Методика повышения качества нейросетевого моделирования динамических объектов

Авторы и правообладатели:

• Ван С. , Национальный исследовательский университет «МЭИ» (Москва, Россия)
• Елисеев В. Л. , Национальный исследовательский университет «МЭИ» (Москва, Россия)

• 1. Шумихин А.Г. Применение нейросетевых динамических моделей в задаче параметрической идентификации технологического объекта в составе системы управления / А.Г. Шумихин, А.С. Бояршинова // Вестник ПНИПУ. – 2015. – № 3. – С. 21–38.
• 2. Schoukens J. Nonlinear system identification: A useroriented road map / J. Schoukens, L. Ljung // IEEE Control Systems Magazine. – 2019. – Vol. 39, No. 6. – P. 28–99.
• 3. Yamada T. Dynamic system identification using neural networks / T. Yamada, T. Yabuta // IEEE transactions on systems, man, and cybernetics. – 1993. – Vol. 23, No. 1. – P. 204–211.
• 4. Wang J. A fully automated recurrent neural network for unknown dynamic system identification and control / J. Wang, Y. Chen // IEEE Transactions on Circuits and Systems I: Regular Papers. – 2006. – Vol. 53, No. 6. – P. 1363–1372.
• 5. Legaard C. Constructing neural network based models for simulating dynamical systems / C. Legaard, T. Schranz, G. Schweiger, J. Drgoňa // ACM Computing Surveys. – 2023. – Vol. 55, No. 11. – P. 1–34.
• 6. Gonzalez J. Non-linear system modeling using LSTM neural networks / J. Gonzalez, W. Yu // IFAC-PapersOnLine. – 2018. – Vol. 51, No. 13. – P. 485–489.
• 7. Bonassi F. Nonlinear MPC for offset-free tracking of systems learned by GRU neural networks / F. Bonassi, C.F. da Silva, R Scattolini // IFAC-PapersOnLine. – 2021. – Vol. 54, No. 14. – P. 54–59.
• 8. Al Seyab R.K. Nonlinear system identification for predictive control using continuous time recurrent neural networks and automatic differentiation / R.K. Al Seyab, Y. Cao // Journal of Process Control – 2008. – Vol. 18, No. 6. – P. 568–581.
• 9. Vaswani A. Attention is all you need / A. Vaswani, N.M. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A.N. Gomez, Ł. Kaiser, I. Polosukhin // Advances in Neural Information Processing Systems. – 2017.
• 10. Lin T. Focal loss for dense object detection / T. Lin, P. Goyal, R. Girshick, K. He, P. Dollár // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2020. – Vol. 42, No. 2. – P. 318–327.
• 11. Madry A. Towards deep learning models resistant to adversarial attacks // arXiv preprint arXiv:1706.06083. – 2017.
• 12. Gonzalez J. Non-linear system modeling using LSTM neural networks / J. Gonzalez, W. Yu // IFAC-PapersOnLine. – 2018. – Vol. 51, No. 13. – P. 485–489.
• 13. Елисеев В.Л. Применение функции взаимной корреляции в качестве характеристики динамики нестационарных, нелинейных объектов и нейросетевых моделей / В.Л. Елисеев, С. Ван // Тезисы докл. XXVIII Байкальской Всерос. конф. с междунар. участием «Информационные и математические технологии в науке и управлении». – Иркутск, 2023. – 57 с.
• 14. Ван С. Обнаружение разладки модели динамического объекта с помощью функции корреляции / С. Ван, В.Л. Елисеев // XXX Междунар. науч.-техн. конф. студентов и аспирантов «Радиоэлектроника, электротехника и энергетика». – М.: Радуга, 2024. – 301 с.
• 15. Ван С. Нейросетевой метод обнаружения смены режима работы нелинейного динамического объекта / С. Ван, В.Л. Елисеев // Известия Тульского гос. ун-та. Технические науки. – 2024. – № 3. – С. 48–56.
• 16. Wigren T. Three free data sets for development and benchmarking in nonlinear system identification / T. Wigren, J. Schoukens // 2013 European control conference (ECC). – Zurich: 2013. – P. 2933–2938.