Помощь в учёбе, очень быстро...
Работаем вместе до победы

Робастная стабилизация динамических систем с использованием нейросетевых моделей и модулярных регуляторов

Диссертация: Робастная стабилизация динамических систем с использованием нейросетевых моделей и модулярных регуляторов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Нейроуправление как раздел современной теории управления, опирающийся на применение нейронных сетей (НС), активно развивается в последние годы для решения задач управления сложными динамическими системами, а именно системами с неопределенностями, нестационарными системами, слабовоспроизводимыми процессами и др., что связано с развитием высоких технологий в различных областях науки, промышленности… Читать ещё >

Содержание

  • ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ВОПРОСОВ УПРАВЛЕНИЯ ДИНАМИЧЕСКИМИ СИСТЕМАМИ В УСЛОВИЯХ ПАРАМЕТРИЧЕСКОЙ НЕОПРЕДЕЛЕННОСТИ
    • 1. 1. Анализ проблемы учета факторов неопределенности информации, характерных для процесса управления сложными динамическими системами
    • 1. 2. Анализ методов синтеза систем управления динамическими объектами с параметрической неопределенностью
    • 1. 3. Анализ использования алгоритмов с нейросетевыми моделями для роба-стного управления динамическими системами в условиях параметрической неопределенности
    • 1. 4. Обоснование целесообразности использования системы остаточных классов в задачах робастного управления динамическими объектами
    • 1. 5. Цель и задачи диссертационной работы
  • Выводы по главе
  • ГЛАВА 2. РАЗРАБОТКА ИНТЕРВАЛЬНЫХ ДИНАМИЧЕСКИХ МОДЕЛЕЙ ОБЪЕКТОВ И МЕТОДОВ ПОСТРОЕНИЯ РОБАСТНЫХ НЕЙРОСЕТЕВЫХ СИСТЕМ УПРАВЛЕНИЯ
    • 2. 1. Разработка интервальной динамической модели многопараметрического объекта для синтеза робастной системы управления
    • 2. 2. Идентификация нейросетевой модели динамического объекта с учетом параметрической неопределенности
      • 2. 2. 1. Сравнительный анализ алгоритмов обучения нейросетевой модели динамического объекта
      • 2. 2. 2. Разработка алгоритма определения структуры нейросетевой модели динамического объекта при наличии скрытых слоев
    • 2. 3. Разработка метода и алгоритма структурно-параметрического синтеза робастной многомодульной системы управления с переменной структурой с нейросетевыми моделями
  • Выводы по главе
  • ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМОВ УПРАВЛЕНИЯ ПИД-КОНТРОЛЛЕРОВ, ФУНКЦИОНИРУЮЩИХ В СИСТЕМЕ ОСТАТОЧНЫХ КЛАССОВ
    • 3. 1. Разработка методики расчета настроек робастного ПИД — регулятора с использованием интервальной модели объекта
    • 3. 2. Разработка алгоритмического обеспечения систем управления и обоснование необходимости расширения функциональных возможностей робаст-ных регуляторов
    • 3. 3. Разработка модулярного ПИД-контроллера с расширенными функциональными возможностями в системе остаточных классов
    • 3. 4. Разработка алгоритма выбора оснований системы остаточных классов для реализации модулярного ПИД-контроллера с нелинейностями
  • Выводы по главе
  • ГЛАВА 4. РАЗРАБОТКА МЕТОДИКИ РЕШЕНИЯ МНОГОКРИТЕРИАЛЬНОЙ ЗАДАЧИ ВЫБОРА НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ И АЛГОРИТМОВ УПРАВЛЕНИЯ РОБАСТНЫХ СИСТЕМ
    • 4. 1. Анализ методов и подходов к решению многокритериальных задач оценки и выбора нейросетевых моделей и алгоритмов управления в условиях неопределенности
    • 4. 2. Обоснование перечня критериев сравнения нейросетевых моделей сложных систем, ориентированных на решение задач управления
    • 4. 3. Решение многокритериальной задачи сравнения и выбора нейросетевых моделей и алгоритмов управления на основе метода анализа иерархий 15″
  • Выводы по главе 4
  • Заключение
  • Список использованных источников

Приложение 1. Сравнительный анализ алгоритмов обучения нейросетевой модели сложной динамической системы 186

Приложение 2. Цифровые ПИД-алгоритмы управления и характеристика их основных свойств

Робастная стабилизация динамических систем с использованием нейросетевых моделей и модулярных регуляторов (реферат, курсовая, диплом, контрольная)

Развитие высоких технологий в различных областях науки, промышленности и народного хозяйства обуславливает непрерывное повышение требований к современным системам автоматического управления (САУ)~в отношении точности и быстродействия. При использовании традиционных методов управления, в основном, опирающихся на теорию линейных систем, становится необходимым более полное и точное математическое описание исследуемых процессов и объектов. Однако в реальных объектах неизбежно присутствует неопределенность (неполнота информации), которая не учитывается в их математических моделях, а система управления такими объектами не обеспечивает высоких показателей качества и даже может оказаться неработоспособной. С позиций системного подхода практически все обычные САУ производственными процессами должны быть отнесены к системг-м с неполной информацией о модели объекта. В связи с этим возникает необходимость в разработке робастных систем управления, позволяющих обеспечить высокое качество функционирования системы в условиях, когда объект' управления отличается от расчетной модели или когда его математическая модель неизвестна или неполна. В работе [1] подчеркнуто отличие понятия робастности от требования грубости, введенного A.A. Андроновым еще в 30-е годы. Грубость системы предполагает сохранение ею какого-либо свойства при малых отклонениях параметров от номинальных значений и количественно измеряется так называемой чувствительностью, тогда как в теории робастности отклонения моЛгут быть большими. Сам термин «робастность» в переводе с английского «robust» означает крепкий в конструкции, нечувствительный к нарушению исходных предположений и введен в литературу ЯЗ. Цыпкиным и Б. Т. Поляком именно для того, чтобы подчеркнуть это отличие. Поэтому в такой постановке под робастной стабилизацией сложных динамических систем можно понимать и стабилизацию систем с изменяющимися параметрами.

Факторами, обусловившими широкое использование ПИД-регуляторов в системах стабилизации различных объектов, стали простота их структуры и высокая надежность. По недавним данным [2] на 84% японских предприятий все еще используются обычные ПИД-контроллеры. В контроллерах этого типа оператор может управлять тремя параметрами, добиваясь улучшения показателей качества. Однако недостатком является то, что при изменении рабочих точек из-за возмущений требуется перенастройка контроллеров [3]. На крупных предприятиях с непрерывным режимом работы при использовании таких контроллеров необходим тщательный контроль, что требует большой численности персонала. Кроме этого, для процессов с переменными параметрами, запаздыванием, существенными нелинейностями и значительными помехами использование ПИД-контроллеров может оказаться неэффективным. Сложность настройки ПИД-регулятора, обусловленная стремлением поиска оптимальных настроек и, как следствие, необходимостью детального изучения динамики процесса, приводила к тому, что 80% линейных регуляторов, обслуживающих промышленность США, по данным американской фирмы «РохЬого», работали не в оптимальном режиме [4].

Таким образом, для эффективного решения задач управления требуется разработка новых схем управления, которые должны быть достаточно просты по принципам организации и функционированию. По-видимому, может оказаться сложным разработать схемы управления для динамических систем с неопределенностями, обеспечивающие высокую эффективность и при этом использующие только простые принципы управления. Однако желательно, чтобы в новых системах управления обеспечивались робастность и адаптивность, высокая надежность и живучесть, простота их структуры и способность к включению новых элементов структуры, обеспечивающих лучшее управление в условиях зашумленности сигналов, ограничений на скорости изменения задающих сигналов и перемещения регулирующих органов исполнительных устройств и т. д. В качестве основы для разработки таких систем в настоящей работе используются нейронные сети (так как динамические системы характеризуются неопределенностью их моделей) и система остаточных классов (так как с увеличением объема вычислений требуется повышение быстродействия управляющих контроллеров), а также интервальные модели, методы обеспечения робастности и принципы переменной структуры.

Нейроуправление как раздел современной теории управления, опирающийся на применение нейронных сетей (НС), активно развивается в последние годы для решения задач управления сложными динамическими системами, а именно системами с неопределенностями, нестационарными системами, слабовоспроизводимыми процессами и др., что связано с развитием высоких технологий в различных областях науки, промышленности и народного хозяйства [3,5,6,7]. Системный подход к решению задач нейроуправле-ния основывается на рассмотрении нейронной сети как системы, включающей в себя различного типа конструктивно-функциональные элементы. Нейронная сеть представляет собой высокопараллельную динамическую нелинейную систему, конфигурация которой может автоматически изменяться в зависимости от решаемой системой управления задачи и параметров внешней среды, настраиваясь на требуемую выходную реакцию. В случае реализации нейроуправления становится ненужным попытка описания нелинейными дифференциальными уравнениями систем с переменными параметрами и попытка решения этих уравнений с помощью алгоритмов, адекватных вычислителям с архитектурой фон-Неймана [7].

Следует заметить, что в ряде случаев после необходимых интеллектуальных и математических затрат априорная неопределенность (неполнота информации) с течением времени может быть преодолена и тогда необходимость в достижении робастности и реализации адаптивности объективно не возникает. Но, как правило, сохраняется текущая неопределенность, при которой остаются две основные задачи — идентификация математических моделей динамических объектов и разработка алгоритмов управления, решаемых в нейросетевом логическом базисе [8,9].

Системный подход к решению задач управления с использованием аппарата нейронных сетей представлен в методике, предложенной А. И. Галушкиным [10]. Особенно эффективным представляется применение многослойных нейронных сетей в качестве математических моделей объектов и контроллеров в системах управления объектами, для которых решения задач ро-бастного управления не могут быть получены традиционными методами. Это объясняется следующими фундаментальными свойствами и характеристиками многослойных нейронных сетей [10]:

— сигналы в многослойных НС, как и в системах автоматического управления, распространяются в прямом направлении;

— универсальные аппроксимационные свойства НС (что справедливо при наличии необходимого объема информации [10,11]) делают возможным использование НС в качестве аппроксиматоров математической модели управляемых объектов с последующим использованием их в контуре управления и формировании алгоритмов управления;

— высокая способность НС к обучению (при наличии значительного меньшего объема информации, чем в традиционных методах управления) придает робастные и адаптивные свойства нейросетевым системам управления, т. е. при фиксированных коэффициентах синаптических связей НС после обучения на реальной выборке экспериментальных данных способна подстраиваться в реальных условиях по данным, несколько отличающимся от эталонных. В данном случае обучение сети и ее адаптация есть по существу один и тот же процесс, который может протекать при комбинации режимов off on line;

— способность НС к эффективной реализации нелинейных преобразований, что важно при решении задач с существенными нелинейностями;

— способность НС к параллельной обработке аналоговых и дискретных сигналов делает естественным их использование для управления непрерывными и дискретными объектами;

— НС хорошо работают при зашумленных и неполных исходных данных, что характерно для реальных систем [12];

— свойство монотонного (а не катастрофического) ухудшения качества функционирования при увеличении числа вышедшего из строя нейронов, а также при возникновении новых видов неопределенностей и структурных изменениях объекта.

Отмеченные свойства и характеристики искусственных нейронных сетей позволяют формировать эффективные нейросетевые алгоритмы управления в автоматических системах, обладающих робастностью и высокой степенью адаптации к изменяющимся непредвиденным образом характеристикам объектов и внешней среды. Нейросетевые алгоритмы управления представляют вычислительную процедуру, основная часть которой может быть реализована в виде нейронной сети той или иной структуры [13].

Существующие подходы к разработке робастных и адаптивных систем, основанные на использовании нейросетевых технологий, предложенные и развитые в работах Глушкова В. М., Цыпкина ЯЗ., Галушкина А. И., Терехова В. А., Пупкова К. А., Гаврилова А. И., Ефимова Д. В., Тюкина И. Ю., Камаева В. А., Щербакова М. В., Пантелеева С. В., Львовича И .Я., Исакова П. Н., Червя-кова Н.И., Мочалова В. П., Вербоса (Werbos Р.), Нарендры (Narendra К.), Левина (Lewin А.), Чена (Chen L.), Омату (Omatu S.) и других, являются эффективными и превосходящими альтернативные методы. Это обосновано тем, что нейросетевые модели рассматриваются как естественное развитие традиционной теории линейных систем, методов оптимизации функции многих переменных, статистических методов. Однако проблема применимости этих подходов для робастной стабилизации динамических систем, функционирующих в условиях неопределенности не достаточно исследована.

Если задача определения оптимального числа нейронов входного и выходного слоев решается в рамках процедуры синтеза начальной структуры [14], то определение нейронов скрытого слоя не является однозначной процедурой [15,16] и осуществляется в большинстве работ итеративно — методом подбора и многократного моделирования. Не рассмотрены возможности построения систем управления с многомодульными нейросетевыми моделями и регуляторами (контроллерами) на основе принципов систем с переменной структурой. В известных алгоритмах ПИД-контроллеров и их модифицированных вариантах не достаточно полно учтены ряд дополнительных требований, предъявляемых к современным автоматическим регуляторам: обеспечение свойств робастности (нечувствительности) к изменениям параметров, действию возмущений и помехограничение скорости изменения задания для высокоточного воспроизведения программы регулируемой переменной и др. С учетом этих требований качественная реализация ПИД-алгоритмов, содержащих дополнительные динамические звенья (демпфирования, нечувствительности, ограничения и реальные дифференцирующие звенья), в полной мере невозможна без существенного увеличения быстродействия, вызванного необходимостью проведения дополнительных вычислений в реальном времени. Ряд публикаций отечественных и зарубежных ученых показал целесообразность использования непозиционной системы счисления, в частности системы остаточных классов, для построения высокоскоростных вычислительных структур. Однако до настоящего времени цифровые ПИД-регуляторы с расширенными функциональными возможностями в реальных системах применяются редко, причем известные модулярные ПИД-регуляторы, реализованные в системе остаточных классов [17], являются идеализированными, поскольку не учитывают вышеизложенных требований и функций. Система остаточных классов, является параллельной системой и обеспечивает параллелизм на уровне выполнения элементарных операций, т. е. система остаточных классов является эффективной основой обработки данных в задачах управления, обеспечивая алгоритмы решения их новыми свойствами и возможностями. Несмотря на обилие работ по решению задач с использованием НС, отсутствуют практические рекомендации для сравнения и выбора рациональных вариантов решений из набора альтернатив.

Наличие большого числа публикаций по проблеме построения высокоскоростных вычислительных структур на базе НС и СОК в различных областях свидетельствует как об ее актуальности, так и об отсутствии ее окончательного решения для задач робастной стабилизации динамических систем в технике и технологиях. Из вышеизложенного следует, что задача совершенствования управления путем разработки робастных систем стабилизации динамических систем путем применения нейросетевых моделей и модулярных регуляторов в условиях неопределенности является актуальной.

Диссертационная работа соответствует научному направлению ГОУ ВПО «СевКавГТУ» «Информационно-телекоммуникационные системы», утвержденного на научно-техническом совете СевКавГТУ 28.06.2007 г., и выполнялась в рамках НИР, проводимой по заданию Федерального агентства по образованию «Теоретические основы и принципы построения модулярных нейропроцессоров для цифровой обработки сигналов» (гос. per. № 1 200 707 126).

Целью диссертационной работы является повышение эффективности функционирования робастных систем стабилизации с нейросетевыми моделями и модулярными регуляторами на основе ПИД-алгоритмов управления, реализованными в системе остаточных классов.

Объектом исследований являются робастные системы стабилизациис нейросетевыми моделями объектов и модулярными регуляторами с расширенными функциональными возможностями, функционирующими в системе остаточных классов.

Предметом исследований являются методы и алгоритмы решения задач робастного управления динамическими системами на основе интервальных нейросетевых моделей и модулярных регуляторов, включая вопросы исследования связей между функциональными блоками ПИД-котроллеров и закономерностей их функционирования.

Научная задача исследований состоит в разработке и совершенствовании существующих методов и средств робастного управления с использованием интервальных моделей, нейронных сетей, принципов переменной структуры и модулярных ПИД-контроллеров, а также в разработке методики сравнения и выбора нейросетевых моделей и алгоритмов робастного управления на основе применения иерархических моделей принятия решений.

Для решения общей научной задачи исследований была проведена ее декомпозиция на ряд следующих частных задач:

1. Систематизация и анализ методов и алгоритмов решения задач робастного управления динамическими системами в условиях параметрической неопределенности интервального типа.

2. Разработка нейросетевого алгоритма формирования робастного управления, включающего построение интервальной модели многопараметрического динамического объекта и идентификацию его нейросетевой модели, ориентированной на решение задачи управления автоматической системой.

3. Разработка метода и алгоритма структурно-параметрического синтеза робастной многомодульной системы стабилизации с переменной структурой с нейросетевыми моделями и регуляторами для нестационарных динамических объектов с параметрической неопределенностью.

4. Разработка алгоритмического систем и алгоритмов решения задач управления на основе модулярного ПИД-контроллера с расширенными функциональными возможностями и использованием высокоскоростных вычислительных средств на базе СОК, включая переходы от модулярного представления к позиционной системе счисления и обратно.

5. Разработка методики решения многокритериальной задачи сравнения и выбора архитектуры нейронных сетей и алгоритмов робастного управления на основе применения иерархических моделей принятия решений.

Методы исследования. В работе использованы методы системного анализа, теории автоматического управления, планирования эксперимента, интервального анализа, теории искусственных нейронных сетей, модулярной арифметики, теории вероятностей и математического моделирования.

Работа состоит из введения, четырех глав, заключения, списка использованной литературы и приложений.

Во введении обоснована актуальность работы, дана ее общая характеристика, сформулированы цель и задачи исследования, приведены основные научные результаты, полученные в диссертации, сведения о практической ценности работы, а также дана краткая характеристика содержания диссертации.

В первой главе проведен анализ проблемы учета факторов неопределенностей для задач управления сложными динамическими системами, применения интервальных методов в задачах построения моделей объектов, используемых для робастного управления, выполнен обзор и выявлены недостатки наиболее распространенных способов использования НС для решения задачи управления динамическими системами с параметрической неопределенностью. Показана возможность применения нейросетевых моделей в системах для снижения чувствительности управления к неполноте информации в математических моделях динамических объектов и целесообразность применения интервальной модели и системы остаточных классов для синтеза робастного управления. На основе проведенного анализа сформулированы цель и задачи диссертационного исследования.

Вторая глава посвящена разработке интервальной модели многопараметрического динамического объекта, идентификации его с помощью нейро-сетевой модели, ориентированной на решение задачи управления динамической системой, и разработке нейросетевого алгоритма формирования робастного управления, включающего разработку метода и алгоритма структурно-параметрического синтеза робастной многомодульной системы управления с переменной структурой с применением нейросетевых моделей в контуре управления для нестационарных динамических объектов с параметрической неопределенностью.

Предложенная методика построения интервальной модели многопараметрического объекта с интервально-заданными параметрами, основана на принципе планирования и реализации полного факторного эксперимента, идентификации параметров интервальной модели по расположению полюсов замкнутой системы, соответствующих максимальной степени устойчивости системы. Методика оценки адекватности интервальной модели при наличии экспериментальных данных представлена в виде разработанного алгоритма, позволяющего определять принадлежность параметров идентифицируемой модели заданному интервалу.

Осуществлена идентификация нейросетевой модели динамической системы, для чего проведен сравнительный анализ алгоритмов обучения нейросетевой модели, предложена многоэтапная процедура оптимизации НС и разработан алгоритм определения рациональной структуры нейронной сети, содержащей скрытые слои.

Предложен и реализован подход к построению робастной многомодульной системы с переменной структурой для управления сложными динамическими системами, основанный на применении в системе нескольких нейросетевых моделей (НСМ) объекта управления и соответствующих им ней-росетевых регуляторов, предварительно обученных на основе информации об интервально-заданных параметрах объекта.

Третья глава посвящена разработке алгоритмического обеспечения систем и алгоритмам решения задач управления на основе ПИД-контроллера с расширенными функциональными возможностями, включая вопросы параметрического синтеза робастных систем с различными структурами ПИД-алгоритма управления и их реализации в системе остаточных классов. Приведены модифицированные варианты цифровых ПИД — алгоритмов управления и оценка их свойств для решения задач робастного управления. Обоснована целесообразность использования интервальной модели в качестве расчетной для определения настроечных параметров ПИД-регуляторов, приведены выражения расчетных формул, полученных на основе обобщения известных формул, базирующихся на использовании параметров точечной модели. Приведены характеристики модифицированных цифровых ПИД-алгоритмов управления на основе СОК и схемы преобразований из позиционной системы счисления (ПСС) в систему остаточных классов (СОК) и обратно (СОК-ПСС и ПСС-СОК), рациональное распределение функций между ними при реализации нелинейных функций. Разработан алгоритм выбора рационального набора оснований СОК, обеспечивающего функциональную живучесть ПИД-контроллера при выходе из строя одного или нескольких оснований. Показано, что с увеличением разрядности входных чисел преимущество контроллера в СОК в отношении точности и быстродействия возрастает.

В четвертой главе рассматривается методика решения многокритериальной задачи выбора архитектуры нейронных сетей (НС) на основе применения иерархических моделей принятия решений в условиях неполноты информации. Для решения задачи выбора составлен перечень критериев и разработаны оценочные шкалы, позволяющие количественно оценивать свойства многослойных персептронов и сравнивать нейросетевые модели и алгоритмы робастного управления. На основе проведенного анализа методов решения подобных задач в условиях неопределенности обоснован для использования метод анализа иерархий, позволяющий учесть вклад каждого критерия в формирование окончательного решения о выборе рационального варианта НС, а также учесть качественный уровень предпочтений (неопределенность). Сравнение и выбор моделей с использованием метода анализа иерархий расширен с учетом критериев нижнего уровня иерархии, имеющих числовую форму представления.

В заключении приведены основные результаты диссертационной работы.

Достоверность и обоснованность полученных в диссертационной работе результатов и формулируемых на их основе выводов обеспечивается корректным применением математического аппарата, использованием в вычислительных экспериментах широко апробированных специализированных программных средств. Справедливость выводов относительно эффективности предложенных моделей и алгоритмов управления подтверждена математическим моделированием.

Научная новизна полученных результатов заключается в следующем:

— разработана методика построения интервальной модели многопар^-метрического динамического объекта с интервальными параметрами на основе принципа многофакторного планирования экспериментов, отличающаяся тем, что выделение неблагоприятного сочетания параметров в модели производят по расположению полюсов замкнутой системы, соответствующих максимальной степени устойчивости, а применение интервальной модели в задаче структурно-параметрического синтеза системы исключает необходимость полного перебора возможных вариантов параметров модели и обеспечивает необходимую робастность системы при любых значениях интервальных параметров;

— разработан метод идентификации нейросетевой модели, предусматривающий обучение нейронной сети как аппроксиматора интервальной модели динамической системы и определение рационального числа нейронов в скрытом слое нейронной сети, отличающийся от известных тем, что обеспечивается минимально необходимое количество нейронов в скрытом слое с учетом их влияния на аппроксимирующие свойства сети и качество процесса управления, оценки которых определяют рациональный момент окончания процесса обучения;

— впервые разработаны метод и алгоритм структурно-параметрического синтеза робастной многомодульной системы с переменной структурой с оптимальным упреждающим нейрорегулятором в основном контуре и нейросе-тевыми моделями объекта в дополнительном контуре управления, отличающийся тем, что при решении задачи синтеза использовано сочетание принципов нейроуправления и переменной структуры, обеспечивших реализацию системных связей в системе, более высокую степень робастности при неизвестных и изменяющихся параметрах объекта и повышение быстродействия системы в 1,4−1,8 раза по сравнению с системой с одной нейросетевой моделью;

— разработан алгоритм формирования управлений на основе модифицированного цифрового ПИД-контроллера, функционирующего в СОК, отличающийся тем, что в нем реализованы ПИД-алгоритмы управления различной структуры и функции демпфирования сигнала задания, нечувствительности к «шумовой» составляющей измеряемого сигнала, реального дифференцирования сигналов и ограничения выходного сигнала, а в операциях преобразования чисел из позиционной системы счисления (ПСС) в систему остаточных классов (СОК) и обратно применены малые системы оснований, что позволяет сократить время полного преобразования СОК-ПСС и обеспечить наибольшую функциональную живучесть контроллера при постепенной деградации его структуры.

Практическая ценность работы. Практическое использование научных результатов позволяет:

— расширить функциональные возможности и область робастного управления сложными системами за счет применения нейросетевых моделей и модулярных контроллеров с различными алгоритмами управления;

— повысить функциональную живучесть ПИД-контроллера системы за счет применения малых оснований СОК при реализации алгоритмов управления и быстродействие за счет реализации преобразователя СОК-ПСС на основе табличных вычислителей, используя ресурсы только блочной памяти;

— обеспечить поддержку принятия решения при выборе рациональной архитектуры нейронных сетей и алгоритмов для задач управления динамическими системами.

Основные положения, выносимые на защиту:

— методика построения интервальной модели многопараметрического объекта, используемой в качестве расчетной для структурнопараметрического синтеза робастных систем в условиях неполноты информации о динамике управляемого объекта и действующих на него возмущенияхалгоритм идентификации нейросетевой модели динамической системы, включающий обучение нейронной сети и определение количества нейронов в скрытом слое нейронной сети, близкого к оптимальному по отношению к точности решения и качеству процесса управленияподход к решению задачи робастного управления на основе многомодульной системы с переменной структурой с упреждающим нейрорегуля-тором в основном контуре и нейросетевыми моделями объекта в дополнительном контуре управления, отличающийся возможностью выработки оптимальных управляющих воздействий в реальном времени при неконтролируемых изменениях характеристик объекта;

— цифровой ПИД-контроллер с расширенными функциональными возможностями и его модифицированные варианты с алгоритмами управления различной структуры, функционирующий в СОК, отличающийся высоким быстродействием и повышенной функциональной живучестью;

— методика решения многокритериальной задачи выбора архитектуры нейронных сетей и алгоритмов робастного управления на основе применения иерархических моделей принятия решений.

Апробация работы. Основные результаты работы докладывались и обсуждались на международной научной конференции «Наука и технологии: актуальные проблемы 2007 г.» (г. Ставрополь, СКГТИ, 2007 г.) — на международных научных конференциях «Математические методы в технике и технологиях» ММТТ — 20 (г. Ярославль: ЯГТУ, 2007 г.) и ММТТ — 21 (г. Саратов: СГТУ, 2008 г.) — на III международной научно-технической конференции «Инфокоммуникационные технологии в науке, производстве и образовании (ИНФОКОМ-3)» (г. Кисловодск: СевКавГТУ. 2008).

Публикации. Основные результаты диссертации опубликованы в 11 научных работах, в том числе 4 статьи опубликованы в ведущих научных изданиях, рекомендованных ВАК РФ для публикации основных результатов диссертаций, получено свидетельство о регистрации разработки № 11 468 в ГосОФАП (гос. регистр. № 50 200 801 958 от 18.09.2008 г.).

Реализация и внедрение результатов работы. Теоретические и практические результаты диссертационной работы использованы при выполнении НИР «Применение технологии нейросетевых структур для реализации управляющих функций в системах управления с моделью» (№ ГР 1 200 700 825). Рекомендации по настройке робастных регуляторов и использованию нейросетевых структур для реализации управляющих функций переданы ООО «ТеплоЭнергоСервис» (г. Невинномысск), методика многокритериального выбора средств управления использована ООО «Ставролен» (г. Буденновск) для обоснования принятия решения при модернизации системы автоматики цеха № 1 по производству этилена, что подтверждено актами.

Ряд теоретических положений и практических решений, полученных в диссертационной работе, использован в учебном процессе Невинномысского и Георгиевского технологических институтов ГОУ ВПО «Северо-Кавказский государственный технический университет».

Автор выражает искреннюю благодарность научному руководителю заслуженному деятелю науки и техники РФ д-ру техн. наук, профессору Николаю Ивановичу Червякову.

Выводы по главе 4.

1. Обоснован метод выбора оптимальной (рациональной) архитектуры нейронной сети и нейросетевых алгоритмов управления на основе применения иерархических моделей принятия решений. Принцип иерархии, положенный в основу этого метода, предполагает последовательную декомпозицию множества целей с ростом степени детализации к нижним уровням. Построение иерархий хорошо согласуется с принципами системного подхода к анализу задачи и может оказать существенную помощь в процессе формирования и формализации предпочтений лицу, принимающему решения.

2. Для обоснованного представления альтернатив и их ранжирования составлены перечень критериев и оценочные шкалы, а также рассмотрена процедура сравнения моделей по критериям нижнего уровня иерархии, имеющих числовую форму представления. Это позволяет в совокупности с МАИ повысить устойчивость результата оценки.

3. На основе МАИ решены задачи выбора нейросетевых моделей и алгоритмов управления. Полученные результаты показывают возможность количественного обоснования принимаемых решений, проведения многовариантных расчетов и анализа задачи.

4. Использование МАИ позволяет учесть вклад каждого критерия в формирование окончательного решения о выборе рационального варианта решения, а также учесть качественный уровень предпочтений (неопределенность). Сравнение и выбор моделей с использованием метода анализа иерархий может быть расширен с учетом критериев нижнего уровня иерархии, имеющих числовую форму представления. При этом не порождаются новые критерии, а сопоставляются результаты решения по тем же критериям.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе проведены исследования, направленные на повышение эффективности функционирования робастных систем стабилизации с использованием нейросетевых моделей и модулярных регуляторов на основе ПИД-алгоритмов управления, реализованных в системе остаточных классов. В ходе выполнения работы получены следующие научные и практи ческие результаты:

1. На основе проведенных теоретических и прикладных исследований системных связей и закономерностей функционирования динамических систем с нейросетевыми моделями в контуре управления и модулярными регуляторами, функционирующими в системе остаточных классов, установлено, что применение интервальных методов, принципа переменной структуры и вычислительных структур на базе нейронных сетей и системы остаточных классов является одним из перспективных направлений реализации робастных систем стабилизации в условиях неопределенности, обеспечивающих необходимые требования к быстродействию и функциональной живучести систем.

2. Разработана методика построения интервальной модели многопараметрического динамического объекта с интервальными параметрами на основе принципа многофакторного планирования экспериментов, отличающаяся тем, что выделение неблагоприятного сочетания параметров в модели производят по расположению полюсов замкнутой системы, соответствующих максимальной степени устойчивости, а применение интервальной модели в задаче структурно-параметрического синтеза системы исключает необходимость полного перебора возможных вариантов параметров модели и обеспечивает необходимую робастность системы при любых значениях интервальных параметров.

3. Разработан метод идентификации нейросетевой модели динамических систем, включающий определение структуры и формирование алгоритма обучения нейронной сети как аппроксиматора интервальной модели динамического объекта, а также реализацию алгоритма определения рационального числа нейронов в скрытом слое нейронной сети с учетом их влияния на аппроксимирующие свойства сети и качество процессов регулирования.

4. Разработан метод и алгоритм построения робастной многомодульной системы с переменной структурой, содержащей в контуре управления несколько нейросетевых моделей объекта, каждая из которых предварительно обучена с учетом априорной параметрической неопределенности управляемого объекта, не требует текущей идентификации и в отдельности наиболее адекватна текущему состоянию объекта на определенном этапе его функционирования, что обеспечивает более высокую степень робастности при неизвестных и изменяющихся параметрах объекта.

5. Исследования переходных процессов в робастной системе с переменной структурой с многомодульной нейросетевой моделью и оптимальным упреждающим управлением на ступенчатые и близкие к ним воздействия с различными амплитудами показали, что за счет смены нейросетевь-х моделей в процессе функционирования системы можно получить апериодические переходные процессы, которые отрабатываются в 1,4−1,8 раза быстрее, чем в системе с одной нейросетевой моделью.

6. Предложены формулы для решения задачи параметрического синтеза робастных ПИД-регуляторов с использованием параметров интервальной модели объекта, не требующие информации о фиксированных точных значениях параметров объекта, что делает целесообразным их использование для построения систем в условиях неопределенности.

7. Разработаны модифицированные варианты цифрового ПИД-контроллера, функционирующего в СОК, отличающегося от известного различными структурами алгоритма управления и реализацией функций демпфирования сигнала задания, нечувствительности к «шумовой» составляющей измеряемого сигнала на входе регулятора, реального дифференцирования сигнала рассогласования и ограничения выходного сигнала по максимуму и минимуму, что удовлетворяет эксплуатационным требованиям автоматических систем.

8. Предложено за счет совмещения операций преобразований СОК-ПСС и ПСС-СОК сократить время полного преобразования СОК-ПСС на один такт, т. е. увеличить вычислительную производительность ПИД-контроллера. Разработана структура преобразователя для СОК из четырех оснований на основе использования на каждом этапе преобразования информации только табличных вычислителей без привлечения комбинационней логики. Это позволяет реализовать предложенный преобразователь на базе ПЛИС, что значительно ускоряет процесс преобразования СОК-ПСС.

9. Разработан алгоритм поиска набора оснований СОК для ПИД-контроллера, обеспечивающий наибольшую функциональную живучесть контроллера при постепенной деградации его структуры: при заданном пороге требуемой точности в 20 бит отказ двух каналов приводит к прекращению функций ПИД-контроллера с 8-ми разрядными основаниямипри той же точности контроллер с выбранными по разработанному алгоритму поиска набора оснований СОК продолжает функционировать при отказе до четырех каналов.

10. Разработана методика выбора рациональной архитектуры нейронной сети и нейросетевых алгоритмов управления на основе применения иерархических моделей принятия решений, построение которых хорошо согласуется с принципами системного подхода к анализу многокритериальной задачи выбора и позволяет учесть качественный уровень предпочтений (неопределенность). В отличие от известных подходов на основе метода анализа иерархий, сравнение и выбор моделей с использованием предложенной методики расширен с учетом критериев нижнего уровня иерархии, имеющих числовую форму представления, что повышает устойчивость решения.

Показать весь текст

Список литературы

  1. , П.С. Приближенные методы в параметрической робастно-сти линейных систем управления Текст.: дис.докт. физ.-мат. наук: 05.13.01 // П. С. Щербаков. ИПУ РАН им. В. А. Трапезникова. М., 2004. -215 с.
  2. Nozaka Y. Trend of new control theory application in industrial process control (Asurvey) / Y. Nozaka // Proc. Of 12th IFAC Word Congress, Sydney, Vol. VI, 1993.-pp. 51−56.
  3. , В.И. Нейроуправление новый раздел теории управления сложными системами Текст. / В. И. Васильев, C.B. Пантелеев // Нейрокомпьютеры: разработка и применение, № 5, 2005. — С. 33−45.
  4. , C.B. Системное проектирование средств автоматизации Текст. / C.B. Емельянов, Н. Е. Костылева, Б. П. Матич, H.H. Миловидов // -М.: Машиностроение, 1978. 190 с.
  5. , А.И. Основы нейроуправления Текст. // Приложение к журналу «Информационные технологии». 2002, № 10.
  6. В.А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления Текст. / Кн. 8: Учеб. пособие для вузов // Общая ред. А. И. Галушкина. М.: ИПРЖ, 2002. — 480 с.
  7. , C.B. Разработка, исследование и применение нейросетевых алгоритмов идентификации и управления динамическими системами Текст.,: автореф. дис.канд. техн. наук: 05.13.01 / C.B. Пантелеев- Научный центр нейрокомпьютеров. М., 2005. — 21 с.
  8. Нейроматематика Текст. Кн. 6. Учебное пособие для вузов / Общ. ред. А. И. Галушкина. М.: ИПРЖР, 2002. — 425 с.
  9. , М.В. Разработка нейросетевой модели формирования управлений системами с последействием в условиях информационной неопределенности Текст.: дис.. канд. техн. наук: 05.13.01 //М.В. Щербаков. Волгогр. гос. техн. ун-т. Волгоград. 2004. — 136 с.
  10. , А.И. Теория нейронных сетей Текст.: М.: ИПРЖР, 2000. -416 с.
  11. Нейроматематика Текст. / под ред. А. И. Галушкина. М.: ИПРЖР, 2002.- 448 с.
  12. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник Текст. / Под ред. Н. Д. Егупова. 2 изд.- М.: Изд-во МГТУ им. Н. Э. Баумана, 2002. — 744 с.
  13. , А.И. Нейрокомпьютеры Текст. / Кн. 3: Учеб. пособие для вузов / Общ. ред. А. И. Галушкина. М.: ИПРЖР, 2000. 416 с.
  14. , А.И. Нейросетевая реализация процедуры идентификации динамических систем Текст.: автореф. на соиск.. канд. техн. наук: 05.13.01.- М.: Моск. гос. технич. ун-т им. Н. Э. Баумана, 2000.
  15. Нейроинформатика Текст. / А. Н. Горбань, B. JL Дунин-Барковский, А. Н. Кирдин и др. Новосибирск: Наука. Сибирское отделение РАН, 1998. — 296 с.
  16. , С. Нейронные сети для обработки информации Текст. / Пер. с польского И. Д. Рудинского. М.: Финансы и статистика, 2002. — 344 с.
  17. , Д.Н. Реализация ПИД-закона регулирования в системе остаточных классов на ПЛИС фирмы Xilinx Текст. / Д. Н. Югов // Мехатроника, автоматизация, управление. М.: изд-во «Новые технологии», 2007, № 7. — С. 40−44.
  18. , H.H. Элементы теории оптимальных систем Текст. / H.H. Моисеев //- М.: Наука, 1975. 528 с.
  19. Цыпкин, Я.3. Адаптивные методы выбора решений в условиях неопределенности Текст. / Я.3. Цыпкин // — Автоматика и телемеханика. 1976. — № 4.-С. 78−91.
  20. , A.A. Основы теории оптимальных автоматических систем Текст. / A.A. Фельдбаум. изд. 2-е, испр. и доп. // - М.: Наука, 1966. — 623 с.
  21. , М.Ю. Современное состояние и возможные пути решения проблем построения систем управления технологическими процессами Текст. / М. Ю. Сергин // Приборы и системы. Управление, контроль, диагностика. я2004, № 1.-С. 2−8.
  22. , А. Нечеткие множества, нечеткая алгебра, нечеткая статистика Текст. / А. Кандель, У.Дж. Байатт // Труды американского общества инже-неров-радиоэлектроников. 1978. — Том. 66. -№ 12. — С.37−61.
  23. , В.В. Анализ и синтез высокоточного управления летательными аппаратами Текст. /В.В. Малышев, А. И. Кибзун. — М.: Машиностроение. 1987.
  24. , С.С. Синтез робастных следящих систем для непрерывных объектов со случайными скачкообразными параметрами Текст. / Автореф. дис.. канд. физ.-мат. наук. Томский государственный университет, Томск, 2005.
  25. , Л.А. Понятие состояния в теории систем. Общая теория систем Текст. / Л. А. Заде -М.: Мир, 1966.
  26. , Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений Текст. Пер. с англ. / Под ред. H.H. Моисеева, С. А. Орловского. / Л. А. Заде М.: Мир, 1976. — 165 с.
  27. , И.Ю. Интервальный анализ Текст. / И. Ю. Шокин // Новосибирск: Наука, 1981. 112 с.
  28. , С.А. Методы интервального анализа Текст. / С. А. Калмыков, Ю. И. Шокин, 3. X. Юлдашев // Новосибирск.: Наука, 1986. 222 с.
  29. , Ф.Л. Оптимальные гарантированные оценки неопределенностей с помощью эллипсоидов Текст. / Ф. Л. Черноусько // Известия АН СССР. Техническая кибернетика. 1980, № 3. С. 3−11.
  30. , В.М. Оптимизация систем управления по минимаксному критерию Текст. / В. М. Кейн. М.: Наука, 1985. — 248 с.
  31. , А.Б. Управление и наблюдение в условиях неопределенности Текст. / А. Б. Куржанский. М.: Наука, 1977. — 392 с.
  32. Kickert, W.Y.M. Application of Fuzzy Controller in a Warm Water Plent.
  33. Текст. / W.Y.M. Kickert and oth. // «Automatica», 1976. Vol. 12, № 4. — P. 301−308.
  34. , M. Теория иерархических многоуровневых систем Текст. / М. Месарович, Д. Мако, Я. Такахара // М.: Мир, 1973. — 344 с.
  35. , В.Ф. Методы динамической идентификации биотехнологических объектов Текст. / В. Ф. Лубенцов, Д. В. Болдырев Ставрополь: Сев-КавГТУ, 2005.-84 с.
  36. , Дж.П. Робастность в статистике Текст. / Дж.П. Хьюбер // -М.: Мир, 1984.-304 с.
  37. Atsushi, Degawa. Улучшение методов обнаружения и подавления «плохой» информации при оценке состояния энергосистем Текст. / Degawa Atsushi // «Дэшси гаккай ромбуси. Trans. Inst. Elec. Eng. Jap.», 1984. № 2. — Р. 69−76 (яп.).
  38. , К. Применение теории систем к проблемам управления Текст. / К. Негойце // М.: Мир, 1981. — 179 с.
  39. Leitmann, G. Deterministic control of uncertain systems Текст. / G. Leitmann // «Mat. Model. Sci. and Technol» 4 th International Conference Zurich, 1517 August 1983. New York, 1983. -P. 1−9.
  40. , Г. Б. Оптимизация управления в линейных стохастических дифференциальных системах с неопределенными параметрами возмущений Текст. / Г. Б. Миллер, А. Р. Панков // Информационные процессы, Том 6, № 2, 2006.-С. 131−143.
  41. , А.Е. Робастная стабилизация линейного объекта при неопределенных параметрах модели Текст. / А. Е. Пелевин // Изв. РАН. Теория и системы управления, 2003, № 1. С. 40−46.
  42. , Р. Реализация в реальном времени оптимальных обратных связей по выходу для линейных систем в условиях неопределенности Текст. / Р. Габасов, Ф. М. Кирилова, Т. И. Песецкая // Изв. РАН. Теория и системы управления, 2005, № 4. С. 44−56.
  43. Gessing, R. Two-level hierarchical control for stochastic optimal resours allocation Текст. / R. Gessing // «Int. J. Control», 1985. № 1. — P. 161−175.
  44. Moorxx, R.E. A servey of interval methods for differential equations Текст. / R.E. Moorxx // «Proceedings 23 rd IEEE Conference Decising and Control, Las Vegas, Nev. 1984.-Vol. 3», New York, 1984.-P. 1529−1535.
  45. , Д.Н. Использование нечеткой логики в системах автоматического управления Текст. / Д. Н. Анисимов // Приборы и системы. Управление. Контроль, диагностика. 2001, № 8. С. 39−42.
  46. , В.М. Современные способы управления и их применение в электроприводе Текст. / В. М. Терехов // Электротехника, 2000, № 2. С. 2Г-28.
  47. , Ф. Принципы нейродинамики: Перцептрон и теория механизмов мозга Текст. / Ф. Розенблат // М.: 1965. — 480 с.
  48. , П.Н. Оптимизация управления слабоформализуемыми объектами в социально-экономических системах на основе нейросетевого моделирования Текст. / дис.. канд. техн. наук: 05.13.01, 05.13.10 / П. Н. Исаков. -Воронеж, 2004. 135 с.
  49. , А.Н. Нейронные сети на персональном компьютере Текст. / А. Н. Горбань, Д. А. Россиев Новосибирск: Наука. Сибирское отделенье РАН, 2001.-276 с.
  50. , А.Д. Некоторые особенности разностной обработки информации в нейронных сетях Текст. / А. Д. Рябинин, A.M. Шквар, А.И. Шевченко
  51. Биологическая медицинская кибернетика и бионика. Вып. 2. К., 1970. — С. 13−26.
  52. Bario, A.G. Connectionist iearning for control in Neural Networks for control. MIT Press, Cambridge, Massachsers, 1990. PP. 5−58,
  53. Levin, A.U. Control of nonlinear dynamical systems using neural networks: controllability and stabilization / A.U. Levin, K.S. Narendra // IEEE Transactions on Neural Networks. 1993. vol. 4, No. 2. — PP. 192−206.
  54. Miller, W.T. Real-Time Neural Network Control of a Biped Walking Robot // IEEE Control Systems magazine, vol. 14, no. 1, 1994. PP. 41−48.
  55. Narendra, K.S. Identification and control of dynamical systems using neural networks /K.S. Narendra, K. Parthasarathy // IEEE Transactions on Neural Networks. 1990, vol. 1, № 1. — P. 4−27.
  56. Chen, L. Nonlinear adaptive control using neural networks and multiple models. Automatica, special issue on neural network feedback control / L. Chen, K.S. Narendra.-2001, vol. 37, № 8.-P. 1245−1255.
  57. , В. В. Искусственные нейронные сети. Теория и практика Текст. / В. В. Круглов, В. В. Борисов // 2-е изд., стереотип. — М.: Горячая линия -Телеком, 2002,-382 с.
  58. , С. Нейроуправление и его приложения. Кн.2. / С. Омату, М. Ха-лид, Р. Юсоф: Пер. с англ. Н.В. Батина- Под общ. ред. А. И. Галушкина, В. А. Птичкина. Сер. «Нейрокомпьютеры и их применение». М.: ИПРЖР, 2000. -272 с.
  59. , J. М. Rein forcement learning control and pattern recognition systems II Adaptive, Learning, and Applications // J. M. Mendel, R.W. McLaren, K. S. Fu, etc. — New Jork: Academin Press, 1970. — P. 287−318.
  60. , Л.Б. Математические модели нейросетевой реализации модулярных вычислительных структур для высокоскоростной цифровой фильтрации Текст. / Л. Б. Копыткова. Дисс. на соиск. канд. физ.-мат. наук. Ставрополь. СГУ. 2001. 230 с.
  61. , И. Я. Машинная арифметика в остаточных классах Текст. / И. Я. Акушский, Д. И. Юдицкий. М.: Советское радио, 1968, — 440 с.
  62. , Д. Искусство программирования, т. 2. Получисленные алгоритмы Текст. / Д. Кнут. М.: Вильянс, 2001. — 832 с.
  63. , В.А. Система остаточных классов и надежность ЦВМ Текст. / В. А. Торгашев. М.: Сов. радио, 1973. — 120 с.
  64. Нейрокомпьютеры в остаточных классах Текст. / Н. И. Червяков, П. А. Сахнюк, А. В. Шапошников, Макоха А. Н. М.: Радиотехника, 2003. — 272 с.
  65. Модулярные параллельные вычислительные структуры нейропроцессор-ных систем Текст. / Н. И. Червяков [и др.]. М.: Физматлит, 2002. — 288 с.
  66. , Ю.А. Разработка методов моделирования параллельно-конвейерных нейросетевых структур для высокоскоростной цифровой обработки сигналов Текст. / Ю. А. Стрекалов: дис.. канд. техн. наук: 05.13.18: Ставрополь, 2006. 293 с.
  67. , A.A. Теория чисел Текст. / A.A. Бухштаб. М.: Просвещение, 1966.-384 с.
  68. , И.М. Основы теории чисел Текст. / И. М. Виноградов. М.: Наука, 1972.- 168 с.
  69. , Н.И. Применение системы остаточных классов в цифровых системах обработки и передачи информации Текст. / Н. И. Червяков. Ставрополь: СВВИУС, 1984. 84 с.
  70. , В. А. Методы и алгоритмы управления химико-технологическими процессами с применением роботов в условиях неопределенности Текст. / Автореф. дис. .д-ра техн. наук. 05.13.06. Тамбов, Тамб. гос. техн. ун-т. 2003. 25 с.
  71. , К.В. Основы метрологии, электрических измерений и стандартизации : курс лекций Электронный ресурс. / К. В. Куликов. Иваново-ИГТУ.2002.Режимдоступа:1111р://еНЬ.ispu.ru/library/lessons/Kulikov/lecture05/ht т.
  72. , Е.С. Теория вероятностей: учеб. для вузов Текст. / Е.С. Вент-цель. 8-е изд. стер. — М.: Высш. шк. 2002 — 575 с.
  73. , Е. Г. Автоматическое управление в химической промышленности Текст.: учебное пособие для ВУЗов / под ред. Е. Г. Дудникова // М.: Химия, 1987.-368 с.
  74. , Г. И. Синтез систем управления на основе критерия максимальной степени устойчивости Текст.: Библиотека по автоматике. Вып. 669 / Г. И. Загарий, А. М. Шубладзе // М.: Энергоатомиздат, 1988. — 104 с.
  75. , В.В. Методы кибернетики в химии и химической технологии Текст. / В. В Кафаров // М.: Химия, 1985. — 448 с.
  76. , В.Д. Практический математико-статистический анализ в коксохимии Текст. / В. Д. Барский, JI.A. Коган // М.: Металлургия, 1975. — 184с.
  77. , B.C. Нейронные сети. MATLAB 6 Текст.: пакеты прикладных программ. Кн. 4 / B.C. Медведев — под общ. ред. канд. техн. наук. В. Г. Потемкина // М.: Диалог — МИФИ, 2002. — 496 с.
  78. , А.И. Теория нейронных сетей Текст.: учебное пособие дляч
  79. ВУЗов. Кн. 1. Нейрокомпьютеры и их применение. / под ред. А. И. Галушкина // М.: ИПРЖР, 2000. — С. 356−404.
  80. , В. 30 years of adaptive neural networks: perceptron, madaline and backpropagation Текст. / В. Widrow, M.A. Lehr // Proceedings of the IEEE. September 1990. Vol. 78, № 9.
  81. , P.C. Нейронные сети Текст. / P.C. Дианов // Астрахань, АГТУ, 2005.-51с.
  82. , А.Н. Обучение нейронных сетей Текст. / А. Н. Горбань // М.: СП Параграф, 1990. — 159 с.
  83. , Н.И. Сравнение алгоритмов обучения нейросетевой модели управления динамическими системами Текст. / Н. И. Червяков, Т. А. Рудакова, С. Ю. Щербина // Нейрокомпьютеры: разработка, применение. М.: Радиотехника, 2008, № 1−2. — С. 57−63.
  84. , С.Г. Решение интервальных математических моделей в адаптивных системах с использованием нейронных сетей Текст. / С. Г. Чекинов // Информационные технологии, 2002. № 11. — С. 8−13.
  85. , Ф. Нейрокомпьютерная техника: Теория и практика Текст}/ Пер. с англ. Ю. А. Зуев, В. А. Точенов. Мир, 1992. — 118 с.
  86. , Н.И. Нейросетевой подход к распределению потоков транспорта на перекрестках произвольной конфигурации Текст. / Н. И. Юсупова, Д. А. Григорьев // Нейрокомпьютеры: разработка, применение. М .: 2004, № 9.-С. 23−29.
  87. , В.И. К выбору структуры нейрорегулятора в системе управления динамическим объектом Текст. / В. И. Васильев, С. С. Валеев, A.A. Щи-лоносов // Нейрокомпьютеры: разработка, применение. М.: 2001, № 4−5. — С. 52−60.
  88. , В.И. Оценка сложности нейросетевых моделей на основе энтропийного подхода Текст. / В. И. Васильев, С. С. Валеев // Нейрокомпьютеры: разработка, применение. -М.: 2004, № 9. С. 10−16.
  89. Фильтрация и стохастическое управление в динамических системах Текст. Под ред. К. Т. Леондеса. М.: Мир, 1980. — 407 с.
  90. , В.А. Алгоритм определения оптимальной структуры нейронной сети в процессе адаптации электронный ресурс. / В. А. Камаев, М. В. Щербаков // Режим доступа. http://dgma.donetsk.ua/~el
  91. , В.Ф. Исследование САУ процессом ферментации с применением технологии нейронных сетей Текст. / В. Ф. Лубенцов // Приборы и системы. Управление, контроль, диагностика. 2005, № 9. — С. 1−4.
  92. , В.А. Нейросетевые системы управления. Текст. / В. А. Терехов, Д. В. Ефимов, И.Ю. Тюкин- под общ. ред. А. И. Галушкина // Кн. 8. Нейрокомпьютеры и их применение. М .: ИРПЖ, 2002. — 480 с.
  93. , Н.И. Нейросетевая система автоматического управления с переменной структурой Текст. / Н. И. Червяков, В. Ф. Лубенцов, Т. А. Рудакова // Инфокоммуникационные технологии. 2008, № 1. — С. 8−12.
  94. , В.Я. Теория автоматического управления : учебник для студентов вузов Текст. / В. Я. Ротач. 4-е изд. — М.: Изд-во МЭИ, 2007. — 400 с
  95. , В.Я. Расчет настройки реальных ГШД регуляторов Текст. / В. Я. Ротач // Теплоэнергетика, 1993, № 10.
  96. , Н.И. Оптимизация одноконтурных АСР с многопараметрическими регуляторами Текст. / Н. И. Смирнов, В. Р. Сабанин, А. И. Репин // Промышленные АСУ и контроллеры. 2005, № 7. С. 24−28.
  97. , И.М. Новое поколение интеллектуальных регуляторев Текст. / И. М. Макаров [и др.] // Приборы и системы управления. 1997, № 3. -С. 2−6.
  98. Ortega, R. Nonlinear PI control of uncertain systems: an alternative to parameter adaptation / R. Ortega, A. Astolfi, N.E. Barabanov // Systems & Control Letters. 2002. Vol. 47. № 3. P. 259−278.
  99. Scott G.M., Shavlik J.W., Ray W.H. Refining PID controllers using neural nets // In: Advances in Neural Information Processing Systems / Eds. J. E Moody, S.J. Hanson, R.P. Lippmann San Mateo, CA: Morgan Kaufmann, 1992. — p. 555 562.
  100. , H.B. Оптимизация настройки робастных регуляторов с помощью «оврагоперешагового» алгоритма нелинейной минимизации Текст. / Н. В. Мань // Теплоэнергетика. 1995. — № 10. — С. 58−65.
  101. Jones, А.Н. Genetic tuning of non-linear PID-controllers // In: Artificial Neural Nets and Genetic Algorithms. Procs. of the Int. Conf. in Ales, France, 1995 / Eds. D.W. Pearson, N.C. Steele, R.F. Albrecht). Wien: Springer Verlag, 1995. -p. 412−415.
  102. , Г. К. Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 1. Моделирование Текст. / Г. К. Вороновский, К. В. Махотило, С. А. Сергеев // Проблемы общей энергетики.2006, № 14.-С. 50−61.
  103. , Г. К. Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Часть 2. Управление Текст. / Г. К. Вороновский, К. В. Махотило, С. А. Сергеев // Проблемы общей энергетики.2007.-№ 16.-С. 54−66.
  104. , Н.И. Модулярные ПИД-регуляторы на базе нейронных сетей конечного кольца Текст. / Н. И. Червяков, Д. Н. Югов, A.B. Лавриненко // Нейрокомпьютеры: разработка, применение. М.: изд-во «Радиотехника», 2007, № 5.-С. 40- 48.
  105. Шульце, К.-П. Инженерный анализ адаптивных систем Текст. / К.-П. Шульце, К.-Ю. Реберг. М.: Мир., 1992. С. 264−265.
  106. , М.А. Расчет настроек ПИД регуляторов при цифровой реализации алгоритма регулирования Текст. / М. А. Панько // Теплоэнергетика. 2004. № 10.-С. 28−32.
  107. Буй Хай Шон. Параметрический синтез и анализ АСР с ПИД-алгоритмами различной структуры: автореф. дис.. канд. техн. наук / Буй Хай Шон. -М.: МЭИ, 2006. 16 с.
  108. , В .Я. Интервальные итерационные алгоритмы адаптации Текст./ В. Я. Ротач // Автоматизация в промышленности, 2007, № 7. С. 6−10.
  109. , Ю.П. Планирование эксперимента при поиске оптимальных условий. Текст. / Ю. П. Адлер, Е. В. Маркова, Ю. В. Грановский // М.: Наука, изд. 2-е, пер. и доп. 1976. — 279 с.
  110. , А.И. Методы теории автоматического управления, ориентированные на применение ЭВМ. Линейные стационарные и нестационарные модели: учебник для вузов Текст. / А. И. Трофимов, Н. Л. Егупов, А. Н. Дмитриев. — М.: Энергоатомиздат, 1997. — 656 с.
  111. , В.Ф. Исследование динамики систем с непрерывными аппроксимирующими функциями управления Текст. / В. Ф. Лубенцов // Наука и технологии. М.: РАН, 2005. — С. 469−476.
  112. Преобразователи частоты для частотно регулируемого асинхронного электропривода. Применение частотно-регулируемого асинхронного электропривода Электронный ресурс.: каталог / ООО «СибАрт». www. sibart-sib.ru/catalogue/oborud/pch-02.html .
  113. , А.И. Системы цифрового управления в химической промышленности Текст. / А. И. Голант. М.: Химия, 1985. — 256 с.
  114. , Р. Цифровые системы управления: Пер. с англ.Текст. / Р. Изерман. М.: Мир, 1984. — 541с.
  115. R., Jenkins Н. «Ultra-High Precision Control», in The Control Handbook, CRC Press, 1996.
  116. Garcia, A. Implementation of High Performance PID Controllers Using RNS and Field-Programmable Devices / A. Garcia, L. Parrilla, A. Lioris. 2000 IFAC Workshop on Digital Control, 2000. — p. 628 — 631.
  117. Garcia, A. RNS-based Discrete PID Controllers with Efficient Conversion Schemes on FPL / A. Garcia, P. G. Fernandez, L. Parrilla, J. Ramirez., A. Lioris // Proc. of the XV Design of Circuits and Integrated Systems Conference. 2000, Nov.-pp. 258−263,
  118. , В.Г. Компьютерные арифметики. Ретроспективный взгляд Электронный ресурс. / В. Г. Евстигнеев // «Электроника: НТБ» № 2, 1998. ЗАО РИЦ «Техносфера». http://www.electronics, ru/issue/1998/2/3.
  119. Nannarelli, A. Tradeoffs between Residue Number System and Traditional FIR Filters / A. Nannarelli, Re M., G.C. Cardarilli // ISCAS 2001. Proc. Of IEEE International Symposium on Circuits and Systems. Vol. II. May 2001. P. 305 -308.
  120. Cardarilli, G.C. Reducing Power Dissipation in FIR Filters using the Residue Number System / G.C. Cardarilli, A. Nannarelli, ., Re M. // Proc. Of 43rd IEEE Midwest Symp. On Circuits and Sysytems. Aug. 2000. P. 320 323.
  121. , A.JI. Особенности реализации устройств цифровой обработки сигналов в интегральном исполнении с применением модулярной арифметики Текст. / А. Л. Стемпковский, А. И. Корнилов, М. Ю. Семенов // Информационные технологии, № 2, 2004. С. 2 — 9.
  122. , Н. Определение знака в неизбыточных системах счисления остаточных классов Текст. / Н. Сабо // Кибернетический сборник, № 8. М., «Мир», 1964.
  123. , В.М. О сравнении чисел в непозиционных системах счисления Текст. / В. М. Амербаев, Ю. Ф. Касимов // Теория кодирования и оптимизация сложных систем. Алма-Ата: Наука, 1977. С. 47 — 54.
  124. , Ю.Д. Сравнение чисел в остаточных классах Текст. / Ю. Д Полисский // Сборник научных трудов юбилейной международной научно-технической конференции «50 лет модулярной арифметике», М.: ОАО «Ангстрем», МИЭТ, 2006. С. 274−290.
  125. Модулярные параллельные вычислительные структуры нейропроцес-сорных систем / Н. И. Червяков, П. А. Сахнюк, A.B. Шапошников, С.А. Ряд-нов- Под ред. Н. И. Червякова. М.: ФИЗМАТЛИТ, 2003. — 288 с.
  126. Szabo, N. Residue arithmetic and its applications to computer technology-/ N. Szabo, R. Tanaka-New York: McGraw-Hill, 1967.
  127. , В.М. Теоретические основы машинной арифметики Текст. / В. М. Амербаев. Алма-Ата: Наука, 1976. — 324 с.
  128. , Н. И. Нейрокомпьютеры в остаточных классах. Кн. 11: Учеб. пособие для вузов Текст. / Н. И. Червяков [и др.] — М.: Радиотехника, 2003. — 272 с.
  129. , A.A. Нейрокомпьютерные технологии в системах защиты информации: монография Текст. / A.A. Евдокимов Невинномысск, 2006. -200 с.
  130. Huang, A. Number theoretic processor / A. Huang // US Patent № 4.281.391.
  131. , Ю.Г. Арифметические коды, исправляющие ошибки Текст. / Ю. Г. Дадаев. -М.: Советское радио. 1968. 168 с.
  132. , Ю.Г. Теория арифметических кодов Текст. / Ю. Г. Дадаев. -М.: Радио и связь. 1981. 272 с.
  133. , Ю.А. Математическая модель для исследования корректирующих свойств модулярной нейрокомпьютерной системы Текст. / Ю. А. Стрекалов // Инфокоммуникационные технологии, т.2, № 4, 2004. С. 40−46.
  134. , Б.Н. Справочник по цифровой вычислительной технике. Текст. / Б. Н. Малиновский и др. Киев: Техшка, 1974. — 512 с.
  135. , Т.Л. Принятие решений. Метод анализа иерархий. Текст. / Т. Л. Саати. Пер. с англ. — М.: Радио и связь, 1993. — 320 с.
  136. Saaty, T.L. Decision making with Dependence and Feedback. Текст. / T.L. Saaty // The Analityc Network Process. Pittsburgh: PWS Publications, 2000. -370 p.
  137. , O.A. Принятие решений в условиях взаимной зависимости критериев и альтернатив сложных технических систем Текст. / O.A. Андрейчикова // Информационные технологии, 2001. № 11. — С. 14−19.
  138. , В .Я. К вопросу разработки основных вычислительных процедур метода анализа иерархий Электронный ресурс. // Электронный журнал «Исследовано в России», № 7, 2004, с. 848−863. http://zhurnal.gpi.ru/articles/2005/l 02.pdf.
  139. , А. В. Анализ, синтез, планирование решений в экономике Текст. / A.B. Андрейчиков, О. Н. Андрейчикова М.: Финансы и статистика, 2000.-368 с.
  140. , А. Н. Принятие решений на основе нечетких моделей. Примеры использования Текст. / А. Н. Борисов, O.A. Крумберг, И. П. Федоров -Рига: Зинатне, 1990. 184 с.
  141. , П. С. Теория полезности для принятия решений: Пер. с англ. Текст. / П. С. Фишберн. М.: Наука, 1977. — 352 с.
  142. , В.В. Процедура комплексной экспертной оценки перспективных образцов судовой техники Текст. / В. В. Ханычев // Приборы и системы. Управление, контроль, диагностика. 2006. № 12. С.61−64.
  143. , В.А. Нейрокомпьютеры и их применение Текст.: учебное пособие для вузов. Кн. 4. Нейронные сети: обучение, организация и применение / В.А. Головко- под общ. редакцией А. И. Галушкина. М.: ИПРЖ, 2001. -256 с.
  144. , В.И. Критерии сравнения моделей многослойных персептро-нов Текст. / В. И. Дубровин, С. А. Субботин // Сборник трудов научно-технической конференции «Нейроинформатика 2004». 4.2. — М.: МИФИ, 2004.
  145. , Т.А. Выбор нейросетевых моделей с помощью метода анализа иерархий Текст. / Т. А. Рудакова, Н. И. Червяков, В. Ф. Лубенцов // Приборы и системы. Управление, контроль, диагностика. 2008, № 5. С. 1−5.
  146. , А.Г. Синтез нейросетевых алгоритмов параметрического управления в условиях интервальной неопределенности Текст. / А. Г. Лютов // Нейрокомпьютеры: разработка, применение, № 9, 2004. С. 17−22.
Заполнить форму текущей работой

Пора сдавать?