Алгоритмы идентификации комплекса модульного полунатурного моделирования кабины-тренажера летательного аппарата тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Пьо Си Тху

• Пьо Си Тху
• кандидат наук
• 2018

Оглавление диссертации кандидат наук Пьо Си Тху

Введение

Глава 1. СИСТЕМЫ ПОЛУНАТУРНОГО МОДЕЛИРОВАНИЯ И МОДЕЛИРУЮЩИЕ КОМПЛЕКСЫ

1.1. Комплексы полунатурного моделирования

1.2.Модульный метод полунатурного моделирования сложных динамических систем

1.3. Кабины-тренажеры летательных аппаратов

1.4. Постановка задачи исследования

Выводы по главе

Глава 2. МЕТОДЫ ИДЕНТИФИКАЦИИ И ПОСТРОЕНИЯ МОДЕЛЕЙ

2.1. Исследование подходов к задаче идентификации динамических объектов

2.2. Идентификация нелинейных моделей в форме полинома Вольтерра

2.3. Идентификация методом разложения функционалов Винера

2.4. Искусственные нейронные сети

2.5. Генетический алгоритм

2.6. Алгоритм самоорганизации

Выводы по главе

Глава 3. ИССЛЕДОВАНИЕ КАЧЕСТВЕННЫХ ХАРАКТЕРИСТИК ПАРАМЕТРИЧЕСКОЙ ИДЕНТИФИЦИРУЕМОСТИ МОДЕЛЕЙ

3.1. Исследование степени идентифицируемости параметров динамических систем

3.2. Разработка численного критерия степени идентифицируемости

параметров нелинейной модели

Выводы по главе

Стр.

Глава 4. РАЗРАБОТКА АЛГОРИТМОВ ИДЕНТИФИКАЦИИ МОДУЛЕЙ КОМПЛЕКСА ПОЛУНАТУРНОГО МОДЕЛИРОВАНИЯ

4.1. МГУА с критерием степени идентифицируемости

4.2. Нейронная сеть Вольтерра с МГУА

Выводы по главе

Глава 5. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

5.2. Модернизация моделирующего комплекса кабины-тренажера

5.3. Результаты экспериментальных исследований

5.4.Результаты эксперимента

5.5. Методика оценки точности идентифицированной модели

Выводы по главе

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

СПИСОК СОКРАЩЕНИЙ.

АКС - ансамбль критериев селекции

БД - база данных

БЗ - база знаний

БЦВМ - бортовая цифровая вычислительная машина

ВС - воздушное судно

ГА - генетический алгоритм

ГЛОНАСС - глобальная навигационная спутниковая система

ГСП - гиростабилизированный платформ

ДПАП - департамент подготовки авиационного персонала

ИНОЦ - инжиниринговый научно-образовательый центр

ИНС - инерциальная навигационная система

ИУП - избыточность органов управления и программируемость элементов

КБО - комплекс бортового оборудования

КТС - комплексный тренажер самолета

ЛА - летательный аппарат

МАКС - международный авиационно-космический салон

МГУА - метод группового учета аргументов

МИНС - малогабаритная интегрированная навигационная система

МС - магистральный самолет

МСКБО - многофункциональный стенд комплекса бортового оборудования

НИОКР - научно-исследовательские и опытно-конструкторские работы

НС - нейронные сети

ПАО - публичное акционерное общество

ПТ - пилотажный тренажер

РМА - рабочее место администратора

РМД - рабочие места дополнительное

РМИ - рабочее место инструктора

РМО - рабочее место основное

РМП - рабочие места программистов

РМП - рекуррентный многослойный персептрон

СВ - система визуализации

СВР - система видеорегистрации

ЦВК - центральный вычислительный комплекс

ЦВМ - цифровая вычислительная машина

ЭВМ - электронная вычислительная машина

GPS - global positioning system

IATA - international air transport association

SDC - state dependent coefficient

Введение диссертации (часть автореферата) на тему «Алгоритмы идентификации комплекса модульного полунатурного моделирования кабины-тренажера летательного аппарата»

Введение

Глобальное усложнение разрабатываемых динамических объектов, систем управления и комплексов приводит к расширению и углублению процесса предварительных исследований и существенному увеличению сроков, объемов и сложности натурных испытаний.

Полученный опыт разработки новых образцов техники показал, что натурные испытания занимают до 50% времени, затрачиваемого на процесс изготовления опытных образцов, а стоимость проведения испытаний составляет в среднем 40% от общей стоимости разработок. Увеличение времени проведения испытаний приводит к увеличению себестоимости изделия и моральному устареванию образцов техники.

Для сокращения сроков проведения НИОКР используются методы моделирования. Качество и сроки проектирования новых образцов техники в боьшой степени зависят от проведенных предварительных исследований и анализа разрабатываемой системы. На этапе предварительных исследований целесообразно иметь как можно более полную и детальную информацию о всех характеристиках объекта разработки, а также возможных условиях его эксплуатации. Аналитические исследования современных динамических объектов представляет собой сложную задачу. В связи с этим при проектировании образцов новой техники активно применяется имитационное моделирование на всех этапах: при подготовке технических предложений, требований к создаваемому объекту, проектирования, при исследовании созданных образцов в условиях их работы и испытаний.

На этапе отработки новых образцов техники используется полунатурное моделирование, с использованием блоков реальной аппаратуры вместо ряда звеньев контура управления, что позволяет уточнить характеристики и параметры

проектируемых и уже изготовленных систем и элементов. Полунатурное моделирование позволяет провести более глубокие и подробные исследования изготовленного объекта.

Большой вклад в теорию и практику полунатурного моделирования внесли К.А. Пупков, Н.В. Барышников, А.В. Бабиченко, Н.В. Лукьянова, Э.В. Баранов, Хемди А. Таха, У. Дж. Карплюс, П. Дж. Кивиа.

При разработке систем управления движущихся объектов используется полунатурное моделирование с динамическими стендами. Например, в многофункциональном исследовательском тренажере кабины-имитатора ЛА инжинирингового центр «Авионика» МГТУ им. Н.Э. Баумана, использована модульная схема построения комплекса полунатурного моделирования, которая содержит блоки, включающие, в том числе, математические модели исследуемых процессов.

Используемые в моделирующем комплексе математические модели представляют собой априорные модели, полученные на основе физических законов, а также модели, полученные в процессе полунатурного и летного экспериментов. При формировании и уточнении моделей исследуемых процессов используются алгоритмы идентификации и построения моделей, которые разрабатывали Ципкин Я.З., Брикман М.С., Ивахненко А.Г., Капалин В.И., Кривулин Н.П., Бойков И.В., Винер Н., Эйкхоф П., Гроп Д., Люнг Л., Саридис Дж. М., Мармарелис, Дейч А.М., Поулис М.П., Гудсон Р.Е. и др. Использованы модели динамики основных процессов и систем, в которых не учтены некоторые особенности исследуемых процессов, в частности погрешности моделируемых систем летательного аппарата (ЛА).

Целью работы является разработка алгоритмов идентификации для формирования моделей в комплексе полунатурного моделирования кабины-тренажера ЛА.

Поставленная цель достигается путем совершенствования моделирующего комплекса, в частности кабины-тренажера центра «Авионика», использования более подробных моделей в модульной структуре комплекса моделирования; разработки методики проведения полунатурных экспериментов, разработки алгоритмов идентификации с целью построения высокоточных моделей комплекса. Алгоритмы идентификации применяются для уточнения моделей алгоритмического обеспечения кабины-тренажера, а также предусмотрено их использование в алгоритмическом обеспечении авионики на борту ЛА в процессе полета. В связи с этим алгоритмы идентификации должны отвечать следующим требованиям: высокой точности; быстродействию (работа в реальном времени); простота реализации в БЦВМ.

Для реализации поставленных задач целесообразно:

- провести системный анализ известных методов идентификации моделей исследуемых систем;

- разработать способ модернизации структуры моделирующего комплекса кабины-тренажера ЛА;

- разработать наиболее эффективную методику проведения полунатурного моделирования и оценки результата;

- разработать алгоритмы идентификации моделей по данным полунатурного моделирования с реальными системами ЛА.

Научная новизна проведенных исследований и полученных результатов заключается в следующем:

1. результаты проведенного системного анализа подходов, методов и систем полунатурного моделирования;

2. разработан численный критерий степени идентифицируемости параметров нелинейных моделей динамических систем одного класса;

3. разработаны алгоритмы идентификации математических моделей динамических объектов с улучшенными свойствами на основе метода группового учета аргументов (МГУА) и нейронной сети Вольтерра;

4. разработан модуль комплекса полунатурного моделирования кабины-тренажера ЛА, включающий нелинейные модели погрешностей ИНС, позволяющий повысить точность имитации моделируемых режимов полета;

5. сформирована методика оценки точности построения моделей измерительных систем кабины-тренажера с использованием данных полунатурного эксперимента.

Практическая ценность результатов диссертационной работы состоит в разработке способов и алгоритмов повышения точности моделирующего комплекса ЛА, основанных на применении высокоточных моделей, построенных с использованием нейронной сети Вольтерра и МГУА. Способ оценки точности построенных моделей позволяет осуществить выбор модели для каждого модуля комплекса полунатурного моделирования. Построение высокоточных нелинейных моделей погрешностей измерительных систем тренажера осуществляется за счет использования в алгоритме при селекции моделей оригинального численного критерия степени идентифицируемости, позволяющего отбирать модели-претенденты с повышенными характеристиками идентифицируемости параметров матрицы модели.

Материалы диссертации использованы в работах ИНОЦ «Авионика», и в учебном процессе факультета «Информатика и системы управления» МГТУ им. Н.Э. Баумана при выполнении НИР в рамках Госзадания № 2.7486.2017/БЧ.

Достоверность полученных в диссертации результатов и выводов обеспечивается достаточно глубокой теоретической проработкой известных подходов, использованием апробированных методов, корректностью математических выводов при разработке алгоритмов идентификации, а также

согласованностью полученных результатов с данными полунатурного моделирования с реальными инерциальными навигационными систенмами (ИНС) и с известными данными, опубликованными в открытой печати [31, 38, 68, 69, 71].

Для исследований применялись методы теории управления и теории случайных процессов, теории самоорганизации, а также вычислительные методы, математическое и полунатурное моделирование [18, 21, 48, 87, 96].

Апробация работы. Результаты диссертации докладывались на международных конференциях и симпозиумах: Современные аспекты фундаментальных наук (2015);Человек-Технологии-Культура в эпоху глобализма, Москва апрель 2017; научных семинарах кафедр «Компьютерные системы и сети» и «Системы автоматического управления» МГТУ им. Н.Э. Баумана (Москва, 2016, 2017, 2018); втором международном симпозиуме «Современные аспекты фундаментальных наук» (Москва, 2015); Седьмой и десятой всероссийской конференции молодых ученых и специалистов «Будущее машиностроения России» (Москва, 2014, 2017); международной научно - практической конференции «Теоретические и практические исследования XXI века» (Москва, 2014); международной научно-практической конференции «Фундаментальные и прикладные исследования проблемы и результаты» (Москва, 2014); международной научно - практической конференции «Достижение вузовской науки» (Москва, 2014).

Публикации. Основные результаты диссертации изложены в 8 работах, из них 4 работы в изданиях, входящих в Перечень ВАК Минобрнауки РФ, объемом 5,25 п.л/ 2,35 п.л.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Общий объем 127 стр., содержит 30 рис., список литературы содержит 129 источника.

КРАТКОЕ СОДЕРЖАНИЕ

Во введении обоснована актуальность темы диссертации, сформулированы цель и определены задачи исследования, приведена структура диссертации.

В первой главе представлен аналитический обзор систем и комплексов полунатурного моделирования, а также моделирующих комплексов тренажеров ЛА. Рассмотрены виды современных исследовательских тренажеров, концепции их построения, преимущества и недостатки при эксплуатации в исследовательских и образовательных целях.

Представлены функциональные схемы моделирующих комплексов и выбрана структура с модульным методом построения моделирующего комплекса для дальнейшего совершенствования.

Представлена постановка задачи диссертационного исследования.

Вторая глава посвящена проведенному исследованию методов и алгоритмов идентификации, которые используются в модулях моделирующего комплекса.

Рассмотрены алгоритмы идентификации: алгоритм идентификации, основанный на разложении Винера, нейронные сети, генетические алгоритмы (ГА), алгоритмы самоорганизации, в частности, построенные на основе МГУА [39, 45, 67, 81, 122]. Представлен анализ особенностей алгоритмов идентификации нелинейных систем и условия применения.

Выделены алгоритмы, наиболее перспективные для модернизации и использования в моделирующих комплексах и на борту ЛА.

В третьей главе представлены способы оценки качества идентификации параметров моделей линейных стационарных и нестационарных динамических систем. Исследованы критерии степени идентифицируемости параметров моделей. Ввиду того, что для решения задач диссертационного исследования используются нелинейные алгоритмы идентификации, разработан оригинальный

критерий степени идентифицируемости параметров нелинейных моделей одного класса динамических систем. К этому классу относятся системы, представимые с помощью SDC - метода.

Качество идентификации или эффективность идентификации оценивается путем вычисления максимально достижимой точности идентификации и временем достижения заданной точности идентификации.

Четвертая глава посвящена разработке алгоритмов идентификации. Предложена модификация алгоритма идентификации, построенного на основе МГУА с использованием численного критерия степени идентифицируемости параметров нелинейной модели, включенного в ансамбль критериев селекции. В представленном алгоритме МГУА в процессе селекции отбираются модели, имеющие максимальные степени идентифицируемости.

Разработанный алгоритм позволяет строить модели исследуемых процессов с улучшенными качественными характеристиками. Повышение качества моделей достигается за счет того, что отбираются модели для дальнейшей селекции, позволяющие проводить более точную параметри-ческую идентификацию.

Разработан алгоритм идентификации посредством нейронной сети Вольтерра с использованием МГУА. Нейронные сети осуществляют построение модели исследуемых процессов с высокой точностью, но при этом требуют длительного времени для реализации процесса обучения. Недостатком сети Вольтерра при реализации на борту реальных ЛА или имитаторов ЛА является длительный процесс обучения нейронной сети на начальном этапе ее функционирования. Для адекватного задания начальных значений весовых коэффициентов нейронной сети использован МГУА, что значительно ускоряет процесс обучения нейронной сети.

Рассмотрен алгоритм оптимизации структуры сети Вольтерра, также ускоряющий обучении нейронной сети.

Разработанные алгоритмы использованы для построения математических моделей, которые имитируют особенности работы исследуемых систем авионики при различных режимах полета ЛА.

Совокупность полученных моделей представляет собой базу данных, которая использована в алгоритмическом обеспечении кабины-тренажера ЛА для имитации работы отдельной системы. В алгоритмическом обеспечении кабины -тренажера база данных моделей сформирована в виде отдельного модуля и использована в комплексе модульного полунатурного моделирования кабины-тренажера ЛА.

Пятая глава посвящена экспериментальным исследованиям.

Исследован процесс изменения погрешностей ИНС, с помощью разработанных алгоритмов построены модели погрешностей ИНС, возникающие при различных основных режимах работы ИНС. Совокупность полученных моделей, сгруппированных в базе данных моделей, использована в виде дополнительного элемента моделирующего модуля ИНС.

Представлено описание проведения полунатурного эксперимента с реальными навигационными системами [69, 70, 71, 72], который использован для повышения точности моделирующего комплекса кабины-тренажера ЛА. Исследован процесс реализации идентификации нейросетью Вольтерра с МГУА с критерием параметрической идентифицируемости [56, 58, 59, 63, 76].

Предложен способ оценки точности идентифицированной модели на основе анализа данных полунатурного эксперимента.

Представлено описание процесса проведения моделирования в среде МАТЬАБ и ЬаЬУШ1^

В заключении приведены основные результаты работы.

Глава 1. СИСТЕМЫ ПОЛУНАТУРНОГО МОДЕЛИРОВАНИЯ И МОДЕЛИРУЮЩИЕ КОМПЛЕКСЫ

1.1. Комплексы полунатурного моделирования

При разработке систем управления используется полунатурное моделирования с динамическими стендами. Такая полунатурная модель включает [6, 7, 12, 48]:

1. Математическую модель, решающую систему уравнений движения летательного аппарата, как правило, в реальном времени и воспроизводящую динамику исследуемой системы в виде соответствующих напряжений на выходе мидели.

2. Динамический стенд, преобразующий выходное напряжение модели в угловое перемещение исследуемого объекта, установленного на его подвижной платформе. Динамический стенд, в сущности, представляет собой точный электромеханический преобразователь, предназначенный для сообщения угловых перемещений установленным на нем секциям системы управления или наведения или чувствительным (датчикам), реагирующим на угловые перемещения, скорости или ускорения.

Решение системы уравнений в виде напряжений преобразуется в перемещение платформы, соответствующее действительным движениям исследуемого летательного аппарата в пространстве под действием внешних возмущений.

Полунатурное моделирование с использованием динамических стендов позволяет имитировать в лабораторных условиях реальные режимы функционирования исследуемого объекта, и решает следующие вопросы:

• проведение исследований динамики объектов, систем управления и их элементов;

• определение оптимальных параметров;

• исследование надежности систем и прогнозирование ресурсов при эксплуатации;

• отладка и испытания систем при контрольных, приемо-сдаточных испытаниях и перед летными экспериментами.

Методы полунатурного моделирования обычно классифицируют следующим образом [7, 12, 96]:

1. Методы для оценки элементов разомкнутой системы управления.

2. Методы моделирования замкнутой системы управления.

3. Методы анализа и синтеза.

Полунатурное моделирование по разомкнутой цепи. В этом случае цепь «математическая модель - динамический стенд» не замкнута. Вычислитель рассматривается как задатчик сигналов возмущениях, а динамический стенд - в качестве преобразователя этих сигналов в механические перемещения нагрузки.

Полунатурное моделирование в замкнутом контуре. При работе в замкнутом контуре вычислитель решает уравнения, описывающие аэродинамику и кинематику движущегося объекта в реальном времени, а динамический стенд играет роль имитатора, воспроизводящего угловые перемещения объекта.

Полунатурное моделирование предусматривает реализацию комплекса в виде комбинации натурных элементов, сопряженных с остальной частью системы, которая реализована в виде математической модели. Создание комплекса аппаратных блоков, позволяют исследовать реакцию на факторы, которые невозможно или нецелесообразно моделировать. Используемые различные алгоритмы обработки информации отрабатываются отдельно, что увеличивает эффективность НИОКР [1].

Сначала проводится отладка взаимодействия отдельных блоков системы друг с другом с помощью аппаратно-программного моделирования.

Реализация комплексов полунатурного моделирования осуществляется с помощью Labview и разнообразных аппаратных средств, которые позволяют реализовать модели исследуемых систем и процессов [11, 13, 39].

На первом этапе реализации задачи полунатурного моделирования необходимо определить физически реализуемые элементы, элементы, представляемые в виде моделей, элементы, параметры которых неизвестны и требуют предварительного исследования, а также элементы, моделировать которые нецелесообразно. Затем определяются способы взаимодействия между сформированными элементами.

На Рис. 1.1 приведены этапы разработки систем при помощи полунатурного моделирования [96].

Определение принципа работы изделия и формирование структурной схемы

Определение вопросов, требующих исследований или испытаний и принятие решений о создании аппаратных блоков

Разработка аппаратных блоков

_

Создание программного обеспечения и моделей Проведение испытаний и исследований Обработка результатов Коррекция изделия по результатам испытаний и исследований Выпуск готовой продукции

Рис. 1.1. Этапы разработки систем с помощью полунатурного моделирования. Математическое моделирование применяется на ранних стадиях создания систем, полунатурное моделирование - на последующих стадиях, а натурное моделирование - на заключительных этапах [10, 85, 87]. Когда эксперимен-

тальный образец аппаратуры создан для его отладки применяется полунатурное моделирование и исследуются все особенности функционирования систем во всем возможном диапазоне.

Методы математического моделирования предполагают замену исследуемой системы или процесса адекватной математической моделью.

Математическая модель представляет собой формализованные зависимости, устанавливающие связь между параметрами системы [49, 53]. Обычно для простых моделей можно получить точное аналитическое решение, но для сложных систем аналитическое решение часто получить вообще невозможно. В этом случае используется имитационное моделирование.

Имитационное моделирование представляет собой процесс синтеза модели исследуемой системы и экспериментального ее исследования [97].

Натурное моделирование предполагает процесс, когда исследуемомой системе ставится в соответствие ее материальный аналог. На основе теории подобия осуществляется перенос свойств модели на моделируемый объект.

Натурное моделирование - процесс исследования созданных систем на поздних стадиях проектирования.

Полунатурное моделирование - процесс исследования систем с помощью моделирующих комплексов с включением в состав глобальной модели элементов реальной аппаратуры [48], т.е. часть системы моделируется, другая часть реальная, а также используются различные имитаторы воздействий и помех, модели внешней среды.

На Рис.1.2 представлена исследуемая система, которая включает аппаратуру, подвергающуюся внешним воздействиям. Источник внешних воздействий характеризуется параметрами Аь А2 , А3 , Ат . . . Ам.

Параметры Ат.... Ам в процессе моделирования изменяется, а параметры А1.... Ат-1 остаются неизменными в целях сохранения адекватности исследований.

Рис. 1.2. Структурная схема исследуемой системы. Полунатурная части системы моделируется с параметрами

| Л1, А2, Л^...Лт...Лы |, а модельные соотношения имеют вид:

4= Л;(/ = 1...(т-1)); Л' Л;(/ = т..М). (1.1)

В процессе проведения полунатурного моделирования осуществляется управляющее воздействиеа1,а2,а3...ат-1 на физический аналог, что приводит к

изменению его параметров { Л^аД Л2(а2), Л3(а3)...Лт - 1(ат-1)|. Эта процедура обеспечивает возможность исследовать различные режимы функционирования системы. Параметры Л1 исследуются во всем диапазоне изменений.

Структурная схема этого метода полунатурного моделирования представлена на Рис. 1.3 и включает физическую элемент части системы, математическую модель управляющего воздействия, устройство сопряжения, а также реальную аппаратуру. Сигналы управления {а1,а2,а3...ат-1} параметрами Л

модели, которые соответствуют реальному воздействию на систему, реализуются с помощью генератора управляющего воздействия. Выходное воздействие формируется с параметрами

{^«Д А'(а2), А3(а3)...Ат 1(ат_1),Лт...Лм} .

Также возможно моделирование критических элементов системы,

использование которых на данном этапе в реальном исполнении невозможно.

| - М. Я. Л-».*.«.* М. Я. .Ш...Ш.& !!!;::!!!!!!!!!!!•

Рис. 1.3. Структурная схема полунатурной модели исследуемой системы

В отличие от натурных экспериментов с помощью моделей внешних возмущений режимы функционирования системы исследуются во всем возможном диапазоне изменений внешних воздействий.

Другим достоинством полунатурного моделирования является возможность снятия неопределенности, которая присутствует при имитационном моделировании, которая возникает при неточности математического описания функционирования системы [97].

1.2.Модульный метод полунатурного моделирования сложных динамических систем

Для сокращения объема работы с реальной аппаратурой, повышения точности и надежности полунатурного модулирования целесообразно изменить схему моделирования, сместив центр тяжести в область исследований с помощью математических моделей. Такая схема лежит в основе модульного моделирования [44]. Модульное моделирование предполагает переход от исходной сложной системы к моделированию элементарных систем. Свойства этих элементарных систем в совокупности отражают свойства исходной системы [40]. Сложная исследуемая система является совокупностью модулей. Свойства модулей и в целом системы оценивается с помощью математических моделей, моделирования по данным полунатурного и натурного экспериментов.

Этапы модульного моделирования [44]:

1. Декомпозиция исследуемой системы на реальные модули.

Систему можно представить в виде набора независимых опытных образцов, которые представляют собой отдельные реальные модули, и не воспроизведенной реально программной частью.

2. Проведение идентификации модулей на всех этапах создания системы. Для этого от имитатора внешних воздействий подается тестирующий сигнал.

3. После сборки программных модулей в систему осуществляется оценка свойств целой системы.

Модели реальных модулей дорабатывают в программных модулях до тех пор пока не будет получена адекватная модель системы. Параметры системы уточняются путем адаптации программной части системы или моделей подсистем.

Для вычисления параметров системы по модульному методу, проводится несколько циклов моделирования математических моделей. Рассмотрим наиболее популярные подходы и методы моделирования.

Исследуемые системы, как правило, являются нелинейными, для которых принцип суперпозиции не выполняется, поэтому очень важно выбрать вид тестирующего сигнала.

В качестве универсального теста Н. Винер предложил использовать броуновское движение. Винеровский процесс является математической моделью броуновского движения. Этот процесс является универсальным тестом. Поэтому для точного описания системы ненужно анализировать выходные сигналы системы вызванные всеми возможными воздействиями. Винер предложил использовать процесс белый шум, который является обобщенной производной от броуновского движения [39, 40].

Если системы стационарны, имеют конечную память, то возможно использовать метод белого шума. Если же свойства системы изменяются за время, значительно превышающее постоянные времени, то метод эффективен.

Для успешного проведения моделирования необходимо уметь получать адекватные модели реальных объектов (большей частью нелинейных) при минимальном количестве априорной информации о характере этих объектов. Такие модели лучше строить в форме ортогональных функционалов Винера [41, 42, 45]. Набор ядер Винера {Ъ п} полностью описывает систему, т.е. по вычисленному набору ядер можно предсказать реакцию системы на любой сигнал. Для этого необходимо знать интенсивность белого шума, с помощью которого и производится определение ядер Винера, т.к. функционалы Винера, начиная с функционала второй степени, да и сами ядра явно зависят от интенсивности.

1.3. Кабины-тренажеры летательных аппаратов

Систематическое использование тренажеров и симуляторов в СССР началось с 1920 г. Простые и эффективные тренажеры применялись для обучения пилотированию на земле и подготовки стрелков в воздушном бою [34, 88, 89, 90].

В1940 г. тренажеры Link ANT-18 trainers использовались для подготовки военных летчиков .

Профессиональная подготовка авиационного персонала проходит на тренажерах различного уровня сложности. Обучение на тренажере, кроме экономии денежных средств и времени, дает возможность безопасно и эффективно, чем на реальном ЛА, получить необходимые базовые навыки, отработать сложные действия и правильное поведение в нештатной ситуации [16, 19]. Это связано с тем, что можно многократно повторить и довести действия обучающегося до автоматизма в аварийных и катастрофических ситуациях без риска, который мог бы возникнуть в реальном полете из-за неправильных действий, а также научится не допускать развития катастрофических ситуаций.

Список литературы диссертационного исследования кандидат наук Пьо Си Тху, 2018 год

СПИСОК ЛИТЕРАТУРЫ

1. Александров A.A., Ван Сяофэн, Пролетарский A.B., Неусыпин К.А. Комплексные инновационные разработки в инжиниринговом центре Авионика. // В сб. современные аспекты фундаментальных наук. Труды второго международного симпозиума. М. МГОУ. 2015. С. 150-154.

2. Антимиров, В. М. Проектирование аппаратуры систем автоматического управления // Изв. Урал, ун-та, 2015. 72 с.

3. Балакришнан A.B. Теория фильтрации Калмана: пер.с англ. М.: Мир, 1988. 168с.

4. Балонин H.A. Теоремы идентифицируемости. СПб.: Изд-во «Политехника», 2010. 48 с.

5. Балонин H.A., Попов О.С.Критерии идентифицируемости линейных стационарных и нестационарных динамических систем // Изв. вузов. Приборостроение. 1994. № 1. С. 22-27.

6. Баранов Э. В. Повышение достоверности оценки точности навигационных определений по спутниковым системам навигации методами полунатурного моделирования: дис.... докт. техн. наук. Москва. 2008. 129 с.

7. Барышников Н. В. Использование полунатурных методов моделирования при проектировании сложных лазерных оптико-электронных систем // Наука и образование. 2011. № 2. С 1-28.

8. Бондаренко. В. Н. Современные проблемы радиоэлектроники. Красноярск: Сиб. федер. ун-т, 2015. 628 с.

9. Брайсон, Хо Ю Ши. Прикладная теория оптимального управления. М.: Мир, 1972. 544 с.

10. Бусленко Н.П. Моделирование сложных систем. М.: Наука, 1978. 399 с.

11. Виноградова. Н.А, Лнстратов. Я.И, Свиридов Е.В. Разработка прикладного программного обеспечения в среде Lab VIEW. М.: Изд-во МЭИ, 2005. 47 с.

12. Гоголев A.A. Полунатурное моделирование беспилотных летательных аппаратов типа мультикоптер // Труды МАИ. 2017. № 92. URL: http: //trudymai. ru/published. php?ID=77238.

13. Городов, Д. И. Имитационное моделирование отдельных задач ЭМС в среде «LabVIEW» / Д. И. Городов, С. В. Касаткин, А. П. Евсеев // Труды (восьмой) научной конференции по радиофизике, посвященной 80-летию со дня рождения Б. Н. Гершмана / ред. А. В. Якимов. Нижний Новгород: ТАЛАМ, 2004. С. 265266.

14. Грицюк В.И., Петров Э.Г., Овезгельдыев А.О. Анализ и развитие модифицированных рекуррентных алгоритмов наименьших квадратов для оценки параметров, изменяющихся во времени // Кибернетика и системный анализ. 1996. № 4. С. 123-129.

15. Данеев A.B., Русанов В.А. К методам качественной теории идентификации сложных динамических систем // ДАН. 1997. Т. 355. № 2. С. 174-177.

16. Дашевский В.П., Бизин М.М. Обзор возможностей бортовых вычислителей на основе SMARC-модулей для робототехнических комплексов // Управление, вычислительная техника и информатика. Доклады ТУ СУРА. 2015. № 3 (37). С 9196.

17. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. М.: Физматлит, 2003. 432 с.

18. Зарубин B.C. Математическое моделирование в технике: Учеб. Для вузов / Под ред. B.C. Зарубина, А.П. Крищенко. М.: Изд-во МГТУ им. Н.Э. Баумана, 2001. 496 с. (Сер. Математика в техническом университете; Вып. XXI, заключительный).

19. Иванов. Ю. П., Никитин В. Г., Чернов В.Ю. Контроль и диагностика измерительно-вычислительных комплексов. - СПБГУАП: СПБ, 2004. 98 с.

20. Ивахненко А.Г., Мюллер Й.Я. Самоорганизация прогнозирующих моделей. Киев, Техника, 1985. 362 с.

21. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987. 120 с.

22. Карабутов H.H. Идентификация неопределенных систем. I // АиТ. 1997. № 11. С. 118-130.

23. Каталог продукции электронного направления. М.: Раменское приборострои-тельное конструкторское бюро, 2013. 103 с.

24. Книга Е.В., Жаринов И.О., Богданов A.B., Виноградов П.С. Принципы организации архитектуры перспективных бортовых цифровых вычислительных систем в авионике // Научно-технический вестник информационных технологий, механики и оптики. 2013, № 2 (84). С 163-165.

25. Комарова. Ю.Ю. Проектирование и изготовление аэрокосмических аппаратов. М.: МАИ, 2006. 367 с.

26. К. Колпаков. История развития бортовых цифровых вычислительных машин в России // PC Week/RE («Компьютерная неделя»), 1999. № 206; URL: https://www.itweek.ru/industrial/article/detail.php?ID=51809.

27. Копорский Н.С., Видин Б.В., Жаринов И.О. Бортовые средства отображения информации современных пилотируемых летательных аппаратов // Современные технологии. СПб: ГУ ИТМО. 2004. С 154-165.

28. Коптев А. Н. Авиационное и радиоэлектронное оборудование воздушных судов гражданской авиации. М.: Самара. 2011. 555 с.

29. Костенко В.А., Смелянский P.JI. Проблемы построения бортовых комплексов с архитектурой интегрированной модульной авионики 1// Радиопромышленность. 2016. № 3. С 63-70.

30. Кочешков М.А., Цибизова Т.Ю. Использование рядов Вольтерра для оценки и идентификации интеллектуализированных систем управления // Девятая Всероссийская конференция молодых ученых и специалистов «Будущее машиностроения России»: сборник докладов/ Союз машиностроителей России, Московский государственный технический университет имени Н.Э. Баумана. М.: Издательство МГТУ им. Н.Э. Баумана, 2016. С 829-833.

31. Кравченко П.П., Пирская Л.В. Исследование возможности использования дельта-преобразований для определения координат летательного аппарата в задаче локальной навигации // Раздел IV. Вычислительная техника и электроника. Известия ЮФУ. Технические науки. 2009. С 137-148.

32. Кузовков Н.Т., Карабанов С.В., Салычев О.С. Непрерывные и дискретные системы управления и методы идентификации. М.: Машиностроение, 1978. 221 с.

33. Кучерявый А.А. Бортовые информационные системы. Ульяновск: УлГТУ, 2004. 504 с.

34. Л. И. Карпова, Д. А. Никитин. Тренажеры в отечественной гражданской авиации: история и современность //Научный вестник Московского государственного технического университета гражданской авиации. 2009. C. 3741.

35. Л.А. Чижикова. Типовые функции программного обеспечения рабочего места инструктора авиационного тренажера // Программные продукты и системы / Software & Systems.2016. № 3. С. 181-186.

36. Лагунова. Ю. А. Машиностроение. Энциклопедия // Машиностроение. 2011. 4496 с.

37. Лазарев Юрий Федорович. Л17 Начала программирования в среде MatLAB: Учебное пособие. К.:НТУУ «КПИ», 2003. 424 с.

38. Лукин Н. А. Системное проектирование функционально-ориентированных процессоров для бортовых корреляционно-экстремальных навигационных систем

// Вестник Самарского государственного аэрокосмического университета. 2009. № 4 (20). С 218-236.

39. Лукьянова Н.В. Идентификация нелинейных систем на основе разложения функционалов Винера в системе LABVIEW. В сборнике: Актуальные вопросы фундаментальных наук. // Труды Международной научной конференции. Москва, 2014. С. 167-172.

40. Лукьянова Н.В. Модульный метод моделирования с использованием разложения Винера. // Автоматизация. Современные технологии. 2015. № 9. С. 17-22.

41. Лукьянова Н.В. Требования, предъявляемые к процессу идентификации на основе разложения функционалов Винера. В сборнике: Достижения вузовской науки. // Труды международной научно-практической конференции. М. 2014. С. 183-188.

42. Лукьянова Н.В., Кузнецов И.А. Идентификация нелинейных динамических систем на основе разложения функционалов методом Винера. // Материалы конференции «Управление в морских и аэрокосмических системах» (УМАС -2014), СПб. 2014.

43. Лукьянова Н.В., Мешков Н.А., Колупаев Р.В. Исследование систем управления: идентификация, моделирование, прогнозирование: Учеб. пособ. / Под общ. ред.: К.А. Неусыпина. М.: ИИУ МГОУ, 2015. 110 с.

44. Лукьянова Н.В., Пьо Си Тху. Выбор метода идентификации для комплекса полунатурного моделирования. // Автоматизация. Современные технологии. 2016. № 6. С. 32-37.

45. Лукьянова Н.В., Пьо Си Тху. Идентификация нелинейных систем на основе разложения функционалов Винера. В сб. Акткальные вопросы фундаментальных наук. // Труды II межд. Научно-практической конференции. 2016. С.18-20.

46. Лысаков К. Ф., Шадрин М. Ю. Особенности применения аппаратных устройств на базе fpga для задач потоковой обработки изображений // Вестник НГУ Серия: Информационные технологии. 2009. № 3. С 15-22.

47. Льюнг Л. Идентификация систем: Теория для пользователя. М.: Наука, 1991. 431 с.

48. Мережин Н.И. Полунатурное моделирование энергосистем // Известия ЮФУ. Технические науки. 2010. № 1. С 256-259.

49. Месарович М., Такахара Я. Общая теория систем: Математические основы. М.: Мир, 1978. 311 с.

50. Мешков Н.А., Пьо Си Тху. Исследование подходов к задаче идентификации динамических объектов. // Автоматизация. Современные технологии. 2017. Т71. №8. С.339-345.

51. Михайлов Л.М., Мишин В.М., Сисюк А.Я. Исследование систем управления: Учебное пособие для вузов. М.: Экзамен, 2009. 189 с.

52. Мишин В.М. Исследование систем управления: Учебник для вузов. М.: Юнити, 2010. 527 с.

53. Моисеев Н.Н. Математические задачи системного анализа: Учеб. пособие. М.: Наука, 1981. 488 с.

54. Мухин В.И. Исследование систем управления: Учебник. М.: Экзамен, 2006. 479 с.

55. Неусыпин К. А., Пролетарская В. А., Алексеева Е. Ю. Алгоритмические методы коррекции навигационных систем летательных аппаратов// Инженерный вестник Московского государственного технического университета им. Н.Э.Баумана. 2013. № 3. С. 557-568.

56. Неусыпин К.А, Шэнь Кай. Исследование критериев степеней наблюдаемости, управляемости и идентифицируемости линейных динамических

систем. // Мехатроника, автоматизация, управление. Том. 17. 2016. №1. С. 723731.

57. Неусыпин К.А. Разработка модифицированных алгоритмов самоорганизации для коррекции навигационной информации. // Автоматизация. Современные технологии. 2009. № 1. С. 37-39.

58. Неусыпин К.А. Современные системы и методы наведения, навигации и управления летательными аппаратами. М., Изд. МГОУ, 2009. 500 с.

59. Неусыпин К.А., Вайс Ю.Л. Модификация нейронной сети Вольтерра методом самоорганизации. Автоматизация и современные технологии. 2007. № 1. С. 30-34.

60. Неусыпин К.А., Кэ Фан., Дзя Л.С. Управление и наведение ракет, основанное на теории дифференциальной геометрии. // Автоматизация. Современные технологии. 2012. № 1. С. 16-20.

61. Неусыпин К.А., Пролетарский А.В. Селективный навигационный комплекс. Патент РФ № 2561252 от 30 июля 2015 г.

62. Неусыпин К.А., Пролетарский А.В., Вайс Ю.Л., Шолохов Д.О. Формирование ансамбля критериев селекции компактного алгоритма самоорганизации. Автоматизация и современные технологии. 2012, № 11. С. 1416.

63. Неусыпин К.А., Пролетарский А.В., Кузнецов И.А. Исследование степени идентифицируемости параметров динамических систем. // Вестник Магнитогорского государственного технического университета им. Г.И.Носова. 2015. № 2 (50). С. 85-89.

64. Неусыпин К.А., Пролетарский А.В., Кузнецов И.А. Синтез численного критерия меры идентифицируемости параметров моделей. // Автоматизация. Современные технологии. 2015. - №3. С. 9-13.

65. Неусыпин К.А., Селезнева М.С., Кай Шэнь., Пьо Си Тху. Разработка численного критерия степени идентифицируемости параметров нелинейной модели атмосферных летательных аппаратов// Автоматизация. Современные технологии. 2018. Т. 72. №5. С.223-227.

66. Неусыпин К.А., Шэнь Кай. Модификация нелинейного фильтра Калмана с использованием генетического алгоритма.// Автоматизация и современные технологии. 2014. №5. С. 9-12.

67. Неусыпин. К. А., Кэ Фан., Шолохов Д. О. Разработка алгоритма построения моделей с помощью метода самоорганизации для коррекции навигационных систем. М: Вестник МГТУ им. Н.Э. Баумана. Сер. «Приборостроение». 2010. № 3. С 57-67.

68. Панченко Т.В. Генетические алгоритмы: учебно- методическое пособие / Под ред. Ю.Ю. Тарасевича. - Астрахань: ИД «Астраханский университет», 2007. 87 с.

69. Пат. 2016383 Российская Федерация, МПК G01C 23/00. Навигационный комплекс / Афанасьев В.Н., Неусыпин К.А.; заявл. 28.02.1990; опубл. 15.07.1994. Бюл. № 13.

70. Пат. 2263281 Российская Федерация, МПК G01C 23/00. Комплексная навигационная система / Бабиченко A.B., Бражник В.М. [и др.]; заявл. 23.03.2004; опубл. 27.10.2005, Бюл. № 30.

71. Пат. 2561252 Российская Федерация. Селективный навигационный комплекс/ Неусыпин К.А., Пролетарский A.B.; заявл. 07.02.2014; опубл. 06.2015, Бюл. № 12.

72. Пат. 2568168 Российская Федерация. Навигационный комплекс / Неусыпин К.А., Пролетарский A.B. заявл. 07.02.2014; опубл. 14.10.2015, Бюл. № 12.

73. Перепелкин Е.А.Алгоритм параметрической идентификаци многосвязных непрерывных систем // Изв. РАН. Техн. кибернетика. 1994. № 6. С. 79-82.

74. Пролетарский А.В., Неусыпин К.А., Кузнецов И.А. Алгоритмы коррекции навигационных систем.: М., Изд. МГТУ им . Н. Э. Баумана, 2015. 67 с.

75. Пролетарский А.В., Неусыпин К.А. Оценка точности алгоритма построения моделей по данным лабораторного эксперимента с навигационными системами // Автоматизация и современные технологии. 2014. № 6. С. 40-44.

76. Пролетарский А.В., Неусыпин К.А., Кузнецов И.А. Разработка критерия степени идентифицируемости параметров динамических систем. // Труды ФГУП НПЦАП. Системы и приборы управления. 2014. №4(30). С. 87-93.

77. Пролетарский А.В., Неусыпин К.А., Шэнь Кай. Алгоритмические способы коррекции автономных инерциальных навигационных систем // Материалы конф. «Управление в морских и аэрокосмических системах» (УМАС-2014). СПб.: ЦНИИ «Электроприбор», 2014. С. 637-641.

78. Пьо Си Тху, Лукьянова Н.В. Идентификация нелинейных моделей в форме полинома Вольтерра. В сб. Достижения вузовской науки. Труды 3 международной научно-практической конф. 2017. С.25-28.

79. Пьо Си Тху, Клычников В.В. Исследование современных авиационных тренажеров. В сб. Eurasia Science. Сборник статей X международной научно-практической конф. 2017. С.26-28.

80. Пьо Си Тху, Цибизова Т.Ю. Использование алгоритмов идентификации для полунатурного моделирования. // Десятая Всероссийская конференция молодых ученых и специалистов «Будущее машиностроения./М. Изд. МГТУ им. Н.Э. Баумана, 2017, С. 597-600.

81. Ротштейн А. П. Интеллектуальные технологии идентификации: нечеткие множества, генетические алгоритмы, нейронные сети / А. П. Рот- штейн. Винница: Ушверсам-Вшниця, 1999. 320 с.

82. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. М.: Горячая линия - Телеком, 2006. 452 с.

83. Салычев О.С. Скалярное оценивание многомерных динамических систем. М.: Машиностроение, 1987. 216 с.

84. Сарапулов А.В., Уманский А.Б. Реконфигурирование бортовой вычислительной машины для повышения отказоустойчивости. // Управление, вычислительная техника и информатика: Вестник томского государственного университета. 2017.№ 38. С. 59-62.

85. Советов Б.Я. Моделирование систем: Учебник для вузов. М.: Высш. шк., 2001. 343 с.

86. Степанов О.А. Применение теории нелинейной фильтрации в задачах обработки навигационной информации. СПб.: ЦНИИ «Электроприбор», 2003. 370 с.

87. Трусова П.В. Введение в математическое моделирование. М.: Логос, 2004. 440с.

88. Уманский А.Б., Антимиров В.М., Шалимов Л.Н. Бортовые цифровые вычислительные системы семейства «Малахит» для работы в экстремальных условиях // Вестник СГАУ. 2013. № 4 (42). С. 19-27.

89. Хакимов Д. В., Киселёв С. К. Историческое развитие и современное состояние комплексов бортового оборудования летательных аппаратов // Вестник УлГТУ. 2017. № 2. С. 54-59.

90. Хачумов М. В. Реализация алгоритмов навигации и управления в бортовых вычислительных комплексах летательных аппаратов // Программные системы: теория и приложения.2016. №2(29). С 35-59.

91. Цибизова Т.Ю. Идентификация нелинейных систем автоматического управления при помощи фильтров Вольтерра // Фундаментальные исследования. 2015. № 2 (часть 14). С. 3070-3074.

92. Цибизова Т.Ю. Методы идентификации нелинейных систем управления // Современные проблемы науки и образования. 2015. № 1; URL: http://www.science-education.ru/121-17910.

93. Цибизова Т.Ю., Чан Нгок Хыонг. Способы реализации процедуры идентификации на основе фильтра Вольтерра // Автоматизация. Современные технологии. 2015. № 8. С. 31-34.

94. Цилькер Б.Я. Организация ЭВМ и систем. СПб.: Питер, 2011. 688 с.

95. Чан Нгок Хыонг. Разработка алгоритмов коррекции и прогнозирования для автономных навигационных систем летательных аппаратов: дис. ... канд. техн. наук. Москва. 2016. 125 с.

96. Шайкин А. С. Шайкина Е. В. Разработка электронных устройств с использованием комплекса полунатурного моделирования // Интернет-журнал Науковедение. 2013. № 6. С. 203-211.

97. Шеннон Р. Имитационное моделирование систем - искусство и наука. М.: Мир, 1978. 418 с.

98. Шэнь Кай, Неусыпин К.А. Исследование критериев степеней наблюдаемости, управляемости и идентифицируемости линейных динамических систем // Мехатроника, автоматизация, управление. 2016. № 11. C. 723-731.

99. Шэнь Кай, Неусыпин К.А., Пролетарский А.В. Исследование критериев степени наблюдаемости // Материалы конф. «Информационные технологии в управлении» (ИТУ-2014). СПб.: ЦНИИ «Электроприбор», 2014. С. 254-260.

100. Шэнь Кай. Разработка высокоточных алгоритмов коррекции навигационных систем летательных аппаратов: дис. ... канд. техн. наук. Москва. 2017. 126 с.

101. Шэнь Кай. Разработка методов оценивания и прогноза навигационных систем летательных аппаратов // Автоматизация и современные технологии. 2015. № 7. С. 13-18.

102. Amos Gilat. MATLAB: An Introduction with Applications. United States of America., Published. JOHN WILEY & SONS, INC. 2004. 296 p.

103. Arahal M.R., Camacho E.F. Neural network adaptive control of nonlinear plants // Proc. 5th Symp. IFAC on Adaptive Syst. in Control and Signal Proc. Budapest, 1995. V. 1.P. 239-244.

104. Bermudez J.C.M., Bershad N.J. Transient and tracking performance analysis of the quantized LMS algorithm for time-varying system identification // IEEE Trans. Signal Proc. 1996. V. 44. No. 8. P. 1990-1997.

105. Bittanti S., Campi M.Adaptive RLS identification of time-varying parameters when is the error bounded? // Proc. 10th Symp. IFAC on System Identification. Copenhagen, 1994. V. 2. P. 663-668.

106. Carrette P.Analysis of a constrained forgetting factor recursive least squares algorithm in system identification // Proc. 35th IEEE Conf. on Decision and Control. Kobe, 1996. V. 1. P. 1079-1080.

107. Dasgupta S., Anderson B.D.O.A Parametrization for the closed-loop identification of non- linear time-varying systems // Automatica. 1996. V. 32. No. 10. P. 1349-1360.

108. Fuente M.J., Vega P.A Comparison of identification algorithms for rapidly time-varying parameters on a real process '// Proc. 5th Symp. IFAC Adapt. Systems in Control and Signal Proc. Budapest, 1995. V. 1. P. 131-136.

109. Haupt R.L., Haupt S.E. Practical Genetic Algorithms. John Wiley & Sons, Inc., Hoboken, New Jersey, 2004. 253 p.

110. Havlena V., S^techa J., Kraus F.J.Decision and approximation based algorithms for identification with alternative models // Proc. 13th World Congr. IFAC. San Francisco, 1996. V. I. P. 273-278.

111. Ikoma N.Estimation of time varying peak of power spectrum based on non-gaussian non- linear state space modeling // Signal Proc. 1996. V. 49. No. 2. P. 85-95.

112. Ikonen E., Heikkinen P., Kortela U.On-line identification of non-linear dynamic processes // Proc. 13th IASTED Int. Conf. Grindelwald, Switzerland, 1994. P. 325-328.

113. Johansen T.A., Polycarpou M.M.Stable adaptive control of a general class of non-linear systems // Neural Adaptive Control Technology / Eds. Zbikowski R. and Hunt K.J. Singapore e.a.: World Scientific Publishing, 1996. P. 177-204.

114. Kadles J., Gaston F.M.F., Irwin G.W.A parallel fixed-point predictive controller // Int. J. Adapt. Control and Signal Proc. 1997. V. 11. No. 5. P. 415-430.

115. Landau I.D., Karimi A.Recursive algorithms for identification in closed loop-an unified approach and evaluation // Proc. 35th IEEE Conf. on Decision and Control. Kobe, 1996. V. 2. P. 1391-1396.

116. Li R., Chu D.Stability of Kalman filter for time-varying systems with correlated noise // Int. J. Adapt. Control and Signal Proc. 1997. V. 11. No. 6. P. 475-487.

117. Luo W., Billings S.A., Tsang K.M.On-line structure detection and parameter estimation with exponential windowing for nonlinear systems // Europ. J. Control. 1996. V. 2. No. 4. P. 291-304.

118. Michalewicz Z. Genetic Algorithms + Data Structures = Evolution Programs. Springer-Verlag, Berlin Heidelberg New York, 1996. 387 p.

119. Mistry S.I., Nair S.S.Identification and control experiments using neural designs // IEEE Control Syst. Mag. 1994. V. 14. No. 3. P. 48-57.

120. Moazzam M.H., Hesketh T., Clements D.J.Recursive identification of certain structured time-varying state-space models // IEE Proc. Control Theory and Appl. 1997. V. 144. No. 5. P. 489-497.

121. Mohinder S. Grewal, Angus P. Andrews. Kalman filtering: theory and practice using MATLAB. United States of America., Published. JOHN WILEY & SONS, INC. 2008. 575 p.

122. Neusypin K.A., Proletarsky A.V., Shen Kai, et al. Aircraft self-organization algorithm with redundant trend // Journal of Nanjing University of Science and Technology. 2014. No 5. P. 602-607.

123. Neusypin K.A., Tsibizova T.Y., Kuznetsov I.A. Development of criterion of degree of identifiability of parameters of dynamic systems // 2015 5th International Workshop on Computer Science and Engineering: Information Processing and Control Engineering, WCSE 2015-IPCE Information Processing and Control Engineering, Programme. 2015. P. 66-71.

124. Nied'zwiecki M.Identification of time-varying systems with abrupt parameter changes // Identification and System Parameter Estimation. Select. Papers 9th IFAC/IFORS Symp. Budapest, 1991. Oxford e.a.: Pergamon Press, 1992. V. 2. P. 1115-1120.

125. Raol J.R., Parameswaran V.Recursive estimation of model error for identification of non- linear continuous time systems // Proc. NAL-DLR Symp. on System Identification. Ban- galore, India, 1993. P. 199-217.

126. Robert E. White. Computational mathematics: Models, Methods, and Analysis with MATLAB and MPI. Published. Chapman & hall/crc. 2004. 380 p.

127. Shen Kai, Neusypin K.A., Proletarskiy A.V. On State Estimation of Dynamic Systems by Applying Scalar Estimation Algorithms [C] // Proceedings of 2014 IEEE Chinese Guidance, Navigation and Control Conference. August 8-10, 2014. Yantai, China. P. 124-129.

128. Wang L.Y.Persistent identification of time-varying systems // IEEE Trans. Autom. Con- trol. 1997. V. 42. No. 1. P. 66-82.

129. Yang Z.-J., Hachino T., Tsuji T.On-line identification of continuous time-delay systems combining least-squares techniques with a genetic algorithm // Int. J. Control. 1997. V. 66. No. 1. P. 23-42.

ОТЗЫВ

научного руководителя о диссертационной работе на тему «Алгоритмы идентификации комплекса модульного полунатурного

моделирования кабины-тренажера летательного аппарата»,

представленной аспирантом Пьо Си Тху на соискание ученой степени кандидата технических наук по специальности 05.13.01 - «Системный анализ, управление и обработка информации (в технических системах)»

Диссертация Пьо Си Тху выполнена совместно на кафедрах «Компьютерные системы и сети» и «Системы автоматического управления» в МГТУ им. Н.Э. Баумана.

В период подготовки диссертации Пьо Си Тху являлся аспирантом очной формы обучения в МГТУ им. Н.Э. Баумана.

В 2015 г. Пьо Си Тхуй окончил магистратуру и поступил в очную аспирантуру. Во время обучения в аспирантуре Пьо Си Тху успешно сдал кандидатские экзамены и подготовил диссертацию.

Диссертация Пьо Си Тху выполнена на высоком научном уровне, является самостоятельной научно-квалификационной работой, в которой разработаны алгоритм самоорганизации, редуцированная нейронная сеть Вольтерра, критерии степени параметрической идентифицируемости для нелинейных моделей одного класса, а также методика обработки данных полунатурного эксперимента с навигационными системами.

За время учебы в МГТУ им. Н.Э. Баумана Пьо Си Тху проявил себя трудолюбивым, инициативным, творческим аспирантом, способным добиваться поставленных целей. Активно принимал участие в международных конференциях и ежегодно участвовал с докладами на научном семинаре кафедры «Системы автоматического управления» МГТУ им. Н.Э. Баумана.

Диссертационная работа отвечает критериям Положения о порядке присуждения ученых степеней, а се автор Пьо Си Тху заслуживает присвоения ему ученой степени кандидата технических наук по специальности 05,13,01 - «Системный акал из, управление и обработка информации (»технических системах)».

Доктор педагогических наук, доцент, профессор каф. «Системы автоматического упра МГТУ им. !{,Э, Баумана

Цибизова Т.Ю,

ПОДПИСЬ ЗАВЕРЯЮ

фЙ

3

«т начальника у?тра5ПЕН!1я Кадров

НА%0ВА П.ь

ТЕЛ' 0--4ВН т

во- 48

■

. «I

.4

. -н I

'^о-: ¡-^ц-ж и*