Содержание к диссертации
Список условных обозначений и сокращений 5
Введение 6
Глава 1.
Анализ методов использования искусственных нейронных сетей в
задачах управления технологическими процессами 7
1.1. Классификация архитектур искусственных нейронных
сетей 7
Многослойный персептрон (MLP) 9
Сети с радиальными базисными функциями (RBF) 10
Вероятностная нейронная сеть (FNN) 10
Обобщенно - регрессионная нейронная сеть 11
Сеть Кохонена (SOFM) 12
Простая реккурентная сеть (SRN) 12
Сеть Хопфилда 13
Двунаправленная ассоциативная память (ДАП) 15
Модульная нейронная сеть(ВР-80М) 15
Неполносвязные гетерогенные сети (НГНС) 16
Принципы управления информационными потоками в АСУТПП с использованием нейросетевых технологий 18
Логическая организация многоуровневой неиросетевои системы управления информационными потоками 22
Анализ методов тиражирования трафика интегрированной интеллектуальной системы управления информационной базой данных в АСУТП на основе нейросетевьгх технологий 24
1.13. Выводы 25
Глава 2.
Синтез методов моделирования нейросетевых систем 26
Разработка вероятностной модели функционирования двухуровневой системы управления АСУТПП 26
Моделирование нейронных сетей с радиальными базисными функциями (RBF-сетей) 31
Моделирование сетей двунаправленной ассоциативной памяти 36
Синтез нейронных сетей Вольтерри 38
Синтез методов моделирования нейронных сетей, функционирующих на основе нечеткой логики 39
Математический аппарат нечетких нейронных сетей 39
Основные правила вывода двоичной логики 43
Основные правила вывода в нечеткой логике 43
Правила нечеткой импликации 44
База правил 46
Блок фуззификации 47
Блок выработки решения 48
Блок дефуззификации 48
Синтез структуры модуля нечеткого управления 50
Обучение нейронечеткого модуля с применением алгоритма обратного распространения ошибки 54
2.6. Синтез оптимальной структуры нейронной сети верхнего уровня много
уровневой модели интегрированной информационной системы 58
2.7. Выводы 60
Глава 3.
Анализ и синтез методов обучения нейросетевых систем управления
АСУТП 61
3.1. Анализ методов обучения нейронных сетей, построенных на различных
моделях 61
Градиентный метод обучения 62
Метод модельной закалки 67
Методы обучения радиальных нейронных сетей 68
Метод обучения сети двунаправленной ассоциативной памяти 75
Метод обучения сети каскадной корреляции Фальмана 79
Метод обучения сетей Вольтерри 81
Анализ проблем обучения нейронных сетей 83
3.2. Методы синтеза нейросетевых модулей на эллиптических кривых 86
Синтез эллиптических кривых в циклических поляхГалуа, используемых в алгоритмах АСУТПП 87
Выработка общего идентификатора достоверности на основе эллиптических кривых 92
Протокол идентификации достоверности на эллиптических
кривых 93
3.2.3.1.Алгоритм формирования идентификатора
достоверности 93
3.2.3.2.Алгоритм проверки корректности идентификатора
достоверности 94
Синтез топологии интегрированной интеллектуальной системы управления производством на основе многофункциональных многоуровневых нейросетевых: систем 95
Синтез функциональной схемы интегрированной многоуровневой нейро-сетевой системы управления информационными потоками 96
Выбор оптимальной структуры сети 98
Выводы 100
Глава 4.
Формирование идентификаторов достоверности на основе искус
ственных нейронных сетей с использованием эллиптических кривых в
циклических полях Галуа 101
4.1. Предварительный выбор параметров эллиптических кривых с
использованием нейросетевых модулей 101
4.1.1. Синтез и оценка параметров эллиптической кривой 102
4.2. Реализация алгоритма идентификации достоверности с использованием
нейросетевых модулей 109
4.2.1. Пример реализации протокола выработки и проверки идентификатора
достоверности с использованием нейросетевого модуля быстрых
вычислений П2
4.3. Синтез методов аутентификации с использованием нейросетевых
технологий 115
4.3.1, Синтез метода встраивания функции аутентификации в
нейроконтроллерный модуль 115
4.4. Синтез нейросетевого модуля для алгоритма выработки идентификатора
достоверности с использованием модуля быстрых вычислений 118
4.4.1. Синтез протокола контроля достоверности информационных потоков в
распределенных сетях АСУТП с использованием алгоритма Менезеса -
Къю - Ванстона 118
4.4.2. Пример практической реализации протокола Менезеса - Къю - Ванстона с
использованием модуля быстрых вычислений 121
4.5. Разработка программного обеспечения для выработки общей управляющей
матрицы методом взаимного обучения удаленных нейросетевых модулей.... 122
4.5.1. Пример реализации выработки общей управляющей матрицы методом
взаимного обучения удаленных нейросетевых модулей 125
4.6. Синтез архитектуры и метода обучения нечеткой неполносвязной
гибридной нейронной сети с помощью программного пакета «Neuronet» 128
4.7. Разработка нейросетевых модулей для формирования вектора
инициализации Ны, используемого в схемах генерации идентификаторов
достоверности на эллиптических кривых 129
Заключение 132
Список использованных источников 133
Список условных обозначений и сокращений
АСУТП - автоматизированная система управления технологическим
процессом. АСУТПП - автоматизированная система управления технологическими
производственными процессами. ВНС - вероятностная нейронная сеть. ВС - вычислительная сеть. ГПС - гибкие производственные системы. ДАП - двунаправленная ассоциативная память. ИНС - искусственная нейронная сеть. НС - нейронная сеть
КВС - корпоративная вычислительная сеть. МБВ - модуль быстрых вычислений. МВС - метод взаимного обучения (нейронных) сетей. МНС - модульная нейронная сеть. МРТ - модуль расчета точек.
НГНС - неполносвязные гетерогенные нейронные сети. ННСУ - нейронечеткая система управления. НСМ - нейросетевой модуль. ОРНС - обобщенно - регрессионная нейронная сеть. РБФ - радиальные базисные функции. СКП - самоорганизующаяся карта признаков. СУУНСМГПС - система управления удаленными неиросетевыми модулями
гибких производственных систем. МНСМУ - многофункциональный нейросетевой модуль.управления.
Введение к работе
Нейронные сети как инженерно - техническое решение возникли при попытках программистов обеспечить приемлемое решение некоторых наиболее сложных с точки зрения алгоритмизации задач. К таким задачам относятся проблемы распознавания образов, анализ почерка, выявление фальшивых кредитных карточек, планирование движений манипулятора и др. Попытки найти решение для программирования подобных задач привели к разработкам нейрокомпьютеров, то есть машин, использующих сети, состоящие из простых обрабатывающих элементов и легко адаптируемые к выполнению совершенно разных задач. Нейронные сети не программируются, а обучаются тому, как правильно реализовать конкретную задачу. Постоянно растет число коммерческих приложений, использующих нейронные сети.
Развивается и теоретическая база применения нейронных сетей в так называемых когнитивных задачах типа задач понимания обычного разговорного языка или задач управления движением автономного транспортного средства. Такие задачи высокого уровня сложности долгие годы были предметом изучения дисциплины, областью интересов которой является искусственный интеллект.
Однако постепенно стало окончательно ясно, что подобные задачи невозможно адекватно решить в рамках традиционных, возможно даже весьма гибких алгоритмов.
Необходимо моделировать не функциональную, алгоритмическую часть, а материальный носитель, то есть создавать аналог биологических нейронных структур. В этом случае сам процесс вычислений становится подобен процессам, происходящим в живом прототипе. То есть создавать ИНС - искусственную нейронную сеть. Теперь выделяют новую область искусственного интеллекта, в рамках которой предпринимаются попытки объединить идеи "традиционного искусственного интеллекта" и идеи теории нейронных сетей. Этот "новый искусственный интеллект" несет в себе большие потенциальные возможности для перехода компьютерных систем на следующий уровень развития.
