Помощь в написании студенческих работ
Антистрессовый сервис

Алгоритмы идентификации и многорежимного управления ГТД на основе нейронных сетей

ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Непрерывно повышающиеся требования к летно-тактическим характеристикам летательных аппаратов (ДА), усложнение условий их полета вызывают необходимость улучшения характеристик газотурбинных двигателей (ГТД), в первую очередь, повышения удельной и абсолютной тяги, уменьшения удельного расхода топлива, удельной массы и габаритов двигателей, обеспечения устойчивого функционирования ГТД в широком… Читать ещё >

Алгоритмы идентификации и многорежимного управления ГТД на основе нейронных сетей (реферат, курсовая, диплом, контрольная)

Содержание

  • СПИСОК ИСПОЛЬЗУЕМЫХ СОКРАЩЕНИЙ
  • ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ РЕШЕНИЯ ЗАДАЧ ИДЕНТИФИКАЦИИ И МНОГОРЕЖИМНОГО УПРАВЛЕНИЯ ГТД
    • 1. 1. Особенности ГТД как многорежимного объекта управления
    • 1. 2. Анализ методов идентификации математических моделей ГТД
    • 1. 3. Анализ методов многорежимного управления ГТД
    • 1. 4. Анализ возможностей применения НС в задачах идентификации и управления ГТД
  • Выводы по первой главе. Постановка задачи исследований
  • ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМА И МЕТОДИКИ ИДЕНТИФИКАЦИИ ГТД И ЕГО ЭЛЕМЕНТОВ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ
    • 2. 1. Общая постановка задачи идентификации ГТД и его элементов на основе нейронных сетей
    • 2. 2. Выбор структуры нейросетевой модели воздушных винтов ТВВД
    • 2. 3. Обучение параметров нейросетевой модели воздушных винтов ТВВД
    • 2. 4. Методика идентификации ГТД и его элементов на основе нейронных сетей
  • Выводы по второй главе
  • ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМОВ СИНТЕЗА НЕЙРОСЕТЕВЫХ РЕГУЛЯТОРОВ ГТД
    • 3. 1. Выбор структуры многорежимного регулятора ГТД на основе принципа минимальной сложности
    • 3. 2. Разработка и исследование алгоритмов настройки параметров нейросетевого регулятора
    • 3. 3. Синтез структуры и параметров многорежимного нейросетевого регулятора многомерного ГТД
    • 3. 4. Синтез адаптивного нейросетевого регулятора ГТД
  • Выводы по третьей главе
  • ГЛАВА 4. АНАЛИЗ ОСОБЕННОСТЕЙ ТЕХНИЧЕСКОЙ РЕАЛИЗАЦИИ НЕЙРОСЕТЕВЫХ РЕГУЛЯТОРОВ ГТД
    • 4. 1. Анализ методов программной реализации нейронных сетей
    • 4. 2. Анализ особенностей реализации нейросетевых регуляторов ГТД на базе бортовых ЭВМ
    • 4. 3. Анализ особенностей реализации нейронных сетей на базе нейропроцессоров
    • 4. 4. Особенности проектирования и реализации нейросетевых регуляторов
  • ГТД на базе ПЛИС
  • Выводы по четвертой главе

Актуальность темы

Быстрое развитие авиационной техники неразрывно связано с достижениями во многих областях науки, в том числе, с успехами в области теории и практики двигателестроения, а так же систем автоматического управления авиационными двигателями.

Непрерывно повышающиеся требования к летно-тактическим характеристикам летательных аппаратов (ДА), усложнение условий их полета вызывают необходимость улучшения характеристик газотурбинных двигателей (ГТД), в первую очередь, повышения удельной и абсолютной тяги, уменьшения удельного расхода топлива, удельной массы и габаритов двигателей, обеспечения устойчивого функционирования ГТД в широком диапазоне изменения рабочих режимов. Отличительными признаками современных ГТД являются необходимость одновременного регулирования сразу нескольких выходных параметров, широкий диапазон изменения динамических характеристик, изменение качественного и количественного состава подсистем управления в процессе функционирования, нелинейность и нестационарность характеристик двигателя.

Разработчики систем управления ГТД сталкиваются на этапе проектирования с отсутствием полной проектной и рабочей информации о характеристиках двигателя как объекта управления, условиях его функционирования, внешних и внутренних возмущенияхс неточностью располагаемых математических моделей ГТД и других элементов системы автоматического управления (САУ) — с неоднозначностью представлений о целях и задачах функционирования системы автоматического управления и состоянии окружающей среды.

Все это неизбежно приводит к существенному усложнению законов автоматического управления авиационными двигателями, и, как следствие, к усложнению их систем автоматического управления, с одновременным повышением требований к качеству и надежности их функционирования, удобству эксплуатации и т. д. Современные методы идентификации и многорежимного управления ГТД берут свое начало в работах таких ведущих ученых, как А. А. Шевяков, Б. А. Черкасов, О. С. Гуревич, Т. С. Мартьянова, Ю. М. Гусев, Б. Г. Ильясов, В. И. Васильев, Г. Г. Куликов, Ю. С. Кабальнов, В. Г. Крымский, В. Н. Ефанов.

Одним из новых перспективных направлений в области автоматического управления сложными динамическими объектами является применение интеллектуальных систем управления на основе искусственных нейронных сетей (НС). Главное преимущество данных систем управления заключается в использовании таких свойств нейронных сетей, как возможность аппроксимации произвольных нелинейных зависимостей (за что их нередко называют «универсальными аппроксиматорами»), способность к обучению, высокое быстродействие в силу параллельной природы самой сети, потенциально более высокая помехоустойчивость и отказоустойчивость. Интеллектуальным системам управления и принятия решений на основе НС посвящены работы таких ученых как Галушкин А. И., Нарендра С., Терехов В. А., Тимофеев А. В., Омату С., Юсуф Р, Юсупова Н. И. и др.

Вместе с тем, анализ современной литературы, посвященной нейронным сетям и нейросетевым системам управления, показывает, что, несмотря на ведущиеся активные разработки в этой области, до сих пор не решены многие вопросы, связанные с разработкой алгоритмов и методик идентификации нелинейных объектов на основе нейросетевых моделей, синтеза структуры и алгоритмов адаптации (обучения) параметров нейросетевых регуляторов, особенности их реализации в многорежимных системах управления нелинейными динамическими объектами. Все вышесказанное в полной мере относится и к такому сложному в динамическом отношении классу объектов управления, какими являются газотурбинные двигатели различных схем.

Таким образом, задачи идентификации характеристик ГТД и их элементов с применением нейронных сетей, а также разработки и исследования алгоритмов многорежимного управления ГТД на основе нейросетевых регуляторов и реализации этих алгоритмов и моделей в реальном времени являются актуальными.

На основании вышеизложенного можно сформулировать следующую цель и задачи исследования.

Цель и задачи исследования

Целью исследования является разработка алгоритмов и методик нейросетевой идентификации характеристик ГТД и их элементов, синтеза и обучения многорежимных нейросетевых регуляторов ГТД, а также реализации предложенных нейросетевых алгоритмов управления в реальном времени.

Для достижения поставленной цели потребовалось решить следующие задачи:

1. Разработка алгоритма и методики идентификации ГТД и его элементов на основе нейронных сетей.

2. Разработка алгоритма структурного синтеза многорежимных нейросетевых регуляторов ГТД.

3. Разработка алгоритмов инициализации и обучения параметров многорежимных нейросетевых регуляторов в составе замкнутой системы управления ГТД.

4. Разработка алгоритма обучения параметров адаптивных нейросетевых регуляторов ГТД в режиме on-line.

5. Сравнительный анализ способов реализации нейросетевых регуляторов ГТД на базе программной эмуляции нейронных сетей, нейропроцессоров, программируемых логических интегральных схем.

Методы исследования

Для решения поставленных в диссертационной работе задач использовались методы теории автоматического управления, адаптации и оптимизации, теории авиационных двигателей, систем искусственного интеллекта, теории и практики построения нейронных сетей и нейрокомпьютеров.

Научная новизна

Новизна разработанного алгоритма идентификации математической модели ГТД и его элементов в нейросетевом базисе основана на использовании модульной архитектуры НС прямого распространения, что позволило построить эффективный алгоритм идентификации на основе больших массивов экспериментальных данных, обеспечить требуемую точность идентификации при сокращении затрат памяти и времени вычислений.

Новизна предложенного алгоритма структурного синтеза многорежимных нейросетевых регуляторов ГТД заключается в разработке формализованной процедуры выбора структуры нейронной сети с учетом требований к астатизму, физической реализуемости, устойчивости и качеству переходных процессов в замкнутой системе управления на множестве заданных режимов работы двигателя, что позволяет обоснованно выбирать класс одномерных и многомерных структур нейросетевых регуляторов минимальной сложности.

Предложенный способ инициализации (предварительного обучения) параметров НС на основе анализа линеаризованной модели первого приближения нейросетевого регулятора позволяет гарантировать сходимость процесса обучения параметров и уменьшить время обучения НС, по сравнению с процедурой случайного выбора ее начальных параметров.

Предложены новые алгоритмы off-line и on-line обучения параметров нейросетевых регуляторов ГТД на основе метода симплексного поиска, обеспечивающие сходимость и высокое быстродействие процессов настройки НС при выполнении требований к качеству управления на заданном множестве режимов работы ГТД и условий полета.

Практическая значимость работы

Разработаны алгоритм и методика идентификации математической модели ГТД и его элементов в нейросетевом базисе, обеспечивающие сокращение требуемых затрат памяти в 2-т-З раза и времени вычислений по сравнению с классическими методами интерполяции нелинейных характеристик. Предложены формализованные алгоритмы синтеза структуры и обучения параметров многорежимных нейросетевых регуляторов ГТД, эффективность которых подтверждается примерами моделирования САУ в широком диапазоне изменения характеристик ГТД и условий полета. Выявлены области предпочтительного применения программной реализации нейросетевых регуляторов и моделей ГТД, а также их реализации на основе нейропроцессоров и программируемых логических интегральных схем. Перспективность предложенных алгоритмов и методик подтверждается актом их внедрения на ФГУП У HI 111 «Молния» (г.Уфа), а также актом использования полученных результатов в учебном процессе Уфимского государственного авиационного технического университета.

На защиту выносятся

1. Алгоритм и методика идентификации математической модели ГТД и его элементов на основе нейронных сетей.

2. Алгоритм и методика структурного синтеза нейросетевых многорежимных регуляторов ГТД на основе принципа минимальной сложности.

3. Алгоритм инициализации (предварительного обучения) параметров нейросетевых регуляторов ГТД.

4. Алгоритм обучения параметров адаптивных нейросетевых регуляторов в составе многорежимной системы управления ГТД.

5. Алгоритм on-line обучения нейросетевых регуляторов ГТД.

6. Рекомендации по технической реализации нейросетевых моделей и алгоритмов управления ГТД в реальном времени.

Апробация работы

Основные положения и результаты диссертации докладывались на следующих научно-технических конференциях:

• Российско-китайский симпозиум по проблемам авиадвигателестроения (г.Уфа, 1999);

• Международная молодежная научно-техническая конференция «Интеллектуальные системы управления и обработки информации» (г.Уфа, 1999);

• Вторая Всероссийская научно-техническая конференции «Нейроинформатика-2000» (г. Москва, 2000);

• Международная научно-техническая конференция «Менеджемент, управление и контроль в производственных системах» ASI-2000 (г. Бордо, Франция, 2000);

• Международная научно-техническая конференция «Идентификация систем и задачи управления» (г. Москва, 2000);

• 7-ая Национальная конференция по искусственному интеллекту КИИ'2000 (г. Москва, 2000);

• 8-ая Международная конференция по нейронным сетям ICONIP'2001 (г. Шанхай, Китай, 2001).

Объем и структура работы

Диссертационная работа включает в себя введение, четыре главы основного материала, заключение, библиографический список из 129 наименований. Работа изложена на 178 страницах, в том числе 161 страницы текста, включает 79 рисунков и 16 таблиц.

Выводы по четвертой главе

1. Проведен анализ возможности реализации НС-регуляторов с помощью процессоров фон-Неймановской архитектуры, нейропроцессоров и ПЛИС.

2. Оценены аппаратные затраты при данных способах реализации.

3. Выявлены области применения процессоров фон-Неймановской архитектуры (на примере 1806ВМ2), нейропроцессоров (на примере Л1879ВМ1) и ПЛИС (на примере ПЛИС фирмы XILINX) в зависимости от сложности НС: для НС, содержащих небольшое число синаптических связей (до 15), достаточно процессора фон-Неймановской архитектурыпри среднем количестве синаптических связей (от 15 до 300) целесообразно использовать ПЛИСдля НС с большим количеством синаптических связей (от 300 до 37 000) целесообразно использовать нейропроцессоры.

ЗАКЛЮЧЕНИЕ

В работе поставлена и решена задача разработки алгоритмов и методик нейросетевой идентификации характеристик ГТД и их элементов, синтеза и обучения многорежимных нейросетевых регуляторов ГТД, а также реализации нейросестевых моделей и алгоритмов управления в реальном времени.

При решении данной задачи получены следующие результаты и выводы:

1. Разработаны алгоритм и методика идентификации математической модели ГТД и его элементов в нейросетевом базисе, основанные на использовании модульной архитектуры НС прямого распространения. На примере нейросетевой идентификации характеристик винтовентилятора ТВВД показано, что данный подход обеспечивает сокращение затрат памяти в 2-гЗ раза и времени вычислений по сравнению с классическими методами интерполяции нелинейных характеристик.

2. Предложен алгоритм структурного синтеза многорежимных нейросетевых регуляторов ГТД на основе принципа минимальной сложности с учетом требований к астатизму, физической реализуемости, устойчивости и качеству переходных процессов на заданном множестве режимов работы ГТД.

Показано, что применение данного алгоритма позволяет обоснованно выбрать структуру нейросетевых регуляторов (включая число слоев НС, количество нейронов и связей между ними), адекватных решаемой задаче управления ГТД.

Сравнение результатов синтеза многорежимных регуляторов, построенных на базе традиционных ПИ-алгоритмов управления и нейросетевого подхода, показано, что применение нейросетевых регуляторов позволяет сократить время регулирования в 2,5ч-3,5 раза за счет естественной нелинейности характеристик НС-регуляторов на заданном множестве режимов работы ГТД. К тому же, синтезированные нелинейные регуляторы на основе НС обладают простотой и легко обучаемы с помощью стандартных средств оптимизации.

3. Предложен алгоритм получения обучающей выборки для инициализации (предварительного обучения) параметров НС на основе анализа линеаризованной модели первого приближения НС-регулятора, что позволяет обеспечить сходимость процесса обучения параметров НС и уменьшить ошибку обучения более чем в 2 раза. Разработан алгоритм обучения параметров нейросетевых регуляторов в составе замкнутой системы управления ГТД, основанный на применении метода симплексного поиска и позволяющий ускорить процесс обучения НС по сравнению с градиентными методами за счет совмещения пробных и рабочих шагов поиска.

4. Разработан алгоритм обучения параметров нейросетевых регуляторов ГТД в режиме on-line на основе выбора и оптимизации функционала качества управления, вычисляемого в пределах скользящего «временного окна» размером 5. 10 периодов дискретизации САУ. Показана работоспособность данного алгоритма в широком диапазоне изменения параметров ГТД, сформулированы рекомендации по выбору алгоритмов online обучения одномерных и многомерных нейросетевых регуляторов ГТД.

5. Проведен сравнительный анализ способов реализации многорежимных нейросетевых регуляторов ГТД на базе программной эмуляции нейронных сетей, нейропроцессоров и программируемых логических интегральных схем. Выявлены области их предпочтительного применения, в зависимости от уровня сложности решаемых задач управления и допустимых вычислительных затрат на реализацию.

Показать весь текст

Список литературы

  1. Автоматический контроль и диагностика систем управления силовыми установками летательных аппаратов / В. И. Васильев, Ю. М. Гусев, А. И. Иванов и др.- М.: Машиностроение, 1989.-240с.
  2. Адаптивные системы управления ГТД летательных аппаратов /
  3. B.Ю.Рутковский, Б. Г. Ильясов, Ю. С. Кабальнов и др.-М.: Изд-во МАИ, 1994.-224с.
  4. . Методы оптимизации. Вводный курс. М.: Радио и связь, 1998.- 128с.
  5. Е.В., Запорожец О. В. Адаптивный нейрорегулятор для нелинейного динамического объекта // Известия РАН. Теория и системы управления, № 2, 2002.-С.92−96.
  6. Т.А., Логовский А. С. Нейрокомпьютеры в управлении // Успехи современной радиоэлектроники, № 2, 1997.-С.57−71.
  7. В. Л. Как правильно выбрать нейроускоритель // Нейрокомпьютеры: разработка и применение, № 3, 2000.-С. 40−53.
  8. А.Н. Архитектурно-технологический облик интеллектуальных нейронных сетей на кремниевых пластинах и трехмерных нейрокомпьютеров // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники, 1998, № 1- с. 34−51.
  9. М.В. Синтез нейронного регулятора // Известия РАН. Теория и системы управления, № 3, 1999.-С. 140−145
  10. С.С., Шилоносов А. А., Каримов И. А. Нейросетевая модель ТВВД реального времени // Межвузовский научный сборник «Вычислительная техника и новые информационные технологии», Вып. З- Уфа: УГАТУ-1999. С. 160−169.
  11. В.И. Искусственный интеллект в системах управления и обработки информации // Вестник УГАТУ, № 1, 2000.-С.133 -140.
  12. В.И., Валеев С. С., Перельман В. И. Нейросетевые нелинейные динамические модели газотурбинных двигателей // Тезисы докладов Всесоюзной науч.-техн. конф., Тамбов, 1997. с.50−52.
  13. В.И., Валеев С. С., Шилоносов А. А. К выбору структуры нейрорегулятора в системе управления динамическим объектом // Нейрокомпьютеры: разработка и применение. 2001, № 4−5 С.52−60.
  14. В.И., Ильясов Б. Г. Интеллектуальные системы управления с использованием генетических алгоритмов: Учеб. пособие, Уфа: -УГАТУ, 1999.-105с.
  15. В.И., Ильясов Б. Г. Интеллектуальные системы управления с использованием нечеткой логики: Учеб. пособие, Уфа: УГАТУ, 1995 -80с.
  16. А.Н. Нейросимуляция // Компьютерра, № 20, 2002. С. 24−29.
  17. А. И. Современные направления развития нейрокомпьютерных технологий в России // Открытые системы, № 4,1997. С.25−28.
  18. А.И. Нейрокомпьютеры в разработках военной техники США: Обзор по материалам открытой печати // Научный центр нейрокомпьютеров, 1995.-152с.
  19. А.И. Нейрокомпьютеры восьмидесятых (начало очередной революции в области нейрокомпьютеров). // Успехи современной радиоэлектроники, № 1, 1999 С.3−16.
  20. А.И. Нейрокомпьютеры. Кн. З: Учеб. пособие для вузов.-М.: ИПРЖР, 2000.-528с.
  21. А.И. Перспективные проблемы теории нейронных сетей // Нейрокомпьютеры: разработка и применение, № 3, 2000.-С.З-12
  22. А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974.30. Галушкин А. И. Теория нейронных сетей. Кн.1: Учеб. пособие длявузов.-М.: ИПРЖР, 2000.-416с.
  23. А.И., Крысанов A.IL Оценка производительности нейрокомпьютеров // Успехи современной радиоэлектроники, № 1, 1998. С.22−33.
  24. А.И. Основы нейроуправления // Нейрокомпьютеры: разработка и применение. 2002, № 5−6 С.87−106.
  25. В.А. Нейронные сети: обучение, организация и применение. Кн.4: Учеб. пособие для вузов / Под общей ред. А. И. Галушкина.-М.: ИПРЖР, 2002.-256с.
  26. А.Н. Обучение нейронных сетей. М.: СП ПараГраф, 1990−160с.
  27. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере.-Новосибирск: Наука, 1996.-285с.
  28. Е.К., Лукьяница А. А. Искусственные нейронные сети. Основные определения и модели. // Известия АН СССР. Техническая кибернетика, № 5, 1994.-С.79−92.
  29. О.С., Гольберг Ф. Д., Селиванов О. Д. Интегрированное управление силовой установкой многорежимного самолета /Под. общ. ред. О. С. Гуревича.-М.: Машиностроение, 1993 -304с.
  30. А.П. Симплексный поиск.-М.: Энергия, 1979. 176с.
  31. А.Н. О динамическом подобии систем регулирования числа оборотов одновальных ТРД // Автоматическое регулирование двигателей летательных аппаратов: Тематич. сб. науч. трудов. М.: Труды ЦИАМ. Вып. 59. 1967. С.12−18.
  32. А.Ю. Модульные нейронные сети, http://www.user.cityline.ru/ ~alphasys/pnteor.html
  33. А.Ю., Алексеев А. А. Структурные модели быстрых нейронных сетей. В сб. «Интеллектуальные системы» /Труды П-го Международного симпозиума, под ред. К. А. Пупкова, т.2 М.: Из-во ПАИМС. 1996-С.138−143.
  34. В. Н. Бодрунов С.Д. Пути повышения эффективности применения летательных аппаратов на базе быстросчетных моделей и средств искусственного интеллекта // Мир авионики, № 2, 2002 С. 3336.
  35. В.Н. Интеллектуальные системы управления: основные понятия и определения // Известия РАН. Теория и системы управления, № 3, 1997.-С.138−145.
  36. Зотов В. WebPack ISE свободно распространяемый пакет проектирования цифровых устройств на базе плис фирмы Xilinx // Компоненты и технологии, № 6, 2001.-С.43−49.
  37. Идентификация систем управления авиационных газотурбинных двигателей / В. Г. Августинович, В. А. Акиндинов, Б. В. Боев и др.- Под ред. В. Т. Дедеша. М.: Машиностроение, 1984. — 200с.
  38. Р. Цифровые системы управления- Пер. с англ. М.: Мир, 1984.—541с.
  39. Интегральные системы автоматического управления силовыми установками самолетов / Под. ред. А. А. Шевякова. М.: Машиностроение, 1983. — 283 с.
  40. Интеллектуальные системы обработки информации на основе нейросетевых технологий: Учеб. пособие / Ю.И. Зозуля- Уфимск. гос. авиац. техн. ун-т. Уфа, 2000.-138 с.
  41. Интеллектуальные системы управления с использованием нейронных сетей: Учебное пособие // В. И. Васильев, Б. Г. Ильясов, С. С. Валеев, С. В. Жернаков, Уфа: -УГАТУ, 1997. 92с.
  42. Ю.С. Адаптивное координатно-параметрическое управление авиационными силовыми установками // Вестник УГАТУ, № 2, 2000-С.149−156.
  43. Р. Основные концепции нейронных сетей. М., Издательский дом «Вильяме», 2001 -288с.
  44. Э.Ю. Опытные образцы отечественных нейрокомпьютеров серии «Геркулес» на стандартной элементной базе // Нейрокомпьютер, № 1−2, 1997. С.49−55.
  45. А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения // Докл. АН СССР Т.114, № 5, 1957.-С.953−956.
  46. В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М., Горячая линия Телеком, 2001 — 382с.
  47. В.Г. Проблема неопределенности и проектирование систем автоматического управления ГТД. Часть I. Источники неопределенностей в задачах разработки САУ ГТД // Вестник УГАТУ, № 1,2000.-С. 123−132.
  48. А.И. СБИС L-Neuro базовый нейрочип для создания современных нейрокомпьютеров // Успехи современной радиоэлектроники, № 1, 1998. — С.18−21.
  49. Г. Г. Динамические модели авиационных ГТД для создания и эксплуатации систем автоматического управления авиационными силовыми установками // Вестник УГАТУ, № 2, 2000.-С. 157−164.
  50. Г. Г., Каримов И. А., Распопов Е. В. Электронная система автоматического управления силовой установкой самолета Ан-70 // Авиационная промышленность, № 4, 1999. С.28−32.
  51. А.С. Технология ПЛИС и ее применение для создания нейрочипов // Открытые системы, № 10, 2000.-С.19−23.
  52. В.А., Чадеев В. М. Полвека идентификации систем //Труды международной конференции «Идентификация систем и задачи управления» SICPRO'2000 (Москва, 26−28 сентября 2000 г.) -М.: ИПУ РАН, 2000.-С. 24−33.
  53. Л. Идентификация систем. Теория для пользователя: Пер. с англ.-М.: Наука. Гл. ред. физ.-мат. лит., 1991.-432с.
  54. Е.В. Применение теории подобия при проектировании систем управления ГТД. -М.: Машиностроение, 1971. 200с.
  55. Марковские модели сложных динамических систем: идентификация, моделирование и контроль состояния / Г. Г. Куликов, П.Дж. Флеминг, Т. В. Брейкин и др. Уфа: УГАТУ, 1998. — 104с.
  56. Т.С., Васильев В. И., Лютов А. Г. Критерий качества процессов управления // Автоматическое регулирование двигателей летательных аппаратов. Вып. 26- Под. ред. Ф.Н. Олифирова- Труды ЦИАМ № 1263.-М.: 1990.-С.78−82.
  57. B.C., Потемкин В. Г. Нейронные сети. MATLAB 6. Пакеты прикладных программ- Кн.4 / Под общ. ред. В. Г. Потемкина.-М.: Диалог-МИФИ, 2002.-496 с.
  58. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник / Под. ред. Н.Д. Егупова- изд. 2-ое.-М.: Изд-во МГТУ им. Н. Э. Баумана, 2002.-744 с.
  59. Многорежимные и нестационарные системы автоматического управления / Б. Н. Петров, А. Д. Александров, В. П. Андреев и др. Под ред. акад. Б. Н. Петрова.-М.: Машиностроение, 1978.-240с.
  60. А.С. Недоопределенность в системе представления и обработки знаний // Известия АН СССР. Техническая кибернетика, № 5, 1986.-С.З-28.
  61. Некоторые концептуальные вопросы развития нейрокомпьютеров / Галушкин А. И., Иванов В. В., Картамышев М. Г., Симоров С. Н., Черевков К. В. // Успехи современной радиоэлектроники, № 2, 1997.-С.3−10.
  62. Оптимизация многомерных систем управления газотурбинных двигателей летательных аппаратов / А. А. Шевяков, Т. С. Мартьянова, В. Е. Рутковский, Б. Г. Ильясов и др.: Под общей ред. А. А. Шевякова и Т. С. Мартьяновой. М.: Машиностроение, 1989. — 256с.
  63. С. Нейронные сети для обработки информации / Пер. с польского. М.: Финансы и Статистика, 2002- 344с.
  64. Проблемы проектирования и развития систем автоматического управления и контроля ГТД / С. Т. Кусимов, Б. Г. Ильясов, В. И. Васильев и др. М.: Машиностроение, 1999. — 609 с.
  65. JI.A. Случайный поиск. М.: «Знание», 1979. — 66с.
  66. Э. П. Мелса Дж.Л. Идентификация систем управления.-М.: Наука, Гл. ред. физ.-мат. лит. 1974. 248 с.
  67. Создание устройств цифровой обработки сигналов на базе программируемой логики фирмы Xilinx. ЗАО «Scan Engineering Telecom», 2001.-11 с.
  68. В.В., Бирюков В. Ф. Тумаркин В.И. Принцип сложности в теории управления (о проектировании технически оптимальных систем и проблеме корректности), М.: «Наука», 1977.-344 с.
  69. Справочник по теории автоматического управления / Под ред. А. А. Красовского.-М.: Наука. Гл. ред. физ.-мат. лит., 1987.-712с.
  70. Т. Думал ли Гильберт о нейронных сетях. // PC Week, № 13, 1999. С.20−22.
  71. Теория автоматического управления силовыми установками летательных аппаратов / Под. ред. А. А. Шевякова, М.: Машиностроение. 1976.-344с.
  72. В.А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления. Кн. 8: Учеб. пособие для вузов / Под. общей ред. А. И. Галушкина.-М.: ИПРЖР, 2002.-480 с.
  73. С.А. Нейросетевые информационные модели сложных инженерных систем. В кн.: Нейроинформатика /А.Н.Горбань, В.Л.Дунин-Барковский, А. Н. Кирдин и др. — Новосибирск: Наука, Сибирское предпр-ие РАН, 1998. — 296 с.
  74. Ф. Нейрокомпьютерная техника: Пер. с англ.-М.: Мир, 1992. 240с.
  75. Управление динамическими системами в условиях неопределенности/ С. Т. Кусимов, Б. Г. Ильясов, В. И. Васильев и др.-М.: Наука, 1998.-452с.
  76. А.И. Адаптивные системы автоматического управления авиационными двигателями с селектированием режимов // Вестник УГАТУ, № 1, 2000.-С.179−187.
  77. В.Д. Нейрокомпьютер и мозг. М.: Синтег, 2001. 248с.
  78. Я.З. Основы теории автоматических систем. М.: Наука, Физматгиз, 1977. — 560 с.
  79. .А. Автоматика и регулирование воздушно-реактивных двигателей: Учебник для ВУЗов по специальности «Авиационные двигатели». 3-е изд, М.: Машиностроение, 1988. — 360с.
  80. В.А., Власов А. И., Кузнецов А. С., Поляков Ю. А. Нейрокомпьютеры архитектура и реализация/ http://iu4.bmstu.ru
  81. В.А., Власов А. И., Кузнецов А. С., Поляков Ю. А. Элементная база параллельных вычислений // Открытые системы, № 5−6, 2001 -С. 17−22.
  82. П.А., Фомин Д. В., Черников В. М., Виксне П. Е. Архитектура нейропроцессора NeuroMatrix NM6403 // Труды V Всероссийской конференции «Нейрокомпьютеры и их применение» Москва, 17−19 февраля 1999. С.70−90
  83. П.А., Фомин Д. В., Черников В. М., Виксне П. Е. Архитектура нейропроцессора NeuroMatrix NM6403 // Нейрокомпьютеры: разработка и применение. 1998, № 3−4, С. 15−28.
  84. П.А., Фомин Д. В., Черников В. М., Виксне П. Е. Новая DSP-архитектура NeuroMatrix и традиционный RISC единое вычислительное ядро процессора NM6403 // Открытые системы, № 5−6, 1999.-С.41−44.
  85. П.А., Фомин Д. В., Черников В. М., Виксне П. Е. Применение нейропроцессора NeuroMatrix NM6403 для эмуляции нейронных сетей //Нейрокомпьютеры: разработка и применение. 1998, № 3−4 С.45−56.
  86. Н.И. Ситуационные модели при управлении сложными техническими объектами в условиях неопределенности // Вестник УГАТУ, № 2, 2000.-С.139−148.
  87. Якушев Д. Ж Реализация нейрокомпьютеров на базе ПЛИС XILINX // Труды V Всероссийской конференции «Нейрокомпьютеры и их применение» Москва, 17−19 февраля 1999. С.94−95.
  88. М.Ф., Корчагина Л. И. Особенности комплексного подхода к нейрокомпьютингу // Изв. вузов. Сер. Приборостроение, № 3, 1997. -С.5−10.
  89. Abdullahi Н., Gas Turbine Engine Model with Neural Network for Simulation of Operating Behaviour // Proceedings of the International Gas-Turbine Congress, Japan, Cobe, 1999, pp.389−396.
  90. Abdullahi H., Kurpjuhn В., Reiser M., Spirkl A. Sand ingestion tests on the MTR390 turboshaft engine // Proc. of the European Rotocraft Forum, 1998.
  91. Cybenko G. Approximation by Superposition of Sigmoidal Function.-Urbana: University of Illinois, 1989.-280p.
  92. Dodd N., Martin J. Using Neural Networks to Optimize Gas Turbine Aero Engines // Computing and Control Engeneering Journal. June, 1997, pp.29 135.
  93. Funahashi K. On the Approximate Realization of Continuous Mappings by Neural Networks //Neural Networks, Vol. 2, 1989, pp.183−192.
  94. На. С.М., Integrated Flight/Propulsion Control System Design via Neural Network // Proceedings of the IEEE International Symposium of Intelligent Control, Chicago, August, 1993, pp.116−121.
  95. Habib S, Zagloul M. System Identification Using Time Dependent Neural Networks // American Institute of Aeronautics and Astronautics, 1995, pp. l-8.
  96. Handbook of Intelligent Control: Neural, Fuzzy and Adaptive Approaches/(Ed.: David A.Write. Donald A. Sofge): Van Nostrand Reinbrold, N.Y., 1992.-558p.
  97. Haykin S. Neural Networks. A comprehensive Foundation. New York, NY: Macmillan, 1994.-686p.
  98. Hornik K.M., Stinchcombe M., White H., Multilayer Feedforward Networks are Universal Approximators // Neural Networks, Vol.2, № 5, 1989, pp. 359— 366.
  99. Jain A.K., Mao Janchang, Mohiuddin K.M., Artifical Neural Networks: A Tutorial // Computer, Vol.29, No.3, March, 1996, pp. 31−44.
  100. Kawato M., Furukawa K., Suzuki R., A hierarchical Neural Network Model for Control and Learning of Voluntary Movement // Biological Cybernetics, Vol. 57, 1987, pp.169−185.
  101. Kawato M., Uno Y., Isobe M., Suzuki R., Hierarchical Neural Network Model for Voluntary Movement with Application to Robotics // IEEE Control System Magazine, Vol. 8, 1988, pp. 8−16.
  102. LeCun Y., Kanter I. Eigenvalues of Covariance Matrices: Application To Neural Network Learning // Physical Review Letters 1991-Vol.66, p.2396−2399.
  103. Lin S. T, Lee C.M., Multivariable Control of the J-85 turbojet engine for full flight envelope operation // Journal of Guidance, Control, and Dynamics. Vol.19, No.4, July-August, 1996, pp.913−920.
  104. Madani К. Neural Networks based intelligent adaptive Control: from theoretical aspects to hardware implementation // Нейрокомпьютеры: разработка и применение. 2002, № 5−6 С.57−78.
  105. Mendel J.M. MacLaren R.W. Reinforcment-learning control and pattern recognition systems // Adaptive, Learning and Pattren Recognition Systems: Theory and Application. New-York Academic Press, 1970.-P.287−318.
  106. Narendra S., Neural Networks for Control Theory and Practice // Proceedings, of the IEEE, Vol.84, 1996, pp.1385−1406.
  107. Omatu S., Khalid M., Yusof R., Neuro-control and its Applications, Springer Verlag, London Ltd, 1996.
  108. Park J., Sandberg I.W., Universal Approximation Using Radial-basis-function //Neural Computations, Vol.3, 1991,-pp.246−257.
  109. Poggio T.G. Networks for Approximation and Learning // Proceedings of IEEE, Vol.78, 1990, P.1481−1497.
  110. Puskorius G.V., Feldkamp L.A., Davis L.I., Dynamic Network Methods Applied to On-Vechicle Idle Speed Control // Proceedings of the IEEE, Vol.84, No. 10, October, 1996, pp. 1407−1419.
  111. Shilonosov A.A., Vasilyev V.I., Valeyev S.S., Neural Networks Application in the Problems of Identification and Control of Aero-Engines// International Conference ASI-2000, France, Bordeaux, Sept. 18−20, 2000, pp. 333−339.
  112. Song Q., Grimble M.J. Design of a Multivariable Neural Controller and Its Application to Gas Turbines // Journal of Dynamics Systems, Measurement and Control, Vol.119, 1997, P.565−567.
  113. StatSoft, Inc. (2001). Электронный учебник по статистике. Москва, StatSoft. WEB: http://www.statsoft.ru/home/textbook/default.htm.
  114. The Programmable Logic Data Book. Xilinx Inc. 2000.
  115. Toprak S., Erkmen A.M., Akmandor I.S., Identification and Control of a Radial Turbojet with Neural Network and Fuzzy Logic // 36th Aerospace
  116. Sciences Meeting & Exibit., January 12−15, 1998, Reno, USA, 1998, AIAA-98−1016, pp.1−8.
  117. Valeyev S.S., Shilonosov A.A., Karimov I.A. Neural Networks for Interpolation of Characteristics of Turbo-Prop-Fan Engines // Symposium on Actual Problems of Aircraft Engines Construction, Ufa, Russia, April 12−13, 1999, pp. 111−115.
  118. Wang J. On the Asymptotic Properties of Recurrent Neural Networks for Optimizations // Intern. J. Pattern Recognition and Artificial Intelligence, 1991, Vol.5, № 4.1. УТВЕРЖДАЮ"
  119. В виду специфики области применения экономический эффект от внедрения результатов диссертационной работы определить не представляется возможным.1. Начальник отдела 2401. Каримов И. А. Минаев И.И.
  120. Инженер-конструктор 1 кат., к.т.н. 71. УТВЕРЖДАЮ"
  121. Начальник учебного управления Зав. каф. ВТиЗИ, д.т.н., профессор Профессор, д.т.н.1. Криони Н.К.roc?-. ¦¦¦•JA'I БИБЛЕОТШ>'
Заполнить форму текущей работой