Введение

Теория искусственных нейронных сетей развивается в течении последнего полувека, но практическое ее применение стало возможно только в последние 10-15 лет, когда была создана необходимая элементная база для реализации нейронных сетей. Нейронные сети представляют собой новое направление в практике создания технических систем. Возможности нейронных сетей выполнять операции сравнения по образцу и классификации объектов, недоступные для традиционной математики, позволяют создавать искусственные системы для решения задач распознавания образов, диагностики заболеваний, автоматического анализа документов и многих других нетрадиционных приложений [8] .
Данная работа посвящена вопросу применения искусственных нейронных сетей для решения задач идентификации и построения моделей линейных многомерных динамических систем. В работе будет использована структура сети прямого распространения, то есть многослойного перцептрона для построения математических моделей.
Для идентификации объекта хорошо подходят искусственные нейронные сети, так как они могут работать с большинством сложных систем. Не требуя предварительных знаний о них. Все что надо для получения модели - это обучающая выборка входов-выходов системы, которая подается на нейронную сеть.
Основной целью нейронных сетей является то, что после успешного обучения модель на нейронной сети сможет воспроизводить свойства системы, такая процедура решается как задача аппроксимации сети.
Работа состоит из двух частей - теоретической и практической. В теоретической части рассматривается     структура  искусственного  (формального)   нейрона  как  упрощённая математическая модель биологического нейрона. Рассматривается подробная архитектура сети, то есть объединение нейронов в сети, выбор оптимального количества слоёв, числа нейронов на каждом слое, вид функции активации нейронов, а также числа элементов обучающей выборки. Подробно рассмотрены алгоритмы обучения: градиентный метод обратного распространения ошибки и Левенберга-Маквардта. Описаны такие классические методы идентификации, как параметрические и непараметрические.
В практической части работы рассматриваются эксперименты с двумя линейными многомерными динамическими системами с различной сложностью. Математические модели идентификационных сетей были получены в виде линейных нейронных сетей. Для аппроксимации систем были использованы сети с прямой передачей сигнала (многослойного перцептрона).
Целью данной работы было показать на примерах нескольких реальных систем, что искусственные нейронные сети могут быть использованы для идентификации линейных многомерных объектов.