Пример готовой курсовой работы по предмету: Автоматизация
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 2
1 ПОДХОДЫ К МОДЕЛИРОВАНИЮ ДИНАМИЧЕСКИХ ОБЪЕКТОВ 3
2 ПРИНЦИПЫ ПРОГНОЗИРУЮЩЕГО НЕЙРОУПРАВЛЕНИЯ 11
3 ВОЗМОЖНОСТИ МОДЕЛИРОВАНИЯ СИСТЕМ НЕЙРОУПРАВЛЕНИЯ В СИСТЕМЕ MATLAB 16
4 МАТЕМАТИЧЕСКАЯ МОДЕЛЬ УПРАВЛЕНИЯ ЛЕТАТЕЛЬНЫМ АППАРАТОМ 18
ЗАКЛЮЧЕНИЕ 35
СПИСОК ЛИТЕРАТУРЫ 36
Содержание
Выдержка из текста
Естественно, что построение таких систем немыслимо без широчайшего применения компьютерной поддержки, как на стадии разработки, так и при непосредственной реализации. Главная цель всего комплекса работ, которые выполняются при исследовательском проектировании, состоит в формировании математических моделей управляющих устройств или законов управления, обеспечивающих желаемую динамику замкнутых систем в различных режимах работы.В работе рассмотрены вопросы нейроуправления и моделирования систем управления на примере летательных аппаратов.
Естественно, что построение таких систем немыслимо без широчайшего применения компьютерной поддержки, как на стадии разработки, так и при непосредственной реализации. Главная цель всего комплекса работ, которые выполняются при исследовательском проектировании, состоит в формировании математических моделей управляющих устройств или законов управления, обеспечивающих желаемую динамику замкнутых систем в различных режимах работы.В работе рассмотрены вопросы моделирования систем управления на примере летательных аппаратов.
Структура работы: глава первая будет посвящена общему представлению объекта и предмета исследования в виде анализа моделей принятия управленческих решений на основе учетной информации, а именно: анализ производственно-технологической деятельности и по переменным затратам, где минимально допустимая цена реализации должна покрывать расходы на закупку товара у производителя, а также переменные затраты на его продажу — управленческая себестоимость.
UML в среде Visio Проект или курсовая (на основе фондового рынка — биржи
В шестой разделе говорится непосредственно о нейросетевом решении рассматриваемой задачи, построенном на основе известной, и часто используемой парадигмы многослойного персептрона, детально обсуждаются основные алгоритмы обучения, выбора начальных весовых коэффициентов и методы оценки эффективности выбранной модели нейронной сети.
На сегодняшний день для автоматизированного дешифрирования аэрокосмических снимков в современных программных средствах используются следующие три группы признаков распознавания: геометрические (форма, размер); яркостные (уровень яркости, цвет); структурные (текстура, структура).
Недостатками таких подходов являются:
Методологическую основу проводимого исследования составили следующие методы исследования: системный, сравнительный, абстрагирования, анализа и синтеза, статистический, а также специальные, частно-научные методы.
Организация учетной и аналитической деятельности на предприятии: виды учета, учетная политика, объекты и технологии анализа. Методы сбора маркетинговой информации: социологический, наблюдений и др.
СПИСОК ЛИТЕРАТУРЫ
1. Чернышов, В.Н. Теория систем и системный анализ : учеб. пособие / В.Н. Чернышов, А.В. Чернышов. – Тамбов : Изд-во Тамб. гос. техн. ун-та, 2008. – 96 с.
2. Ракитов А.И., Бондяев Д.А., Романов И.Б., Егерев С.В., Щербаков А.Ю. Системный анализ и аналитические исследования: руководство для профессиональных аналитиков – М., 2009. — 448 c.
3. Пупков К.А. Моделирование и испытание систем автоматического управления: Учебное пособие. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2012.
4. Герасимов, Б.И. Основы теории системного анализа: качество и выбор : учебное пособие / Б.И. Герасимов, Г.Л. Попова, Н.В. Злобина. – Тамбов : Изд-во ФГБОУ ВПО «ТГТУ», 2011. – 80 с.
5. Качала В.В. Основы теории систем и системного анализа. Учебное пособие для вузов. М.: Горячая линия – Телеком, 2007. 216 с.
6. Тарасенко Ф.П. Прикладной системный анализ : учебное пособие / Ф.П. Тарасенко.— М. : КНОРУС, 2010. — 224 с.
7. Данелян Т.Я. Теория систем и системный анализ (ТСиСА): учебно-методический комплекс / Т.Я. Данелян. – М.: Изд. центр ЕАОИ, 2010. – 303 с.
8. Хайкин С. Нейронные сети: полный курс,
2. издание.:Пер. с анrл. – М. Издательский дом «Вильямс», 2006. – 1104 с.
9. Каллан Р. Основные концепции нейронных сетей. : Пер. с англ. — М. : Издательский дом Вильямс, 2001. – 287 с.
10. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. — М.: Финансы и статистика, 2002. — 344 с: ил.
11. О.А. Морозов, П.Е. Овчинников, Ю.А. Сёмин, В.Р. Фидельман. Применение теоретико-информационного подхода для обучения многослойного персептрона в задаче распознавания фонем // Вестник Нижегородского университета им. Н.И. Лобачевского, 2010, № 5 (2), с. 354– 357
12. Чернодуб А. Н. Обзор методов нейроуправления / А. Н. Чернодуб, Д. А. Дзюба. // Проблемы программирования. — 2011. — No 2. — С. 79-94.
13. Soloway D., Haley P.J. Neural Generalized Predictive Control // Proceedings of the IEEE International Symposium on Intelligent Control. — 18 September 1996. — 15. — P. 277— 281.
14. Tomić, Teodor and Maier, Moritz and Haddadin, Sami (2014) Learning Quadrotor Maneuvers From Optimal Control and Generalizing in Real-Time. In: IEEE International Conference on Robotics and Automation (ICRA), pp. 1747-1754.
15. Clarke D. W., Generalized Predictive Control — Part 1: The Basic Algorithm / D. W. Clarke, C. Mohtadi and P. C. Tufts // Automatica. – 1987. — Volume 23. – Pp. 137-148. 5. Clarke D. W. Generalized Predictive Control — Part 2: The Basic Algorithm / D. W. Clarke, C. Mohtadi and P. C. Tufts // Automatica. – 1987. — Volume 23. – Pp. 149-163.
16. Cayero, J., Pep Cugueró Escofet, Morcego, B. Impedance control of a planar quadrotor with an extended Kalman filter external wrench estimator. A: euRathlon/SHERPA SUMMER SCHOOL 2015 ON FIELD ROBOTICS. «euRathlon/SHERPA SUMMER SCHOOL 2015 ON FIELD ROBOTICS». Oulu: 2015, p. 1-5.
17. Кузнецов Б. И. Синтез нейроконтроллера с предсказанием для двухмассовой электромеханической системы / Б. И. Кузнецов, Т. Е. Василец, А. А. Варфоломеев //Электротехника и электромеханика. — 2008. — Т. 3. — С. 27 — 32.
18. Рэндал У. Биард, Тимоти У. МакЛэйн Малые беспилотные летательные аппараты: теория и практика Москва: ТЕХНОСФЕРА, 2015. – 312 c.
19. А. А. Пыркин, Т. А. Мальцева, Д. В. Лабадин, М. О. Суров, а. А. Бобцов. Синтез системы управления квадрокоптером с использованием упрощенной математической модели // Изв. Вузов. Приборостроение. 2013. Т. 56, № 4. – с. 47-51.
20. Веремей Е. И., Еремеев В. В. Введение в задачи управления на основе предсказаний // Всероссийская научная конференция «Проектирование научных и инженерных приложений в среде MATLAB». — М., 2004. — С. 98— 115.
21. Баландин Д.В., Городецкий С.Ю. Классические и современные методы построения регуляторов в примерах. Электронное учебно-методическое пособие. – Нижний Новгород: Нижегородский госуниверситет, 2012. – 122 с.
22. Квасов Б. Численные методы анализа и линейной алгебры. Использование Matlab и Scilab. Лань, 2016 г.
23. Кетков Ю., Кетков А., Шульц М. — MATLAB
7. Программирование, численные методы. БХВ-Петербург, 2005. – 742 с.
24. Омату С. Нейроуправление и его приложения / С. Омату, М. Халид, Р. Юсуф. – М.: Изд. Предприятия редакции журнала Радиотехника, 2000. – 230 с.
25. Подпорин С.А. Использование нейронечетких контроллеров в системах управления движением морских судов // Збірник наукових праць Харківського університету Повітряних Сил, 2012, випуск 4(33).
С. 181-187.
список литературы
