Cтраница 1
Ошибки нейросетевой аппроксимации обратной модели динамики ДС неблагоприятно влияют на качество управления программным движением, реализуемого УС на базе сигналов обратной связи от ИС. Из-за неточной аппроксимации в замкнутой системе возникают возмущения, которые изменяют желаемый характер ПП. На практике они могут приводить ( и приводят) к снижению точности отработки ПД, к автоколебаниям и даже к потере устойчивости. [1]
Ошибки нейросетевой аппроксимации обратной модели динамики ДС неблагоприятно влияют на качество управления программным движением, реализуемого УС на базе сигналов обратной связи от ИС. Из-за неточной аппроксимации в замкнутой системе возникают возмущения, которые изменяют желаемый характер ПП. На практике они могут приводить ( и приводят) к снижению точности отработки ПД, к автоколебаниям и далее к потере устойчивости. [2]
Таким образом, ошибки нейросетевой аппроксимации модели динамики ( 1) нейронными сетями ( 12) компенсируются за счет используемых стабилизирующих законов нейросетевого управления. [3]
Найдем оценку качества управления ( 15) при произвольных ошибках нейросетевой аппроксимации A ( t), удовлетворяющих лишь ограничению A ( t) г. Рассмотрим сначала случай, когда A ( t) таковы, что уравнение ( 16) устойчиво. [4]
Оценка ( 17) показывает, что точность осуществления ПД принципиально ограничивается уровнем ошибки нейросетевой аппроксимации и постоянно действующих возмущений. [5]
ПП), он может привести к трудностям с решением проблемы устойчивости даже при хорошем качестве нейросетевой аппроксимации. Поэтому для решения поставленной задачи целесообразно объединить нейросетевой и традиционный подходы. [6]
Таким образом, описанный подход к нейросетевому управлению обеспечивает аппроксимацию обратной модели динамики. Однако, в отличие от традиционного подхода к синтезу законов управления ( основанных на точном знании уравнений динамики и обеспечивающие требуемые показатели качества ПП), он может привести к трудностям с решением проблемы устойчивости далее при хорошем качестве нейросетевой аппроксимации. Поэтому для решения поставленной задачи целесообразно объединить нейросетевой и традиционный подходы. [7]
Сформулированы принципы модельного представления сложных систем естественного происхождения с позиций синергетики. Рассмотрена методика идентификации пульсового механизма по результатам измерения перемещения, скорости и ускорения стенки артерии. Предложены два подхода к аппроксимации нелинейной функции модельных уравнений. В первом случае используется априорная информация о системе. Во втором случае используется нейросетевая аппроксимация. [8]