Помощь в написании студенческих работ
Антистрессовый сервис

Математическое обеспечение микрокомпьютеров мобильных объектов с групповым взаимодействием

Диссертация: Математическое обеспечение микрокомпьютеров мобильных объектов с групповым взаимодействием
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Сравнительная дешевизна и доступность легких мобильных объектов позволяет при решении практических задач использовать их в группе, что оказывается эффективнее по сравнению с применением одного мобильного объекта. В связи с этим растет необходимость в разработках новых подходов к конструированию систем управления такими объектами. Для реализации новых преимуществ группы необходимо организовать… Читать ещё >

Математическое обеспечение микрокомпьютеров мобильных объектов с групповым взаимодействием (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. Группа мобильных объектов для распознавания образов
    • 1. 1. Автономные мобильные объекты
    • 1. 2. Преимущества группы мобильных объектов
    • 1. 3. Использование группы мобильных объектов для решения задач распознавания образов в разных областях
  • 2. Рандомизированные алгоритмы оптимизации движения легких мобильных объектов
    • 2. 1. Добавление рандомизации в стратегию управления для оценивания параметров динамических систем
    • 2. 2. Свойства оценок рандомизированного алгоритма предсказания (фильтрации) случайного процесса, наблюдаемого на фоне почти произвольных помех
    • 2. 3. Рандомизированные методы прогнозирования и оценивания параметров внешней среды для оптимизации движения мобильных объектов при внешних воздействиях и существенных погрешностях в получаемых данных
  • 3. Программирование микрокомпьютеров группы мобильных объектов и организация человеко-машинного взаимодействия
    • 3. 1. Трехуровневая система управления группой мобильных объектов
    • 3. 2. Программирование бортовых микрокомпьютеров мобильных объектов группы
    • 3. 3. Апробация алгоритмов и технологии программирования

Актуальность темы

В последнее время для исследования и мониторинга территорий, поиска и отслеживания людей, транспортных средств и т. п. все чаще применяются как обособленные автономные мобильные объекты (сухопутные, летающие или плавающие), так и их группы. При этом качество выполнения задач в значительной степени зависит от точности позиционирования и соблюдения заданной траектории движения. Для объектов больших размеров применяются массивные инер-циальные системы навигации с гироскопами, магнитометрами, акселерометрами и различными измерительными датчиками, которым удается существенно снизить уровни погрешностей измерений при движении и обеспечить достаточно точное позиционирование. Развитие навигационных сетей ГЛОНАСС/СР8 существенно упрощает решение задач позиционирования при использовании показаний датчиков ГЛОНАСС/СР8 в комбинации с инерциальной системой. Технологический прогресс, миниатюризация исполнительных устройств, рост их доступности и расширение функциональных возможностей позволяют начать эффективно использовать легкие мобильные объекты (небольшие автомобили, лодки, колесные и гусеничные роботы, легкие беспилотные летательные аппараты и т. п.) для исследований и мониторинга территорий. Сравнительно малые размеры и легкий вес являются, с одной стороны, основой «дешевизны» соответствующих технических решений, но, с другой стороны, не позволяют использовать мощные инерциальные навигационные системы, ограничивая применения инерциальной системы только для поддержания «текущего» равновесия. Для позиционирования таких объектов используются в основном показания датчиков ГЛОНАСС/СР8, которые поступают в дискретные моменты времени и часто включают в себя систематические погрешности. Для решения проблем точности позиционирования и соблюдения заданной траектории движения применяют фильтры, с помощью которых производится предсказание возможного смещения в следующий момент времени и внесение &bdquo-на основе этих данных поправок в задаваемый курс.

Задача предсказания значений случайного процесса, порождаемого белым шумом, пропущенным через линейный фильтр, является наиболее типичной для калмановской фильтрации, базирующейся на работах P.E. Калмана и P.C. Бьюси [45]. Наряду со статистическими развиваются и минимаксные постановки задач, в которых о неопределенностях предполагается только ограниченность в каком-либо смысле, а в остальном они могут быть произвольными. Такая постановка задачи рассматривается в работах О. Н. Граничина [35], А. И. Кибзуна, Ю. С. Кана [109], А. Б. Куржанского [47], А. Р. Панкова, К. В. Семенихина [52], Б. Т. Поляка, П. С. Щербакова [55], Р. Темпо [89], В. Н. Фомина [78], Ф.Л. Чер-ноусько [80] и др. Применение фильтрации в системах навигации мобильных планеров исследовалось В. Д. Андреевым, O.A. Бабичем [20], O.A. Степановым, В. Н. Васильевым, A.B. Осиповым [64, 67] и др. Для оценки случайных процессов в системах навигации мобильных объектов достаточно часто и эффективно применяется фильтр Калмана, который удовлетворительно работает на больших мобильных объектах с применением различного навигационного оборудования. Для легких мобильных объектов задача снижения уровня отклонения от заданной траектории движения остается открытой, так как влияние на них сопутствующих неопределенностей более значительно.

Сравнительная дешевизна и доступность легких мобильных объектов позволяет при решении практических задач использовать их в группе, что оказывается эффективнее по сравнению с применением одного мобильного объекта. В связи с этим растет необходимость в разработках новых подходов к конструированию систем управления такими объектами. Для реализации новых преимуществ группы необходимо организовать автономное групповое взаимодействие. Для решения такого типа задач в последнее время успешно применяются мультиагентные технологии, развиваемые в работах В. И. Городецкого [30], П. О. Скобелева [60,61], И. Б. Тарасова [69], Ю. Шохама [121] и др. Применение мультиагентного подхода к управлению группой мобильных планеров исследовали M. Зе-нар, А. Район [117], Т.Дж. Кут, С. М. Шахруз [108], и др. При этом алгоритмы многоагентного взаимодействия в основном применяются для задач предотвращения столкновения или организации группового полета мобильных вертолетов, самолетов и мультикоптеров с поддержанием заданной формации. В практических реализациях группа мобильных объектов обычно представляет собой несколько одиночных комплексов, которые управляются из единого центра управления, что существенно ограничивает организацию автономного внутригруппового взаимодействия.

При оптимизации движения одиночного мобильного объекта и группы в режиме реального времени возникают потребности в решении за ограниченное время многомерных оптимизационных задач при зашум-ленных наблюдениях. В таких условиях хорошо зарекомендовали себя рандомизированные рекуррентные алгоритмы стохастической оптимизации. Детальному анализу возможностей рандомизированных алгоритмов в задачах оценивания и оптимизации при произвольных помехах посвящена монография О. Н. Граничина и Б. Т. Поляка [37]. Рассматриваемый в этой книге новый тип рандомизированных алгоритмов стохастической аппроксимации, называемых в англоязычной литературе Simultaneous Perturbation Stochastic Approximation (SPSA), был предложен в работах О. Н. Граничина [31,32,34], Б. Т. Поляка и А. Б. Цыбакова [54], Дж. Спал-ла [123], Х.-Ф. Чена, Т. Дункан и Б. Пасик-Дункан [94]. Они основаны на аппроксимации градиента вдоль случайно выбранного направления — рандомизации, которая опирается на некоторые контролируемые случайные величины, влияющие на результаты наблюдений, существующие в системе или добавляемые экспериментатором. Эти алгоритмы относятся к более широкому классу методов случайного поиска, которые ранее в русскоязычной литературе исследовались, например, в работах JI.A. Растригина [56], Ю. А. Сушкова [68], С. М. Ермакова, В.Б. Мела-са [42], A.A. Жиглявского и А. Жилинскаса [44]. В отличие от предлагавшихся ранее методов рандомизированные алгоритмы стохастической оптимизации обеспечивают состоятельность оценок при существенно менее значительных предположениях о свойствах неизвестной функции потерь и помех в измерении ее значений.

Использование группы мобильных объектов позволяет увеличить эффективность выполнения задач поиска, мониторинга или исследования территории с применением алгоритмов распознавания образов к данным газоанализаторов, теплодатчиков, фотои видеорегистраторов. Современные алгоритмы теории распознавания образов, классификации и кластерного анализа базируются на работах С. А. Айвазяна [2], В. Н. Вапника иА.Я. Червоненкиса [23−25,124], Ф. Розенблата [57], P.A. Фишера [75,97], В. Н. Фомина [76], И. Форджи [98], К. Фукунаги [99], Дж. Хартигана [104], Я. З. Цыпкина [81,82], В. А. Якубовича [83] и др. Многие современные системы распознавания образов основаны на принципах нейронных сетей (A.B. Тимофеев [71], С. Хайкин [79], Дж. Хопфилда [105], Ф. Уоссер-ман [73] и др.).

Указанные проблемы актуализируют необходимость в исследованиях возможностей комплектации легких мобильных объектов оборудованием, программным и математическим обеспечением для оптимизации движения, эффективной работы в группе, организации человеко-машинного взаимодействия и технологии программирования управляющих микрокомпьютеров таких объектов.

Цель работы. Разработка математического и программного обеспечения микрокомпьютеров группы мобильных объектов для решения задач распознавания образов при исследовании и мониторинге территорий, реализующего методы оптимизации движения, эффективной работы в группе, организации человеко-машинного взаимодействия.

Цель достигается в диссертации через решение следующих задач:

1. Исследование возможностей применения рандомизированных алгоритмов управления, оптимизации и оценивания параметров при почти произвольных внешних возмущениях для математического и программного обеспечения оптимизации движения одиночного мобильного объекта и группы.

2. Разработка и исследование методов вв1бора направления движения легкого мобильного объекта для уменьшения отклонения от заданной траектории при действии помех.

3. Разработка архитектуры и технологии программирования программно-аппаратного комплекса для исследования и мониторинга территорий с помощью группы легких мобильных объектов на примере разработанной комплектации бортового оборудования планера.

Методы исследования. В диссертации применяются методы теории оценивания и оптимизации, теории вероятностей и математической статистики, имитационного моделирования, мультиагентных технологий и системного программирования.

Основные результаты. В работе получены следующие основные научные результаты.

1. Для рандомизированного алгоритма управления в условиях неизвестных параметров объекта управления теоретически обоснованы вероятностные характеристики качества идентификации неизвестных параметров при ослабленных условиях независимости рандомизации в управлении в текущий момент времени и внешних почти произвольных помех в тот же и предшествующие моменты времени.

2. Для рандомизированного алгоритма фильтрации при наблюдениях на фоне почти произвольных внешних помех ослаблены условия его применимости, позволяющие использовать теоретические оценки качества фильтрации в случае равенства единице нормы матрицы в порождающей фильтруемый процесс модели.

3. Предложены новые рандомизированные методы прогнозирования и оценивания параметров внешней среды для оптимизации движения мобильных объектов при внешних воздействиях и существенных погрешностях в получаемых данных.

4. Разработана трехуровневая архитектура и технология программирования программно-аппаратного комплекса для исследования и мониторинга территорий с помощью группы мобильных объектов на примере разработанной комплектации бортового оборудования планера с фоторегистратором, позволяющая оперативно передавать и использовать данные в автоматизированной системе распознавания образов.

Научная новизна. Все основные научные результаты диссертации являются новыми.

Теоретическая ценность и практическая значимость. Теоретическая ценность работы состоит в исследовании свойств процедуры построения управляющего воздействия с рандомизированным входом без существенных предположений о внешних помехах, ослаблении условий применимости рандомизированного алгоритма фильтрации, модернизации рандомизированного алгоритма стохастической аппроксимации и разработке трехуровневой архитектуры программно-аппаратного комплекса для исследования и мониторинга территорий с помощью группы мобильных объектов.

Предложенные новые методы могут быть использованы при решении современных практических задач. Разработанные математическое обеспечение оптимизации движения, архитектура и технология программирования программно-аппаратного комплекса для исследования и мониторинга территорий с помощью группы мобильных объектов позволяют повысить качество проводимых работ по решению задач исследования территорий с применением фотои видеорегистраторов и алгоритмов распознавания образов. При этом разработанная архитектура и математическое обеспечение могут применяться как в уже существующих комплексах, так и стать основой для создания новых. Разработанное программное обеспечение для группового взаимодействия, автоматической фотосъемки, сохранения и передачи данных представляет собой самостоятельную практическую ценность.

Апробация работы. Материалы диссертации докладывались на семинарах кафедры системного программирования СПбГУ, на российских и международных конференциях по программированию, информатике, оптимизации и теории управления: XXVII конференции памяти Н.Н. Ост-рякова (12−14 октября 2010 г. Санкт-Петербург, Россия), Второй и Третьей традиционных всероссийских молодежных летних школах «Управление, информация и оптимизация» (2010, 2011 гг.), Первой российской MeeGo конференции (Москва, 11 марта 2011 г.), Второй межвузовской научной конференции по проблемам информатики СПИСОК-2011 (Санкт-Петербург, 27−29 апреля 2011 г.), 5th International Conference on Physics and Control (PhysCon 2011) (5−8 September, 2011, Leon, Spain), международной конференции «Science and Progress 2011» (Санкт-Петербург, Россия, 14−18 ноября, 2011 г.), международной научно-практической мульти-конференции «Управление большими системами» (УБС 2011) (Институт проблем управления им. В. А. Трапезникова РАН Москва, 14−16 ноября 2011 г.).

По материалам диссертации было получено свидетельство об официальной регистрации программы для ЭВМ № 2 010 612 684 «SmartFly Together» от 19 апреля 2010 г. Результаты диссертации использованы при выполнении работ по проекту «Мультиагентная система для управления группой легких беспилотных летательных аппаратов» в рамках программы «СТАРТ-10» Фонда содействия развитию малых форм предприятий в научно-технической сфере. Выполненный в ходе работы над диссертацией проект «Сетевое адаптивное управление группой легких беспилотных летательных аппаратов на основе мультиагентного подхода» был отмечен дипломом победителя конкурса грантов Санкт-Петербурга для студентов, аспирантов, молодых ученых, молодых кандидатов наук 2011 г.

Публикации. Основные результаты диссертации опубликованы в работах [4−17,86,87,114]. Из них три публикации [12,13,114] в журналах из перечня ВАК. Работы [8−17,87,114] написаны в соавторстве. В работах [11−14,87] О. Н. Граничину принадлежат общие постановки задач, а К. С. Амелину — реализация описываемых методов, доказательства, создание демонстрационных примеров и программных средств. В [114] К. С. Амелиным получены и описаны основные практические результаты. В [8,10,15−17] К. С. Амелиным описаны технические характеристики разработанных комплексов БПЛА и предложены методы их практического применения в задачах распознавания образов. В зарегистрированной программе для ЭВМ [9] К. С. Амелиным разработаны программные компоненты для автопилота мобильного объекта.

Структура диссертации. Основная часть диссертации состоит из трех глав, заключения и списка литературы.

В первой главе вводятся основные понятия и постановки задач исследования, дается исторический контекст развития автономных мобильных объектов, рассматриваются преимущества группового взаимодействия в задачах поиска, исследования и мониторинга территорий с применением фотоили видеорегистраторов и алгоритмов распознавания образов.

Во второй главе исследуются возможности применения рандомизированных алгоритмов и стратегий управления для идентификации неизвестных параметров динамической модели объекта управления и внешней среды, а также для оптимизации движения.

В третьей главе описываются разработанные в ходе диссертационного исследования архитектура комплекса системы исследования и мониторинга территории с помощью группы мобильных объектов, трехуровневая система управления такими объектами и технология программирования их микрокомпьютеров.

В заключении диссертации подведены итоги проведенного и завершенного в рамках поставленных задач исследования.

Заключение

.

В заключение перечислим еще раз основные результаты проведенного и завершенного в рамках поставленных задач исследования:

1. Для рандомизированного алгоритма управления в условиях неизвестных параметров объекта управления теоретически обоснованы вероятностные характеристики качества идентификации неизвестных параметров при ослабленных условиях независимости рандомизации в управлении в текущий момент времени и внешних почти произвольных помех в тот же и предшествующие моменты времени.

2. Для рандомизированного алгоритма фильтрации при наблюдениях на фоне почти произвольных внешних помех ослаблены условия его применимости, позволяющие использовать теоретические оценки качества фильтрации в случае равенства единице нормы матрицы в порождающей фильтруемый процесс модели.

3. Предложены новые рандомизированные методы прогнозирования и оценивания параметров внешней среды для оптимизации движения мобильных объектов при внешних воздействиях и существенных погрешностях в получаемых данных.

4. Разработана трехуровневая архитектура и технология программирования программно-аппаратного комплекса для исследования и мониторинга территорий с помощью группы мобильных объектов на примере разработанной комплектации бортового оборудования планера с фоторегистратором, позволяющая оперативно передавать и использовать данные в автоматизированной системе распознавания образов.

Показать весь текст

Список литературы

  1. C.B., Ачилъдиев В. М., Мезенцев O.A. Мобильный комплекс для локального мониторинга урбоэкосистем на основе микролетательного аппарата // Микросистемная техника. 2002. № 11. С. 21−25.
  2. С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика. 1989. 607 с.
  3. А.Г., Орлов Ю. Ф. Конечно-частотная идентификация: динамический алгоритм // Проблемы управления. 2009. № 4. С. 2−8.
  4. К. С. Легкий беспилотный летательный аппарат для автономной группы // Стохастическая оптимизация в информатике. Т. 6. 2010. С. 117−126.
  5. К. С. Мультиагентная система для управления группой легких беспилотных летательных аппаратов // Труды Второй традиционной всероссийской молодежной летней школы «Управление, информация и оптимизация». 2010. С. 9−18.
  6. К. С. Технология программирования легкого БПЛА для мобильной автономной группы // Стохастическая оптимизация в информатике. Т. 7. 2011. С. 93−115.
  7. К.С., Антал Е. И., Васильев В. И., Граничина И. О. Адаптивное управление автономной группой беспилотных летательныхаппаратов // Стохастическая оптимизация в информатике. Т. 5. 2009. С. 157−166.
  8. К.С., Антал Е. И., Васильев В. И., Граничин О. Н., Гра-ничина И.О. Программы для ЭВМ «SmartFly Together». Свидетельство о государственной регистрации программы для ЭВМ № 2 010 612 684 от 19 апреля 2010.
  9. К. С., Граничин O.E., Кияев В. И. Мобильность или супервычисления. Кто кого? // Суперкомпьютеры. № 4 (4). 2010. С. 3033.
  10. К.С., Граничин О. Н. Возможности рандомизации в алгоритмах предсказания калмановского типа при произвольных внешних помехах в наблюдении // Гироскопия и навигация. № 2(73). 2011. С. 38−50.
  11. К.С., Граничин О. Н. Мультиагентное сетевое управление группой легких БПЛА // Нейрокомпьютеры: разработка, применение. 2011. № 6. С. 64−72.
  12. К. С., Граничин О. Н. Новые рандомизированные алгоритмы в управлении и обработке данных // Стохастическая оптимизация в информатике. 2011. Т. 7. С. 3−68.
  13. К.С., Граничин О. Н., Иевлев Н. В., Кияев В. И. Мобильность и супервычисления на охране природы // Компьютер-Информ, № 05−06 (303). 24.03.2011. С. 24−25.
  14. К.С., Граничин О. Н., Кияев В. И., Корявко A.B. Введение в разработку приложений для мобильных платформ. Учебное пособие. СПб. 2011. — 518 с.
  15. В.Д. Теория инерциальной навигации. Корректируемые системы. — М.: Наука. 1967. 648 с.
  16. .Р., Блажкин А. Т., Деревицкий Д. П., Фрадков А. Л. Метод исследования адаптивных систем управления летательными аппаратами //В кн.: Управление в пространстве. Т. 1. М.: Наука. 1976. С. 171−179.
  17. O.A. Обработка информации в навигационных комплексах. — М.: Машиностроение. 1991. 512 с.
  18. В.В., Гатаулин В. М., Цыцулин А. К. Стабилизация изображения при наблюдении с БПЛА // Известия высших учебных заведений. Приборостроение. 2005. № 12. С. 65−73.
  19. A.A., Путря Ф. М. Выбор оптимальной структуры функционально полного контроллера шины SPI с 32-разрядным интерфейсом // Известия высших учебных заведений. Электроника. 2006. С. 71−75.
  20. В.Н. Восстановление зависимостей по эмпирическим данным. — М.: Наука. 1979.
  21. В.Н., Червоненкис А. Я. Теория равномерной сходимости частот появления событий к их вероятностям и задача поиска оптимального решения по эмпирическим данным / / Автоматика и телемеханика. № 2. 1971.
  22. В.Н., Червоненкис А. Я. Теория распознавания образов: статистические проблемы обучения. М.: Наука. 1974. 416 с.
  23. А. Т., Граничин О. Н., Гуревич Л. С. Алгоритм стохастической аппроксимации с пробным возмущением на входе в нестационарной задаче оптимизации // Автоматика и телемеханика. 2009. № 11. С. 70−79.
  24. А. Т., Граничин О. Н., Панъшенсков М. А. Методы оценивания скорости передачи данных в грид // Нейрокомпьютеры: разработка, применение. 2009. № 11. С. 45−52.
  25. Л.С., Балановский Л. В., Балановский В. Л., Свентиц-кий A.A. Разработка мобильной системы мониторинга электромагнитной обстановки критического объекта с использованием БПЛА // Радиопромышленность. 2011. С. 85−97.
  26. В. А., Скобелев П. О. Метод сопряженных взаимодействий для управления распределением ресурсов в реальном масштабе времени // Автометрия. 2009. Т. 45. № 2. С. 84−86.
  27. В.И., Грушинский М. С., Хабалов A.B. Многоагентные системы (обзор) // Новости искусственного интеллекта. 1998. № 2. С. 64−116.
  28. О.Н. Об одной стохастической рекуррентной процедуре при зависимых помехах в наблюдении, использующей на входе пробные возмущения // Вестник Ленингр. ун-та. Сер. 1. 1989. № 1(4). С. 19−21.
  29. О. Н. Процедура стохастической аппроксимации с возмущением на входе // Автоматика и телемеханика. 1992. № 2. С. 97 104.
  30. О.Н. Оценивание параметров линейной регрессии при произвольных помехах // Автоматика и телемеханика. 2002. № 1. С. 30−41.
  31. О.Н. Рандомизированные алгоритмы стохастической аппроксимации при произвольных помехах // Автоматика и телемеханика. 2002. № 2. С. 44−55.
  32. О.Н. Неминимаксная фильтрация при неизвестных ограниченных помехах в наблюдениях // Автоматика и телемеханика. 2002. № 9. С. 125−133.
  33. О.Н. Стохастическая оптимизация и системное программирование // Стохастическая оптимизация в информатике. Т. 6. 2010. С. 3−44.
  34. О.Н., Поляк Б. Т. Рандомизированные алгоритмы оценивания и оптимизации при почти произвольных помехах. — М.: Наука. 2003. 293 с.
  35. О.Н., Фомин В. Н. Адаптивное управление с использованием пробных сигналов // Автоматика и телемеханика. 1986. № 2. С. 100−112.
  36. Де Вагтер К., Мюлдер Я. А. Получение внешней информации и наведение беспилотных летательных аппаратов с использованиемсредств видеонаблюдения // Гороскоиия и навигация. 2006. № 2. С. 13−25.
  37. В. В. Разновидности ПИД-регуляторов // Автоматизация в промышленности. 2007. С. 45−50.
  38. А.П., Сафоненко В. А., Пчелинцев А. В., Пархома П. А. Методы дистанционного определения концентрации радионуклеидов в воздушном выбросе радиационно опасных предприятий // Экологические системы и приборы. 2007. С. 9−15.
  39. С.М., Мелас В. Б. Математический эксперимент с моделями сложных стохастических систем. Санкт-Петербург: изд. СПб-ГУ. 1993.
  40. Интернет ресурс проекта Paparazzi /paparazzi.enac.fr/.
  41. А.А., Жилинскас А. Г. Методы поиска глобального экстремума. — М.: Наука. 1991. 248 с.
  42. Р.Е., Бъюси Р. С. Новые результаты в линейной фильтрации и теории предсказания // Труды американского общества инженеров-механиков. Техническая механика. 1961. Т. 83. Сер. Д. № 1. С. 123−141.
  43. И.А., Мельник Э. В. Децентрализованные системы компьютерного управления. — Ростов на Дону: ЮНЦ РАН. 2011. 196 с.
  44. А.Б. Управление и наблюдения в условиях неопределенности. — М.: Наука. 1977. 392 с.
  45. Ким И.В., Крылов И. Г., Лебедев А. В. Восстановление 3D поверхности по видовой информации, принимаемой группой БПЛА // Известия Кабардино-Балкарского научного центра РАН. 2011. С. 137 141.
  46. И.М., Топчеев Ю. И. Робототехника: История и перспективы — М.: Наука. 2003. 349 с.
  47. П.В., Лунев Е. М. Программно-алгоритмическое обеспечение для определения навигационных параметров беспилотного летательного аппарата на базе фотоизображения // Вестник Московского авиационного института. 2009. С. 6−16.
  48. М., Евстафьев Г., Макаренко И. Беспилотные летательные аппараты: история, применение, угроза распространения и перспективы развития — М.: Права человека. 2005. 611 с.
  49. А.Р., Семенихин К. В. Минимаксная идентификация обобщенной неопределенно-стохастической линейной модели // Автоматика и телемеханика. 1998. № 11. С. 158−171.
  50. П.П., Сабо Ю. И., Распопов В. Я., Товкач С. Е. Микросистемная авионика для мини БПЛА // Известия высших учебных заведений. Приборостроение. 2006. № 12. С. 51−55.
  51. . Т., Цыбаков A.B. Оптимальные порядки точности поисковых алгоритмов стохастической аппроксимации // Проблемы передачи информации. 1990. № 2. С. 45−53.
  52. . Т., Щербаков П. С. Робастная устойчивость и управление М.: Наука. 2002. 303 с.
  53. Л. А. Статистические методы поиска. — М.: Наука. 1968. 376 с.
  54. Ф. Принципы нейродинамики (персептроны и теория механизмов мозга). — М. 1965. 480 с.
  55. О. С. Автопилот БПЛА с инерциальной интегрированной системой — основа безопастности эксплуатации беспилотных комплексов. 2008.
  56. А.Ю., Дракин М. А., Киселева A.C. Беспилотный летательный аппарат: применение в целях аэрофотосъемки для картографирования. — М.:"Ракурс". 2011.
  57. П. О. Открытые мультиагентные системы для оперативной обработки информации в процессах принятия решений // Автометрия. 2002. № 6. С. 45−61.
  58. П. О. Мультиагентные технологии в промышленных применениях: к 20-летию основания Самарской школы мультиагент-ных систем // Мехатроника, автоматизация, управление. 2010. № 12. С. 33−46.
  59. В. Ф. Оценка качества робастной системы управления при неизвестных верхних границах возмущений и помехи измерений // Автоматика и телемеханика. № 9. 2010. С. 3−18.
  60. O.A. Основы теории оценивания с приложениями к задачам обработки навигационной информации. — СПБ.: ГНЦ РФ ЦНИИ Электроприбор. 2009. 496 с.
  61. O.A. Исследование способов комплексирования данных при построении инерциально-спутниковых систем // Сборник статей и докладов «Интегрированные инерциально-спутниковые системы навигации». 2004. С. 25−42.
  62. O.A., Кошаев Д. Исследование методов решения задачи ориентации с использованием спутниковых систем // Сборник статей и докладов «Интегрированные инерциально-спутниковые системы навигации». 2004. С. 197−221.
  63. O.A., Осипов A.B., Васильев В. Н. Открытые мультиа-гентные системы для оперативной обработки информации в процессах принятия решений // Автометрия. 2002. № 6. С. 45−61.
  64. Ю.А. Об одном способе организации случайного поиска // Исследование операций и статистическое моделирование. Изд-во Ленингр. гос. ун-та. 1972. Т. 1. С. 180−185.
  65. В.Б. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта. 1998. № 2. С. 5−63.
  66. В.М., Михайлова О. В. Терминальное управление как один из способов решения задачи сбора ДПЛА в группу // Авиакосмическое приборостроение. 2005. № 1. С. 2−10.
  67. A.B. Адаптивное робототехнические комплексы. — Л.: Машиностроение. 1988. 332 с.
  68. А.В., Юсупов Р. М. Принципы построения интегрированных систем мульти-агентной навигации и интеллектуального управления мехатронными роботами // Int. Journal «Information Technologies & Knowledge». 2011. Vol.5. No. 3. P. 237−245.
  69. Ф. Нейрокомпьютерная техника: Теория и практика. — М.: Мир. 1992. 240 с.
  70. А. А. О проблемах дуального управления //В кн.: Методы оптимизации автоматических систем. — М.: Наука. 1972. С. 89−108.
  71. Р. А. Статистические методы для исследователей. — М.: Гос-статиздат. 1954. 267 с.
  72. В.Н. Математическая теория обучаемых опознающих систем. — JL: Изд-во Ленингр. ун-та. 1976. 236 с.
  73. В.Н. Методы управления линейными дискретными объектами. — Л.: Изд-во Ленингр. ун-та. 1985. 336 с.
  74. Фомин В. Н Рекуррентное оценивание и адаптивная фильтрация. М.: Наука. 1984. 288 с.
  75. С. Нейронные сети: полный курс. — М.: Вильяме, 2006, 1104 с.
  76. Ф.Л. Оценивание фазового состояния динамических систем: метод эллипсоидов. — М.: Наука. 1988. 319 с.
  77. Я.З. Адаптация и обучение в автоматических системах. — М.: Наука. 1968. 400 с.
  78. Я.З. Основы теории обучающихся систем. М.: Наука. 1970. 252 с.
  79. В.А. Некоторые общие теоретические принципы построения обучаемых опознающих систем //В кн.: Вычислительная техника и вопросы программирования. Вып. 4. Л. 1965. С. 3−72.
  80. М., Пригонюк Н. Бортовая инерциально-спутниковая система для навигации и посадки самолетов / / Сборник статей и докладов «Интегрированные инерциально-спутниковые системы навигации». 2004. С. 83−100.
  81. Allen M.J. Autonomous soaring for improved endurance of a small uninhabited air vehicle / / 43rd AIAA Aerospace Sciences Meeting and Exhibit (AIAA 2005). Reno. Nevada. 2005. P. 1025.
  82. Amelin K.S. Programming technology for multi-agent controlling group of UAVs // Proc. of the Int. Student Conf. «Science and Progress». Saint-Petersburg, Russia, November 14−18, 2011. P. 66.
  83. Amelin K., Granichin O. Multiagent network control for the group of UAVs //In Proc. of the 5th International IEEE Scientific Conference on Physics and Control (PhysCon 2011). Leon, Spain. Sept. 2011. P. 64.
  84. Antal C., Granichin O., Levi S. Adaptive autonomous soaring of multiple UAVs using simultaneous perturbation stochastic approximation // IEEE Conf. on Decision and Control (CDC-49). Atlanta. USA. 2010. P. 3656−3661.
  85. Bai E.-W., Nagpal K.M., Tempo R. Bounded-error parameter estimation: Noise models and recursive algorithms // Automatica. Vol. 32. 1996. P. 985−999.
  86. Baxter J. W., Horn G.S., Leivers D.P. Fly-by-Agent: Controlling a Pool of UAVs via a Multi-Agent System. — QinetiQ Ltd Malvern Technology Centre St. Andrews Road. Malvern. UK. 2007. 12 p.
  87. Brisset P., Hattenberger G. Multi-UAV control with the paparazzi system //In Proc. of the 1-st Conf. on Humans Operating Unmanned Systems (HUMOUSY08). 2008. P. 12.
  88. Campi M.C., Weyer E. Non-asymptotic confidence sets for the parameters of linear transfer functions // IEEE Trans. Automat. Control. Vol. 55. No. 12. 2010. P. 2708−2720.
  89. Chen H.-F., Guo L. Convergence rate of least-squares stochastic systems // Int. J. of Control. 1986. Vol. 44. No. 5. P. 1459−1477.
  90. Chen H.-F., Duncan T.E., Pasik-Duncan B.A. Kiefer-Wolfowitz algorithm with randomized differences // IEEE Trans. Automat. Contr. 1999. Vol. 44. No. 3. P. 442−453.
  91. Calafiore G.C., Fagiano L. Robust model predictive control: the random convex programming approach // Proc. of IEEE Int. Symposium on Intel. Control. Denver. USA. 2011. P. 222−227.
  92. Edwards D.J. Implementation Details and Flight Test Results of an Autonomous Soaring Controller. — NC State Univ.
  93. Fisher R.A. The Use of Multiple Measurements in Taxonomic Problems // Annals of Eugenics. 1936. No. 7. P. 179−188.
  94. Forgy E. W. Cluster analysis of multivariate data efficiency vs interpretability of classifications // Biometrics. 1965. No. 21. P. 768 769.
  95. Fukunaga K. Introduction to Statistical Pattern Recognition. New York: Academic Press. 1972. 618 p.
  96. Garulli A., Giarre L.- Zappa G. Identification of approximated Hammerstein models in a worst-case setting // IEEE Trans. Autom. Control. Vol. 47. No 7. Dec. 2002. P. 2046−2050.
  97. Granichin O.N. Linear regression and filtering under nonstandard assumptions (Arbitrary noise) // IEEE Trans, on Automat. Contr. Vol. 49. 2004. No. 10. P. 1830−1835.
  98. Granichin O., Vakhitov A., Vlasov V. Adaptive control of SISO plant with time-varying coefficients based on random test perturbation // Proc. of the American Control Conference (ACC-2010). June 30-July 02. 2010. Baltimore. MD. USA. P. 4004−4009.
  99. Hartigan J.A. Clustering Algorithms. New York: Wiley. 1975. 351 p.
  100. Hopfield J. Neurons with graded response have collective computational properties like those of two-state neurons // Proc. Natl. Acad. Sci. USA. No. 81. 1984. P. 3088−3092.
  101. Jadbabaie A., Lin J., Morse A.S. Coordination of groups of mobile autonomous agents using nearest neighbor rules // IEEE Trans. Autom. Contr. 2003. Vol. 48. No. 6. P. 988−1001.
  102. Koo T.J., Shahruz S.M. Formation of a group of unmanned aerial vehicles (UAVs) // American Control Conference (ACC). JUN 25−27. 2001. P. 69−74.
  103. Kibzun A.I., Kan Yu. S Stochastic Programming Problems with Probability and Quantile Functions. — Chichester: Wiley. 1996.
  104. Levy L.J. The Kalman filter: navigation’s integration workhorse // GPS World. 1997. Vol. 8. No. 9. P. 65−71.
  105. Ljung L. System Identification: Theory for the User. — 2nd ed. Englewood Cliffs. NJ: Prentice Hall. 1999.
  106. Marsh L., Calbert G., Tu J., Gossink D., Kwok H. Multi-agent UAV path planning // Science And Technology. 2005. P. 2188−2194.
  107. Peng Z-H., Sun L., Chen J., Wu J-W. Path planning of multiple UAVs low-altitude penetration based on improved multi-agent coevolutionary algorithm //In Proc. 30th Chinese Control Conference (CCC). 2011. P. 4056−4061.
  108. Punin Y.O., Shtukenberg A.G., Smetannikova O.G., Amelin K.S. Plagioclase twin associations from the basic volcanic rocks of the Kamchatka, Russia: growth conditions and formation mechanisms // European Journal of Mineralogy. 2010. No. 1. P. 139−145.
  109. Ramaswamy B., Chen Y.Q., Moore K. Omni-directional robotic wheel — a mobile real-time control systems laboratory //In Proc. of the American Control Conference. 2006. P. 719−724.
  110. Rhiger M. Compiling embedded programs to byte code // Lecture Notes in Computer Science. 2002. P. 120.
  111. Ryan A., Zennaro M., Howell A., et al. An overview of emerging results in cooperative UAV contro // IEEE Conf. on Decision and Control (CDC). 2004. P. 602−607.
  112. Reichmann H. Cross-Country Soaring. — Minnesota: Soaring Society of America. 1978. 150 p.
  113. Scerri P., Von Gonten T., Fudge G., Owens S., Sycara K. Transitioning multiagent technology to UAV applications // AAMAS (Industry Track). 2008. P. 8.
  114. Shoham Y., Leyton-Brown K. Multiagent Systems: Algorithmic, Game-Theoretic and Logical Foundations — London: Cambridge University Press. 2009. 513 p.
  115. Soderstrem T., Stoica P. System Identification. — NJ: Prentice Hall. 1989. 610 p.
  116. Spall J. C. Multivariate Stochastic Aproximation Using a Simultaneous Perturbation Gradient Aproximation // IEEE Trans. Automat. Contr. 1992. Vol. 37. No. 3. P. 332−341.
  117. Vapnik V.N. Statistical Learning Theory. New York: Wiley. 1998. 737 p.
  118. Yoon J.S., Lee G.H. A MFCC-based CELP speech coder for server-based speech recognition in network environments // IEICE Transactions on Fundamentals of Electronics, Communications and Computer Sciences. 2007. No. E90-A. P. 626−632.
Заполнить форму текущей работой

Сессия? Спокойно!