Исследование проблем синтеза нейросетевого контроллера в задаче управления курсом судна тема диссертации и автореферата по ВАК РФ 05.22.19, кандидат технических наук Виткалов, Ярослав Леонидович

• Виткалов, Ярослав Леонидович
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Виткалов, Ярослав Леонидович

СТРУКТУР (РЕГУЛЯТОРОВ).

1.1 Общие принципы автоматического управления и классификация САУ.

1.2 Основные принципы аналитического конструирования регуляторов.

1.3 Общие свойства применения нейронных сетей.

1.4 Синергетический подход к нелинейным системам управления, построенным с использованием многослойных нейронных сетей.

1.4.1 Синергетика и теория управления.

1.4.2 Основные идеи синергетического подхода в задаче управления курсом судна.

1.4.3 Синергетика и нейросетевой подход.

1.5 Общая постановка задачи управления курсом судна с использованием синергетической системы управления.

Выводы по первой главе.

Глава 2. САМОНАСТРАИВАЮЩИЕСЯ СИСТЕМЫ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ КУРСОМ СУДНА.

2.1 Традиционные САУ курсом судна с самонастройкой.

2.1.1 Адаптивные авторулевые.

2.1.2 Математическая модель САУ курсом судна.

2.1.3 Математическая модель рулевого устройства.

2.1.4 Математическая модель регулятора.

2.1.5 Математическая модель дискретной САУ курсом судна.

2.2 Методы настройки регулятора авторулевого.

2.2.1 Существующие подходы настройки ПИД - регуляторов.

2.2.2 Самонастройка как задача интеллектуального управления.

2.2.3 Самонастройка как вид управления.

Выводы по второй главе.

Глава 3. ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВОГО РУГУЛЯТОРА

В ЗАДАЧЕ УПРАВЛЕНИЯ КУРСОМ СУДНА. ф 3.1 Постановка задачи в управлении курсом судна при реализации контроллера с помощью нейросетей.

3.2 Искусственные нейронные сети как среда проведения синтеза адаптивных регуляторов управления курсом судна.

3.2.1 Архитектура нейросетей, используемых в решении задач управления.

3.2.2 Свойства многослойных нейронных сетей, используемые щ в решении задач управления.

3.3 Обучение нейронных сетей статического типа.

3.3.1 Обучение по методу Хилтона (обратное распространение ошибки).

3.3.2 Математические модели обучения.

Выводы по третьей главе.

Глава 4. ИССЛЕДОВАНИЕ СИНЕРГЕТИЧЕСКОГО МЕТОДА СИСТЕМЫ УПРАВЛЕНИЯ КУРСОМ СУДНА И АНАЛИЗ

ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ.

4.1 Схема нейронного управления. 4.2 Схема управления курсом судна, построенная на основе нечеткой логики.

4.3 Исследование нейросетевого ПИД - контроллера.

4.4 Анализ экспериментальных данных.

4.4.1 Реакция на ступенчатое изменение курса (изменение уставки).

4.4.2 Реакция на аддитивное волновое возмущение.

4.4.3 Реакция на сложное волновое возмущение.

4.4.4 Реакция на резкое внешнее возмущение.

Выводы по четвертой главе.

Введение диссертации (часть автореферата) на тему «Исследование проблем синтеза нейросетевого контроллера в задаче управления курсом судна»

Актуальность темы. В настоящее время практически все промышленно развитые страны интенсивно работают по созданию новых, более эффективных систем автоматического управления движением судна, обладающих повышенной эксплуатационной надежностью. Объясняется это в первую очередь необходимостью безопасности мореплавания в условиях интенсивного судоходства, резким ростом цен на топливо для судовых силовых установок, а также усиление экологических аспектов эксплуатации морского флота, строительством крупнотоннажных и скоростных судов, автоматическое управление которыми при использовании обычных авторулевых не обеспечивается или обеспечивается неудовлетворительно.

Как показывает практика внедрения и эксплуатации различных автоматизированных систем, они являются наиболее эффективным средством повышения тактико-эксплуатационных характеристик судов и условий труда плавсостава. Автоматизация процессов и операций на судах приводит к уменьшению потерь ходового времени, снижению себестоимости перевозок, сокращения численности экипажей, повышению надежности оборудования, снижению аварийности [7,21,42,43,70,76].

Вместе с тем современный флот оснащается системами, построенных на старой элементной базе с использованием традиционных принципов управления (ПИД регулирование) требующих перенастройки коэффициентов при изменении параметров системы. В тоже время, применение нейросетевых технологий управления, то есть управления с использованием искусственных нейронных сетей, успешно зарекомендовавших себя в других областях автоматического управления сложными, плохо формализованными объектами может решить эту задачу. Если в традиционной системе управления реализуется конкретный вычислительный алгоритм, то в нейросетевых системах, одна и та же обученная сеть может реализовать множество алгоритмов в реальном масштабе времени [21,24,31,33,49,65,113].

Целью работы является разработка адаптивного контроллера для системы автоматического управления курсом судна, на основе синергетических подходов нейросетевых технологий, который мог бы адекватно учитывать изменения гидродинамических характеристик судна как объекта управления и условий плавания.

Объектом исследования являлась система управления курсом крупнотоннажного судна, типа контейнеровоз, математическая модель которого была взята за основу при исследовании качества рассматриваемых контроллеров.

Для достижения указанной цели определены задачи исследования:

1. Изучить возможности новой синергетической науки и ее связь с проблемами повышения качества судовождения, а также раскрыть актуальность применения нейронного метода управления для судна как сложного нелинейного объекта.

2. Изучить проблемы самонастройки регуляторов авторулевых и проанализировать существующие адаптивные схемы управления курсом судна.

3. Провести анализ методов нейронного управления, дать характеристику основным методам обучения нейронных сетей, описать основные стадии синтеза нейросетевого контроллера для управления курсом судна.

4. На основе полученных опытных данных предложить новый метод автоматического управления курсом судна, в основе которого лежат синергетичес-кие принципы управления.

5. Разработать программное обеспечение для адаптивного контроллера курсом судна, реализуемое на базе гибкой программируемой логики.

Основные результаты и положения, выносимые на защиту:

1. Методика аналитического и технического синтеза управляющего устройства курсом судна, построенного на базе искусственных нейронных сетей.

2. Метод технической реализации регулятора систем управления курсом судна на базе современных гибких программируемых логических устройств.

3. Метод расчета эффективности предложенного нейронного регулятора управления курсом судна.

4. Алгоритм и программное обеспечение адаптивного контроллера системы автоматического управления курсом судна.

Методы исследования. Методы системного анализа, методы линейного и нелинейного программирования, методы нейронного управления, методы математического моделирования, положения теории автоматического управления и теории регулирования.

Научная новизна. Впервые осуществлена попытка применить ныне популярные идеи синергетики для повышения качества управления судном на курсе. В процессе научной работы предложен новый метод автоматического управления судном, который отличается от традиционных подходов совершенно иной концепцией управления, лежащей в его основе. Кроме того, методами математического моделирования определена и оценена эффективность предложенного метода нейронного управления, осуществлен комплексный анализ его работоспособности в сравнении с другими применяемыми в этой области методами управления. До настоящего времени, рассматриваемая в диссертационной работе задача, технической реализации регулятора систем управления курсом судна на базе современных гибких программируемых логических устройств типа PLIS, не являлась предметом исследования.

Достоверность результатов проведенных исследований обеспечивается использованием современных методик планирования эксперимента, корректным использованием принципов построения модели САУ курсом судна и нейронных сетей, а также удовлетворительным качественным и количественным совпадением результатов экспериментов и данных, полученных при математическом моделировании.

Практическая ценность работы. Практическая значимость полученных результатов заключается в том, что результаты могут быть использованы при разработке систем управления судов, которые только проектируются либо проходят переоборудование. Предложенный подход реализуем на создаваемых в настоящее время современных аппаратных средствах, в том числе на базе гибких программируемых логических устройств типа PLIS, и может быть использован либо как дополнение к существующим регуляторам систем управления курсом, либо как принципиально новый контроллер, приходящий на смену ПИД- регуляторам в судовых системах управления курсом судна.

Апробация результатов работы. Основные результаты работы докладывались на: пятой международной научно-практической конференции «Математическое моделирование физических, экономических, технических, социальных систем и процессов» Ульяновск, УГУ, 2003 г., сорок шестой всероссийской межвузовской научно-практической конференции «Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ». Владивосток,

ТОВМИ, 2003 г., шестой международной научно - практической конференции «Проблемы транспорта Дальнего Востока» FEBRAT - 05. Владивосток, МГУ, 2005 г.

Публикации. Список публикаций по материалам диссертации включает одиннадцать работ (материалы научно-практических конференций, публикации в сборниках научных работ и монография).

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы. Основное содержание работы изложено на 180 страницах машинописного текста и включает 63 рисунка и 4 таблицы. Список литературы содержит 115 наименований.

Заключение диссертации по теме «Эксплуатация водного транспорта, судовождение», Виткалов, Ярослав Леонидович

Выводы по четвертой главе

В настоящей главе приведен сравнительный анализ четырех вариантов систем управления курсом судна. Так как для рассматриваемого объекта (судна) возможно построение упрощенной математической модели пониженного порядка, полученная в этом процессе информация использовалась для аналитического конструирования и оценки работы всех четырех контроллеров. На первом этапе производилась грубая настройка параметров контроллера на нечеткой логике (НЖ) и ПИД, после чего выполнялась дальнейшая точная настройка генетическими методами. Для нейросетевых контроллеров (НСК) количество входных элементов (мерность входного вектора) нейросетевой модели соответствовало пониженному порядку модели объекта управления. Достоинством рассмотренных вариантов контроллеров можно считать то, что в условиях, когда модели объектов плохо определены, НСК, НЖ и ПИД с ручной настройкой могут использоваться без, каких-либо, математических моделей. В тоже время многие традиционные адаптивные контроллеры (основанные, например, на методе обобщенного прогнозирования) не могут разрабатываться без априорных математических моделей. Последним недостатком в некоторой степени обладает и рассмотренный НПИД - контроллер.

Сравнительный анализ четырех контроллеров позволяет сделать следующие выводы.

1. Наиболее прост в технической реализации и проверен временем идеальный ПИД - алгоритм, широко использующийся в современных авторулевых. Традиционный ПИД - контроллер как регулятор систем управления хорошо зарекомендовал себя при решении многих задач автоматического управления. Однако, совершенно очевидно (в том числе и по анализу кривых на рисунках), что данный тип управления не всегда может работать удовлетворительно в сложных, меняющихся условиях. Если судно работает в большинстве случаев в одном режиме, то оптимально настроенный ПИД - контроллер обеспечивает удовлетворительные показатели качества. Однако при появлении внешних воздействий или смене условий плавания, необходимо перенастраивать параметры контроллера, что требует высокой квалификации штурманского состава. Процесс перенастройки в большинстве случаев не сможет обеспечить оптимального управления, что, как следствие, приведет к возрастанию экономических затрат. Можно заключить, что в настоящий момент ПИД- контроллер может быть рекомендован для судов, работающих в однообразных условиях притом, что к качеству управления не предъявляется высоких требований.

2. Качество управления с помощью ПИД - алгоритма можно улучшить, если дополнить его блоком адаптации, выполненном на базе нейросети. Предварительно обученная нейросеть, исходя из входных данных в виде условий плавания, осуществляет подстройку параметров ПИД для приближения их к оптимальным значениям. Поведение нейросетевого ПИД- контроллера (НПИД) в целом аналогично оптимально настроенному ПИД- регулятору. При этом функции «эксперта», определяющего ПИД параметры, возлагаются на нейронную сеть.

3. Контроллер на нечеткой логике (НЛК) показал хорошие стабильные результаты практически во всех режимах работы. Для данного контроллера имеется ряд факторов и величин, которые требуется предварительно выбрать, чтобы обеспечить качественную его работу. Следует отметить, что процедура выбора является достаточно трудоемким процессом, но некоторые из этих величин (ширина функций принадлежности, коэффициенты масштабирования и др.) можно определить экспериментально на основании предыдущего опыта или методом проб и ошибок. При корректном обоснованном выборе функций принадлежности и их формы НЛК показывает лучшие результаты, нежели обычный ПИД, обладает свойством робастности и устойчивости. Однако при сильных изменениях условий работы судна требуется регулировка коэффициентов масштабирования. Стоит отметить, что адаптивные регуляторы на нечеткой логике уже успешно реализованы и используются в последних моделях авторулевых фирмы Сперри. Конкретные алгоритмические и схемные решения, однако, не раскрываются.

4. Наиболее эффективным для сложных нелинейных систем является управление с использованием идей самонастройки (синергетики). Синергети-ческая система, выполненная на базе искусственной нейронной сети, показала абсолютно лучшие результаты. Использование сигмоидных функций для скрытых нейронов позволяет применить нейронные сети для управления такими объектами, которые считались неуправляемыми с помощью традиционных систем.

5. Можно считать недостатком нейронного управления тот факт, что нейронные сети требуют предварительного обучения. Однако после обучения НСК становится самонастраивающейся и не требует какой-либо дальнейшей настройки, т.е. далее происходит процесс полной адаптации. Алгоритмы управления, основанные на нейронных сетях и нечеткой логике, могут быть легко реализованы на аппаратных средствах параллельной обработки, что обеспечивает сравнительно высокое быстродействие. В работах [105-108] показано, что скорости вывода в обычной интегральной схеме СБИС (например, ALTERA PLIS), реализующей операции нечеткой логики, не зависит от количества нечетких правил. Кроме того, параллельная работа контроллеров на основе нейронных сетей практически всегда устойчива. Ни один из известных авторов в своих публикациях не отмечал потери устойчивости в параллельных управляющих структурах даже в случае отказа некоторых синаптических связей.

7. Затраты времени на вычисления, связанные с предварительной настройкой НСК и НПИД весьма велики по сравнению с затратами времени для НЖ и ПИД. Для НЖ затраты минимальны, так как в этих контроллерах используются главным образом логические операции и операции сравнения.

В таблице 4.2 приводятся основные результаты сравнения характеристик различных контроллеров, полученных на основе проведенных исследований, анализ которых позволяет сделать следующие выводы: показано, что идеи синергетики могут быть эффективно реализованы в системе управления курсом судна в реальном времени. предложенные для управления в САУ курсом судна нейронные параллельные управляющие структуры практически всегда устойчивы (утверждение легче констатировать, чем доказать). качественные характеристики САУ курсом на нейронных сетях сравнимы (и даже выигрывают) при сравнительном анализе с традиционными наиболее развитыми системами управления. система управления на нечеткой логике показала свою пригодность и перспективность внедрения ее вместо ныне традиционного ПИД - управления. как один из вариантов создания адаптивного контроллера можно рассматривать традиционный ПИД - регулятор с настройкой параметров нейро-сетью. При правильном обучении НПИД - контроллер демонстрирует хорошее качество управления. результаты, приведенные в таблице 4.2, являются главным итогом настоящей работы. Приведенные данные позволяют провести грамотный выбор контроллера для рассматриваемого объекта (судна) и условий его работы. нейронные сети нельзя считать глобальной панацеей, то есть считать, что с их помощью все задачи управления решены. Необходимо проводить исследования в области аналитического и технического синтеза еще более эффективных и надежных систем управления.

ЗАКЛЮЧЕНИЕ

Анализ особенностей построения систем автоматического управления движением судна по курсу и эффективность использования авторулевых на судах позволяет говорить о необходимости дальнейшей разработки и внедрения автоматических систем управления судовыми механизмами и судном в целом. Исключительная важная и ответственная роль в деле комплексной автоматизации судовождения принадлежит системам автоматического управления движением судна по курсу. В настоящее время эти системы широко используются на судах, однако качество их работы в ряде случаев не удовлетворяет растущим требованиям эксплуатации.

В данной работе впервые осуществлена попытка применить ныне популярные идеи синергетики для повышения качества управления судном на курсе на базе нейронных сетей. В процессе научной работы: 1. Предложен новый метод автоматического управления судном, который отличается от традиционных подходов совершенно иной концепцией управления, лежащей в его основе.

2. Методами математического моделирования определена и оценена эффективность предложенного метода нейронного управления, осуществлен комплексный анализ его работоспособности в сравнении с другими применяемыми в этой области методами управления.

3. Предложенный подход вполне реализуем на создаваемых в настоящее время аппаратных средствах и может быть реализован либо как дополнение к существующим регуляторам систем управления курсом, либо как принципиально новый контроллер, приходящий на смену ПИД - регуляторам в судовых системах управления курсом судна.

4. Рассматриваемая задача, технической реализации регулятора систем управления курсом судна на базе современных гибких программируемых логических устройств типа PLIS, до настоящего времени, не являлась предметом исследования.

5. Проанализирован и систематизирован набор алгоритмов обучения, связанных с определенной архитектурой и перечнем решаемых задач.

6. Разработана методика аналитического и технического синтеза простого и надежного управляющего устройства применительно к курсу судна.

7. Разработано программное ядро для управляющего устройства курсом судна, реализуемое на базе гибкой программируемой логики, что позволяет при небольшом цикле проектирования решить конкретные задачи в создании управляющего устройства. Аппаратно, ядро для управляющего устройства курсом судна, реализуется на базе современных гибких программируемых логических устройств типа PLIS, куда производится загрузка файла, полученного в результате разработки проекта в соответствующей системе автоматического проектирования.

8. Практическая значимость полученных результатов заключается в том, что полученные результаты уже вполне могут быть использованы при разработке систем управления судов, которые только проектируются либо проходят переоборудование в нашей стране.

9. Для реализации нейронных сетей в задаче управления сложными высокотехнологичными объектами предложены к использованию регуляторы для конкретного типа объекта и условий его работы.

10. В качестве системы компьютерной математики (СМК) использовалась система MATLAB, прошедшая многолетний путь развития от узкоспециализированного матричного модуля, используемого только в больших ЭВМ (шестидесятые годы), до универсальной интегрированной СМК ориентированной на массовые персональные компьютеры класса IBM PC и др.

172

Список литературы диссертационного исследования кандидат технических наук Виткалов, Ярослав Леонидович, 2006 год

1. Аведьян Э.Д. Алгоритмы настройки многослойных нейронных сетей ф //Сб.: Автоматика и телемеханика. - 1995. - № 4. - С. 106 - 118.

2. Автоматы: Сб. статей / К.Э. Шеннона и др; пер. с анг. / Под общ. ред. A.A. Ляпунова. М.: Изд. иностр. лит., 1956.

3. Айзерман М.А., Браверманн Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. М.: Наука, 1970.

4. Арнольд В.И. Математические методы классической механики. М.: Наука, 1989.

5. Афанасьев В.Н., Колмановский В.Б., Носов В.Р. Математическая теория конструирования систем управления. М.: Высшая школа, 1989.ф 6. Бабаев A.M., Ягодкин В.Я. Автоматизированные судовые электроприводы. -М.: Транспорт, 1986.

6. Березин С.Я., Тетюев Б.А. Системы автоматического управления движением судна по курсу. Л.: Судостроение, 1990.

7. Богданов В.И., Фокин A.B. Самонастройка и инвариантность // Труды IV Международной объединенной конференции по искусственному интеллекту. Научный совет по комплексной проблеме "Кибернетика". ИК АН Груз. ССР. М.: АН СССР, 1975.

8. Богданов В. И., Озак О. Я. Реализация алгоритмов самонастройки на однокристальных СБИС. Zinatne, Riga, 1998.

9. Богданов В.И., Виткалов Я.Л., Потапов A.C. Нечеткий регулятор и некоторые проблемы обучения нейронных сетей // Сб.: Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ. -Владивосток, ТОВМИ, 2003. Вып. 44. - С. 11 -16.

10. Богданов В.И., Виткалов Я.Л., Потапов A.C. Анализ синергетических методов синтеза систем нейронного управления // Сб.: Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ. -Владивосток, ТОВМИ, 2005. Вып.55. - С. 55 - 67.

11. Богданов В.И., Виткалов Я.Л., Потапов A.C. ПИ- и ПИД- контроллеры с самонастройкой. / Сб.: Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ. Владивосток, ТОВМИ, 2005. -Вып.54. - С. 11-18.

12. Богданов В.И., Виткалов Я.Л., Потапов A.C. Самонастройка в задачах управления вездеходом // Сб.: Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ. Владивосток, ТОВМИ, 2005.-Вып.54.-С. 19-33.

13. Богданов В.И., Виткалов Я.Л. Самонастройка как вид управления // Сб.: Проблемы и методы разработки и эксплуатации вооружения и военной техники ВМФ. Владивосток, ТОВМИ, 2006. - Вып.57. - С. 16 - 28.

14. Богданов В.И., Виткалов Я.Л., Глушков C.B., Потапов A.C. Синергетика и нейросетевые системы управления курсом судна. Монография.- М.-С.П.- В.: ПИТЕР, 2006.- 205 с.

15. Богданов В.И., Виткалов Я.Л., Глушков C.B. Нечеткий регулятор в задаче управления морским подвижным объектом // Вестник МГУ. Серия судовождение. Владивосток, МГУ, 2006. - С. 112 -119.

16. Вагущенко Л.Л., Цымбал H.H. Системы автоматического управления движением судна. Одесса: Латстар, 2002.

17. Веденов A.A., Ежов A.A., Левченко Е.Б. Архитектурные модели и функции нейронных ансамблей // ИНТ. Сер.: Физические и математические модели нейронных сетей. 1990. - Т. 1. - С. 44 - 92.

18. Вороновский Г.К., и др. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности.- X.: Основа, 1997.

19. Воронов А. А. Основы теории автоматического управления.- М.: Энергия, 1965.

20. Галушкин А.И. Теория нейронных сетей. Кн. 1. Сер.: Нейрокомпьютеры и их применение М.: ИПРЖР, 2000.

21. Головка В.А. Нейроинтеллект: теория и применение. Кн. 1 и 2. -Брест: Изд-во БПИ, 1999.

22. Гордиенко Е.К., Лукьяница A.A. Искусственные нейронные сети. Ч. 1. Основные определения и модели // Изв. РАН. Сер.: Техническая кибернетика. 1994. - № 5. - С. 79 - 92.

23. Горбань А.Н. Обучение нейронных сетей М.,СПб.: ПараГраф, 1990.

24. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере Новосибирск, Наука, Сибирская издательская фирма РАН, 1996.

25. Геращенко Е.И., Геращенко С.М. Метод разделения движений и оптимизация нелинейных систем. М.: Наука, 1975.

26. Джури Э.Д. Импульсные системы автоматического регулирования. -М.: Физмагиз, 1963.

27. Дьяконов В.А. MATLAB-6. Универсальная интегрированная система компьютерной математики. СПб., М., Харьков, Минск, 2001.

28. Ефимов Д.В., Терехов В.А., Тюкин И.Ю. Адаптивная система управления с нейронной сетью. Методы и аппаратные средства цифровой обработки сигналов // Изв. ГЭТУ. 1996. - Вып. 490. - С. 32 - 35.

29. Ивахненко А.Г. Принятие решений на основе самоорганизации / А.Г. Ивахненко, Ю.П. Зайченко, В.Д. Димитров. -М.: Сов. Радио, 1976.

30. Катковник В.Я., Полуэктов P.A. Многомерные дискретные системы управления. М.: Наука, 1966.

31. Керниган Б. Пайк Р., Практика программирования. Библиотека программиста, Изд-во «Невский Диалект, Санкт-Петербург, 2002 г.

32. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одного переменного и сложения // Докл. АН СССР. 1957. - Т. 114. - С. 953 - 956.

33. Красовский Д. В., Техническая кибернетика. М. Мир 1989.

34. Краткий философский словарь, под редакцией M. М. Розенталя, Госполитиздат, 1954.

35. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.Изд.2. М.: Горячая линия Телеком, 2002.

36. Кузин JI.T. Основы кибернетики. М.: Энергия, 1979.

37. Логиновский В.А., Смоленцев C.B. Комплексная обработка навигационных измерений: Учеб. пос.- М.: в/о Мортехинформреклама, 1988.

38. Логиновский В.А., Баранов Ю.К., Гаврюк М.И. и др. Навигация: Учеб. / 3-е изд., перераб. и допол. СПб.: Лань, 1997.

39. Лоскутов А.Ю., Михайлов A.C. Введение в синергетику. М.: Наука, 1985. - 509 с.

40. Ляпунов А. М. Общая задача об устойчивости движения. М.: Гостехиздат 1950.

41. Мински М., Пейперт С. Перцептроны. М.: Мир, 1971.

42. Михайлов B.C. Судовая электроавтоматика. Л.: Судостроение, 1970.

43. Меламед И.И. Нейронные сети и комбинаторная оптимизация // Автоматика и телемеханика. 1994. - № 11. - С. 3 - 40.

44. Методы робастного, нейро-нечеткого и адаптивного управления: Уч. ® для вузов / Ред. Н.Д. Егупов. М.: МГТУ им. Н.Э. Баумана, 2002.

45. Мордовченко Д.Н., Панякин Л.Г., Таратин А.Ф. Техническая эксплуатация авторулевых. М.: Транспорт, 1980.

46. Ожегов С.И. Словарь русского языка. -М.: Наука, 1970.

47. Омату С., Халид М., Юсуф Р. Нейроуправление и его приложения. Книга 2. М.: Изд. предприятие редакции журнала Радиотехника, 2000.

48. Петров Б.Н., Соколов A.B. и др., Системы автоматического управления объектами с переменными параметрами: Инженерные методы анализа и синтеза. М.: Машиностроение, 1986.0

49. Прокофьев В.А. Информационные технологии управления перевозками: Учеб. пос.- СПб.: ГМА, 1999.

50. Роберт Каллан, Основные концепции нейронных сетей. М.: издательский дом Вильяме, 2001.

51. Родионов А.И., Сазонов А.Е. Автоматизация судовождения: Учеб,-3-е изд., перераб. и допол.- М.: Транспорт, 1992.

52. Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга. М.: Мир, 1965.

53. Ротштейн А.П., Штовба С.Д. Влияние методов деффазификации на ф скорость настройки нечеткой модели // Кибернетика и системный анализ.2002.-№1.

54. Синергетика: процессы самоорганизации и управления. Учеб. пособ. / Под общей редакцией A.A. Колесникова. В 2-х частях. Таганрог: Изд-во ТРТУ, 2004.

55. Смирнов Е.Л. и др. Технические средства судовождения: Учеб. Т. 2.-СПб.: ГМА, 2000.

56. Современная прикладная теория управления / Под общ. ред. A.A. Колесникова. Москва - Таганрог: ТРТУ, 2000.

57. Солодовников В. В., Теория автоматического регулирования (Техническая кибернетика), Кн. 1, 2, 3,4, М.: Машиностроение, 1967.

58. Соболев Г.В. Управляемость корабля и автоматизация судовождения,-Л.: Судостроение, 1976.

59. Терехов В.И. и др. Нейросетевые системы управления. М.: 2002.

60. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М.: Мир, 1992.

61. Фельдбаум А. А., Электрические системы автоматического регулирования. -М.: Оборонгиз, 1957.

62. Хакен Г. Синергетика. Иерархия неустойчивостей в самоорганизующихся системах и устройствах. -М.: Мир, 1985.

63. Хант Э. Искусственный интеллект. М.: Мир, 1978.

64. Чиндев П.И. Теория автоматического регулирования. Киев.: КВИАВУ, 1963.

65. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968.

66. Цыпкин Я. 3. Основы теории автоматических систем. М.: Наука, 1997.

67. Юревич Е.И. Теория автоматического управления. Л.: Энергия, 1969.

68. Astróm, К. J. and Haddelung, Automatic tuning of simple regulators with specifications of phase and amplitude margins, Automatica, Vol. 20, pp. 645-651, 1984.

69. Astrom, K. J. and Wittenmark. On self tuning regulators, Automatica, Vol. 9, pp. 185-199, 1973.

70. Astrom, K. J., Towards intelligent control. IEEE Control Systems Magazine, Vol. 9, pp. 60-69,1989

71. Astrom K.J., Wittenmark J. Adaptive Control // Addission Wesely, USA, 1989.

72. Brause R. Neural Netze: Eine Einführung in die Neuroinformatik. -Stuttgart, Teubner, 1995.

73. Broomhead D.S., Lowe D. Multivariable functional interpolation and ^ adaptive networks // Complex Systems. 1988. - Vol. 2. - №3. - P. 321 - 355.

74. Barron A.R. Universal approximation bounds for a sigmoidal function // IEEE Trans. Infotm. Theory/ 1993. - Vol. 39. - P. 930 - 945.

75. Cybenco G. Appraximation by superposition of sigmoidal functions // Math. Control, Signal Syst. 1989. - №2. - P. 303 - 314.

76. Clarke D.W., Mohtadi C., Tuffs P.S. Generalized predietive control. Part 1: The basic algorithm //Automatica. 1987. - Vol. 23. - P. 137 - 148.

77. Funahashi K. On the approximate realization of continuous mappings by neural networks // Neural Networks. 1989. - №2. - P. 183 - 192.9

78. Gupta M.M., Rao D.H. Neuro-control systems: A tutorial. Control Systems. Theory and Applications / Ed. M. Gupta, D. Rao // IEEE Press. Intelligent Syst. Res. Laboratory, of Saskatchewan, Saskatoon, Canada, S7N 0W0, 1995.

79. Grossberg S. The adaptive brain. Vol. 1. Amsterdam: North-Holland,1987.

80. Girosi F., Poggio T. Representation properties of networks: Kolmo-gorov's theorem is irrelevant // Neural Computation. 1989. - № 1. - P. 465 -469.

81. Girosi F., Poggio T. Netwoks and the best approximation property // Biological Cybernetics. 1990. - № 63. - P. 169 - 176.

82. Glad S.T. Lecture notes on nonlinear control system. Report №LiTH

83. Y R - 2212. - Linkuping University, 2000.

84. Haykin S. Neural Networks. A comprehensive foundation. New York: Macmillan College Publishing Company, 1994.

85. Hebb D.O. The Organization of Behavior: A Neuropsychological Theory. -New York: Wiley, 1949.

86. Haken H. Synergetic computer and cognition: A top dawn approach to neural nets. - Berlin: Springer - Verlag, 1991.

87. Hopfield J.J. Neural Networks and Physical systems with emergent collective computational abilities // Proc. Nat. Acad. Sci. USA. - 1982. - № 79. -P. 2554 - 2558.A

88. Hopfield J.J. Neurons with graded response have collective computation properties like those of two-state neurons // Proc. Nat. Acad. Sci. 1984. - № 81. -P. 3088 - 3092.

89. Handbook of Intelligent Control: Neural, Fuzzy and Adaptive Approaches / Ed. D.A. White, D.A. Softe. -N.-Y.: Van Nostrand Reinhold, 1992.

90. Hornik K., Stinchcombe M., White H. Multilayer Feedforward Networks are Universal Approximators // Neural Networks. 1989. - №2. - P. 359 - 366.

91. Hecht-Nielsen R. Kolmgorov's mapping neural network existence theorem // Int. Conf. NN. IEEE Press. 1987. - Vol. 3. - P. 11 - 13.0

92. Kohonen T. Self-organization and associative memory. Berlin: Sringer-Verlag, 1987.

93. Mandani E.H. Application of fuzzy algorithms for a simple dynamic plant // Proc. Of IEE. 1986. - Vol. 121. - P. 1585 - 1588.

94. Nadan M. T., Demuth H. B. Neural Networks for Control// Proceddings of the 1999 American Control Conference. San Diego: CA. 1999. P 1642-1656.

95. Norrbin N. H. On the added resistance due to steering on a straight course//Proc. 13th ITTC, Berlin and Hamburg. 1972. P. 1-24.

96. Nomoto K., Motoyama T. Loss of Prohulsion Power Caused by Yawing £ with Particular Reference to Automatic Steering // J. Soc. Nav. Arch. Jahan. Dec.1966. Vol. 120, N12. P. 71-80.

97. Park J., Sandberg I.W. Approximation and radial-basis-function net-works // Neural Compu. 1993. - Vol. 5. - P. 305 - 316.

98. Pervoznsky A. Some error bounds for approximation by artifical neural networks // Proc. 13 triennial World Congress. San Grancisco, USA, 1996. - P. 157-162.

99. Rumelhart D.E., Hinton G.E., Williams R.J. Learning internal representation by error propagation // Parellel Distributed Processing / Eds. D.E.

100. Rumelhart, J.L. McClelland. Cambridge MA: MIT Press, 1986. - P. 318 - 362.

101. Suykens Johan A.K., Vandewalle Jons P.L., De Moor Bart I.R. Artifical Neural Networks for Modelling and Control of Non-Linear Systems. Bjston. Dordrecht. London, Kluwer Academic Publishers, 1998.

102. Substantial fuel savings promis'ed by Racal Decca's new adaptive autopilot // The Motor Ship, 1981- P. 49-50.

103. Sprecher D.A. On the structure of continuos of several variables // Trans. Of the American mathematical Society. 1965. - № 115. - P. 310 - 355.

104. Sun P., Powll B., Hrovat D. Optimal Idle Speed Control of an Automative Engine // Proc. of American Control Conference 200. 26 -30 Jun. -Chicago, 2000/-P. 1018-1026.

105. Saiiul A. and S Omatu, Neuromorphic self-tuning PID controller. Proc. of 1993 IEEE ICNN. San Francisco, pp. 552-557, 1993.

106. Tadeusiewicz R. Sieci Neuronowe. Warszawa: PWN, 1993.

107. Tsidori A. Nonlinear control systems // An Introduction 2nd ed. Berlin: Springer-Verlag, 1989.

108. Takahashi Y., Chan C.S., Auslander D.M. Parametereins Gei linearen DDC algorithmen // Regelungstecnik and Prozeb -Datanverarbeitung. - 1971. -Vol. 19.-P. 237-244.

109. Tonomary J and S Omatu Process control by on-line trained neural controllers. IEEE Thans on Industrial electronics, Vol. 39, pp. 511-521, 1992

110. Zaden L.A. Fuzzy sets and systems // Proc. Of Symp. On System Theory. Brooklyn, Polytechnic Institute, 1965. - P. 29 - 37.

111. Willems J.C. Dissipative dynamical systems. Part 1. General theory // Arch. Rational Mechanics and Analysis. 1972. - Vol. 45. - P. 321 - 351.

112. White, D. A. and Sofge, handbook of Intelligent Control., Van Nostrand Reinhold, new York, 1992