ПОЛУЭМПИРИЧЕСКИЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ УПРАВЛЯЕМЫХ ДИНАМИЧЕСКИХ СИСТЕМ

  • Михаил Вячеславович Егорчев Московский авиационный институт (национальный исследовательский университет)
  • Юрий Владимирович Тюменцев Московский авиационный институт (национальный исследовательский университет) http://orcid.org/0000-0002-5706-9151

Аннотация

В статье обсуждается проблема математического и компьютерного моделирования нелинейных управляемых динамических систем при недостаточности знаний об объекте моделирования и условиях его функционирования. Предлагаемый подход к решению этой проблемы основан на объединении возможностей теоретического и нейросетевого моделирования.  Его работоспособность демонстрируется на примере моделирования движения и идентификации аэродинамических характеристик маневренного самолета. Предлагается алгоритм обучения полуэмпирической рекуррентной нейросетевой модели для решения задачи многошагового прогноза. В рамках данного алгоритма формируются и последовательно решаются оптимизационные подзадачи возрастающей сложности, при этом в качестве начальных приближений используются решения предыдущих подзадач. Также в работе рассматривается процедура получения репрезентативного набора обучающих данных посредством формирования полигармонических управляющих воздействий на объект моделирования.

Сведения об авторах

Михаил Вячеславович Егорчев, Московский авиационный институт (национальный исследовательский университет)

аспирант кафедры «Вычислительная математика и программирование»

Юрий Владимирович Тюменцев, Московский авиационный институт (национальный исследовательский университет)

доктор технических наук, ведущий научный сотрудник кафедры «Динамика и управление летательных аппаратов»

Литература

1. Richter J.H. Reconfigurable control of nonlinear dynamical systems. – Springer, 2011. – 306 pp.
2. Tao G. Adaptive control design and analysis. – John Wiley & Sons, Inc., 2003. – 618 pp.
3. Ioannou P.A., Sun J. Robust adaptive control. – Prentice Hall, 1995. – 848 pp.
4. Billings S.A. Nonlinear system identification: NARMAX methods in the time, frequency and spatio-temporal domains. – John Wiley & Sons, 2013. – 608 pp.
5. Codrons B. Process modelling for control: A unified framework using standard black-box techniques. – London: Springer, 2005. – 262pp.
6. Kondratiev A.I., Tiumentsev Yu.V. Neyrosetevoye modelirovaniye upravlyayemogo dvizheniya letatel'nykh apparatov // Vestnik Moskovskogo aviatsionnogo instituta. – 2010, tom 17, № 4. – S. 5–11.
7. Haykin S. Neural networks: A comprehensive foundation: 2nd Edition, Prentice Hall, 2006, ­823 p.
8. Dreyfus G. Neural networks: Methodology and applications. – Berlin ao.: Springer, 2005. – 515 pp.
9. Egorchev M.V., Kozlov D.S., Tiumentsev Yu.V., Chernyshev A.V. Neyrosetevyye poluempiricheskiye modeli upravlyayemykh dinamicheskikh sistem // Vestnik informatsionnykh i komp'yuternykh tekhnologiy. – 2013, № 9. – S. 3–10.
10. Egorchev M.V., Kozlov D.S., Tiumentsev Yu.V. Modelirovaniye prodol'nogo uglovogo dvizheniya samoleta: sopostavleniye teoreticheskogo, empiricheskogo i poluempiricheskogo podkhodov // Nauchnyy vestnik MGTU GA. – 2015, № 1 (2015). – S.116–123.
11. Egorchev M.V., Tiumentsev Yu.V. Adaptivnoye neyrosetevoye modelirovaniye dinamicheskikh sistem // Sovremennyye informatsionnyye tekhnologii i IT-obrazovaniye. – 2016, tom 12, № 3, chast' 1. – S.195–201.
12. Egorchev M.V., Tiumentsev Yu.V. Obucheniye poluempiricheskoy neyrosetevoy modeli upravlyayemogo dvizheniya samoleta // Sb. nauch. tr. XVI Vseros. nauch.-tekhn. konf. «Neyroinformatika-2014», ch. 2. – M.: Izd-vo MIFI, 2014. – s.263–272.
13. Ljung L. System identification – Theory for the User: 2nd Edition, Prentice Hall, 1999, 609 p.
14. Berestov L.M., Poplavskiy B.K., Miroshnichenko L.Ya. Chastotnyye metody identifikatsii letatel'nykh apparatov. – M.: Mashinostroyeniye, 1985. – 184 s.
15. Klein V., Morelli E.A. Aircraft system identification: Theory and practice. Reston, VA: AIAA, Inc., 2006, 498 p.
16. Tischler M.B., Remple R.K. Aircraft and rotorcraft system identification: Engineering methods with flight-test examples. Reston, VA: AIAA, Inc., 2006, 558 p.
17. Aeromekhanika samoleta: Dinamika poleta – 2-ye izd., pererab. i dop. / A.F. Bochkarev i dr. – M.: Mashinostroyeniye, 1985. – 360 s.
18. Nguyen L.T., Ogburn M.E., Gilbert W.P., Kibler K.S., Brown P.W., Deal P.L. Simulator study of stall/post-stall characteristics of a fighter airplane with relaxed longitudinal static stability, NASA TP-1538, Dec. 1979, 223 pp.
19. Horn J., De Jesus O., Hagan M.T. Spurious valleys in the error surface of recurrent networks – analysis and avoidance, IEEE Trans. on Neural Networks, 2009, vol. 20, no. 4, pp. 686–700.
20. Pascanu R., Mikolov T., Bengio Y. On the difficulty of training recurrent neural networks, Proc. 30th Intern. Conf. on Machine Learning, Atlanta, GA, USA, 2013.
21. Elman J.L. Learning and development in neural networks: The importance of starting small, Cognition, 1993, vol. 48. – pp. 71–99.
22. Ludik J., Cloete I. Incremental increased complexity training, Proc. ESANN 1994, 2nd European Sym. on Artif. Neural Netw., Brussels, Belgium, April 20–22, 1994.
23. Suykens J.A.K., Vandewalle J. Learning a simple recurrent neural state space model to behave like Chua's double scroll, IEEE Trans. on Circuits and Systems I: Fundamental Theory and Applications, 1995, vol. 42, no. 8, pp. 499–502.
24. Bengio Y., Louradour J., Collobert R., Weston J. Curriculum learning, Proc. of the 26th Annual Intern. Conf. on Machine Learning. ICML 2009, New York, NY, USA, pp. 41–48.
25. Niewald P.W., Parker S.L. Flight-test techniques employed to successfully verify F/A-18E in-flight lift and drag // Journal of Aircraft. – 2000, Vol. 37, No. 2. – pp. 194–200.
26. Mulder J.A., van Sliedregt J.M. Estimation of drag and thrust of jet-propelled aircraft by non-steady flight-test maneuvers. – Delft Univ. of Technology, Memorandum M-255, Dec. 1976. – 32 pp.
27. Egorchev M.V., Tiumentsev Yu.V. Neyrosetevoy poluempiricheskiy podkhod k modelirovaniyu prodol'nogo dvizheniya i identifikatsii aerodinamicheskikh kharakteristik manevrennogo samoleta // Trudy MAI. – 2017, №95. – 24 s.
Опубликована
2017-12-03
Как цитировать
ЕГОРЧЕВ, Михаил Вячеславович; ТЮМЕНЦЕВ, Юрий Владимирович. ПОЛУЭМПИРИЧЕСКИЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ УПРАВЛЯЕМЫХ ДИНАМИЧЕСКИХ СИСТЕМ. Международный научный журнал «Современные информационные технологии и ИТ-образование», [S.l.], v. 13, n. 4, p. 241-255, dec. 2017. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/328>. Дата доступа: 20 apr. 2019 doi: https://doi.org/10.25559/SITITO.2017.4.410.
Раздел
Научное программное обеспечение в образовании и науке