Современное состояние теории и практики создания искусственных нейронных сетей (НС) и нейрокомпьютеров привело к разработке принципиально новых алгоритмов и методов управления нелинейными динамическими объектами.
В данной работе проведен анализ и классификация некоторых подходов к нейросетевому управлению. Большинство схем нейронного управления, разработанных до настоящего времени, основаны на следующих подходах:
1.Последовательная схема управления (рис. 1). Если обозначить отношение «вход-выход» для объекта управления как, то НС реализует обратное отображение u=f -1(y). Таким образом, если подать на НС опорный сигнал r, то выходной сигнал объекта управления y принимает значение r, т.к. y=f(u)=f(f -1(r))=r . На этом основано обучение НС с помощью алгоритма обратного распространения (back-propagation algorithm).
2.Параллельные схемы управления (рис. 2). НС параллельного типа используется для подстройки управляющего входного сигнала u1, который является выходным сигналом обыкновенного ПИД-контроллера. Настройка выполняется таким образом, чтобы выходной сигнал объекта управления y как можно точнее соответствовал заданному опорному сигналу r.
3.Схема управления с самонастройкой (рис. 3). Здесь НС используется для настройки параметров обычного контроллера подобно настройке, выполняемой человеком-оператором.
4.Схема управления с эмулятором и контроллером (рис. 4). Нейроконтроллер обучается на инверсной модели объекта управления, а нейроэмулятор на обычной модели объекта. Нейроконтроллер может обучаться непосредственно на основе обратного распространения ошибки через нейроэмулятор.
Для анализа этих схем нейронного управления разработаны алгоритмы обучения НС и программные модели, на которых проводятся исследования процессов управления динамическими объектами.