Моделирование многомерных объектов на основе когнитивных карт с нейросетевой идентификацией параметров

• Автор: Гулаков, Константин Васильевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Брянск
• Количество страниц: 178 с. : ил.

Оглавление
Введение
1. Анализ проблемы моделирования экспериментальных данных при разработке многомерных технических объектов
1.1. Актуальные задачи поиска закономерностей в экспериментальных данных
1.2. Особенности построения многомерных стохастических моделей при решении технических задач
1.3. Анализ современных методов поиска закономерностей в экспериментальных данных
1.3.1. Особенности применения многомерных моделей
1.3.2. Применение теории планирования эксперимента для обработки •многомерных экспериментальных данных в технических задачах
1.3.3. Регрессионный анализ многомерных экспериментальных данных
1.3.4. Анализ методов аппроксимации многомерных экспериментальных данных
1.4. Анализ возможности применения нейронных сетей к моделированию закономерностей в экспериментальных данных
1.5. Анализ применимости методов когнитивных карт к моделированию сложных технических объектов
1.6. Постановка задачи, область исследования, объект исследования, научно-практические задачи исследования
- 2. Исследование двухуровневой модели поиска закономерностей при анализе многомерных экспериментальных данных
2.1. Постановка задачи использования двухуровневой модели при решении технических задач

2.2. Методика построения когнитивной модели процессов при моделировании сложных объектов
2.2.1. Оптимизация . управляющих воздействий. Стоимость управляющего воздействия
2.3. Обоснование выбора метода поиска закономерностей в многомерных экспериментальных данных на примере задачи выбора состава покрытия электродов
2.3.1. Методика сравнения эффективности различных подходов к поиску закономерностей в многомерных экспериментальных данных
2.3.2. Обоснование выбора парадигмы использования нейронных сетей применительно к решаемой задаче
2.3.3. Аппроксимация-нейронными сетями
2.3.4. Выбор архитектуры нейронной сети
2.4. Проблемы практического построения нейронных сетей
2.5. Обоснование адекватности и эффективности модели
2.5.1. Валидационные оценки
2.5.2. Алгебраические оценки
2.5.3. «Проклятие размерности»
2.6. Многокритериальная оптимизация при нейросетевом моделировании
2.6.1. Характеристики приоритета критериев. Нормализация критериев
2.6.2. Анализ принципов . оптимальности при моделировании многомерных объектов
2.7. Обратная задача при нейросетевом моделировании на примере задачи поиска составов покрытия электродов по характеристикам свойств металла шва
2.8. Выводы по главе

3. Разработка комплекса программ моделирования многомерных экспериментальных данных
3.1. Этапы разработки
3.2. Проектирование программной системы
3.3. Функциональные требования к программной системе
3.3.1. Программное обеспечение когнитивного моделирования
3.3.2. Программное обеспечение нейросетевого моделирования
3.3.3. Программное обеспечение решения задачи многокритериальной оптимизации
3.3.4. Программное обеспечение решения обратной задачи
3.4. Некоторые приёмы повышения производительности программного обеспечения
3.4.1. Повышение производительности OLTP-системы на базе Microsoft SQL Server 2
3.5. Выводы по главе
4. Адаптация и проверка эффективности процесса моделирования экспериментальных данных_ на примере выбора оптимального состава покрытия электродов. Апробация результатов диссертационного исследования
4.2. Особенности моделирования многомерных объектов на примере задачи разработки состава покрытия электродов
4.3. Построение когнитивной модели процессов на примере сварочного производства
4.3.1. Моделирование управляющих воздействий в исследуемой когнитивной модели
4.4. Декомпозиция концепта «сварочные материалы»
4.1. Адаптация нейросетевщх моделей для определения состава покрытия электрода

А - процент ферротитана,
В - процент комплексного ферросплава.
Определялись механические свойства, ударная вязкость и химический состав металла шва. Особенное внимание, обращалось на работу удара металла шва при низких температурах (до минус 60 °С). Для описания .функции работы удара был получен следующий полином:
у =10,83 - А,19x1+ 7,85х2-1,91хз- 2,11хз2 -1,66х/х2-3,65х/хз-0,19х2хз , (1.23)
где у - расчетное отклонение от нормы работы удара для металла шва
XI -кодированное значение компоненты А в составе покрытия -■ферротитана,
хг- кодированное значение температуры металла во время удара хз- кодированное значение параметра В - процентное содержание комплексного ферросплава.
Однако, применение полиномов второй степени для построения модели рассматриваемого процесса не всегда достаточно. Точность аппроксимации может оказаться слишком низкой, а модель недостоверной. В этих случаях потребуется использование полиномов более высоких степеней. Это потребует построение нового плана эксперимента, содержащего большее •количество опытов, а также проведение новой серии опытов. Учитывая, случаи, когда вид зависимости заранее не известен, проведение исследования для ее аппроксимации может оказаться очень трудоемким.
1.3.3. Регрессионный анализ' многомерных экспериментальных данных
При построении регрессионной модели будем опираться на следующие этапы [3,19]:
1. Выбор вида функциональной зависимости.
Стохастические зависимости характеризуются формой, теснотой связи и численными значениями коэффициентов уравнения регрессии.