SISTEMŲ MODELIAVIMAS IR IDENTIFIKAVIMAS
TURINYS
PRATARMĖ
ĮVADAS
1. PAGRINDINĖS PROCESŲ VALDYMO SISTEMŲ SĄVOKOS
1.1. Proceso kintamieji
1.2. Procesų valdymo sistemų samprata
1.4. Valdymo sistemų išsidėstymas
1.5. Papildomi valdymo sistemų terminai
1.6. Pagrindiniai valdymo sistemų kūrimo principai
1.7. Valdymo sistemos pavyzdys
1.8. Skyriaus išvados
2. PROCESŲ DINAMIKOS APRAŠYMO PAGRINDAI
2.1. Dinaminės analizės metodai
2.2. Laplaso (Laplace) transformacija
2.3. Tipiniai įėjimo signalai ir jų charakteristikos
2.4. Skyriaus išvados
3. MATEMATINIAI PROCESŲ MODELIAI
3.1. Matematinis procesų aprašymas
3.2. Įvairios procesų modelių formos
3.3. Modelių formavimas
3.3.1. Bendrasis tvermės principas
3.3.2. Masės, momento ir energijos tvermė
3.3.3. Fizikos ir chemijos dėsnių lygtys
3.4. Modeliavimo pavyzdžiai
3.4.1. Šildomas maišymo rezervuaras
3.4.2. Neizoterminė, šildoma, nenutrūkstamo veikimo maišymo talpa (NVMT)
3.5. Būsenos kintamųjų modeliai
3.5.1. Nenutrūkstamo laiko modeliai
3.5.2. Diskretinio laiko modeliai
3.6. Įvairių modelių formų taikymas
4. TEORINIS PROCESŲ MODELIAVIMAS
4.1. Procesų dinamikos modeliavimas
4.2. Teorinio modelio kūrimo procedūra
4.3. Teorinių modelių kūrimo pavyzdžiai
5. TEORINIŲ MODELIŲ PARAMETRŲ ĮVERTINIMAS
5.1. Pagrindiniai parametrų įvertinimo principai
5.2. Parametrų įvertinimas diferencialinių lygčių modeliuose
5.3. Teorinių modelių tikrinimas
6. PROCESŲ IDENTIFIKAVIMAS (Empirinis procesų modeliavimas)
6.1. Empirinio modeliavimo principai
6.2. Identifikavimas taikant šuolinį trikdį
6.3. Identifikavimas taikant diskretizuotos šuolinės reakcijos kreivės reikšmes
6.4. Identifikavimas, taikant impulsines reakcijos kreives
6.5. Procesų identifikavimas iš dažninių charakteristikų
7. NERAIŠKIŲ AIBIŲ TAIKYMAS SISTEMOMS MODELIUOTI
7.1. Neraiškios aibės
7.2. Lingvistiniai kintamieji
7.3. Operacijos su neraiškiomis aibėmis
7.4. Neraiškių aibių sistemos
7.4.1. Neraiškumo įvedimas (fuzzification)
7.4.2. Taisyklių bazė
7.4.3. Išvadų darymo mechanizmas (inference engine)
7.4.4. Neraiškumo eliminavimas (defuzzification)
7.5. Neraiškios valdymo sistemos (fuzzy control systems)
7.5.1. Neraiškių valdiklių struktūros
7.6. Neraiškių aibių sistemų mokymas
7.7. Neraiškių aibių sistemų taikymas
7.8. Programinė įranga neraiškioms aibių sistemoms realizuoti
8. DIRBTINIŲ NEURONINIŲ TINKLŲ TAIKYMAS SISTEMOMS MODELIUOTI
8.1. Biologinio ir dirbtinio neurono modeliai
8.2. Dirbtiniai neuroniniai tinklai
8.3. Vienasluoksniai ir daugiasluoksniai perceptronai
8.3.1. Perceptronas ir jo mokymas
8.3.2. ADALINE tinklas ir jo mokymas
8.3.3. Daugiasluoksnis perceptronas ir jo mokymas
8.3.4. Radialinių bazinių funkcijų neuroninis tinklas
8.3.5. Sistemų dinamikos modeliavimas neuroniniais tinklais
8.3.6. Autoasociatyviniai neuroniniai tinklai
8.3.7. Neuroninių tinklų kolektyvai
8.4. Save organizuojantys neuroniniai tinklai
8.5. Praktiniai dirbtinių neuroninių tinklų kūrimo aspektai
8.6. Programinė įranga dirbtiniams neuroniniams tinklams realizuoti
8.7. Dirbtinių neuroninių tinklų taikymas
9. HIBRIDINIŲ METODŲ TAIKYMAS SISTEMOMS MODELIUOTI
9.1. Neuroekspertinės sistemos
9.2. Evoliuciniai neuroniniai tinklai ir neraiškios sistemos
9.3. Klasikinių fundamentinių modelių ir neuroninių tinklų derinimas
9.4. Neraiškių sistemų identifikavimas taikant neuroninių tinklų mokymo principus
9.5. Programinė įranga hibridinėms sistemoms kurti
10. SISTEMŲ MODELIAVIMAS MATLAB/SIMULINK PROGRAMINE ĮRANGA
10.1. Algoritmų ir programų kūrimas MATLAB terpėje
10.2. SIMULINK aplinka sistemoms modeliuoti
LITERATŪRA