Чапланов Олексій Павлович. Нейродинамічні прогнозуючі моделі в системах керування

brief description

Чапланов Олексій Павлович. Нейродинамічні прогнозуючі моделі в системах керування: дис... канд. техн. наук: 05.13.03 / Харківський національний ун-т радіоелектроніки. - Х., 2005

Чапланов О.П. Нейродинамічні прогнозуючі моделі в системах керування. Рукопис.
Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.03 системи та процеси керування. Харківський національний університет радіоелектроніки, Харків, 2005.
Розглянуто задачу розробки методів моделювання нелінійних динамічних стохастичних об’єктів за допомогою нейромережевих технологій та хаосдинаміки. Показано, що в якості моделі об’єкта керування доцільно використовувати нейроемулятори, що здатні відновлювати хаотичні та стохастичні характеристики та навчатися у реальному часі.
Вперше запропоновано нейромережеві методи і архітектури для відновлення показника Херста в реальному часі. Вперше запропоновано архітектуру і метод навчання нейромережевої моделі на основі резонансних фільтрів в реальному часі. Модифіковано радіально-базисні нейромережі і методи їхнього навчання, що відзначаються високою швидкодією та низькою обчислювальною складністю.
Проведено імітаційне моделювання розроблених нейромережевих архітектур та методів навчання. Розв’язано актуальні практичні задачі динамічної реконструкції хаосу й обчислення характеристичного показника Херста з використанням розроблених методів та моделей.

У дисертаційній роботі розв’язано актуальну наукову задачу створення методів ідентифікації, моделювання і реконструкції нелінійних динамічних об’єктів керування, що функціонують за умов невизначеності щодо своїх параметрів і структури, при цьому демонструють як хаотичну поведінку, що викликана власними характеристиками об’єктів, так і стохастичну, що викликана наявністю будь-якого зовнішнього впливу. Проведені дослідження дозволяють зробити такі висновки:
1. В результаті аналізу поточного стану проблеми побудови математичних моделей об'єктів керування за умов невизначеності відзначено недоліки відомих нейромережевих систем та методів навчання на основі зворотного поширення похибок, які мають низьку швидкість збіжності, що обмежує їхнє застосування в реальному часі.
2. Вперше запропоновано нейромережеві методи і архітектури для відновлення показника Херста в реальному часі, що дозволяє вирішувати проблеми раннього виявлення змінення властивостей (розладнань) об’єктів і систем керування.
3. Вперше запропоновано архітектуру і метод навчання нейромережевої моделі на основі резонансних фільтрів в реальному часі, що дозволяє виділяти з сигналу, що аналізується, потрібну кількість квазігармонічних компонент.
4. Модифіковано нейромережеві моделі радіально-базисних конструкцій на базі квадратичних функцій активації і методи навчання, що відзначаються високою швидкодією та низькою обчислювальною складністю.
5. Проведено імітаційне моделювання розроблених спеціалізованих архітектур нейромереж та методів їх навчання. Показано їхні переваги перед відомими як за точністю, так і за швидкодією.
6. Розв’язано практичні задачі ідентифікації фаз сну теплокровних тварин під час гібернації. Результати досліджень впроваджено у відділі кріофізіологіїІПКіК НАНУ, м. Харків при розробці методу та програмного засобу, що реалізує нейромережеві методи динамічної реконструкції хаосу та обчислення характеристичного показника Херста на біоелектричних проявах активності мозку теплокровної тварини в циклі сон-бадьорість”, а також у навчальний процес у Харківському національному університеті радіоелектроніки.
7. Розроблені в дисертаційній роботі методи та моделі можуть бути використані для ідентифікації хаосу та моделювання широкого класу динамічних стохастично-хаотичних об’єктів за умов апріорної та поточної невизначеності щодо їхньої структури та параметрів.