close

Вход

Забыли?

вход по аккаунту

?

lab13 intellekt

код для вставкиСкачать
бычнМИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ, МОЛОДЕЖИ И СПОРТА УКРАИНЫ
ВОСТОЧНОУКРАИНСКИЙ НИЦИОНАЛЬНЫЙ УНИВЕРСИТЕТ имени ВЛАДИМИРА ДАЛЯ
КАФЕДРА "СИСТЕМНАЯ ИНЖЕНЕРИЯ"
"Искусственный интеллект"
Лабораторная работа№13
Тема: "Обучениерегуляторнаосновенейроннойсети"
Выполнил:студент: Московченко С.В.
группа:КТ-792
Проверил:Шульгин С.К.
Луганск 2014 г.
Цель работы:Изучить нейронные сети и системы управления в MATLAB. Обучить регулятор на основе нейронной сети.
Ход работы:
Ниже описаны 3 архитектуры нейронных сетей, которые реализованы в ППП NeuralNetworkToolbox в виде следующих контроллеров:
- контроллер с предсказанием (NNPredictiveContrloller);
- контроллера на основе модели авторегрессии со скользящим средним (NARMA-L2 Controller);
- контроллера на основе эталонной модели (ModelReferenceController).
Ниже представлено краткое описание каждой из этих архитектур и способы их применения. Применение нейронных сетей для решения задач управления позволяет выделить два этапа проектирования:
- этап идентификации
- этап синтеза закона управления.
Система управления с регулятором на основе эталонной модели
Цель обучения регулятора состоит в том, чтобы движение звена отслеживало выход эталонной модели:
,
где - выход эталонной модели;
r - задающий сигнал на входе модели.
Структурная схема, поясняющая принцип построения системы управления с эталонной моделью показана на рисунке 2.
Рисунок 2 - Структурная схема
Соответствующая динамическая модель, реализованная в Simulink, показана на рисунке 3.
Рисунок 3 - Динамическая модель
Для того, чтобы начать работу необходимо активизировать блок нейросетевого регулятора двойным щелчком мыши. Появится окно, показанное на рисунке 4.
Рисунок 4 - Динамическая модель
Оно выполняет функции графического интерфейса пользователя. Прежде чем установить параметры контроллера, необходимо построить модель управляемого процесса. Это означает, что прежде всего необходимо выполнить идентификацию управляемого процесса, т.е. построить его нейросетевую модель, воспользовавшись специальной процедурой PlantIdentification.
Вид окна PlantIdentification приведен на рисунке 7. Это окно универсальное и может быть использовано для построения нейросетевых моделей для любого динамического объекта, который описан моделью Simulink. Для системы управления движением звена манипулятора динамическая модель, реализованная в Simulink и удовлетворяющая уравнению движения звена будет выглядеть, как показано на рисунке 5.
Рисунок 5 - Динамическая модель в Simulink
Процедура идентификации позволяет построить нейронную сеть, которая будет моделировать динамику управляемого процесса. Если модель должна использоваться при настройке контроллера, то её следует создать прежде, чем начнется расчет контроллера. Кроме того, вам может потребоваться создание новой модели объекта, если спроектированный контроллер будет функционировать неудовлетворительно.
Процедура идентификации требует задания следующих параметров:
sizeofthehiddenlayer - размер скрытого слоя определяется количеством используемых нейронов;
samplinginterval - такт дискретности в секундах определяет интервал между двумя последовательными моментами съема данных;
No. delayedplantinputs - количество элементов запаздывания на входе модели;
Nodelayedplantoutputs - количество элементов запаздывания на выходе модели;
normalizetrainigdata - окно контроля нормирования обучающих данных к диапозону [0 1] ;
trainigsamples - длина обучающей выборки ( количество точек съема информации) ;
maximumplantinput - максимальное значение входного сигнала;
minimumplantinput - минимальное значение входного сигнала;
maximumintervalvalue - максимальный интервал идентификации в секундах;
minimumintervalvalue - минимальный интервал идентификации в секундах;
limitoutputdata - окно контроля, позволяющее ограничить объем выходных данных; только при включенном окне контроля будут доступны два следующих окна редактирования текста;
maximumplantoutput - максимальное значение выходного сигнала;
minimumplantoutput - минимальное значение выходного сигнала;
simulinkplantmodel - задание модели Simulinkc указанием входных и выходных портов, используемых для построения нейросетевой модели управляемого процесса;
generatetrainigdata - кнопка запуска процесса генерации обучающей последовательности;
importdata - импорт обучающей последовательности из рабочей области или файла данных;
exportdata - экспорт сгенерированных данных в рабочую область или файл;
trainigepochs - количество циклов обучения;
trainigfunction - задание обучающей функции;
usecurrentweights - окно контроля , позволяющее подтвердить использование текущих весов нейронной сети;
usevalidation/testingfortraining - выбор этих окон контроля будет означать, что 25 процентов данных из обучающей последовательности будет использовано для формирования тестового и контрольного подмножеств соответственно.
Итак, выбор процедуры generatetrainigdata приведет к тому, что будет запущена программа генерации обучающей последовательности. Программа генерирует обучающие данные путем воздействия случайных ступенчатых воздействий на модель Simulink управляемого процесса. Графики входного и выходного сигналов объекта управления выводятся на экран (рисунок 6).
Рисунок 6 - Графики входного и выходного сигналов объекта управления
По завершении генерации обучающей последовательности пользователю предлагается принять сгенерированные данные (AcceptData), либо отказаться от них (RejectData).
Если вы принимаете данные, приложение возвращает вас к несколько измененному окну PlantIndentification (рисунок 7). Рисунок 7 - Окно Plant Identification
Здесьчастьоконнедоступны, акнопка Generate Trainig Data замененанакнопку Erase Generated Data, чтопозволяетудалитьсгенерированныеданные.
В окне фрейма содержится сообщение "Обучающая последовательность состоит из 10000 замеров. Можно начинать обучение нейронной сети.
Для этого следует воспользоваться кнопкой TrainNetwork (Обучить сеть). Начнется обучение нейросетевой модели. После завершения обучения его результаты отображаются на графиках, как это показано на рисунке 8.
Рисунок 8 - Окно Train data for NN Model Reference Control
Где построены результаты обучения и тестирования на контрольном подмножестве.
Рисунок 9 - ОкноTesting data for NN Model Reference Control
Рисунок 10 - Окно Validation data for NN Model Reference Control
Рисунок 11 - Окно Training with TRAINLM
Вывод:
В процессе лабораторной работы были изучены нейронные сети и системы управления в MATLAB. Обучен регулятор на основе нейронной сети.
Документ
Категория
Рефераты
Просмотров
46
Размер файла
491 Кб
Теги
intellekt, lab13
1/--страниц
Пожаловаться на содержимое документа