Структура нейронной сети
Как показывает график зависимости скорости и аэродинамического сопротивления от перерегулирования (рис. 36), чем меньше скорость и аэродинамический коэффициент, тем меньше значение перерегулирования. MSE (рис. 30) — функция производительности сети. Она показывает производительность, в соответствии со средней квадратичной ошибкой. Обучение сети будет производиться по модифицированному алгоритму… Читать ещё >
Структура нейронной сети (реферат, курсовая, диплом, контрольная)
Структура нейросети представлена на рис. 29.
Рис. 29 Структура нейронной сети
Наша сеть состоит из 2-х слоев, в первом слое 16 нейронов, в выходном слое 4 нейрона.
Обучение сети будет производиться по модифицированному алгоритму обратного распространения ошибки (trainlm) Левенберга-Марквардта.
Результаты
Итак, наша сеть обучилась на 10 примерах за 131 эпоху.
Рис. 30 Средняя квадратичная ошибка
Рис. 31 График обучения сети На графиках (рис. 30 и рис. 31) показаны результаты обучения сети.
MSE (рис. 30) — функция производительности сети. Она показывает производительность, в соответствии со средней квадратичной ошибкой.
На (рис. 31) видно, как изменялся градиент и коэффициент обучения сети (mu) в процессе обучения сети.
Конечная структурная схема нашей системы выглядит так:
Рис. 32 Схема системы с нейронной сетью и динамическим объектом
Чтобы проанализировать систему, построим график переходного процесса при значениях скорости = 341 м/с и коэффициента = 0. 368 м/с.
Моделирование будет производиться на интервале [0 40] c.
И так, время переходного процесса составило 7. 87 секунд, перерегулирование 1. 72%, что можно увидеть на рисунке 33.
Теперь подадим на вход неизвестные коэффициенты (те, которые не использовались при обучении сети).
График переходного процесса, при коэффициентах м/с и м/с представлен на рисунке 34 и выглядит следующим образом:
Рис. 34 Переходная характеристика при параметрах 345/0. 345
Перерегулирование составило 2. 87%, переходный процесс 12 сек.
Рис. 35 Переходная характеристика при параметрах 30/0. 340
График, при коэффициентах м/с и м/с показан на рисунке 35.
Перерегулирование составило — 2. 36%, Переходный процесс — 12 сек.
Из всего этого можно сделать вывод, что при найденных параметров автопилота (коэффициентов ПИД-регулятора) обученная нейронная сеть показывает хорошие результаты даже с теми входными сигналами, которые не были включены в набор при ее обучении (что соответствует теории о нейронных сетях).
Скорость и аэродинамический коэффициент снаряда напрямую влияют на его переходную характеристику. Построим два графика поверхностей. Первый график будет показывать зависимость 50 значений, от их перерегулирования. Второй будет состоять из тех же 50 значений и зависеть от времени переходного процесса.
Рис. 36 График зависимости значений от перерегулирования.
Как показывает график зависимости скорости и аэродинамического сопротивления от перерегулирования (рис. 36), чем меньше скорость и аэродинамический коэффициент, тем меньше значение перерегулирования.
Рис. 37 График зависимости значений от времени переходного процесса.
На втором графике зависимости скорости и аэродинамического сопротивления от времени переходного процесса (рис. 37) видно, что чем больше скорость снаряда и чем меньше аэродинамический коэффициент, тем меньше время переходного процесса.
Очевидно, что в реальных условиях будет использоваться гораздо больше параметров, которые влияют на стабилизацию снаряда, нежели скорость и аэродинамический коэффициент. Но гибкость нейронной сети позволит применить данную модель для решения таких задач.