Помощь в написании студенческих работ
Антистрессовый сервис

Проектирование математического обеспечения систем автоматизации производства оптических материалов с использованием нейронных сетей

Диссертация: Проектирование математического обеспечения систем автоматизации производства оптических материалов с использованием нейронных сетей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Диссертация охватывает все основные аспекты проблемы автоматизации проектирования МО САПОМ и пути их решения с помощью разработанного нейросетевого подхода. В работе исследованы особенности решения задач АП МО САПОМ с помощью аппарата теории нейронных сетей, предложены методы и алгоритмы синтеза структуры и настройки параметров ИНС, решающих выделенный в ходе анализа проблематики набор задач МО… Читать ещё >

Проектирование математического обеспечения систем автоматизации производства оптических материалов с использованием нейронных сетей (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. Проблемы синтеза МО САПОМ
    • 1. 1. Определение состава сложных задач при проектировании МО САПОМ
    • 1. 2. Анализ особенностей решения идентификационных задач при проектировании САПОМ
    • 1. 3. Анализ особенностей решения задач синтеза систем автоматизированного управления при проектировании САПОМ
    • 1. 4. Анализ особенностей решения оптимизационных задач при проектировании САПОМ
    • 1. 5. Анализ особенностей решения задач прогнозирования при проектировании САПОМ
  • Глава 2. Искусственные нейронные сети как аппарат решения задач АП МО САПОМ
    • 2. 1. Анализ эволюции представлений об искусственных нейронных сетях
    • 2. 2. Принцип действия биологического нейрона
    • 2. 3. Построение модели искусственного нейрона
    • 2. 4. Процедура выбора активационной функции в модели искусственного нейрона
    • 2. 5. Классификация ИНС
    • 2. 6. Анализ методов и алгоритмов обучения ИНС
      • 2. 6. 1. Формальная постановка задачи обучения ИНС
      • 2. 6. 2. Анализ методов и алгоритмов обучения
  • ИНС «с учителем»
    • 2. 6. 3. Анализ методов и алгоритмов обучения
  • ИНС «без учителя»
    • 2. 7. Основные свойства ИНС
  • Глава 3. Применение статических ИНС в задачах
  • АЛ МО САПОМ
    • 3. 1. Исследование применения статических ИНС в задачах идентификации
      • 3. 1. 1. Общая формулировка идентификационной задачи в нейросетевом базисе
      • 3. 1. 2. Критерии качества проектируемой идентификационной модели на основе ИНС
      • 3. 1. 3. Разработка методики синтеза идентификационной модели на основе ИНС РБФ с помощью генетического алгоритма
    • 3. 2. Исследование применения статических ИНС в задачах синтеза систем управления
      • 3. 2. 1. Анализ использования ИНС в задачах управления
      • 3. 2. 2. Методы обучения ИНС нейросетевых систем управления
      • 3. 2. 3. Разработка методики синтеза контроллера нейросетевой системы управления, обучаемой в режиме off-line, на основе генетического алгоритма
      • 3. 2. 4. Разработка методики синтеза контроллера адаптивной нейросетевой системы управления, обучаемой в режиме on-line
  • Н> Глава 4. Применение динамических ИНС в задачах
  • АП МО САПОМ
    • 4. 1. Анализ применения динамических ИНС в решении оптимизационных задач
      • 4. 1. 1. Анализ особенностей ИНС Хопфилда как средства решения оптимизационных задач
      • 4. 1. 2. Разработка методики синтеза ИНС Хопфилда для оптимизационной задачи
      • 4. 1. 3. Показатели качества решения оптимизационных задач с помощью ИНС Хопфилда
      • 4. 1. 4. Разработка методики решения оптимизационной задачи с использованием динамической
  • ИНС Хопфилда
    • 4. 1. 5. Разработка методики решения оптимизационной задачи с помощью динамико-статической ИНС
    • 4. 2. Анализ применения динамических ИНС в задачах прогнозирования параметров технологических систем
    • 4. 2. 1. Анализ особенностей применения ИНС в прогнозных задачах

    4.2.2. Разработка математической модели процесса прогнозирования состояния технологической системы с помощью ИНСу" 4.2.3. Разработка алгоритма прогнозирования технического состояния объекта с помощью динамической ИНС Хопфилда

    Глава 5. Разработка

    САПР МО САПОМ

    5.1. Разработка концепции и функциональной спецификации

    САПР МО САПОМ

    5.2. Разработка методики решения идентификационной задачи с помощью

    САПР МО САПОМ

    5.3. Разработка методики решения задачи синтеза контроллера системы управления с помощью

    САПР МО САПОМ

    5.4. Автоматизация проектирования математических моделей ТП производства ОМ с помощью ИНС

    5.5. Разработка методики решения оптимизационной задачи с помощью

    САПР МО САПОМ

    5.6. Разработка методики решения задачи прогнозирования с помощью

    САПР МО САПОМ

Производство оптических материалов (ОМ) включает в себя сложные с точки зрения анализа и управления технологические объекты. Автоматизация производства ОМ, как неотъемлемая в современных условиях часть мероприятий по повышению качества готовой продукции, требует специального математического обеспечения (МО) систем автоматизации производства ОМ (САПОМ) и эффективных методов его автоматизированного проектирования (АП).

Это обусловлено тем, что большинство традиционных подходов к математическому моделированию технологических процессов (ТП) производства ОМ не предоставляют разработчику требуемой адекватности и точности воспроизведения параметров. В основе ТП производства современных ОМ лежат фазовые превращения вещества и сложные физико-химические преобразования под воздействием многочисленных факторов, что затрудняет их аналитическое описание. ТП проводятся на протяжении длительного (до нескольких суток) времени и всё это время требуется стабилизация параметров установок с достаточно высокой точностью и компенсация случайных возмущений, что невозможно без адекватного математического моделирования.

Такое положение вещей вызывает к жизни два требования. Во-первых, это требование разработки достаточно точных математических моделей, чьи алгоритмы построения смогут решить проблему неопределённостей аналитического моделирования ТП производства ОМ. Во-вторых, возрастает потребность в автоматизации проектирования МО САПОМ с целью сокращения времени на разработку и внедрение САПОМ и оптимизации разрабатываемого МО.

В рамках настоящей диссертационной работы предлагается решение задач АП МО САПОМ с использованием технологий искусственных нейронных сетей (ИНС). Как показано далее в диссертационной работе, такой подход позволяет добиться следующих позитивных эффектов в проектировании МО САПОМ:

1. Построения функциональных математических моделей с наперёд заданной точностью без необходимости создания аналитической модели;

2. Разбиения процесса проектирования ИНС как МО САПОМ на отдельные этапы, связанные с выбором архитектурных и параметрических решений, что позволяет, с одной стороны, создать гибкую процедуру проектирования, а с другой — автоматизировать сам процесс проектирования путём использования на каждом этапе критериев и алгоритмов оптимального проектирования;

3. Универсальности МО на базе ИНС как алгоритмического средства, позволяющего решать самые различные задачи, актуальные для построения САПОМ.

Это делает возможным решение актуальной задачи — построения САПР МО САПОМ на основе предложенного подхода к АП МО САПОМ с использованием нейросетевых методов и алгоритмов.

Цель и задачи работы. Целью диссертации, в соответствие с вышеизложенным, является разработка, обобщение и исследование методов и алгоритмов АП МО САПОМ на основании единого нейросетевого подхода.

Достижение поставленной цели потребовало решения задач в следующих направлениях:

— анализ основных проблем проектирования МО САПОМ, связанных с особенностями ТП производства ОМ как объектов автоматизации, а также формулировка актуальных задач АП МО САПОМ;

— анализ архитектур ИНС, выбор и исследование методов и алгоритмов формирования ИНС, предназначенных для решения задач АП МО САПОМ;

— разработка методики решения задачи идентификации на основе применения ИНС;

— разработка методики решения задачи синтеза СУ на основе ИНС;

— разработка методики решения оптимизационной задачи на основе.

ИНС;

— разработка методики решения задачи прогнозирования параметров ТП и ТС на основе ИНС;

— разработка концептуальной и функциональной структуры САПР МО САПОМ, построенной на использовании нейросетевого алгоритмического подхода к решению задач АП МО САПОМ.

Методы исследования. Основными методами решения поставленных задач являлись теория и методы САПР, принципы системного подхода, теория ИНС, аппарат линейной алгебры, дифференциальное исчисление, теория алгоритмов, теория идентификации, теория управления.

Положения, выносимые на защиту. В соответствие с целями и задачами на защиту выносятся следующие положения:

1. Методы АП МО на базе ИНС;

2. Методика решения задач идентификации на основе применения.

ИНС;

3. Методика решения задач синтеза СУ на основе ИНС;

4. Методика решения оптимизационной задачи на основе ИНС;

5. Методика решения задачи прогнозирования параметров ТС на основе ИНС;

6. Структура САПР МО САПОМ.

Научная новизна. Научная новизна определяется тем, что в ходе работы выполнено обоснование и практическое исследование возможности построения САПР МО САПОМ на едином алгоритмическом аппарате теории ИНС. В ходе работы были разработаны нейросетевые методы и алгоритмы решения задач АП МО САПОМ — идентификации, синтеза СУ, оптимизации и прогнозирования — применяемые в рамках разработанной САПР.

Практическая значимость. Практическая значимость работы заключается в следующем:

1. В ходе работы была разработана САПР МО САПОМ на основе аппарата ИНС — гибкое универсальное средство решения задач АП МО САПОМ;

2. Разработаны методы, алгоритмы и технологии АП МО, имеющие практическое значение;

3. Применение разработанных в настоящем исследовании методов и алгоритмов позволяет добиться повышения эффективности решения задач АП МО САПОМ, в том числе сократить сроки проектирования МО;

4. Полученные результаты использовались в курсах лекций по основам САПР для специальности 220 500 «Проектирование и технология ЭВС», что позволило повысить качество подготовки специалистов по автоматизации проектирования.

Внедрение и реализация. Практически результаты работы используются в промышленности и научно-исследовательских организациях, что подтверждено соответствующими актами о внедрении.

В число организаций, внедривших и использующих результаты работы, входят НИИТИОМ ВНЦ «ГОИ им. С.И. Вавилова», СПбФ ИЗМИР РАН и СПбГУ ИТМО.

Апробация работы. Основные результаты докладывались на научных семинарах и конференциях. В их числе:

— XIX Международная конференция «Интеллектуальные САПР -2004» (3−10 сентября 2004 г., Геленджик);

— XXXIII научная и учебно-методическая конференция СПбГУ ИТМО (3−6 февраля 2004 г., СПб.);

— I конференция молодых учёных СПбГУ ИТМО (19−22 февраля 2004 г., СПб.);

— XXXIV научная и учебно-методическая конференция СПбГУ ИТМО, посвященная 100-летию первого выпуска специалистов ВУЗа (2−4 февраля 2005 г., СПб.).

Публикации. Основные результаты диссертации отражены в 6 научных работах и 1 научно-техническом отчёте.

Структура работы. Диссертация состоит из введения, 5 глав, заключения и списка литературы из 122 наименований, изложена на 178 страницах машинописного текста, иллюстрированного 28 рисунками.

Заключение

.

Суммируя результаты, полученные в ходе работе, можно сказать, что цель диссертации, сформулированная во введении, а именно разработка, обобщение и исследование методов и алгоритмов АП МО САПОМ на основании единого нейросетевого подхода, в основном достигнута.

Диссертация охватывает все основные аспекты проблемы автоматизации проектирования МО САПОМ и пути их решения с помощью разработанного нейросетевого подхода. В работе исследованы особенности решения задач АП МО САПОМ с помощью аппарата теории нейронных сетей, предложены методы и алгоритмы синтеза структуры и настройки параметров ИНС, решающих выделенный в ходе анализа проблематики набор задач МО САПОМ, разработаны методы и алгоритмы АП МО САПОМ для каждой из соответствующих задач, разработана структура САПР МО САПОМ, созданы методы организации АП МО САПОМ на базе ИНС в рамках такой САПР.

Применение единого алгоритмического подхода к проектированию МО САПОМ, основанного на аппарате теории ИНС, позволило предложить методы решения ряда актуальных задач, стоящих перед проектировщиками МО САПОМ, и не подлежащие решению классическими средствами (либо трудно решаемые).

Разработаны методики идентификации и автоматизированного проектирования математических моделей ТП производства ОМ на основе ИНС, методики синтеза контроллеров СУ, методика решения оптимизационных задач, методика решения задач прогнозирования.

Проведено исследование разработанных методик, показана эффективность предложенного подхода, приведено практическое применение разработанных методов и алгоритмов.

Разработана САПР МО САПОМ, в основу которой положен единый нейросетевой подход.

Результаты диссертационной работы позволяют достичь:

1. Оптимизации задачи подбора и формирования математического обеспечения за счёт применения единого нейросетевого подхода;

2. Интерактивности процесса проектирования ИНС как инструментального средства;

3. Гибкости в формировании доступного набора сетевых архитектур, методов, алгоритмов и критериев;

4. Расширяемости системы, понимаемой как способность к адаптивному расширению баз данных и знаний в зависимости от специфики решаемых на практике задач;

5. Построения имитационных моделей ТП и ТС производства ОМ, в отношении которых накоплены значительные банки данных технологических параметров;

6. Повышения эффективности АП математических моделей ТП и ТС производства ОМ, моделирование которых классическими методами затруднено либо невозможно;

7. Повышения эффективности решения сложных размерных задач оптимизации проектных решений (на размерных задачах достигнуто уменьшение поискового времени в 5−9 раз);

8. Возможности построения средств мониторинга и краткосрочного прогнозирования параметров ТП и ТС производства ОМ.

Таким образом, полученные в диссертации результаты позволяют осуществить решение актуальной задачи, имеющей важное прикладное значение.

Показать весь текст

Список литературы

  1. К.В. К применению нейросетевых алгоритмов при автоматизации технологических процессов оптического производства / В сб. «Диагностика и функциональный контроль качества оптических материалов». — СПб.: СПбГУ ИТМО, 2004.
  2. К.В. Нейросетевые алгоритмы в задачах автоматизации проектирования / В сб. «Научно-технический вестник СПбГУ ИТМО. Выпуск 14», СПб.: СПбГУ ИТМО, 2004.
  3. Ю.А., Коробейников А. Г. Проектирование интегрированных автоматизированных технологических комплексов. СПб: СПбГИТМО (ТУ), 2000.
  4. К.В., Овчаров JI.A., Тарышкин А. Н. Аналитические методы исследования систем. -М.: Советское радио, 1974.
  5. Hvan Dijk et al. Crystal diameter control in Crohralski growth, //Acta Electronica, 1974, v. 17, № 1.
  6. B.C., Семенов B.B. АСУ ТП в производстве кристаллов кремния.//Цветные металлы, 1978, № 1.
  7. Bardsley W., Cockayne В., Green G.W. Developments in the weighing method of automatic cristal pulling. //Journal of Crystal Growth, 1974, № 24/25.
  8. A.B., Виноградов С.А, Коробейников А. Г. Выбор и обоснование математической модели автоматизированного процесса выращивания оптических монокристаллов. //Оптико-механическая промышленность, № 6, 1988.
  9. Ю.А., Петухов Г. А., Лунев А. А. Система автоматизированного управления процессом роста монокристаллов. //В кн. «Проектирование и производство микроэлектронных устройств». -Фрунзе, 1983.
  10. Ю.А. Разработка системы автоматизированного управления процессом выращивания кристаллов. //В кн. «Пути создания ИЦСС». — Л., 1983.
  11. В.Н., Терехов В. А., Тюкин И. Ю. Адаптивное управление в технических системах. СПб: СПбГУ, 2001.
  12. В.А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления. М.: Высшая школа, 2002.
  13. Базы данных. Интеллектуальная обработка информации. /Корнеев В.В., Гареев А. Ф., Васютин С. В., Райх В. В. М.: Нолидж, 2000.
  14. В.Н., Резников Б. А., Варакин Е. И. Теория систем и оптимального управления. Понятия, модели, методы и алгоритмы оптимального выбора. М.: МО СССР, 1987.
  15. А.В., Лоскутов А. И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003.
  16. А.А. Основы теории графов. М.: Наука, 1987.
  17. Э. Алгоритмы оптимизации на сетях и графах. М.: Мир, 1981.
  18. М., Тхуласираман К. Графы, сети и алгоритмы. М.: Мир, 1984.
  19. М., Джонсон Д. Вычислительные машины и трудно решаемые задачи. -М.: Мир, 1982.
  20. X., Стиглиц К. Комбинаторная оптимизация. Алгоритмы и сложность. — М.: Мир, 1985.
  21. А.Г., Мюллер И. А. Самоорганизация прогнозирующих моделей. Киев: Техшка, 1985.
  22. В.Е. Прогнозирование состояния сложных технических комплексов. СПб.: Наука, 1999.
  23. А.К., Юсупов P.M. Идентификация и техническая диагностика. -М.: МО СССР, 1987.
  24. Pitts W., Mcculloch W.W. How we know universals. //Bulletin of Mathematical Biophysics 9:127−47, 1947.
  25. Hebb D.O. Organization of behavior. New York: Science Editions, 1949.
  26. Ashby W.R. Design for a brain. NY, Willey Press, 1952.
  27. Rochecter N., Holland J.H., Haibt L.H., Duda W.L. Tests on a cell assembly theory of the action of the brain, using a large digital computer. // IRE Transaction on Information Theory, № IT-2, 1956.
  28. Minsky M.L. Theory of neural-analog reinforcement systems and it’s application to the brain-model problem: Ph.D. Thesis. Princeton, NJ: Princeton University, 1954.
  29. Uttley A.M. Information transmission in the nervous system. London: Academic Press, 1979.
  30. Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. М.: Мир, 1965.
  31. Widrow В. The speed of adaptation in adaptive control system, paper 1933−61. //American Rocket Society. Guidance Control and Navigation Conference, 1961.
  32. Widrow B. Adaptive sampled-data systems, a statistical theory of adaptation. //IRE WE SCON Convention Record, part 4. — New York: Institute of Radio Engineers, 1959.
  33. Widrow В., Angell J.B. Reliable, trainable networks for computing and control. //Aerospace Engineering 21:78−123, 1962.
  34. Widrow В., Hoff M.E. Adaptive switching circuits. //IRE WESCON Convention Record, part 4, pp. 96−104. New York: Institute of Radio Engineers, 1960.
  35. M., Пейперт С. Перцептроны. M.: Мир, 1971.
  36. Ф., Нейрокомпьютерная техника: теория и практика. -М., Мир, 1992.
  37. Werbos P.J. Beyond regression: New tools for prediction and analysis in the behavioral sciences. Masters thesis. — Harward University, 1974.
  38. Fukushima K. Cognitron: a self-organizing multilayered neural network. //Biological Cybernetics, 20:121−136, 1975.
  39. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities. //Proceedings of the National Academy of Science 79:2554−58,1982.
  40. Hopfield J.J., Tank D.W. Neural computation of decisions in optimization problems. //Biological Cybernetics 52:141−52, 1985.
  41. Hopfield J.J., Tank D.W. Computing with neural circuits: A model. //Science 233:625−33, 1986.
  42. Tank D.W., Hopfield J.J. Simple «neural» optimization networks: An A/D converter, signal decision circuit, and a linear programming circuit. //Circuits and Systems IEEE Transactions on CAS-33(5):533−41, 1986.
  43. Kohonen T. Self-organization and associative memory. New-York, Springer-Verlag, 1988.
  44. Kohonen Т. Self-organized formation of topologically correct feature maps // Biological Cybernetics. 1982. № 43. P. 59−69.
  45. Carpenter G.A., Grossberg S. Pattern Recognition by Self-Organizing Neural Networks, Cambribge, MA: MIT Press, 1991.
  46. Carpenter G.A., Grossberg S. Normal and amnesia learning, recognition, and memory by a neural model of cortico-hippocampal interactions / In: Trends in Neuroscience, 16, pp.131−137, 1993.
  47. Rumelhart D.E., Hinton G.E., Williams RJ. Learning internal reprentations by error propagation, fin: Parallel distributed processing, vol. 1, pp. 318−62. Cambridge, MA: MIT Press, 1986.
  48. Parker D.B. Learning logic. Invention Report S81−64, File 1, Office of Technology Licensing, Stanford University. Stanford, CA, 1982.
  49. LeCun, Y. Une procedure d’apprentissage pour reseau a seuil assymetrique. / In: Cognitiva-85, pp.599−604, 1985.
  50. Broommhead D.S., Lowe D. Multivariable functional interpolation and adaptive networks. // Complex Systems, № 2/1988, pp. 321−355.
  51. А.Г. Персептроны. — Киев: Наукова думка, 1974.
  52. А.Г. Самообучающиеся системы распознавания и автоматического регулирования. — Киев: Техника, 1969.
  53. А.А., Муравьев И. П. Нейронные модели ассоциативной памяти. -М.: Наука, 1987.
  54. А.А., Муравьев И. П. Информационные характеристики нейронных сетей. М.: Наука, 1988.
  55. С.И., Охонин В. А. Адаптивные сети обработки информации. Красноярск: ИФ СО АН СССР, 1986.
  56. С.И., Охонин В. А., Гилев С. Е. Принцип двойственности в организации адаптивных сетей обработки информации. / В кн.: Динамика химических и биологических систем. Новосибирск: Наука, 1989.
  57. А.Н. Обучение нейронных сетей. М.: изд. USSR-USA JV «ParaGraph», 1990.
  58. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.
  59. Дунин-Барковский B. JL, Горбань А. Н., Кирдин А. Н. и др. Нейроинформатика. Новосибирск: Наука, 1998.
  60. Cohen М., Grossberg S. Absolute stability of global formation and parallel memory storage by competitive neural networks. //IEEE Transactions on Systems, Man, and Cybernetics, 13, 815−826, 1983.
  61. Park J., Sandberg I.W. Universal approximation using radial-based function network. //Neural computation, № 3, 1991.
  62. Handbook of intelligent control: neural, fuzzy and adaptive approaches. — NY: VanNostrand Reinhold, 1992.
  63. B.A. Нейроинтеллект: теория и применение. Брест, БПИ, 1999.
  64. McLaren R.W., Mendel J.M. Reinforcement-learning control and pattern-recognition systems. / In: Adaptive, learning and pattern recognition systems: theory and application. (Mendel J.M. eds.)-NY: Academic Press, 1970.
  65. В.И., Смирнов Д. А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия — Телеком, 2003.
  66. Sankar К. Pal, Sushimita Mitra. Multilayer perceptron, fuzzy sets and classification. //IEEE Transactions on Neural Networks, vol.3, № 5/1992.
  67. Г. К. и др. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. — Харьков: Основа, 1997.
  68. Haykin S. Neural networks: a comprehensive foundation. NY: McMillan, 1994.
  69. Girosi F., Poggio T. Networks for approximation and learning. //Proceedings of the IEEE, 78(9): 1481−1497, 1990.
  70. А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных. //Доклады АН СССР, 1956. Т. 108, No. 2.
  71. В.И. О функциях трех переменных. //Доклады АН СССР, 1957. Т. 114, No. 4.
  72. А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного. //Доклады АН СССР, 1957. Т. 114, No. 5.
  73. Cybenko G. Approximation by superposition of a sigmoidal function. //Mathematics of Control, Signals, and Systems, Vol. 2, 1989.
  74. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. //Neural Networks. Vol. 2, 1989.
  75. Kochenov D.A., Rossiev D.A. Approximations of functions of CA, B. class by neural-net predictors (architectures and results). //AMSE Transaction, Scientific Siberian, Vol. 6. Neurocomputing, Tassin, France: 1993.
  76. Funahashi K. On the approximate realization of continuous^mappings by neural networks. //Neural networks, № 2/1989.
  77. Barron A.R. Neural net approximation //Proceedings of Seventh Yale Workshop on adaptive and learning systems. — New-Haven, CT: Yale University, 1991.
  78. В.А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления // В сер. «Нейрокомпьютеры и их применение», сб. под. ред. А. И. Галушкина. -М.: ИПРЖР, 2002.
  79. Нейроинформатика и её приложения. // Материалы III Всероссийского семинара 6−8 октября 1995 г. Том 1. / Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1995.
  80. Barron A.R. Universal approximation bounds for superposition of a sigmoidal function. //IEEE Transaction on information theory, vol 39, 1993.
  81. Hunt K.J., Sbarbaro D., Zbikowski R., Gawthrop P.J. Neural networks for control systems: A survey. //Automatica. 1992, vol.28, № 6.
  82. B.A. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления. // Известия РАН, Серия «Теория и системы управления», 1996, № 3.
  83. Д.П., Фрадков A.JI. Прикладная теория дискретных адаптивных систем управления. М.: Наука, 1981
  84. A.JI. Адаптивное управление в сложных системах: беспоисковые методы. — М.: Наука, 1990.
  85. А.Н. Нейросетевые системы обработки информации и их применение в космической технике. М.: СИП РИА, 2000.
  86. В.В. Нейроподобные сети в бортовых информационно-управляющих комплексах летательных аппаратов. СПб.: Изд-во ВИКА им. А. Ф. Можайского, 1996.
  87. А.А., Шумский С. А. Нейрокомпьютинг и его применение в экономике и бизнесе. М., 1998.
  88. Дунин-Барковский B.JI. Информационные процессы в нейронных структурах. — М.: Наука, 1978.
  89. Д.В. Автоматизированное приобретение знаний с помощью нейронных сетей. //Техническая кибернетика, 1994, № 5.
  90. Т. Ассоциативная память. М.: Мир, 1982.
  91. Т. Ассоциативные запоминающие устройства. М.: Мир, 1982.
  92. Е.И. Проблемы перебора в искусственном интеллекте. // Техническая кибернетика, 1988, № 2.
  93. Толковый словарь по искусственному интеллекту. М.: Радио и связь, 1992.
  94. Нейрокомпьютеры и интеллектуальные роботы. // Сб. под ред. Н. М. Амосова. — Киев: Наукова думка, 1991.
  95. Системы параллельной обработки. /Под ред. Д.Ивенса. Пер с англ. — М.: Мир, 1985.
  96. Н.М., Касаткин A.M., Касаткина JI.M. Нейроподобные сети в системах искусственного интеллекта. //В сб. «Нейроподобные сети и нейрокомпьютеры». Киев: ИКАН УССР, 1990.
  97. А.А., Степанов М. В. Нейронные сети и нейрокомпьютеры. — СПб.: Изд-во СПбГЭТУ, 1997.
  98. А.А., Ежов А. А., Левченко Е. Б. Архитектурные модели и функции нейронных ансамблей. // В сб. «Итоги науки и техники. Серия Физические и математические модели нейронных сетей» под ред. А. А. Веденова. Том 1.-М.: ВИНИТИ, 1990.
  99. В.В., Пугачёв С. В. Типовые модели нейронных сетей и основы их синтеза. //В сб. «Методы и алгоритмы исследования нейроподобных сетей. Вып.1 Динамические свойства нейронных сетей». -СПб.: Изд-во ВИКИ им. А. Ф. Можайского, 1992.
  100. Г. Ф. Измерение характеристик сложных объектов с использованием динамических нейронных сетей. //Нейрокомпьютеры, 2004, № 7−8.
  101. А.В. Алгоритм восстановления данных на основе нейронной сети Хопфилда с неограниченной функцией активации. //Нейрокомпьютеры, 2004, № 5−6.
  102. А.А. Моделирование элементов мышления. — М.: Наука, 1988.
  103. Grossberg S. The adaptive brain. Amsterdam: North-Holland, 1987.
  104. Abu-Mostafa Y.S., St. Jacques, J. Information capacity of the Hopfield model. //IEEE Transactions on Information Theory 31 (4):461−64, 1985.
  105. A.B., Козырев Г. И. Использование ассоциативных свойств нейронной сети Хопфилда для прогнозной экстраполяции технического состояния космических аппаратов. //Тез. докл. VI Всероссийской конференции «Нейрокомпьютеры и их применение». М., 2000.
  106. М.И. Хаос и нейродинамика. //Известия ВУЗов. Радиофизика, т. З9, 1996.
  107. А.В., Козырев Г. И., Шкляр С. В. Прогнозная модель параметров технического состояния космического аппарата на основе нейросетевой структуры «нейронная сеть прямого распротранения карта Кохонена»//Нейрокомпьютеры, 2001, № 12.
  108. Нейросетевая обработка сигналов в задачах диагностики газотурбинных авиадвигателей. /Адаменко В.А., Басов Ю. Ф., Дубровин В. И., Субботин С. А. В сб. «Доклады 3-й Международная Конференция DSPA-2000». СПб, 2000.
  109. В.И., Субботин С. А. Когнитивный анализ и отбор информативных признаков при решении задач неразрушающей диагностики лопаток ГТД. // Hoei матер1али i технологи в металурп1 та машинобудуванш, 2000, № 2.
  110. В.И., Субботин С. А. Алгоритм нейросетевого отбора признаков // «Матер1али м1жнародноТ конференцп з автоматичногоуправлшня „Автоматика-2001“, 10−14 вересня 2001 р.» Одесса: ОДПУ, 2001.
  111. C.JI. Идентификация колебательного звена методом группового учета аргументов и искусственной нейронной сетью с генетическим алгоритмом обучения. — Днепродзержинск: Изд-во ДГТУ, 1995.
  112. К.В. Оптимизация проектных решений в САПР на основе на основе нейросетевых алгоритмов. / В сб. «Вестник конференции молодых учёных СПбГУ ИТМО. Сборник научных трудов. Т.1.» СПб.: СПбГУ ИТМО, 2004.
  113. Директор НИИТИОМ ВНЦ «ГОИ им С.И. Вавилова» / к.т.н.1. С// К.В. Дукельский20 «d
  114. БОГДАНОВА Константин Вадимовича.с.н.с. СПбФ ИЗМИР АНк.физ.- мат.н.1. УТВЕРЖДАЮ
  115. Ректор Санкт-Петербургского Государственного университета информационных технологий, механики и оптики ^T^J^Sjfy^* профессор1. Н. Васильев2005 г. 1. АКТоб использовании результатов диссертационной работы БОГДАНОВА Константина Вадимовича
  116. Настоящий акт составлен в том, что при подготовке и чтении лекций по дисциплинам «Экспертные системы и логическое программирование» и «Информационные технологии проектирования ЭВС» были использованы результаты диссертационной работы К. В. Богданова.
  117. В учебном процессе используются разработанные К. В. Богдановым методы и алгоритмы автоматизированного проектирования математического обеспечения технологических процессов на «основе нейросетевого математического аппарата.
  118. Использование результатов, полученных в диссертационной работе Богданова К. В., даёт возможность повысить качество подготовки специалистов по специальности 220 500 «Проектирование и технология ЭВС».
  119. Заведующий кафедрой проектированиякомпьютерных систем д.т.н., профессор1. Ю.А. Гатчин
Заполнить форму текущей работой

Сессия? Спокойно!