Задача управления некоторыми системами усложняется за счет того, что динамика управляемой конструкции не может быть полностью описана математически. Использование классических PID-регуляторов не дает возможности учесть особенности динамики движения таких систем. Также в результате действия неучтенных внешних факторов возникает проблема с обеспечением устойчивости такой системы. Применение нейросетевых регуляторов призвано решить эти проблемы, так как они способны учитывать динамику системы в режиме реального времени.

В рамках статьи рассматривается эффективность нейросетевого управления устойчивым объектом. Изучается влияние характеристик нейросетевой модели на результативность ее работы. Для обучения нейронной сети в качестве эталонной модели был принят регулятор, синтезированный с использованием полиномиального матричного разложения.

1. Hagan M., Demuth H., Jesús O. A neural network predictive control system for paper mill wastewater treatment // Engineering Applications of Artificial Intelligence. – 2003. – Vol. 16, N 2. – P. 121–129.

2. Haykin S. Neural networks and learning machines. – 3rd ed. – [S. l.]: Pearson Education, 2009. – 938 p.

3. Bishop C. Pattern recognition and machine learning. – New York: Springer, 2007. – 738 p. – (Information science and statistics).

4. Goodfellow I., Bengio Y., Courville A. Deep learning. – Cambridge, MA: MIT Press, 2016. – 781 p.

5. Haykin S., Deng C. Classification of radar clutter using neural networks // IEEE Transactions on Neural Networks. – 1991. – Vol. 2. – P. 589–600.

6. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. – New York: Springer, 2001. – 552 p.

7. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems 25 (NIPS 2012). – Lake Tahoe, Nevada, 2012. – P. 1090–1098.

8. Graves A., Mohamed A., Hinton G. Speech recognition with deep recurrent neural networks // Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing, ICASSP 2013. – Vancouver, Canada, 2013. – P. 6645–6649.

9. Deng L., Hinton G.E., Kingsbury B. New types of deep neural network learning for speech recognition and related applications: an overview // Proceedings of the IEEE International Conference on Acoustic, Speech, and Signal Processing, ICASSP 2013. – Vancouver, Canada, 2013. – P. 8599–8603.

10. Воевода А.А., Романников Д.О. Синтез нейронной сети для решения логико-арифметических задач // Труды СПИИРАН. – 2017. – Вып. 54. – С. 205–223.

11. Воевода А.А., Бобобеков К.М., Шипагин В.И. Синтез одноканальных регуляторов с использованием факторизации передаточной функции объекта // Сборник научных трудов НГТУ. – 2019. – № 2 (95). – С. 7–17.

12. Бобобеков К.М. Полиномиальный метод синтеза одноканальной двухмассовой системы // Сборник научных трудов НГТУ. – 2016. – № 4 (86). – С. 25–36.

13. Воевода А.А., Бобобеков К.М. Решение переопределенной линейной системы уравнений при полиномиальном синтезе регуляторов // Современные технологии. Системный анализ. Моделирование. – 2017. – № 4 (56). – С. 84–99.

14. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6 / под общ. ред. В.Г. Потемкина. – М.: Диалог-МИФИ, 2001. – 630 с.

15. Милютин И. Эпоха, батч, итерация – в чем различия? // Neurohive: web-сайт. – 2018. – 27 декабря. – URL: https://neurohive.io/ru/osnovy-data-science/jepoha-razmer-batcha-iteracija/ (дата обращения: 19.12.2019).