Помощь в написании студенческих работ
Антистрессовый сервис

Разработка и исследование нейросетевых алгоритмов управления стационарными и нестационарными объектами

Диссертация: Разработка и исследование нейросетевых алгоритмов управления стационарными и нестационарными объектами
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Вместе с тем, необходимо отметить, что многие вопросы, в первую очередь связанные с практическим использованием ИНС в САУ, исследованы еще недостаточно полно. Большинство работ либо носят постановочный абстрактный характер, где основное внимание уделяется доказательству принципиальной возможности использования нейросети некоторой разновидности в определенной предметной области, либо посвящены… Читать ещё >

Разработка и исследование нейросетевых алгоритмов управления стационарными и нестационарными объектами (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. Современные тенденции применения нейронных сетей в задачах автоматического управления
    • 1. 1. Области применения нейронных сетей в современных системах управления
    • 1. 2. Нейронные сети как объект проектирования
    • 1. 3. Роли нейронных сетей в системах управления
    • 1. 4. Нейросетевой регулятор
    • 1. 5. Идентификация и нейросетевая модель объекта управления
    • 1. 6. Прочие способы применения нейронных сетей
    • 1. 7. Сопоставление нейросетевых и линейных регуляторов
    • 1. 8. Программные комплексы для изучения нейросетевых систем управления
    • 1. 9. Выводы
  • Глава 2. Методика замены линейного регулятора на нейртевой
    • 2. 1. Постановка задачи
    • 2. 2. Архитектура нейросетевого регулятора
    • 2. 3. Обучающие данные
    • 2. 4. Обучение нейронной сети регулятора и контроль качества имитации
    • 2. 5. Пример с линейным объектом третьего порядка
    • 2. 6. Пример с нелинейным объектом управления
    • 2. 7. Выводы
  • Глава 3. Синтез нейросетевого оптимального регулятора
    • 3. 1. Постановка задачи
    • 3. 2. Принцип обучения нейрорегулятора с использованием инверсной модели
    • 3. 3. Синтез нейросетевой модели объекта управления
    • 3. 4. Данные для обучения нейросетевой модели
    • 3. 5. Анализ процесса обучения нейросетевого оптимального регулятора
    • 3. 6. Обучение нейросетевого оптимального регулятора в реальных условиях
    • 3. 7. Сравнение с винеровским оптимальным регулятором
    • 3. 8. Выводы
  • Глава 4. Нейросетевое управление нестационарным объектом
    • 4. 1. Метод постоянной адаптации
    • 4. 2. Метод адаптации по обнаружению разладки
    • 4. 3. Эксперименты в стационарных и нестационарных условиях
    • 4. 4. Выводы
  • Глава 5. Нейросетевое управление мобильным роботом
    • 5. 1. Описание робота
    • 5. 2. Задача движения на маяк
    • 5. 3. Синтез нейросетевого регулятора
    • 5. 4. Сравнительный эксперимент
    • 5. 5. Выводы
  • Глава 6. Программный пакет для моделирования и обучения методам нейросетевого управления
    • 6. 1. Описание программного пакета
    • 6. 2. Применение пакета в курсе лабораторных работ
    • 6. 3. Описание лабораторных работ
      • 6. 3. 1. Синтез нейросетевого регулятора
      • 6. 3. 2. Сравнение нейросетевого, винеровского оптимального и ПИД регулятора
      • 6. 3. 3. Нейросетевое управление нестационарным объектом. 195 6.4. Выводы

Актуальность работы Искусственные нейронные сети (ИНС) в настоящее время находят широкое применение в самых разных предметных областях. Они используются для идентификации статических и динамических объектов, для построения ассоциативной памяти и моделей временных рядов, сжатия информации, в системах поддержки принятия решений, для целей прогнозирования, классификации и распознавания образов, а также как средство решения некоторых задач вычислительного характера.

Одним из важных направлений использования искусственных нейронных сетей являются системы автоматического управления (САУ) различных типов. Работы по данной проблеме велись и ведутся весьма интенсивно как отечественными (А. И. Галушкин, В. А. Терехов, А. Н. Горбань, В. И. Комашинский, Д. А. Смирнов, Т. А. Бондарь, А. С. Логовский и др.), так и зарубежными учеными (К. Нарендра, О. Сигеро, С. Хайкин, М. Гупта, С. Осовский и др.).

Вместе с тем, необходимо отметить, что многие вопросы, в первую очередь связанные с практическим использованием ИНС в САУ, исследованы еще недостаточно полно. Большинство работ либо носят постановочный абстрактный характер, где основное внимание уделяется доказательству принципиальной возможности использования нейросети некоторой разновидности в определенной предметной области, либо посвящены решению относительно узких прикладных задач и не содержат обобщений, позволяющих использовать полученные результаты для решения схожих задач. В частности, отсутствуют работы, посвященные задаче замены классических регуляторов на нейросетевые, обобщающие накопленный к настоящему времени опыт их использования. Очень слабо освещены вопросы синтеза нейросетевого регулятора по критерию минимума среднеквадратической ошибки в сопоставлении со свойствами традиционного линейного регулятора. Достаточно ограничен перечень работ по нейросетево-му управлению нестационарным объектом, где, как правило, рассматривается только случай достаточно плавного непрерывного изменения свойств объекта управления. Всё это свидетельствует о необходимости дальнейшего развития исследований по данной проблематике, в первую очередь направленную на конкретизацию процедур синтеза нейросетевых регуляторов, корректное сопоставление их свойств со свойствами аналогичных классических регуляторов. Из изложенного вытекает актуальность темы диссертационной работы.

Цель исследований Целью диссертационной работы является разработка и исследование нейросетевых алгоритмов управления стационарными и нестационарными объектами.

Задачи исследований В соответствии с указанной целью в рамках диссертационной работы поставлены и решались следующие задачи:

1. Обзор и анализ известных вариантов применения ИНС в системах управления, используемых для этих целей методов и программных средств.

2. Разработка методики построения нейросетевого регулятора — аналога П, ПИ и ПИД регуляторов и сопоставительный анализ их свойств.

3. Исследование возможностей нейросетевого подхода при построении САУ по критерию минимума среднеквадратической ошибки.

4. Разработка нейросетевых алгоритмов управления нестационарными объектами для случая спонтанного скачкообразного изменения их свойств.

5. Применение полученных методических, математических и программно-алгоритмических результатов при решении практических задач управления подвижным роботом и в учебном процессе.

Научная новизна.

1. Разработана методика построения нейросетевого регулятора — аналога П, ПИ и ПИД регуляторов, впервые позволившая формализовать решение задачи его проектирования, включая выбор внутренней архитектуры и структуры входов используемой ИНС, оптимальное формирование обучающей выборки, процедуру обучения ИНС и анализ его возможностей для линейного и нелинейного динамических объектов.

2. Сопоставление свойств классического и предложенного в работе нейросетевого регуляторов, синтезированных по критерию минимума СКО, впервые позволило показать существенно меньшую чувствительность нейросетевого варианта к отклонениям параметров объекта и сигналов от использовавшихся при их синтезе.

3. Разработан алгоритм управления нестационарным объектом для случая спонтанного скачкообразного изменения его характеристик, в котором впервые предложено комбинировано использовать нейросетевые и статистические подходы, когда статистическая компонента обеспечивает наискорейшее обнаружение значимого изменения характеристик объекта на фоне помех и запуск механизма адаптации (дообучения).

Методы исследования Полученные результаты исследования базируются на использовании методов и средств теории искусственных нейронных сетей, теории автоматического управления, математической статистики, имитационного моделирования.

Обоснованность и достоверность научных положений, выводов и рекомендаций подтверждаются результатами имитационного моделирования, которые для классических САУ совпадают с известными теоретическими результатами, данными о применении разработанных методов, алгоритмов и прикладных программ в рамках натурных экспериментов по управлению подвижным роботом, апробацией полученных результатов среди квалифицированных специалистов на Международном научном коллоквиуме, Германия, 2010 г., научном семинаре кафедры «Робототехнические системы и комплексы» в МГТУ им. Н. Э. Баумана (сентябрь, 2011 г.).

Практическая значимость работы Результаты исследований, выполненных в диссертационной работе, использованы при синтезе нейросетевого алгоритма управления подвижным роботом и опробованы на практике. Разработанный подход позволяет легко адаптировать нейросетевой алгоритм для управления широким классом мобильных устройств с различными массогабаритны-ми характеристиками и динамическими свойствами без проведения их аналитической идентификации. Созданные алгоритмы легли в основу программного комплекса моделирования нейросетевых систем управления, который может использоваться для синтеза и исследования нейросетевых алгоритмов управления и их сравнения с альтернативными подходами. Данный комплекс является интерактивным, модульным, легко расширяется под специфические задачи. Его адаптированный вариант предназначен для применения в учебном процессе в качестве программного стенда при проведении лабораторных работ.

Реализация результатов Результаты работы были использованы:

• для разработки алгоритма нейросетевого управления автономным мобильным роботом в Московском государственном техническом университете им. Н. Э. Баумана;

• при создании учебно-практического лабораторного комплекса по курсу «Нейрокомпьютеры и их применение» в Национальном исследовательском университете МЭИ.

Апробация работы Результаты работы и ее основные положения докладывались на российских и международных конференциях «Информационные технологии в науке, образовании, телекоммуникации и бизнесе» — IT+SE (Ялта-Гурзуф, 2010 г., 2011 г.), «Информационные средства и технологии» (Москва, 1999 г., 2000 г.), «Актуальные проблемы защиты и безопасности» (Санкт-Петербург, 2006 г.), «International Scientific Colloquium» (Ильменау, Германия, 2000 г., 2010 г.), на заседании кафедры «Управление и информатика» Национального исследовательского университета МЭИ.

Публикации По результатам исследований опубликовано 13 научных работ [12−19, 38−40, 52, 54], в том числе, 2 публикации в рецензируемых журналах, входящих в список ВАК РФ: [18, 19].

Структура и объем работы Диссертационная работа состоит из введения, шести глав, заключения и списка литературы из 85 наименований, включает 208 страниц текста, 75 рисунков, 14 таблиц.

6.4. Выводы.

1. Разработан интерактивный программный комплекс моделирования одноконтурных САУ в дискретном времени с возможностью использования линейных, нелинейных и нестационарных объектов и регуляторов, а также нейросетевых регуляторов и моделей объекта с алгоритмами их обучения.

2. Программный комплекс адаптирован для применения в учебном процессе и предложена методика его использования для практических занятий в учебных курсах по нейронным сетям и по системам управления на инженерных специальностях высших учебных заведений.

3. Разработан курс из трех лабораторных работ по применению нейронных сетей в системах управления.

Заключение

.

1. Разработана и успешно опробована в ряде имитационных экспериментов методика замены линейных П, ПИ, ПИД регуляторов на нейросетевой. В рамках методики решены актуальные вопросы выбора архитектуры нейронной сети регулятора, параметров экспериментальных выборок и алгоритма обучения. Исследовано влияние указанных аспектов, а также вида и длины пробных сигналов на качество имитации традиционного регулятора нейросетевым. Показана применимость методики для управления линейными объектами первого и более высоких порядков, а также существенно нелинейным объектом.

2. Предложен алгоритм синтеза нейросетевого оптимального регулятора, минимизирующий среднеквадратическую ошибку управления. Алгоритм использует нейросетевую инверсию по модели предсказания объекта и рассматривается в случае стохастических сигналов уставки и помехи.

3. Показана большая робастность нейросетевого оптимального регулятора по сравнению с винеровским в условиях отличия характеристик объекта и сигналов от номинальных, использовавшихся при синтезе САУ. Кроме того, преимуществом нейросетевого оптимального регулятора перед винеровским является удобство синтеза, так как нет ограничений на физическую реализуемость и нет необходимости в аналитической идентификации объекта и сигналов.

4. Разработан и исследован нейросетевой алгоритм управления нестационарным объектом с адаптацией по обнаружению разладки с помощью алгоритма кумулятивных сумм. Проведено сравнение разработанного алгоритма с распространенным методом постоянной адаптации. Отмечено, что алгоритм с обнаружением разладки обеспечивает большую экономичность и устойчивость управления, чем метод с постоянной адаптацией регулятора.

5. В натурных экспериментах решена задача нейросетевого управления автономным мобильным роботом при движении на неподвижный маяк. Использовались предложенные методики по замене линейного регулятора на нейросетевой и синтеза нейросетевого оптимального регулятора.

6. Развитые методы нейросетевого управления реализованы в оригинальном модульном интерактивном программном пакете, обеспечивающем полную среду для изучения и сопоставления нейросетевых алгоритмов в системах автоматического управления. Данный комплекс адаптирован для использования в учебном процессе в качестве базового для проведения лабораторных и исследовательских работ студентами.

Показать весь текст

Список литературы

  1. С. А., Мхитарян В. С. Прикладная статистика и основы эконометрики. ЮНИТИ, 1998.
  2. Ю. М., Медведев В. С. Статистическая теория систем автоматического регулирования и управления. М.:Наука, 1982.
  3. Д., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.:Мир, 1974. Т. 2.
  4. В. Е., Чинаев П. И. Анализ и синтез систем автоматического управления на ЭВМ: алгоритмы и программы. М.:Радио и связь, 1991.
  5. Т. А., Логовский А. С. Нейрокомпьютеры в управлении // Зарубежная радиоэлектроника: Успехи современной радиоэлектроники. 1997. № 2.
  6. А., Ю-Ши X. Прикладная теория оптимального управления. М.:Мир, 1972.
  7. К., Зиффлинг Г. Фильтр Калмана-Бьюси. М.:Наука, 1982.
  8. М., Д. С. Требуется ли адаптивное управление для манипуля-ционных роботов, и если да, то в какой мере // Изв. АН СССР, Техническая кибернетика. 1991. № 1. С. 115−125.
  9. В. А. Нейронные сети: обучение, организация и применение. Нейрокомпьютеры и их применение. М.:ИПРЖР, 2001.
  10. А. Н. Обучение нейронных сетей. М.:СП Параграф, 1990.
  11. Г., Ватте Д. Спектральный анализ и его приложения. М.:Мир, 1971. Т. 1.
  12. В. Л. Нейросетевое оптимальное управление движением мобильного робота // Доклады 10-го Всероссийского семинара «Нейроинформатика и ее приложения». Красноярск: 2002.— октябрь.
  13. В. Л., Зенкевич С. Л. Метод нейросетевого оптимального управления // Труды Девятой Всероссийской научно-практической конференции «Актуальные проблемы защиты и безопасности». Т. 5. Санкт-Петербург: 2006. апрель. С. 251−256.
  14. В. Л., Филаретов Г. Ф. Моделирование ПИД-контроллера с помощью искусственной нейронной сети // Перспективные технологии автоматизации. Вологда: 1999. С. 108.
  15. В. Л., Филаретов Г. Ф. Методика синтеза нейросетевой системы управления нестационарным объектом // Вестник МЭИ. 2010. № 3. С. 100−106.
  16. Елисеев В. JL, Филаретов Г. Ф. Программный пакет для моделирования и обучения методам нейросетевого управления // Открытое образование. 2011. № 2(86), 4.2. С. 98−101.
  17. Д. М. Разработка и исследование нейросетевого регулятора для систем автоматизированного управления: к.т.н. 1995.
  18. Интеллектуальные системы автоматического управления, Под ред. И. М. Макаров, В. М. Лохин. М.:ФИЗМАТЛИТ, 2001.
  19. А. Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного // Докл. АН СССР. 1957. Т. 114, № 5. С. 953−956.
  20. В. И., Смирнов Д. А. Нейронные сети и их применение в системах управления и связи. М.:Горячая линия-Телеком, 2003.
  21. Т. Ассоциативная память. М.:Мир, 1980.
  22. П. В. Теория автоматического управления. М.:Высшая школа, 1973.
  23. С., Халид М., Юсоф Р. Нейроуправление и его приложения. Нейрокомпьютеры и их применение. М.-Радиотехника, 2000.
  24. С. Нейронные сети для обработки информации. М.:Финансы и статистика, 2004.
  25. К. Ю. Введение в стохастическую теорию управления. М.:Мир, 1973.
  26. Сеть Петри. http://ru.wikipedia.org/wiki/0/, D07oAl0/"D00/oB50/oDl0/o827"Dl% 8C0/0D00/"9F7"D07oB50/"Dl70827.Dl°/"800/oD07oB8. 2010. Online- accessed 25-Dec-2010.
  27. A. H. Операторные методы в статистической динамике автоматических систем. М.:Наука, 1965.
  28. Современная теория систем управления, Под ред. К. Т. Леондес. М.:Наука, 1970.
  29. В. В. Статистическая динамика линейных систем автоматического управления. М.:Физматгиз, 1960.
  30. Теория автоматического управления. Часть I, Под ред. А. В. Нетушил. М.:Высшая школа, 1968.
  31. В. А., Ефимов Д. В., Тюкин И. Ю., Антонов В. Н. Нейросетевые системы управления. Изд. С.-Петербургского университета, 1999.
  32. И. Ю. Алгоритмический синтез нейросетевых систем управления нелинейными динамическими объектами в условиях неопределенности: Кандидатская диссертация / ЛЭТИ. 2001.
  33. Ф. Нейрокомпьютерная техника: теория и практика. М.:Мир, 1992.
  34. Г. Ф., Елисеев В. Л. Нейросетевой оптимальный регулятор // Доклады международной конференции «Информационные средства и технологии». Т. 3. Москва: 2000. октябрь. С. 64−67.
  35. Г. Ф., Елисеев В. Л. Особенности применения нейронных сетей в системах управления // Доклады международной конференции «Информационные средства и технологии». Москва: 2003. — октябрь.
  36. Г. Ф., Елисеев В. JL, Аверченков Е. О. Разработка программных средств нейросетевого моделирования случайных процессов и систем управления // Доклады международной конференции «Информационные средства и технологии». Москва: 1999. — октябрь.
  37. А. С. Исследование и разработка алгоритмов куммулятивных сумм в задаче обнаружения разладки дискретного случайного процесса: к.т.н. / МЭИ. 1983.
  38. С. Нейронные сети. Полный курс. Вильяме, 2008.
  39. Д. Прикладное нелинейное программирование. М.:Мир, 1975.
  40. Я. 3. Теория импульсных систем. М.:Наука, 1958.
  41. Barto A. G., Sutton R. S., Anderson С. W. Neuron like adaptive elements that can solve difficult learning control problem // IEEE Trans, on Systems, Man and Cybernatics. 1983. Vol. 13, no. 5. Pp. 834−846.
  42. Basu A., Bartlett E. B. Detecting faults in a nuclear power plant by using dynamic node architecture artificial neural networks // Nuclear science and engineering. 1994. Vol. 116, no. 4. Pp. 313−325.
  43. Benne M., Grondin-Perez В., Chabriat J.-P., Herve P. Artificial neural networks for modelling and predictive control of an industrial evaporation process // Journal of food engineering. 2000. no. 46. Pp. 227−234.
  44. Boquete L., Garca R., Barea R., Mazo M. Neural control of the movements of a wheelchair // Journal of intelligent and robotic systems. 1999. no. 25. Pp. 213−226.
  45. Bouchard M. New recursive-least-squares algorithms for non-linear active control of sound and vibration using neural networks // IEEE Trans, on Neural Networks. 2001. Vol. 12, no. 1. Pp. 135−147.
  46. P. С., Mills J. K. Synthesis of neural networks and PID control for performance improvement of industrial robots // Journal of Intelligent and Robotic Systems. 1997. Vol. 20. Pp. 157−180.
  47. Continuous stirred-tank reactor. 2011. URL: http://en.wikipedia.org/ wiki/Continuousstirred-tankreactor (дата обращения: 27-Mar-2011).
  48. Eliseev V. L., Filaretov G. F. Software tool for neural network control algorithm research // 45h International Scientific Colloquium,. Ilmenau Technical University: 2000. — October.
  49. Fabri S., Kadirkamanathan V. Dual adaptive control of nonlinear stochastic systems using neural networks // Automatica. 1998. Vol. 34, no. 2. Pp. 245−253.
  50. Filaretov G. F., Eliseev V. L. Modified Algorithm of Neural Network Control for Non-stationary Object // 55h International Scientific Colloquium. Ilmenau University of Technology: 2010. — September.
  51. Filaretov G. F., Filatow A. S. Methoden zur schnellsten Bestimmung des Momentes der Anderung der Charakteristik zufalliger Prozesse // XXVII Internationales Wiss.Kollogwium. TH Ilmenau: 1982. Pp. 233−236.
  52. Gibb J. C. G. H. Back Propagation Family Album: Tech. Rep. C/TR96−05: Department of Computing, Macquarie University, 1996.—August.
  53. Gorinevsky D., Feldkamp L. A. RBF network feedforward compensation of load disturbance in idle speed control // IEEE Control Systems Magazine. 1996. Vol. 16, no. 6.
  54. Haykin S., Yee P., Derbez E. Optimum nonlinear filtering // IEEE Trans, on Signal Processing. 1997. Vol. 45, no. 11.
  55. An inverse pendulum on an oscillatory base. 2007. URL: http: //mw. concord, org/modelerl.3/mirror/mechanics/inversependulum.html (дата обращения: lO-Apr-2011).
  56. Kavehercy S. The Optimal Control of the Water Vessel Process. Master’s thesis, University of Amsterdam, Autonomous Systems Group, 1996. — May.
  57. Khalid M., Omatu S., Yusof R. Temperature regulation with neural networks and alternative control schemes // IEEE Trans, on Neural Networks. 1996. Vol. 6, no. 3.
  58. Ku C.-C., Lee K. Y. Diagonal recurrent neural networks for dynamic systems control // IEEE Trans, on Neural Networks. 1996. Vol. 6, no. 1.
  59. Levin A. U., Narendra K. S. Recursive identification using feedforward neural networks // International journal of control. 1995. Vol. 61, no. 3. Pp. 533−548.
  60. Liao L.-Z. A recurrent neural network for N-stage optimal control problems // Neural Processing Letters. 1999. no. 10. Pp. 195−200.
  61. Lin F.-J., Wai R.-J., Hong C.-M. Hybrid supervisory control using recurrent fuzzy neural network for tracking periodic inputs // IEEE Trans, on Neural Networks. 2001. Vol. 12, no. 1. Pp. 69−90.
  62. Lin Т., Home B. G., Tiiio P., Giles C. L. Learning long-term dependencies is not as difficult with NARX recurrent neural networks // IEEE Trans, on Neural Networks.
  63. Narendra K. S., Mukkopadhyay S. Intelligent control using neural networks // Intelligent control systems: theory and applications / Ed. byG. M. M., S. N. K. IEEE Press, 1996.
  64. Narendra K. S., Parthasarathy K. Identification and control of dynamical systems using neural networks // Artificial neural networks: concepts and control applications / Ed. by V. V. R. IEEE computer soc. press, 1992. Pp. 444−468.
  65. Neural Network Online Training Tool. 2011. URL: http: //husky. if. uidaho. edu/nn (дата обращения: 10-Apr-2011).
  66. Online demo. 2011. URL: http://neuroph.sourceforge.net/onlinedemo. html (дата обращения: 10-Apr-2011).
  67. Park Y.-M., Choi M.-S., Lee K.-Y. An optimal tracking neuro-controller for non-linear dynamic systems // IEEE Trans, on Neural Networks. 1996. Vol. 7, no. 5.
  68. Pican N., Alexandre F., Haton J., Bresson P. NeuroControl of Temperatures with OWE Neural Network Architecture in Continuous Steel Annealing Furnace.1995. URL: citeseer.nj.nec.com/pican95neurocontrol.html.
  69. RayChaudhuri Т., Hamey L. G. C., Bell R. D. Neural network control using active learning // Control. 1995. Vol. 2. Pp. 369−373.
  70. Ronco E., Gawthrop P. J., Hill D. J. Gated modular neural networks for control oriented modelling: Tech. Rep. EE-98 009: Systems and control laboratory, University of Sydney and Center for systems and control, University of Glasgow, 1998.
  71. Rumelhart D. E., Hinton G. E., Williams R. J. Learning internal representations by error propagation. Cambridge, MA, USA: MIT Press, 1986. Pp. 318−362. ISBN: 0−262−68 053-X. URL: http://portal.acm.org/citation.cfm?id= 104 279.104293.
  72. Sontag E. D. Some topics in neural networks and control: Tech. Rep. LS93−02: Department of Mathematics, Rutgers University, 1993. —July.
  73. Steck J. E., Rokhsaz K., Shue S.-P. Linear and neural network feedback for flight control decoupling // IEEE Control Systems Magazine. 1996. Vol. 16, no. 4.
  74. Suykens J. A. K., Vandewalle J. P. L., Moor B. L. R. Artificial neural networks for modelling and control of non-linear systems. Kluwer Academic Publishers, 1996.
  75. Tariq S. Neurocontrol: Concepts and Practical Considerations // Intelligent control systems: theory and applications / Ed. by G. M. M., S. N. K. IEEE Press, 1996.
  76. Toudeft A., Kosuth P., Gallinari P. A PID neural controller for unstable delayed linear systems.
  77. Uhrig R. E. Potential applications of neural networks to the operation of nuclear power plants // Nuclear safety. 1991. Vol. 32, no. 1. Pp. 68−79.
  78. Vasickaninova A., Bakosova M. Neural Network Predictive Control Of A Chemical Reactor // Proceedings 23rd European Conference on Modelling and Simulation. Madrid, Spain.: 2009.
  79. Wai R.-J., Lin H.-H., Lin F.-J. Hybrid controller using fuzzy neural networks for identification and control of induction servo motor drive // Neurocomputing. onnn ^ OK D^ 01 110iUUU. 11U. UU. X ?-J. CX XXj.
  80. Wang D., Bao P. Enhancing the estimation of plant Jacobian for adaptive neural inverse control // Neurocomputing. 2000. no. 34. Pp. 99−115.
  81. Warwick K. Neural networks for linear control: an analysis // Mathematics and Computers in Simulation. 1996. no. 41. Pp. 29−37.
Заполнить форму текущей работой

Сессия? Спокойно!