СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

На практике выбор вида нейронной сети осуществляется эмпирически на основе опыта исследователя и множества попыток обучения. При этом избыточная сложность нейронной сети приводит к увеличению времени ее обучения, а в некоторых случаях и вообще к невозможности обучения. Таким образом, обоснование выбора структуры искусственной нейронной сети и/или ее предварительный расчет на основе других моделей является актуальной задачей. Не менее важной задачей является выбор начальных весовых коэффициентов нейронной сети, от выбора которых зависит скорость сходимости поисковых алгоритмов. В настоящей работе продемонстрирован подход к решению вопроса выбора архитектуры и инициализации весовых коэффициентов нейронной сети. Один из них проводится на основании предварительно рассчитанной функции с помощью сетей Петри. Этот подход продемонстрирован для решения различных задач, к которым можно отнести реализацию функций с помощью предварительно определенных нейросетевых моделей простейших логических операций «и», «или» и т.д. Приведен подход, позволяющий оптимизировать архитектуру нейронной сети, решающую задачу аппроксимации функций одной и нескольких переменных. Принцип определения архитектуры и начальных весовых коэффициентов также используется в задачах обучения нейронных сетей с подкреплением. Отдельный раздел посвящен формированию методики определения архитектуры и инициализации весовых коэффициентов нейронной сети регулятора на основании информации о регуляторе, полученном модальным методом, использующем полиномиальное матричное разложение системы. Решается вопрос синтеза нейросетевого регулятора для системы, содержащей нелинейности и непараметрические неопределенности в канале управления.

1. Werbos P.J. Backpropogation and neurocontrol: a review and prospectus // IJCNN: International Joint Conference on Neural Networks. Vol. 1. – Washington, DC, USA, 1989. – P. 209–216.

2. Моделирование нейроуправления скоростью дождевальных машин / Д.А. Соловьев, Г.Н. Камышова, Н.Н. Терехова, С.М. Бакиров // Аграрный научный журнал. – 2020. – № 7. – С. 81–84. – DOI: 10.28983/asj.y2020i7pp78-84. – EDN: UJRKWT.

3. Епихин А.И., Хекерт Е.В., Модина М.А. Принципы нейроуправления и варианты архитектуры нейронных сетей применительно к сложной динамической системе СЭУ-СУДНО // Морские интеллектуальные технологии. – 2020. – № 4-4 (50). – С. 18–22. – DOI: 10.37220/MIT.2020.50.4.091.

4. Токарев К.Е. Интеллектуализация дождевальных машин на основе методов прогнозирующего нейроуправления // Молодые ученые России: сборник статей IX Всероссийской научно-практической конференции, Пенза, 7 октября 2021 г. – Пенза: Наука, 2021. – С. 18–21.

5. Hunter S.L. Non-linear neurocontrol of chemical processes using reinforcement learning. Thesis (MScEng). – Stellenbosch University, 2011. – 111 p.

6. Сагдатуллин А.М. Методы, модели и алгоритмы повышения эффективности процессов добычи и транспортировки нефти и построения систем управления на основе нейросетевых и многомерных логических регуляторов с дискретными термами: дис. … д-ра техн. наук: 2.3.3. – Казань, 2022. – 277 с.

7. Conradie A.v.E. A neurocontrol paradigm for intelligent process control using evolutionary reinforcement learning. Diss. for the Degree of Doctor of philosophy. – Stellenbosch University, 2004. – 253 p.

8. Боков А.А., Боляков А.А., Иваненков В.В. Адаптивный нейросетевой регулятор для управления пьезоэлектрическим двигателем вращения // Наука и образование: научное издание МГТУ им. Н.Э. Баумана. – 2012. – № 3. – 15 с.

9. Во Конг Фыонг. Разработка и исследование адаптивных систем с применением нейронных сетей для управления нелинейными электромеханическими объектами с упругими деформациями: дис. … канд. техн. наук. – СПб., 2010. – 172 с.

10. Дерябин В.В. Построение модели счисления пути судна на основе нейронной сети: дис. ... канд. техн. наук. – СПб., 2011. – 136 с.

11. Динь Данг Чыонг. Разработка системы управления электроприводами на основе нейронной сети: дис. … канд. техн. наук: 05.13.01. – СПб., 2022. – 168 с.

12. Кабирова А.Н. Методы и комплексы программ построения нейросетевых моделей регуляторов для управления динамическим объектом: дис. … канд. техн. наук: 05.13.18. – Казань, 2017. – 130 с.

13. Романников Д.О. Об использовании машинного обучения для решения задач регулирования // Сборник научных трудов НГТУ. – 2016. – № 1 (83). – С. 123–127. – DOI: 10.17212/2307-6879-2016-1-123-127. – EDN: WAFPMF.

14. Во Конг Фыонг. Прямые адаптивные системы управления линейными электромеханическими объектами с применением нейронных сетей // Известия СПбГЭТУ «ЛЭТИ». – 2010. – № 5. – С. 92–98.

15. Воевода А.А., Полубинский В.Л., Романников Д.О. Сортировка массива целых чисел с использованием нейронной сети // Научный вестник НГТУ. – 2016. – № 2 (63). – С. 151–157. – DOI: 10.17212/1814-1196-2016-2-151-157. – EDN: WHRSFZ.

16. Романников Д.О. О преобразовании сети Петри в нейронную // Сборник научных трудов НГТУ. – 2016. – № 4 (86). – С. 98–103. – DOI: 10.17212/2307-6879-2016-4-98-103. – EDN: YKQXER.

17. Воевода А.А., Романников Д.О. Пример реализации выбора минимального числа в бинарном виде на нейронных сетях // Сборник научных трудов НГТУ. – 2017. – № 1 (87). – С. 64–71. – DOI: 10.17212/2307-6879-2017-1-64-71. – EDN: YTAKQF.

18. Романников Д.О. Тезисы о нейронных сетях // Сборник научных трудов НГТУ. – 2017. – № 1 (87). – С. 98–108. – DOI: 10.17212/2307-6879-2017-1-98-108. – EDN: YTAKRJ.

19. Воевода А.А., Романников Д.О. Формирование структуры нейронной сети посредством декомпозиции исходной задачи на примере задачи управления роботом-манипулятором // Известия СПбГЭТУ «ЛЭТИ». – 2018. – № 9. – С. 27–32. – EDN: YPNBYT.

20. Евсеенко А.А., Романников Д.О. Применение алгоритмов Deep Q-learning и Double Deep Q-learning к задаче управления перевернутым маятником // Сборник научных трудов НГТУ. – 2020. – № 1–2 (97). – С. 7–25. – DOI: 10.17212/2307-6879-2020-1-2-7-25. – EDN: ZMILWU.

21. Романников Д.О. Метод синтеза нейронных регуляторов для линейных объектов // Научный вестник НГТУ. – 2020. – № 4 (80). – С. 111–120. – DOI: 10.17212/1814-1196-2020-4-111-120. – EDN: ZJRRFN.

22. Романников Д.О. О синтезе нейронных сетей // Сборник научных трудов НГТУ. – 2018. – № 1 (91). – С. 104–111. – DOI: 10.17212/2307-6879-2018-1-104-111. – EDN: XRCBUT.

23. Воевода А.А., Романников Д.О. Метод синтеза регуляторов для многоканальных систем с использованием нейронных сетей // Вычислительные технологии. – 2020. – Т. 25, № 3. – С. 111–118. – DOI: 10.25743/ICT.2020.25.3.012. – EDN: WAVYLO.

24. Тимчук Н.А. Разработка и исследование двухуровневых адаптивно-нейронных систем управления динамическими объектами: автореф. дис. ... канд. техн. наук: 05.13.01. – СПб., 2000. – 16 с.

25. Махмуд Б.Ю. Совершенствование электроприводов роботов на основе fuzzy-регуляторов и нейронных сетей: автореф. дис. ... канд. техн. наук: 05.09.03. – М., 2008. – 20 с.

26. Воевода А.А., Романников Д.О. Синтез нейронной сети для решения логико-арифметических задач // Труды СПИИРАН. – 2017. – Вып. 5 (54). – С. 205–223. – DOI: 10.15622/sp.54.9. – EDN: ZMREZB.

27. Лок Х.Д. Синтез адаптивных систем управления нелинейными динамическими объектами на базе нечетких регуляторов и нейросетевых технологий: автореф. дис. ... д-ра техн. наук: 05.13.01. – М., 2002. – 24 с.

28. Воевода A.A., Романников Д.О., Трошина Г.В. Метод синтеза нейронной сети для аппроксимации поверхностей двух переменных // Международная конференция по мягким вычислениям и измерениям. – 2018. – Т. 1. – С. 732–735. – EDN: XZOZMT.

29. Жолобов Д.А. Синтез нейронных сетей с адаптивной топологией: автореф. дис. ... канд. техн. наук: 05.13.01. – М., 2006. – 16 с.

30. Шипагин В.И. Различные подходы к решению задачи перевернутого маятника // Сборник научных трудов НГТУ. – 2019. – № 2 (95). – С. 18–27.

31. Шипагин В.И. Нейросетевая реализация регулятора для устойчивого объекта // Сборник научных трудов НГТУ. – 2019. – № 3–4 (96). – С. 53–63.

32. Voevoda A., Shipagin V.I. Neural network implementation of controllers for multi-channel objects synthesized by polynomial method // IOP Conference Series: Materials Science and Engineering. – 2020. – Vol. 953. – P. 012071. – DOI: 10.1088/1757-899X/953/1/012071.

33. Воевода А.А., Шоба Е.В. О модели перевернутого маятника // Сборник научных трудов НГТУ. – 2012. – № 1 (67). – С. 3–14.

34. Воевода А.А., Шипагин В.И. Синтез нейросетевого регулятора управления нелинейной моделью перевернутого маятника на тележке // Научный вестник НГТУ. – 2020. – № 2–3 (79). – С. 25–36. – DOI: 10.17212/1814-1196-2020-2-3-25-36.

35. Воевода А.А., Шипагин В.И. Структурные преобразования нейросетевого регулятора с рекуррентным типом сети // Сборник научных трудов НГТУ. – 2020. – № 3 (98). – С. 7–16. – DOI: 10.17212/2307-6879-2020-3-7-16.

36. Воевода А.А., Шипагин В.И. Расчет регулятора для многоканального объекта с нестационарными параметрами, содержащего звенья запаздывания // Системы анализа и обработки данных. – 2022. – № 1 (85). – С. 7–24. – DOI: 10.17212/2782-2001-2022-1-7-24. – EDN: ZVHGOQ.

37. Chen C.T. Linear system theory and design. – 2nd еd. –New York: Oxford, 1999. – 334 p.

38. Antsaklis P.J., Michel A.N. Linear systems. – Switzerland: Birkhauser, 1997. – 669 p.

39. Бобобеков К.М., Воевода А.А., Шипагин В.И. Полиномиальный метод синтеза автоматического управления для одноканальных и многоканальных объектов: монография. – Душанбе: ТТУ им. М.С. Осими, 2021. – 192 с.

40. Филюшов В.Ю. Полиномиальный метод синтеза регуляторов для многоканальных объектов с неквадратной матричной передаточной функцией: дис. … канд. техн. наук: 2.3.1. – СПб., 2022. – 177 с.

41. Целигоров Н.А., Целигорова Е.Н., Мафура Г.М. Математические модели неопределенностей систем управления и методы, используемые для их исследования // Инженерный вестник Дона. – 2012. – № 4-2. – С. 48.