Отзывы оппонентов1 (Нейросетевое моделирование адаптивных динамических систем)

отзыв ОФИЦИАЛЬНОГО ОППОНЕНТА НА ДИССЕРТАЦИЮ ТЮМЕНЦЕВА ЮРИЯ ВЛАДИМИРОВИЧА НА ТЕМУ «НЕИРОСЕТЕВОЕМОДЕЛИРОВАНИЕ АДА ПТИВНЫХДИНА МИЧЕСКИХ СИСТЕМ>), ПРЕДСТАВЛЕННУЮ К ЗАЩИТЕ НА СОИСКАНИЕ УЧЕНОЙ СТЕПЕНИ ДОКТОРА ТЕХНИЧЕСКИХ НАУК ПО СПЕЦИАЛЬНОСТИ 05.13.01 «СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ (АВИАЦИОННАЯ И РАКЕТНО-КОСМИЧЕСКАЯ ТЕХНИКА)>> Неотьемлемыми элементами процессов создания и эксплуатации технических систем различных видов являются математические модели этих систем и их элементов.

Автор придерживается точки зрения, при которой понятие динамическая система (ДС) практически отождествляется с самим моделируемым реальным сложным физико-техническим объектом или процессом, — далее возникают модели ДС. С ростом сложности систем, а также реализуемых ими функций и решаемых задач„возрастает также и уровень требований, предъявляемых к соответствующим математическим моделям. Традиционный аппарат математического и компьютерного моделирования не во всех случаях в состоянии удовлетворить этим требованиям. В частности, аппарат адаптивного и интеллектуального управления, который находит все более широкое применение для решения проблемы роботизации технических систем, в частности, беспилотных летательных аппаратов, требует наличия моделей, обладающих свойством адаптивности, т.е.

таких, которые могуг приспосабливаться к непредсказуемым изменениям как в свойствах системы, так и в условиях ее функционирования. Проблема адаптивности модели ДС критически важна для систем адаптивного и интеллектуального управления, что обусловливает актуальность исследований, проведенных в рамках рассматриваемой диссертационной работы. Традиционно в качестве моделей сосредоточенных ДС используются обыкновенные дифференциальные уравнения (ОДУ) или дифференциально-алгебраические уравнения (ДАУ), но, несомненно, интерес представляют решения этих уравнений, которые по сути дела и являют собой модели (как правило, приближенные) ДС.

ОДУ/ДАУ совместно с соответствующими методами их интегрирования — основа для решения трех основных задач, связанных с ДС: анализ поведения ДС, синтез управления для ДС, идентификация ДС. Модели данного вида обладают высокой точностью, однако они пе удовлетворяют условию адаптивности. В то же время, свойством адаптивности обладают нейросетевые (НС) модели, однако применительно к задачам моделирования динамических систем такие НС-модели обладают ограниченными возможностями по уровню сложности рассматриваемых ДС.

Данное ограничение является следствием принятой в НС-моделях традиционного типа трактовки системы как «черного ящика», полученного с использованием экспериментальных данных о поведении ДС (следует отметить, что в современных методах построения НС-моделей традиционный подход уступает позиции параметрическим НС-моделям на основе гетерогенных данных). В связи с ограничениями, присущими традиционным математическим моделям ДС,.

как в виде дифференциальных уравнений, так и в виде нейронных сетей, в качестве цели диссертационной работы было принято получение класса гибридных математических моделей, объединяющего достоинства упомянутых традиционных моделей и свободного от их недостатков. При этом объектом исследования являются управляемые ДС, действующие в условиях разнообразных неопределенностей, включая неполное и неточное знание о ДС и условиях, в которых ДС действует, неопределенности„ порождаемые изменением свойств ДС, а также неопределенности, порождаемые неконтролируемыми возмущениями, действующими на ДС.

Тогда предметом исследования являются модели многомерных нелинейных управляемых ДС, обладающие свойством адаптивности, характеризуемые высокой точностью и быстродействием, а также адаптивные законы управления движением ДС.. '>ЫЛ<, г<<:,:,.',;,, ! '2У к '.l~; Общая характеристика работы. Диссертационная работа состоит из введения, шести глав, заключения, списка использованной литературы из 211 наименований, а также двух приложений. Она изложена на 4бб страницах, включая 288 страниц основного текста и 178 страниц приложений, содержит 27б рисунков и 10 таблиц. Во введении содержится обоснование гютребности в новом подходе к математическому и компьютерному моделированию управляемых ДС, в частности таких, которые обладают свойством адаптивности.

В свою очередь, необходимость наделения ДС свойством адаптивности вытекает из того, что для сложных технических систем„например„из области авиационной и ракетно-космической техники, решение проблем моделирования существенно осложняется неполным и неточным знанием свойств моделируемой ДС, а также условий, в которых система будет действовать.

Еще одним существенным фактором неопределенности являются возможные непредсказуемые изменения свойств ДС вследствие, например, повреждений конструкции системы или отказов оборудования. Механизм адаптивности, которым наделяется ДС, должен обеспечить компенсацию воздействия упомянутых факторов неопределенности. В работе показано, что в реализации механизма адаптивности критически важная роль принадлежит модели ДС.

При этом если свойства ДС по каким-либо причинам изменились, первоначально построенная ее модель перестает соответствовать объекту моделирования, и возникает проблема оперативного восстановления адекватности модели этому объекту, т.е. модель ДС должна обладать адаптивностью. Реализация адаптивного моделирования порождает комплекс проблем, для решения которых обосновывается необходимость привлечения нейросетевых (НС) технологий. В первой главе формулируется проблема моделирования управляемого движения ДС, а также выявляются задачи, требующие решения.

С этой целью вначале с позиций общей теории систем формируется типология ДС, т.е. классификация систем по их существенным признакам; выявляются также варианты среды, с которой взаимодействуют ДС, что обеспечивает единый контекст для решения задач анализа поведения, синтеза управления и идентификации таких систем. Вводятся понятия поведения и деятельности систем„с использованием которых формулируется общий подход к решению проблемы моделирования ДС„а также выявляются основные задачи, требующие решения при формировании модели ДС. Здесь же обсуждается проблема адаптивности систем, а также выявляется роль моделей с точки зрения решения данной проблемы. Ва второй главе рассматривается нейросетевой подход к задачам моделирования систем и управления ими. Предлагается порождающий подход к формированию НС-моделей, основанный на трактовке нейронной сети как разложения по некоторому обобщенному многоуровневому настраиваемому функциональному базису. Дается представление таких разложений, выявляется специфика, присущая нейронным сетям и отличающая их от функциональных сетей.

Выявляются три основных элемента процесса синтеза НС-моделей: построение такого семейства моделей, которое будет содержать искомую модель; получение набора обучающих данных, обладающего требуемой информативностью; построение алгоритмов выделения искомой модели из сформированного ранее семейства. Для решения первой из этих трех задач 1семейство моделей) формируется соответствующая структурная организация НС- моделей, основанная на введении набора параметризованных примитивов и правил их комбинирования в иерархические структуры для получения требуемой модели под заданные требования к ней. Вторая задача 1обучающие данные) решается с использованием непрямого подхода, основанного на специальном выборе тестовых воздействий на ДС.

Дается сопоставление непрямого подхода с прямым: показано, что для задач, типичных для рассматриваемой предметной области, прямой подход не может быть применен. Третья задача 1формирование конкретной модели) приводит к необходимости решения ряда проблем, типичных для динамических НС-моделей, намечаются пути решения этих проблем, в частности, предложен алгоритм сведения решения исходной задачи обучения НС-модели к последовательности подзадач, сходящейся к решению исходной задачи. В третьей главе на основе результатов, полученных в первых двух главах, рассматривается задача НС-моделирования управляемого движения летательных аппаратов (ЛА) с использованием нейросетевого подхода традиционного типа, согласно которому моделируемая ДС трактуется как объект типа «черный ящик», т.е.

как чисто эмпирическая модель, основанная только на имеющихся экспериментальных данных о поведении изучаемой ДС. Для НС- моделирования движения ЛА используется модель типа МАЯХ, представляющая собой нелинейную авторегрессию с внешними входами, в качестве которых выступают управляющие воздействия на ЛА. Данная модель, достаточно востребованная в задачах рассматриваемого вида, реализуется как рекуррентная слоистая нейронная сеть с элементами задержки на входах и обратными связями между слоями. Проведена оценка работоспособности данной модели на примере задачи моделирования продольного углового движения ЛА, которая показала весьма ограниченный потенциал НС-моделей данного класса в задачах моделирования движения ЛА.