Пред.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
4.4.6. Оценка алгоритмов обучения на основе моделированияЧтобы оценить характеристики предлагаемой системы управления и методов обучения, используются результаты моделирования для несложного объекта управления. Компьютерное моделирование особенно необходимо для оперативного обучения нейронных систем управления, так как натурные эксперименты для такого обучения во многих случаях занимают очень много времени. Рассмотрим систему управления температурой объекта, описываемую дифференциальным уравнением
где окружающей средой. Считая величины
где
Приведенные ниже результаты моделирования были получены для системы, несколько отличающейся от заданной уравнениями (4.4.21) - (4.4.23). В системе была задана нелинейная характеристика с насыщением, чтобы исключить превышение выходной температуры некоторого граничного значения. Моделируемый объект управления описывался следующим уравнением:
При моделировании использовались следующие значения параметров:
При выбранных значениях параметров моделируемая система эквивалентна системе управления температурой водяной ванны с одним входом и одним выходом. Такая система имеет линейные характеристики при температуре примерно до 70 °С, а при температуре около 80 °С она переходит в насыщение. Если сравнить (4.4.24) и (4.4.1), то можно заметить, В качестве ЭОУ и нейроконтроллера использовались трехслойные нейронные сети, содержащие от 10 до 20 скрытых нейронов с сигмоидной функцией активации. Сходимость была достигнута для нескольких пар
До начала моделирования ЭОУ подвергался приближенному оперативному обучению, а первоначальные значения весов нейроконтроллера назначались случайным образом. В качестве начального состояния использовалось значение 4.4.3 показан опорный сигнал, вход и выход объекта после достижения хорошей сходимости (для Характеристика нейроконтроллера, выполняющего одну обучающую итерацию за период дискретизации, сравнивается с характеристикой для множественного обучения на рис. 4.4.4-4.4.6. На графиках показана зависимость среднеквадратической ошибки в одном испытании от количества
Рис. 4.4.3. Результаты моделирования системы управления температурой водяной ванны после обучения [52] испытаний. Нарис. 4.4.4 показана инициализация контроллера, обеспечивающая небольшую ошибку в начале. Верхние графики соответствуют случаям, когда обучение выполняется один раз за период (с использованием косвенного адаптивного управления). Нижние же графики соответствуют случаям, когда за период выполняется 10 дополнительных корректировок нейроконтроллера (с использованием прямого адаптивного управления по ошибке). Во всех случаях период дискретизации составлял 30 с. Предложенный метод, как и ожидалось, обеспечивает улучшение характеристик, так как контроллер хорошо обучен с самого начала, и поэтому обобщение является надежным. Из этого можно сделать вывод, что данный метод обучения может использоваться для настройки нейроконтроллера вблизи точки, соответствующей его хорошей работе, т.е. для точной настройки. Это неверно для случая, когда контроллер находится в необученном состоянии. Практический опыт
Рис. 4.4.4. Нейроконтроллер со случайной инициализацией, для показывает: если веса нейроконтроллера таковы, что выходная ошибка объекта управления велика, то обучение, основанное только на инверсном управлении, часто приводит к ситуациям, когда выход нейроконтроллера фиксируется на некоторой величине, что приводит к плохим характеристикам управления. На рис. 4.4.5, а и 4.4.6, а показана характеристика случайно инициализируемого нейроконтроллера, для которого выполняется одна обучающая итерация за период на основе косвенного адаптивного управления (период Нижние графики на рис. 4.4.5 соответствуют периоду (кликните для просмотра скана) дискретизации Затраты времени на корректировку нейроморфной структуры примерно пропорциональны количеству обучающих итераций; эти затраты зависят в основном от структуры используемых сетей и количества весов в них. В приведенных ниже результатах моделирования 11 обучающих итераций для трехслойного нейроконтроллера с 80 весами заняли примерно Их
Рис. 4.4.7. Влияние рассогласования между оценками и оптимальным порядком модели объекта управления, (а) Точное соответствие для Как уже отмечалось, показанные на рис. 4.4.3-4.4.6 результаты получены для случая, когда
|
1 |
Оглавление
|