Обучающаяся модель

Cтраница 2

В таблице и на рис. 2 показаны результаты одного из расчетов для объекта, описываемого аналогичной системой уравнений. Видно, что применение метода обучающейся модели в данном случае приводит к вполне удовлетворительному однозначному результату. Более того, из рис. 2 легко видеть, что решение значительно уточняется с увеличением числа шагов поиска. [16]

Основной недостаток этих методов, за исключением метода обучающейся модели, заключается в их непрямом подходе к задаче. Классическими методами обычно определяется весовая или передаточная функция системы. В то же время, как правило, наиболее желательно получить основные дифференциальные уравнения, описывающие систему, а задача построения модели системы по весовой или передаточной функции далеко не всегда тривиальна, особенно если эти функции получены, как это обычно бывает, в графической форме. [18]

Схема развития навыков оператора. [19]

В работе [25] выдвигается гипотеза, согласно которой совершенствование двигательных навыков человека происходит по мере того, как он становится более искусным в определении закономерностей входного сигнала, в соответствии с которым он осуществляет управление объектом. Развитие навыков, по существу, представляет собой обучающуюся модель, в которой по мере накопления опыта происходит качественное изменение собственных характеристик. Необходимость адаптации в такой системе требует отбора существенных характеристик субъекта, сравнения их с некоторыми идеальными или заданными критериями и преобразования этих характеристик в соответствии с ограничениями, вводимыми критериями и условиями физической реализуемости. [20]

В настоящее время разработан ряд принципов построения самонастраивающихся моделей. В работе [ 1261 предлагается способ, близкий к методу обучающейся модели. В [130-131] предложен ряд схем самонастраивающейся модели с информацией о частотных характеристиках системы. Автор преимущественно использует фазо-частотные характеристики и указывает, что это в ряде случаев позволяет повысить точность подстройки параметров модели. При этом автору удалось создать модель объекта с учетом нелинейной характеристики параболического типа, включенной последовательно с линейными звеньями. В работе ( 132 ] с использованием теории статистических решений разработана структура статистической самонастраивающейся модели. При выводе основных соотношений автор использует идеи теории дуального управления. Объект имеет один пход и один выход, характеризуется вектором случайных параметров, априорная плотность вероятности которого считается заданной. При этом объект обладает памятью, его оператор считается известным. [21]

В статье М. Л. Быховского излагается математический аппарат и технические методы решения задачи о поведении системы при изменении ее параметров. Показано применение изложенного аппарата к проблеме динамической точности, проблеме управления, построению обучающихся моделей. [22]

За обсуждением метода определения весовой функции объекта, основанного на подаче белого шума на вход и вычислении корреляционной функции выходного сигнала со сдвинутым во времени входным, следует приложение уравнений фильтра Калмана к определению весовой функции стационарной линейной системы. Кратко изучено применение винеровскои аналитической теории нелинейных систем, а также критически рассмотрен подход к задаче идентификации, использующий обучающиеся модели и оказавшийся весьма популярным при построении моделей для адаптивного управления. [23]

Это возможно только при совпадении выходов ротора и его модели. Таким образом, оптимизатор создает модель ротора. Модель как бы обучается оптимизатором не противоречить ротору. Поэтому данный метод назван методом обучающейся модели. [24]

Модель с кратным полюсом имеет несколько преимуществ перед ортогональной системой. Расположение полюсов не является критическим параметром, но если в объекте происходят большие изменения в смысле расположения полюсов, то характеристика ортогональной модели будет ухудшаться. Эту трудность можно преодолеть, вынося полюса модели за ожидаемый диапазон изменения объекта, но тогда число переменных коэффициентов усиления возрастает, что приводит к увеличению времени моделирования. Если порядок обучающейся модели с кратным полюсом достаточно высок, она может сдвинуть свою рабочую точку, чтобы компенсировать любое изменение в объекте. [25]

Страницы: 1 2