Lucrarea nr. 6.

IDENTIFICAREA SISTEMELOR DINAMICE UTILIZND REELE NEURALE

1. Consideraii generale, motivaie i obiectiv
Identificarea sistemelor dinamice bazat pe modele neurale s-a conturat ca direcie de cercetare la nceputul anilor 90, drept urmare a investigaiilor matematice asupra proprietilor de aproximare ale reelelor neuronale. Evoluia noului domeniu a fost impulsionat de contribuiile remarcabile ale unor nume de prestigiu n Automatic, ca, de exemplu, K. Narendra, K. Parthasarathy, P.J. Gawthorp, T.J. McAvoy, L. Ljung. Pe de alt parte, firmele productoare de software tehnico-tiinific au demarat dezvoltarea de faciliti specifice reelelor neuronale, astfel nct apariia n 1992 a primei versiuni a Neural Network Toolbox ncorporat n mediul MATLAB 4.2 a avut un impact major asupra interesului acordat de ctre automatiti acestei direcii de cercetare. Modelele generale de identificare parametric a sistemelor dinamice neliniare se pot implementa, att hard ct i soft, cu ajutorul reelelor neurale artificiale. Parametrii modelului neliniar neural sunt reprezentai de ponderile sinaptice ale neuronilor i valorile de prag ale acestora. Teoria general se poate aplica direct pentru obinerea modelului neural innd cont de echivalenele: structura modelului = arhitectura reelei neurale estimare = antrenare validare = generalizare set de date de estimare = set de date de antrenare set de date de validare = set de date de generalizare Prin parcurgerea acestei edine de laborator studenii se vor familiariza cu problemele specifice identificrii neurale a sistemelor dinamice. Scopul final al acestei prezentri este de a facilita utilizarea ulterioar a unor asemenea modele n aplicaii privind controlul unor sisteme date.

2. Cunotine prealabile necesare

Capitolul Identificare neural a sistemelor dinamice din cadrul cursului Reele neuronale i logica fuzzy. Utilizarea mediului MATLAB i a pachetelor Simulink i Neural Networks Toolbox.

3. Scurt trecere n revist a problematicii identificrii pentru modele de tip neuronal

3.1. Structura modelelor neurale Considerm un sistem dinamic cu o intrare i o ieire (SISO) (figura 6.1) pentru care se msoar semnalele de intrare, u, i de ieire, y, la momentele discrete de timp tk = kT , (T perioada de eantionare a semnalelor), notnd u[k ] = u ( kT ) , y[k ] = y ( kT ) , k = 1, N .
n problema identificrii sistemelor dinamice, unde neliniaritatea care trebuie modelat depinde de timp, problema care se pune este cea a reprezentrii explicite a timpului n

Reele neuronale i logica fuzzy (RNLF) structura reelei neurale. Pentru ca o reea neural s fie dinamic, ea trebuie s posede o memorie. Ideea de la care s-a pornit la nceputul anilor 1990 a fost cea de a se utiliza reele neurale statice mpreun cu un sistem extern de ntrziere a semnalelor de intrare n reea, obinnd aa numitele reele neurale cu dinamic extern.

u[ k ]

y[k ]

PROCES
Figura 6.1. Sistem dinamic SISO Un interes practic deosebit l prezint obinerea modelelor neliniare de tip ARX, cu perioada de eantionare T:

[ y k ] = f ( y[k 1], y[k 2],..., y[k n], u[ k d ], u[ k d 1],..., u[ k d m]) ,

unde:

(6.1)

f : n+ m+1

(6.2)

este o aplicaie (liniar sau neliniar, neted) ce descrie transferul intrare-ieire al unei reele neurale statice cu topologie adecvat. Aceast funcie poate fi reprezentat cu ajutorul unei reele neurale statice cu propagare nainte a semnalului (feed-forward). Reeaua are ca intrri valorile de la momentele anterioare de timp ale intrrii i ieirii procesului. Valorile semnalelor de intrare i de ieire din momentele anterioare de timp (vectorul regresorilor)

[ y[k 1],..., y[k n], u[k d ], u[k d 1],..., u[k d m]]

u (t ) u[k ]

se obin utiliznd un sistem de

ntrziere (Tapped Delay Line) plasat n afara reelei neurale propriu-zise.

y (t ) y[k ]

ZOH z-d

PROCES

ZOH

Sistem extern de ntrziere

-1

z-1 z
-1

e[ k ]

+ -

z-1

Reea neural static

[ y k]

z-1

z-1

Figura 6.2. Modelul neural neliniar ARX (NNARX) (modelul serie-paralel) Configuraia prezentat n figura 6.2 este cunoscut i sub denumirea de modelul serie-paralel (SPM) deoarece n raport cu intrarea u[ k ] reeaua neural este conectat paralel cu procesul, iar n raport cu ieirea y[k ] conectarea este n serie. Eroarea de predicie e[ k ] , diferena dintre ieirea real a procesului y[k ] i ieirea estimat cu ajutorul reelei neurale

Lucrarea nr. 6. Identificarea sistemelor dinamice utiliznd reele neurale [ y k ] , este utilizat pentru antrenarea reelei aplicnd algoritmi de nvare uzuali, independeni de timp. n aceast figur, z 1 reprezint operatorul de ntrziere cu un pas, z 1 u[ k ] = u[ k 1] , iar ZOH noteaz extrapolatorul de ordin zero (Zero Order Hold) utilizat pentru discretizarea, cu perioada de eantionare dorit, a unui proces continuu. Dup antrenarea reelei neurale, modelul identificat poate fi folosit independent de proces, aducnd la intrarea reelei ieirea acesteia, printr-o conexiune invers extern. O astfel de configuraie poart numele de modelul paralel (PM) i este utilizat pentru simularea proceselor dinamice. Configuraia poate fi utilizat i n faza de antrenare a reelei neurale, modelul obinut n acest fel fiind de fapt modelul neural neliniar de tip OE (NNOE) (fig. 6.3) y[k ] = f ( y[ k 1], y[ k 2],..., y[k n], u[ k d ], u[ k d 1],..., u[ k d m]) . (6.3)
u[k ]

z-d

Sistem extern de ntrziere

z-1 z-1

z-1 z-1 Reea neural static

[ y k]

z-1

z-1

Figura 6.3. Modelul neural neliniar OE (NNOE) (modelul paralel) n mod asemntor se pot obine i modelele neurale neliniare de tip ARMAX (NNARMAX) sau Box-Jenkins (NNBJ). Dezavantajele modelelor recursive de tip NNOE, NNARMAX sau NNBJ sunt posibila instabilitate a modelului i necesitatea unui efort suplimentar pentru a calcula gradientul ce intervine n procedura iterativ de antrenare a reelei. O alt posibilitate de modelare a unui sistem dinamic neliniar revine la a construi n prima etap un model liniar al sistemului. Reziduurile obinute ca diferen ntre ieirile actuale ale sistemului i ieirile estimate pe baza modelului liniar vor conine evident neliniaritile nemodelate. Pentru a modela aceste neliniariti se construiete apoi un model neural avnd ca intrri intrrile sistemului i reziduurile. Reeaua neural static utilizat n figurile 6.2 i 6.3 poate fi liniar (ADALINE) sau neliniar, de tip perceptron multistrat (MLP) sau cu funcii de baz radiale (RBF). Topologia standard a unei reele neurale de tip RBF const din dou straturi. Ieirea nodului i, i = 1, , p , de pe stratul de intrare este dat de o funcie Gaussian:

i ( x ) = exp

x ci 2 i2

(6.4)

unde x q este intrarea reelei, ci este centrul nodului i i i este spread-ul corespunztor nodului i (exprimnd magnitudinea influenei nodului). Pe stratul de ieire este un singur
3

Reele neuronale i logica fuzzy (RNLF)

neuron avnd funcie de activare pur liniar i deplasare nul. Ieirea reelei, z ( x ) , este dat de suma ponderat:
z ( x ) = wii ( x ) ,
i =1 p

(6.5)

unde valorile wi , i = 1, , p , reprezint ponderile neuronului de ieire. Proiectarea unei reele neurale de tip RBF poate fi privit ca o problema de aproximare a unei curbe ntr-un spaiu multidimensional; procesul de nvare fiind echivalent cu gsirea unei suprafee care s asigure cea mai bun aproximare pentru datele antrenrii n concordan cu acurateea dorit. Algoritmul de antrenare adaug neuroni n stratul de intrare al reelei pn se obine eroarea medie ptratic dorit.
3.2. Estimarea modelelor neurale

Aplicaia f din relaia (6.2) este parametrizat de ponderile i deplasrile reelei. Indiferent de topologia reelei, identificarea pe baza aa-numitei scheme serie-paralel (figura 6.2) asigur stabilitatea algoritmului iterativ de minimizare a funciilor obiectiv definite cu ajutorul erorii e[k ] = y[ k ] y[k 1]) . Formularea concret a funciilor obiectiv este corelat cu modul de obinere i exploatare a datelor experimentale corespunztoare procesului. n acest sens, literatura evideniaz dou categorii de metode de antrenare a reelei neuronale din schema serieparalel: pe lot (batch) sau off-line, care utilizeaz funcii obiectiv de forma (pn la o constant multiplicativ):
J= 1 N

e [k ] ,
2 k =1

(6.6)

unde N noteaz numrul total de elemente disponibile n lot este valoarea de prag dorit; pe eantioane (pattern) sau on-line, care utilizeaz funcii obiectiv de forma (pn la o constant multiplicativ): J (i ) = 1 NE
i + N E 1

k =i

e2 [k ] , i ,

(6.7)

unde NE noteaz numrul de eantioane coninute n fereastra mobil de selectare a elementelor i este valoarea de prag dorit. Minimizarea opereaz n spaiul parametrilor reelei (ponderi i deplasri) i poate fi condus prin tehnicile clasice de optimizare fr restricii, adaptate la specificul organizrii matriceal-vectoriale a parametrilor aplicaiei f. n limbajul propriu reelelor neuronale, determinarea parametrilor funciei f ca rezultat al minimizrii funciilor obiectiv (6.6) sau (6.7) (estimarea modelului parametric) este referit drept proces de antrenare sau nvare. Observaie. Determinarea modelului neural se realizeaz dup urmtorii pai: alegerea regresorilor modelului, a numrului de neuroni din stratul intern i a tipului neuronilor din structura reelei neurale, apoi determinarea ponderilor reelei (adic determinarea parametrilor modelului). Principiul care se aplic este de a porni de la simplu la complex (lama lui Occam): se ncearc nti cu un numr redus de regresori i de neuroni n stratul de intrare i apoi se crete

Lucrarea nr. 6. Identificarea sistemelor dinamice utiliznd reele neurale progresiv numrul neuronilor pn la un numr rezonabil. Dac nu se determin un model suficient de bun se crete numrul regresorilor i se ncearc, din nou, valori crescute progresiv ale numrului de neuroni. Dac nici n acest caz nu se determin un model corespunztor, se alege un alt tip de model pentru sistemul respectiv.

4. Blocuri Simulink pentru identificarea bazat pe metode neurale

Crearea de blocuri Simulink care s permit antrenarea reelelor neurale conform schemei de identificare din figura 6.2 ofer perspective de utilizare mult mai atractive dect dezvoltarea de programe n maniera clasic ntr-un mediu software destinat calculelor tehnico-tiinifice. Avantajele sunt datorate, pe de o parte, uurinei descrierii procesului supus identificrii, iar, pe de alt parte, flexibilitii n organizarea simulrii. Mai mult chiar, posibilitatea executrii simulrilor n timp real, prin utilizarea Real-Time Workshops, extinde aria de aplicabilitate a procedurilor de identificare la procese reale, interfaate adecvat prin cartele de achiziie. Figura 6.4 prezint o bibliotec de blocuri Simulink pentru identificarea, simularea i controlul predictiv al sistemelor pe baza modelelor neurale dezvoltat n cadrul Catedrei de Automatic i Informatic Aplicat de la Facultatea de Automatic i Calculatoare din Iai (Kloetzer et al., 2001), (Kloetzer, Pstrvanu, 2004).

Figura 6.4. Bibliotec de blocuri Simulink pentru identificarea, simularea i controlul predictiv al sistemelor pe baza modelelor neurale.

Reele neuronale i logica fuzzy (RNLF) Dezvoltarea acestei biblioteci de blocuri Simulink pentru identificarea, simularea i controlul predictiv al sistemelor pe baza modelelor neurale a fost motivat de dorina de a uura descrierea procesului supus identificrii (aa cum se va vedea n continuare), lsnd utilizatorului, n acelai timp, flexibilitate n organizarea simulrii. Mai mult chiar, posibilitatea executrii simulrilor n timp real, prin utilizarea Real-Time Workshops, extinde aria de aplicabilitate a procedurilor de identificare la procese reale, interfaate adecvat prin cartele de achiziie. Biblioteca Simulink din figura 6.4 const din blocuri ce permit identificarea i simularea modelelor neurale cu o singur intrare i o singur ieire (SISO) de forma (6.1) i anume: (i) pentru funcia f liniar: blocul LI_N_ID (LInear Neural IDentifier) folosit pentru antrenarea unei reele ADALINE, blocul LI_N_SI (LInear Neural SImulator) folosit simularea transferului intrareieire a unui model neural cu topologie ADALINE, identificat anterior, blocul LI_D_SI (LInear Delay SImulator) folosit pentru simularea transferului intrare-ieire a unui model neural de tip ADALINE, cu timp mort, identificat anterior; (ii) pentru funcia f neliniar: blocul MLP_N_ID (MLP Neural IDentifier) servete la antrenarea reelelor de tip MLP, blocul MLP_N_SI (MLP Neural SImulator) servete pentru simularea transferului intrare-ieire a unui model neural cu topologie MLP, identificat anterior, blocul MLP_D_SI (MLP Delay SImulator) utilizat pentru simularea transferului intrare-ieire a unui model neural cu topologie MLP, cu timp mort, identificat anterior. Pentru identificarea i simularea modelelor neurale neliniare cu mai multe intrri i ieiri (MIMO), aceast bibliotec Simulink mai include: blocul MLP_MIMO_TR (MLP MIMO Trainer) servete la antrenarea reelelor de tip MLP utiliznd matrice din spaiul de lucru Matlab, blocul MLP_MIMO_SI (MLP MIMO SImulator) servete pentru simularea transferului intrare-ieire a unui model neural cu topologie MLP, identificat anterior, cu ajutorul blocului MLP_MIMO_TR. n plus, blocul PRED_CTRL permite implementarea unui controller predictiv pentru un sistem SISO utiliznd un model neural, identificat anterior cu folosind blocul MLP_N_ID. Casetele de dialog ale blocurilor LI_N_ID i MLP_N_ID pentru identificarea modelelor SISO sunt prezentate n figurile 6.5 i, respectiv, 6.7. Aceste blocuri permit att antrenarea pe lot (off-line), n concordan cu (6.6), ct i antrenare pe eantioane (on-line), n concordan cu (6.7), cu un numr de eantioane NE specificat de utilizator n caseta de dialog. Utilizatorul poate seta valoarea de prag pentru eroarea ptratic medie utilizat n antrenare i modul n care se formeaz vectorii regresorilor.

Lucrarea nr. 6. Identificarea sistemelor dinamice utiliznd reele neurale

Figura 6.5. Caseta de dialog a blocului LIN_N_ID.

Figura 6.6. Caseta de dialog a blocului LIN_D_SI.

Reele neuronale i logica fuzzy (RNLF)

Figura 6.7. Caseta de dialog a blocului MLP_N_ID.

Figura 6.8. Caseta de dialog a blocului MLP_N_SI.

Lucrarea nr. 6. Identificarea sistemelor dinamice utiliznd reele neurale Casetele de dialog ale blocurilor LIN_D_SI i MLP_N_SI, utilizate n simulare, sunt prezentate n figurile 6.6 i, respectiv, 6.8. Parametrii reelelor pot fi setai manual sau pot fi ncrcai automat din spaiul de lucru al Matlab-ului. n gsirea regresorilor optimi pentru vectorii de intrare i ieire este recomandat o strategie bottom-up, n sensul c arhitectura reelei va fi iniializat cu un numr redus de regresori. Pentru blocul de tip MLP se va porni cu un numr redus de neuroni pe stratul de intrare. Aceste valori vor incrementate succesiv pn la obinerea rezultatului dorit. Exemplu de construcie a unui model liniar Dei utilizarea modelelor neuronale este atractiv ndeosebi n cazul neliniar, construcia unui model liniar permite comparaii relevante (de natur parametric) cu reprezentrile standard de tip funcie de transfer, discret n timp. Funcionarea procesului supus identificrii este simulat n mediul Simulink, antrenarea reelelor nefcnd ns uz de cunoaterea ordinului modelelor de simulare (ipotez absolut fireasc n desfurarea aplicaiilor reale). Au fost considerate dou situaii ce urmeaz a fi detaliate mai jos: ieirea procesului nu este afectat de perturbaii; (a) ieirea procesului este afectat aditiv de perturbaii de tip Gaussian care pot atinge 1% (b) din amplitudinea maxim a semnalului util (corespunznd, de exemplu, zgomotului de conversie al unui convertor A/D cu rezoluie sczut). n figura 6.9 se prezint schema Simulink (aferent situaiei (b) menionate mai sus) utilizat pentru construirea unui model liniar de forma (6.1) cu perioada de eantionare T = 1 sec. cu ajutorul blocului LI_N_ID. Procesul ce face obiectul identificrii este descris n Simulink prin funcia de transfer continu n timp 400e 15 s , (6.8) G (s) = 300 s 2 + 40 s + 1 procesul fiind excitat cu o surs de zgomot alb de band limitat, adecvat aleas. Singurele informaii presupuse cunoscute apriori sunt comportarea liniar a procesului i valoarea timpul mort (identificabil, de exemplu, de pe un rspuns la semnal treapt), adic d = 15 n (6.8) pentru T = 1 sec.

Figura 6.9. Schema Simulink de identificare a unui model liniar. Selectm drept complet edificatoare doar o parte din rezultate, prezentate n tabelul 6.1 pe care le exprimm (dat fiind liniaritatea modelului) sub form de funcii de transfer

Reele neuronale i logica fuzzy (RNLF) discrete (ale cror coeficieni sunt, pn la un semn cunoscut, chiar parametrii furnizai de blocul LI_N_ID). Aceast exprimare faciliteaz analiza calitii modelului provenit din identificare, prin comparaie direct cu discretizat cu T=1 sec. a lui G(s): 0.6378 z 1 + 0.6101z 2 G ( z 1 ) = z 15 . (6.9) 1 1.872 z 1 + 0.8752 z 2 Toate cazurile comentate se refer la aceleai condiii de antrenare on-line cu NE=50 eantioane n funcia obiectiv J din (6.7), maxim 100 epoci/fereastr i rat de nvare variabil. Rezultatele din tabelul 6.1 evideniaz rolul jucat de valoarea obinut n antrenare pentru funcia obiectiv J n aprecierea convergenei parametrilor reelei i, totodat, n evaluarea calitii modelului identificat. Tabelul 6.1. Prezentare sintetic a rezultatelor antrenrii pentru opt teste de identificare.

Cazul (a) - Ieire neperturbat

d 15 15 15 n 2 2 3 m 1 2 2 J(150) 10
-2

Exprimare sub form de funcie de transfer Parametrii nu converg la valori staionare

10-9 10-2

z 15

0.6377 z 1 + 0.6102 z 2 1 1.872 z 1 + 0.8751z 2

Parametrii nu converg la valori staionare = 1 1.356 z 1 0.0907 2 + 0.4515 z 3 0.6378(z + 0.5160)( z + 0.9566) = z 15 (z + 0.5159)( z 0.9665)( z 0.9054) z 15 0.6378 z 1 + 0.9392 z 2 + 0.3148 z 3

15

10

-9

Cazul (b) - Ieire perturbat

d 15 15 15 n 2 2 3 m 1 2 2 J(150) 10
-2

Exprimare sub form de funcie de transfer Parametrii nu converg la valori staionare

10-5 10-2

z 15

0.637 z 1 + 0.6158 z 2 1 1.8711z 1 + 0.8742 z 2

Parametrii nu converg la valori staionare = 1 1.3552 z 1 0.09222 + 0.4521z 3 0.6378(z + 0.5048)( z + 0.9766) = z 15 (z + 0.5167)( z 0.9043)( z 0.9676) z 15 0.6378 z 1 + 0.9448 z 2 + 0.3144 z 3

15

10

-5

Figurile 6.10.a i 6.10.b furnizeaz reprezentrile grafice ale evoluiilor parametrilor reelei pentru o durat de 150 de secunde corespunztoare cazului (b) pentru n=2 m=2 i, respectiv, pentru n=2 i m=1. Aceste reprezentri grafice ilustreaz totodat i capacitatea blocurilor Simulink utilizate de a furniza on-line informaii cantitative ce caracterizeaz progresul antrenrii. Mai subliniem ca elemente importante n construcia modelului neuronal

10

Lucrarea nr. 6. Identificarea sistemelor dinamice utiliznd reele neurale faptul c n toate situaiile de convergen a parametrilor coeficientul termenului n z0 al numrtorului (n exprimarea sub form de funcie de transfer) rezult numeric nul (raportat la precizia de calcul). Redundana n stabilirea numrului de regresori conduce la apariia perechilor polzerou cu valori numerice identice (raportate la precizia de calcul), fapt ilustrat n tabelul 6.1 pentru n = m = 3 n ambele cazuri (a) i (b).

b a Figura 6.10. Evoluia parametrilor reelei neuronale pentru sistemul liniar (6.8) corespunznd unui interval de 150 secunde: a) Cazul n=2 i m=2 (parametrii converg), b) Cazul n=2 i m=1 (parametrii nu converg).

5. Probleme propuse
Problema 1.
1. Considerm arhitectura prezentat n figura 6.2 pentru identificarea unui sistem liniar SISO, figur n care reeaua neural este liniar (ADALINE). S se demonstreze c, eventual pn la un semn, ponderile reelei reprezint coeficienii funciei de transfer discrete a sistemului liniar. 2. Pe baza schemei generale prezentate n figura 6.2 i a exemplului din figura 6.11 s se construiasc modelul Simulink pentru identificarea sistemului liniar descris de funcia de 125e 3 s transfer G ( s ) = , considernd perioada de eantionare a semnalelor de 1 100 s 2 + 40 s + 3 secund.

11

Reele neuronale i logica fuzzy (RNLF)

Figura 6.11. Exemplu de construire a modelului Simulink pentru identificarea unui sistem dinamic S se ruleze experimentele de identificare off-line i on-line n urmtoarele condiii: ieirea procesului nu este afectat de perturbaii; ieirea procesului este afectat aditiv de perturbaii de tip Gaussian care pot atinge 1% din amplitudinea maxim a semnalului util (corespunznd, de exemplu, zgomotului de conversie al unui convertor A/D cu rezoluie sczut). Corespunztor ecuaiei (6.1), se vor lua n discuie urmtoarele cazuri: (i) d = 3, n = 2, m = 1; (ii) d = 3, n = 2, m = 2; (iii) d = 3, n = 3, m = 2; (iv) d = 3, n = 3, m = 3;

a. b.

Figura 6.12. Exemplu de construire a modelului Simulink pentru simularea unui sistem dinamic Pentru fiecare din cazurile (i)-(iv) se va fixa valoarea de prag a erorii ptratice medii utilizat n antrenarea reelei (mean squared error goal) la valorile 102 i apoi 0; n fiecare caz n parte se va comenta legtura dintre parametrii reelei neurale i coeficienii funciei de transfer discrete corespunztoare sistemului, obinut prin apelarea funciei Matlab c2d.

12

Lucrarea nr. 6. Identificarea sistemelor dinamice utiliznd reele neurale Dup rularea unui experiment de identificare, se va rula, pentru validarea modelului, experimentul de simulare (vezi figura 6.10), considernd ca semnal de intrare n sistem i n modelul neural obinut att un semnal de tip zgomot alb, ct i un semnal determinist, de tip treapt unitar sau sinusoidal.

Problema 2.
Se consider sistemul neliniar n timp discret descris de ecuaia cu diferene (pentru o perioad de eantionare T=1 secund): y[ k 1] + y[ k 2] y (k ) = 1.5u ( k 1) + u[ k 2] . 1 + 2 y[ k 1] y[ k 2] 1. Folosind blocurile Simulink prezentate n seciunea 4, s se obin un model neuronal de tip MLP pentru procesul dat, efectund experimente de identificare off-line i online n urmtoarele condiii: (a) ieirea procesului nu este afectat de perturbaii; (b) ieirea procesului este afectat aditiv de perturbaii de tip Gaussian care pot atinge 1% din amplitudinea maxim a semnalului util (corespunznd, de exemplu, zgomotului de conversie al unui convertor A/D cu rezoluie sczut). Corespunztor modelului NNARX, se va lua n discuie att cazul cnd ntrzierile reelei neuronale sunt egale cu ntrzierile reale ale procesului, ct i cazul introducerii unor regresori suplimentari n modelul neuronal. 2. Calitatea modelelor neuronale obinute va fi apreciat din punct de vedere al analizei comparative a rspunsurilor obinute de la proces i respectiv model, pentru urmtoarele cazuri: (a) semnal de intrare aleator cu distribuie uniform n intervalul [-1, 1]; (b) semnal de intrare aleator binar de nivele 1 i -1.

6. Bibliografie
Dumitrache, I., Constantin, N., Drgoicea, M., Reele neurale. Identificarea i Conducerea Proceselor, MatrixRom, 1999. Ljung, L., Sjberg, J., Hjalmarson, H., On neural network model structures in system identification in Bittanti, S., Picci, G. (Eds.) Identification, Adaptation, Learning, NATO ASI Series, Springer, 1996. Kloetzer, M., Ardelean, D., Pstrvanu, O., Developing Simulink tools for teaching neuralnetwork-based identification, 9th IEEE Mediterranean Conference on Control and Automation, MED 01, June 27-29, 2001, Dubrovnik, Croatia. Kloetzer, M., Pstrvanu,O., Simulink blockset for neural predictive control, Buletinul tiinific al Universitii Politehnica din Timioara, Periodica Politechnica, Transactions On Automatic Control And Computer Science, Vol. 49 (63), No.2, pp. 19-22, 2004. Narendra, K., Parthasarathy, K., Identification and control of dynamical systems using neural networks, IEEE Trans. on Neural Networks, 1, 4 27, 1990. Demuth H., Beale M., Hagan M., Neural Networks Toolbox - Users Guide, The MathWorks Inc., 2011. *** Simulink Users Guide, The MathWorks Inc., 2011.

13