Анотація до роботи:

Чапланов О.П. Нейродинамічні прогнозуючі моделі в системах керування. – Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.03 – системи та процеси керування. – Харківський національний університет радіоелектроніки, Харків, 2005.

Розглянуто задачу розробки методів моделювання нелінійних динамічних стохастичних об’єктів за допомогою нейромережевих технологій та хаосдинаміки. Показано, що в якості моделі об’єкта керування доцільно використовувати нейроемулятори, що здатні відновлювати хаотичні та стохастичні характеристики та навчатися у реальному часі.

Вперше запропоновано нейромережеві методи і архітектури для відновлення показника Херста в реальному часі. Вперше запропоновано архітектуру і метод навчання нейромережевої моделі на основі резонансних фільтрів в реальному часі. Модифіковано радіально-базисні нейромережі і методи їхнього навчання, що відзначаються високою швидкодією та низькою обчислювальною складністю.

Проведено імітаційне моделювання розроблених нейромережевих архітектур та методів навчання. Розв’язано актуальні практичні задачі динамічної реконструкції хаосу й обчислення характеристичного показника Херста з використанням розроблених методів та моделей.

У дисертаційній роботі розв’язано актуальну наукову задачу створення методів ідентифікації, моделювання і реконструкції нелінійних динамічних об’єктів керування, що функціонують за умов невизначеності щодо своїх параметрів і структури, при цьому демонструють як хаотичну поведінку, що викликана власними характеристиками об’єктів, так і стохастичну, що викликана наявністю будь-якого зовнішнього впливу. Проведені дослідження дозволяють зробити такі висновки:

1. В результаті аналізу поточного стану проблеми побудови математичних моделей об'єктів керування за умов невизначеності відзначено недоліки відомих нейромережевих систем та методів навчання на основі зворотного поширення похибок, які мають низьку швидкість збіжності, що обмежує їхнє застосування в реальному часі.

2. Вперше запропоновано нейромережеві методи і архітектури для відновлення показника Херста в реальному часі, що дозволяє вирішувати проблеми раннього виявлення змінення властивостей (розладнань) об’єктів і систем керування.

3. Вперше запропоновано архітектуру і метод навчання нейромережевої моделі на основі резонансних фільтрів в реальному часі, що дозволяє виділяти з сигналу, що аналізується, потрібну кількість квазігармонічних компонент.

4. Модифіковано нейромережеві моделі радіально-базисних конструкцій на базі квадратичних функцій активації і методи навчання, що відзначаються високою швидкодією та низькою обчислювальною складністю.

5. Проведено імітаційне моделювання розроблених спеціалізованих архітектур нейромереж та методів їх навчання. Показано їхні переваги перед відомими як за точністю, так і за швидкодією.

6. Розв’язано практичні задачі ідентифікації фаз сну теплокровних тварин під час гібернації. Результати досліджень впроваджено у відділі кріофізіології ІПКіК НАНУ, м. Харків при розробці методу та програмного засобу, що реалізує нейромережеві методи динамічної реконструкції хаосу та обчислення характеристичного показника Херста на біоелектричних проявах активності мозку теплокровної тварини в циклі “сон-бадьорість”, а також у навчальний процес у Харківському національному університеті радіоелектроніки.

7. Розроблені в дисертаційній роботі методи та моделі можуть бути використані для ідентифікації хаосу та моделювання широкого класу динамічних стохастично-хаотичних об’єктів за умов апріорної та поточної невизначеності щодо їхньої структури та параметрів.

Публікації автора:

1. Бодянский Е.В., Плисс И.П., Чапланов А.П. Динамическая реконструкция хаотических сигналов на основе нейросетевых технологий // Радиоэлектроника и информатика. – 2002. – № 3(20). – С.62-64.

2. Королькова Е.Е., Плисс И.П., Шило А.В, Чапланов А.П. Об одном нейросетевом алгоритме вычисления показателя Херста // Вестник Национального технического университета «ХПИ». – №8. – Харьков: НТУ ХПИ, 2001. – С. 48-50.

3. Бодянский Е.В., Котляревский С.В., Шило А.В., Чапланов А.П. Нейросетевая адаптивная фильтрация полигармонических стохастических сигналов // Радиоэлектроника и информатика. – 2001. – № 2(15). – С.72-77.

4. Чапланов А.П., Чепенко Т.Е. Алгоритм обучения искусственного нейрона при наличии ограничений на настраиваемые параметры // Вісник Харківського національного університету. – Ч.2, №506. – Харків: Харк. нац. ун-т ім. Каразіна, 2001. – С. 105-107.

5. Королькова Е.Е., Попов С.В., Чапланов А.П. Гармонический анализ стохастических сигналов с помощью резонансных фильтров // Тр. Междунар. конф. “Радиоэлектроника и молодежь в ХХІ веке”. – Харьков: ХТУРЭ, 2000. – Ч.2. – С. 239-240.

6. Королькова Е.Е., Попов С.В., Чапланов А.П., Чепенко Т.Е. Нейросетевой резонансный фильтр // Тр. Междунар. конф. «Теория и техника передачи, приема и обработки информации». – Харьков: ХТУРЭ, 2000. – С. 362-363.

7. Королькова Е.Е., Руднева Е.А., Чапланов А.П. Анализ биологических хаотических сигналов на скользящем окне // Тр. Междунар. конф. “Радиоэлектроника и молодежь в ХХІ веке”. – Харьков: ХНУРЭ, 2002. – Ч.2. – С. 102-103.

8. Бодянский Е.В., Кучеренко Е.И., Чапланов А.П. Диагностика и прогнозирование временных рядов с помощью многослойной радиально-базисной нейронной сети // Тр. Междунар. конф. «Нейрокомпьютеры и их применение» (НКП-2002). – Москва: Институт проблем управления им В.А. Трапезникова РАН, 2002. – С. 209-213.

9. Bodyanskiy Ye., Chaplanov O. Kolodyazhniy V. Adaptive quadratic radial basis function network for time series forecasting // Proc. East West Fuzzy Colloquium 2002. – Zittau/Goerlitz: 10 th Zittau Fuzzy Colloquium, 2002. – P.164-172.

10. Гончаренко З.В., Чапланов А.П. Идентификация хаотических сигналов в реальном времени // Тр. Междунар. конф. “Радиоэлектроника и молодежь в ХХІ веке”. – Харьков: ХНУРЭ, 2003. – С. 532.

11. Чапланов А. П. Специализированная искусственная нейронная сеть с алгоритмом обучения, использующим эллипсоидальное оценивание // Тр. Междунар. конф. «Теория и техника передачи, приема и обработки информации». – Харьков: ХНУРЭ, 2003. – С. 339-340.

12. Bodyanskiy Ye., Chaplanov O., Kolodyazhniy V. Soft computing techniques for data mining // Proc. Pre-Conf. Workshop 29th Int. Conf. on Very Large Data Bases VLDB 2003. Emerging Database Research in East Europe. – Brandenburg University of Technology at Cottbus, 2003. – P.1-4.

13. Кулинич Е.В., Чапланов А.П. Прогнозирование и контроль нестационарных временных рядов на основе радиально-базисных искусственных нейронных сетей с использованием эллипсоидального оценивания // Тр. Междунар. конф. “Радиоэлектроника и молодежь в ХХІ веке”. – Харьков: ХНУРЭ, 2004. – Ч.2. – С. 218.

14. Плісс І.П., Чапланов О.П., Шило О.В. Хаос-нейродинамічні нейронні мережі для діагностики і прогнозування порушень біоелектричної активності // Тр. Междунар. конф. «Теория и техника передачи, приема и обработки информации». – Харьков: ХНУРЭ, 2004. – С. 311-312.