Алгоритмический синтез нейросетевых систем управления нелинейными динамическими объектами в условиях неопределенности

• Автор: Тюкин, Иван Юрьевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2001
• Место защиты: Санкт-Петербург
• Количество страниц: 273 с.

1. Разработан метод аналитическою синтеза оптимальных законов управления для класса нелинейных Динамических объектов. В качестве основных информационных единиц используются вектор состояния объекта локальная информация и желаемые инвариантные многообразия макроинформация. Синтезируемые макропеременные в последующем выполняют роль обобщенных ошибок в процедурах обучения МНС.
2. В развитие метода синтеза агрегированных регуляторов в условиях неопределенности математической модели объекта введен метод адаптивного управления на многообразиях и анализируются условия его применимости, в частности, в случае невыпукло параметризованных математических моделей объекта.
3. Методика синтеза нейросетевых систем управления, базирующаяся на методах адаптивного управления на многообразиях и синтеза оптимальных законов управления.
Компьютерное моделирование произведено с использованием пакета МАТНЬАВ 5.2. Моделирование подтвердило теоретические результаты работы.
Практическая ценность выполненной работы состоит в создании аппарата алгоритмического синтеза нейросетевых систем управления нелинейными динамическими объектами в условиях неопределенности.
ОГЛАВЛЕНИЕ
Введение


Схемы обобщенных настраиваемых объектов с МНС с инверсной моделью обучения а разомкнутая схема б замкнутая структура, г к вектор входа обучаемой МНС у к вектор выхода ОУ еу к г су к ошибка обучения нейронной сети аобобщенная ошибка обучения. Первая из схем на рис. Б. Уидроу 3. Вторая схема использования настраиваемой сети соответствует структуре адаптивной системы прямот действия . Схемы на рис. Однако формирование полной структуры нейросетевых систем управления завершается на этапе синтеза алгоритмов обучения нейросетей, в результате чего в схемах систем управления появляются дополнительные каналы формирования информации, необходимой для вычислений в алгоритмах обучения. Включение обучаемой нейросети в структуру системы управления динамическим объектом предъявляет требования к описанию многослойной сети с помощью того же математического аппарата, который используется для описания объекта и системы управления в целом, т. Эквивалентные дифференциальные уравнения, объединяющие статическое нелинейное преобразование 1. ВР, введены в книге . Кратко технология эквивалентного описания процессов в обучаемой многослойной нейросети сводится к следующему. Чк, в I, К , 1. Л нелинейный оператор преобразования своих аргументов о, вектор обобщенной ошибки обучения в слое . Так как вектор, то нелинейный оператор Л0, очевидно, соответствует правой части уравнения 1. В силу уравнений 1. В формулах 1. ОдК оед2д1е,е0,К1. Эквивалентные структурные схемы, отражающие функционирование обучаемой многослойной нейросети в соответствии с 1, приведены на рис. Входами эквивалентной схемы являются векторы ,0, и о, выходами служат векторы и в схеме обобщенного настраиваемого объекта и дО сч0 о0 .