Нейросетевые алгоритмы и системы управления исполнительными устройствами роботов тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Оськин, Дмитрий Александрович

• Оськин, Дмитрий Александрович
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Оськин, Дмитрий Александрович

ВВЕДЕНИЕ.

1. ОБЗОР И ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ.

1.1. ЭТАПЫ РАЗВИТИЯ ТЕОРИИ НЕЙРОННЫХ СЕТЕЙ.

1.2. ОСНОВНЫЕ ТИПЫ НС.

1.3. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ.

1.4. ВЫВОДЫ.

2. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ПОДВОДНЫХ РОБОТОВ И МАНИПУЛЯТОРОВ.

2.1. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ПОДВОДНЫХ РОБОТОВ.

2.2. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ДВИЖИТЕЛЯ ПОДВОДНОГО АППАРАТА.

2.3. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ MP.

2.4. ВЫВОДЫ.

3. СИНТЕЗ И ИССЛЕДОВАНИЕ ТРАДИЦИОННЫХ И НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ УПРАВЛЕНИЯ МАНИПУЛЯЦИОННЫМ РОБОТОМ.

3.1. СИНТЕЗ АЛГОРИТМА УПРАВЛЕНИЯ MP МЕТОДОМ

ВЫЧИСЛЯЕМОГО МОМЕНТА.

3.1.1. ТРАДИЦИОННАЯ РЕАЛИЗАЦИЯ МЕТОДА ВЫЧИСЛЯЕМОГО

МОМЕНТА.

3.1.21 НЕИРОСЕТЕВАЯ РЕАЛИЗАЦИЯ МЕТОДА ВЫЧИСЛЯЕМОГО МОМЕНТА.

3.1.3. ИССЛЕДОВАНИЕ ВЛИЯНИЯ ПАРАМЕТРОВ НС НА КАЧЕСТВО ОБУЧЕНИЯ.

3.1.4. ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВОЙ СИСТЕМЫ УПРАВЛЕНИЯ.

3.2. СИНТЕЗ НЕПРЯМОГО АДАПТИВНОГО И НС УПРАВЛЕНИЯ MP, НА ОСНОВЕ МЕТОДА ВЫЧИСЛЯЕМОГО МОМЕНТА.

3.2.1. СИНТЕЗ И ИССЛЕДОВАНИЕ НЕПРЯМОГО АДАПТИВНОГО АЛГОРИТМА УПРАВЛЕНИЯ MP.

3.2.2. СИНТЕЗ НЕПРЯМОГО АДАПТИВНО-НЕЙРОСЕТЕВОГО АЛГОРИТМА УПРАВЛЕНИЯ MPf.

3.3. СИНТЕЗ УПРАВЛЕНИЯ MP С ЭТАЛОННОЙ МОДЕЛЬЮ ПРИ СТРУКТУРНО-ПАРАМЕТРИЧЕСКИХ НЕОПРЕДЕЛЕННОСТЯХ

3.3.1. СИНТЕЗ АДАПТИВНОГО АЛГОРИТМА УПРАВЛЕНИЯ'MP С ЭТАЛОННОЙ МОДЕЛЬЮ

3.3.2. НЕЙРОСЕТЕВОЙ АЛГОРИТМ УПРАВЛЕНИЯ1 MP С ЭТАЛОННОЙ МОДЕЛЬЮ

3.3.3. СРАВНИТЕЛЬНЫЙ? АНАЛИЗ- АДАПТИВНОГО И НЕЙРОСЕТЕВОГО АЛГОРИТМОВ УПРАВЛЕНИЯ С ЭТАЛОННОЙ ( МОДЕЛЬЮ.

3.4 ВЫВОДЫ.

4. СИНТЕЗ И СРАВНИТЕЛЬНОЕ ИССЛЕДОВАНИЕ АЛГОРИТМОВ УПРАВЛЕНИЯ ПОДВОДНЫМ АППАРАТОМ.110>

4.1. СИНТЕЗ СИСТЕМЫ УПРАВЛЕНИЯ' ПОДВОДНЫМ? АППАРАТОМ.

4.2. СИНТЕЗ ДЕЦЕНТРАЛИЗОВАННОГО УПРАВЛЕНИЯ ПА С АПЕРИОДИЧЕСКОЙ ДИНАМИКОЙ ДВИЖИТЕЛЕЙ.

4.3. НЕЙРОСЕТЕВАЯ КОРРЕКЦИЯ ДИНАМИКИ ДВИЖИТЕЛЯ ПОДВОДНОГО АППАРАТА.

4.4. ИССЛЕДОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ С НС-СКОРРЕКТИРОВАННОЙ ДИНАМИКОЙ ДВИЖИТЕЛЕЙ.

4.5 ВЫВОДЫ.

Введение диссертации (часть автореферата) на тему «Нейросетевые алгоритмы и системы управления исполнительными устройствами роботов»

Диссертационная работа посвящена разработке и исследованию нейросетевых алгоритмов и систем управления исполнительными устройствами манипуляционных роботов и подводных аппаратов-роботов. Применение НС позволяет предложить новые подходы к синтезу систем управления и, как подтверждают диссертационные исследования; обеспечить высокое качество процессов управления в условиях значительной априорной неопределенности.

В1. Современное состояние развития систем управления роботами. Актуальность работы. В настоящее время внимание специалистов современной теории управления сосредоточено на проблеме построения систем управления сложными динамическими объектами, для которых характерны многомерность, нелинейность, нестационарность, структурно-параметрическая неопределенность. Для таких объектов не только синтез алгоритмов управления, но и построение математических моделей сопряжено со значительными трудностями.

Важными классами таких сложных объектов являются манипуляционные роботы (MP), мобильные роботы, подводные аппараты-роботы, оснащенные манипуляторами. Эти машины и аппараты широко используются в сфере производства и научных исследований. Они предназначены для комплексной автоматизации физического труда при выполнении различных технологических операций: сборки, сварки и окраски деталей, погрузочно-разгрузочных работах, при проведении работ в условиях агрессивных сред и невесомости и др. [10, 12, 13,18,21,31,36,45,49, 54,59].

Значительный вклад в развитие робототехники внесли российские ученые М.Д. Агеев, И.И. Артоболевский, В.В. Белецкий, B.C. Кулешов, П.Д. Крутько, Н.А. Лакота, А.Г. Лесков, B.C. Медведев, Е.П. Попов, А.В. Тимофеев, Е.И. Юревич, А.С. Ющенко, B.C. Ястребов и другие, а также их зарубежные коллеги

S. Dubowsky, C.S.C. Lee, J.Y.S. Luh, J.-J. Slotine, M.D. Stokic, TJ. Tarn, M. Vucobratovic, D.R. Yorger и др.

Одним из наиболее перспективных направлений современной науки и практики является комплексное исследование и освоение Мирового Океана. Эти исследования приводят к интенсивному развитию подводной робототехники. Подводные аппараты (ПА) обеспечивают выполнение различных работ в толще воды и около дна, а также позволяют проводить разноплановые научные исследования, аварийно-спасательные и поисковые работы и т.д. Значительная часть рабочих ПА, как правило, оснащена' манипуляторами.

ПА, как объект управления, имеет ряд особенностей,^ в связи с которыми решение задач' синтеза системы управления оказывается сложным. Прежде всего, управление ПА выполняется в условиях значительной структурно-параметрической неопределенности. Эта неопределенность в наибольшей мере, связана с неточным знанием параметров робота-носителя, а также сложной динамикой'взаимодействия1 с окружающей водной* средой в которой работает аппарат. Выполняемые работы могут требовать осуществления движений в различных направлениях, с различными скоростями и ориентацией в пространстве, при этом пространственная конфигурация манипулятора также может произвольно изменяться. Это приводит к тому, что значительно затрудняется расчет присоединенных масс, моментов инерции, гидродинамических сил и моментов, действующих на ПА и манипулятор в водной среде.

Существенной особенностью ПА является сложность его математического описания. Динамика движущегося в водной среде ПА описывается системой сложных нелинейных дифференциальных уравнений. Кроме того, в случае, когда нельзя пренебречь неидеальностью движителей ПА, их уравнения должны быть внесены в общую модель, что ведет к усложнению математического описания объекта управления. Таким образом, нелинейность, а также неопределенность и нестационарность уравнений динамики ПА являются факторами, затрудняющими решение задачи синтеза системы управления.

Манипуляторы, которыми часто оснащаются ПА, как объекты управления, также обладают некоторыми особенностями. В первую очередь следует отметить, что только динамика манипулятора, представляющего многозвенник, как правило, описывается системой нелинейных дифференциальных уравнений высокого порядка. При учете динамики двигателей, приводящих в движение звенья манипулятора, порядок уравнений еще более возрастает. Также необходимо отметить, что и для MP свойственна неопределенность, связанная с неточным знанием параметров манипулятора, управляющих приводов, массогабаритными показателями захватываемого груза, а также сложной динамикой взаимодействия с рабочей средой, в которой проводится работы и др.

Общие проблемы построения роботов, в частности, структура манипуляционных и мобильных роботов, математические модели, применяемые для исследований, вопросы построения систем, управления роботами рассмотрены в значительном количестве работ, в том числе в [10, 12* 13, 18, 21, 31, 34, 36,44, 45, 49, 54, 51, 59] и др. Отмечается высокая сложность динамики роботов, а также значительные трудности, возникающие из-за высокой нелинейности, неопределенности, нестационарности объекта при синтезе систем управления исполнительными устройствами роботов.

Одним из основных принципов, на котором базируется управление сложными техническими системами является иерархичность структуры системы управления. В зависимости от типа робота и сложности задач, для решения которых он предназначен, иерархическая система управления может иметь различное количество уровней. Чаще всего выделяют четыре уровня управления: высший (на котором происходит распознавание препятствий в рабочем пространстве и принимается решение о порядке выполнения поставленной задачи); стратегический (поставленная задача расчленяется на элементарные операции); тактический (элементарные операции распределяются на движения отдельных степеней свободы) и исполнительный (осуществляются заданные движения отдельных степеней свободы) [12, 31, 36, 54]. Планирование траектории движения ПА и MP может осуществляться интеллектуальной вычислительной системой или человеком-оператором, использующим различные задающие устройства [36, 42, 96]. Осуществление назначенных программных движений обеспечивается» исполнительным контуром управления. Основная часть диссертационной» работы посвящена, именно решению задач синтеза управления нижнего уровня. - синтезу исполнительного уровня.

Таким образом, в настоящее время одной из наиболее актуальных проблем теории и практики управления является разработка подходов к синтезу систем управления исполнительного уровня для сложных динамических объектов, которые характеризуются нелинейностью, нестационарностью, многомерностью, структурно-параметрической неопределенностью. ПА и MP являются типичными представителями указанного класса объектов.

Такие сложные динамические системы, как манипуляционные роботы относятся к системам, математические модели которых (по крайней мере, ее аналитическую структуру) можно установить с достаточной точностью, так как их поведение описывается известными физическими законами. Подавляющее большинство известных методов синтеза управления, базируется на знании математического описания исходной системы. К их числу относятся метод вычисляемого момента [12, 31, 36, 48, 54, 59, 65, 67], близкий к нему метод обратных задач динамики [59], методы синтеза нелинейных законов управления, предложенные в [18, 38, 59], метод структурного синтеза [5] и др. При синтезе управлений часто рассматривают линеаризованные полные модели динамики манипуляторов [36, 48], позволяющие относительно легко проводить синтез управления с использованием хорошо разработанных методов теории управления линейными системами [4, 11, 22]. Основным недостатком указанных выше методов является то, что их применение базируется на знании математической модели и возможно при наличии информации о структуре и параметрах управляемого объекта, что на практике не всегда представляется возможным.

В действительности поведение ряда динамических объектов настолько сложны, что уже получение их моделей представляет собой самостоятельную проблему. Применение систем с переменной структурой [18, 59], а также развитие теории адаптивно-робастных систем [6, 13, 18, 57, 58, 59, 69] и некоторые другие подходы позволяют в» ряде случаев преодолеть такие трудности.

В современной > теории и практике управления. область применения адаптивных и робастных систем, которые позволяют либо подстроиться, либо обеспечить грубость, нечувствительность процессов по отношению к факторам неопределенности, стремительно расширяется. Значительный вклад в развитие и исследование таких систем внесли отечественные ученые: JI.T. Ащепков, Ю:А. Борцов, А.А. Воронов, Д.П. Деревицкий, А.А. Красовский, Н.Д. Поляхов, В.В. Путов, В.В. Солодовников, В.Н. Фомин, А.Л. Фрадков, Я.З. Цыпкин, В.А. Якубович и другие, а также зарубежные ученые A. Isidori; K.S. Narendra, R. Ortega и др. Об их вкладе свидетельствует большое количество работ [6, 12, 13, 18,38,46, 54,57, 58,59, 67, 68, 69,81, 109, 112, 122].

За последние несколько лет появилось множество новых подходов (способов), которые можно считать, в некотором смысле, альтернативными адаптивным или робастным подходам в решении задачи синтеза управления сложным динамическим объектом. К таким подходам относится применение нечеткой логики (НЛ) и нейронных сетей (НС), которым посвящено множество публикаций [19, 21, 23,40, 65, 66, 67, 71, 72, 73, 75, 76, 78, 79, 80, 82, 83, 84, 85, 87, 88, 89, 90, 91, 92, 93, 94, 95, 97, 98, 99, 100, 101, 102, 103, 105, 107, 108,109, 110, 111, 112, 113,116, 119,120, 121, 122].

Потенциальным преимуществом систем управления, основанных на применении НС, по мнению ряда исследователей, является возможность качественно решать задачи управления при отсутствии детального математического описания объекта управления. Такая перспектива связана в первую очередь со способностью нейросетей, в частности многослойных НС, к аппроксимации сложных нелинейных функциональных зависимостей [92]. Это свойство может быть использовано для определения характеристик объектов управления или восстановления уравнений объекта по входным и выходным данным, т.е. для его идентификации, которая является базой* для решения основной задачи - синтеза управления. Таким образом, существует возможность использования НС в качестве управляющих структур, в соответствии с выбранным законом управления, где восстановление нелинейных динамических особенностей объекта управления осуществлялось бы с помощью НС,

В2. Цель и задачи диссертационной работы. С учетом сказанного выше, целью диссертационной работы является синтез и исследование нейросетевых систем и алгоритмов управления исполнительными устройствами роботов, а также исследование эффективности синтезированных систем в.сравнении с традиционными адаптивными алгоритмами и системами управления.

Для достижения* цели исследования в работе ставятся» и решаются следующие основные задачи: краткий анализ существующих типов НС, применяемых при решении задач управления сложными динамическими объектами; синтез адаптивных алгоритмов и систем управления манипуляционных роботов (MP) и ПА; синтез систем управления с применением многослойной НС, на основе модификации разработанных адаптивных алгоритмов; исследование сравнительной эффективности разработанных нейросетевых и традиционных адаптивных систем (алгоритмов) управления.

ВЗ. Методы исследования. В процессе выполнения диссертационной работы использовались методы теории нейронных сетей, математического моделирования, обыкновенных дифференциальных уравнений, адаптивных систем управления и др. Кроме того, использовались методы численного моделирования разработанных алгоритмов и систем управления.

В4. Научная новизна. Научная новизна проведенных исследований заключается в следующем:

1. Предложен и исследован обобщенный алгоритм нелинейного нейросетевого1 управления классом MP, основанный на методе вычисляемого момента (ВМ). Разработан нейросетевой алгоритм адаптивного управления на основе метода ВМ' для класса динамических объектов (MP). Проведен» сравнительный анализ синтезированной нейросетевой управляющей структуры и традиционных адаптивных алгоритмов управления, основанных на методе скоростного градиента.

2. Предложен и исследован алгоритм адаптивного управления с эталонной моделью (ЭМ) классом t динамических объектов (MP). Разработан нейросетевой алгоритм адаптивного управления с ЭМ для класса динамических объектов (MP).

3. Предложен и исследован нейросетевой алгоритм, основанный на применении ЭМ для коррекции динамики движителя ПА.

4. Предложена процедура поэтапного синтеза нейросетевой системы управления ПА с предварительной нейросетевой коррекцией динамики движителей ПА.

В5. Практическая ценность и реализация результатов. Результаты, полученные при исследовании разработанных нейросетевых систем управления ПА и MP, показывают их высокую эффективность в условиях структурной и параметрической неопределенности, свойственной рассматриваемому классу управляемых объектов.

Развиваемый подход в применении многослойных НС при синтезе систем автоматического управления обеспечивает качественно новый уровень, как разработки, так и функционирования систем управления. Для практики ценным является то, что. при синтезе исследованных в работе систем управления с нейронными сетями, не требуется слишком детальная математическая модель объекта, получение которой может быть связано со значительными трудностями. Разработанные системы обеспечивают приемлемое качество управления при значительной неопределенности модели.

Разработано программное обеспечение для исследования классов систем управления, с многослойными нейронными сетями. Созданный программный комплекс внедрен и используется в научных исследованиях, проводимых^ в. рамках госбюджетной тематики и гранта РФФИ №01-01-96906, в лаборатории №61 Института Автоматики и Процессов Управления* (ИАПУ) ДВО РАН. Кроме того, разработанные алгоритмы и программное обеспечение внедрено в учебный процесс Дальневосточного Государственного Технического Университета (ДВГТУ) в курсах «Моделирование систем», «Методы оптимизации систем», в курсовом и дипломном проектировании.

В6. Апробация работы и публикации. Результаты работы докладывались на VI Всероссийской акустической конференции "Исследование и освоение Мирового океана" (с международным участием) (Владивосток, 1998г.), 3-м международном конгрессе молодых ученых стран АТР (Владивосток, 1999г.), 8-м Всероссийском съезде по теоретической и прикладной механике (Пермь, 2002), Дальневосточной математической школе-семинаре им. акад. Е.В. Золотова (Владивосток, 2002, 2003гг.), IFAC conference on Control Application in Marine Systems "CAMS-2004" (Italy, Ancona, 2004), семинарах кафедр «Информационные системы управления», «Автоматизация технологических процессов» Дальневосточного Государственного Технического Университета (ДВПИ им. В.В. Куйбышева), лаборатории №61 ИАПУ ДВО РАН.

В7. Структура и краткое содержание работы. Диссертационная работа состоит из введения, 4 глав, заключения, изложенных на 160 страницах текста, включает 89 рисунков, два приложения и содержит список литературы, состоящий из 122 наименований.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Оськин, Дмитрий Александрович

4.5. ВЫВОДЫ

В главе рассмотрено несколько вариантов синтеза систем управления подводным аппаратом. Первоначально рассмотрены адаптивная и НС-системы управления, синтезированные для ПА целиком.

Далее рассматривается децентрализованный подход к управлению, при этом предполагается, что динамика движителей аппарата идеальна (рассматривается апериодическая динамика движителей).

Как показали результаты исследований, решение задачи НС-коррекции динамики движителя ПА позволяет обеспечить практически эталонную желаемую динамику движителей и исключить влияние на работу системы нежелательных факторов, таких как нелинейность движителя.

Результаты моделирования системы управления ПА при предварительно НС-корректированной динамике приводящих движителей показали удовлетворительное качество работы системы.

5. ЗАКЛЮЧЕНИЕ

В диссертационной работе синтезированы и исследованы нейросетевые алгоритмы и системы управления, которые являются принципиально новыми классами адаптивных систем. Применение полученных нейросетевых алгоритмов управления на практике позволит добиться улучшения быстродействия, качества переходных процессов для исполнительных устройств манипуляционных роботов и подводных аппаратов в условиях нестационарности, нелинейности, многомерности и структурно-параметрической неопределенности.

В работе получены следующие основные научные результаты:

1. Показано, что применение НС для решения задач управления сложными динамическими объектами является перспективным. Целенаправленное сочетание свойств НС, заключающихся в способности обучения их желаемому поведению при априорно неизвестных условиях, и традиционных алгоритмов нелинейного и адаптивного управления позволяет синтезировать высококачественные управляемые системы для сложных динамических объектов.

2. Предложены и исследованы обобщенный алгоритм нелинейного нейросетевого управления и нейросетевой алгоритм адаптивного управления классом динамических объектов (MP). Выполнен сравнительный анализ синтезированной нейросетевой управляющей структуры с традиционным адаптивным алгоритмом управления. Показаны эффективность и даны рекомендации по применению нейросетевых алгоритмов управления.

3. Разработан нейросетевой алгоритм адаптивного управления с ЭМ классом динамических объектов (MP), выполнен сравнительный анализ синтезированной нейросетевой управляющей структуры и адаптивного управления.

4. Синтезирован алгоритм адаптивного управления ПА с ЭМ, и его нейросетевая реализация. Показано, что нелинейность динамики исполнительных движителей ПА и высокая размерность системы в значительной мере затрудняет нейросетевую (как и адаптивную) реализацию алгоритма управления и ухудшает переходные процессы. Для повышения качества системы предлагается использовать принцип декомпозиции.

5. Показана эффективность применения принципа декомпозиции объекта управления (ПА) на подсистемы и поэтапного синтеза НС-управления, при котором (в соответствии с количеством уровней декомпозиции) вначале выполняется НС-коррекция исполнительных движителей ПА, а затем выполняется синтез полной НС-системы управления.

Список литературы диссертационного исследования кандидат технических наук Оськин, Дмитрий Александрович, 2004 год

1. Автономные подводные аппараты. Агеев М.Д., Касаткин В.А., Киселев Л.В. и др. Л. Судостроение, 1981. - 224с.

2. Атосов Н.М. и др. Нейрокомпьютеры и интеллектуальные роботы. НК., Киев., 1991 г.

3. Башарин А.В, Новиков В.А., Соколовский Г.Г. Управление электроприводами. Л.: Энергия, 1982. - 392с.

4. Бессекерский В.А., Попов Е.П. Теория систем автоматического регулирования. М.: Наука, 1976. - 768с.

5. Бойчук Л.М. Метод структурного синтеза нелинейных систем автоматического управления. М.: Энергия, 1971. 112с.

6. Борцов Ю.А., Поляхов Н.Д., Путов В.В. Электромеханические системы с адаптивным и модальным управлением. Л.: Энергоатомиздат. Ленингр. отд-ние, 1984. - 216с.: ил.

7. Борцов Ю.А., Соколовский Г.Г. Автоматизированный электропривод с упругими связями. 2-е изд., перераб. и доп. - СПб.: Энергоатомиздат. Санкт-Петербург. отд-ние, 1992. - 288 е.: ил.

8. Браун Р., Мэзон Р., Фламгольц Э. Исследование операций: Модели и их применения. Пер. с англ./ Под ред. Дж. Моудера, С. Элмаграби. - М.: Мир, 1981. Т. 2. 677 е.: ил.

9. Бураков М.В. Синтез нейронного регулятора. // Известия АН. "Теория и системы управления.", №5,1997г.

10. Бурдаков С.В., Дьяченко В.А., Тимофеев А.Н., Проектирование манипуляторов промышленных роботов и робототехнических комплексов. М. Высш. Шк., 1986. - 264с.

11. И.Воронов А.А., Ким Д.П., Лохин В.М. и др. Тория автоматического управления: Учеб. для ВУЗов по спец. "Автоматика и телемеханика". 4.2.

12. Теория нелинейных и специальных систем управления. М.: Высш. шк., 1986. -504с.: ил.

13. Вукобратович М., Стокич Д. Управление манипуляционными роботами: теория и приложение. М.: Наука, Главная редакция физико-математической литературы, 1985. - 384с.

14. Вукобратович М., Стокич Д., Кирчански Н: Неадаптивное и адаптивное управление манипуляционными роботами. М.: Мир, 1989. - 376с.

15. Вышковский Г.Л., Ганопольский Л.З., Долгов A.M. и др. Нелинейные нестационарные системы. Под ред. Топчеева Ю.И. М.: Машиностроение, 1986.-336с.

16. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2000. - 384 е.: ил.

17. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов / Общая редакция А.И. Галушкина. М.: ИПРЖР, 2000. 416 е.: ил.

18. Горбань А. Нейроинформатика и ее приложения. "Открытые системы" №4 -5, 1998. Научно-технический журнал.

19. Дыда А. А. Синтез адаптивного и робастного управления исполнительными устройствами подводных роботов. Диссертация на соискание ученой степени доктора технических наук. Владивосток, 1998.

20. Дыда А.А., Маркин В.Е., Оськин Д.А. Синтез робастно- адаптивных и нейросетевых алгоритмов управления манипуляционными роботами // Докл. VIII-го Всероссийского съезда по теоретической и прикладной механике, Пермь, 2002.

21. Дыда А.А., Лебедев А.В. Нелинейная адаптивная коррекция движителя подводного робота. // Изв.ВУЗов, Электромеханика, № 1-2, 1996, с. 83-87.

22. Иващенко Н.Н. Автоматическое регулирование. Теория и элементы систем. М., Машиностроение, 1973. 606с.

23. Каляев И.А., Гайдук А.Р. Принципы построения систем планирования поведения интеллектуальных роботов на базе однородных нейроподобных структур. // "Мехатроника" №3, 2000г. Научно-технический и производственный журнал. Изд. "Машиностроение".

24. Кардаш Д.И., Фрид А.И. Обучение нейронных сетей в реальном масштабе времени с реконструкцией топологии. // "Информационные технологии.", М:. Машиностроение, №4, 1999г.

25. Клименко С.В., Слободюк Е.А., Самойленко В.Д., Ухова T.JI. Искусственные нейронные сети в физике высоких энергий. // "Информационные технологии.", №12, 1998г.-№1, 1999г.

26. Ключев В.И. Теория электропривода: Учебник для ВУЗов. М.: Энергоатомиздат, 1985. - 560с.: ил.

27. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука. Главная редакция физико-математической литературы, 1984.

28. Короткий С.Г. Нейронные сети: алгоритм обратного распространения. // "Byte/Россия". Жур. Изд. дом "Питер", №5, 2000г. С.26-29.

29. Короткий С.Г. Нейронные сети: основные положения. // "Byte/Россия". Жур. Изд. дом "Питер", №5, 2000г. С. 18-21.

30. Кузнецов О.П. Неклассические парадигмы в искусственном интеллекте. // Известия АН. "Теория и системы управления", №5, 1995г.

31. Кулешев B.C., Лакота Н.А. Динамика систем управления манипуляторами. М.: Энергия, 1971. - 304с.

32. Майзер X., Эйджин Н., Тролл Р. Исследование операций: Методологические основы и математические методы. Пер. с англ. / Под ред. Дж. Моудера, С. Элмаграби. М.: Мир, 1981. Т. 1. 712 е.: ил.

33. Макаров В.Н. Современная информационная технология в системах управления. // Известия АН. "Теория и системы управления", №1, 2000г.

34. Матвейкин В.Г., Фролов С.В. Использование байесовского подхода в обучении нейронных сетей. // "Информационные технологии.", Изд. "Машиностроение." 1998г., №10, С.27-35.

35. Медведев B.C., Лесков А.Г., Ющенко А.С. Системы управления манипуляционных роботов. М.: Наука, 1978. - 416с.

36. Минский М., Пейперт С. Персептроны. М.: Мир, 1971. -261с.

37. Мирошник И.В., Никифоров В.О., Фрадков А.В. Нелинейное и адаптивное управление сложными динамическими системами. СПб.: Наука, 2000. 549с.: ил.

38. Мисюрев А.В. Использование искусственных нейронных сетей для распознавания рукопечатных символов. // Журнал "Byte/Россия" Изд. дом "Питер", №5, 2000г. С.22-25.

39. Оськин Д. А., Дыда А.А. Анализ применения нейронных сетей для управления и идентификации. Сборник тезисов докладов XXXVIII НТК ДВГТУ. Владивосток, ДВГТУ, 1997. С.46-47.

40. Оськин Д.А. Нейросетевая коррекция динамики движителя подводного аппарата. Дальневосточная математическая школа-семинар имени академика Е.В. Золотова: Тезисы докладов. Владивосток: Дальнаука, 2002. С. 105-106.

41. Оськин Д.А. Разработка системы полуавтоматического управления роботом по шести степеням подвижности. Сборник тезисов докладов XXXVIII НТК ДВГТУ. Владивосток, ДВГТУ, 1997. С.47-48.

42. Оськин Д.А. Управление движением подводного аппарата на основе нейросетевых алгоритмов. Дальневосточная математическая школа-семинар имени академика Е.В. Золотова: Тезисы докладов. Владивосток: Дальнаука, 2002. С. 103-104.

43. Подводные роботы. Под общей редакцией B.C. Ястребова. Л., "Судостроение". 1977. 368с.: ил.

44. Понырко С. А., Попов О. С., Ястребов В. С. Адаптивные системы для исследования океана. СПб.: Судостроение, 1993. - 224с.: ил.

45. Попов Е.П. Теория нелинейных систем автоматического управления: Учеб. пособие. 2-е изд., стер. - М.: Наука. Гл. ред. физ.-мат. лит., 1998. - 256с.

46. Попов Е.П., Верещагин А.Ф., Зенкевич С.Л. Манипуляционные роботы: динамика и алгоритмы. М.: Наука, 1978.- 400с.

47. Промышленные роботы. / Под ред. Я.Д. Шифрина. М.: Машиностроение, 1982.-415с.

48. Пыткеев Е.Г., Ченцов А.Г., Яфраков М.Ф. Некоторые представления аттракторов в теории анализа и синтеза искусственных нейронных сетей. // Известия ВУЗов. Приборостроение. 1997. Т. 40. №6, С.5-21.

49. Рахманкулов В.З., Лещинский В.П., Манько С.В. и др. Робототехника и гибкие автоматизированные системы. В 9-ти кн. Кн. 3. Лабораторный практикум по робототехнике: Учеб. пособие для втузов / Под. ред. И. М. Макарова. М.: Высш. шк., 1986. - 176с.: ил.

50. Соколов Е. Н., Вейткявичус Г.Г. Нейроинтеллект. От нейрона к нейрокомпьютеру. М.: Наука, 1989.

51. Техническая кибернетика в СССР. М.: Наука, 1968.

52. Тимофеев А.В. Управление роботами. Учеб. пособие. Л.: Изд-во Ленинградского университета, 1986. 240с.

53. Тимофеев А.В. Эволюция теории и средств управления в робототехнике и мехатронике. // "Мехатроника" №1, 2000г. Научно-технический и производственный журнал. Изд. "Машиностроение".

54. Трахтенгерц Э.А. Компьютерная поддержка принятия решений: Научно-практическое издание. Серия "Информатизация России на пороге XXI века". -М.: СИНТЕГ, 1998.-376с.

55. Фомин В.Н., Фрадков А.Л., Якубович В.А. Адаптивное управление динамическими объектами. М.: Наука. Главная редакция физико-математической литературы, 1981.- 448с.

56. Фрадков А.Л. Адаптивное управление в сложных системах: беспоисковые методы. М. Наука. Гл. ред. физ.-мат. лит., 1990. - 296с.

57. Фу К., Гонсалес Р., Ли К. Робототехника: Пер. с англ. М.: Мир, 1989.-624с.: ил.

58. Цыпкин Я.З. Адаптация и обучение в автоматических системах. -Главная редакция физико-математической литературы изд-ва "Наука", М., 1968, 400с.

59. Шишилина Л.Б. О коррекции ошибок в матричных нейронных сетях. // Известия АН. "Теория и системы управления", №3, 1999г.

60. Штейнбух К. Автомат и человек. Пер. с нем. Бигдаша С.А., Диденло Ю. А., Исаенко P.O. под редакцией Мудрова В.И., Изд-во "Советское радио", Москва, 1967.

61. Яковлев В.Л., Яковлева Г.Л., Лисицкий Л.А. Модели детерминированого хаоса в задаче прогнозирования тенденций финансовых рынков и их нейросетевая реализация.// "Информационные технологии.", №2,2000г.

62. Ястребов B.C., Филатов A.M. Системы управления подводных аппаратов-роботов. М., Наука, 1983. 88с.

63. A force control approach of robotic manipulators with neural network compensation. // Proceedings of the 14th World Congress of IFAC. Edited by Baptista L. F., Sa da Costa J. M. G., Copyright © 1999 IFAC

64. Akhmetov D. F., Dote Y. General Parameter Time Series Analysis Method for Fault Diagnosis. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3,pp. 87-90.

65. Behera L. and Gopal M. Adaptive manipulator trajectory control using neural networks. Int. J. Systems SCI., 1994, Vol. 25, №. 8. pp. 1249-1265.

66. Berghuis H., Nijmeijer H. Robust control of robots using only positionthmeasurement. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.1, pp. 501-506.

67. Brook N., Dayan J. Shavit A. Classification and examination of adaptive control methods for robots. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.1, pp. 149-152.

68. Chen Y., Dezhao C. Generalized Error Back Propagation Training and Neural Network for Pattern Classification. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 819-822.

69. Choi J.-L., Hwang C.-S. On the fuzzy-neural controller for a multivariable nonlinear system. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3, pp. 631-634.

70. Dote Y., Akhmetov D. F., Shalique S. M. Control and Diagnosis for Power Electronic System Using Soft Computing. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 491-494.

71. Driving process modelling based on improved backpropagation algorithm. // Proceedings of the 14th World Congress of IFAC. Edited by Wu Т., Xu X., Copyright <D 1999 IFAC

72. Dyda A.A., Filaretov V.F. Algorithm of time-sub-optimal control for robot manipulator drivers. H Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, vol.4, pp. 97-99.

73. Erbatur К. and oth. Design Automation of a Fuzzy PID Robot Control Algorithm via Genetic Computing. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 275-278.

74. Fameliaris A. K., Vournas C. D. Generator resynchronization prediction using an artificial neuron network. // 12th World Congress International Federation of Automatic Control, Sydney, Australia, 18-23 July 1993. Vol. 8, pp. 319-322.

75. Feng G. Robust adaptive control for robot manipulators in task space. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.1, pp. 131134.

76. Fuli W., Mingzhoung L., Yinghna Y. Multilayered feedforward-feedbackjrecurrent neuron networks and learning algorithms. // Proceeding of 2 control conference, Seoul, Korea, July 1997. Vol. 3, pp. 787-790.

77. Gupta M.M., Rao D.H., Nikiforuk P.N. Dynamic neural network based inversefhkinematics transformation of two- and three- linked robots. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.3, pp. 289-296.

78. Harris C. J., Wu Z. Q., Feng M. Aspects of the theory and application of intelligent modeling, control and estimation. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 1-10.

79. Hsu L., Lizarralde F. Variable structure adaptive tracking control of robotthmanipulators without joint velocity measurement. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.1, pp. 145-148.

80. Huaqiang L., Guanzhong D., Naiping X. Non-linear system identification using neural networks oriented speech. // 12th World Congress International Federation of Automatic Control, Sydney, Australia, 18-23 July 1993. Vol. 1, pp. 353-356.

81. Hwang G.-H. and oth. Optimal Design of Fuzzy Controller for DC Series Motor System Using Genetic Algorithm. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 459-462.

82. Jin L., Nikiforuk P.N., Gupta M.M. Model matching control of unknown nonlinear system using recurrent neural networks. // 12th World Congress1.ternational Federation of Automatic Control, Sydney, Australia, 18-23 July 1993. Vol. l,pp. 337-344.

83. Kim C.-S., Park J. and oth. A study on the learning speed acceleration of the fuzzy neural networks of backpropagation. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 499-502.

84. Kinjo H., Nakazono K., Yamamoto T. Pattern recognition for time series signals using reccurent neural network by genetic algorithms. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 643-646.

85. Koivisto H., Ruoppila V.T. and Koivo H.V. Real-time neural network controliLan IMC approach. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.4, pp. 47-50.

86. Ku C.C., Lee K.Y., Edwards R.M. Nuclear reactor control using diagonalthrecurrent neural networks. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.6, pp. 267-270.

87. Lee J. H., Kim S. J., Lee S. B. The study on the intelligent control of robot system using neural networks. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol. 3, pp. 67-70.

88. Mori Y., Kobayashi H., Uchida K. Robot vision system by neural network-active vision and self-learning. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.3, pp. 65-68.

89. Narendra K. S., Parthasaraty K. Identification and control of dynamical systems using neural networks.// IEEE transformations on neural networks. Vol.1. №1, march 1990.

90. Nebot E. M., Sentoni G., Masson F. Identification of a flexible manipulatortbusing neural networks. //12 World Congress International Federation of Automatic Control, Sydney, Australia, 18-23 July 1993, Vol. 8, pp. 199-202.

91. Neural adaptive controller design of robotic manipulators with an observer. // Proceedings of the 14th World Congress of IFAC. Edited by Sun S., Sun Z., Woo PY., Zhang Z., Copyright © 1999 IFAC.

92. Neural network predictive adaptive controller based upon damped least square. // Taken from: Proceedings of the 14th World Congress of IFAC. Edited by Chen H. F., Cheng D. Z., Zhang J. F., Copyright © 1999 IFAC.

93. Os'kin D. Elaboration of the semi-automatic control system of manipulatejrobot with six degrees of freedom. // Abstracts of the 2 International Student's Congress of the Asia-Pacific Region Countries. Vladivostok, Russia. FESTU. 1997. pp. 108-109.

94. Os'kin D.A., Dyda A.A. Neural Network and Adaptive Control System Synthesis: Comparative Study for Underwater Robots. // Pacific Science Review, Vol.2,2000, pp. 34-37.

95. Ouyang K. Y., Lee P.L., Cameron I.T. Polynomial system identification using neural networks. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.4, pp. 53-56.

96. Park J. H. and Kang J. Y. Fuzzy-Logic Controller for a two-link Flexiblej

97. Manipulator. // Proceeding of 2 control conference, Seoul, Korea, July 1997. Vol.3, pp. 435-438.

98. Rao M., Wang Q., Feng E., Jun Y., Chen B. Computer integrated process systems in continuous manufacturing industries. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.1, pp. 249-252.

99. Rivera S. L., Karim M. N. Use of neuro-genetic algorithms in bioprocess optimization. // 12th World Congress International Federation of Automatic Control, Sydney, Australia, 18-23 July 1993, Vol.8, pp. 217-220.

100. Robinson C., Mort N. Predicting Foreign Exchange Rates Using Neural and Genetic Models. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3, pp. 115-118.

101. Sorsa Т., Suontausta J., Koivo H.N. Fault diagnosis of dynamic systemsfkusing neural networks. //12 World Congress International Federation of Automatic Control, Sydney, Australia, 18-23 July 1993. Vol.7, pp. 453-456.

102. Spangelo I., Egaland O. Thruster modelling and energy- optimization for an automous underwater vechicle. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.5, pp. 401- 404.

103. Su H.-T., McAvoy T.J. Integration of multilayer perceptron networks and linear dynamic models. // Preprints of 12 World IFAC Congress, Sydney, Australia, July 1993, Vol.4, pp. 57-60.

104. Won K.-J., Kim S.-H., Jeon H.-T. Direct adaptive learning control of a robot manipulator with uncertain dynamics using fuzzy-neural controller. // Proceeding of 2nd control conference, Seoul, Korea, July 1997. Vol.3, pp. 639-642.

105. Wong A.K.C., Ching J.Y. Neural networks in manufacturing. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.3., pp. 41-44.

106. Wong C., Yungsoon Y. An intelligent time-optimal control. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3, pp. 203-206.

107. Wu Y., Dai Q. H., Xue D. Robust adaptive tracking for nonlinear systems using dynamic neural network. // Proceeding of 2nd control conference, Seoul, Korea, July 1997. Vol.3, pp. 803-806.

108. Xiaoming J. and oth. A Multivariable Predictive Control Strategy Based on Fuzzy Model. // Proceeding of 2nd control conference, Seoul, Korea, July 1997. Vol.3, pp. 163-166.

109. Xie S.-M., Zhao C.-J. The improvement of learning algorithms for back propagation neural networks. // Proceeding of 2nd control conference, Seoul, Korea, July 1997. Vol.3, pp. 783-786.

110. Yorger D.R., Cooke J.G., Slotine J.-J.E. The influence of thruster dynamics on underwater vechicle behavior and their incorporation into control system design. // IEEE Jour, of Ocean. Eng., Vol.15, No. 3. July 1990. pp. 167-177.

111. Yuh Y. A neural net controller for underwater robotic vehicle. // IEEE journal of oceanic engineering. Vol.15, № 3, July 1990.

112. Yupu Y. and oth. Design Neural Network Based Fuzzy Logic. // Proceeding of 2nd control conference, Seoul, Korea, July 1997. Vol.3, pp. 747-750.

113. Yushu F., Qunguo L. Identification of Nonlinear Systems Using Linear/Gaussian Neural Networks. // Proceeding of 2nd control conference, Seoul, Korea, July 1997. Vol.3, pp. 791-794.

114. Zaremba M.B. Associative, self-programmable neural networks for manufacturing processes. // Preprints of 12th World IFAC Congress, Sydney, Australia, July 1993, Vol.3, pp. 45-48.

115. Zhang J. X., Shu S. G. Nonlinear Optimal control system with neural networks. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3, pp. 811-814.

116. Zhang J.-X. Fuzzy control system with self-learning parameters. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3, pp. 719722.

117. Zhow Y., Dai Q., Chai T. Y. Robust identification of unknown plants using dynamical neural networks. // Proceeding of second control conference, Seoul, Korea, July 1997. Vol.3, pp. 815-818.

118. УТВЕРЖДАЮ» Ректор МГУ им. Г.И. Невельского профессор, доктор технических наукедых В.И.1. АКТоб использовании результатов диссертационной работы1. Оськина Д. А.

119. Нейросетевые алгоритмы и системы управления исполнительными устройствами роботов»,представленной на соискание ученой степени кандидата технических наук,в учебном процессе Морского Государственного Университета им. Г.И. Невельского

120. Профессор кафедры АИС, кандидат технических наук1. Богданов В.И.1. АКТоб использовании результатов диссертационной работы1. Осыеина Д.А.

121. Доцент каф. АУТС, кандидат технических наук

122. Утверждаю Директор КБ «Дальй НА.ИсаKqiv<^ «У» о/ 200J1. АКТоб использовании результатов диссертационной работы Оськина Д.А.

123. Разработка в исследование нейросетевых алгоритмов я систем управления исполнительными ^гройствами роботов»^выполненной на соискание ученой степени кандидата технических наук; в разработках КБ «Дальнее»

124. Переданное программное обеспечение, а также управляющие алгоритмы и структуры, полученные в диссертационной работе Оськина Д.А., планируется использовать в дальнейших разработках КБ «Дальнее».

125. Зав. отделом 1, кандидат технических наук1. В.В. Косгенко