Опубликовано 18.12.2021 в 23:14
УДК: 621.3
Поставлена задача и разработан алгоритм нейросетевой параметрической идентификации нелинейных динамических моделей объектов с проведением на модели вычислительного эксперимента путем вариации идентифицируемых параметров, формированием на его основе обучающих выборок, последующим последовательным обучением двух нейронных сетей, осуществляющих биективное отображение параметров исходной модели в выходные переменные второй нейронной сети. Проведена оценка эффективности предложенного алгоритма на примере параметрической идентификации нелинейной модели натриевой лампы высокого давления.
PARAMETRIC IDENTIFICATION OF NONLINEAR MODEL: A STUDY OF HIGH-PRESSURE SODIUM LAMP
The problem was posed and an algorithm developed for neural network parametric identification of nonlinear dynamic models of objects with a computational experiment on the model by varying the identified parameters. The training samples were formed on its basis, followed by sequential training of two neural networks that bijectively map the parameters of the original model into the output variables of the second neural network. The efficiency of the proposed algorithm is estimated using the example of parametric identification of a nonlinear model of a high-pressure sodium lamp.
Библиографический список
Библиографический список
1. Цибизова Т. Ю. Методы идентификации нелинейных систем управления // Современные проблемы науки и образования. – 2015. – № 2 (Ч. 14). – С. 3070–3074.
2. Пупков К. А. Капалин В. И., Ющенко А. С. Функциональные ряды в теории нелинейных систем. – М. : Наука, 1976. – 448 с.
3. Ходашинский И. А. Идентификация нечетких систем: методы и алгоритмы // Проблемы управления. – 2009. – № 9. – С. 15–23.
4. Бендерская Е. Н., Никитин К. В. Рекуррентная нейронная сеть как динамическая система и подходы к её обучению // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. – СПб.: Изд-во Политехн. ун-та. 2013. – № 4 (176). – С. 29–39.
5. Schrauwen B., Verstraeten D., Campenhout J. V. An overview of reservoir computing theory, applications and implementations // Proc. of the 15th European Symp. on Artificial Neural Networks. – 2007. – P. 471–482.
6. Федоров М. М. Использование нейросетевых методов для решения задач идентификации объектов [Электронный ресурс] // Современные научные исследования и инновации. – 2013. – № 9. – Режим доступа: http://web.snauka.ru/issues/2013/09/26285 (дата обращения: 23.03.2019).
7. Шумихин А. Г. Бояршинова А. С. Применение нейросетевых динамических моделей в задаче параметрической идентификации технологического объекта в составе системы управления // Вестник ПНИПУ. Химическая технология и биотехнология. – Пермь. – № 3. – 2015. – С. 21–38.
8. Харченко В. Ф., Ягуп В. Г., Якунин А. А. Разработка компьютерной модели для разрядной лампы высокого давления // Світлотехніка та електроенергетика. – 2013. – № 2. – С. 52–57.
9. Semenov A. D., Volkov A. V., Shchipakina N. I. Operational control algorithm of parameters of high-pressure sodium lamps based on a statistical time series model [Электронный ресурс] // IOP Conference Series: Materials Science and Engineering. – 2020. – No. 971(3), 032084. – Режим доступа: https://iopscience.iop.org/article/10.1088/1757-899X/971/3/032084 (дата обращения: 20.09.2021).
Выходные данные статьи: Волков А. В., Семенов А. Д., Семяхина Е. Д. Параметрическая идентификация нелинейный модели на примере натриевой лампы высокого давления [Электронный ресурс] // Огарев-online. – 2021. – №14. – Режим доступа: https://journal.mrsu.ru/arts/parametricheskaya-identifikaciya-nelinejnyj-modeli-na-primere-natrievoj-lampy-vysokogo-davleniya