ВУЗ:
Составители:
Рубрика:
133
к синтезу регулятора того или иного класса, нажав кнопки
Apply
и
Ok.
9.
Если результаты обучения неприемлемы, то следует нажать
кнопку
Cаncel и повторить процесс идентификации сначала, изменяя
архитектуру сети и параметры обучающей последовательности.
10.
Обучающую последовательность можно импортировать из
рабочей области или из файла, нажав на кнопку
Import Data. Если
необходимо обучающую последовательность сохранить в рабочей
области или в файле для подбора параметров архитектуры нейрон-
ной сети, то следует после получения данных нажать на кнопку
Export Data.
11.
Удалить только что сгенерированные данные при необходи-
мости можно с помощью кнопки
Erase Generated Data.
Таким образом, диалоговая панель
Plant Identification позволяет
идентифицировать управляемый процесс, представленный в виде
имитационной модели
Simulink, построить двухслойную нейронную
сеть прямой передачи сигнала с необходимым числом нейронов и
линий задержки, обучить эту сеть для получения нейронной модели
управляемого процесса, оценить качество обучения и работу ней-
ронной сети. Для регулятора на основе авторегрессии со скользящим
средним, этап его синтеза отсутствует, так как такой регулятор пред-
ставляет собой
полученную нейросетевую модель управляемого
процесса с предсказанием. Для регуляторов на основе эталонной мо-
дели с предсказанием, этап синтеза необходим.
Управление с предсказанием использует принцип управляющего
горизонта, когда нейросетевая модель управляемого процесса пред-
сказывает реакцию объекта управления на определенном интервале
времени в будущем. Предсказания используются программой чис-
ленной оптимизации для того, чтобы
вычислить управляющий сиг-
нал, который минимизирует следующий критерий качества управле-
ния:
,2)]j(tU1)j(tU[ρj)](tYj)(t[YY
u
2
1
N
1j
2
N
Nj
2
mr
∑∑
==
−+
′
−−+
′
++−+=
где константы N
1
, N
2
,
N
u
задают пределы, внутри которых вычисля-
ются ошибка слежения и мощность управляющего сигнала;
к синтезу регулятора того или иного класса, нажав кнопки Apply и Ok. 9. Если результаты обучения неприемлемы, то следует нажать кнопку Cаncel и повторить процесс идентификации сначала, изменяя архитектуру сети и параметры обучающей последовательности. 10. Обучающую последовательность можно импортировать из рабочей области или из файла, нажав на кнопку Import Data. Если необходимо обучающую последовательность сохранить в рабочей области или в файле для подбора параметров архитектуры нейрон- ной сети, то следует после получения данных нажать на кнопку Export Data. 11. Удалить только что сгенерированные данные при необходи- мости можно с помощью кнопки Erase Generated Data. Таким образом, диалоговая панель Plant Identification позволяет идентифицировать управляемый процесс, представленный в виде имитационной модели Simulink, построить двухслойную нейронную сеть прямой передачи сигнала с необходимым числом нейронов и линий задержки, обучить эту сеть для получения нейронной модели управляемого процесса, оценить качество обучения и работу ней- ронной сети. Для регулятора на основе авторегрессии со скользящим средним, этап его синтеза отсутствует, так как такой регулятор пред- ставляет собой полученную нейросетевую модель управляемого процесса с предсказанием. Для регуляторов на основе эталонной мо- дели с предсказанием, этап синтеза необходим. Управление с предсказанием использует принцип управляющего горизонта, когда нейросетевая модель управляемого процесса пред- сказывает реакцию объекта управления на определенном интервале времени в будущем. Предсказания используются программой чис- ленной оптимизации для того, чтобы вычислить управляющий сиг- нал, который минимизирует следующий критерий качества управле- ния: N2 Nu Y= ∑ j= N1 [Yr (t + j) − Ym (t + j)]2 + ρ ∑[U′(t + j − 1) − U′(t + j − 2)] , j=1 2 где константы N1, N2, Nu задают пределы, внутри которых вычисля- ются ошибка слежения и мощность управляющего сигнала; 133
Страницы
- « первая
- ‹ предыдущая
- …
- 131
- 132
- 133
- 134
- 135
- …
- следующая ›
- последняя »