neuro_lab5
.pdfГрафик ошибки обучения:
3 архитектура:
21
График ошибки обучения:
4 архитектура:
22
График ошибки обучения:
По графику видим, что данный вариант архитектуры показывает наилучший результат, поэтому будем использовать его.
23
Сопоставим данные выборок и спрогнозированные НС-О выходные сигналы.
Для обучающей:
Для контрольной:
Получили достаточно точную аппроксимацию объекта.
6. Обучение НС-О в контуре управления САУ.
Используем уже обученные НС-Р, НС-О. Структурная схема системы:
24
Элементы схемы:
25
Используем стохастические сигналы уставки и помехи соответственно (случайный равномерный, максимальная амплитуда – 1/0.1, длина – 1250000):
26
График ошибки обучения:
Сопоставим выходные сигналы объекта и его нейросетевой модели:
Выход НС-О с небольшой ошибкой аппроксимирует объект управления.
27
7. Моделирование САУ с НС-Р, обученным в контуре.
Структурная схема:
Архитектура регулятора:
Другие элементы схемы:
28
Результаты моделирования:
29
По графику у1 можем наблюдать отсутствие перерегулирования.
Результаты моделирования:
СКО ≈ 0,505
Сравним качество управления для исходного регулятора, НС-Р, обученного вне контура, нейросетевого оптимального регуляторов:
Регулятор |
СКО |
Максимальное |
перерегулирование |
||
Исходный линейный ПИД-регулятор |
0,424 |
25 % |
НС-Р, обученный вне контура |
0,438 |
2 % |
Нейросетевой оптимальный |
0,505 |
0 % |
Из таблицы видно, что наибольшее значение перерегулирования характерно для исходного линейного ПИД-регулятора; небольшое перерегулирование – для
30