Нейромережеве прогнозування динамічного стану об'єктів керування

Мета: вивчення методики синтезу нейронних мереж орієнтованих на прогнозування сигналів.

ÄКороткі теоретичні відомості

Розглянемо основні принципи застосування штучної нейронної мережі ADALINE в прогнозуванні значень детермінованого процесу . Функціональна схема настроювання ШНМ наведена на рис.6.1.

Рисунок 6.1 – Функціональна схема настроювання ШНМ

За допомогою екстраполяції нульового порядку неперервний сигнал приводиться до дискретної бази . Дискретний сигнал виходу об'єкту керування поступає на лінію затримки так, що на її виході формуються 2 сигнали: y(i-1), y(i-2). Настройка мережі реалізується за допомогою М-функції adapt, яка змінює параметри мережі на кожному кроці з метою мінімізації похибки e[i]= y[i] – a[i]. Якщо ця похибка нульова, то вихід мережі а[i] дорівнює y(i), тобто мережа виконує прогноз належним чином.

Нижче приведений сценарій, який призначений для вирішення завдання прогнозу сигналу на один крок вперед. Вхідний детермінований процес отриманий в результаті проходження ступінчастого сигналу через коливальну ланку.

Оскільки для формування входу застосована динамічна ланка другого порядку, то в мережі ADALINE буде використана ЛЗ з двома блоками.

З метою отримання архіву даних про об'єкт розробимо відповідно до функціональної схеми рис.6.1 структуру моделі рис.6.2.

Рисунок 6.2 – Модель для дослідження системи нейропрогнозу

Блок Zero-Order Hold бібліотеки Discrete додатку Simulink дозволяє провести дискретизацію вхідного неперервного сигналу. З метою передачі даних до основної області Command Window пакету Matlab в моделі використані блоки To Workspace (в вікні властивостей якого задають ім'я змінної) та блок Scope з наступними змінами властивостей рис.6.3.

Рисунок 6.3 – Властивості блоку Scope

Запишемо наступний сценарій для вирішення задачі прогнозу сигналу.

% Вибірка з масиву часової функції блоку Scope першого стовпця (дискр. час)

time = time(:,1);

Дата добавления: 2015-10-29