Прикладные интеллектуальные системы, основанные на мягких вычислениях. Ярушкина Н.Г. - 24 стр.

UptoLike

ВУЗ: 

УлГТУ | Ульяновск

Составители: 

Рубрика: 

Tools) предоставляет средства перехода от классического проектирования к
нейронно-сетевой версии нечеткого управления [4].
Вместе с тем среди специалистов в области прикладной и вычислительной
математики сохраняется некоторое недоверие к новым, нестандартным мето-
дам оптимизации систем. Этот факт стимулирует сравнительное изучение
стандартных и генетических подходов. Генетические методы представляют
особый интерес благодаря их способности решать сложную задачу оптими-
зации, используя простую и относительно недорогую модель.
В данной работе проблема оптимизации дискретного фильтра рассматри-
вается в применении к следящим системам [5]. Экспериментально сравнива-
ются два подхода к идентификации оптимального фильтра в составе стоха-
стической системы управления, работающей в условиях неопределенности:
1) метод вспомогательного функционала качества, основанный на классиче-
ских численных методах оптимизации [6] и
2) нечисленная оптимизация фильтра, использующая генетические алгорит-
мы [7, 8].
Работа построена следующим образом. Пункт 2.1.2 описывает проблему,
включая данную систему, фильтр Калмана и адаптивный фильтр. Общая
схема процесса идентификации фильтра Калмана дана в пункте 2.1.3. Крат-
кое описание генетических алгоритмов приведено в пункте 2.1.4. Пункт 2.1.5
содержит некоторые результаты вычислительных экспериментов. Пункт 2.1.6
завершает работу.
2.1.2. Постановка задачи
Для построения и изучения адаптивной следящей системы выразим зада-
чу в терминах расширенного состояния
1
x
a
(·)
.
=
x(·)
x
r
(·)
∈ R
n
,
формируемого в дискретном времени уравнением
x(t
i+1
)
x
r
(t
i+1
)
=
Φ 0
0 Φ
r
x(t
i
)
x
r
(t
i
)
+
Ψ
0
u(t
i
) +
w(t
i
)
w
r
(t
i
)
, (2.1)
E

w(t
i
)
w
r
(t
j
)
w
T
(t
i
) w
r
T
(t
j
)
=
Q 0
0 Q
r
δ
i,j
(2.2)
1
Обозначение «
.
= » вместо « = » означает в этом подразделе «равенство по определе-
нию».
24

Страницы