Модель интеллектуальной системы управления оросительным комплексом
DOI:
https://doi.org/10.28983/asj.y2021i2pp103-108Ключевые слова:
интеллектуальное управление, искусственная нейронная сеть, орошение, модельАннотация
В статье освещаются результаты моделирования интеллектуальной системы управления оросительным комплексом. Внедрение технологий точного орошения требует разработки новых подходов к техническому обеспечению. Традиционные подходы, основанные на простой автоматизации процессов, зачастую не приводят к эффективным решениям. Предложен подход, основанный на модели интеллектуализации автоматизированных систем управления. Обоснована структура интеллектуальной системы управления оросительным комплексом, в основу которой положена искусственная нейронная сеть.
Скачивания
Библиографические ссылки
Аль-Бареда Я.С., Пупков К.А. Алгоритм решения задачи синтеза управления методом искусственных нейронных сетей // Вестник РУДН. Серия инженерные исследования. – 2016. – №2. – С. 7-15.
Дьяконов В.П. MATLAB. Полный самоучитель. – М.: ДМК Пресс, 2012. – 768 с.
Каталог Кситал. – Режим доступа: https://ksytal.ru/
Ольгаренко Г. В. Реализация программы импортозамещения в области производства техники полива в Российской Федерации / Г. В. Ольгаренко // Мелиорация и водное хозяйство. – 2018. – №1. – С. 44–47.
Ресурсосберегающие эффективные экологически безопасные технологии и технические средства орошения: справочник / Г.В. Ольгаренко [и др.]. – М.: ФГБНУ «Росинформагротех», 2015. – 264 с.
Степанов М.Ф., Степанов А.М. Математическое моделирование интеллектуальных самоорганизующихся систем: исследование механизма планирования действий. // Информационные технологии и нанотехнологии (ИТНТ-2017): сб. материалов Междунар. конф. и молодеж. шк., 17-19 мая 2016 г. – Самара, 2017. – С. 1419–1424.
Технический уровень отечественного и зарубежного оборудования, применяемого в мелиорации: Информационный сборник / ФГНУ ЦНТИ «Мелиоводинформ». – М.: ФГНУ ЦНТИ «Мелиоводинформ».- 2011. – 215 с.
Труфляк Е.В., Курченко Н.Ю., Дайбова Л.А. Мониторинг и прогнозирование научно-технологического развития АПК в области точного сельского хозяйства, автоматизации и роботизации. – Краснодар : КубГАУ, 2017. – 199 с.
Чернодуб А., Дзюба Д. Обзор методов нейроуправления // Проблемы программирования. – 2011. – № 2. – С. 79–94.
Beale M., Hagan M., Demuth H. Neural Network ToolboxTM User’s Guide. The Math Works, Inc, 2015. – 406 p.
Davis Instruments. VantagePro2. – Режим доступа: https://www.davisinstruments.com/vantage-pro2/
Kamilaris A., Prenafeta-Bold? FX. Deep learning in agriculture: a survey// Computers and Electronics in Agriculture. 2018. Vol. 147. P. 70–90.
Schmidhuber J. Deep Learning in neural networks: An overview,” // Neural Networks. -2015. Vol. 61. Р. 85–117.
Stepanov M., Stepanov A., Pakhomov M., Salikhova A., Mikhaylova L. Development Tools of the intellectual self-organized systems of automatic control. // Information technology and Nanotechnology (ITNT-2016): Proceedings of the International conference Information technology and nanotechnology, Samara, Russian, May 17-19, 2016. P. 674–680.
Soloviev D., Zhuravleva L., Bakirov S. Robotic Irrigative Complex with Intellectual Control System "CASCADE" // XVIII International Scientific and Practical Conference "Modern Trends in Agricultural Production in the World Economy". 2019. P. 145–156.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2021 Аграрный научный журнал
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
