Метод нейросетевых алгоритмов для адаптивного контроля сложного объекта класса нелинейной динамической системы
Автор: Малыхина Г.Ф., Меркушева А.В.
Журнал: Научное приборостроение @nauchnoe-priborostroenie
Рубрика: Оригинальные статьи
Статья в выпуске: 4 т.14, 2004 года.
Бесплатный доступ
Рассмотрены прикладные элементы теории контроля и управления сложным объектом, который характеризуется многими параметрами состояния, нелинейными уравнениями динамики для этих параметров и для системы их измерения. Представление, идентификация и управление таким объектом (как нелинейной многопараметрической динамической системы, ДС) основаны на методологии нейронных сетей и даны в сопоставлении с принципами описания линейных ДС. Показано использование адаптивной схемы управления при неполной информации о модели объекта.
Короткий адрес: https://sciup.org/14264363
IDR: 14264363
Список литературы Метод нейросетевых алгоритмов для адаптивного контроля сложного объекта класса нелинейной динамической системы
- Cybenko G. Approximation by Superposition of a Sigmoidal Function//Mathematics of Control Signal and Systems. 1989. n 2. p. 303-314.
- Funahashi K. On the Approximate Realization of Continuous Mapping by Neural Network//Neural Networks. 1989. n 2. p. 183-192.
- Hasson M.M. Fundamentals of Artificial Neural Networks. Cambridge, MA: MIT Press, 1995. 186 p.
- Терехов В.А., Ефимов Д.В., Тюкин И.Ю., Антотов В.Н. Нейросетевые системы управления. СПб.: Изд-во СПб ГУ, 1999. 148 с.
- Intelligent Observer and Control Design for Nonlinear Systems/Ed. Schroder D. Berlin: Springer-Verlag, 2000. 336 p.
- Малыхина Г.Ф., Меркушева А.В. 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//Научное приборостроение. 2004. Т. 14, № 1. с. 72-84.
- Narendra K.S., Parthasarathy K. Identification and Control of Dynamical Systems Using Neural Networks//IEEE: Transactions on Neural Networks. 1990. v. 1. p. 4-27.
- Haykin S., Van Veen B. Signal and Systems. NY.: Willey, 1998. 440 p.
- Falb P.L., Wolovich W.A. Decoupling in the Design and Synthesis of Multivariable Control Systems//IEEE: Transactions on Automatic Control. 1976. v. 12. p. 651-659.
- Nijmeijer H., Schaft A.J. Nonlinear Dynamical Control Systems. NY.: Springer-Verlag, 1990. 183 p.
- Уидроу Б., Стирнз С. Адаптивная обработка сигналов. М.: Радио и связь, 1989. 439 с.
- Rosenwasser E.N., Lampe B.P., Rossenwasser E.N. Computer Controlled Systems: Analysis and Design with Process-Oriented Models (CCES Communications & Control Engineering). UK: Springer-Verlag, 2000. 500 p.
- Круглов В.В. Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия, 2001. 381 с.
- Меркушева А.В. Применение нейронной сети для текущего анализа нестационарного сигнала (речи), представленного его вейвлет-отображением. I. Основные принципы//Научное приборостроение. 2003. Т. 13, № 1. с. 64-71.
- Hornik K., Stinchcombe M., White H. Multilayer Feed-Forward Networks Are Universal Approximators//Neural Networks. 1989. N 2. p. 359-366.
- Калман Р., Фалб П., Арбиб М. Очерки по математической теории систем. М.: Мир, 1971. 398 с.
- Narendra K.S., Parthasarathy K. Gradient Methods for the Optimization of Dynamical Systems Containing Neural Networks//IEEE: Transactions on Neural Networks. 1991. v. 2. p. 252-262.
- Isidory A. Nonlinear Control Systems. NY.: Springer-Verlag, 1985. 230 p.
- Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука, 1986. 243 с.
- Bahrami M. Adaptive Control of Dynamic Systems by Back-Propagation Network//Neural Networks. 1994. v. 7, n 2. p. 409-419.
- Fung C.F. On-line Adaptive Training Using Radial Basis Functions//Neural Networks. 1996. v. 9, n 9. p. 1597-1618.