Сведения о результатах защиты (Нейросетевое моделирование адаптивных динамических систем), страница 4

2) Для анализа свойств ЛА важным инструментом является совокупность значений производных коэффициентов аэродинамических сил и моментов по переменным, характеризующим состояния и управления ЛА. Алгоритм получения этих производных, основанный на использовании функционального представления коэффициентов сил и моментов, полученного в диссертации, изложен недостаточно полно и четко, что не позволяет в полной мере оценить, насколько работоспособным является этот алгоритм и как он работает в условиях возмущенного движения с большими угловыми и линейными ускорениями. 9.

ОАО «Московский научно-производственный комплекс «Авионика» им. О.В. Успенского» (ОАО МНПК «Авионика») (отзыв на автореферат). Отзыв положительный. Отзыв подписали Кулабухов В.С., главный конструктор ТН-17 ОАО «Московский научно-производственный комплекс «Авионика» им. О.В. Успенского», кандидат технических наук, доцент, Действительный член Академии навигации и управления движением; Бронников А,М., заместитель главного конструктора ТН-17 ОАО «Московский научно-производственный комплекс «Авионика» им. О.В. Успенского», доктор технических наук, доцент.

Подписи Кулабухова В.С. и Бронникова А.М. заверены начальником отдела кадров ОАО МНПК «Авионика» О.Б. Прибыловой. Отзыв утвердил Заместитель управляющего директора — Главный конструктор ОАО МНПК «Авионика» кандидат технических наук Р.Р.

Абдулин. Замечания: 15 1) Диссертация относится к известной области проблем идентификации математических моделей динамических систем, в которой накоплен обширный теоретический и практический опыт, в том числе, опыт построения и идентификации нейросетевых моделей (см., например, Цыпкин Я.З. Информационная теория идентификации. — М.: Наука. Физматлит, 1995. — 336 с.). Вместе с тем, из текста авто- реферата неясно, проводился ли соответствующий анализ предметной области исследований и сравнивались ли полученные результаты с результатами других авторов в рассматриваемой области.

2) В тексте автореферата ни разу не упоминается понятие реального времени функционирования динамической системы. В связи с этим непонятно, относятся ли полученные автором результаты к стадии предварительного проектирования систем управления, либо к стадии их непосредственного применения в реальном времени полета. Если предполагается адаптация моделей в реальном времени полета, то в автореферате недостает материалов, характеризующих время текущей идентификации их структур и параметров, 3) Одной из ключевых проблем идентификации вообще и нейросетевой идентификации в частности является проблема состоятельности или сходимости оценок параметров или моделей. Из автореферата не ясно, как автором решается данная проблема.

10. ФГБОУ ВО «Московский государственный технический университет гражданской авиации» (МГТУ ГА) (отзыв на автореферат). Отзыв положительный. Отзыв подписал Ципенко В.Г., Заслуженный деятель науки РФ, доктор технических наук, профессор, заведующий кафедрой «Аэродинамика, конструкция и прочность ЛА» МГТУ ГА. Отзыв утвердил Проректор МГТУ ГА по научной ра- боте, доктор технических наук, профессор Воробьев В.В. Замечания: 16 1) Материал автореферата не дает возможности понять, каким образом осуществляется структурная корректировка формируемой модели в ситуациях, когда одной параметрической корректировки оказывается недостаточно.

2) Предложенные методы применяются к решению задач синтеза управления движением ЛА применительно к нескольким схемам адаптивного управления, однако отсутствует сравнительный анализ эффективности привлекаемых схем. 11. ПАО Информационные телекоммуникационные технологии (ПАО «Интелтех») (отзыв на автореферат). Отзыв положительный. Отзыв подписал Дорогов А,Ю., доктор технических наук, профессор, главный научный сотрудник ПАО «Интелтех», профессор кафедры автоматики и процессов управления Санкт-Петербургского государственного электротехнического университета «ЛЭТИ». Отзыв утвердил Первый заместитель генерального директора ПАО «Интелтех» по научной работе, кандидат военных наук И.А. Кулешов.

Замечания: 1. Для построения структуры нейросетевой модели предлагается использовать порождающий подход, основанный на иерархическом представлении линейной функции в виде линейной комбинации базисных функций. Из автореферата не ясно как осуществить выбор набора базисных функций и реализовать процедуру последовательной декомпозиции? 2. В принятой процедуре структурного синтеза на основе порождающего подхода, структура модульной нейронной сети зависит от выбора базисных функций, что не позволяет стратифицировать нейросетевую модель по уровням параметрического и структурного представлений. Невозможность стратификации нивелирует ценность структурного описания нейросетевой модели.

3. Обучающий набор для нейросетевых моделей предлагается формировать на основе гармонических тестовых возмущающих сигналов. В автореферате не раскрыто, почему такое решение является оптимальным по информативности в задаче обучения? 17 4. В автореферате не раскрыт механизм сегментации обучающего набора и редукции процедуры обучения к последовательности задач на подмножествах обучающего набора. 12. Санкт-Петербургский политехнический университет Петра Великого (отзыв на автореферат). Отзыв положительный. Отзыв подписал Станкевич Л.А., кандидат технических наук, профессор кафедры «Системный анализ и управление» Института компьютерных наук и технологий Санкт-Петербургского политехнического университета Петра Великого, Подпись Станкевича Л.А. удостоверена Николаевой М.А., ведущим специалистом по кадрам Санкт-Петербургского политехнического университета Петра Великого.

Замечания: 1. В кратком описании содержания третьей главы сделан акцент на использования в качестве базовой модели управляемой динамической системы нейросетевой рекуррентной слоистой нелинейной авторегрессионной сети. Делается вывод о том, что такие сети плохо работают при больших размерностях задач и далее в пятой главе для преодоления этого недостатка вводятся полуэмпирические сетевые модели.

Возникает вопрос о конкуренции применению таких моделей со стороны глубоких рекуррентных нейронных сетей, которые недавно предложены именно для решения динамических задач большой размерности. 2. Из автореферата непонятно, в чем заключается структурная корректировка, являющаяся одним из важных элементов процесса формирования полуэмпирической нейросетевой модели.

13. ФГБОУ ВО «Брянский государственный технический университет» (отзыв на автореферат). Отзыв положительный. Отзыв подписал Аверченков В.И., Заслуженный деятель науки РФ, доктор технических наук, профессор ФГБОУ ВО «Брянский государственный технический университет», заведующий кафедрой «Компьютерные технологии и системы». 18 Подпись Аверченкова В.И.

заверена начальником отдела кадров ФГБОУ ВО «Брянский государственный технический университет» Вишняковой М.Н. Замечания: 1) Процесс преобразовании исходной теоретической модели в виде системы обыкновенных дифференциальных уравнений в ее нейросетевое представление в значительной степени определяет то, насколько точной будет формируемая мо- дель, а в ряде случаев и то, удастся ли вообще получить работоспособную модель. Данный процесс описывается слишком сжато и не позволяет в должной степени понять его специфику.

2) Один из определяющих элементов процесса формирования полуэмпирической модели состоит в преобразовании исходной модели с непрерывным временем в модель с дискретным временем. Вид разностной схемы, используемой при таком преобразовании, непосредственно влияет на свойства получаемой в итоге полу- эмпирической модели (точность, устойчивость). Анализу такого влияния в работе уделено недостаточное внимание.

14. Федеральное государственное бюджетное учреждение науки Главная (Пулковская) астрономическая обсерватория РАН (ГАО РАН) (отзыв на авто- реферат). Отзыв положительный. Отзыв подписал Макаренко Н.Г., доктор физико-математических наук, заведую- щий сектором математического моделирования нелинейных процессов в ге- лио/геофизике ГАО РАН. Подпись Макаренко Н.Г. удостоверена Ученым секре- тарем ГАО РАН Борисевич Т.Н,, кандидатом физико-математических наук. Замечания: 1) Не приведено доказательство сходимости сегментированного алгоритма обу- чения полуэмпирических нейросетевых моделей, играющего важную роль в предлагаемом подходе.

2) В работе в качестве традиционных динамических нейросетевых моделей, с ко- торыми ведется сопоставление полуэмпирических моделей, используются модели типа МАЯХ (нелинейная авторегрессия с внешними входами), однако развернутое обоснование такого выбора отсутствует. 15. НИИ ядерной физики им. Д.В. Скобельцына Московского государственного университета им. М.В. Ломоносова (НИИЯФ МГУ) (отзыв на автореферат). Отзыв положительный. Отзыв подписал Доленко С.А., кандидат физико-математических наук, заведующий лабораторией адаптивных методов обработки данных НИИЯФ МГУ.

Подпись Доленко С.А. удостоверена Ученым секретарем НИИЯФ МГУ доктором физико-математических наук, профессором Страховой С.И. Замечание: Трудности, возникающие при обучении динамических нейросетевых моделей, связаны не только со сложным рельефом функции ошибки сети. Существенное влияние оказывают также потенциально возможная бифуркация динамики сети, а также проблема долговременных зависимостей, которым в работе уделено недостаточное внимание.

В дискуссии приняли участие: Диссертационный совет отмечает, что наиболее существенные научные результаты, полученные лично соискателем, могут быть сформулированы следующим образом: — разработан подход к гибридному нейросетевому моделированию динамических систем и основанный на нем класс нейросетевых моделей полуэмпирического типа, объединяющий теоретические знания об объекте моделирования и экспериментальные данные о его поведении; — на основе средств нейросетевого моделирования динамических систем разработан подход к решению задач адаптивного управления и моделирования движения летательных аппаратов; — в рамках подхода к гибридному нейросетевому моделированию динамических систем разработано унифицированное структурное описание нейросетевых моделей, обеспечивающее единообразное представление всех видов статических и динамических сетей, позволяющее автоматизировать процесс синтеза нейросетевых моделей; — разработан композиционный подход к синтезу статических и динамических нейросетевых моделей, основанный на интерпретации нейросетевой модели как разложения по обобщенному функциональному базису; — разработаны алгоритмы формирования гибридных нейросетевых моделей полуэмпирического типа, а также алгоритмы их структурной корректировки и параметрической настройки; — разработаны методы и алгоритмы получения обучающих данных для нейросетевых моделей динамических систем; — для динамических систем разработан подход к решению задачи идентификации их характеристик как нелинейных функций многих переменных, на этой основе предложен и развит новый подход к идентификации аэродинамических характеристик (АДХ) ЛА; — сформирована типология динамических систем, обеспечивающая единый контекст для решения задач анализа поведения, синтеза управления и идентификации характеристик при создании перспективных технических систем различных классов.