Автоматический синтез непрерывной динамической системы стабилизации на основе искусственных нейронных сетей

Рассмотрен автоматический процесс синтеза непрерывной динамической системы стабилизации на основе использования многослойных нейронных сетей. Предложено двухэтапное решение задачи синтеза. На первом этапе осуществлена генерация обучающей выборки. Для этого многократно решена задача оптимального управления рассматриваемой динамической системой при ее разных начальных условиях. Для каждого начального условия найдено оптимальное управление как функция состояний объекта. На втором этапе выполнена аппроксимация сгенерированной обучающей выборки с помощью нейронной сети типа многослойный персептрон. Полученный персептрон реализует блок управления, покрывающий всю область начальных условий объекта управления. Новизна работы состоит в том, что задача синтеза сводится к задаче аппроксимации: поиск замкнутой стабилизирующей системы осуществлен с помощью аппроксимации оптимальных управлений, найденных в ходе минимизации функционала интегрального типа. Представлен вычислительный эксперимент по синтезу системы стабилизации гусеничного робота. Для тестовой проверки синтезированной стабилизирующей системы рассмотрены начальные условия вне обучающей выборки, а также продемонстрирована работа системы в условиях внешних возмущений

The article considers an automated process of synthesising a continuous dynamic stabilization system based on multilayer neural networks. We propose a two-stage solution to the synthesis problem. The first stage involved generating the training dataset. It meant solving the optimum control problem for the dynamic system under consideration multiple times with various initial conditions. We derived optimum control for every initial condition as a function of object states. The second stage involved approximation of the training dataset we generated, which used a multilayer perceptron neural network. This perceptron represents a control unit that covers the entire initial condition space of the control object. The innovative aspect of our work is as follows: we reduced the synthesis problem to the approximation problem, that is, we sought a closed stabilising system by means of approximating the optimum controls obtained while minimising a functional of the integral type. The paper presents a numerical experiment in synthesising a stabilisation system for a track-laying robot. In order to test the stabilisation system synthesised, we consider initial conditions outside the training dataset and show how the system operates when externally perturbed