В.Н. Коновалов, М.О. Корлякова
12
Общая характеристика ошибок для всех типов моделей приведе-
на на рис. 3. Видно, что наилучшим качеством моделирования при
минимальных аппаратных затратах обладают гетерогенные нейрон-
ные сети.
Рис. 3.
Относительные ошибки тестирования для нейросетевых моделей:
1
— гомогенные сети (логический нейрон);
2
— гетерогенные сети (тангенциаль-
ные и линейный нейрон);
3
— бипарные модели (пороговый нейрон)
Полученные результаты моделирования позволяют утверждать,
что даже для нелинейных объектов можно сформировать систему
управления или модель в бинарном базисе на основе нейросетевого
подхода.
ЛИТЕРАТУРА
Пролетарский А.В. Системный синтез интеллектуальных систем управле-
ния космических аппаратов и комплексов. [Электронный ресурс].
Наука и
образование
, 2007, № 3. URL:
(дата
обращения 12.12.2013).
Ефимов В.В. Нейросетевое обеспечение бортовых комплексов управления
космических аппаратов наблюдения.
Мехатроника, автоматизация,
управление
, 2003, № 5, c. 26–32.
Никишов А.Н., Олейник A.A., Талиманчук Л.Л., Зайцев A.B., Суханов Н.В.
Инверсно-адаптивная схема управления сложным динамическим объектом.
Нейрокомпьютеры
, 2010, № 1, с. 34–39.
Хайкин С.
Нейронные сети:
полный курc. Москва, Издательский дом
Вильямс, 2006, 1104 с.
Ермоленко А.В., Корлякова М.О. Применение виртуальных моделей
объектов для обучения нейросетей.
12-я Нац. конф. по искусственному
интеллекту с международным участием КИИ-2010
. Тверь, Россия, 2010.
Москва, Физматлит, 2010, т. 2, с. 107–115.
Каримов Р.Р., Косицын В.В., Рубан В.И . Блинов В.Н ., Валеев С.С.,
Исламгулов Т.В. Система информационной поддержки жизненного цикла
малого научно-образовательного космического аппарата.
Сб. тр. 11-й
Междунар. конф. CSIT
, 2009, т. 3, с. 22–28.
Севастьянов Н.Н.,
Бранец В.Н.,
Панченко В.А.,
Казинский Н.В.,
Кон-
дранин Т.В.,
Негодяев С.С.
Анализ современных возможностей созда-
ния малых космических аппаратов для дистанционного зондирования
