Издательство СО РАН

Издательство СО РАН

Адрес Издательства СО РАН: Россия, 630090, а/я 187
Новосибирск, Морской пр., 2

soran2.gif

Baner_Nauka_Sibiri.jpg


Яндекс.Метрика

Array
(
    [SESS_AUTH] => Array
        (
            [POLICY] => Array
                (
                    [SESSION_TIMEOUT] => 24
                    [SESSION_IP_MASK] => 0.0.0.0
                    [MAX_STORE_NUM] => 10
                    [STORE_IP_MASK] => 0.0.0.0
                    [STORE_TIMEOUT] => 525600
                    [CHECKWORD_TIMEOUT] => 525600
                    [PASSWORD_LENGTH] => 6
                    [PASSWORD_UPPERCASE] => N
                    [PASSWORD_LOWERCASE] => N
                    [PASSWORD_DIGITS] => N
                    [PASSWORD_PUNCTUATION] => N
                    [LOGIN_ATTEMPTS] => 0
                    [PASSWORD_REQUIREMENTS] => Пароль должен быть не менее 6 символов длиной.
                )

        )

    [SESS_IP] => 3.239.206.191
    [SESS_TIME] => 1711699743
    [BX_SESSION_SIGN] => 9b3eeb12a31176bf2731c6c072271eb6
    [fixed_session_id] => f7691b859e82d6b0b104790d5d7aa1fa
    [UNIQUE_KEY] => 458c9053ecf590b1f105400edd6b2587
    [BX_LOGIN_NEED_CAPTCHA_LOGIN] => Array
        (
            [LOGIN] => 
            [POLICY_ATTEMPTS] => 0
        )

)

Поиск по журналу

Автометрия

2018 год, номер 6

ИДЕНТИФИКАЦИЯ ДИНАМИКИ ПОДВИЖНОГО ОБЪЕКТА С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

Ю.Н. Золотухин, К.Ю. Котов, А.М. Свитова, Е.Д. Семенюк, М.А. Соболев
Институт автоматики и электрометрии СО РАН, 630090, г. Новосибирск, просп. Академика Коптюга, 1
kotov@idisys.iae.nsk.su
Ключевые слова: идентификация динамики, квадрокоптер, расширенный фильтр Калмана, рекуррентная нейронная сеть Элмана, identification of the dynamics, quadrotor, extended Kalman filter, Elman recurrent neural network
Страницы: 107-113
Подраздел: МОДЕЛИРОВАНИЕ В ФИЗИКО-ТЕХНИЧЕСКИХ ИССЛЕДОВАНИЯХ

Аннотация

Предложен метод идентификации динамики летательного аппарата квадророторного типа на основе рекуррентной нейронной сети Элмана, которая соответствует каноническому виду динамической системы в пространстве состояний и не требует структурной корректировки. Результаты численного эксперимента показали сходимость алгоритма обучения сети с помощью расширенного фильтра Калмана.

DOI: 10.15372/AUT201806010