Модель нейронной сети с преднастройкой для решения задач формирования сенсомоторной координации робота-манипулятора

Тип работы:
Диссертация
Предмет:
Физико-математические науки
Страниц:
134


Узнать стоимость

Детальная информация о работе

Выдержка из работы

Актуальность темы. Наиболее востребованным на сегодняшнем этапе развития робототехники является создание роботов, позволяющих существенно сократить затраты ручною труда в различных сферах человеческой деятельности, а также способных автономно функционировать в экстремальных условиях (под водой, в космосе). Среды, с которыми приходиться взаимодействовать роботу в таких задачах, характеризуются низкой степенью организации. Роботу, способному автономно функционировать в неопределенной или изменяющейся обстановке, необходимо очувствление, обеспечивающее обратную связь от среды, и адаптивность поведения. Сенсорная информация, доставляемая системой очувствления адаптивной управляющей структуре, используется для восполнения априорных сведений о внешней среде с целью формирования правильных выходных управляющих воздействий, направленных на достижение и поддержание некоторого оптимального поведения системы. В результате становится возможным организация адекватного функционирования робота в динамической окружающей среде [1,2].

Построение функционального преобразования, устанавливающего связь между входными — сенсорными и выходными — моторными переменными системы управления, составляет задачу формирования сенсомоторной координации робота. При этом синтез управления поведением робототехническими системами, активно взаимодействующих со сложным окружением, основывается на применении принципа обратной связи. Однако задачи управления по принципу обратной связи, рассматриваемые в теории автоматического управления, существенно отличаются от задачи управления роботом.

Основная проблематика теории автоматического управления связана с изучением временного аспекта процессов в системах с обратной связью, а их функциональные возможности ограничиваются решением задачи отслеживания заданных значений регулируемых величин [3]. В робототехнических же системах большее значение приобретает пространственный аспект описания среды, в связи с чем значительно усложняются сами задачи организации процессов управления. Это и определяет основную специфику задачи формирования сенсомоторной координации. В частности, в таких системах цель поведения задается в пространстве одних переменных, а закон управления ищется в пространстве других переменных. Кроме того, сама цель управления может задаваться в неявной форме из-за недостатка априорной информации. В силу изменчивости окружающей среды характерным для решения поведенческих задач становятся непрерывные цепи изменяющихся целей поведения, что требует от системы управления реализации в одной и той же структуре динамической смены функций, необходимых для осуществления процессов управления на разных этапах поведения робота.

В таких условиях функциональные возможности и эффективность роботов в значительной степени будут зависеть от используемых принципов обработки сенсорной информации и методов управления. Когда среда не полностью известна, модели сенсоров, робота и его окружения будут содержать множество неизвестных параметров. В этом случае реализация системы управления на основе программных алгоритмов не представляется возможной. Поэтому при создании роботов существенное значение приобретают структуры и алгоритмы, которые обеспечивают адаптивные свойства системы управления. Вся необходимая информация, которая не доступна в форме априорных знаний, должна быть приобретена управляющей системой робота в процессе его активного взаимодействия со средой. Обучающиеся системы могут обеспечить высокую степень адаптивности, когда априорной информации недостаточно.

Среди обучающихся структур прочное место занимают искусственные нейронные сети. Однако накопленный к настоящему времени опыт решения задач, связанных с организацией поведения робота с использованием информации об окружении, свидетельствует о том, что проблема координированного управления многозвенными роботами-манипуляторами не имеет удовлетворительного решения в рамках развиваемых нейросетевых парадигм.

Как будет показано в данной работе, возможности существующих нейросетевых алгоритмов не удовлетворяют специфике задачи формирования сенсомоторной координации. Этот факт заставляет исследователей искать другие, более простые в реализации, структуры, но эти структуры не позволяют решать более сложные задачи. Указанный недостаток относится и к создаваемым в настоящее время наиболее перспективным и продвинутым разработкам гуманоидных роботов. Используемые в них алгоритмы нечеткой (fuzzy) логики основаны на простых, интуитивно понятных правилах обучения, но сценарии поведения жестко ограничиваются этим набором правил.

С другой стороны, не вызывает сомнения адекватность именно нейросетевых реализаций задачам сенсомоторной координации, так как мозг человека и животных успешно их решает, но эффективного решения пока не было предложено. Таким образом, построение адаптивных структур на основе нейроподобных элементов остается наиболее актуальным аспектом при реализации компонентов системы управления роботом.

Целью настоящей диссертационной работы является разработка и исследование адаптивной модели нейронной сети с преднастройкой для решения задач сенсомоторной координации роботов-манипуляторов.

Для достижения поставленной цели в диссертации решаются следующие основные задачи:

— разработка архитектуры модели нейронной сети с преднастройкой, обладающей свойством локальной адаптивности-

— разработка процедуры преднастройки, как механизма адаптации в модели нейронной сети-

— исследование функциональной универсальности нейронной сети с преднастройкой при различных способах инициализации ее параметров-

— проведение имитационного программного моделирования нейронной сети с преднастройкой с целью тестирования разработанной модели на ряде задач-

— применение разработанной модели к задаче реализации функции константности восприятия в системе управления программной модели двухзвенного робота-манипулятора.

Методы исследований. Для решения поставленных задач в работе использованы методы вычислительной математики, теории вероятностей и математической статистики, а также методы прикладного программирования.

Объект исследования. Объектом исследования являются: методы построения нейросетевых структур, обладающих заданными свойствами- способы аппроксимации функций в базисе нейронных сетей- алгоритмы адаптации нейросети к изменяющимся условиям функционирования.

Научная новизна.

Научная новизна заключается:

— в предложенной оригинальной нейросетевой парадигме, использующей в качестве адаптивной процедуры преднастройку нейронной сети на требуемое функциональное преобразование. В отличие от известных нейросетевых структур, вместо обучения в качестве механизма адаптации разработанная модель нейронной сети реализует процедуру преднастройки на основе & laquo-включения»- и & laquo-выключения»- вставочных нейронов сети посредством их комбинаторного вытормаживания, чем обеспечивается функциональная универсальность такой сети.

— в новой структуре из нейроподобных элементов позволяющей осуществлять аппроксимацию кусочно-непрерывными функциями без итеративных процедур последовательного приближения сразу на всей области определения, оставаясь в рамках фиксированной структуры, и достигать высокой точности аппроксимации с помощью нейросети небольших размеров. в разработанном алгоритме преднастройки, реализующем в нейросети поисковые принципы функционирования, основанные на идее пробных локальных преобразований.

Основные научные результаты: разработана элементарная нейронная структура, на основе которой строится архитектура модели нейронной сети с преднастройкой, реализующей кусочно-г. инейную аппроксимацию- разработана процедура преднастройки, как механизма адаптации в модели нейронной сети, на основе & laquo-включения»- и & laquo-выключения»- вставочных нейронов сети посредством их комбинаторного вытормаживания- исследованы алгоритмы инициализации параметров нейросети с преднастройкой для получения функционально универсальных структур- получены результаты имитационного моделирования разработанной нейронной сети с преднастройкой, доказывающие эффективность предложенной нейросетевой структуры и ее преимущество перед существующими аналогами.

Основные положения, выносимые на защиту: новый подход к задаче формирования сенсомоторной координации роботов-манипуляторов- архитектура нейронной сети, обладающей свойством локальной адаптивности при распределенном представлении аппроксимируемых в нейросети функций- алгоритм преднастройки на требуемое функциональное преобразование как механизм адаптации нейросети к изменяющимся условиям функционирования на основе & quot-включения"- и & quot-выключения"- вставочных нейронов сети посредством их комбинаторного вытормаживания- алгоритмы инициализации параметров модели нейронной сети с преднастройкой для получения функционально универсальных структур- способ формирования константности восприятия в системе управления роботом-манипулятором.

Теоретическая и практическая ценность:

— разработанная нейронная структура позволяет решать задачи синтеза координированного управления движениями многозвенных роботов-манипуляторов за счет объединения в едином процессе как поиска элементарных поведенческих актов, так и воспроизведения ранее освоенных сценариев поведения-

— разработанная архитектура нейронной сети с преднастройкой, которая может служить основой при построении схем, реализующих функции целенаправленного зрительного восприятия в системах технического зрения роботов-

— предложенная реализация механизма преднастройки в нейронных структурах может быть использована для воспроизведения управления селективным вниманием, предсказания последствий действий и других важных функций для систем с активным поведением во внешней среде.

Апробация работы. Основные результаты работы докладывались и обсуждались на XIII Международной конференции по нейрокибернетике (г. Ростов-на-Дону, 2002 г.), на II и V Всероссийских научно-технических конференциях & laquo-Нейроинформатика»- (г. Москва. 2000 г., 2003 г.), на VIII Всероссийской конференции & laquo-Нейрокомпьютеры и их применения& raquo- (г. Москва, 2002 г.), на семинаре Лаборатории вычислительного эксперимента (ЮГИНФО РГУ, г Ростов-на-Дону, 2003 г.), а также на семинарах кафедры биофизики и биокибернетики физического факультета РГУ и НИИ НК РГУ.

Публикации. По теме диссертации опубликовано 8 работ, из них 1 — в российском рецензируемом журнале, 7 — в тезисах и материалах конференций.

Структура диссертации. Работа состоит из введения, четырех глав, заключения, списка литературы, приложения и изложена на 134 страницах, содержит 30 рисунков и 3 таблицы- список литературы включает 124 наименования.

ВЫВОДЫ

1. Разработана и исследована новая архитектура локально-адаптивной нейронной сети, позволяющая осуществлять аппроксимацию функциональных зависимостей кусочно-непрерывными функциями без наращивания структуры нейросети и без использования итерационной процедуры приближения на всей области определения функции.

2. Разработан и исследован алгоритм преднастройки модели нейронной сети, основанный на комбинаторном вытормаживании вставочных нейронов и позволяющий осуществлять локальные адаптивные процедуры уточнения или видоизменения выходной функции на отдельных участках без переобучения всей нейронной сети.

3. Исследованы алгоритмы определения параметров модели нейросети с преднастройкой, обеспечивающие функциональную универсальность и возможность автоматической настройки нейросети на требуемое функциональное преобразование без изменения ранее заданных параметров.

4. Показано, что при реализации функции константности восприятия в системе управления программной моделью двухзвенного робота-манипулятора, использование модели нейронной сети с преднастройкой расширяет возможности системы и увеличивает точность сенсомоторной координации.

ЗАКЛЮЧЕНИЕ

Основным результатом диссертационной работы является разработка и анализ искусственной нейронной сети нового типа, ориентированной на решение задач организации активного поведения робота-манипулятора в неорганизованной и изменяющейся внешней среде.

Модель нейронной сети с преднастройкой, с одной стороны, эффективно сочетает свойства локальной адаптивности и структурно распределенного представления аппроксимирующих функций, каждое из которых присуще существующим нейронным сетям только по отдельности. С другой стороны, для построения требуемой функциональной зависимости реализуется принципиально иной механизм адаптации, нежели в известных нейронных сетях, — преднастройка.

Проведенное сравнительное тестирование с многослойной нейронной сетью обратного распространения ошибки и нейросетью адаптивной резонансной теории показало, что следствием указанных характеристик разработанной модели является ее способность решать задачи построения функциональных зависимостей во многом более эффективно. А именно: нейронная сеть с преднастройкой не требует пакетных способов обучения, не требует наращиваемости структуры, позволяет осуществлять преобразования локально, при этом достигается высокая точность приближения при небольших фиксированных размерах нейроструктуры.

Из важных свойств нейросети с преднастройкой выделяется ее возможность работать в условиях, вне зависимости от того, задается ли целевая функция на входных или выходных переменных. Это обеспечивается разработанным алгоритмом преднастройки, в основе которого лежит случайный поиск вытормаживающих комбинаций вставочных нейронов нейросети. Эффективность случайного поиска решений в нейросети с преднастройкой по сравнению с известными нейросетевыми реализациями обусловлена переходом из высокоразмерного пространства настраиваемых весовых коэффициентов с непрерывными значениями в пространство меньшей размерности регулируемых порогов вставочных нейронов с бинарными значениями.

Конкретные значения весовых коэффициентов тормозных связей вставочных нейронов нейросети с преднастройкой оказывают прямое влияние на ее размеры для достижения требуемой точности аппроксимации. Исследование функциональной универсальности разработанной нейроструктуры позволило выбрать способ инициализации весовых коэффициентов тормозных связей вставочных нейронов нейросети случайными значениями.

Эта процедура представляется простой и не требующей каких-либо дополнительных вычислительных алгоритмов. Кроме того, при этом достигается баланс между малыми размерами сети и надежностью при поиске вытормажимающих комбинаций.

Возможность получения функционально универсальной структуры состоялась благодаря разделению функций между двумя модулями нейронной сети. В нейронной сети адаптг вной фильтрации, подробно рассматриваемой в данной работе, на единожды определенных ее размерах и параметрах реализуются все функциональные преобразования, а в нейронной сети состояний запоминаются соответствующие преднастраивающие воздействия. Нейросеть состояний является обучающейся и осуществляет поисковый процесс вытормаживающих комбинаций на вставочные нейроны нейросети адаптивной фильтрации, имеющих смысл преднастройки данной сети на локальные функциональные преобразования. Если говорить о повышении эффективности поиска, осуществляемого сетью преднастройки, то, скорее всего, следует его связывать с какими-то ассоциативными процессами в этой нейросети и соответствующими механизмами обучения.

Исследование применения нейронной сети с преднастройкой для реализации функции константности восприятия в системе управления программной модели двухзвенного робота-манипулятора показало, что такая функция позволяет организовать активное поведение робота в неорганизованной и динамически изменяющейся внешней среде. Это в свою очередь существенно расширяет круг задач, решаемых робототехнической системой, и повышает точность выполнения заданных манипуляционных операций.

В качестве перспективных направлений использования нейронной сети с преднастройкой выделяются реализация адаптивного управления робота-манипулятора с воспроизведением селективного внимания. Необходимость воспроизведения селективного внимания диктуется тем, что в изменяющихся и неорганизованных средах робот должен функционировать в многоцелевом режиме, когда для реализации одной цели значения каких-то входных переменных могут быть незначимы, а для реализации другой цели реакция на изменение этих переменных должна быть вполне определенной. Рассмотренные механизмы преднастройки нейронных сетей в полной мере относятся и к задачам активного зрительного восприятия, когда в зависимости от текущей цели поведения робота не только переключается внимание, но и меняется алгоритм интерпретации текущих зрительных сигналов. При этом основная идея использования нейросети с преднастройкой в таких задачах, как и в рассмотренных задачах силового восприятия, состоит в том, чтобы избежать разделения между восприятием и генерацией поведения и соединить их в едином нейронном процессе. Важным является то, что тогда зрительные сцены характеризуются непосредственно в категориях поведения, т. е. суммой действий, которые, например, описьиают возможные способы доступа к частично закрытым объектам.

Результаты исследований представлены на сайте НИИ нейрокибернетики по адресу http: //www. kгinc. ru/dnшmr/d5nnp. htшl.

ПоказатьСвернуть

Содержание

СОДЕРЖАНИЕ.-.

ГЛАВА 1. АНАЛИЗ ВОЗМОЖНОСТЕЙ НЕЙРОСЕТЕВЫХ ПАРАДИГМ ДЛЯ РЕШЕНИЯ ЗАДАЧ СЕНСОМОТОРНОЙ КООРДИНАЦИИ РОБОТА-МАНИПУЛЯТОРА

1.1. Обучающиеся нейронныечгети с глобальной адаптацией.

1.1.1. Аппроксимационные свойства многослойных нейронных сетей.

1.1.2. Алгоритмы обучения многослойных нейронных сетей.

1.1.3. Проблема глобальной аппроксимации.

1.2. Обучающиеся нейронные сети с локальной адаптацией.

1.2.1. Кусочная аппроксимация многослойными сетями.

1.2.2. Кусочно-линейная аппроксимация локально адаптивными нейронными сетями.

1.2.3. Проблема локального представления функций.

1.3. Преднастраивающиеся нейронные сети с локальной адаптацией.

1.3.1. Бионические предпосылки использования преднастройки.

1.3.2. Функциональная универсальность нейронной сети с преднастройкой.

1.3.3. Поисковые принципы функционирования.

1.4. Проблема константности восприятия сенсорных сигналов.

1.4.1 Реализация функции константности восприятия как оптимизационная задача

1.5. Выводы.

ГЛАВА 2. РАЗРАБОТКА И ИССЛЕДОВАНИЕ МОДЕЛИ НЕЙРОННОЙ СЕТИ С ПРЕДНАСТРОЙКОЙ.

2.1. Архитектура и параметры нейронной сети с преднастройкой.

2.1.1. Модель нейрона.

2.1.2. Элементарная ячейка нейронной сети.

2.1.3. Нейронная сеть с пш вставочными нейронами.

2.2. Аппроксимационные свойства нейронной сети с преднастройкой.

2.3. Исследование зависимости точности аппроксимации от количества вставочных нейронов.

2.4. Выводы.

ГЛАВА 3. СРАВНИТЕЛЬНОЕ ТЕСТИРОВАНИЕ НЕЙРОННЫХ СЕТЕЙ.

3.1. Архитектуры нейронных сетей и алгоритмы их функционирования.

3.1.1. Нейронная сеть с преднастройкой.

3.1.2. Нейронная сеть с обратным распространением ошибки.

3.1.3. Нейронная сеть адаптивной резонансной теории.

3.2. Результаты вычислительных экспериментов.

3.2.1. Сравнение нейронных сетей с преднастройкой и обратным распространением ошибки.

3.2.2. Сравнение нейронных сетей с преднастройкой и адаптивной резонансной теории. Н

3.3. Выводы.

ГЛАВА 4. ПРИМЕНЕНИЕ МОДЕЛИ НЕЙРОННОЙ СЕТИ С ПРЕДНАСТРОЙКОЙ ДЛЯ РЕАЛИЗАЦИИ ФУНКЦИИ КОНСТАНТНОСТИ ВОСПРИЯТИЯ В СИСТЕМЕ УПРАВЛЕНИЯ РОБОТА-МАНИПУЛЯТОРА.

4.1. Модель робота-манипулятора.

4.2. Модель нейросети константности. &bull-.

4.3. Результаты моделирования.

4.3.1. Перемещение объекта в схвате по заданной траектории.

4.3.2. Взаимодействие схвата с внешним объектом.

4.4. Выводы.

Список литературы

1. Куафе Ф. Взаимодействие робота с внешней средой: Пер. с франц. М.: Мир, 1985. -285 с.

2. Козлов Ю. М. Адаптация и обучение в робототехнике. М.: Наука. Гл. ред. физ. -мат. лит., 1990. -248 с.

3. Иващенко Н. Н. Автоматическое регулирование. Теория и элементы систем. М. :Машиностроение, 1973. 606 с.

4. McCulloch W.S. Agathe tyche of nervous nets the lucky reckoners. // Proc. Symposium on Mechanization of Thought Processes, N.P.L., Teddington, 1958.

5. Antsaklis P.J. Defining intelligent control. // IEEE Control Systems, Report of the Task Force on Intelligent Control, 1994.

6. Bezdek J. Fuzzy models what are they, and why? // IEEE Transactions on Fuzzy Systems, 1993, 1(1), pp. 1−6.

7. Goldberg D. Genetic Algorithms in Machine Learning, Optimization, and Search. Addison-Wesley, 1988.

8. Haykin S. Neural Networks. MacMillan, New York, 1994.

9. Eccles J.C., Ito M., Szentagothai J. The cerebellum as a neuronal machine. New York, 1. Springer, 1967.

10. Marr D. A theory of cerebellar cortex. // J. Physiol., 1969. v. 202. — pp. 437−470.

11. Albus J.S. A theory of cerebellar function. // Math. Bioschi., 1971. v. 10. — pp. 25−61.

12. Bishop C.M. Neural Networks for Pattern Recognition. Oxford University Press, 1995.

13. Ripley B.D. Pattern Recognition and Neural Networks. Cambridge University Press, 1996.

14. Коган А. Б. Некоторые проблемы искусственного интеллекта робота. // В сб. Робототехника. Выпуск 2. 1979. с. 11−18.

15. Мкртчян С. О. Нейроны и нейронные сети. Москва. Энергия, 1971, 231 с.

16. Галушкин А. И. Теория нейронных сетей. М. :ИПРЖР. Сер. & laquo-Нейрокомпьютеры и их применение& raquo-. Кн. 1. 2000.

17. Мак-Каллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности. // В кн. Автоматы. М.: ИЛ. 1956. с. 362 384.

18. Горбань А. Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. -276 с.

19. Stone M.N. The Generalized Weierstrass Approximation Theorem. // Math. Mag., 1948. v. 21. -pp. 167−183.

20. Hornik К., Stinchcombe М., White Н. Multilayer feedforward networks are universal approximators. // Neural Networks, 1989. vol. 2. — pp. 359−366.

21. Cybenko G. Approximation by superpositions of a sigmoidal function. // Mathematics of Control, Signal and Systems, 1989. vol. 2. — pp. 303−314.

22. Park J., and Sandberg I.W. Universal approximation using radial basis function networks. // Neural Computation, 1991. v.3. — pp. 246−257.

23. Leshno M., Lin V., Pinkus A., and Schocken S. Multilayer feedforward networks with a nonpolynomial activation function can approximate any function. // Neural Networks, 1993. -v.6. — pp. 861−867.

24. Горбань А. Н. Обучение нейронных сетей. М.: СП ParaGraph, 1990. 160 с.

25. Parker D.B. Learning-logic. Invention Report. 1982.

26. Rumelhart D.E., Hinton G.E., and Williams R.J. Learning internal representations by error propagation. In Parallel distributed processing, London: MIT Press, 1986. vol. 1. — 550 p.

27. Werbos P.G. Beyond regression: New tools for prediction and analysis in the behavioral sciences. Ph.D. Thesis, Dept. of Applied Mathematics, Harvard University, Cambridge, Mass, 1974.

28. Lisboa P.J.G. A review of evidence of health benefit from artificial neural networks in medical intervention. // Neural Networks, 2002. v. 15. — pp. 11−39.

29. Robert R. Trippi. Neural Networks in Finance and Investing. Probus Publishing Company, 1993.

30. Tagliaferri R., Longo G., D’Argenio B. and Incoronato A. Introduction: Neural networks for analysis of complex scientific data: astronomy and geosciences. // Neural Networks, 2003. v. 16.

31. Miller W.T., Sutton R.S., Werbos P.J. Neural Networks for Control. MIT Press, 1996.

32. Omid O., Elliot D.L. Neural Systems for Control. Academic Press, 1997.

33. Lewis F. L., Yesildirek A., Liu K. Multilayer neural-net robot controller with guaranteed tracking performance. // IEEE Trans. Neural Networks, 1996. vol. 7. — pp. 388−399.

34. Liguni Y., Sakai H., Tokumaru H. A nonlinear regulator design in the presence of system uncertainties using multilayer neural networks. // IEEE Trans, on Neural Networks, 1995. -vol. 2. no. 2. — pp. 410−417.

35. Ozaki Т., Suzuki Т., Furuhashi Т., Okuma S., Uchikawa Y. Trajectory control of robotic manipulator using neural networks. // IEEE Trans, on Industrial Electronics, 1991. vol. 38. -no. 3. — pp. 195−202.

36. Fu J., N. Sinha K. An iterative learning scheme for motion control of robots using neural networks: a case study. // Journal of Intel. & Robotic Systems, 8, 1993, pp. 375−398.

37. Heiss M. Error-minimizing dead zone for basis function networks. // IEEE Trans. On Neural Networks, 1996. vol. 7. — no.6. — pp. 1503−1506.

38. Arimoto S., Kawamura S., Miyazaki F., Bettering operation of robots by learning. // J. Robot

39. System, 1984. v.l. — pp. 123−140.

40. Bondi P., Casaline G., Gambardella L., On the iterative learning control theory for robotic manipulators. // IEEE J Robot & Automation, 1988. vol. 4. — no. 1. — pp. 14−22.

41. Kuc T. Y., K. Nam, J. S. Lee, A iterative learning control of robot manipulators. // IEEE Trans, on Robotics and Automation, 1991. vol. 7. — no. 6. — pp. 835−841.

42. Тимофеев A.B. Управление роботами: Учебное пособие. Л.: Изд-во Ленингр. ун-та, 1986. -240 с.

43. Окамото К. Алгоритм управления многозвенным манипулятором. // В сб. Интегральные роботы. Выпуск 2. М. :Мир, 1975. с. 305−322.

44. Pieper D.L. Kinematics of manipulator under computer control, Stanford A.I. Rep., Memo No. AI-72, 1968.

45. Самарин А. И. Нейросетевые модели в задачах управления поведением робота. // В кн.: Лекции по нейроинформатике. 3-я Всероссийская научно-техническая конференция & quot-Нейроинформатика 2001″. М.: МИФИ. 2001. — с. 60−102.

46. Sutton R., A. Barto. Reinforcement Learning: An Introduction. Cambridge: MIT Press, 1998. -432 p.

47. Торндайк Э., Уотсон Д. Б. Бихевиоризм. М. :Аст, 1998. 704 с.

48. Растригин Л. А. Системы экстремального управления. М., Наука, 1974. 632 с.

49. Barto A.G., Sutton R.S., Anderson C.W. Neuronlike adaptive elements that can solve difficult learning control problems. // IEEE Transactions on Systems, Man and Cybernetics, 1983. -v. 13. pp. 834−846.

50. Williams, R.J. Simple statistical gradient-following algorithms for connectionist reinforcement learning. // Machine Learning, 1992, 8, pp. 229−256.

51. Wassermann P.D. Combined backpropagation Cauchi machine. // Neural Networks. Abstacts of the First INNS Meeting, 1988. v.l. — pp. 556−559.

52. Yang S. X., Mengb M. An efficient neural network approach to dynamic robot motion planning. // Neural Networks, 2000. v. l3. — no. 2. — pp. 143−148.

53. Martin P., Millan J., Learning reaching strategies through reinforcement for sensor-based manipulator. // Neural Neworks, 1998. v. l 1. — pp. 359−376.

54. Gullapalli V. Direct associative reinforcement learning methods for dynamic systems control. // Neurocomputing, 1995. v.9. — pp. 271−292.

55. Simons J., Brussil H.V., Schutter J.D. and Erhaert J. A self-learning automation with variable resolution for high precision assembly by industrial robots. // IEEE Trans. Automatic Control, 1982. -v. 27. -pp. 1109−1113.

56. Gullapalli V., Grupen R. and Barto A, Learning reactive admittance control. // In Proceedings IE^E Int. Conf. on Robotics and Automation. 1992. pp. 1475−1480.

57. Bosman S. Locally weighted approximations: yet another type of neural network. PhD Thesis. Intelligent Autonomous group, Department of Computer Science, University of Amsterdam. 1996.

58. Fiesler E. Minimal and high order neural network topologies. // In Proceedings of the Fifth Workshop on Neural Nerworks, 1993. v. 2204. — pp. 173−178.

59. Moody J., Antsaklis P.J. The dependence identification neural network construction algorithm. //IEEE Transactions on Neural Networks, 1996. -v. 7. -no. l. -pp. 3−15.

60. Wynne-Jones M. Node splitting: a constructive algorithm for feed-forward neural networks. // Neural Computing And Applications, 1993. v.l. — no. 17.

61. Новиков A.B. Решение задачи классификации на нейронной сети переменной структуры. // Труды VIII Всероссийской конференции & laquo-Нейрокомпьютеры и их применение& raquo-, 2002. -с. 1153−1161.

62. Ка nin E.D. A simple procedure for pruning backpropagation trained neural networks. // IEEE Transactions on Neural Networks, 1990. v. 1. — no.2. — pp. 239−242.

63. Reed R. Pruning algorithms a survey. // IEEE Transactions on Neural Networks, 1993. — v.4. -no.5. — pp. 740−747.

64. Ивахненко А. Г. Теория самоорганизации основа прямого моделирования сложных систем по экспериментальным данным. // В сб. Проблемы адаптивного управления, 1974. -с. 192−211.

65. Holland J. Adaptation in Natural and Artificial Systems. University of Michigan Press, 1975.

66. Jones A.J. Genetic algorithms and their applications to the design of neural networks. Neural computing and applications, 1993. v. 1. — no. 1. — pp. 32−45.

67. Radcliffe N.J. Genetic set recombination and its application to neural network topology optimization. // Neural computing and applications, 1993. v.l. — no. 1. — pp. 67−90.

68. Montana D. and Davis L., Training feedforward neural networks using genetic algorithms. // In Proc. of Eleventh International Joint Conference on Artificial Intelligence, San Mateo, CA, US A, 1989. pp. 762−767.

69. Божич В. И., Лебедев О. Б., Шницер Ю. Л. Разработка генетического алгоритма обучения нейронных сетей. // Перспективные информационные технологии и интеллектуальные системы. 2001. -№ 1. с. 21−24.

70. Wicker D., Rizki М. М., Tamburino L. A. E-Net: Evolutionary neural network synthesis. // Neurocomputing, 2002. v. 42. — pp. 171−196.

71. Hu J., Wellman M.P. Multiagent Reinforcement Learning: Theoretical Framework and an Algorithm. // In Proceedings of the Fifteenth International Conference on Machine Learning (ICML-98), Madison, WI, USA, 1998. pp. 242−250.

72. McFarland D.J., Boesser T. Intelligent behaviour in animals and robots. Cambridge, MA: MIT Press/Bradford Books, 1993.

73. Сегерлинд Л. Применение метода конечных элементов. Пер. М: Мир, 1979. 392 с.

74. Дорогов А. Ю. Быстрые нейронные сети. СПб.: Изд-во С. -Петерб. ун-та, 2002. — 80 с.

75. Wu J., Huang С.Н. Back-Propagation Neural Networks for Identication and Control of a Direct Drive Robot. // J. of Intelligent and Robotic Systems, 1996. vol. 16. — no.l. — pp. 45−64.

76. Zalzala Ali, Morris Alan A neural network approach to adaptive robot control. International Journal of Neural Networks, 1991. v.2. — по. 1. — pp. 17−33.

77. Nanayakkara Thrishantha, Watanabe Keigo, Kiguchi Kazuo, Izumi Kiyotaka. Controlling

78. Multi-Link manipulators by Fuzzy Selection of Dynamic Models. // In Proc. of IEEE International Conference on Industrial Electronics, Control and Instrumentation, 2000. pp. 638−643.

79. Kawato M., Y. Uno, M. Isobe, and R. Suzuki, Hierarchical neural network model for voluntary movement with application to robotics. // IEEE Control System Magazine, 1988. vol. 8. — no. 2. -pp. 8−15.

80. Nauayakkara Т., Watanabe K., Izumi K. Evolving in Dynamic Environments Through Adaptive Chaotic Mutation. // In Procs. of Fourth International Symposium on Artificial Life and Robotics, 1999. v.2. — pp. 520−523.

81. Miller III, W.T. Real-time application of neural networks for sensor-based control of robots with vision. // IEEE Transactions on Systems, Man, and Cybernetics, 1989. v. 19. — no. 4. -pp. 825−831.

82. Kohonen, T. Self-Organization and Associative Memory. Berlin: Springer, 1988.

83. Martinetz T., Ritter H., and Shulten K. Three-dimensional neural net for learning visiomotor coordination of a robot arm. // IEEE Transactions on Neural Networks, 1990. v.l. — no.l. -pp. 131−136.

84. Albus J. A new approch to manipulator control: the Celeberal Model Articulation Controller (CMAC). // Trans. of the ASME. Journal of Dynamic System, Measurement and Controls. 1975. -v. 97. -pp. 220−227.

85. Cembrano G., Wells G., and Ruggeri A. Dynamic control of a robot arm using CMAC neural networks. // Contol Eng. Practice, 1997. v.5. — no.4. — pp. 485−492.

86. Miller W.T., Glanz F.H., and Kraft L.G. Application of a general learning algorithm to the control of robotic manipulators. // Journal of Robotics Research, 1987. v.6. -no.2. — pp. 8498.

87. Ananthraman S. and Garg D.P., Training backpropagation and CMAC neural networks for control of a SCARA robot. In Engineering Applications of Artificial Intelligence. Pergamon Press.

88. Carpenter G.A., Grossberg S. A Massively Parallel Architecture for a Self-Organizing Neural Pattern Recognition Machine. // Computer Vision, Graphics, and Image Processing, 1987. v. 37. -pp. 54−115.

89. Srinivasa N., Sbarma, R. A self-organizing invertible map for active vision applications. // In Proceedings of the World Congress on Neural Networks, 1996. pp. 121−124.

90. Hesselroth Т., Sarkar К., van der Smagt P., and Shulten K. Neural network control of pneumatic robot arm. // IEEE Transactions on Systems, Man, and Cybernatics, 1994. v. 24. — no.l. pp. 28−38.

91. Katayama M. and Kawato M., A parallel-hierarchical neural network model for motor control of musculo-skeletal system, ATR Auditory and Visual Perception Research Laboratories, TR-A-0145, 1992.

92. Цыпкин Я. З. Адаптация и обучение в автоматических системах. М.: Наука, 1968. 399 с.

93. Ивашкин B.C., Онуфриева B.B. Перцептивная преднастройка и зрительные персеверации. // В сб.: Фундаментальные и прикладные психологические исследования. Владимир, 1998. Вып. 1. — 81 с.

94. Фейгенберг И. М., Иванников В. А. Вероятностное прогнозирование и преднастройка к действиям. М. :Изд-во МГУ, 1978. — 112 с.

95. Трифонов Е. В. Психофизиология человека. Толковый русско-английский словарь. Санкт-Петербург, Россия, 2001.

96. Анохин П. К. Принципиальные вопросы общей теории функциональных систем. В кн.: Принципы системной организации функций. М.: Наука. 1973. — с. 5−61.

97. Чароян О. Г. Карпенко Л.Д. Адаптация и торможение в свете информационной деятельности нервной системы. // В сб. статей Проблемы адаптивного управления. Ростов-на-Дону, 1974. -е. 49−59.

98. Eccles, J.C. The Inhibitory Pathways of the Central Nervous System, 1969, Liverpool University Press.

99. Юб. Мас Key D.M. Possible information-processing functions of inhibitory neural neuronal mechanisms. Perg. Press., p. 529, 1968.

100. Hartline H.K. Receptor mechanisms and the integration of sensory information in the eye. // Rev. of Mod. Physics, 1959. v. 31. — p. 515.

101. Kawato M., Wolpert D.M. Multiple paired forward and inverse models for motor control. Neural Networks, 1998. vol. 11. — pp. 1317−1329.

102. Самарин А. И. Бионическая модель системы «глаз-рука» зрительно-двигательной координации робота. // В Докл. Межд. Конференции по Бионике, Бионика-78, M. -JL, 1978. т. 1. — с. 147−149.

103. Ю. Фицнер JI.H. Биологические поисковые системы. М. :Наука, 1977,138 с.

104. Ш. Самарин А. И. Формирование сенсомоторных отношений при активном взаимодействии автономной системы с внешней средой. // В сб. научных трудов Всероссийской научно-технической конференции & laquo-Нейроинформатика 99″. М.: МИФИ. 1999. — 4.2. — с. 172 — 180.

105. Angelaki D.E., Mchenry M.Q., Dickman J.D., Newlands S.D., and Hess B.J.M. Computation of inertial motion: neural strategies to resolve ambiguous otolith information. // J Neurosci, 1999. -v.l 9. -pp. 316−327.

106. Snyder L. This way up: illusions and internal models in the vestibular system. Nat Neurosci. 1999. v.2. -pp. 396−398.

107. Merfeld D.M., Zupan L., and Peterka R.J. Humans use internal models to estimate gravity and linear acceleration. // Nature, 1999. v. 398. — pp. 615−618.

108. Розен P. Принципы оптимальности в биологии. М.: Мир, 1969. 216 с.

109. Нб. Зенкевич О., Морган К. Конечные элементы и аппроксимация. Пер. с. англ. М.: Мир, 1986. -318с.

110. Петросян В. Г., Петросян Т. В. Методы перебора в решении физических задач. // Информатика и образование, 1996. с. 73−83.

111. Goldberg D. Genetic Algorithms in Machine Learning, Optimization, and Search. Addison-Wesley, 1988.

112. Розенблатт Ф. Принципы нейродинамики: перцептроны и теория механизмов мозга: Пер. с англ. М.: Мир, 1965. -480 с.

113. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М. :Мир. 1992. — 184 с.

114. Hansen L., Pathria R., Salamon P. Stochastic dynamics of supervised learning. // Journal of Physics A, 1993. v. 26. — pp. 63−71.

115. Zadeh L. Fuzzy Sets. Information and Control, 1988. — v.8. — pp. 338−353.

116. Carpenter G.A., Grossberg S., and Reynolds J.H. ARTMAP: Supervised real-time learning and classification of nonstationary data by a self-organizing neural networks. // Neural Networks, 1991. -vol. 4. -pp. 565−588.

117. Фу К., Гонсалес P., Ли К. Робототехника. Пер. с англ. М. :Мир, 1989. — 624 с.

Заполнить форму текущей работой