Моделирование нейроуправления скоростью дождевальных машин
DOI:
https://doi.org/10.28983/asj.y2020i7pp78-84Ключевые слова:
нейроуправление, скорость, орошение, модельАннотация
В статье приведены результаты моделирования нейросетевого управления скоростью дождевальной машины. Традиционные подходы, основанные только на физическом моделировании технических процессов и связей, зачастую затрудняют поиск эффективных решений. Предложен подход, основанный на модели интеллектуального анализа данных, а именно на модели нейроуправления скоростью. Нейроуправление приводит к реализации лучшего и более эффективного управления дождевальной техникой.
Скачивания
Данные скачивания пока недоступны.
Библиографические ссылки
1. Белов М.П., Носиров И.С., Фыонг Ч.Х. Исследование системы управления электроприводом подачи токарного станка с применением метода обобщенного нейроуправления с прогнозированием // СПБГЭТУ ”ЛЭТИ”. – 2017. – № 4. – С. 45–53.
2. Дьяконов В.П. MATLAB. Полный самоучитель. – М.: ДМК Пресс, 2012. – 768 с.
3. Затинацкий С.В., Колганов Д.А., Загоруйко М.Г. Гидравлическая модель работы модифицированной дождевальной машины «Фрегат» с возможностью движения без полива // Аграрный научный журнал. – 2017. – № 7. – C. 69–72.
4. Кошкин Н.М., Соловьев Д.А., Затинацкий С.В. Результаты создания и исследования работы модифицированной дождевальной машины «Фрегат» // Мелиорация и водное хозяйство. – 2015. – № 4. – С. 23–26.
5. Мещеряков В.Н., Сараев П.В., Мещерякова О.В. Математическое моделирование и управление процессами в системах автоматизации промышленных установок с помощью многозначных нейронных сетей // Проблемы управления. – 2013. – №6. – С.71–73.
6. Соловьев Д.А., Колганов Д.А., Загоруйко М.Г., Елисеев М.С. Результаты создания и исследования работы модифицированной дождевальной машины «Фрегат», работающей в режимах при низких напорах // Аграрный научный журнал. – 2017. – № 2. – C.67–69.
7. Соловьев Д.А., Журавлева Л.А. Влияние режима движения дождевальных машин на норму полива // Вестник АПК Верхневолжья. – 2018. – №1 (41). – C.38–43.
8. Технический уровень отечественного и зарубежного оборудования, применяемого в мелиорации: Информационный сборник / ФГНУ ЦНТИ «Мелиоводинформ». – М.: ФГНУ ЦНТИ «Мелиоводинформ», 2011. – 215 с.
9. Фокин Б.П., Носов А.К. Современные проблемы применения многоопорных дождевальных машин. – Ставрополь, 2011. – 80 с.
10. Чернодуб А., Дзюба Д. Обзор методов нейроуправления // Проблемы программирования. – 2011. – № 2. – С. 79–94.
11. Cheon K., J. Kim, M. Hamadache, D. Lee, J. On Replacing PID Controller with Deep Learning Controller for DC Motor System // J. Autom. Control Eng. 2015. Vol. 3. No. 6. Р. 452–456.
12. Giusti E., Marsili – Libelli S. Fuzzy decision support system for irrigation and water conservation in agriculture // Environ. Model. Softw. 2015. Vol. 63. P. 73–86.
13. Schmidhuber J. Deep Learning in neural networks: An overview” // Neural Networks. 2015. Vol. 61. Р. 85–117.
14. Soloviev D., Zhuravleva L., Bakirov S. Robotic Irrigative Complex with Intellectual Control System "CASCADE" // XVIII International Scientific and Practical Conference "Modern Trends in Agricultural Production in the World Economy". 2019. P. 145–156.
2. Дьяконов В.П. MATLAB. Полный самоучитель. – М.: ДМК Пресс, 2012. – 768 с.
3. Затинацкий С.В., Колганов Д.А., Загоруйко М.Г. Гидравлическая модель работы модифицированной дождевальной машины «Фрегат» с возможностью движения без полива // Аграрный научный журнал. – 2017. – № 7. – C. 69–72.
4. Кошкин Н.М., Соловьев Д.А., Затинацкий С.В. Результаты создания и исследования работы модифицированной дождевальной машины «Фрегат» // Мелиорация и водное хозяйство. – 2015. – № 4. – С. 23–26.
5. Мещеряков В.Н., Сараев П.В., Мещерякова О.В. Математическое моделирование и управление процессами в системах автоматизации промышленных установок с помощью многозначных нейронных сетей // Проблемы управления. – 2013. – №6. – С.71–73.
6. Соловьев Д.А., Колганов Д.А., Загоруйко М.Г., Елисеев М.С. Результаты создания и исследования работы модифицированной дождевальной машины «Фрегат», работающей в режимах при низких напорах // Аграрный научный журнал. – 2017. – № 2. – C.67–69.
7. Соловьев Д.А., Журавлева Л.А. Влияние режима движения дождевальных машин на норму полива // Вестник АПК Верхневолжья. – 2018. – №1 (41). – C.38–43.
8. Технический уровень отечественного и зарубежного оборудования, применяемого в мелиорации: Информационный сборник / ФГНУ ЦНТИ «Мелиоводинформ». – М.: ФГНУ ЦНТИ «Мелиоводинформ», 2011. – 215 с.
9. Фокин Б.П., Носов А.К. Современные проблемы применения многоопорных дождевальных машин. – Ставрополь, 2011. – 80 с.
10. Чернодуб А., Дзюба Д. Обзор методов нейроуправления // Проблемы программирования. – 2011. – № 2. – С. 79–94.
11. Cheon K., J. Kim, M. Hamadache, D. Lee, J. On Replacing PID Controller with Deep Learning Controller for DC Motor System // J. Autom. Control Eng. 2015. Vol. 3. No. 6. Р. 452–456.
12. Giusti E., Marsili – Libelli S. Fuzzy decision support system for irrigation and water conservation in agriculture // Environ. Model. Softw. 2015. Vol. 63. P. 73–86.
13. Schmidhuber J. Deep Learning in neural networks: An overview” // Neural Networks. 2015. Vol. 61. Р. 85–117.
14. Soloviev D., Zhuravleva L., Bakirov S. Robotic Irrigative Complex with Intellectual Control System "CASCADE" // XVIII International Scientific and Practical Conference "Modern Trends in Agricultural Production in the World Economy". 2019. P. 145–156.