ОПТИМИЗАЦИИ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ
4.1. Введение
4.2. Способность нейросетевой модели к обобщению
4.3. Методы структурной оптимизации нейросетевой модели
4.3.1. Методы структурной оптимизации с модификацией
целевой функции
4.3.2. Методы структурной оптимизации с учетом чувствительности
4.3.3. Метод
4.4. Критерий останова
4.5. Моделирование
4.5.1. Аппроксимация функции одной переменной
4.5.2. Аппроксимация функции двух переменных
4.5.3. Моделирование динамической системы
4.6. Выводы
ГЛАВА 5. СИНТЕЗ НЕЙРОСЕТЕВЫХ СИСТЕМ УПРАВЛЕНИЯ
5.1. Введение
5.2. Методы обучения ИНС при разработке нейросетевых регуляторов
5.2.1. Алгоритмы обучения ИНС регуляторов в режиме офлайн
5.2.2. Алгоритмы обучения ИНС регуляторов в режиме реального времени
5.3. Синтез нейросетевого управления на основе инверсной модели объекта
5.3.1. Обобщенный метод обучения инверсной нейросетевой
модели
5.3.2. Обучение нейросетевой модели в режиме реального
времени специализированный метод обучения
5.3.3. Обучение нейросетевой модели в режиме реального
времени с использованием эталонной модели
5.3.4. Замечания по реализации и применению метода синтеза управления на основе инверсных нейросетевых моделей
5.4. Нейросетевое оптимальное управление
5.5. Синтез нейросетевого управления на основе прогнозирующей
9 модели iiv МРС
5.5.1. Постановка задачи
5.5.2. Нелинейное прогнозирующее управление
5.6. Параметры качества системы управления положением считывающего устройства накопителя на жстком диске
5.7. Выводы
ГЛАВА 6. НЕЙРОСЕТЕВАЯ РЕАЛИЗАЦИЯ АЛГОРИТМОВ УПРАВЛЕНИЯ ДИСТИЛЛЯЦИОННОЙ КОЛОННОЙ
6.1. Принципы функционирования дистилляционной колонны
6.1.1. Функционирование колонны в установившемся режиме
6.1.2. Логарифмические композиции
6.1.3. Внутренние и внешние потоки
6.2. Трехстадийная дистилляционная колонна
6.3. Модель многостадийной колонны
6.3.1. Динамические особенности колонны
6.3.2. Нелинейность используемой модели
6.4. Задача управления процессом дистилляции
6.4.1. Оценка быстродействия системы
6.4.2. Задача управления
6.5. Решение задачи идентификации и синтез системы управления дистилляционной колонной
6.5.1. Нейросетевая реализация процедуры идентификации дистилляционной колонны
6.5.2. Синтез нейросетевой системы управления дистилляционной колонной
6.6. Выводы
ВЫВОДЫ И ЗАКЛЮЧЕНИЯ
СПИСОК ЛИТЕРАТУРЫ


Рассмотренная модель искусственного нейрона игнорирует многие свойства своего биологического прототипа. Например, она не принимает во внимание задержки по времени, которые воздействуют на динамику системы входные сигналы сразу порождают выходной сигнал. Также не учитывается влияние функции частотной модуляции или синхронизирующей функции биологического нейрона, которые с биологических позиций считаются решающими. Несмотря на эти несоответствия, сети, построенные из формальных нейронов, обнаруживают свойственные биологическим системам особенности. Более того, при подобранных соответствующим образом весовых коэффициентах совокупность параллельно функционирующих нейронов подобного типа способна выполнять универсальные вычисления. Обучение. Искусственные нейронные сети могут изменять свое поведение в зависимости от условий внешней среды, т. После предъявления входных сигналов возможно, с соответствующими выходами нейронные сети самонастраиваются, чтобы обеспечить требуемую реакцию. Обобщение. Реакция сети после обучения может быть до некоторой степени нечувствительна к небольшим изменениям входных сигналов. Эта особенность выделять образ сквозь шум и искажения позволяет преодолеть требования строгой точности, предъявляемые обычным компьютерам. Важно отметить, что нейронная сеть делает обобщения автоматически благодаря своей структуре, а не с помощью человеческого интеллекта, представленного в форме специально написанных компьютерных программ. Абстрагирование. Нейронные сети обладают способностью извлекать сущность из входных сигналов, т. Аппроксимация функций моделирование. Имеется обучающая выборка рУ1х2У2хпУп пары данных входвыход, которая генерируется неизвестной функцией у , искаженной шумом. Задача аппроксимации состоит в нахождении оценки неизвестной функции у . Аппроксимация функций необходима при решении многочисленных инженерных и научных задач моделирования. Идентификация прогнозирование. Прогнозирующие модели могут быть использованы как в системах управления 1, , , , , так и в не технических приложениях, например, для анализа цен на фондовой бирже и прогнозирования погоды. Управление. Рассмотрим динамическую систему, заданную совокупностью Х0Х0К гДе ХО является входным управляющим воздействием, а Х0выходом системы в момент времени г. В системах управления с эталонной моделью целью управления является расчет такого входного воздействия ХО при котором система следует по желаемой траектории, диктуемой эталонной моделью. Классификация образов. Задача состоит в указании принадлежности входного образа например, речевого сигнала или рукописного символа, представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание печатных и рукописных текстов, распознавание речи, классификация объектов по их изображениям и анализ сцен. Кластеризация категоризация. При решении задачи кластеризации, которая известна также как классификация образов без учителя, отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на выявлении подобия образов в силу выбранной метрики и размещении близких образов в один кластер. Кластеризация применяется для извлечения знаний, сжатия данных, моделирования сложных технологических процессов. Оптимизация. Многочисленные проблемы в математике, статистике, технике, науке, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей алгоритма оптимизации является нахождение такого решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию. Задача коммивояжера, относящаяся к классу ЫРполных недетерминистских полиномиальных, является классическим примером задачи оптимизации, успешно решаемой ИНС. Память, адресуемая по содержанию. В модели вычислений фон Неймана обращение к памяти доступно только посредством адреса, который не зависит от содержания памяти. Более того, если допущена ошибка в вычислении адреса, то может быть найдена совершенно иная информация. Ассоциативная память, или память, адресуемая по содержанию, доступна по указанию заданного содержания.