Метод контроля состояния подсистемы (объекта) при неполной измерительной информации о совокупности параметров, определяющих ее динамику. I. Анализ структуры нейронной сети, приспособленной к динамическому характеру анализируемой информации
Автор: Малыхина Г.Ф., Меркушева А.В.
Журнал: Научное приборостроение @nauchnoe-priborostroenie
Рубрика: Оригинальные статьи
Статья в выпуске: 1 т.14, 2004 года.
Бесплатный доступ
Ограниченность концепции локальной стационарности сигналов в информационно-измерительных системах (ИИС) и информационно-управляющих системах (ИУС), отражающих состояние контролируемого объекта (подсистемы), требует использования более совершенных методов анализа и обработки сигналов - времячастотных преобразований и алгоритмов для нейронных сетей (НС). Существенной является проблема, когда контроль состояния подсистемы (объекта) ведется в условиях отсутствия воздействия некоторых параметров состояния на датчики измерительной системы, т. е. при неполной информации. Решение этой проблемы получено на основе анализа уравнений динамики системы объект-ИИС (в пространстве параметров состояния) и использования алгоритмов темпоральных нейронных сетей. Первая (из 3) часть статьи рассматривает особенности структуры и алгоритмов обучения НС, которые могут адекватно отражать динамику данных и контролируемого процесса. Структуры нейронных сетей анализируются на основе понятия нейронного фильтра, а обучение - на основе время-зависимого алгоритма обратного распространения.
Короткий адрес: https://sciup.org/14264328
IDR: 14264328
Список литературы Метод контроля состояния подсистемы (объекта) при неполной измерительной информации о совокупности параметров, определяющих ее динамику. I. Анализ структуры нейронной сети, приспособленной к динамическому характеру анализируемой информации
- Miller R. Representation of brief temporal patterns, Hebbian synapses, and the left-hemisphere dominance for phoneme recognition//Psychobiology. 1987. V. 15. P. 241-247.
- Смит Д.М. Математическое и цифровое моделирование для инженеров и исследователей. М.: Машиностроение, 1980. 271 с.
- Рабинер Л., Голд Б. Теория и применение цифровой обработки сигналов. Пер. с английского. М.: Мир, 1978. 848 с.
- De Vries B., Principe J.C. The Gamma-model -a new neural model for temporal processing//Neural networks. 1992. V. 5. P. 565-576.
- Waibel A., Hanazawa T., Hinton G., Shikano K., Lang K.J. Phoneme recognition using time-delay neural networks//IEEE Transactions on Acoustic, Speech and Signal Processing. V. ASSP-37. P. 328-339.
- Меркушева А.В. Классы преобразований нестационарных сигналов в информационно-измерительных системах. II. Время-частотные преобразования//Научное приборостроение. 2002. T. 12, № 2. C. 59-70.
- Haykin S. Neural networks. NY.: Prentice Hall, 1999. 842 p.
- Mozer M.C. Neural net architectures for temporal sequence processing//Time series prediction: forecasting the future and understanding the past/Eds. Weigend A.S., Gershenfeld N.A. Readig, MA.: Addison-Wesley, 1994. P. 243-264.
- Уоссерман Ф. Нейрокомпьютер и его применение/Пер. с англ. под редакцией А.И. Галушкина. М.: Мир, 1992. 236 с.
- Меркушева А.В. Применение нейронных сетей для текущего анализа нестационарного сигнала (речи), представленного его вейвлет-отображением. I. Основные принципы//Научное приборостроение. 2003. T. 13, № 1. C. 64-71.
- Sandberg I.A., Xu L. Uniform approximation of multidimensional myopic maps//IEEE Transactions on Circuits and Systems. 1997. V. 44. P. 477-485.
- Sandberg I.A., Xu L. Uniform approximation and gamma-networks//Neural Networks. 1997. V. 10. P. 781-784.
- Haykin S., Van Veen B. Signals and Systems. NY.: Willey, 1998. 440 p.
- Уидроу Б., Стирнз С. Адаптивная обработка сигналов. М.: Радио и связь, 1989. 439с.
- Химмельблау Р. Прикладное нелинейное программирование. М.: Мир, 1975. 534с.
- Wan E.A. Temporal back-propagation for FIR neural networks//IEEE Intern. Joint Conference on Neural Networks (San Diego, CA.). 1990. V. 1. P. 557-580.
- Wan E.A., Beaufays F. Diagramming derivation of gradient algorithm for neural networks//Neural Computation. 1996. V. 8. P. 182-201.
- Бендат Дж., Пирсол А. Прикладной анализ случайных данных. М.: Мир, 1989. 540 с.
- Proakis J.G. Digital communication. NY.: Mc Grow-Hill, 1989. 560 p.
- Haykin S. Adaptive filtering theory. NY.: Willey, 1996. 693 p.
- Narendra K.S., Parthasarathy K. Identification and control of dynamic systems using neural nets//IEEE Transactions on Neural Networks. 1990. V. 1. P. 4-27.
- Льюнг Л. Идентификация систем. М.: Наука, 1991. 431 с.
