Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Разработка моделей систем управления главным приводом реверсивных прокатных станов на основе технологии искусственных нейронных сетей

Диссертация: Разработка моделей систем управления главным приводом реверсивных прокатных станов на основе технологии искусственных нейронных сетей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Современный уровень развития теории управления характеризуется широким использованием новых принципов построения систем управления с элементами искусственного интеллекта, такими как искусственные нейронные сети. Работы Ф. Розенблатта, Д. Е. Румельхарта, Т. Кохонена, С. Гроссберга, К. С. Марендера заложили фундамент новой теории и создали предпосылки для применения нейронных сетей в 5 технических… Читать ещё >

Содержание

  • Глава 1. АНАЛИЗ СИСТЕМ УПРАВЛЕНИЯ ЭЛЕКТРОПРИВОДОМ НА ОСНОВЕ ТЕХНОЛОГИЙ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
    • 1. 1. Особенности режимов работы и моделей систем управления главным электроприводом прокатных станов
    • 1. 2. Архитектура и свойства нейронных сетей
    • 1. 3. Анализ возможностей применения нейронных сетей в моделях систем управления электроприводами прокатных станов
  • ВЫВОДЫ
  • Глава 2. НЕЙРОСЕТЕВАЯ МОДЕЛЬ СИСТЕМЫ УПРАВЛЕНИЯ С ИДИВИДУАЛЬНЫМ ГЛАВНЫМ ПРИВОДОМ ВАЛКОВ ПРОКАТНОГО СТАНА
    • 2. 1. Разработка взаимосвязанной модели системы управления валками
    • 2. 2. Нейросетевая модель системы управления электроприводом валка
    • 2. 3. Реализация регуляторов на основе нейронных сетей
    • 2. 4. Реализация нейрорегулятора выравнивания токов
  • ВЫВОДЫ
  • Глава 3. ОПРЕДЕЛЕНИЕ ОПТИМАЛЬНЫХ ЗАКОНОВ УПРАВЛЕНИЯ КООРДИНАТАМИ ЭЛЕКТРОПРИВОДА С ДВУХЗОННЫМ РЕГУЛИРОВАНИЕМ СКОРОСТИ
    • 3. 1. Разработка алгоритма расчета оптимальных функций скорости и тока при работе до номинальной скорости
    • 3. 2. Разработка алгоритма расчета оптимальных функций скорости и тока при работе на скоростях выше номинальной
    • 3. 3. Определение статического момента нагрузки для каждого пропуска
  • ВЫВОДЫ
  • Глава 4. МОДЕЛЬ СИСТЕМЫ ИДЕНТИФИКАЩИ ТИПА ПЕРЕХОДНОГО ПРОЦЕССА ЗА ВРЕМЯ ЦИКЛА ПРОКАТКИ
    • 4. 1. Разработка модели нейроклассификатора и элементов, составляющих его структуру
    • 4. 2. Инициализация нейронной сети нейроклассификатора и преобразование входных данных
    • 4. 3. Обучение нейронной сети нейроклассификатора
  • ВЫВОДЫ

Разработка моделей систем управления главным приводом реверсивных прокатных станов на основе технологии искусственных нейронных сетей (реферат, курсовая, диплом, контрольная)

Актуальность темы

Современные прокатные станы предъявляют очень жесткие требования к обеспечению заданных режимов работы. Сложность прокатных агрегатов, высокие скорости прокатки, все возрастающие требования к качеству проката, приводят к необходимости контроля и анализа протекания различных процессов, и выработке необходимых решений для обеспечения требуемого режима работы.

Существующие в настоящее время модели систем управления электроприводами (ЭП) прокатных станов основаны на широком использовании принципов подчиненного регулирования. Однако опыт применения классических схем подчиненного регулирования для главных приводов реверсивных прокатных станов показал, что характеристики электроприводов с этими структурами не всегда удовлетворяют требованиям технологического процесса, производительности и надежности. Это связано с недостатками, присущими традиционным принципам управления: зависимостью качества настроек регуляторов, входящих в систему, от опыта и квалификации наладчикасложностью учета нелинейного характера объекта регулированияс ростом количества контуров регулирования в системе ухудшается быстродействие и помехоустойчивостьневозможностью адаптации регуляторов при изменении режимов работы.

Современный уровень развития теории управления характеризуется широким использованием новых принципов построения систем управления с элементами искусственного интеллекта, такими как искусственные нейронные сети. Работы Ф. Розенблатта, Д. Е. Румельхарта, Т. Кохонена, С. Гроссберга, К. С. Марендера заложили фундамент новой теории и создали предпосылки для применения нейронных сетей в 5 технических системах. Технология нейронных сетей позволяет повысить качество управления различными электромеханическими объектами, формализованное описание которых оказывается слишком затруднительным или громоздким при синтезе систем управления в традиционных представлениях.

В связи с вышеизложенным, представляется актуальной задача повышения качества управления и регулирования главного электропривода реверсивного прокатного стана путем использования математического аппарата искусственных нейронных сетей.

Повышение производительности реверсивных прокатных станов связано, прежде всего, с быстродействием систем регулирования главного привода. Поэтому решение задачи определения оптимального закона управления электроприводом и реализация оптимальных скоростных режимов в условиях ограничения по нагреву прокатного двигателя, открывает дополнительный резерв повышения производительности и позволяет уменьшить количество потребляемой электроэнергии.

Таким образом, диссертационная работа направлена на решение актуальной проблемы повышения качества регулирования и рационального использования электрооборудования. Она также согласуется с главным научным направлением Комсомольского-на-Амуре государственного технического университета, которым является синергетика и искусственный интеллект.

Целью работы является разработка и моделирование системы управления главным приводом реверсивного прокатного стана на основе математического аппарата искусственных нейронных сетей и создание комплекса программ для исследования полученных моделей.

Для достижения поставленной цели решались следующие задачи: 1. Разработка и исследование математической модели системы 6 управления электроприводами валков, с учетом их взаимосвязи через обрабатываемый металл, с применением нейрорегулятора выравнивания нагрузок.

2. Разработка и исследование математической модели системы регулирования электроприводом рабочего валка, содержащей нейрорегулятор, нейроклассификатор и блок оптимальных функций задания.

3. Создание комплекса программ для реализации разработанных моделей систем управления и оптимальных законов изменения координат электропривода.

Методы исследований. Теоретические исследования проводились с использованием математического аппарата искусственных нейронных сетей, передаточных функций, быстрого преобразования Фурье, методов преобразования структурных схем и структурного моделирования, численных методов интерполяции и решения систем дифференциальных уравнений.

Научная новизна результатов работы состоит в следующем:

1 .Разработана математическая модель системы регулирования главным приводом реверсивного прокатного стана, с индивидуальным управлением электроприводами валков, позволяющая выравнивать нагрузки электродвигателей посредством регулятора, выполненного на основе искусственной нейронной сети.

2.Разработана математическая модель системы регулирования электроприводом, содержащая в своей основе нейронные сети Кохонена с выходным слоем Гроссберга и многослойный персептрон, которая дает возможность управлять по оптимальным функциям и классифицировать координаты электропривода.

3.Создана и смоделирована система идентификации на основе 7 нейронной сети, входящая в систему регулирования электроприводом валка, которая позволяет распознавать и классифицировать переходные процессы, происходящие при прокатке металла.

4.Составлены алгоритмы расчета оптимальных скоростных диаграмм электропривода, обеспечивающие максимальное быстродействие при минимуме энергетических потерь, с учетом ограничений, наложенных на его координаты.

5.Разработан комплекс программ для расчета и анализа созданных математических моделей систем управления.

Основные положения, выносимые на защиту:

1. Математическая модель системы управления идивидуальным электроприводом реверсивного прокатного стана на основе математического аппарата искусственных нейронных сетей.

2. Математическая модель нейросетевой системы регулирования скорости электропривода рабочего валка, обеспечивающая оптимальные законы управления.

3. Математическая модель нейросетевой системы идентификаци переходных процессов.

4. Комплекс программ для расчета и анализа разработанных моделей систем регулирования.

Практическая ценность работы.

1. Разработана модель системы управления индивидуальным электроприводом реверсивного прокатного стана, на основе нейрорегуляторов.

2. Разработана модель системы регулирования электроприводом с применением нейросетевых технологий, обладающая способностью идентификации технологических процессов и обеспечивающая оптимальное управление. 8.

3. Разработан комплекс программ для расчета и анализа созданных математических моделей систем управления. Реализация результатов работы. Научные и практические результаты диссертационной работы внедрены в учебный процесс при выполнении лабораторных работ и дипломных проектов, а так же использованы при выполнении научно-исследовательских работ ОАО «Амурметалл». Апробация работы. Основные положения диссертационной работы докладывались, обсуждались и получили положительную оценку на научных и научно-технических конференциях: «Нейроинформатика и ее приложения: Материалы IX Всероссийского семинара» Красноярск, 2001; «Научно-техническое и экономическое сотрудничество стран АТР в 21 веке» Хабаровск, 2001; «Электромеханические преобразователи энергии: Материалы международной науч.-техн. конф.» Томск, 2001. Публикации. По теме диссертации опубликовано восемь печатных работ, получено три свидетельства об официальной регистрации комплекса программ для ЭВМ в РОСАПО.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 120 наименований и 3 приложений, изложенных на 149 страницах машинописного текстаиллюстрированных 45 рисунками.

105 ВЫВОДЫ:

1. Разработана модель системы идентификации, нейроклассифика-тор, на основе нейронной сети Кохонена с выходным слоем Гросс-берга.

2. Показана обоснованность применения экспоненциального закона изменения параметров обучения аиЬв слое Кохонена и Гроссбер-га. При этом в обучении нейронной сети Кохонена применён метод выпуклой комбинации.

3. Показана возможность применения метода интерполяции при классификации переходных процессов в электроприводе.

4. Составлены алгоритмы функционирования нейроклассификатора, согласно которым происходит успешное распознавание переходных процессов в системах электроприводов.

ЗАКЛЮЧЕНИЕ

.

Разработана модель системы управления реверсивным прокатным станом с индивидуальным электроприводом верхнего и нижнего валков и модель системы управления одним валком на основе математического аппарата нейронных сетей. Для полученных моделей систем регулирования созданы алгоритмы, согласно которым происходит как обучение, так и работа нейрорегуляторов. Показано, что нейроуправление позволяет реализовывать различные функции задания системы. Применение полученных моделей систем управления автоматизирует настройку системы регулирования и исключая субъективный человеческий фактор, позволяет управлять по выходному вектору координат объекта регулирования, учитывать динамические свойства электродвигателей.

Разработаны алгоритмы расчета оптимальных законов управления ЭП с учетом ограничений по нагреву прокатного двигателя, скорости, току и напряжению якоря, ускорению исполнительного механизма.

Разработана модель системы идентификации, выполненная на основе нейронной сети Кохонена с выходным слоем Гроссберга, Которая распознает переходные процессы электропривода. Используемые алгоритмы обучения и работы нейронной сети, входящей в структуру нейроклассификатора, делают систему распознавания самообучаемой.

Создан комплекс программ «NeuralNetElectricDriver» и «NeuralNetClassify», который позволяет анализировать и.

Показать весь текст

Список литературы

  1. Н.П., Жерихин И. П. Надежность электрических машин. -JL: Энергия, 1976.- 210 с.
  2. Г. Улучшение коэффициента мощности преобразовательных установок. -М.: Энергоатомиздат, 1985.- 135с.
  3. А.В. К теории энергосбережения средствами промышленного электропривода //Электротехника/№ 5,1999.с. 62.
  4. Н.Ф., Рожановский Ю. В., Горшев А. О. Энергосбережение в электроприводе. -М.: Высшая школа, 1989.-250 с.
  5. В.Е. и др. Баланс энергии в электрических цепях. Киев: Наукова думка, 1992. — 245 с.
  6. М.Г. Общий курс электропривода. М.: Энергия, 1971.-432 с.
  7. А.А. Автоматическое управление электроприводами. -М.: Энергия, 1969.-560 с.
  8. И.П. Электромеханические преобразователи энергии. -М.: Энергия, 1973.- 400 с.
  9. В.И. Автоматизация реверсивных электроприводов. -Киев: Техшка, 1966. 412 с.
  10. Ю.Ключев В. И. Ограничение динамических нагрузок электропривода. -М.: Энергия, 1971.-320 с.
  11. С.Н. Характеристики двигателей в электроприводе. -М.-Л.: Энергия, 1977.-432 с.
  12. .И., Ямпольский Б. С. Проектирование и наладка систем подчиненного регулирования электроприводов. М.: Энергия, 1975.-184 с.109
  13. В.П., Сабинин Ю. А. Основы электропривода. М.- JL: Энергоиздат, 1963. — 772 с.
  14. А.В., Новиков В. А., Соколовский Г. Г. Управление электроприводами. JL: Энергоиздат, 1982. — 391 с.
  15. А.В., Постников Ю. В. Примеры расчета автоматизированного электропривода на ЭВМ. М.: Энергия, 1990. — 512 с.
  16. В.П. Электропривод и автоматизация металлургического производства. М.: Высшая школа, 1977. — 391 с. 17.3еленов А.Б., Трепичников В. Н., Гулякин В. Г. Электрооборудование механизмов прокатных станов. -М.: Металлургиздат, 1963. 315 с.
  17. B.JI. Автоматизация непрерывных и полунепрерывных широкополосных станов горячей прокатки. М.: Металлургия, 1975. -208 с.
  18. Н.Н. Непрерывные станы как объект автоматизации. М.: Металлургия, 1975. — 336 с.
  19. А.Б. Автоматизация процессов прокатного производства. -М.: Металлургия, 1971. 294 с.
  20. . А. Электрооборудование предприятий черной металлургии. М.: Металлургиздат, 1955. — 620 с.
  21. А.И. Теория расчета усилий в прокатных станах. М.: Металлургиздат, 1962. — 494 с.
  22. Д.П. Теория электропривода и автоматики реверсивных станов. М., JL: Госэнергоиздат, 1949. — 315 с.
  23. О.В. Электроприводы реверсивных станов горячей прокатки. -М.: Металлургиздат, 1961 444 с.
  24. В.Д. Автоматизированный электропривод в прокатном производстве. -М.: Металлургия, 1977. 280 с.110
  25. В.Д., Задорожный Н. А. Исследование динамики ЭП прокатных станов с учетом упругостей и нелинейностей // Электротехника. 1982. — № 10.
  26. Ю.А. Совершенствование систем электропривода на основе микроэлектронной техник // Электротехника. 1984. — № 7.
  27. Ю.А., Соколовский Г. Г. Автоматизированный электропривод с упругими связями. Санкт-Петербург: Энергоатомиздат, 1992. — 287 с.
  28. А.Я., Розенман Е. А. Оптимальное управление. М.: Энергия, 1970.-359 с.
  29. В.Г. Математические методы оптимального управления. -М.: Наука, 1969.-408 с.
  30. Л.С., Болтянский В. Г., Гамкрелидзе Р. В., Мищенко Е. Ф. Математическая теория оптимальных процессов. М.: Физматиздат, 1961.-381 с.
  31. A.M., Балкирев B.C., Дудников Е. Г. Вариационные методы оптимизации управляемых объектов. М.: Энергия, 1976. — 447 с.
  32. Ю.П. Оптимальное управление электроприводом. JL: Энергия, 1971.-144 с.
  33. Н. С., Жидков Н. П., Кобельков Г. М. Численные методы. М.: Наука, 1987.- 598 с.
  34. А.Н., Костомаров Д. П. Вводные лекции по прикладной математике. М.: Наука, 1984. — 190 с.
  35. В.Г. Математическое программирование. М.: Наука, 1986. -185 с. 37.3авьялов Ю.С., Квасов Б. И., Мирошниченко B.JI. Методы сплайнфункций. М.: Наука, 1980. — 231 с. 38. Турчак Л. И. Основы численных методов. — М.: Наука, 1987. — 318 с. 1.l
  36. B.B., Дмитриев А. Н., Егупов Н. Д. Спектральные методы расчета и проектирования систем управления. М.: Машиностроение, 1986.-440 с.
  37. С.Г. Функциональный анализ. М.: Наука, 1973.- 552 с.
  38. М.Г., Москалев Э. С. Спектральные методы анализа и синтеза дискретных устройств. JL: Энергия, 1973. — 142 с.
  39. Л., Гоулд Б. Теория и применение цифровой обработки сигналов. -М.: Мир, 1978.- 848 с.
  40. Э.П., Мелса Дж. Идентификация систем управления. М.: Наука, 1974.-246 с.
  41. Д. Методы идентификации систем. М.: Мир, 1979. — 302 с.
  42. Я.З. Основы информационной теории идентификации. М.: Наука, 1984.-320 с.
  43. Х.Ф. Передача информации ортогональными функциями. М.: Связь, 1975.-272 с.
  44. В. А., Фалдин Н. В. Теория оптимальных систем автоматического управления. М.: Наука, 1981.-336с.
  45. К., Кубик С. Нелинейные системы управления. М.: Мир, 1987.-367 с.
  46. В.Т. Многосвязные системы автоматического регулирования. М.: Энергия, 1970. — 287 с.
  47. А.А. Введение в динамику сложных управляемых систем. -М.: Наука, 1985.-351 с. 51 .Первозванский А. А. Курс теории автоматического управления. М.:
  48. Машиностроение, 1972. 273 с. 52. Бесекерский В. А., Попов Е. П. Теория автоматического регулирования. -М.: Наука, 1972.-767 с.112
  49. А.А. Основы автоматического управления. Л.: Энергия, 1970. -327 с.
  50. А.И. Автоматическое управление. Л.: Энергия, 1973. -320с.
  51. Теория автоматического управления. Под ред. А. В. Нетушила. М.: Высшая школа, 1976. — 400 с.
  52. Ю.И., Коган Н. Я., Савельев В. П. Динамические модели теории управления. М.: Наука, 1985. — 400 с.
  53. ., Стринз С. Адаптивная обработка сигналов / Пер. с англ. -М.: Мир, 1989.-440 с.
  54. Grossberg S. Classical and instrumental learning by neural networks. New York: Academy Press, 1974. — P. 51−141.
  55. Churchland P. S. Neurophilosophy: Toward a Unified Science of the Mind/Brain. — Cambridge, MA: MIT Press, 1986. —127 p.
  56. H. Искусственный интеллект. Методы поиска решений М.: Мир, 1973.-432 с.
  57. Aleksander I., Morton Н. An Introduction to Neural Computing. — London: Chapman & Hall, 1990. — 218 p.
  58. McCulloch W. S., Pitts W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics. — 1943. — N 5. — P. 115—133.
  59. H. Кибернетика или управление и связь в животном и машине. — М.: Сов. радио, 1968. — 357 с.
  60. Uttley A. M. A theory of the mechanism of learning based on conditional probabilities // Proc. of the 1st International Conference on Cybernetics. — Namur, Gauthier-Villars, Paris (France). — 1956. — P. 83—92.
  61. Uttley A. M. Information Transmission in the Nervous System.— London: Academic Press, 1979. —215 p.
  62. Ashby W. R. Design for a Brain. — New York: Wiley, 1952.—306 p.
  63. Minsky M. L. Theory of neural-analog reinforcement systems and its application to the brain-model problem: Ph.D. Thesis. — Princeton University, Princeton, NJ., 1954. —143 p.
  64. Ф. Нейрокомпьютерная техника. M.: Мир, 1992. — 235 с.
  65. Minsky М. L. Steps toward artificial intelligence // Proceedings of the Institute of Radio Engineers. — 1961. — N 49. — P. 8—30.
  66. Winograd S., Cowan J. D. Reliable Computation in the Presence of Noise. — Cambridge, MA: MIT Press, 1963. —247 p.
  67. Rosenblatt F. The Perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review.— 1958. — N 65. — P. 386—408.
  68. Widrow В., Hoff M.E., Jr. Adaptive switching circuits // New York: IRE WESCON Convention Record. — 1960. — P. 96—104.
  69. C.B., Шквар A.M. Нейротехнические системы обработки информации. Киев: Наукова думка, 1983. — 222 с.114
  70. Widrow В. Generalisation and information storage in networks of adaline «neurons» // Self-Organizing Systems (M.C. Yovitz, G.T. Jacobi, and G.D. Goldstein, eds.). — Washington, D.C.: Sparta, 1962. — P. 435—461.
  71. Cowan J. D. A Mathematical Theory of Central Nervous Activity: Ph. D. Thesis. — University of London, UK, 1967. —178 p.
  72. Willshaw D. J., von der Malsburg C. How patterned neural connections can be set up by self-organization // Proceedings of the Royal Society of London. — 1976. — Series B. — N 194. — P. 431—445.
  73. Kohonen T. Self-organized formation of topologically correct feature maps. //Biological Cybernetics. — 1982.— N 43. — P. 59—69.
  74. Rumelhart D. E., Hinton G. E., Williams R. J. Learning representations by back-propagating errors // Nature (London). — 1986. — N 323. — P. 533— 536.
  75. Grossberg S. The adaptive brain. North-Holland: Amsterdam, 1987. -325p.
  76. Horfield J.J. Neural networks and physical system with emergent collective computational abilities. Proceedings of the National Academy of Science, 1982.-58 p.
  77. Horfield J.J., Tank D.W. Neural computations of decisions in optimization problems. Biological Cybernetics, 1985. — 52 p.
  78. Broomhead D. S., Lowe D. Multivariable functional interpolation and adaptive networks // Complex Systems.—1988—N 2.—P. 321—355.
  79. Bashkirov О. A., Bravermann E. M., Muchnik I. B. Potential function algorithms for pattern recognition learning machines // Automation and Remote Control. — 1964. — N 25. — P. 629—631.
  80. Cohen M., Grossberg S. Absolute stability of global pattern formation and parallel memory storage by competitive neural networks. IEEE Transactions and Systems, Man and Cybernetics, 1983. — 226 p.
  81. А. Искусственный интеллект. M.: Мир, 1985. — 265 с
  82. Haykin S. Neural Networks. A comprehensive foundation. — New York, NY: Macmillan, 1994. —696 p.
  83. Sutton R. S., Barto A. G., Williams R. J. Reinforcement learning is direct adaptive optimal control // Proc. of the American Control Conference. — Boston, MA. — 1991.— P. 2143—2146.
  84. Holland J. H. Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence. — London: Bradford book edition, 1994— 21 lp.
  85. Poggio Т., Girosi Networks for approximation and learning // Proceedings of the IEEE. — 1990. — N 78. — P. 1481—1497.
  86. Funahashi K. On the approximate realization of continuous mappings by neural networks. // Neural Networks. — 1989.— N 2. — P. 183—192.
  87. Э.В., Фридман Г. Р. Алгоритмические основы интеллектуальных роботов и искусственного интеллекта. М.: Наука, 1976. — 455 с.
  88. Hornik К., Stinchcombe М., White Н. Multilayer Feedforward Networks are Universal Approximators // Neural Networks. — 1989. — Vol. 2. — P. 359—366.
  89. Barron A. R. Neural net approximation // Proc. of the Seventh Yale Workshop on Adaptive and Learning Systems. — New Haven, CT: Yale University. — 1991. — P. 69—72.
  90. Bolt G. R. Fault Tolerance in Artificial Neural Networks: D. Phil. Thesis. — York University, Ontario, 1992. —215 p.
  91. Werbos P. J. Backpropagation and neurocontrol: A review and prospectus // Proc. of International Joint Conf. On Neural Networks. — Vol. 1. — Washington, DC. — 1989. — P. 209—216.
  92. Lippman R.P. An introduction to computing with neural nets. IEEE Transactions on Acoustics, Speech and Signal Processing, April. — P. 4 — 22.
  93. Nguyen D. H., Widrow B. Neural networks for self-learning control systems // IEEE Control Systems Magazine. — 1990. — Vol. 10. — No. 3.1. P. 334—341.
  94. Kuntanapreeda S., Gundersen R. W., Fullmer R. R. Neural Network Model Reference Control of Nonlinear Systems // Proc. Of Int. Joint Conf. on Neural Networks. — Vol. II. — Baltimore, Maryland. — 1992. — P. 94—99.
  95. Narendra K. S., Annaswamy A. M. Stable Adaptive Systems. — Englewood Cliffs, NJ: Prentice-Hall, 1989. —236 p.
  96. Narendra K.S., Parthasarathy K. Identification and Control of Dynamical Systems Using Neural Networks // IEEE Transactions on Neural Networks.1990. —Vol. 1. —No. 1.— P. 4—27.
  97. Kuan A., Bavarian B. Compensation of Unmodeled Friction in Manipulators using Neural Networks // Proc. Of Int. Joint Conf. on Neural Network. — Vol. II. — Baltimore, Maryland. — 1992. — P. 817—822.
  98. T. Yamada, T. Yabuta. Application of Learning Type Freefourward Freeback Neural Network Controller to Dynamic System // Proc. of the 1993 IEEE/RSJ Intern. Conf. of Intelligent Robots and Systems, Yokohama, Japan, July 26−30. PP. 225 231.
  99. Handbook of Intelligent Control: Neural, Fuzzy and Adaptive Approaches / (Ed. David A-Sofge): Van Nostrand Reinbrold, N.Y., 1992. 558 p.
  100. M., Пейперт С. Персептроны. M.: Мир, 1979. — 261 с.118
  101. Публикации автора по теме диссертации:
  102. Система распознавания типа переходного процесса во время технологического цикла. / Дерюжкова Н. Е., Чернышев Д. В.: Комсомольск-на-Амуре, 2001. Деп. в ВИНИТИ 19.09.2001, № 1999-В2001
  103. Интеллектуальная система управления на основе искусственных нейронных сетей. / Чернышев Д. В.: Комсомольск-на-Амуре, 2001. -Деп. в ВИНИТИ 19.09.2001, № 1998-В2001
  104. Д.В. Создание обучающей выборки для нейронной сети на основе оценки хаотичности объекта управления.// Нейроинформатика и ее приложения: Материалы IX Всероссийского семинара 5−7 октября 2001 г.: Тез. докл. Красноярск: ИПЦ КГТУ, 2001.-с. 193
  105. Д.В. Нейросетевая система управления.// Нейроинформатика и ее приложения: Материалы IX Всероссийского семинара 5−7 октября 2001 г.: Тез. докл. Красноярск: ИПЦ КГТУ, 2001.-с. 194 120
Заполнить форму текущей работой

На отлично!