Розглянуто синтез нейронечіткої багатовимірної системи управління польотом малого БПЛА за умови знаходження компромісу між якістю та робастністю цієї системи. Як робастний прототип, який використовується для навчання нейронечіткої системи, застосовується багатовимірний чіткий регулятор, синтезований за допомогою теореми розділення з наступною робастизацією отриманого рішення на основі робастної - оптимізації, використовуючи генетичний алгоритм. Зміни вхідних та вихідних координат чіткої системивикористовуються для навчання нейронечіткої мережі, яка застосовується для алгоритму зворотного розповсюдження похибки для налаштування параметрів функцій приналежності вхідних сигналів та градієнтної оптимізації для налаштування параметрів алгоритму дефаззифікації Сугено. Наведено результати моделювання нейронечіткої системи керування поздовжнім рухом малого БПЛА, які підтверджують її ефективність.
<span id="result_box" class="long_text" lang="ru"> Рассмотрены синтез нейронечеткой многомерной системы управления полетом малого БПЛА при условии нахождения компромисса между качеством и робастность этой системы. Как робастных прототип, который используется для обучения нейронечеткой системы, применяется многомерный четкий регулятор, синтезированный с помощью теоремы разделения с последующей робастизациею полученного решения на основе робастной - оптимизации, используя генетический алгоритм. Изменения входных и выходных координат четкой системы используются для обучения нейронечеткой сети, которая применяется для алгоритма обратного распространения ошибки для настройки параметров функций принадлежности входных сигналов и градиентной оптимизации для настройки параметров алгоритма дефаззификации Сугено. Приведены результаты моделирования нейронечеткой системы управления продольным движением малого БПЛА, которые подтверждают ее эффективность.
This paper is devoted to the application of adaptive neuro-fuzzy inference systems to the robust control of the UAV longitudinal motion. The adaptive neore-fuzzy inference system model needs to be trained by input/output data. This data were obtained from the modeling of a ”crisp” robust control system. The synthesis of this system is based on the separation theorem, which defines the structure and parameters of LQG-optimal controller, and further - robust optimization of this controller, basedon the genetic algorithm. Such design procedure can define the rule base and parameters of fuzzyfication and defuzzyfication algorithms of the adaptive neore-fuzzy inference system controller, which ensure the robust properties of the control system. Simulation of the closed loop control system of UAV longitudinal motion with adaptive neore-fuzzy inference system controller demonstrates high efficiency of proposed design procedure.
