Add text

bibtexbase.bib

@@ -5,13 +5,14 @@ @book{Omatu_Khalid_Yusof
   publisher = {Springer London},
   author    = {Omatu, Sigeru and Khalid, Marzuki and Yusof, Rubiyah},
   year      = {1996},
-  language  = {english}
+  language  = {english},
+  langid   = {english}
 }
 
 @book{Uskov_2004,
   title     = {Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика},
   publisher = {Горячая линия - Телеком},
-  author    = {А. А. Усков and А. В. Кузьмин},
+  author    = {Усков, А. А. and Кузьмин, А. В.},
   year      = {2004},
   language  = {russian}
 }
@@ -26,9 +27,74 @@ @online{PID_NIL_AP
 
 @book{Golovko_2001,
   title = {Нейронные сети: обучение, организация, применение. Кн.4: Учеб. пособие для вузов},
-  author    = {В. А. Головко},
+  author    = {Головко, В. А.},
   publisher = {М.},
   year      = 2001,
   pagetotal = {256},
   language  = {russian}
 }
+
+@book{Notkin_2006,
+  title = {Системы прогнозирующего нейроуправления нелинейными динамическими объектами. Диссертация на соискание ученой степени кандидата технических наук},
+  author    = {Ноткин, В. А.},
+  location  = {Владивосток},
+  year      = 2006,
+  pagetotal = {210},
+  language  = {russian}
+}
+
+@book{White_1992,
+  title     = {Handbook of Intelligent Control: Neural, Fuzzy, and Adaptive Approaches},
+  author    = {White, D. A. and Sofge, D. A.},
+  isbn      = {9780442308575},
+  lccn      = {lc92073265},
+  series    = {VNR computer library},
+  publisher = {Van Nostrand Reinhold},
+  location  = {New York},
+  year      = 1992,
+  pagetotal = {568},
+  language  = {english},
+  langid   = {english}
+}
+
+@book{Ruano1992ApplicationsON,
+  title    = {Applications of neural networks to control systems},
+  author   = {Ant{\'o}nio E. Ruano},
+  year     = {1992},
+  language = {english},
+  langid   = {english}
+}
+
+@article{Han1999,
+  author   = {Han, Woo-Yong and Han, Jin-Wook and Lee, Chang-Goo},
+  year     = {1999},
+  month    = {01},
+  pages    = {},
+  title    = {Development of a Self-tuning PID Controller based on Neural Network for Nonlinear Systems},
+  language = {english},
+  langid   = {english}
+}
+
+@inproceedings{Lazar2004,
+  author   = {Lazar, Corneliu and Carari, Sorin and Vrabie, Draguna and Kloetzer, Marius},
+  year     = {2004},
+  month    = {01},
+  pages    = {391-395},
+  title    = {Neuro-predictive control based self-tuning of PID controllers},
+  url      = {https://www.researchgate.net/publication/221166005_Neuro-predictive_control_based_self-tuning_of_PID_controllers},
+  language = {english},
+  langid   = {english}
+}
+
+@article{Martineau2003,
+  author   = {Martineau, S. and Gaura, Elena and Burnham, Keith and Haas, Olivier},
+  year     = {2003},
+  month    = {01},
+  pages    = {},
+  title    = {Neural Network Control Approach for an Industrial Furnace},
+  isbn     = {978-3-211-00743-3},
+  doi      = {10.1007/978-3-7091-0646-4_23},
+  url      = {https://www.researchgate.net/publication/255672391_Neural_Network_Control_Approach_for_an_Industrial_Furnace},
+  language = {english},
+  langid   = {english}
+}

chapter1.tex

@@ -583,7 +583,7 @@ \subsection{Адаптивный шаг обучения для сигмоидн
 
 \section{Классификация и обзор нейросетевых приемов управления}
 
-В настоящее время существует большое количество подходов к нейронному управлению, однако единой четкой классификации не существует. Согласно \cite{Omatu_Khalid_Yusof}, [5], [6] можно выделить:
+В настоящее время существует большое количество подходов к нейронному управлению, однако единой четкой классификации не существует. Согласно \cite{Omatu_Khalid_Yusof}, \cite{Notkin_2006}, \cite{White_1992} можно выделить:
 
 \begin{itemize}
     \item Последовательная схема управления. Нейронная сеть непосредственно обучается отображению желаемых (опорных) сигналов в управляющие воздействия, необходимые для получения таких сигналов.
@@ -597,7 +597,67 @@ \section{Классификация и обзор нейросетевых пр
 
 \begin{figure}[H]
     \centering
-    \includegraphics{images/chapter1/Классификация нейросетевых приемов решения задач управления.png}
+    \includegraphics[width=\textwidth]{images/chapter1/Классификация нейросетевых приемов решения задач управления.png}
     \caption{Классификация нейросетевых приемов решения задач управления}
     \label{fig:neuro_control_classification}
 \end{figure}
+
+Рассмотрим более подробно данные подходы к нейросетевому управлению.
+
+\subsection{Последовательная схема управления}
+
+Данная схема наиболее проста, что является как основным достоинством (несмотря на относительную простоту, подходит для решения широкого круга задач), так и недостатком (требует переобучения при изменении параметров объекта управления). Рис. \ref{fig:serial_neuro_control_scheme} отражает данную схему. Являясь одним из самых простых, данный подход имеет множество модификаций \cite{Ruano1992ApplicationsON}. Авторы Woo-yong Han, Jin-wook Han и Chang-goo Lee \cite{Han1999} использовали многослойный персептрон для прогнозирования выхода системы и подстройки затем ПИД-регулятора. Другой коллектив авторов (Corneliu Lazar и др.) использовали подобный подход для надстройки выходы ПИД-регулятора \cite{Lazar2004}. Данная схема также использовалась для управления печью в работе S. Martineau и др. \cite{Martineau2003}.
+
+\begin{figure}[H]
+    \centering
+    \includegraphics[width=\textwidth]{images/chapter1/Схема последовательного нейронного управления.png}
+    \caption{Схема последовательного нейронного управления}
+    \label{fig:serial_neuro_control_scheme}
+\end{figure}
+
+\subsection{Схема обратного распространения во времени}
+
+«Обратное распространение во времени» – одна из важных архитектур нейронного управления, использующая алгоритм обратного распространения ошибки. В этой схеме для управления объектом используется две нейронные сети (рис. \ref{fig:neuro_emulator_with_controller}).
+
+\begin{figure}[H]
+    \centering
+    \includegraphics[width=\textwidth]{images/chapter1/Схема нейронного обучения с эмулятором и контроллером.png}
+    \caption{Схема нейронного обучения с эмулятором и контроллером}
+    \label{fig:neuro_emulator_with_controller}
+\end{figure}
+
+Первая сеть используется как эмулятор, вторая – как контроллер. Сеть эмулятор может обучаться автономно, с использованием архитектуры обобщенного управления, или даже непосредственно, путем ввода случайных входных сигналов для обучения динамике объекта управления.
+
+\subsection{Адаптивно-критическая схема}
+
+Рассматривая подходы к обучению нейросетей, можно отдельно выделить  «обучение с подкреплением» (Reinforcement Learning) или «обучение с критикой». Необходимость применения данной парадигмы возникает в тех случаях, когда известна конечная цель, но неизвестен способ ее достижения. Это тот случай, когда желаемый отклик системы неизвестен, однако может быть дана некоторая оценка ее работы. Такая оценка обычно имеет вид скалярного «подкрепляющего» сигнала. В случае успеха он положителен, при неудаче отрицателен, а в нейтральных случаях равен нулю. Таким образом, можно поощрять за приближение к цели и наказывать за удаление от нее или за медлительность, причем поощрение может быть запаздывающим. Одной из областей применения «обучения с подкреплением» является область задач управления, когда желаемое управление на входе динамического объекта неизвестно, в то время как заметить отклонение его выхода за допустимые пределы несложно. Методы обучения с подкреплением относятся к разряду методов динамического программирования, но без модели объекта. Общая схема приведена на рис. \ref{fig:adaptive_critic_control}.
+
+\begin{figure}[H]
+    \centering
+    \includegraphics[width=\textwidth]{images/chapter1/Схема адаптивно-критическая.png}
+    \caption{Адаптивно-критическая схема}
+    \label{fig:adaptive_critic_control}
+\end{figure}
+
+\subsection{Схема управления с самонастройкой}
+
+В данном подходе используется настройка параметров регулятора во время работы системы. Отдельно можно выделить использование ПИД-регулятора с самонастройкой. Он может быть подстроен во время работы за счет изменения его коэффициентов. Существует большое количество схем таких самонастраивающихся ПИД-регуляторов. В данной схеме для настройки коэффициентов  используется нейронная сеть (НС).
+Такие нейро-ПИД регуляторы в настоящее время используются для построения различных систем управления \cite{Omatu_Khalid_Yusof}, [11], [12]. Рис. \ref{fig:neuro_PID_control} поясняет базовые идеи данного подхода.
+
+\begin{figure}[H]
+    \centering
+    \includegraphics[width=\textwidth]{images/chapter1/Схема neuroPID общая.png}
+    \caption{Схема нейро-ПИД регулятора общая}
+    \label{fig:neuro_PID_control}
+\end{figure}
+
+Обычно выходом нейронной сети являются коэффициенты ПИД-регулятора. Интересный подход используется в работе Ниша Джха [13] – весовые коэффициенты выходного слоя многослойного персептрона соответствуют коэффициентам ПИД-регулятора.
+
+\subsection{Постановка задачи}
+
+Разработать семантический нейро-ПИД-регулятор для использования в проектах АСУТП.
+
+\subsection{Выводы}
+
+В большинстве работа для «тонкой» подстройки ПИД используется многослойный персептрон (MLP). Также используются рекуррентные или RBF нейронные сети [14]. Современные подходы основываются на интеграции различных подходов – нечеткой логики [15], генетических алгоритмов [16], классических подходов и т.д. \cite{Omatu_Khalid_Yusof}.
+Для обучения НС обычно используется алгоритм обратного распространения ошибки (BP algorithm) \cite{Omatu_Khalid_Yusof}, [7] или его модификации [8]. Для поиска начальных значений порогов и весовых коэффициентов используются различные подходы (например, Сигеру Омату [5] предложил использовать генетические алгоритмы). Для симуляции систем управления широко применяются пакеты MATLAB и Simulink, в некоторых работах можно встретить реализацию в качестве программного модуля для персонального компьютера (PC).