Разработка и исследование двухуровневых адаптивно-нейронных систем управления динамическими объектами

• Автор: Тимчук, Наталья Алексеевна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2000
• Место защиты: Санкт-Петербург
• Количество страниц: 240 с. : ил.

ГЛАВА 1. Архитектура нейронных сетей. Многослойные нейронные сети МНС. Выводы по первой главе. ГЛАВА 2. Динамические алгоритмы обучения ДАО сетей. Вариации стандартного алгоритма обучения ВР. Способы введения динамики в многослойные нейронные сети. Исследование эффективности действия МНС различной архитектуры. Модели и структуры систем управления с МНС. Базовые динамические системы. Выводы по второй главе. ГЛАВА 3. Исследование и сравнительный анализ адаптивных систем управления с мажорирующими функциями для нелинейного динамического объекта. Общий подход к построению структур адаптивного управления нелинейными нестационарными объектами. Аналитическое исследование работоспособности диссипативности полной адаптивной структуры прямого управления объектами второго порядка с алгоритмами параметрической настройки и степенными мажорирующими функциями. ГЛАВА 4. Двухуровневые адаптивно нейронные системы управления нелинейными динамическими объектами. Структуры двухуровневых адаптивнонейронных систем управления.


Возможность возникновения паралича сети как на стадии установки начального состояния, так и в процессе обучения сигмоидных МНС, относится к числу серьезных недостатков обучаемых по алгоритму ВР сигмоидных МНС. Для борьбы с этим явлением известны лишь эвристические способы . В предположении, что паралич сети не наступает, можно рассмотреть с точки зрения аппроксимации нелинейным преобразованием входного множества г желаемой функции и процесс выделения среди всего множества БЭ непустого подмножества активированных БЭ . БЭ в слое К1 в процессе обучения. К1,
тивированных БЭ не превосходило по абсолютной величине заданного числа а Г4К. БЭ 1 1,пК, может переместиться в подмножество слабо активированных. Гкх и соответственно Гкх смещается по оси б кх на величину а1
чтобы это показать, необходимо записать и проанализировать вторую производную х из условия равенства ее нулю при кх а ,8. ВР, множество БЭ сети расслаивается на подмножества сильно и слабо активированных нейронов. Настройка весовых коэффициентов слабо активированных БЭ незначительно изменяет выход сети и цК вследствие малости значений производных функций активации этих БЭ. Настройка весовых коэффициентов БЭ второго подмножества приводит к смещениям центров симметрии функций вдоль оси б и соответственно центров симметрии четных функций производных Г б. Эти смещения, как и значения соответствующих весовых коэффициентов нейронов, полученные в результате обучения, образуют в структуре МНС ассоциативную память о входном множестве г в классе К в процессе его нелинейного преобразования, аппроксимирующего заданное множество и.