Автореферат (785776), страница 3
Текст из файла (страница 3)
Эти проблемы вызываются наличием разнообразных и многочисленных неопределенностей в свойствахсоответствующей ДС и в условиях ее функционирования, которые можно парировать, толькоесли рассматриваемая ДС обладает свойством адаптивности, т. е. имеются средства оперативной подстройки ДС к меняющейся текущей ситуации.Как показывает имеющийся опыт, аппаратом моделирования, наиболее адекватным указанной ситуации, являются методы и средства, основанные на концепции искусственной нейронной сети, которые можно рассматривать как альтернативу традиционным методам моделирования ДС, обеспечивающую, в том числе, возможность получения адаптивных моделей.9При этом традиционные НС-модели ДС, в частности, модели классов NARX и NARMAX,наиболее часто используемые для моделирования управляемых ДС, являются чисто эмпирическими («черный ящик»), т. е.
основываются исключительно на экспериментальных данныхо поведении ДС. Однако в типичных для ЛА задачах такие модели часто не обеспечиваюттребуемой точности. Кроме того, в силу специфики их структурной организации, отсутствуетвозможность решать задачу идентификации характеристик ДС, например, аэродинамическиххарактеристик (АДХ) ЛА, что является серьезным недостатком данного класса моделей.Одна из важнейших причин недостаточной эффективности НС-моделей традиционноготипа в задачах, связанных с ДС, заключается в том, что в рамках данного подхода строитсячисто эмпирическая модель, которая должна отразить все нюансы поведения ДС. Для этогоприходится формировать НС-модель достаточно высокой размерности (т.
е. с большим числомнастраиваемых параметров). Однако чем больше размерность НС-модели, тем больший объемобучающих данных требуется для ее настройки. В итоге, при тех объемах экспериментальныхданных, которые реально можно получить для технических систем, не удается осуществитьобучение, обеспечивающее заданный уровень точности НС-модели.Чтобы преодолеть указанные затруднения, связанные с моделями как в виде дифференциальных уравнений, так и в виде традиционных НС-моделей, в диссертации реализованкомбинированный подход. Основу его составляет НС-моделирование, естественным образомобеспечивающее получение адаптивных ДС.
Теоретическое знание о ДС, существующее ввиде дифференциальных уравнений (в частности, традиционные модели движения ЛА), вносятся в НС-модель комбинированного типа (полуэмпирическую НС-модель). При этом частьНС-модели формируется на основе имеющегося теоретического знания и не требует дальнейшей настройки. Настройке в процессе обучения формируемой НС-модели подлежат только те элементы, которые содержат неопределенности, например, АДХ ЛА.
Такого рода подход дает возможность, в сравнении с традиционными методами, резко снизить размерностьНС-модели и добиться от нее требуемой точности на обучающих наборах, которые для традиционных НС-моделей были недостаточными по объему, а также обеспечить возможностьидентификации характеристик ДС, описываемых нелинейными функциями многих переменных (например, коэффициентов аэродинамических сил и моментов ЛА). Реализация данногоподхода рассматривается в шести главах диссертации. В них, а также в двух приложениях,даются примеры его применения для адаптивного отказоустойчивого управления движениемЛА, моделирования движения ЛА различных видов и идентификации их АДХ.10В первой главе рассматривается проблема моделирования управляемого движения нелинейных ДС, включая такие вопросы, как формирование иерархии ДС и сред, в которыхДС функционируют, формализация понятия управляемой ДС применительно к спецификерассматриваемых проблем, формализация понятий поведения и деятельности ДС, а такжепроблема адаптивности ДС.
Для динамических систем S, рассматриваемых в диссертации,сформирована их иерархия, в которой ДС отличаются друг от друга уровнем потенциальных возможностей: D SVSCSASIS. Здесь D S — детерминированная ДС; VS— ДС с неопределенностями; C S — управляемая ДС; A S — адаптивная ДС; IS — интеллектуальная ДС. В качестве признаков, отличающих ДС разных классов, используется наличие/отсутствие в ДС: 1) факторов неопределенности, влияющих на свойства ДС; 2) возможности управления поведением ДС как способа активного реагирования на изменения вситуации; 3) возможностей адаптации к изменениям в свойствах ДС и/или среды; 4) возможностей целеполагания. Аналогично этому может быть построена иерархия классов среды E :SE UE RE AE IE .
Здесь SE — регулярная среда; UE — среда с неопределенностями; RE — реагирующая среда; AE — адаптивная среда; IE — интеллектуальная среда.В прикладных задачах используются различные комплексы K , представляющие собой конкретные сочетания S и E , например, детерминированная неуправляемая система D S, взаимодействующая с неопределенной средойUE ; управляемая система C S, взаимодействующая срегулярной средой SE ; адаптивная система A S, взаимодействующая с неопределенной средойUE и т. п..
Что касается характера учитываемых неопределенностей, рассматриваются следующие их основные виды: 1) неопределенности, порожденные неконтролируемыми возмущениями, действующими на ДС; 2) недостаточный уровень знаний о ДС и среде, в которой онафункционирует; 3) неопределенности, порожденные изменением свойств ДС из-за отказов ееоборудования и повреждений в конструкции.Пусть над системой S выполненоNP наблюдений fyi g = (ui ; ; ), i = 1; : : : ; NP , вкаждом из которых фиксировалось текущее значение контролируемого входного воздействияui = u(ti ) и отвечающего ему выхода yi = y (ti ).
Результаты y (ti ); ti 2 [t0 ; tf ℄ этих наблюденийв совокупности с соответствующими значениями контролируемых входов ui образуют наборPиз NP упорядоченных пар fhui ; yi igNi=1 . Используя этот набор, требуется найти такое приблиb () для отображения (), реализуемого системой S, чтобы выполнялось условиежение kb (u(t); (t); (t)) (u(t); (t); (t))k 6 ";8u(ti) 2 U; 8 (ti) 2 ; 8 (ti) 2 Z; t 2 [t ; tf ℄:011(1)Таким образом, как это следует из (1), необходимо, чтобы искомое приближенное отоб-b () обладало требуемой точностью не только при воспроизведении наблюденийfhui; yiigNi=1P , но и для всех допустимых значений ui 2 U . Будем называть данное свойствоb () обобщающим.
Отображение () соответствует рассматриваемому объектуотображения b () далее именуется моделью данного объекта. Будем такжемоделирования S, а отображение Pдалее считать, что относительно S мы располагаем данными вида fhui ; yi igNi=1 , а также, возможно, некоторыми знаниями об «устройстве» отображения (), реализуемого рассматриваражениеемой системой. Наличие данных указанного вида обязательно (как минимум, они необходимыb ()), знания об отображении () могут отсутствовать.для тестирования создаваемой модели В силу того, что доступное число экспериментов, порождающих множествоfhui; yiigNi P , яв=1ляется конечным, норма в (1) интерпретируется как среднеквадратическое отклонение (СКО)видаNP1 Xbk(u; ; ) (u; ; )k = N [b (ui; ; ) (ui; ; )℄2(2)P i=0или видаvuNPu1 Xtbk(u; ; ) (u; ; )k = N [b (ui; ; ) (ui; ; )℄ :2P i=0(3)b () для оценки его обобщающих свойств осуществляется на~j ; y~j ig; u~ 2 U; y~ 2 Y; i = 1; : : : ; NT , при этом должномножестве упорядоченных пар fhuвыполняться условие ui 6= u~j , 8i 2 f1; : : : ; NP g, 8j 2 f1; : : : ; NT g, т.
е. все пары в множеPT должны быть несовпадающими. Ошибка на тестовом наборе~j ; y~j igNj =1ствах fhui ; yi igNi=1 ; fhuТестирование отображениявычисляется аналогично тому, как это делается для обучающего набора.Теперь можно сформулировать проблему формирования модели динамической системы S.Основываясь на данных, используемых для обучения и тестирования модели, а также на знаниях относительно системы S, построить модельb (), которая с требуемой точностью будетвоспроизводить отображение (), реализуемое системой S. Предполагается, что мы распола-b j (); j = 1; 2; : : :, из которых следует выb ().
При формировании этого семейства надобрать наилучший в некотором смысле вариант b j ()g; j = 1; 2; : : :удовлетворить двум противоречивым требованиям: 1) семейство моделей fгаем некоторым набором (семейством) вариантовдолжно быть возможно более богатым; 2) это семейство должно быть устроено таким образом, чтобы максимально упростить процесс выбора моделиb () из него. В качестве основыдля поиска решений, удовлетворяющих этим требованиям, в главе 2 реализуется подход, ос-b ().нованный на эффективной структуризации и параметризации искомой модели 12В главе 1 вводится понятие адаптивности ДС и показана критически важная роль моделей для реализации адаптивных ДС. В рамках введенной иерархии важнейшее отличие ДСкласса C S (управляемые ДС) от неуправляемых ДС классов D S (детерминированные ДС) иVS (ДС с неопределенностями) состоит в том, что системы C S активно реагируют на воздей-ствия среды E .
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
