Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения
Розроблено метод керування нелінійними об’єктами за допомогою еволюціонуючих штучних нейронних мереж прямого розповсюдження. Нейронні мережі застосовуються для побудови нелінійної моделі об’єкта, яка в подальшому використовується для рекурсивного передбачення поведінки об’єкта в системі керування з...
Saved in:
| Published in: | Проблемы управления и информатики |
|---|---|
| Date: | 2015 |
| Main Authors: | , |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2015
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/208045 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Прогнозирующее управление нелинейными объектами на основе эволюционирующих нейронных сетей прямого распространения / О.Г. Руденко, А.А. Бессонов // Проблемы управления и информатики. — 2015. — № 6. — С. 46-55. — Бібліогр.: 18 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| Summary: | Розроблено метод керування нелінійними об’єктами за допомогою еволюціонуючих штучних нейронних мереж прямого розповсюдження. Нейронні мережі застосовуються для побудови нелінійної моделі об’єкта, яка в подальшому використовується для рекурсивного передбачення поведінки об’єкта в системі керування з прогнозуючою моделлю. Для навчання нейронної мережі запропоновано застосування генетичних алгоритмів, що дозволяє значно прискорити процес навчання. Наводяться результати імітаційного моделювання, що підтверджують ефективність запропонованого методу керування.
The development of a method of nonlinear objects control with the evolving feedforward neural networks is considered. The neural networks are used to build a nonlinear model of the object, which is then utilized for recursive prediction of the object’s behavior in the model predictive control. Genetic algorithms, which are used for the neural network’s training, significantly speed up the training process. The simulation results confirm the effectiveness of the proposed control method.
|
|---|---|
| ISSN: | 0572-2691 |