Нейронные сети и нейроконтроллеры. Бураков М.В. - 120 стр.

UptoLike

ВУЗ: 

СПб ГУАП | Санкт-Петербург

Составители: 

Рубрика: 

120
странства состояний объекта управления. Пройдя через нейроэму-
лятор, ошибка распространяется далее через нейроконтроллер, но
теперь ее прохождение сопровождается коррекцией весовых коэф-
фициентов НК. Нейроэмулятор при этом выполняет функции до-
полнительных слоев нейронной сети НК, в которых веса связей не
корректируются.
4.5. Нейроконтроллеры в MatLab
Нейронные сети успешно применяются при синтезе систем
управления динамическими процессами. Универсальные возмож-
ности аппроксимации многослойных ИНС прямого распростране-
ния позволяют решать задачи идентификации, проектирования и
моделирования нелинейных систем управления.
В пакете прикладных программ Neural Network toolbox реали-
зованы три варианта контроллеров:
1. Контроллер с предсказанием (NN Predictive Controller).
2. Контроллер на основе авторегрессии со скользящим средним
(NARMA – L2 Controller).
3. Контроллер на основе эталонной модели (Model Reference
Controller).
Все эти варианты требуют выполнения двух этапов проектиро-
вания: идентификации управляемого процесса и синтеза закона
управления.
На этапе идентификации разрабатывается модель управляемого
процесса в виде ИНС, которая затем используется для синтеза ре-
гулятора.
Схема идентификации управляемого процесса приведена на
рис. 4.29. Она включает в себя модель управления в виде ИНС, ко-
торая должна быть обучена в автономном режиме так, чтобы мини-
мизировать ошибку между выходами объекта и модели: e = y
p
– y
m
для последовательности пробных входных сигналов u.
Для идентификации применяется двухслойная ИНС с линиями
задержки (рис. 4.30). Модель использует предыдущий вход и пре-
дыдущий выход объекта для предсказания его будущего выхода.
Модель обучается в режиме offline, используя накопленную ра-
нее информацию о поведении объекта.
Настройка ИНС производится по данным испытаний реального
объекта. Метод обучения может быть любым из имеющегося набо-
ра.

Страницы