Отправить другу/подруге по почте ссылку на эту страницуВариант этой страницы для печатиНапишите нам!Карта сайта!Помощь. Как совершить покупку…
московское время05.07.22 09:43:18
На обложку
Волго-Уральский регион в имперском пространстве: XVIII—XX…авторы — Наганава Н., Усманова Д. М., Хамамото М., ред.
Палачи: Они выполняли заказы Сталинаавторы — Петров Н. В.
Самостийная Украина: истоки предательстваавторы — Гливаковский А. К.
б у к и н и с т и ч е с к и й   с а й т
Новинки«Лучшие»Доставка и ОплатаМой КнигоПроводО сайте
Книжная Труба   поиск по словам из названия
В ЛЕТНЕЕ ВРЕМЯ ВОЗМОЖНЫ И НЕМИНУЕМЫ ЗАДЕРЖКИ ПРИ ОБРАБОТКЕ ЗАКАЗОВ
Авторский каталог
Каталог издательств
Каталог серий
Моя Корзина
Только цены
Рыбалка
Наука и Техника
Математика
Физика
Радиоэлектроника. Электротехника
Инженерное дело
Химия
Геология
Экология
Биология
Зоология
Ботаника
Медицина
Промышленность
Металлургия
Горное дело
Сельское хозяйство
Транспорт
Архитектура. Строительство
Военная мысль
История
Персоны
Археология
Археография
Восток
Политика
Геополитика
Экономика
Реклама. Маркетинг
Философия
Религия
Социология
Психология. Педагогика
Законодательство. Право
Филология. Словари
Этнология
ИТ-книги
O'REILLY
Дизайнеру
Дом, семья, быт
Детям!
Здоровье
Искусство. Культурология
Синематограф
Альбомы
Литературоведение
Театр
Музыка
КнигоВедение
Литературные памятники
Современные тексты
Худ. литература
NoN Fiction
Природа
Путешествия
Эзотерика
Пурга
Спорт

/Наука и Техника

Нейросетевые системы управления — Терехов В. А., Ефимов Д. В., Тюкин И. Ю.
Нейросетевые системы управления
Терехов В. А., Ефимов Д. В., Тюкин И. Ю.
год издания — 2002, кол-во страниц — 480, ISBN — 5-93108-016-3, тираж — 1000, язык — русский, тип обложки — мягк., масса книги — 480 гр., издательство — Редакция журнала Радиотехника
серия — Нейрокомпьютеры и их применение
цена: 1000.00 рубПоложить эту книгу в корзину
Сохранность книги — хорошая

Р е ц е н з е н т:
д-р ф.-м. наук А. А. Жданов

Формат 60x90 1/16. Бумага офсетная. Печать офсетная
ключевые слова — нейросет, управлен, нейрокомп, обучаем, многослойн, обучени, адаптивн, многосвяз

Изложены вопросы теории и методы синтеза систем управления нелинейными многомерными динамическими объектами на базе обучаемых многослойных нейросетей. Приведены функциональные структуры нейросетевых систем. Рассмотрены проблемы устойчивости по Ляпунову процессов обучения на основе эквивалентного представления нейронных сетей аффинной по управлению нелинейной динамической системой; структурный и алгоритмический синтезы нейросетевых систем, базирующихся на положениях синергетической теории управления. Введён и исследован метод адаптивного управления на многообразиях. Приведено большое число примеров компьютерного моделирования нейросетевых систем управления многосвязными нелинейными объектами.

ОГЛАВЛЕНИЕ

Предисловие9
Введение14
 
Раздел I. Многослойные нейронные сети23
 
Глава 1. Архитектура искусственных нейронных сетей23
 
1.1. Биологический нейрон23
1.2. Базовый процессорный элемент (искусственный нейрон)29
1.3. Статические линейные однослойные сети30
1.4. Статические многослойные нейронные сети31
1.5. Нейронные сети с радиально-базисными функциями активации34
1.6. Динамические многослойные нейронные сети39
1.6.1. Рекуррентные сети Хопфилда40
1.6.2. Многослойные нейронные сети с элементами задержки
    во времени45
1.7. Свойства многослойных нейронных сетей48
1.7.1. Способность к обучению и накоплению информации48
1.7.2. Аппроксимационные свойства нейронных сетей50
1.7.3. Анализ аппроксимационных свойств нейронных сетей прямого
    распространения51
1.7.4. Аппроксимация и память в многослойных нейронных сетях57
 
Глава 2. Алгоритмы обучения статических
многослойных нейронных сетей64
 
2.1. Общая характеристика алгоритмов обучения искусственных
нейронных сетей64
2.2. Метод и алгоритм обратного распространения ошибки66
2.2.1. Настройка коэффициентов выходного слоя67
2.2.2. Настройка весовых коэффициентов скрытых слоёв
    нейронной сети69
2.2.3. Алгоритм обучения многослойной нейронной сети по методу BP73
2.3. Дифференциальные уравнения процессов преобразования и обучения
многослойной нейронной сети по алгоритму BP76
2.4. Эквивалентное преобразование уравнений настройки многослойной
нейронной сети по алгоритму BP77
2.5. Анализ устойчивости процессов в многослойной нейронной сети83
2.5.1. Достаточное условие устойчивости процессов обучения
    нейронной сети83
2.5.2. Устойчивость и качество непрерывных процессов обучения88
2.5.3. Устойчивость процессов в дискретные моменты времени91
2.6. Алгоритмы обучения многослойной нейронной сети в стохастической
среде98
2.7. Компьютерное исследование процессов в многослойной нейронной
сети104
2.7.1. Моделирование эквивалентной структурной схемы обучаемой
    многослойной нейронной сети104
2.7.2. Выбор параметра γ, обеспечивающего устойчивость процессов
    обучения нейронной сети при периодических воздействиях
    с интегрируемыми производными по времени107
2.7.3. Выбор параметра γ, обеспечивающего сходимость обучения
    нейронной сети при изменении эталонной функии u*111
2.7.4. Выбор параметра γ, обеспечивающего сходимость процессов
    обучения при изменении структуры нейронной сети113
 
Глава 3. Динамические алгоритмы обучения
многослойных нейронных сетей116
 
3.1. Синтез динамических алгоритмов обучения116
3.1.1. Возможные подходы к синтезу алгоритма обучения117
3.1.2. Постановка задачи синтеза динамического алгоритма118
3.1.3. Уравнение обобщённого настраиваемого объекта120
3.2. Скоростной алгоритм обратного распространения ошибки121
3.3. Условия применения метода скоростного градиента в нейросстевых
адаптивных системах управления125
3.4. Динамический алгоритм с прогнозом ошибки обучения130
3.5. Алгоритмы обучения динамических нейронных сетей136
3.5.1. Алгоритм обратного распространения ошибки во времени137
3.5.2. Алгоритм обратного распространения ошибки в структуре
    обобщённого настраиваемого объекта141
3.5.3.Условия устойчивости процессов обучения многослойной
    нейронной сети в составе обобщённого настраиваемого объекта143
3.5.4. Условие диссипативности нейросетевой системы управления145
3.5.5. Условия достижения наименьшего значения критерия обучения
    многослойной нейронной сети147
3.5.6. Обучение рекуррентных сетей Хопфилда149
3.6. Примеры компьютерного моделирования149
3.6.1. Линейная система с многослойной нейронной сетью149
3.6.2. Нелинейная система с многослойной нейронной сетью154
3.6.3. Управление нелинейным объектом на основе алгоритма BPTT155
 
Раздел II. Структурный и алгоритмический синтез
нейросетевых систем управления158
 
Глава 4. Функциональные структуры нейросстевых
систем управления159
 
4.1. Типовые модели динамических систем с многослойными нейронными
сетями159
4.1.1. Прямая модель обучения160
4.1.2. Схема обобщённого инверсного обучения161
4.1.3. Схема специализированного инверсного обучения162
4.2. Функциональные структуры систем управления с многослойными
нейронными сетями163
4.2.1. Система управления с прямой и инверсной моделями объекта
    управления163
4.2.2. Адаптивная система управления с прямой и инверсной
    моделями объекта управления164
4.2.3. Адаптивная система с прямой моделью обучения и эталонной
    моделью системы165
4.2.4. Функциональные структуры систем управления с многослойными
    нейронными сетями, настраиваемыми по алгоритмам SBP и BPP167
4.3. Методы синтеза нелинейных систем управления169
4.3.1. Метод аналитического синтеза агрегированных регуляторов169
4.3.2. Синтез регуляторов на основе нелинейного преобразования
    координат171
4.3.3. Задача управления динамическим объектом в условиях
    неопределённости173
 
Глава 5. Синергетический синтез нелинейных систем управления
с использованием многослойных нейронных сетей178
 
5.1. Особенности нейросетевого управления178
5.2. Основные положения теории синергетического управления181
5.2.1. Формальная постановка задачи183
5.2.2. Задача асимптотической стабилизации184
5.2.3. Задача стабилизации от входа к вектору состояния193
5.3. Этапы синтеза систем управления с многослойными нейронными
сетями196
5.4. Синтез функций обобщённой ошибки обучения многослойной
нейронной сети199
5.5. Обобщённая структура нейросетевых систем управления,
построенная на основе метода AKAP201
 
Глава 6. Синтез агрегированных макронеременных203
 
6.1. Процедура Tf,φ,α-преобразования203
6.2. Процедуры Tf,φ,α-преобразования специального вида207
6.3. Конструирование макропеременных из условия минимальных
энергозатрат на управление216
6.3.1. Синтез макропеременных для синергетических законов
    управления217
6.3.2. Сравнительный анализ алгоритмов оптимального управления230
6.3.3. Адаптивное управление233
 
Глава 7. Аналитический синтез оптимальных законов управления
в нелинейных динамических системах237
 
7.1. Постановка задачи аналитического синтеза нелинейных
агрегированных регуляторов на многообразиях и основные
определения237
7.2. Достаточное условие возможности синтеза единственного
агрегированного регулятора241
7.3. Необходимые и достаточные условия возможности синтеза
агрегированного регулятора для класса нелинейных объектов247
7.4. Огрубление агрегированных регуляторов249
7.5. Синтез агрегированных регуляторов в условиях неопределённости
математической модели объекта управления255
7.6. Примеры синтеза агрегированных регуляторов258
 
Глава 8. Адаптивное управление на многообразиях266
 
8.1. Постановка задачи и стратегии адаптивного управления
на многообразиях266
8.2. Синтез алгоритмов адаптации273
8.3. Условия применимости алгоритмов адаптации274
8.4. Алгоритмы адаптации в случае квадратичного сопровождающего
функционала (алгоритмы КСФ)279
8.4.1. Синтез алгоритмов адаптации КСФ279
8.4.2. Условия применимости алгоритмов КСФ282
8.4.3. Идентифицирующие свойства алгоритмов КСФ287
8.4.4. Огрубление алгоритмов КСФ288
8.5. Синтез алгоритмов КСФ в случае нарушения условия выпуклости293
8.5.1. Подход к решению задачи синтеза алгоритмов адаптивного
    управления в невыпуклых задачах297
8.5.2. Ослабление условий физической реализуемости алгоритмов
    КСФ в невыпуклых задачах307
8.6. Примеры синтеза систем с алгоритмами адаптивного управления
на многообразиях314
8.6.1. Адаптивное управление скоростью вращения коленчатого вала
    двигателя внутреннего сгорания314
8.6.2. Адаптивное управление космическим летательным аппаратом317
 
Раздел III. Синтез нейросетевых систем управления320
 
Глава 9. Синтез нейросетевых систем управления нелинейными
динамическими объектами с непрерывной математической
моделью320
 
9.1. Методика синтеза нейросетевых систем управления320
9.1.1. Случай выполнения условий достижимости320
9.1.2. Анализ условий применимости процедуры обучения
    многослойной нейронной сети в случае нарушения условий
    достижимости327
9.2. Синтез адаптивной нейросетевой системы стабилизации330
9.2.1. Регулярная задача332
9.2.2. Критическая задача336
9.3. Сравнительный анализ методов синтеза нейросетевых систем
управления343
9.3.1. Метод AKAP343
9.3.2. Нейросетевая система управления345
9.4. Адаптивная система управления с многослойной нейронной сетью348
9.5. Синтез автоколебательной системы управления352
 
Глава 10. Примеры синтеза нейросетевых систем управления355
 
10.1. Система управления скоростью вращения вала двигателя
внутреннего сгорания на холостом ходу355
10.1.1. Постановка задачи356
10.1.2. Синтез регулятора основного контура с астатизмом
    нулевого порядка358
10.1.3. Синтез регулятора основного контура с астатизмом
    1-го порядка363
10.2. Синтез адаптивной системы управления скоростью вращения вала
двигателя в режиме холостого хода367
10.2.1 Синтез адаптивной системы управления идентификационного
    типа367
10.2.2 Синтез системы прямого адаптивного управления скоростью
    вращения вала двигателя внутреннего сгорания371
10.2.3. Синтез нейросетевой адаптивной системы управления
    скоростью вращения вала двигателя на холостом ходу373
10.2.4. Компьютерное моделирование адаптивной системы управления
    скоростью вращения вала двигателя375
10.3. Задача управления движением корабля на воздушной подушке
в аварийных ситуациях382
10.3.1. Аналитическое решение задачи384
10.3.2. Нейросетевое управление движением КВП394
 
Заключение399
 
Приложение 1. К анализу аппроксимационных свойств нейросетей401
Приложение 2. К анализу устойчивости процессов обучения многослойных
нейронных сетей403
Приложение 3. Скоростной алгоритм обратного распространения ошибки415
Приложение 4. К условиям применения метода скоростного градиента
(теоремы 3.1, 3.2) и устойчивости процессов обучения многослойной
нейросети в составе обобщенного настраиваемого объекта
(теоремы 3.3, 3.5 и 3.6)418
Приложение 5425
П5.1. К геометрическим свойствам динамических систем425
П5.2. Устойчивость от входа к вектору состояния427
П5.3. Доказательства лемм, теорем и их следствий в главе 5433
Приложение 6. К выбору макропеременных в задаче аналитического
синтеза нейросетевых систем управления436
Приложение 7. К аналитическому синтезу нелинейных агрегированных
регуляторов444
Приложение 8. Доказательства утверждений, лемм и теорем в главе 8452
Приложение 9. Доказательства теорем и следствий в главе 9470
 
Литература472

Книги на ту же тему

  1. Нейросетевые системы управления, Терехов В. А., Ефимов Д. В., Тюкин И. Ю., 2002
  2. Нейронные сети, генетические алгоритмы и нечёткие системы, Рутковская Д., Пилиньский М., Рутковский Л., 2008
  3. Функциональные связи нейронов моторной коры при обучении: Пространственно-временная организация, Богданов А. В., Галашина А. Г., 2003
  4. Нечёткие модели и сети, Борисов В. В., Круглов В. В., Федулов А. С., 2007
  5. Модернизация системы налогового контроля на основе нейросетевых информационных технологий, Букаев Г. И., Бублик Н. Д., Горбатков С. А., Саттаров Р. Ф., 2001
  6. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов, Охтилев М. Ю., Соколов Б. В., Юсупов P. M., 2006
  7. Математическая теория обучаемых опознающих систем, Фомин В. Н., 1976
  8. Нечёткие множества в моделях управления и искусственного интеллекта, Аверкин А. Н., Батыршин И. 3., Блишун А. Ф., Силов В. Б., Тарасов В. Б., 1986
  9. Последовательные методы в распознавании образов и обучении машин, Фу К., 1971
  10. Стохастические модели обучаемости, Буш Р., Мостеллер Ф., 1962
  11. Искусственный интеллект и интеллектуальные системы управления, Макаров И. М., Лохин В. М., Манько С. В., Романов М. П., 2006
  12. Автоматизация синтеза и обучение интеллектуальных систем автоматического управления, Макаров И. М., Лохин В. М., ред., 2009
  13. Искусственный интеллект: Применение в интегрированных производственных системах, Кьюсиак Э., ред., 1991
  14. Новые методы управления сложными системами, 2004
  15. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики. — 5-е изд., стереотип., Редько В. Г., 2007
  16. Адаптация и обучение в автоматических системах, Цыпкин Я. З., 1968
  17. Адаптивные робототехнические комплексы, Тимофеев А. В., 1988
  18. Неадаптивное и адаптивное управление манипуляционными роботами, Вукобратович М., Стокич Д., Кирчански Н., 1989

Напишите нам!© 1913—2013
КнигоПровод.Ru
Рейтинг@Mail.ru btd.kinetix.ru работаем на движке KINETIX :)
elapsed time 0.033 secработаем на движке KINETIX :)