Решение задач оптимального управления с использованием математической системы MATLAB и пакета имитационного моделирования SIMULINK. Сивохин А.В - 216 стр.

     Рис. 10.18 Сигнал внешнего воздействия    Рис. 10.19 Сравнение выходных
       и управляющий сигнал                     сигналов эталонной модели и
                                              управляемого объекта
                10.4 Программная реализация процедуры синтеза
                                нейрорегулятора

   Для программной реализации этапов проектирования нейрорегулятора в
качестве нейронной модели, как для регулятора, так и для объекта будем
использовать двухслойные нейронные сети с прямой передачей сигналов.
Входной слой каждой сети имеет несколько нейронов, а функциями взвешивания,
накопления и активации являются соответственно dotprod, netsum и logsig.
Выходные слои для обоих случаев имеют такие же функции взвешивания и
накопления, а функцией активации является для них линейная функция purelin.
Сети с такой архитектурой могут воспроизводить весьма сложные нелинейные
зависимости между входом и выходом.
   Затем эти сети объединяются в одну сеть. Программно объединенная сеть
создается одной функцией newff. Два первых слоя исключаются из циклов
обучения с помощью признака learn, которому в этих слоях задается значение 0, и
вся сеть, а точнее последние два слоя обучаются на наборах вход – выход,
полученных на этапе идентификации объекта с помощью имитационной модели и
блоков To Workspace. В результате обучения формируется модель объекта
управления. Для формирования модели регулятора объединенную сеть вновь
обучают, но уже на наборах вход – выход для эталонной модели и выключенными
из процесса обучения двумя последними нейронными слоями. Так
осуществляется синтез нейрорегулятора.
   Изменяя число нейронов в слоях, количество линий задержки на входе, между
слоями и в обратной связи, а также интервал квантования и объем обучающих
последовательностей, добиваются требуемой точности моделей.

                                      216