Для управления БЛА применение НС очень проблематично, полностью САУ на них ессесно не построишь, разве что отдельные вспомогательные подсистемы - этим занимаются.
Более того, НС напрямую не дает инфы о внтуренней структуре матмодели и параметрах объекта управления - что сильно ограничивает применение НС для целей адаптивного оуправления

В машинном обучении НС не занимают каких-либо лидерских позиций. Но чтобы не быть отрицателем, скажу что свою долю применения имеют - некоторые направления распознавания образов - активно НС применяются для распознавания письменного текста - тут уж как не критикуй, а тут НС лидеры

Не слышу я в ваших голосах оптимизма! Посмотрел по ссылке. Неочень прога. MatLab намного лучше в инженерных задачах. Ктонибудь может помоч с хорошей ссылочкой для моделирования нелинейных объектов с большим количеством входных и выходных координат при помощи НС.(обьектов навроде двигателей, химических реакции в тех.процессах)
PS Я помню, что говорили "непоадресу", но чувство состродания проявите 8(

> Более того, НС напрямую не дает инфы о внтуренней структуре матмодели и параметрах объекта управления - что сильно ограничивает применение НС для целей адаптивного оуправления

А с какого недосыпу абстрактная модель должна отражать внутреннюю структуру и параметры объекта? Процессы соответствуют - модель отражает поведение объекта. Хотеть от нее большего не совсем как-то не понятно.
И каким местом это мешает управленю?

SlaSH
Это надо в гугле или yahoo.com по ключевым словам искать статейки. Попадалось немало работ, но ссылок не помню. Поищи в сетке в зарубежном инете - стопудово найдешь нужное для тебя

Аноним
>А с какого недосыпу абстрактная модель должна >отражать внутреннюю структуру и параметры объекта?
А с такого. Если мне нужно знать все о процессе или объекте - параметры, структуру модели, то я буду выбирать традиционные настраиваемые модели - ДУ, интегральные, разностные уравнения и всякие вариации на основе их и тд.
А нейросетевая модель в таком случае напрямую мне не даст той информации, которая мне нуна. Отсюда и большие! ограничения преминимости НС для реальных технических приложений

>Хотеть от нее большего не совсем как-то не понятно.
Непонятно, потому что нет представления о многих технических задачах

>И каким местом это мешает управленю?
На основе какой информации будем корректировать параметры регулятора, ибо НС-модель в общем виде такой инфы не дает

> Если мне нужно знать все о процессе или объекте
Так о процессе или об объекте? Процесс то нс-модель вам в состоянии выдать. А если нужно увязываться с потрохами объекта, модель должна выбираться соотв класса/структуры.
> На основе какой информации будем корректировать параметры регулятора
На основе требований к качеству управления и получаемым результатам. Задача слегка недоформулирована. Модель должна восстонавливать вектор состояния? Прекрасно. Тогда, или нс-модель строим соотв образом, или берем что-то более традиционное.

>Так о процессе или об объекте?
О процессе или об объекте. Есть просто процессы, а есть динамические объекты, порождающие процессы.

Есть много приложений, где необходимо оценить параметры матмодели процесса или объекта - аэродинамические производные, статистические хар-ки шумов (матрицы ковариаций) и т.д.
Этого в большистве случаев случаев НС не даст.
Пример тому - ЛА
Если на пальцах. Есть матмодель реального ла со своими внутренними параметрами (аэродинамические производные и тд), а сам этот объект (ЛА) порождает процессы - изменение углов атаки, скольжения, тангажа, крена, угловых скоростей. Если эти процессы НС может восстановить, но вот оценки самих параметрах (например, аэродин. производные) не даст ибо не умеет.

>А если нужно увязываться с потрохами объекта, модель >должна выбираться соотв класса/структуры.
Ну да. О том и речь

>На основе требований к качеству управления и >получаемым результатам.
Правильно - оно всегда так, но очень обстрактно и ответа на вопрос не дает.

>Модель должна восстонавливать вектор состояния? >Прекрасно.
Перкрасно. Только этого мало

>Тогда, или нс-модель строим соотв образом, или берем >что-то более традиционное.
Вот поэтому в большинстве случаев целесообразно прибегать к традиционным или адаптивным методам на основе других методов адаптации, а не НС

Звездочёт. Давайте договоримся. О покойниках либо ничего. Либо хорошо. Про гермионные сети следует вообще молчать. Нету их. А ругать термин не надо. Если хотите узнать про это направление побольше следуйте по ссылке.

http://www.pkforum.ru/board/in ...

Специально топик выбирал для разведения этой дискуссии, чтобы серьёзных людей не дразнить. Внимательно вычитайте все мои посты там и успокойтесь. Я вроде доходчиво всё изложил. Будет чего не ясно или странно, там же и вопрос задайте. Там же и отвечу.

А применять в авиации эту технологию не рекомендую.

С уважением. Львов Г.

И ещё. До кучи. Всем, кто не понял. Нет ничего общего между нейронными сетями и гермионными, кроме того, что и те и другие это сети. Для иных задач они создавались, а то что ветка остановлена, то это я сам её прикрыл. Всё. Точки над i расставлены. Подробности см. выше.

Как работает нейронная сеть. Мое видение вопроса.
1. Создаем сеть
2. Присваиваем какие-то веса связям.
3. Подаем что-то на вход.
4. Смотрим выход - не совпало.
5. Считаем поправку для весов и корректируем их.
6. Возвращаемся к п. 3 до тех пор, пока не совпадет проверка п. 4. Процедура называется обучение.
7. Передаем сеть заказчику.
8. Если результаты заказчика начнут отличаться от ожидаемых, говорим, что заказчик сформировал недостаточно представительную выборку для обучения и обучение необходимо повторить.

Вопрос: в чем я не прав?

Mark V: посмотрите поиск со словом helicopter. Японцы пытались делать адаптированную систему для обучения управления вертолетом. Точных координат дать не могу, запамятовал...

Я что-то не понимаю о чём тут спор?
Нейронные сети - это численные методы чистой воды. По входным значениям и известным для них выходным значениям (их может быть несколько) нейронная сеть строит некую зависимость - функцию. Это один из методов экстраполяции, хотите пользуйтесь методом множителей Лагранжа, только в методе Лангранжа выдаётся одно значение функции, а нейронная сеть может выдавать на выходе не обязательно одно значение, а набор из нескольких значений.

Теорема Колмогорова: для реализации функций многих переменных достаточно операций суммирования и композиции функций одной переменной. В нейронной сети как раз такие операции и производятся.

Численные методы используются же сейчас в нашей жизни, они, конечно, имеют погрешности, но используются...

Пускай и нейронные сети используются, только не надо кидать понты и говорить, что это искусственный интеллект, который всем могёт управлять и всё решать