Рецензенты:
кафедра систем автоматического управления Таганрогского государственного радиотехнического университета им. В. Д. Калмыкова (зав. кафедрой — д. техн. наук, проф. А. А. Колесников);
д. техн. наук, ст. науч. сотр. В. В. Ефимов (Военный инженерно-космический университет им. А. Ф. Можайского, г. Санкт-Петербург)
Формат 60x88 1/16. Бумага офсетная № 1. Печать офсетная

В пособии изложены вопросы теории и методы синтеза систем управления нелинейными динамическими объектами на основе обучаемых многослойных нейронных сетей. Значительное внимание уделено фундаментальным свойствам нелинейных многослойных нейросетей и алгоритмам их обучения в реальном времени.

Приведены базовые функциональные структуры нейросетевых динамических систем управления и идентификации состояния. Структурный и алгоритмический синтез нейросетевых систем основывается на положениях теории синергетического управления. Рассмотрены примеры, иллюстрирующие использование многослойных нейронных сетей в качестве нелинейных регуляторов, и примеры компьютерного моделирования нейросетевых систем управления многосвязными нелинейными объектами с применением пакета MATLAB 6.0.

Для студентов высших учебных заведений, обучающихся по специальности «Управление и информатика в технических системах» и направлению «Автоматизация и управление».

Предисловие	3
Введение	6

Глава 1. Многослойные нейронные сети	13
1.1. Классификация искусственных нейронных сетей	14
1.2. Базовый процессорный элемент (искусственный нейрон)	17
1.3. Статические линейные однослойные сети	18
1.4. Статические многослойные нейронные сетн	19
1.5. Нейронные сети с радиально-базисными функциями активации	22
1.6. Динамические многослойные нейронные сети	26
1.6.1. Сети Хопфилда	27
1.7. Свойства многослойных нейронных сетей	33
1.7.1. Способность к обучению и накоплению информации	33
1.7.2. Аппроксимационные свойства нейронных сетей	33
1.7.3. Аппроксимация и память в многослойных нейросетях	35

Глава 2. Алгоритмы обучения статических многослойных нейронных сетей	41
2.1. Общая характеристика алгоритмов обучения искусственных нейросетей	41
2.2. Метод и алгоритм обратного распространения ошибки	43
2.2.1. Настройка коэффициентов выходного слоя	44
2.2.2. Настройка весовых коэффициентов скрытых слоёв нейросети	47
2.2.3. Алгоритм обучения многослойной нейросети по методу ВР	51
2.3. Дифференциальные уравнения процессов преобразования и обучения многослойной нейросети по алгоритму ВР	54
2.4. Эквивалентное преобразование уравнений настройки многослойной нейросети по алгоритму ВР	56
2.5. К анализу устойчивости процессов в многослойной нейросети	61
2.5.1. Достаточное условие устойчивости процессов обучения нейросети	61
2.5.2. Устойчивость и качество непрерывных процессов обучения	63
2.5.3. Устойчивость процессов в дискретные моменты времени	67
2.6. Компьютерное исследование процессов в многослойной нейронной сети	73
2.6.1. Моделирование эквивалентной структурной схемы обучаемой многослойной нейросети	73
2.6.2. Выбор параметра γ, обеспечивающего устойчивость процессов обучения нейросети при периодических воздействиях с интегрируемыми производными по времени	76
2.6.3. Выбор параметра γ, обеспечивающего сходимость процесса обучения нейросети при изменении эталонной функции u*	79
2.6.4. Выбор параметра γ, обеспечивающего сходимость процесса обучения при изменении структуры нейросети	81

Глава 3. Динамические алгоритмы обучения многослойных нейронных сетей	85
3.1. Синтез динамических алгоритмов обучения	85
3.1.1. Возможные подходы к синтезу алгоритма обучения	85
3.1.2. Постановка задачи синтеза динамического алгоритма	89
3.1.3. Уравнение обобщённого настраиваемого объекта	91
3.2. Скоростной алгоритм обратного распространения ошибки	92
3.3. Условия применения метода скоростного градиента в нейросетевых адаптивных системах управления	96
3.4. Динамический алгоритм с прогнозом ошибки обучения	98
3.5. Алгоритмы обучения динамических нейронных сетей	104
3.5.1. Алгоритм обратного распространения ошибки во времени	104
3.5.2. Алгоритм обратного распространения ошибки в структуре обобщённого настраиваемого объекта	111
3.5.3. Обучение сетей Хопфилда	116
3.6. Примеры компьютерного моделирования	116
3.6.1. Нейросетевая система с линейным объектом	116
3.6.2. Нейросетевая система с нелинейным объектом	120
3.6.3. Управление нелинейным объектом на основе алгоритма ВРТТ	122

Глава 4. Функциональные структуры нейросетевых систем управления	124
4.1. Типовые модели динамических систем с многослойными нейронными сетями	125
4.1.1. Прямая модель обучения	125
4.1.2. Схема обобщённого инверсного обучения	126
4.1.3. Схема специализированного инверсного обучения	127
4.2. Функциональные структуры систем управления с многослойными нейросетями	129
4.2.1. Система управления с прямой и инверсной моделями объекта	129
4.2.2. Адаптивная система управления с прямой и инверсной моделями объекта управления	130
4.2.3. Адаптивная система непрямого действия с прямой и инверсной моделями обучения	131
4.2.4. Функциональные структуры систем управления с многослойными нейросетями, настраиваемыми по алгоритмам SBP и ВРР	137

Глава 5. Синергетический подход к синтезу нейросетевых систем управления	139
5.1. Теория синергетического управления	139
5.2. Синтез систем управления с многослойными нейросетями	147
5.3. Синтез функций обобщённой ошибки обучения многослойной нейросети	151
5.4. Обобщённая функциональная структура нейросетевых систем управления	152
5.5. Пример синтеза нейросетевой системы стабилизации состояния корабля на воздушной подушке	156

Заключение	162
Приложение 1. Скоростной алгоритм обратного распространения ошибки	165
Приложение 2. Элементы математического моделирования нейросетевых систем управления в программной среде MATLAB 6.0	168
Приложение 3. Текст программы моделирования обучаемой МНС в формате S-функции пакета MATLAB	174

Литература	177

Книги на ту же тему

Нейросетевые системы управления, Терехов В. А., Ефимов Д. В., Тюкин И. Ю., 2002
Математическая теория обучаемых опознающих систем, Фомин В. Н., 1976
Нейронное программирование диалоговых систем, Толкачёв С. Ф., 2006
Модернизация системы налогового контроля на основе нейросетевых информационных технологий, Букаев Г. И., Бублик Н. Д., Горбатков С. А., Саттаров Р. Ф., 2001
Нечёткие модели и сети, Борисов В. В., Круглов В. В., Федулов А. С., 2007
Стохастические модели обучаемости, Буш Р., Мостеллер Ф., 1962
Автоматизация синтеза и обучение интеллектуальных систем автоматического управления, Макаров И. М., Лохин В. М., ред., 2009
Методы принятия технических решений, Мушик Э., Мюллер П., 1990
Контроль динамических систем. — 2-е изд., перераб. и доп., Евланов Л. Г., 1979
Методы распознавания: Учебное пособие для вузов. — 3-е изд., перераб. и доп., Горелик А. Л., Скрипкин В. А., 1989
Игровое моделирование экономических процессов (деловые игры), Гидрович С. Р., Сыроежин И. М., 1976

elapsed time 0.023 sec

/Наука и Техника

ОГЛАВЛЕНИЕ

Книги на ту же тему