Разработка и исследование искусственной нейронной сети для управления динамическим объектом с переменными параметрами
Архитектура искусственных нейронных сетей, особенности их обучения с учителем и без него. Правило коррекции по ошибке. Обучение методом соревнования. Основные принципы генетического алгоритма. Анализ применения нейронных сетей для синтеза регуляторов.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 23.02.2015 |
| Размер файла | 2,7 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Перерегулирование составило 2. 87%, переходный процесс 12 сек.
Рис. 35 Переходная характеристика при параметрах 330/0. 340
График, при коэффициентах м/с и м/с показан на рисунке 35.
Перерегулирование составило - 2. 36%, Переходный процесс - 12 сек.
Из всего этого можно сделать вывод, что при найденных параметров автопилота (коэффициентов ПИД-регулятора) обученная нейронная сеть показывает хорошие результаты даже с теми входными сигналами, которые не были включены в набор при ее обучении (что соответствует теории о нейронных сетях).
Скорость и аэродинамический коэффициент снаряда напрямую влияют на его переходную характеристику. Построим два графика поверхностей. Первый график будет показывать зависимость 50 значений , от их перерегулирования. Второй будет состоять из тех же 50 значений и зависеть от времени переходного процесса.
Рис. 36 График зависимости значений от перерегулирования.
Как показывает график зависимости скорости и аэродинамического сопротивления от перерегулирования (рис. 36), чем меньше скорость и аэродинамический коэффициент, тем меньше значение перерегулирования.
Рис. 37 График зависимости значений от времени переходного процесса.
На втором графике зависимости скорости и аэродинамического сопротивления от времени переходного процесса (рис. 37) видно, что чем больше скорость снаряда и чем меньше аэродинамический коэффициент, тем меньше время переходного процесса.
Очевидно, что в реальных условиях будет использоваться гораздо больше параметров, которые влияют на стабилизацию снаряда, нежели скорость и аэродинамический коэффициент. Но гибкость нейронной сети позволит применить данную модель для решения таких задач.
Заключение
В рамках данной дипломной работы разработана и исследована искусственная нейронная сеть, для адаптивной настройки регулятора, управляющего объектом с переменными параметрами.
Была выбрана сеть прямого распространения сигнала, обученная алгоритмом обратного распространения ошибки и активационной функцией гиперболического тангенса в первом скрытом слое и логистической функцией в выходном слое. Сеть была обучена на примере пар значений скорости снаряда, аэродинамического коэффициента и коэффициентов ПИД-регулятора.
Разработана программа в среде Matlab R2010b для реализации обучения нейронной сети и ее дальнейшего тестирования. Моделирование схем и сети производилось в программе Simulink 7. 6.
Алгоритм был протестирован с использованием неизвестных пар параметров скорости и аэродинамического коэффициента и показал хорошие результаты.
Список литературы
1. Xabier Basogain Olabe. Redes Neuronales Artificiales y sus Aplicaciones Formato Impreso: Publicaciones de la Escuela de Ingenieros, 1998 - 79 p.
2. Минский М., Пейперт С. Персептроны. М.: Мир, 1971 - 261 с.
3. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления: Учеб. Пособие для вузов - М.: Высш. шк. 2002. - 183 с.: ил.
4. Хайкин, С. Нейронные сети: полный курс, 2-е изд., испр.: Пер. с англ. - М.: ООО "И.Д. Вильямс", 2006. - 1104 с.
5. Дивеев А.И., Софронова Е.А. "Основы генетического программирования Учебно-методическое пособие" - М.: Изд-во РУДН, 2006;
6. Васенков Д.В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в образовании. - СПб.: Изд-во ЦПО "Информатизация образования", 2007, №1, С. 20-29.
7. Круг П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу "Микропроцессоры". - М.: Издательство МЭИ, 2002. - 176 с.
8. Каллан, Р. Основные концепции нейронных сетей: Пер. с англ. - М.: Издательский дом "Вильямс"', 2001;
9. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия - Телеком, 2001. - С. 382.
10. Мочалов И.А. Искусственные нейронные сети в задачах управления и обработки информации Ч. 1 - М.: 2004. - 145 с.
11. Осовский С. Нейронные сети для обработки информации - М.: Финансы и статистика, 2002. - 344 с.
12. Пупков К.А., Егупов Н.Д. "Методы классической и современной теории автоматического управления": Учебник в 5-и тт.; 2-е изд., перераб. и доп.Т. 3: Синтез регуляторов систем автоматического управления / Под ред. К.А. Пупкова и Н.Д. Егупова. - М.: Издательство МГТУ им. Н.Э. Баумана, 2004. - 616 с.; ил.
13. Портал искусственного интеллекта, 2009-2011. http://www.aiportal.ru/articles/neural-networks (Дата обращения: 23. 05.2013).
Приложение
fitness. m
function [os, tpp] = fitness (Ks, Kb, Ve)
b1=5. 6;
b2=1. 9;
a1=0. 645;
a2=13. 6;
G = tf ([b1 b2], [1 a1 a2 0]);
sys1=feedback (G,1);
Ks = abs (Ks);
reg = pid (Ks (1),Ks (2),Ks (3),Ks (4));
R = tf (Kb * Ve, [1 Kb 0]);
sys22 = series (reg, sys1);
sys2 = series (sys22, R);
sys3 = feedback (sys2,1);
S = stepinfo (sys3, 'RiseTimeLimits', [0. 05, 0. 95]);
os = S. Overshoot;
tpp = S. SettlingTime;
if isnan (os)
os = 1e+7;
end
if isnan (tpp)
tpp = 1e+7;
end
end
gapidtune. m
clc;
b1=5. 6; b2=1. 9; a1=0. 645; a2=13. 6;
spread = 100;
count = sqrt (spread);
%% Создание популяции
InitialPopulation = zeros (25, 4);
G = tf ([b1 b2], [1 a1 a2 0]);
sys3=feedback (G,1);
k = 0;
for Ve=linspace (225,375,count)
for Kb = linspace (0. 255,0. 425,count)
k = k + 1;
R = tf ([Kb*Ve], [1 Kb 0]);
sys = series (sys3, R);
K = pidtune (sys, 'pidf');
InitialPopulation (k,:) = [K. Kp K. Ki K. Kd K. Tf];
end
end
%% Настройка
C = cell (count);
k1 = 0; k2 = 0;
gaopts = gaoptimset ('Display', 'iter', 'Generations', 15, 'CreationFcn',..
@gacreationlinearfeasible, 'PopulationSize', 100, 'InitialPopulation', … InitialPopulation, 'UseParallel', 'always');
R = 0;
for Ve=linspace (225,375,count)
k1 = k1 + 1;
for Kb = linspace (0. 255,0. 425,count)
R = R + 1;
k2 = k2 + 1;
fit_fun = @ (x) fitness (x, Kb, Ve);
C{k1, k2} = gamultiobj (fit_fun, 4, eye (4) * (-1), zeros (4, 1), [], [], [], [], gaopts);
end
k2 = 0;
end
neur_new2. m
%Вход
P = [];
for k1 = linspace (225,375,10)
for k2 = linspace (0. 255,0. 425,10)
P = [P; k1 k2];
end
end
%P = P';
T = [];
for m = 1: 10
for n = 1: 10
T = [T; C{m, n} (1,:)];
end
end
%Выход
%T = T';
%%
net=newff (P', T', 16, {'tansig'});
net. layers{2}. transferFcn = 'logsig';
net. SampleTime=0. 01;
net. trainParam. max_fail = 1000;
net=train (net, P', T');
simsc. m
%%
G = tf ([b1 b2], [1 a1 a2 0]);
sys1 = feedback (G,1);
N = 50;
Per = zeros (N);
PP = zeros (N);
Kb1 = linspace (0. 255,0. 425,N);
Ve1 = linspace (225,375,N);
%matlabpool 4
tic
for s = 1: N
for k = 1: N
Ks = sim (net, [Ve1 (s); Kb1 (k)]);
reg = pid (Ks (1),Ks (2),Ks (3),Ks (4));
R = tf ([Kb1 (k) *Ve1 (s)], [1 Kb1 (k) 0]);
sys22 = series (reg, sys1);
sys2 = series (sys22, R);
sys3 = feedback (sys2,1);
S = stepinfo (sys3, 'RiseTimeLimits', [0. 05, 0. 95]);
Per (s, k) = S. Overshoot;
PP (s, k) = S. SettlingTime;
end
end
toc
%%
Ks = sim (net, [228; 0. 258]);
reg = pid (Ks (1),Ks (2),Ks (3),Ks (4));
R = tf ([Kb*Ve], [1 Kb 0]);
sys22 = series (reg, sys1);
sys2 = series (sys22, R);
sys3 = feedback (sys2,1);
figure (3)
step (sys3)
%%
%matlabpool close
%%
[Kb1, Ve1] = meshgrid (Kb1, Ve1);
figure (1)
surfc (Kb1, Ve1, Per)
%light ('pos', [0. 5 - 0. 9 15])
shading interp
lighting phong
colormap summer
xlabel ('Аэродинамический коэффициент, Kb')
ylabel ('Значение скорости, Ve')
zlabel ('Перерегулирование, %')
%%
figure (2)
surfc (Kb1,Ve1, PP)
shading interp
lighting phong
colormap summer
xlabel ('Аэродинамический коэффициент, Kb')
ylabel ('Значение скорости, Ve')
zlabel ('Время переходного процесса, с')
Размещено на Allbest.ru
...Подобные документы
Математическая модель нейронной сети. Однослойный и многослойный персептрон, рекуррентные сети. Обучение нейронных сетей с учителем и без него. Алгоритм обратного распространения ошибки. Подготовка данных, схема системы сети с динамическим объектом.
дипломная работа [2,6 M], добавлен 23.09.2013Математическая модель искусственной нейронной сети. Структура многослойного персептрона. Обучение без учителя, методом соревнования. Правило коррекции по ошибке. Метод Хэбба. Генетический алгоритм. Применение нейронных сетей для синтеза регуляторов.
дипломная работа [1,5 M], добавлен 17.09.2013Понятие искусственного нейрона и искусственных нейронных сетей. Сущность процесса обучения нейронной сети и аппроксимации функции. Смысл алгоритма обучения с учителем. Построение и обучение нейронной сети для аппроксимации функции в среде Matlab.
лабораторная работа [1,1 M], добавлен 05.10.2010Обучение простейшей и многослойной искусственной нейронной сети. Метод обучения перцептрона по принципу градиентного спуска по поверхности ошибки. Реализация в программном продукте NeuroPro 0.25. Использование алгоритма обратного распространения ошибки.
курсовая работа [1019,5 K], добавлен 05.05.2015Общие сведения о принципах построения нейронных сетей. Искусственные нейронные системы. Математическая модель нейрона. Классификация нейронных сетей. Правила обучения Хэбба, Розенблатта и Видроу-Хоффа. Алгоритм обратного распространения ошибки.
дипломная работа [814,6 K], добавлен 29.09.2014Рост активности в области теории и технической реализации искусственных нейронных сетей. Основные архитектуры нейронных сетей, их общие и функциональные свойства и наиболее распространенные алгоритмы обучения. Решение проблемы мертвых нейронов.
реферат [347,6 K], добавлен 17.12.2011Диагностический анализ изучения алгоритмов обучения нейронных сетей "с учителем". Сбор входных и выходных переменных для наблюдений и понятие пре/пост процессирования. Подготовка и обобщение многослойного персептрона, модель обратного распространения.
курсовая работа [249,3 K], добавлен 22.06.2011Искусственные нейронные сети как одна из широко известных и используемых моделей машинного обучения. Знакомство с особенностями разработки системы распознавания изображений на основе аппарата искусственных нейронных сетей. Анализ типов машинного обучения.
дипломная работа [1,8 M], добавлен 08.02.2017Особенности нейронных сетей как параллельных вычислительных структур, ассоциируемых с работой человеческого мозга. История искусственных нейронных сетей как универсального инструмента для решения широкого класса задач. Программное обеспечение их работы.
презентация [582,1 K], добавлен 25.06.2013Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией.
реферат [158,2 K], добавлен 16.03.2011Механизм работы нервной системы и мозга человека. Схема биологического нейрона и его математическая модель. Принцип работы искусственной нейронной сети, этапы ее построения и обучения. Применение нейронных сетей в интеллектуальных системах управления.
презентация [98,6 K], добавлен 16.10.2013Способы применения нейронных сетей для решения различных математических и логических задач. Принципы архитектуры их построения и цели работы программных комплексов. Основные достоинства и недостатки каждой из них. Пример рекуррентной сети Элмана.
курсовая работа [377,4 K], добавлен 26.02.2015Способы применения технологий нейронных сетей в системах обнаружения вторжений. Экспертные системы обнаружения сетевых атак. Искусственные сети, генетические алгоритмы. Преимущества и недостатки систем обнаружения вторжений на основе нейронных сетей.
контрольная работа [135,5 K], добавлен 30.11.2015Сущность и функции искусственных нейронных сетей (ИНС), их классификация. Структурные элементы искусственного нейрона. Различия между ИНС и машинами с архитектурой фон Неймана. Построение и обучение данных сетей, области и перспективы их применения.
презентация [1,4 M], добавлен 14.10.2013Анализ применения нейронных сетей для прогнозирования ситуации и принятия решений на фондовом рынке с помощью программного пакета моделирования нейронных сетей Trajan 3.0. Преобразование первичных данных, таблиц. Эргономическая оценка программы.
дипломная работа [3,8 M], добавлен 27.06.2011Прогнозирование валютных курсов с использованием искусственной нейронной сети. Общая характеристика среды программирования Delphi 7. Существующие методы прогнозирования. Характеристика нечетких нейронных сетей. Инструкция по работе с программой.
курсовая работа [2,2 M], добавлен 12.11.2010Описание технологического процесса напуска бумаги. Конструкция бумагоделательной машины. Обоснование применения нейронных сетей в управлении формованием бумажного полотна. Математическая модель нейрона. Моделирование двух структур нейронных сетей.
курсовая работа [1,5 M], добавлен 15.10.2012Задача анализа деловой активности, факторы, влияющие на принятие решений. Современные информационные технологии и нейронные сети: принципы их работы. Исследование применения нейронных сетей в задачах прогнозирования финансовых ситуаций и принятия решений.
дипломная работа [955,3 K], добавлен 06.11.2011Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.
дипломная работа [2,7 M], добавлен 18.02.2017Изучение методов разработки систем управления на основе аппарата нечеткой логики и нейронных сетей. Емкость с двумя клапанами с целью установки заданного уровня жидкости и построение нескольких типов регуляторов. Проведение сравнительного анализа.
курсовая работа [322,5 K], добавлен 14.03.2009
