Synthesis of regulators for multichannel systems using neural networks

Voevoda, Aleksandr; Romannikov, Dmitry

doi:10.17212/1814-1196-2019-4-7-16

Cited by 3 publications

(3 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…При этом, в отличие от обучения «с учителем», заранее сформированной системы автоматического управления для обучения нейрорегулятора в данном случае не требуется. В статье [23] предлагается способ выбора структуры нейронной сети и замкнутой системы, в которой уставка является входным параметром нейронной сети регулятора. Предложена модификация метода синтеза регулятора, необходимая для устранения недостатка: при смене уставки было необходимо переобучать нейросетевой регулятор.…”

Section: формирование алгоритма синтеза нейросетевого регулятора с де...unclassified

On the choice of the neuroregulator architecture

Voevoda¹,

Shipagin²

2022

Analysis and data processing systems

View full text Add to dashboard Cite

In practice, the choice of the type of neural network is carried out empirically based on an experience of an investigator and many training attempts. At the same time, the excessive complexity of the neural network leads to an increase in its training time, and in some cases, to the impossibility of learning at all. Thus, the justification of the choice of an artificial neural network structure and/or its preliminary calculation based on other models is an urgent task. An equally important task is the choice of an initial weighting coefficients of an neural network, the choice of which determines the speed of convergence of search algorithms. This paper demonstrates several approaches to solving the problem of choosing an architecture and initializing a weighting coefficients of a neural network. One of them is carried out on the basis of a previously calculated function using Petri nets. This approach is demonstrated for solving various tasks, which include the implementation of functions using previously defined neural network models of the simplest logical operations "and", "or", etc. An approach is given that allows optimizing an architecture of a neural network that solves the problem of approximating functions of one and several variables. The principle of determining an architecture and initial weight coefficients is also used in the tasks of training neural networks with reinforcement. A separate section is devoted to the formation of a methodology for determining an architecture and initialization of a weighting coefficients of a neural network of the controller based on information about the controller obtained by a modal method using a polynomial matrix decomposition of a system. The problem of synthesis of a neural network controller for an object model containing nonlinearities and nonparametric uncertainties in the control channel is solved.

show abstract

Section: формирование алгоритма синтеза нейросетевого регулятора с де...unclassified

On the choice of the neuroregulator architecture

Voevoda¹,

Shipagin²

2022

Analysis and data processing systems

View full text Add to dashboard Cite

show abstract

“…Реализация функции XOR [1-4] является классической задачей машинного обучения. Кроме того, другие логические функции, такие как AND и OR, также могут быть реализованы [5][6][7][8][9][10][11][12][13][14][15][16][17][18][19]. Реализация более сложных алгоритмов при помощи нейронных сетей может быть проблематичной по следующим причинам:…”

Section: проблемы синтезаunclassified

On the problems of synthesis of neural networks

Romannikov¹,

Ibraeva²

2018

Transaction of Scientific Papers of the NSTU

Self Cite

View full text Add to dashboard Cite

“…Для решения задачи с непрерывным пространством действий, к которому относится рассматриваемая задача, в [17] предлагается использовать «актер-критик» метод (Actor-Critic Method), так как его легко модифицировать для работы с непрерывным пространством действий. В [18] предлагается использовать Deterministic Policy Gradient, так как, в отличие от предыдущего метода, он является off-policy, что позволяется накапливать буфер экспериментов и использовать их для обучения.…”

unclassified