В данной работе предлагается решение проблемы управления сложным динамическим объектом – квадрокоптером с помощью нейросетевого регулятора. Изначально задаются рассчитанные аналитиче-ски параметры регулятора, а нейросеть осуществляет поиск коэффициентов регулятора, при котором ошибка целевой функции, характеризующей отклонения от обучающей характеристики системы, при-ближается к нулю. Этот метод является субоптимальным, так как невозможно точно предузнать, яв-ляются ли полученные параметры регулятора оптимальными или достигнут локальный минимум. Можно лишь увеличить вероятность получения оптимальных коэффициентов путем увеличения обу-чающей выборки нейросети. В результате моделирования нейросетевой регулятор оказался эффектив-нее ПИД-регулятора. Полученные графики переходных характеристик изменения углов наклона и скорости изменения этих углов нейросетевого регулятора имеют меньшую амплитуду затухающих ко-лебаний и более высокое быстродействие, чем обычный ПИД-регулятор. Нейросетевой регулятор может адаптироваться к изменяющимся условиям окружающей среды.

In this paper is proposed a problem solving of complex dynamic object control – quadcopter by neuro-controller. Initial values of parameters are definedanalytically and neural network implements the search of controller values whereby the error ofevaluate function, that demonstrates error in following some reference trajectory, is going to zero.This method is suboptimal as no way to divine: is obtained parameters optimal or it’s a local optimum.There is only a possibility to increase chance to get optimal coefficients by dilation of neural network training set. The analysis results of modeling show that neuro-controller is more effective than PID-controller. Obtained figures of transient response of pitch, yaw and roll angles and angular velocity of neuro-controller have smaller amplitude damped oscillations and faster response time then customary PID-controller. Neuro-controller is able to adapt to changes of external influences.