Методика нейроуправления иерархической системой в условиях конфликта и неопределенности

• Автор: Чечурин, Алексей Викторович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Москва
• Количество страниц: 117 с. : ил.

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ
Е ПОСТАНОВКА ЗАДАЧИ СИНТЕЗА АЛГОРИТМОВ НЕЙРОУПРАВЛЕНИЯ ИЕРАРХИЧЕСКОЙ СИСТЕМОЙ В УСЛОВИЯХ КОНФЛИКТА И НЕОПРЕДЕЛЕННОСТИ
1.1 Постановка задачи оптимизации управления иерархической системой в условиях конфликта и неопределенности
1.1.1 Исходная постановка задачи в виде иерархической игры с правом первого хода
1.1.2 Анализ игровых моделей управления в условиях конфликта и неопределенности
1.2 Обоснование целесообразности нейросетевого подхода к решению задач оптимизации управления иерархическими системами в условиях конфликта и неопределенности
1.3 Формализация исходной задачи в нейросетевом логическом базисе
1.4 Постановка задачи обучения иерархического нейросетевого ансамбля
1.4.1 Разработка структуры нейросетевого ансамбля
1.4.2 Обучение унифицированного нейросетевого классификатора
1.5 Выводы
2. РАЗРАБОТКА МЕТОДИКИ НЕЙРОУПРАВЛЕНИЯ ИЕРАРХИЧЕСКОЙ СИСТЕМОЙ В УСЛОВИЯХ КОНФЛИКТА И НЕОПРЕДЕЛЕННОСТИ
2.1 Разработка нейроконтроллера на основе ИНСА для построения иерархического стабильно-эффективного компромисса
2.1.1 Структура нейроконтроллера и назначение его основных блоков
2.1.2 Функционирование нейроконтроллера
2.2 Разработка многокритериальной методики обучения унифицированного нейросетевого классификатора
2.2.1 Построение обучающих множеств для УНК

2.2.2 Построение весовой матрицы многослойного персептрона из УНК
2.2.3 Построение весовой матрицы сети ЬУС> из УНК
2.2.4 Селекторная схема УНК
2.3 Выводы
3. ИССЛЕДОВАНИЕ ПРЕДЕЛЬНЫХ ВОЗМОЖНОСТЕЙ СИСТЕМЫ ПЕРЕДАЧИ РАДИОЭЛЕКТРОННОЙ ИНФОРМАЦИИ
3.1 Структура и назначение системы передачи радиоэлектронной информации
3.2 Разработка игровой модели оптимизации управления потоками данных
в каналах СПРЭИ
3.3 Исследование эффективности алгоритмов нейроуправления потоками данных в каналах СПРЭИ в условиях конфликта и неопределенности
3.3.1 Параметры потоков данных и каналов связи СПРЭИ
3.3.2 Построение ИНСА для решения задачи оптимизации управления потоками данных в каналах СПРЭИ
3.3.3 Сравнение эффективности алгоритмов нейроуправления многокритериальными системами в условиях конфликта и неопределенности
3.3.4 Результаты исследования предельных возможностей СПРЭИ
3.4 Выводы
4. ОБЗОР КОМПЛЕКСА ПРОГРАММНЫХ СРЕДСТВ
4.1 Структура комплекса программных средств, назначение и описание его компонентов
4.2 Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ
ACM - автоматизированная система мониторинга
ГАМКО - генетический алгоритм многокритериальной
конфликтной оптимизации ГАМО - генетический алгоритм многокритериальной
оптимизации
ИМКС - иерархическая многокритериальная конфликтная
система
ИНС - искусственная нейронная сеть
ИНСА - иерархический нейросетевой ансамбль
ИНСА-управление - управление на основе иерархических нейросетевых ансамблей
КПС - комплекс программных средств
МП - многослойный персептрон
НК - нейроконтроллер
НСА - нейросетевой ансамбль
НСТ . - нейросетевые технологии
НУ - нейронное управление
ОУ - объект управления
ПС - программное средство
РБФ - радиально-базисная функция
СВР - сеть встречного распространения
СОИУ - система обработки информации и управления
СПД - система передачи данных
СПРЭИ - система передачи радиоэлектронной информации
СТЭК - стабильно-эффективный игровой компромисс
СУ - система управления
ТТО - тестовая точка-особь
УКУ - “угроза-контругроза”
УНК - унифицированный нейросетевой классификатор
ЦСОИ - центр сбора и обработки информации
SOM - Self-organizing шар (самоорганизующаяся карта)
LVQ - Learning vector quantization (обучающееся векторное
квантование)

( -~г /
к = V ч ІС V _ г _ ,РЩг,у^),с2
где Vі/ еК/с - неэффективное решение при реализации неопределенности ; г(уг ) - соответствующее значение векторного показателя эффективности Центра; с2 = 2 е С - номер класса.
Рис. 2.3. Соотношение множеств, используемых для формирования выборки
Шаг 7. Полагаем г - г + 1. Если г ^ , то переходим на шаг 2. Иначе
переходим на шаг 8.
Шаг 8. Формируем обучающее множество 1'! следующим образом:
£к=и(<и <)• (2.35)

Сформированное обучающее множество Ь1 является универсальным и может быть использовано для обучения всех компонентов УНК, осуществляющего построение множества оптимальных приоритетов Центра. В частности, первый и второй компонент обучающей пары предназначены для обучения МП, а все вместе - для обучения сети ЬУС).
Б.2. Построение обучающей выборки для УНКЛ
Для построения обучающей выборки используются множества