Системы прогнозирующего нейроуправления нелинейными динамическими объектами

• Автор: Ноткин, Борис Сергеевич
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Владивосток
• Количество страниц: 210 с. : ил.

Введение

ГЛАВА 1. Искусственные неГфонные сети и их применение для решения задач управления.

1.1. Искусственные нейронные сети общие положения.

1.2. Искусственные нейронные сети основные решаемые задачи

1.3. Обучение искусственных нейронных сетей

1.4. Этапы развития искусственных нейронных сетей с позиций сегодняшнего дня1

1.5. Статические нейронные сети и динамические задачи управления

1.6. Классификация и обзор нейросетевых приемов управления.

1.6.1. Непосредственное инверсное управление i Iv .

1.6.2. Инверсное управление с пассивной адаптацией i I .

1.6.3. Адаптивное нейроуправление с эталонной моделью iv

1.6.4. Адаптивный нейроПИД регулятор.
1.6.5. Адаптивнокритическая схема iv ii
1.6.6. Прогнозирующее нейроуправление iiv ГЛАВА 2. Нейросетевые модели динамических объектов и системы управления на их основе
2.1. Непосредственное инверсное нейроуправление основной принцип и связанное с ним заблуждение
2.2. Новый подход к построению систем непосредственного инверсного нейроуправления
2.3. Экспериментальное сравнение предложенного подхода с современными методами синтеза систем нейроуправления.
2.4. Теоретические свойства и практические трудности построения нейросетевых моделей динамических объектов.
2.5. Выводы по главе.
ГЛАВА 3. Системы адаптивного нейроуправления с эталонной моделью анализ и новое решение
3.1. Простая альтернатива методу обратного распространения ошибки регулирования сквозь структуру нейросетевой модели прямой динамики объекта для систем адаптивного нейроуправления
3.2. Адаптивное нейроуправление с эталонной моделью критический анализ основного принципа и его связь с ПИрегулированием
3.3. Новый подход к построению систем адаптивного нейроуправления с эталонной моделью и его сравнение с альтернативными методами управления
3.4. Выводы по главе.
ГЛАВА 4. Линейные законы регулирования в нелинейных САУ потенциал и связь с нелинейными подходами
4.1. Об использовании линейных законов регулирования в нелинейных САУ
4.2. Два шага от предложенной схемы адаптивного нейроуправления к предлагаемой структуре модифицированного ПИДрегулирования.
4.3. О связи ПИДмрегулирования с известными подходами к решению задачи управления
4.4. Экспериментальное сравнение линейного ПИДмрегулирования с распространенными методами нелинейного нейросетевого управления
4.5. Некоторые теоретические аспекты ПИДм регулирования и его связь с принципами построения систем с переменной структурой
4.6. Практический эксперимент управление нелинейным многосвязным аэродинамическим объектом.
4.6.1. Описание лабораторной модели
4.6.2. Практические результаты различных методов управления лабораторной установкой СЕ0 i .
4.7. Выводы по главе
Выводы по главам 1 4. Общий критический анализ широко
распространенных методов нейроуправлеиия
В.1. Необходимые признаки конкурентоспособной системы
нейроуправления.
ГЛАВА 5. Безмодельное прогнозирующее нейроуправление
5.1. Общий принцип предлагаемого подхода к синтезу систем безмодельного прогнозирующего нейроуправления прогнозирование через воспоминания.
5.2. Безмодельное прогнозирующее инверсное нейроуправление
5.2.1. Свойства систем безмодельного прогнозирующего инверсного нейроуправления в зависимости от горизонта прогноза.
5.2.2. Экспериментальное исследование некоторых свойств систем безмодельного прогнозирующего инверсного нейроуправления
5.3. Прогнозирующее релейное нейроуправление
5.3.1. Экспериментальное исследование некоторых свойств систем безмодельного прогнозирующего релейного нейроуправления.
5.4. Выводы по главе
ГЛАВА 6. Сравнительное исследование предложенных подходов к синтезу САУ на примерах упраления реальными объектами.
6.1. Описание экспериментальных установок.
6.2. О возможности редукции размерностей ретроспективных векторов
6.3. Системы управление положением звена планарного манипулятора
6.4. Системы управления положением лопасти в воздушном потоке.
6.5. Системы управления вертолетом
6.5.1. Системы управления углом азимута
6.5.2. Системы управления углом азимута в условиях возмущения со стороны угла атаки
6.5.3. Системы двухкоординатного управления
6.6. Экспериментальное подтверждение влияния фактора неопределенности динамики.
6.7. Выводы по главе
Заключение.
Приложение 1. О пропорциональной связи приращений выходной
координаты и управления в линейной дискретной системе.
Приложение 2. Условия достаточности теоремы Фельдбаума о числе
переключений для частного случая
Список использованных источников


Формализованная модель нейрона Структура искусственного нейрона не изменилась и по сегодняшний день, а вот спектр используемых активационных функций с тех пор расширился. К изначально предложенной авторами пороговой активационной функции рис. С годами это направление сформировалось в отдельную ветвь, которая практически не пересекается с тем, что сейчас принято называть техническими ИНС. Только спустя 6 лет в году опубликован первый алгоритм обучения ИНС названный в честь его автора правило Хебба . На сегодняшний день этот метод относят к парадигме обучения без учителя и он может использоваться для тренировки сетей решающих задачи ассоциативной памяти. Теории Хебба, МакКалокаПиттса и накопленные со временем экспериментальные данные в психологии и физиологии привели в году американского ученного Ф. Розенблатта к модели устройства названного им перцептроном от лат. Сети перцептронного типа являются самыми распространенными на сегодняшний день рис. Одна из основных областей их применения решение задач аппроксимации, но благодаря своей гибкости эта структура занимает ведущее положение, как по разнообразию возможностей использования, так и по количеству успешно решенных прикладных задач. Рис. Перцептроны В году Б. Уидроу и М. Хофф разработали модель нейрона, которая благодаря своей простоте обучалась быстрее и более точно, чем перцептрон. Она получила название адалины сокр. В сущности, адалин это нейрон с линейной функцией активации. Сети, построенные из одного слоя таких нейронов, принято называть линейными. Для обучения адалина его авторами был предложен алгоритм 5 правило 4, которым впервые была введена концепция обучения с учителем. И шаг обучения. Если при каждом поступлении нового вектора данных и. Возникает, однако, проблема сходимости если величина шага И слишком мала, то сходимость будет медленной, если же слишком велика, то произойдет потеря устойчивости и сходимости не будет вовсе. В г. М. Минский и С. Пейперт в опубликованной ими книге положили начало строгому математическому анализу перцептронных схем. Утверждалось, что однослойные нейронные сети имеют ограниченные репрезентативные способности что в принципе верно, а обучение многослойных ИНС непродуктивно. Авторитет ученных был настолько велик, что публикация их работы остановила процесс изучения проблемы более чем на лет. С начала х наступил новый период в развитии ИНС. В рамках парадигмы обучения без учителя были предложены сети Хопфилда ассоциативная память и сети Кохонена кластеризация . Но настоящий прорыв в применении ИНС для решения практических задач в том числе и управления был сделан после того, как в году Румельхарт, Хинтон и Вильямс описали алгоритм обратного распространения 7. Это был первый эффективный алгоритм обучения многослойных перцептронов. Интересно, что этот алгоритм был открыт четырежды, сначала в в докторской диссертации Вербоса 1, затем в г. Паркера и IКана , но только ясное и четкое изложение в году приносит методу широкую популярность, и интерес к нейронным сетям и их приложениям приобретает характер нейробума. В г. В этом году независимо в свет выходят три работы с теоретическим подтверждением универсальных аппроксимирующих способностей нейросетей. Любую непрерывную функцию нескольких переменных можно с любой точностью реализовать с помощью трехслойного перцептрона с достаточным количеством нейронов в скрытом слое. Таким образом, на сегодняшний день вопрос выбора структуры нейросетевого решения, как правило, сводится к вопросу выбора числа нейронов в скрытом слое, причем в соответствии с теорией предполагается, что нейроны скрытого и выходных слоев имеют сигмоидальные и линейные функции активации соответственно. На сегодняшний день, нейронные сети насчитывают несколько десятков своих разновидностей и в общей сложности порядка сотни алгоритмов обучения, многие из которых создаются под решение узких специализированных задач. Наибольшую популярность в области нейроуправления получили сети перцептронного типа и задачи, в которых они рассматриваются в первую очередь как универсальный ап прокси матор.