Нейронные сети и нейроконтроллеры. Бураков М.В. - 99 стр.

UptoLike

Составители:

Рубрика:

Для линейных и слабонелинейных объектов управления клас-

сические методы идентификации могут не уступать нейросетевым

методам. Однако ИНС являются универсальным инструментом и

пригодны для идентификации существенно нелинейных объектов,

о которых имеется малый объем априорной информации.

Пример 4.1. Рассмотрим линейный динамический объект из

примера 3.13 (переходный процесс приведен на рис. 3.26). Это объ-

ект 2-го порядка, поэтому ему может соответствовать ИНС с двумя

линиями задержки (рис. 4.2).

Заметим, что структурная избыточность является характерным

свойством ИНС, поэтому в структуре, приведенной на рис. 4.2,

можно было выбрать не три, а больше нейронов скрытого слоя.

Схема моделирования представлена на рис. 4.3 (используется

метод интегрирования с постоянным шагом 0,01 с).

Далее опишем ИНС ПР с тремя входами, зададим параметры и

запустим процесс обучения:

>> net=newff([0 1; –3 3; –3 3], [3,1], {'purelin','purelin'},'trainlm');

>> P = simout';

>> T = simout1';

>> net.trainParam.show = 50;

>> net.trainParam.lr = 0.05;

>> net.trainParam.epochs = 1000;

>> net.trainParam.goal = 0.001;

>> net1 = train(net, P, T);

Рис. 4.2. Нейросетевая идентификация объекта 2-го порядка

∆

k– 1

k– 2

Нейросетевая модель

Объект