Резюме върху трудовете на доц . д-р Валери Младенов ...

системи и е представено как само последователностите от знаците на шумовете в критичнитеточки, може да управлява поведението им. В работата е показано, че дадена клетъчнаневронна мрежа може да има зададено динамично поведение само с подходяща промяна накомбинациите от знаците на шумовете в критичните точки, където условията на Lipschitz санарушени. Предложена е и процедура за проектиране на клетъчни невронни мрежи с желаноповедение. В [31] е разгледан подход за синхронизация на две хаотични невронни мрежиизградени от неврони, динамичния режим в които се описва със уравнения на Roessler. За да сегарантира глобална асимптотична устойчивост на синхронизираната система е проектираннелинеен наблюдател, така че получената система за грешката е линейна и управляема.Проектирана е и обратна връзка по състоянието за реализация на синхронизацията. В статиятаса представени аналитичните резултати, които са потвърдени с подходящи симулации. В [32] еразгледана задачата за устойчивост на дискретни нелинейни системи с нелинейности от типнасищане, каквито са и клетъчните невронни мрежи. В работата е предложен е интерваленкритериий за устойчивост на такива системи.В [33] е предложена интегрална реализация на клетъчна невронна мрежа в среда наCADENCE.6. Невронно-размито управление [34]-[38]Статиите в това направление са посветени на невронно-размитото управление. В [34] и[35] е разработен невронно-размит регулатор, еквивалентен на размит регулатор на две нива отосновен и супервайзорен размит регулатор чрез обучение на невронна мрежа от тип Сугено.Данните за обучение се събират от симулационни експерименти съгласно пълен план, прикойто се отразяват всички комбинации и нива на влиящи фактори. Това позволява опростяванена реализацията и подобряване на адаптиращите и самообучаващите се свойства на сложниразмити регулатори или части от тях, за които могат да се снемат необходимите входноизходниданни за обучение на невронната мрежа. Невронно-размит регулатор е синтезиран заразмито управление на разхода на биогаз при анаеробно биологично пречистване на води.Устойчивостта на синтезираната система се изследва по метода на фазовата равнина илингвистичната фазова траектория.Чрез симулационни изследвания и чрез управление вреално време на електрически модел на обекта се доказват подобрения в показателите напроцесите. В [36] и [37] е разработен метод за синтез на управление с прогнозиране на изходана обекта на основа на обучена невронна мрежа от тип Сугено. Успешният синтез изисквавалидиране на Сугено предиктора при избран хоризонт на прогнозиране. Прогнозиращиятрегулатор, който се състои от основен регулатор и Сугено прогнозиращ модел на обекта сеопростява чрез обучение на невронна мрежа, която преставлява негов Сугено еквивалент.Методът е проверен при синтеза на управление на разхода на биогаз при анаеробнобиологично пречистване на води. Устойчивостта на системите с и без прогнозиращ модел наобекта се изследва по метода на фазовата равнина и лингвистичната фазова траектория. В [38]е представен метод за синтез на управление с прогнозиране на изхода на обекта на основа наобучена невронна мрежа от тип Сугено. Предикторът на изхода на обекта се обучавапредварително с данни от работата на синтезираната система с ПИ регулатор в реално време.Обучаващите данни следва да съдържат реакции на възможните смущения и промени назаданията. Пак при работа в реално време се валидира получения предиктор за избранияхоризонт на прогнозиране. Методът е използван за синтез на управление на температурата назагрявана течност. Синтезираната система се отличава с намалени време на регулиране ипререгулиране, както и с по-икономично управление.7. Методични проблеми при обучението по невронни мрежи [39]