Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Нейрогенетические алгоритмы построения модели нелинейного динамического объекта и настройки параметров ПИД-регулятора

ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Апробация работы. Основные результаты работы докладывались и обсуждались на следующих международных, всероссийских, республиканских конференциях: XIV Международная молодежная научная конференция «Туполевские чтения» (Казань, 2006) — XV Международная молодежная научная конференция «Туполевские чтения» (Казань, 2007) — VII Всероссийская научно-практическая конференция студентов, аспирантов… Читать ещё >

Содержание

  • ГЛАВА 1. НЕЙРОГЕНЕТИЧЕСКИЙ АЛГОРИТМ ПОСТРОЕНИЯ НЕЙРОЭМУЛЯТОРА ДИНАМИЧЕСКОГО ОБЪЕКТА РЕГУЛИРОВАНИЯ
    • 1. 1. Методы подбора структуры нейронной сети
    • 1. 2. Методика построения нейроэмулятора с помощью нейросетевого подхода и генетического алгоритма
    • 1. 3. Обучение нейроэмулятора объекта регулирования
      • 1. 3. 1. Метод эффективного оперативного обучения
      • 1. 3. 2. Метод сопряженных градиентов
  • Выводы
  • ГЛАВА 2. НЕЙРОГЕНЕТИЧЕСКИЙ АЛГОРИТМ НАСТРОЙКИ ПАРАМЕТРОВ ПИД-РЕГУЛЯТОРА
    • 2. 1. Постановка задачи настройки параметров ПИД-регулятора
    • 2. 2. Анализ методов настройки параметров ПИД-регулятора
    • 2. 3. Нейрогенетический алгоритм настройки параметров ПИД-регулятора
      • 2. 3. 1. Методика определения области возможных значений вектора параметров ПИД-регулятора
      • 2. 3. 2. Нейросетевой подход к определению вектора параметров ПИД-регулятора, обеспечивающих установившийся режим переходного процесса
      • 2. 3. 3. Генетический алгоритм для настройки параметров ПИД-регулятора
      • 2. 3. 4. Нейрогенетический алгоритм для настройки параметров ПИД-регулятора
  • Выводы
  • ГЛАВА 3. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ
    • 3. 1. Система управления температурой водяной ванны
      • 3. 1. 1. Построение нейроэмулятора линейной модели
      • 3. 1. 2. Настройка параметров ПИД-регулятора на основе нейроэмулятора линейной модели
      • 3. 1. 3. Сравнение алгоритмов настройки параметров ПИД-регулятора на основе нейроэмулятора линейной модели
      • 3. 1. 4. Построение нейроэмулятора нелинейной модели
      • 3. 1. 5. Настройка параметров ПИД-регулятора на основе нейроэмулятора нелинейной модели
      • 3. 1. 6. Сравнение алгоритмов настройки параметров ПИД-регулятора на основе нейроэмулятора нелинейной модели.&bdquo
    • 3. 2. Управление движением крена беспилотного летательного аппарата
      • 3. 2. 1. Построение нейроэмулятора движения крена без учета работы привода элеронов
      • 3. 2. 2. Настройка параметров ПИД-регулятора на основе нейроэмулятора движения крена без учета работы привода элеронов
      • 3. 2. 3. Сравнение нейрогенетического алгоритма с другими алгоритмами настройки на основе нейроэмулятора движения крена без учета работы привода элерона
      • 3. 2. 4. Построение нейроэмулятора движения крена с учетом работы привода элеронов
      • 3. 2. 5. Настройка параметров ПИД-регулятора на основе нейроэмулятора движения крена с учетом работы привода элеронов
      • 3. 2. 6. Сравнение алгоритмов настройки параметров ПИД-регулятора на основе нейроэмулятора движения крена с учетом работы привода элеронов
      • 3. 2. 7. Построение нейроэмулятора на основе данных, полученных в результате полунатурного моделирования
      • 3. 2. 8. Настройка параметров ПИД-регулятора на основе нейроэмулятора, построенного на данных полунатурного испытания
      • 3. 2. 9. Сравнение алгоритмов настройки параметров ПИД-регулятора на основе нейроэмулятора, построенного на данных полунатурного испытания
  • Выводы
  • ГЛАВА 4. ОПИСАНИЕ ПРОГРАММНОГО КОМПЛЕКСА «ПОСТРОЕНИЕ НЕЙРОЭМУЛЯТОРА ОБЪЕКТА РЕГУЛИРОВАНИЯ И НАСТРОЙКА ПАРАМЕТРОВ ПИД-РЕГУЛЯТОРА»
    • 4. 1. Требования к программному и аппаратному обеспечению
    • 4. 2. Структура программного комплекса
    • 4. 3. Руководство пользователя.&bdquo
  • Выводы

Нейрогенетические алгоритмы построения модели нелинейного динамического объекта и настройки параметров ПИД-регулятора (реферат, курсовая, диплом, контрольная)

Актуальность проблемы. В настоящее время во многих системах автоматического регулирования нелинейных динамических стационарных объектов без возмущений используются пропорционально — интегральнодифференциальные регуляторы (ПИД — регуляторы). Для подобных объектов традиционные методы настройки ПИД-регуляторов, такие как метод Зиглера-Никольса, метод Чина-Хронеса-Ресвика и др., либо не обладают достаточной точностью, либо являются трудоемкими. В работах Олейника В., Ченга Л., Долезеля П., Канталакшми С., Кима Д., Ли Дж., Попова А., Обика Д., Цао Л. и др. рассматриваются генетические алгоритмы, в работах Лева И., Кавафуку Дж. и др. — нейронные сети для настройки параметров ПИД-регулятора для случая, когда известны переходная характеристика или аналитическая модель объекта.

В процессе эксплуатации технического объекта его переходная характеристика изменяется, при этом требуется перенастроить параметры ПИД-регулятора в условиях отсутствия модели объекта и неопределенной переходной характеристики. Чтобы использовать существующие методы настройки параметров, необходимо построить модель динамического объекта регулирования на основе выборки, полученной в результате его функционирования. Поскольку нейронные сети являются хорошими аппроксиматорами, то в этом случае целесообразно строить модель динамического объекта в виде нейронной сети.

В работах Ширяева В. И., Вороновского Г. К., Рутковской Д., Комарцовой Л. Г., Омату С. и др. предлагаются различные методы определения топологии и обучения нейронной сети. Однако методы, предложенные в данных работах, могут применяться только в том случае, когда известны число и состав переменных входа нейронной сети, т. е. задана структура входа нейронной сети. Особенностью построения нейронной сети, моделирующей работу динамического объекта, является отсутствие информации о структуре входа нейронной сети в выборке, полученной в результате функционирования объекта регулирования.

Поэтому актуальной является задача определения структуры входа нейросетевой модели (нейроэмулятора) динамического объекта регулирования, а также ее построения на основе выборки данных в условиях отсутствия аналитического описания и переходной характеристики объекта и последующей настройки параметров ПИД-регулятора на основе разработанной нейросетевой модели объекта.

Цель работы и задачи исследования. Целью диссертационной работы является разработка алгоритмического и программного обеспечения построения нейроэмулятора нелинейного динамического стационарного объекта регулирования, не испытывающего внешних возмущений, и настройки на его основе параметров ПИД-регулятора.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Проанализировать существующие методы настройки параметров ПИД-регулятора для нелинейных динамических стационарных объектов.

2. Разработать методику, алгоритм определения структуры входа и построения нейроэмулятора объекта регулирования в случае отсутствия аналитического описания и характеристики объекта на основе выборки данных.

3. Разработать алгоритм построения области возможных значений вектора параметров ПИД-регулятора для их последующей настройки с помощью генетического алгоритма с целью сокращения числа итераций.

4. Разработать программный комплекс, позволяющий строить нейроэмулятор объекта регулирования и на его основе настраивать параметры ПИД-регулятора.

Методы исследования. При решении поставленных задач в работе использовались математические модели и методы теории нейронных сетей, методы и математические модели теории автоматического регулирования, генетические алгоритмы и классические методы оптимизации.

Научная новизна. В диссертационной работе получены следующие новые научные результаты:

1. Разработан нейрогенетический алгоритм определения структуры входа нейроэмулятора объекта регулирования на основе выборки данных при отсутствии его аналитической модели и переходной характеристики.

2. Разработан алгоритм построения области возможных значений параметров ПИД-регулятора для их последующей настройки с помощью генетического алгоритма.

3. Построен нейроэмулятор движения крена беспилотного летательного аппарата (БЛА) на основе выборки данных, полученной в результате полунатурного моделирования БЛА на стенде ОКБ. На основе построенного нейроэмулятора проведена настройка коэффициентов ПИД-регулятора при различных задающих воздействиях. Достоверность результатов работы. Достоверность научных результатов обеспечивается математически строгим выполнением расчетов, а также хорошим совпадением численных результатов с известными аналитическими зависимостями. Полученные теоретические результаты подтверждены вычислительными экспериментами.

Практическая ценность работы заключается в создании программного комплекса, реализующего построение нейросетевого эмулятора нелинейного динамического объекта регулирования и разработанные алгоритмы настройки параметров ПИД-регулятора.

Апробация работы. Основные результаты работы докладывались и обсуждались на следующих международных, всероссийских, республиканских конференциях: XIV Международная молодежная научная конференция «Туполевские чтения» (Казань, 2006) — XV Международная молодежная научная конференция «Туполевские чтения» (Казань, 2007) — VII Всероссийская научно-практическая конференция студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии» (Томск, 2009) — Всероссийская научная конференция молодых ученых «Наука. Технологии. Инновации» (Новосибирск, 2009) — XVII Международная молодежная научная конференция «Туполевские чтения» (Казань, 2009), XVIII Международная молодежная научная конференция «Туполевские чтения» (Казань, 2010), XIX Международная молодежная научная конференция «Туполевские чтения» (Казань, 2011).

Работа выполнялась в рамках федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» по Государственному контракту № 14.740.11.0402 от 20 сентября 2010 г. по теме «Разработка алгоритмического и программно-математического обеспечения интеллектуальной системы навигации и управления сверхзвукового беспилотного летательного аппарата».

Публикации. По теме диссертации опубликовано одиннадцать научных работ, в том числе девять тезисов докладов и две статьи в журналах, рекомендуемых ВАК («Системы управления и информационные технологии», «Научно-технические ведомости Санкт-Петербургского государственного политехнического университета»).

Структура диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и двух приложений. Работа включает 149 страниц основного текста, 59 рисунков, 18 таблиц.

Список литературы

содержит 94 наименования.

Выводы.

1. Разработан программный комплекс, реализующий разработанные алгоритмы, позволяющий:

1) строить нейроэмулятор объекта регулирования на основе выборки;

2) настраивать на его основе параметры ПИД-регулятора различными алгоритмами с элементами визуализации полученных результатов.

ЗАКЛЮЧЕНИЕ

.

1. Изучены существующие методы настройки параметров ПИД-регулятора. На основе изученных методов сделан вывод о том, что наилучшим методом для настройки параметров ПИД-регулятора в системах регулирования нелинейными динамическими стационарными объектами, не испытывающих внешних возмущений, является генетический алгоритм. Недостатком генетического алгоритма является неопределенность области возможных значений вектора параметров (КР, К1, КВ), что требует рассмотрения достаточно большой области, ведущего к значительному увеличению числа итераций.

2. Разработаны методика и нейрогенетический алгоритм построения нейроэмулятора объекта регулирования, при применении которого параллельно осуществляется: а) определение структуры входного вектора нейроэмулятора = задаваемой параметрами: временем задержки д выхода объекта и временем задержки р управляющего воздействия, а также определение числа нейронов в скрытом слоеб) обучение нейроэмулятора.

3. Разработан алгоритм определения области [О, СК*Р ] х [О, СК) ] х [0, СКа ] возможных значений вектора параметров ПИД-регулятора, где значения К*Р, К), К*й, обеспечивающие установившийся режим переходного процесса, определяются с помощью разработанного нейросетевого алгоритма.

4. Разработан программный комплекс, реализующий разработанные алгоритмы и позволяющий: 1) строить нейроэмулятор объекта регулирования на основе выборки- 2) настраивать на его основе параметры ПИД-регулятора генетическим алгоритмом с элементами визуализации полученных результатов.

5. С помощью разработанного программного комплекса на основе выборки, полученной в результате полунатурного моделирования движения БЛА, был построен нейроэмулятор движения угла крена в зависимости от управляющего воздействия, передаваемого ПИД-регулятором на привод элеронов. Кроме этого, с использованием построенного нейроэмулятора были определены области возможных значений параметров ПИД-регулятора, а также была выполнена настройка параметров генетическим алгоритмом при различных задающих воздействиях.

Показать весь текст

Список литературы

  1. Архангельский, А .Я. Delphi 2006. Справочное пособие: Язык Delphi, классы, функции Win32 и NET. — Изд-во Бином, 2006. — 1152с.
  2. А .Я. Программирование в Delphi для Windows. Версии 2006, 2007, Turbo Delphi. Изд-во Бином, 2007. — 1248с.
  3. В.А., Попов Е. П. Теория систем автоматического регулирования. -М.: Наука, 1975.
  4. Большая советская энциклопедия (3-е издание). Т. 1. M.: Советская энциклопедия, 1969.
  5. Ф.П. Численные методы решения экстремальных задач. -М.: Наука, 1980. 520 с.
  6. H. М. Математическое и информационное обеспечение автоматизации принятия решений в социальной защите: дис. канд. тех., наук 05.13.18: защищена 06.06.08 / Вдовичев Николай Михайлович- Казанск.гос. техн. ун-т. Казань, 2008. — 151 с.
  7. Г. К., и др. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г. К. Вороновский, К. В. Махотило, С. Н. Петрашев, С. А. Сергеев. -Харьков: ОСНОВА, 1997. 112 с.
  8. А. И. Синтез многослойных систем распознавания образов. — М.: Энергия, 1974.
  9. Ф., Мюррей У., Райт М. Практическая оптимизация. Пер. с англ. — М.:Мир, 1985.
  10. Л.А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы. М.: Физматлит, 2006. — 320 с.
  11. В .В. Компьютерное управление технологическим процессом, экспериментом, оборудованием. М.: Горячая линия -Телеком, 2009.
  12. A.A., Шумский С. А. Нейрокомпьютинг и его приложение в экономике и бизнесе. М.: МИФИ, 1998. — 224 с.
  13. Л.Ю., Царегородцева Е. Д. Адаптивный метод расчета коэффициентов ПИД-контроллера системы автоматического управления с обратной связью // Системы управления и информационные технологии, 2010, № 4(42). С. 19−22.
  14. В.В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. М.: ФИЗМАТ ЛИТ, 2003.
  15. И.В. Нейронные сети: основные модели. Воронеж: ВГУ, 1999.-76 с.
  16. Р. Основные концепции нейронных сетей.: Пер. с англ. М.: Издательский дом «Вильяме», 2001. — 287 с.
  17. Н.В. Оценка качества регулирования // Model.Exponenta.Ru: сайт о моделировании систем и явлений. 2010.
  18. URL:http://model.exponenta.ru/lectures/0060.htm (дата обращения: 25.10.2010)
  19. A.C., Лебедев А. Т., Клюев С. А., Товарнов А. Г. Наладка средств автоматизации и автоматических систем регулирования: справ, пособие. М.: Энергоатомиздат, 1989. — 368 с.
  20. Л.Г., Максимов A.B. Нейрокомпьютеры. М.: Изд-во МГТУ им. Н. Э. Баумана, 2004. — 400 с.
  21. Г., Корн Т. Справочник по математике для научных работников и инженеров. — М.: Наука, 1970. — С. 575−576.
  22. В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. 2-е изд., стереотип. — М.: Горячая линия — Телеком, 2002. -382 с.
  23. В. М., Лебедев Б. К., Лебедев О. К. Поисковая адаптация: теория и практика. М: Физматлит, 2006. — С. 272.
  24. Дж., Питтс У. Логическое исчисление идей, относящихся к нервной деятельности. -М.: ИЛ, 1956
  25. М., Пейрерт С. Персептроны. М.: Мир, 1971. — 261 с.
  26. A.B., Лоскутов А. И., Нейросетевые алгоритмы прогнозирования и оптимизации систем. — СПб.: Наука и Техника, 2003.-384 с
  27. С. Нейроуправление и его приложения. Кн. 2. /Сигеру Омату, Марзуки Халид, Рубия Юсоф- Пер. с англ. Н. В. Батина: Под ред. А. И. Галушкина, В. А. Птичкина. М.: ИПРЖР, 2000.
  28. С. Нейронные сетия для обработки информации.: Пер. с. польского И. Д. Рудинского. М.: Финансы и статистика, 2002. — 344 с.
  29. Регулятор в современных АСУ ТП. ПИД-регулятор // kontel.ru: сайт ООО «Контэл». 2010. URL: http://www.kontel.ru/article13.html (дата обращения: 10.10.2010)
  30. Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга. — М.: Мир, 1965. — 480 с.
  31. В.Я. Настройка регуляторов модифицированным методом Циглера Николса // Промышленные контроллеры АСУ. 2008. № 2. С. 38−42.
  32. Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И. Д. Рудинского.- М. Горячая линия Телеком, 2007. — 452 с.
  33. A.A. Введение в численные методы. М.: Наука, 1987. -286 с.
  34. В.Г., Цой Ю.Р. Представление знаний в информационных системах: учебное пособие. Томск: Изд-во ТПУ, 2006. — 146 с.
  35. Д.А. Нейронные сети. Модели и алгоритмы. Кн. 18. М.: Радиотехника, 2005. — 256 с.
  36. ., Стирнс С., Адаптивная обработка сигналов. — М.: Радио исвязь, 1989. —440 с.
  37. Ф. Нейрокомпьютерная техника. М.: Мир, 1992. — 240 с.
  38. Г. М. Курс дифференциального и интегрального исчисления. В 3 т. Т. 1 / Пред. и прим. A.A. Флоринского. 8-е изд. -М.: ФИЗМАТЛИТ, 2003. — 680 с.
  39. С. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. -М.: Издательский дом «Вильяме», 2006. 1104 с.
  40. Е.Д. Подбор коэффициентов ПИД-контроллера // XVIII Туполевские чтения: Международная молодежная конференция, 26−28 мая 2010 года: Материалы конференции. Том IV. Казань: Изд-во Казан, гос. техн. ун-та. 2010. С. 175−176
  41. Е.Д. Построение нейросетевого эмулятора объекта управления // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета, 2011, № 3 (129). С. 159−164
  42. Е.Д. Сравнение различных методов расчета коэффициентов ПИД-регулятора // XIX Туполевские чтения: Международная молодежная конференция, 24−26 мая 2011 года: Материалы конференции. Том IV. Казань: Изд-во Казан, гос. техн. унта. 2011. С.
  43. Цой Ю.Р., Спицын В. Г., Эволюционный подход к настройке и обучению искусственных нейронных сетей // Нейроинформатика, 2006. Т1. — № 1. — С. 34−60.
  44. В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика: учеб. пособие. Изд. 3-е. М.: КРАСАНД, 2010. — 232 с.
  45. Akhyar S., Omatu S. Self-tuning PID control by neural-networks // Proceeding of 1993 International Joint Conference on Neural Networks. IJCNN'93 Nagoya 25−29 Oct. 1993. Vol. 3. 2749−2752
  46. Astrom K.J., Hagglund T. Advanced PID control. ISA. The Instrumentation Systems and Automation Society, 2006. — 460 p.
  47. Beyer H.-G., Schwefel H.-P., Wegener I. How to analyze Evolutionary Algorithms. Technical Report No. CI-139/02. University of Dortmund, Germany, 2002.
  48. Blickle Т., Thiele L. A Comparison of Selection Schemes used in Genetic Algorithm/T. Blickle, L. Thiele.-TIK-Report, 1995.
  49. Chang L.-Y., Chen H.-C. Tuning of Fractional PID Controllers Using Adaptive Genetic Algorithm for Active Magnetic Bearing System // WSEAS Transactions on Systems, Vol.8, No. 1, 2009, pp. 158−167
  50. Chauvin Y. A back propagation algorithm with optimal use of hidden units // Advances in NIPS2 / Ed. D. Touretzky, San Mateo: Morgan Kaufmann, 1989.- C. 519−526.
  51. Cichocki A., Unbehauen R. Neural Networks for Optimization and Signal Processing. Wiley, 1993
  52. De Jong K. Generation Gaps Revisited. Foundations of Genetic Algotihms 2.- 1993.-P.19−28.
  53. Deb K., Anand A., Joshi D. A Computationally Efficient Evolutionary Algorithm for Real-Parameter Optimization. KanGAL Report No.2 002 003. Indian Institute of Technology, Kanpur, 2002.
  54. Dolezel P., Mares J. Self-tuning PID Control Using Genetic Algorithm and Artificial Neural Networks // Instrument and Control, Ostrava, 2009
  55. Falman S.E., Lebiere C. The cascade-correlation learning architecture // Advances in NIPS2 / Ed. D. Touretzky. Morgan Kaufmann, 1990. — C. 524−532.
  56. Fan J., Tieu K., Yuen W. Y. D. Strip thickness control of reversing mill using self-tuning PID neuro-controller ISIJ // International, vol. 6, no. l, pp. 3916, Jan. 1999
  57. Fleming P.J., Purshouse R.C. Genetic algorithms in control systems engineering // IF AC Professional Brief. http://www.ifac-control.org
  58. Fletcher R. Practical Method of Optimization, 2nd edition, New York: Wiley, 1987.
  59. Frean V. The upstart algorithm: A method for constructing and training feedforward neural networks/Neural Computation, 2:198−209, 1990
  60. Fujinaka T., Kishida Y., Yoshilka M., Omatu S. Stabilization of Double Inverted Pendulum with Self-Tuning Neuro-PID // International Joint Conference on Neural Networks 2000, Vol.4, pp. 345−348, 2000
  61. Glickman S., Kulessky R., Nudelman G. Identification Based PID Control Tuning for Power Station Processes // IEEE Trans, on Control System Technology. 2004. Vol. 12, № 1. P. 123−132.
  62. Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning. Reading: Addison Wesley, 1989.
  63. Han W.-Y., Han J.-W., Lee C.-G. Development of a Self-tuning PID Controller based on Neural Network for Nonlinear Systems//Proceedings of the 7th Mediterranean Conference on Control and Automation (MED99) Haifa, Israel June 28−30, 1999
  64. Hassibi B., Stork D. Second order derivates for neural pruning: Optimal brain surgeon // Advances in NIPS5 / Ed. D. Touretzky, San Mateo: Morgan Kaufmann, 1993. C. 164 — 171.
  65. Herrera F., Lozano M., Verdegay J.L. Tackling Real-Coded Genetic Algorithms: Operators and tools for the Behaviour Analysis // Artificial Intelligence Review, 1998, no. 12, pp. 265−319.
  66. Herrero J. M., Blasco X., Martinez M., Salcedo J. V. Optimal PID Tuning with Genetic Algorithms for Nonlinear Process Models // 15th Triennial World Congress, Barcelona, Spain, 2002
  67. Hertz J., Krogh A., Palmer R. Introduction to the Theory of Neural Computation. Addison-Wesley, 1991.
  68. Holland J.H. Adaptation in Natural and Artificial Systems. The University of Michigan Press, 1975.
  69. Kanthalakshmi S., Manikandan V. Genetic Algorithm Based Self Tuning Regulator // International Journal of Engineering Science and Technology, Vol. 2 (12), 7719−7728, 2010
  70. Kawafuku R., Sasaki M., Kato S. Self-tuning PID control of a flexible micro-actuator using neural networks // Systems. Man. and Cybernetics. 1998. 1998 IEEE International Conference on. 11−14 Oct 1998. Vol. 3. P. 3067 3072.
  71. Kim D.H., Cho J. H. A Biologically Inspired Intelligent PID Controller Tuning for AVR Systems // International Journal of Control, Automation, and Systems, vol. 4, no. 5, pp. 624−636, October 2006
  72. LeCun Y., Denker J., Sollar S. Optimal brain damage // Advances in NIPS2 / Ed. D. Touretzky, San Mateo: Morgan Kaufmann, 1990. C. 598 -605.
  73. Li J., Xie J.-Y., Wu Z.-M. Design of Disturbance Rejection PID Controllers for Time Delay System Based on Genetic Algorithms // Neural Networks and Brain ICNN&B'05 International Conference on 13−15 Oct. 2005. Vol. 2. P. 876−880
  74. Li Q., Tufts D. Synthesizing neural networks by sequential addition of hidden nodes // IEEE Proc. ICNN, Orlando, 1994. C. 708 — 713.
  75. Michalewicz Z. Genetic Algorithms, Numerical Optimization and Constraints, Proceedings of the 6th International Conference on Genetic Algorithms, Pittsburgh, July 15−19,1995. P. 151−158.
  76. Pirabakaran K., Becerra V. M. Automatic tuning of PID controllers using model reference adaptive control techniques // In: IECON’Ol 27th Annual Conference of the IEEE Industrial Electronics Society. Denver, Colorado, USA, pp. 736−740, 2001
  77. Pirabakaran K., Becerra V. M. PID Autotuning using Neural Networks and Model Reference Adaptive Control // 15th Triennial IF AC World Congress, Spain, 2002
  78. Rad A.B., Lo W.L., Tsang K.M. Self-tuning PID controller using Newton-Raphson search method // IEEE Transactions on Industrial Electronics. Oct 1997. Vol. 44. Issue 5. P. 717−725.
  79. Refenes A.N. Constructive learning and its application to currency exchange rate forecasting. In E. Turban and R. Trippi, editors, Neural Network Applications in Investment and Finance Servises. Probus Publishing.
  80. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations of back-propagation errors // Nature. London. — 1986. — C. 533 — 536.
  81. Shewchuk J.R. An Introduction to the Conjugate Gradient Method Without the Agonizing Pain. School of Computer Science, Carnegie Mellon University, Pittsburgh, PA, 1994.
  82. Swiniarski R.W. Neural network based self-tuning PID controller with Fourier transformation of temporal patterns // Industrial Electronics Society. IECON'90., 16th Annual Conference of IEEE. 27−30 Nov. 1990. P. 1227−1232.
  83. Werbos P.J. Beyond regression: New tools for prediction and analysis in the behavioral sciences. Ph. D. Thesis, Harvard University, Cambridge, MA, 1974.
  84. Whitley D.L. Genetic Algorithms and Evolutionary Computing. Van Nostrand’s Scientific Encyclopedia, 2002.
  85. Wright A. Genetic algorithms for real parameter optimization // Foundations of Genetic Algorithms, V. 1. 1991. — P. 205−218
  86. Wynne-Jones M. Constructive algorithms and pruning: Improving the multilayer perceptron // Proceeding of the 13th IMACS World Congress on Computation and Applied Mathematics / Ed. R. Vichnevetsky and J. Miller, 1991.-C. 747−750.
  87. Ziegler J.G., Nichols N.B. Optimum settings for automatic controllers // Trans. ASME. 1942. Vol. 64. P. 759 768.
Заполнить форму текущей работой