| dc.contributor | Брестский государственный технический университет | ru_RU |
| dc.contributor | Brest State Technical University | ru_RU |
| dc.contributor.author | Иванюк, Дмитрий Сергеевич | |
| dc.coverage.spatial | Брест | ru_RU |
| dc.date.accessioned | 2019-08-22T06:14:03Z | |
| dc.date.available | 2019-08-22T06:14:03Z | |
| dc.date.issued | 2014 | |
| dc.identifier.citation | Иванюк, Д. С. Нейро-пид-регулятор ПОУ / Д. С. Иванюк // Вестник Брестского государственного технического университета. Серия: Физика, математика, информатика. – 2014. – №5. – С. 35–40. | ru_RU |
| dc.identifier.uri | https://rep.bstu.by/handle/data/926 | |
| dc.description | IVANYUK D.S. POU neyro-PID-regulyator | ru_RU |
| dc.description.abstract | Разработан нейро-ПИД-регулятор пастеризационно-охладительной установки. Он состоит из двух частей – традиционного ПИД-регулятора (пропорционально-интегрально-дифференциальный
регулятор) и нейронной сети, основанной на многослойном персептроне. ПИД регулятор непосредственно управляет процессом пастеризации, а его коэффициенты (KP, KI и KD) во время работы подстраиваются нейронной сетью. Тестовый программный модуль показал работоспособность предложенного подхода. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БрГТУ | ru_RU |
| dc.relation.ispartofseries | Физика, математика, информатика; | |
| dc.subject | информационные технологии | ru_RU |
| dc.subject | information Technology | ru_RU |
| dc.subject | вычислительная техника | ru_RU |
| dc.subject | Computer Engineering | ru_RU |
| dc.subject | искусственный интеллект | ru_RU |
| dc.subject | Artificial Intelligence | ru_RU |
| dc.subject | интеллектуальные системы | ru_RU |
| dc.subject | intelligent systems | ru_RU |
| dc.title | Нейро-ПИД-регулятор ПОУ | ru_RU |
| dc.type | Статья (Article) | ru_RU |
| dc.identifier.udc | 004.89 | ru_RU |
| dc.abstract.alternative | The neuro-PID controller for the pasteurizer was developed. It consists of two parts: the conventional PID (proportional plus integral plus derivative
controller) and the neural network, which is based on the multilayer perceptron structure. The outputs of the neural network are proportional (P), integral
(I), and derivative (D) gains. The simulation and experimental results show the effectiveness of the proposed approach. | ru_RU |
