Диссертация (785777), страница 4

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 4)

Однако применительно к современным и перспективным техническим системамвозникает ряд проблем, решение которых не может быть обеспечено традиционными методами. Эти проблемы вызываются наличием разнообразных и многочисленных неопределенностей в свойствах соответствующей системы и в условиях ее функционирования, которыеможно парировать, только если рассматриваемая система обладает свойством адаптивности,т.

е. имеются средства оперативной подстройки системы и ее модели к меняющейся текущейситуации. Кроме того, требования по точности моделей, предъявляемые исходя из спецификирешаемой прикладной задачи, в ряде случаев превышают возможности традиционных методов.10. Как показывает имеющийся опыт, аппаратом моделирования, наиболее адекватнымуказанной ситуации, являются методы и средства, основанные на концепции искусственнойнейронной сети. Такой подход можно рассматривать как альтернативу традиционным методаммоделирования ДС, обеспечивающую, в том числе, возможность получения адаптивных моделей. При этом традиционные нейросетевые модели ДС, в частности, модели классов NARXи NARMAX, наиболее часто используемые для моделирования управляемых динамическихсистем, являются чисто эмпирическими (модели типа «черный ящик»), т.

е. основываютсяисключительно на экспериментальных данных о поведении объекта. Однако в задачах того уровня сложности, что типичен для авиационной и ракетно-космической техники, оченьчасто для такого рода эмпирических моделей не удается добиться требуемого уровня точности, обеспечивающего, например, решение задач управления движением ЛА. Кроме того, всилу особенностей структурной организации таких моделей, они не позволяют решать задачу идентификации характеристик ДС (например, аэродинамических характеристик ЛА), чтоявляется серьезным недостатком данного класса моделей.Один из важнейших источников невысокой эффективности НС-моделей традиционноготипа в задачах, связанных со сложными техническими системами, состоит в том, что формируется чисто эмпирическая модель («черный ящик»), которая должна охватывать все нюансыповедения ДС.

Для этого приходится строить НС-модель достаточно высокой размерности(т. е. с большим числом настраиваемых параметров в ней). В то же время из опыта нейросетевого моделирования известно, что чем больше размерность НС-модели, тем больший объемобучающих данных требуется для ее настройки. В итоге, при тех объемах эксперименталь16ных данных, которые реально можно получить для сложных технических систем, не удаетсяосуществить обучение таких моделей, обеспечивающее заданный уровень их точности.Чтобы преодолеть указанные затруднения, связанные с традиционными моделями как ввиде дифференциальных уравнений, так и в виде НС-моделей, в диссертации вводится комбинированный подход, основу которого составляет НС-моделирование в силу того, что только в этом варианте удается получить адаптивные модели.

Теоретическое знание об объектемоделирования, существующее в виде обыкновенных дифференциальных уравнений (это, например, традиционные модели движения ЛА), вносятся специальным образом в НС-моделькомбинированного типа (полуэмпирическую НС-модель). При этом часть НС-модели формируется на основе имеющегося теоретического знания и не требует дальнейшей настройки(обучения). Настройке и/или структурной корректировке в процессе обучения формируемойНС-модели подлежат только те элементы, которые содержат неопределенности, например,аэродинамические характеристики ЛА.Результатом такого подхода являются полуэмпирические НС-модели, позволяющие решить следующие важные задачи, недоступные традиционным НС-методам: резко снизитьразмерность НС-модели, что позволяет добиться от нее требуемой точности, используя обучающие наборы, недостаточные по объему для традиционных НС-моделей; обеспечить возможность идентификации характеристик ДС, описываемых нелинейными функциями многихпеременных (например, коэффициентов аэродинамических сил и моментов).11.

В последующих разделах рассматривается реализация описанного выше подхода, атакже примеры его применения для моделирования движения ЛА и идентификации аэродинамических характеристик ЛА. В рамках этой реализации объект и предмет исследования, атакже цель диссертационной работы могут быть охарактеризованы следующим образом:объект исследования — адаптивные динамические системы, действующие в условияхразнообразных неопределенностей, в частности, ЛА различных классов;предмет исследования — адаптивные законы управления многомерных нелинейных управляемых ДС, а также адаптивные модели таких ДС, обладающие высокой точностью ибыстродействием;цель диссертационной работы — формирование нового подхода к математическому икомпьютерному моделированию адаптивных ДС, свободного от недостатков традиционных подходов.17Формируемый подход должен обеспечивать решение задач анализа поведения, синтезауправления и идентификации неизвестных характеристик ДС, возникающих при создании иэксплуатации сложных технических систем, в частности, роботизированных пилотируемых ибеспилотных ЛА.В процессе выполнения диссертационной работы для достижения сформулированной выше цели были решены следующие задачи:1) С позиций общей теории систем построена классификация ДС по их существеннымпризнакам (типология ДС), а также выявлены варианты среды, с которой взаимодействуют ДС, что обеспечивает единый контекст для решения задач анализа поведения,синтеза управления и идентификации характеристик при создании перспективных технических систем.2) Разработан нейросетевой подход к обеспечению адаптивности ДС (в таких элементахкак закон управления ДС и модель ДС) за счет ансамблевой архитектуры используемыхнейронных сетей (НС), введения в НС вставочных подсетей и использования инкрементного обучения НС.3) Разработан класс математических и компьютерных моделей, представляющих собойНС-модели гибридного типа, обладающие адаптивностью, объединяющие теоретические знания о ДС и экспериментальные данные о ее поведении.4) Разработано унифицированное структурное (модульное) описание НС-моделей, обеспечивающее единообразное представление всех видов статических и динамических сетей,позволяющее автоматизировать процесс синтеза НС-моделей.5) Разработан композиционный подход к синтезу (формированию) НС-моделей, основанный на интерпретации НС-модели как разложения по обобщенному функциональномубазису (ФБ специального вида).6) Систематизированы имеющиеся результаты в области моделирования ДС с использованием НС традиционного типа (модели типа «черный ящик»), выявлены ограничения иобласть возможного использования этих средств.7) Систематизированы и обобщены имеющиеся результаты в области моделирования ДСс использованием моделей типа «серый ящик», выявлены перспективные направленияразвития данной области.8) Разработаны алгоритмы формирования полуэмпирических НС-моделей как одного изклассов моделей типа «серый ящик» на основе теоретического знания (в виде систем18обыкновенных дифференциальных или дифференциально-алгебраических уравнений)об объекте моделирования, а также экспериментальных данных о его поведении.9) Разработаны методы и алгоритмы получения обучающих данных для НС-моделей динамических систем.10) Разработаны алгоритмы параметрической настройки (обучения) полуэмпирических НСмоделей.11) В серии вычислительных экспериментов проведена верификация разработанных полуэмпирических НС-моделей и методов их формирования.12) В серии вычислительных экспериментов проведено формирование эмпирических и полуэмпирических НС-моделей для объектов различных классов, проведено сопоставлений свойств этих двух классов моделей.13) Разработан подход к решению задачи идентификации характеристик ДС, описываемыхнелинейными функциями многих переменных.

Работоспособность этого подхода продемонстрирована на примере задачи идентификации аэродинамических коэффициентовЛА.14) В рамках предложенного подхода решено значительное число задач адаптивного управления для ЛА различных классов, в которых модель объекта и закон управления былиреализованы в виде динамических НС-структур.При решении этих задач были получены следующие новые научные результаты:сформирована типология ДС, обеспечивающая единый контекст для решения задач анализа поведения, синтеза управления и идентификации характеристик при создании перспективных технических систем различных классов;разработано унифицированное структурное описание НС-моделей, обеспечивающее единообразное представление всех видов статических и динамических сетей, позволяющееавтоматизировать процесс синтеза НС-моделей;разработан композиционный подход к синтезу статических и динамических НС-моделей,основанный на интерпретации НС-модели как разложения по обобщенному функциональному базису;разработан класс гибридных нейросетевых моделей полуэмпирического типа, объединяющий теоретические знания об объекте моделирования и экспериментальные данныео его поведении;19разработаны алгоритмы формирования гибридных нейросетевых моделей полуэмпирического типа, их структурной корректировки и параметрической настройки;разработаны методы и алгоритмы получения обучающих данных для НС-моделей динамических систем;разработан подход к решению задачи идентификации характеристик ДС как нелинейныхфункций многих переменных.Эти результаты освещены в серии публикаций, в числе которых: монография [170], учебные пособия [171,172], статьи в рецензируемых журналах из списка ВАК РФ [173–195], статьив рецензируемых сборниках трудов конференций [196–211].

Характеристики

Список файлов диссертации