Details
Title | Нейроморфные системы управления // Системный анализ в проектировании и управлении: сборник научных трудов XXVII Международной научно-практической конференции, 13–14 октября 2023 года: [в 2 частях]. Ч. 2 |
---|---|
Creators | Станкевич Лев Александрович |
Organization | Санкт-Петербургский политехнический университет Петра Великого |
Imprint | Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2024 |
Collection | Общая коллекция |
Subjects | Нейронные сети; Машинное обучение; Системный анализ; пространственно-временные паттерны; восприятие информации; управление поведением; нейроморфные системы; нейро-нечеткие сети; классификация; прогнозирование; spatiotemporal patterns; information perception; behavior control; neuromorphic systems; neuro-fuzzy networks; classification; forecasting |
UDC | 004.032.26; 004.85; 681.51.012 |
Document type | Article, report |
File type | |
Language | Russian |
DOI | 10.18720/SPBPU/2/id24-165 |
Rights | Свободный доступ из сети Интернет (чтение, печать, копирование) |
Record key | RU\SPSTU\edoc\73330 |
Record create date | 8/19/2024 |
Работа посвящена проблемам разработки нейроморфных систем управления. Рассматриваются системы, в которых реализуются функции классификации пространственно-временных состояний окружения объекта, прогнозирование их развития, а также управления этим объектом. Показано, что существующие классификаторы пространственно-временных паттернов могут обеспечить точность 60–80 % при 4-х классах состояний. Предложен новый тип классификатора нейроморфного типа на нейро-нечетких сетях, который показал точность классификации состояний, достаточную для управления объектами в динамических средах. Приведен пример применения классификатора для управления мобильным роботом.
The work is devoted to the problems of developing neuromorphic control systems. We consider systems that implement the functions of classifying the spatio-temporal states of an object’s environment, predicting their development, as well as controlling this object. It is shown that existing classifiers of spatiotemporal patterns can provide an accuracy of 60–80 % for 4 classes of states. A new type of classifier of the neuromorphic type on neuro-fuzzy networks has been proposed, which has shown that the accuracy of state classification is sufficient for controlling objects in dynamic environments. An example of using a classifier to control a mobile robot is given.
Access count: 49
Last 30 days: 11