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
В данном примере рассмотрим две модели: линейную и нелинейную
Модель построена для системы управления температурой водяной ванны, рассмотренной в разделе 4.4.6; при построении модели использован алгоритм идентификации на основе метода наименьших квадратов. Модель — нелинейная форма модели
Характеристики двух систем на этапе обучения для моделей показаны на рис. 4.9.4 и 4.9.5 соответственно. Опорные температуры поддерживались на уровне для для Обучение осуществлялось путем многократного (несколько тысяч раз) повторения желаемых циклов траектории. Нейронные сети использовались для минимизации рассогласования между опорным и фактическим выходом объекта управления. Сходимость считалась достигнутой, когда рассогласование оказывалось меньше заданной величины. После обучения наблюдались хорошие характеристики системы даже для тех опорных величин, для которых обучение не проводилось; это показано нарис. 4.9.6 и 4.9.7 для моделей соответственно. Можно также видеть, что ПИД-нейроконтроллер с самонастройкой может отслеживать опорную величину практически точно, даже если входные сигналы ограничены, т.е. при имитации реальных управляющих входных
(кликните для просмотра скана)
(кликните для просмотра скана)
сигналов (например, при для модели для модели Реальный пример применения другого метода нейронного управления (для системы управления температурой водяной ванны) будет рассмотрен в следующей главе.
и нелинейную 
построена для системы управления температурой водяной ванны, рассмотренной в разделе 4.4.6; при построении модели использован алгоритм идентификации на основе метода наименьших квадратов. Модель 
— нелинейная форма модели 
показаны на рис. 4.9.4 и 4.9.5 соответственно. Опорные температуры поддерживались на уровне 
для 
для 
Обучение осуществлялось путем многократного (несколько тысяч раз) повторения желаемых циклов траектории. Нейронные сети использовались для минимизации рассогласования между опорным и фактическим выходом объекта управления. Сходимость считалась достигнутой, когда рассогласование оказывалось меньше заданной величины. После обучения наблюдались хорошие характеристики системы даже для тех опорных величин, для которых обучение не проводилось; это показано нарис. 4.9.6 и 4.9.7 для моделей 
соответственно. Можно также видеть, что ПИД-нейроконтроллер с самонастройкой может отслеживать опорную величину практически точно, даже если входные сигналы ограничены, т.е. при имитации реальных управляющих входных
для модели 
для модели 
Реальный пример применения другого метода нейронного управления (для системы управления температурой водяной ванны) будет рассмотрен в следующей главе.
