Помощь в написании студенческих работ
Антистрессовый сервис

Методы и алгоритмы обработки изображений для автоматизированного контроля геометрических параметров объектов с неоднородной структурой поверхности

Диссертация: Методы и алгоритмы обработки изображений для автоматизированного контроля геометрических параметров объектов с неоднородной структурой поверхности
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Во второй главе рассмотрены вопросы разработки технологии построения инструментальных средств для формирования и обучения нейронных сетей на основе адаптивных генетических алгоритмов обработки изображений в зависимости от условий в поле контроля. При генетическом подходе процесс настройки нейронной сети рассматривается как адаптивный процесс, связанный с максимизацией эффективности… Читать ещё >

Методы и алгоритмы обработки изображений для автоматизированного контроля геометрических параметров объектов с неоднородной структурой поверхности (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. АНАЛИЗ МЕТОДОВ АВТОМАТИЗИРОВАННОГО КОН- 9 ТРОЛЯ И ОБРАБОТКИ ГЕОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ОБЪЕКТОВ
    • 1. 1. Анализ существующих методов и систем контроля геометри- 9 ческих параметров объектов
      • 1. 2. 0. собенности технологического цикла производства продукции 19 деревообрабатывающей промышленности
    • 1. 3. Постановка задачи разработки математического обеспечения 27 оптико-электронной системы контроля
    • 1. 4. Анализ методов математического описания процесса сегмен- 30 тации изображений объектов с неоднородной структурой поверхности
  • 2. ТЕХНОЛОГИЯ ФОРМИРОВАНИЯ АДАПТИВНЫХ ГЕНЕТИ- 48 ЧЕСКИХ АЛГОРИТМОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ В ЗАВИСИМОСТИ ОТ УСЛОВИЙ В ПОЛЕ КОНТРОЛЯ ГЕОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ОБЪЕКТОВ
    • 2. 1. Анализ существующих подходов к разработке алгоритмов ге- 48 нетического поиска
    • 2. 2. Обоснование принципов модификации генетических операто- 55 ров
    • 2. 3. Разработка технологий многоуровневого эволюционного по- 60 иска
    • 2. 4. Разработка системных принципов построения инструмен- 65 тальных средств формирования и обучения нейронных сетей на основе генетических алгоритмов
    • 2. 5. Разработка инструментальных средств синтеза нейронных се- 75 тей
      • 2. 5. 1. Разработка генетического алгоритма формирования и 75 обучения нейронных сетей
      • 2. 5. 2. Разработка метода построения эволюционных инструмен- 85 тальных средств для формирования обучающей выборки
      • 2. 5. 3. Разработка оператора локального поиска числа нейронов в 90 скрытых слоях нейронной сети
  • 3. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ АЛГОРИТМОВ 95 ОБРАБОТКИ ИЗОБРАЖЕНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ОПТИКО-ЭЛЕКТРОННОГО КОНТРОЛЯ ГЕОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ОБЪЕКТА С НЕОДНОРОДНОЙ СТРУКТУРОЙ ПОВЕРХНОСТИ

3.1. Состав оптико-электронной системы контроля геометрических параметров объекта с неоднородной структурой поверхности 3.2.Комплексный алгоритм обработки и анализа изображений в за- 96 висимости от условий в поле измерения с использованием генетического подхода

3.3 .Методика выбора целевой функции генетического алгоритма

3.4. Влияние выбора параметров генетического алгоритма на эф- 108 фективность адаптивной обработки изображения

3.5. Классификация дефектов кромки древесностружечной плиты 113 на основе нейросетевых технологий

3.6. Математические методы определения границ изображений 118 объектов с неоднородной структурой поверхности

3.6.1.Контроль границ изображения объекта на основе цифрового 118 curvelet-преобразования

3.6.2.Полосно-пропуекающая фильтрация 121

ЗАКЛЮЧЕНИЕ 129

СПИСОК ЛИТЕРАТУРЫ 130

ПРИЛОЖЕНИЕ

Уровень развития современного производства на сегодняшний день характеризуется не только объемом и ассортиментом выпускаемой продукции, но и показателями ее качества, которые должны соответствовать отечественным и международным стандартам. При этом особое значение придается автоматизации производственных процессов и исключению ручного труда на более трудоемких и ответственных технологических этапах [1−12].

Среди комплекса проблем, которые должны решаться на пути к этой цели, чрезвычайно важное значение приобретает создание теоретических и экспериментальных предпосылок для построения на базе современных ЭВМ промышленных систем обработки визуальной информации: обнаружение объектов, автоматический контроль качества продукции (контроль геометрических параметров, обнаружение дефектов), анализ экспериментальных кривых, графиков, снимков и т. д. Все это позволяет достичь существенно лучших результатов в повышении производительности труда по сравнению с традиционными методами, а наибольший эффект в этом направлении следует ожидать от автоматической обработки изображений, связанных непосредственно с производственными процессами. Методы проектирования подобных систем, исследование их возможностей и областей применения в настоящее время приобретают безусловный интерес [1−5].

Современные требования к качеству выпускаемой древесной продукции обуславливают необходимость ее контроля практически на всех технологических этапах производства. К числу контролируемых величин следует отнести геометрические параметры (ширина, длина), а также распознавание дефектов (сколы, вмятины, риски, выкрашивание углов, обзол, выступ и т. д.), измерение и определение которых в мировой практике все шире осуществляется с помощью оптико-электронных методов. Последние предполагают преобразование оптического сигнала в электрический, ввод его в ПЭВМ и последующую обработку полученного цифрового изображения с целью определения требуемых размеров и распознавания дефектов [10−12].

В случае применения оптико-электронных систем контроля геометрических размеров движущейся древесной продукции, основной целью процесса обработки изображения является точное выделение контуров объекта контроля на фоне рабочей сцены [12−16]. Анализ отечественной и зарубежной литературы показывает, что большинство известных алгоритмов обработки изображений, используемых в подобных системах, ориентировано на работу либо с контрастным изображением, либо с изображением, полученным при условиях однородного или структурированного освещения рабочей сцены, что требует, как правило, наличия в составе системы специализированных осветителей, настройка которых зависит от внешних условий освещения, цвета объекта контроля, запыленности воздуха и т. д. [21−24].

К сожалению, в деревообрабатывающей промышленности имеют место ситуации, когда условия производства не позволяют создать необходимые условия освещения рабочей сцены (запыленность воздуха, внешние условия освещения, цвет объекта контроля, неоднородная структура поверхности продукции и т. д.). В таких случаях применение стандартных алгоритмов обработки изображений не дает желаемых результатов [12−23].

Существенный вклад в развитие оптико-электронных систем контроля был внесен Анисимовым Б. В., Кургановым В. Д., Злобиным В. К. Их работы послужили основой для формулировки задачи создания в МВТУ им. Баумана, МАИ. на отдельных предприятиях оборонной промышленности ряда средств контроля поверхностей объектов.

Проблеме фильтрации двумерных сигналов (изображений) посвящены работы известных отечественных ученых Васильева В. Н., Гольденберга Л. М., Гурова И. П., Казаринова Ю. И., Матюшкина Б. Д., Поляка М. Н., Соколова Ю. И., Юрченко Ю. С. и др.

Однако, использование современных сложных алгоритмов обработки изображений часто затруднено из-за необходимости использования специализированной дорогостоящей аппаратной поддержки. Кроме того, известные публикации носят в основном лишь рекламный характер и не раскрывают путей решения проблемы [21−30].

В этой связи проблема синтеза алгоритмов обработки изображений в оптико-электронных системах контроля качества движущихся объектов с неоднородной структурой поверхности, которую имеет продукция деревообрабатывающей промышленности, работающих в режиме реального времени, представляется весьма актуальной.

Целью данной диссертационной работы является повышение качества контроля геометрических параметров объектов с неоднородной структурой поверхности, обеспечивающего обнаружение и классификацию ее дефектов при неоднородном освещении рабочей сцены.

Объектом исследования диссертационной работы является информационно-измерительная система автоматизированного контроля качества поверхности движущихся объектов.

Предметом исследования диссертационной работы являются методики и алгоритмы обработки изображения в оптикоэлектронных (ОЭ) системах контроля геометрических параметров объектов.

В соответствии с этим в диссертационной работе решаются следующие основные задачи:

• анализ современного состояния проблемы автоматизированного контроля геометрических параметров объектов, а также известных методов и алгоритмов обработки информации в оптико-электронных системах контроля (ОЭСК) геометрических параметров объектов;

• разработка адаптивного алгоритма выбора операций предварительной обработки изображения в зависимости от условий в поле контроля;

• разработка методики, обеспечивающей эффективное повышение качества изображений контролируемых объектов с неоднородной структурой поверхности при высоких помехах и низкой контрастности;

• разработка и исследование экспериментальной автоматизированной установки оптико-электронного контроля качества кромки древесностружечной плиты.

Методы исследований. Для решения поставленных в работе задач использован аппарат генетических алгоритмов, теории вероятности, математической статистики, обработки и анализа растровых полутоновых изображений, сштекЬпреобразования, а также теория нейронных сетей [6−21].

Научная новизна результатов работы состоит в следующем:

1. Предложен адаптивный алгоритм выбора операций предварительной обработки изображения в зависимости от условий в поле контроля на основе эволюционного подхода;

2. Разработана методика определения оптимальных параметров генетического алгоритма, использующая эвристический метод;

3. Предложена методикаа повышения качества изображений, имеющих высокие помехи и низкую контрастность с использованием сштеЫ-преобразования;

4. Разработан алгоритм сегментации границ дефектных областей, основанный на использовании нейросетевого классификатора и обеспечивающий эффективное нахождение границ дефектов в условиях существенной неоднородности динамического фона, характерного для изображений древесностружечной плиты (ДСП).

Практическая ценность работы заключается в следующем:

1. Разработано программное обеспечение обработки полутоновых изображений автоматизированной системы контроля геометрических параметров древесностружечной плиты, имеющая неоднородную структуру поверхности;

2. Реализован адаптивный генетический алгоритм обработки изображений в зависимости от условий в поле контроля;

3. Создано программное обеспечение для поиска оптимальных параметров генетического алгоритма и классификации дефектов кромки древесностружечной плиты на основе нейронной сети, что позволяет производить дефектацию ДСП в режиме реального времени;

Положения выносимые на защиту:

1. Адаптивный алгоритм предварительной обработки изображения на основе эволюционного подхода;

2. Методика определения оптимальных параметров генетического алгоритма использующая эвристический метод;

3. Методика повышения качества низкоконтрастных изображений с использованием сигуеЫ-преобразования;

4. Алгоритм сегментации границ дефектных областей основанный на использовании нейросетевого классификатора.

В структурном отношении работа состоит из введения, трех глав, заключения, списка литературы и приложения.

Первая глава содержит анализ современных методов и систем, нашедших применение для контроля геометрических параметров движущихся объектов. Приведено описание представления информации в ОЭСК.

Показано, что одним из наиболее перспективных путей решения рассмотренной проблемы является построение оптико-электронных систем контроля качества кромки на базе ПЗС (прибор с зарядовой связью) датчиков. Проведен анализ особенностей технологического цикла производства продукции деревообрабатывающей промышленности. Приведены классификация и описание дефектов продукции деревообрабатывающей промышленности.

Ставится задача разработки математического обеспечения оптико-электронной системы контроля качества древесностружечной плиты. Выдвинуты требования, предъявляемые к ОЭСК параметров движущихся объектов.

Представлено математическое описание процесса сегментации изображений.

Во второй главе рассмотрены вопросы разработки технологии построения инструментальных средств для формирования и обучения нейронных сетей на основе адаптивных генетических алгоритмов обработки изображений в зависимости от условий в поле контроля. При генетическом подходе процесс настройки нейронной сети рассматривается как адаптивный процесс, связанный с максимизацией эффективности функционирования нейронной сети, то есть с минимизацией функции ошибки.

Для реализации концепции отбора вводится способ сопоставления (сравнения) различных хромосом в соответствии с их возможностями решения поставленных задач. В целом, разработка генетического алгоритма включает три основных компоненты:

— разработка принципов кодирования и декодирования хромосомы;

— разработка основных генетических операторов;

— разработка общей структуры и процесса генетического поиска.

Предложены системные принципы построения инструментальных средств формирования и обучения нейронных сетей в рамках эволюционной парадигмы.

В работе рассматриваются генетический алгоритм синтеза архитектуры многослойной сети прямого распространения, т. е. определенной числом слоев и числом нейронов в слое.

В третьей главе рассматривается экспериментальная оптико-электронная установка, позволяющая подавать сигнал с выхода ПЗС-датчика на ПЭВМ и обрабатывать его по предложенным алгоритмам.

Представлено влияние выбора параметров генетического алгоритма на эффективность адаптивной обработки изображения, а также результаты классификации дефектов кромки древесностружечной плиты на основе нейросетевых технологий. Предложен комплексный алгоритм обработки и анализа изображений в зависимости от условий в поле измерения с использованием генетического подхода.

Приведена методика выбора целевой функции генетического алгоритма, рассмотрены вопросы разработки методики, обеспечивающей эффективное повышение качества изображений контролируемых объектов с неоднородной структурой поверхности при высоких помехах и низкой контрастности на основе curvelet-преобразования. Реализовано программное обеспечение классификации дефектов кромки древесностружечной плиты на основе нейронной сети.

Апробация работы. Основные положения диссертационной работы докладывались и получили положительные отзывы на XIV межвузовской научно-технической конференции ЧВИИРЭ (г. Череповец, 2001) [31], региональной студенческой научной конференции Вологодского государственного технического университета (г. Вологда, 2001) [32], межвузовской научно-методической конференции Санкт-Петербургского государственного технического университета «Особенности регионального развития и интеграции» (г. Череповец, 2002,2003) [33,37], III международной научно-технической конференции «Информационные технологии в производственных, социальных и экономических процессах» (г. Череповец, 2002) [40], XV межвузовской научно-технической конференции ЧВИИРЭ (г. Череповец, 2002) [46], IV межвузовской конференции молодых ученых Череповецкого государственного университета (г. Череповец, 2003) [53], международной научной конференции «Компьютерное моделирование и информационные технологии в науке, инженерии и образовании» (г.Пенза, 2003) [57], ежегодных научно-технических конференциях Тульского АИИ (2003;2005) XVI, межвузовской научно-технической конференции ЧВИИРЭ (г. Череповец, 2005) [68], а также на научно-технических семинарах, проводимых на базе Череповецкого государственного университета, Череповецкого научного центра РАН и Тульского государственного университета [54,55,60,69,71,107,108].

Основные положения диссертационной работы докладывались на 11 научно-технических конференциях, по материалам диссертации опубликовано 16 печатных работах [31−33, 37,40,46, 53−55, 57, 60, 68, 69, 71, 107, 108].

Реализация результатов работы.

Результаты исследований используют в учебном процессе в Череповецком государственном университете, а также в Череповецком военном инженерном институте радиоэлектроники по следующим дисциплинам: «Автоматизированные системы управления и обработки информации», «Основы теории управления», «Компьютерная графика» .

Экспериментальная установка по контролю параметров ДСП применяется в ЗАО «Череповецкий фанерно-мебельный комбинат» — в цехе по производству древесностружечной плиты.

Структура и содержание работы. Работа состоит из введения, трех разделов и списка литературы из 108 источников.

Выводы.

1. Для проверки предложенных методики и адаптивного алгоритма обработки растрового полутонового изображения, а также алгоритма обнаружения и классификации дефектов кромки древесно-стружечной плиты была создана экспериментальная установка.

2. Разработан комплексный алгоритм обработки и анализа изображений с использованием генетического подхода. В основу такого алгоритма положен репродуктивный план Холланда. Нахождение приемлемой операции на каждом этапе обработки изображения представлено в виде 2 ген. Первый ген каждого этапа отвечает за выбор операции обработки изображения из базы данных, а второй ген каждого этапа отвечает за выбор параметров соответствующей операции.

3. Предложена методика выбора целевой функции генетического алгоритма. Функция отбора представляет собой максимальное значение суммы значений критериев оценки растрового изображения и является критерием останова генетического алгоритма. Преимущество этого метода состоит в том, что в нем используется интегральный критерий вычисления визуального качества.

4. Разработана программа для обработки полутоновых изображений геометрических параметров изображений ДСП имеющей неоднородную структуру поверхности.

5. Создано программное обеспечение для поиска оптимальных параметров генетического алгоритма. На этой основе проведена оценка влияния выбора параметров генетического алгоритма на эффективность адаптивной обработки изображения.

6. Реализовано программное обеспечение для классификации дефектов кромки ДСП. С помощью экспериментальной установки и разработанного комплекса программ проведена классификация дефектов кромки древесностружечной плиты на основе нейросетевых технологий. Для классификации дефектов использовался пирамидальный алгоритм. В качестве пороговой использовалась функция гиперболического тангенса.

7. Для повышения эффективности восстановления изображения объекта с неоднородной структурой поверхности получаемого в условиях влияния существенных искажений предложена процедура на основе многомасштабного сигуеЫ-преобразования. Реализован адаптивный генетический алгоритм обработки изображений в зависимости от условий контроля.

ЗАКЛЮЧЕНИЕ

.

В результате проведенных исследований получены следующие результаты:

1. Проведен анализ существующих методов и систем контроля геометрических параметров объектов.

2. Разработана методика построения адаптивного алгоритма обработки растровых полутоновых изображений, получаемых при изменении обстановки в поле контроля, с использованием эволюционного подхода.

3. Предложена процедура повышения эффективности восстановления изображения объекта с неоднородной структурой поверхности, получаемого в условиях влияния существенных искажений, на основе многомасштабного сигуеЫ-преобразования.

4. Разработан алгоритм распознавания дефектов кромки древесно-стружечной плиты (ДСП) на основе нейросетевого классификатора.

5. Разработано программное обеспечение адаптивности автоматизированной системы нахождения эффективного пути обработки растрового полутонового изображения.

6. Разработано программное обеспечение определения оптимальных параметров генетического алгоритма обработки изображения.

7. Программно реализована методика и алгоритм распознавания дефектов кромки ДСП с использованием бинарного изображения.

8. Разработана экспериментальная оптико-электронная установка, включающая блок видеонаблюдения, осветительный блок, персональный компьютер и соответствующее программное обеспечение, позволяющая осуществлять контроль геометрических параметров древесно-стружечной плиты.

Показать весь текст

Список литературы

  1. В. В. Горский Н.Д. Представление и обработка изображений: рекурсивный подход. -JI-д.: Наука, 1985. -190 с.
  2. .В., Курганов В. Д., Злобин В. К. Распознавание и цифровая обработка изображений. -М.: Высшая школа, 1983. -296 с.
  3. П.А., Колмогоров Г. С., Варновицкий И. Э. Сегментация изображений: методы пороговой обработки // Зарубежная радиоэлектроника, 1987. -№ 10.
  4. П.А., Колмогоров Г. С. Сегментация изображений: методы выделения границ областей// Зарубежная радиоэлектроника, 1987.-№ 10.
  5. Д. И. Генетические алгоритмы решения экстремальных задач // Под ред. Львовича Я. Е.: Учеб. пособие. Воронеж, 1995.
  6. Г. К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. ХЮСНОВА, 1997.
  7. А.Н., Дунин-Барковский В.Л., Кирдин А. Н. и др. Нейроинформатика // Новосибирск: Наука. Сибирское предприятие РАН, 1998.-296с.
  8. Р., Харт П. Распознавание образов и анализ сцен. -М.: Мир, 1976. -511 с.
  9. И. Десять лекций по вейвлетам.- М: РХД, 2001.
  10. Ю.Егорова С. Д., Колесник В. А. Оптико-электронное цифровое преобразование изображений. -М.:Радио и связь, 1991.
  11. П.Ким Н. В. Обработка и анализ изображений в системах технического зрения. -М. 2001.
  12. В.В. Контроль качества продукции лесопиления и деревообработки. Учебник для сред, проф-техн. уч.//- М.:В.ш., 1985 г.-183с.
  13. С. Теория информации и статистика. -М.:Наука, 1967.
  14. Г. В. Многооконные оптико-электронные датчики линейных размеров. -М.:Радио и связь, 1986
  15. A.A., Галкина Т. В., Орлова Т. К., Хлявич Я. А. Метод выделения контуров протяженных детерминированных объектов в стохастических полях // Радиотехника и электроника АН СССР, 1991. -№ 11.
  16. У. Цифровая обработка изображений, в двух книгах. -М:Мир, 1982. -790 с.
  17. С.А. Вейвлеты и нейронные сети. Лекция для школы-семинара «Современные проблемы нейроинформатики». М: МИФИ, 2001 г.
  18. Уоссермен. Нейрокомпьютерная техника.// Теория и практика, пер. с английского.- М: Мир, 1992
  19. К. Структурные методы в распознавании образов. -М.:Наука, 1977.-319 с.
  20. К. Введение в статистическую теорию распознавания образов. -МгНаука, 1979. -368 с.
  21. Я.А., Юрьев А. Н., Яншин В. В. Цифровые методы обработки и распознавания бинарных изображений. -Изд-во Красноярского университета, Красноярск, 1992. 246 с.
  22. Чен Ш. К. Принципы проектирования систем визуальной информации. -М.:Мир, 1993.
  23. Г. М. Производство древесно-стружечных плит.- Изд. «Лесная промышленность» 1977 г.-312с.
  24. В.В. Анализ и обработка изображений: принципы и алгоритмы. -М. Машиностроение, 1994. -112с.
  25. J.L. Starck, E.J. Candes and D.L. Donoho «The curvelet transform for image denoising» IEEE Trans. Image Proc., 2000, submitted.
  26. E. (1998) Ridgelets: Theory and Applications. Ph.D. Thesis, Department of Statistics, Stanford University.
  27. D.L. Donoho and M.R. Duncan «Digital curvelet transform: strategy, implementation and experiments» in Proc. Aerosense 2000, Wavelet Applications VII. SPIE, 2000, vol. 4056, pp. 12−29.
  28. D.Whitley and K. Mathias. Genetic Operators, the Fitness Landscape and the Traveling Salesman Problem. Parallel Problem Solving from Nature-PPSN 2. R. Mainner and В Manderick, eds., pp. 219−228. North HollandElsevier, 1992.
  29. S.Mallat. A Theory of Multiresolution Signal Decomposition: The Wavelet Representation, IEEE Trans. Pattern Analysis and machine Intelligence, vol.11, 1989, pp.429−457.
  30. A.B. Петешов, Л. Л. Малыгин, В. А Модели нейронных сетей и области их применения// XIV межвузовская научно-техническая конференция. Тезисы докладов и сообщений. Часть III. Череповец, ЧВИИРЭ, 2001. С 97−98.
  31. А.В. Петешов, А. Н. Ульянов, Е. И. Балунин. О некоторых особенностях использования оптоэлектронных систем контроля размеров проката// Образование и наука в Череповце. Материалы научно-практической конференции. Череповец, 2001. С. 91
  32. В. И. Горбатюк Н.В., Шницер Ю. Л. Нейро-нечеткая система интегральной оценки знаний студента. В кн.: Искусственныйинтеллект-2000//Тезисы докладов международнойконференции.Таганрог. Изд-во ТРТУ, 2000, с 163−164
  33. В.М. Генетические алгоритмы. Таганрог. Изд.-во ТРТУ, 1998,242 с.
  34. Г. К., Махотило К. В., Петрашев С. Н., Сергеев С. А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Харьков: ОСНОВА, 1997. — 112 с.
  35. А.В. Петешов, С. Н. Ерёмин, В. А. Шабалов. Обработка бинарного изображения с целью повышения точности определения границ объекта// Материалы межвузовской научно-методической конференции. Череповец, СПбГТУ, 2002. С. 39−42.
  36. Edelman. G. Neural Darwinism. New York: Basic Books, 1988.
  37. Э.М., Мучник И. Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983 — 464 С.
  38. Frakes W.B., Baeza-Yates R. Information Retrieval: Data Structures and Algorithms. — EngleWood Cliffs, N.J.: Prentice Hall, 1992.
  39. К.Асаи, Д. Ватада, С. Иваи и др. Прикладные нечеткие системы /Пер. с япон.- Под. Ред. Т. Тэрано, К. Асаи, М.Сугэно. — М.:Мир, 1993.—368 е.: ил.
  40. Jang J.-S., Sun С.-Т. Neuro-Fuzzy Modelling and Control // In Proc. of the IEEE. — 1995. V. 83.1 3. P. 378−406.
  41. Mamdani E.H., Assilian S. An Experiment in Linguistic Synthesis With a Fuzzy Logic Controller // Int. J. Man-Machine Studies. — 1975. V. 7. 1 1. P. 11−13.
  42. Varsek A., Urbancic Т., Filipic B. Genetic Algorithms in Controller Design and Tuning // IEEE Trans, on SMC. — 1993. V. 23.5.
  43. Zadeh L.A. Fuzzy Sets // Information and Control. — 1965. V. 8. P. 338−353.
  44. Holland J. H. Adaptation in Natural and Artificial Systems: An Introductionary Analysis with Application to Biology, Control and Artificial Intelligence. University of Michigan, 1975. — 211 p.
  45. Ю.В. Искусственный интеллект и нейрокомпьютеры. — Таганрог: изд-во ТРТУ, 1997.— 273 с.
  46. Ф. Нейрокомпьютерная техника. — М.: Мир, 1992.
  47. А.Н. Обучение нейронных сетей. — М.: СП Параграф, 1990.
  48. А.В. Петешов, В. А. Шабалов. Построение алгоритмов обработки растровых изображений с использованием генетического подхода// Материалы IV межвузовской конференции молодых ученых. Череповец, ЧТУ, 2003. С. 198−199.
  49. Brown С.Т. An Introduction to avida, an Auto-Adaptive Genetic System: SURF technical report. — Caltech, 1993.
  50. A.B. Петешов. Методика и алгоритмы обработки информации в оптико-электронных системах контроля геометрических параметров объектов с неоднородной структурой поверхности// Материалы научно-исследовательской работы. Череповец, ЧГУ, 2004.
  51. D. В. An Introduction to Simulated Evolutionary Optimization // IEEE Transactions on Neural Networks. — 1994. V. 5.1 1.
  52. Goldberg D. E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison Wesley, 1989.
  53. Koza J.R. Genetic Programming: On the Programming of Computers by Means of Natural Selection. — Cambridge (Mass.): MIT Press, 1992.
  54. Starkweather Т., Whitley D., Mathias K. Optimization using Distributed Genetic Algorithms // Parallel Problem Solving from Nature/ H.-P Schwefel., R. Manner — Berlin: Springer-Verlag Berlin, 1990. — P. 176 185.
  55. Muhlenbein H., Schomisch M. Born J. The Parallel Genetic Algorithm as Function Optimizer//Parallel Computing. — 1991. V. 17. P. 498−516.
  56. Soft Computing: Fuzzy Logic Neural Networks, and Distributed Artificial Intelligence /Eds. F. Aminzadeh, M. Jamshildi. — Englewood Cliffs: PTR Prentice Hall, 1994 —301 p.
  57. B.M. Методы генетического поиска: Учебное пособие, часть 1. — Таганрог: ТРТУ, 1988. — 118 с.
  58. А.В. Петешов, В. А. Шабалов. Эволюционный подход к построению адаптивного алгоритма обработки растровых изображений// Материалы XVI межвузовской военно-научной конференции. Тезисы докладов и сообщений. Часть 2. Череповец, ЧВИИРЭ, 2005. С. 43−48
  59. Ю.М., Петешов А. В. Выбор принципов модификации генетических операторов// Изв. Тульского ГУ, серия «Проблемы проектирования и производства систем и комплексов «.-Тула.-2006.-С.129−134.
  60. Karr C.L., Stanley D.A. Fuzzy Logic and Genetic Algorithms in lime-Varying Control Problems//In Proc. of the NAPFIS-91. — 1991.— P. 285−290.
  61. Ackley D.H., Hinton G.E., Sejnowski T.J. A Learning Algorithm for Boltzmann Machines. Cognitive Science, 9,1985, pp. 147−169.
  62. Cottrell G.W., Munro P. and Zipser D. Learning Internal Representation from Gray-Scale Images: An Example of Extensional Programming. In Proc. 9 th Annual Conference of the С ognitive S cience S ociety, 1 987, pp. 461−473.
  63. Dennis J., Schnabel R. Numerical Methods for Unconstrained Optimization and Nonlinear Equations. Englewood Cliffs, NJ: Prentice-Hall, 1983.
  64. Gilev S.E., Gorban A.N., Mirkes E.M. Several methods for acceleration the training process of neural networks in pattern recognition. USSR Academy of Sciences, Siberian Branch, Institute of Biophysics, Krasnoyarsk, 1990. Preprint N 146Б.
  65. Guyon I., Poujaud I., Personnaz L., Dreyfus G., Denker J. and Le Cun Y. Comparing different neural network architectures for classifying handwritten digits. In Proc. IEEE Int. Joint Conf. Neural Networks, June 1989.
  66. Muller В., Reinhardt J. Neural networks. Springer- -Verlag. 1990. 267 p.
  67. Neural Computing: NeuralWorks Professional II/Plus and NeuralWorks Explorer. NeuralWare, Inc., 1991. 355 p.
  68. Hecht-Nielsen R. Theory of the backpropagation neural network // International joint conference on neural networks, Sheraton Washington Hotel, Washington D.C., June 18−22, vol. 1,1989, p. 593−606.
  69. A.H., Карелин В. П. Методы распознавания изоморфизма и изоморфного вложения четких и нечетких графов. Учебное пособие. -Таганрог: изд-во ТРТУ, 1995 112 с.
  70. Н. Принципы искусственного интеллекта / Пер. с анг.— М.:Радио и связь, 1985. — 376 е.: ил.
  71. Лорьер Ж.-Л.Системы искусственного интеллекта / Пер. с франц. — М.:Мир, 1991.—568 е.: ил.
  72. Э. Искусственный интеллект / Пер. с англ. — М.: Мир, 1978. — 558 с.
  73. Н. Кибернетика, или управление и связь в животном и машине. — 2-е. изд. — М.: Наука, 1983. — 338 с.
  74. Д.А. Вероятностные автоматы. — М.: Энергия, 1970. — 88с. :ил.
  75. Edelman. G. Neural Darwinism New York: Basic Books, 1988.
  76. . D. В ody and В rain. С ambridge. Mass.: H arvard U niversity P ress, 1988.
  77. Montana. D. J. and L. Davis Training feedforward neural networks using genetic algorithms. Proceedings of the Eleventh International Joint Conference on Artificial Intelligence, 1989. pp. 762−767.
  78. Whitley. D. Applying genetic- algorithms to neural net learning. Tech Report number CS-88−128. Department of Computer Science. Colorado State University, 1988.
  79. HollandJ. The dynamics of searches d irected by Genetic Algorithms. In: Lee Y.S. (ed.) Evolution, Learning and Cognition. Word Scientific, Singapore, 1988.
  80. Handbook of Genetic Algorithms, Edited by Lawrence Davis, Van Nostrand ReinhoLd, New York, 1991.412 p.
  81. Wynne Jones M. Node splitting: A constructive algorithm for feed -forward neural networks. // Neural Computing and Applications, Vol. 1, № 1,1993 -p. 17−22.
  82. Harp Steven A., Samad Tariq. Genetic Synthesis of Neural Network Architecture. // Handbook of Genetic Algorithms. Edited Lawrence Davis. -Van Nostrand Reinhold. New York, 1991. pp. 202 — 221.
  83. Miller G., Todd P. and Hegde S. Designing neural networks using genetic algorithms. In J. D. Schaffer (ed.). Proceedings of Third International Conference on Genetic Algorithms. Morgan Kaufmann, 1989.
  84. Schaffer. J. D., Caruana R. and Edelman L. Using genetic search to exploit the emergent behavior of neural networks. Phillips Laboratories. 345 Scarborough Rd. Briar Cliff Manor. NY 10 510,1989 (unpublished).
  85. Ю.И., Дегтярев А. Б., Сиек Ю. Л. Принятие решений в интеллектуальных системах реального времени с использованием концепции мягких вычислений. Искусственный интеллект № 3, 2000, НАН Украины, ИЛИИ, с. 525−533.
  86. А.Н. Мягкие вычисления основы новых информационных технологий // V Национальная конференция по искусственному интеллекту: Сб. тр. Казань, 1996. — Т.2. — с. 237−239.
  87. Werbos. P. J. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Ph. D. thesis. Department of Applied Mathematics. Harvard University. Cambridge. Mass, 1974.
  88. Goldberg D.E., Korb В., Kalyanmoy D. Messy Genetic Algorithms. // Complex Systems, № 3,1989.
  89. A.B. Экспериментальное исследование зависимости скорости сходимости генетического алгоритма от его параметров. // Известия Академии Наук. Теория и системы управления, № 5, 1997.
  90. Д.А. Ситуационное управление: теория и практика. М.: Гл. ред. Физ.-мат. Лит., 1986 — 288 с.
  91. Э.М., Мучник И. Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983 — 464 С.
  92. А.В. Петешов, Д. В. Кретов Контроль качества материалов и изделий радиоволновыми методами // Сб. научных трудов -ТАИИ.-Тула.-2006.-С.209
  93. В.В., Петешов А. В., Литвин В. В. Структура программно-методического комплекса автоматизированной системы перспективного образца // Межвузовский сборник статей НТО РЭС им. Попова. Тула: ТулГУ, 2006 г.-С. 64−69.
Заполнить форму текущей работой

Сессия? Спокойно!