Нейросетевой импедансный метод и устройства идентификации и определения параметров жидких нефтепродуктов

• Автор: Никифоров, Игорь Кронидович
• Шифр специальности: 05.11.13
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Чебоксары
• Количество страниц: 172 с. : ил.

ОГЛАВЛЕНИЕ Список условных сокращений ВВЕДЕНИЕ

Глава 1 МЕТОДЫ И ПРИБОРЫ ДЛЯ ИССЛЕДОВАНИЯ ПАРАМЕТРОВ ЖИДКИХ НЕФТЕПРОДУКТОВ

1.1. Методы и приборы для определения параметров жидких нефтепродуктов

1Л.1. Спектральные, оптические и механические методы определения параметров жидких нефтепродуктов

1.1.2. Электрические методы определения параметров жидких нефтепродуктов

1.2. Обоснование применения искусственных нейронных сетей и импедансометрии для определения параметров жидких нефтепродуктов

1.3. Краткий обзор по теории искусственных нейронных сетей

1.4. Нейровычислительные системы

1.4.1. Нейровычислительные системы на основе нейропакетов

1.4.2. Нейровычислительные системы на основе нейроплат

1.4.3. Аппаратно реализуемые нейровычислительные системы

Выводы
Постановка цели и задач исследования
Глава 2 НЕЙРОСЕТЕВОЙ ИМПЕДАНСНЫЙ МЕТОД
ИДЕНТИФИКАЦИИ И ОПРЕДЕЛЕНИЯ ПАРАМЕТРОВ ЖИДКИХ НЕФТЕПРОДУКТОВ
2.1. Принцип действия и структурная схема нейросетевого импедансного метода
2.2. Электрическая модель датчика параметров жидких нефтепродуктов
2.3. Разработка нейросетевого импедансного метода для идентификации и определения параметров жидких нефтепродуктов

2.3.1. Выбор системных параметров нейросетевого импедансного метода
2.3.2. Оценка минимальной погрешности распознавания
2.3.3. Функционирование, обучение искусственной нейронной сети и нейросетевой алгоритм обработки частотных импедансных измерений
2.3.4. Примеры расчета нейросети для идентификации марок бензина и определения его параметров
2.4. Сравнительный анализ результатов моделирования различных топологий искусственных нейронных сетей Выводы
Глава 3 ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ЧАСТОТНЫХ ХАРАКТЕРИСТИК ИМПЕДАНСА БЕНЗОПРОДУКТОВ
3.1. Цели и задачи эксперимента
3.2. Схемы экспериментов, экспериментальное оборудование и алгоритмы обработки экспериментальных данных
3.2.1. Датчики
3.2.2. Алгоритм обработки экспериментальных данных, полученных прибором «Измеритель добротности Е4-4»
3.2.3. Алгоритм обработки экспериментальных данных, полученных прибором «Бокйгоп Б1 1260»
3.3. Частотные характеристики импеданса бензопродуктов
3.3.1. Экспериментальные частотные характеристики импеданса бензопродуктов при фиксированных температурах
3.3.2. Влияние температуры на частотные характеристики импеданса бензопродукта
3.3.3. Влияние водосодержания на частотные характеристики бензопродукта
3.4. Диэлектрическая проницаемость бензопродуктов
3.4.1. Экспериментальные частотные зависимости диэлектрической проницаемости бензопродуктов при фиксированной температуре

3.4.2. Экспериментальные частотные зависимости диэлектрической проницаемости бензопродукта при различных температурах
3.4.3. Экспериментальные частотные зависимости диэлектрической проницаемости бензопродуктов от октанового числа
3.5. Требования к точности вторичной измерительной аппаратуры
3.6. Сравнительный анализ определения октанового числа бензопродуктов различными методами и приборами
Выводы
РАЗРАБОТКА УСТРОЙСТВ, РЕАЛИЗУЮЩИХ
НЕЙРОСЕТЕВОЙ ИМПЕДАНСНЫЙ МЕТОД ОПРЕДЕЛЕНИЯ ПАРАМЕТРОВ ЖИДКИХ НЕФТЕПРОДУКТОВ
4.1. Функциональные схемы устройств, реализующих нейросетевой импедансный метод
4.2. Методика измерения и формирования входных данных для искусственной нейронной сети
Выводы ЗАКЛЮЧЕНИЕ СПИСОК ЛИТЕРАТУРЫ ПРИЛОЖЕНИЯ
Стандарты на качественные показатели жидких нефтепродуктов Пакет прикладных программ для идентификации марок автомобильных бензинов с помощью искусственной нейронной сети
Описание программы 2у1еу 2. Таблицы значений элементов электрической модели датчика параметров жидких нефтепродуктов
Краткий обзор по топологиям искусственных нейронных сетей Устройство для определения октанового числа бензина Акты внедрения

1.4.3. Аппаратно реализуемые нейровычислительные системы
Как отмечено в [16, 18], наибольший эффект при реализации нейросетевых алгоритмов достигается при использовании нейрокомпьютеров, производящих до сотен миллиардов умножений/с. Прикладные исследования показали, что нейрокомпьютеры позволяют повысить производительность обычных вычислительных систем как минимум на три порядка и моделировать ИНС с миллионами соединений/с. Однако из-за чрезмерно высокой стоимости их применение, до настоящего времени, ограничено единичными специализированными системами для решения узкого круга прикладных задач, требующих весьма резкого сокращения времени обработки [21, 22] (например, для случаев
пространственных задач повышенной размерности). Номенклатуру нейрокомпьютеров, выпускаемых в настоящее время мелкими сериями, можно найти в сети Мете! [123].
Стремительный переход современных систем управления на цифровые стандарты привел к необходимости обрабатывать большие объемы информации (распаковка сжатых аудио- и видеоданных, маршрутизация информационных потоков и т.п.) с высокой скоростью. Такие системы могут быть реализованы на различной элементной базе, но в настоящее время наибольшее распространение получили устройства с применением цифровых сигнальных процессоров (ЦСП) и программируемой логики (ПЛИС) [118, 123].
ЦСП обладают мощной вычислительной структурой, позволяют реализовать различные алгоритмы обработки информационных потоков в виде автономных устройств. Сравнительно невысокая цена, большой ассортимент и развитые средства разработки "внутреннего" программного обеспечения позволяют применять их при построении вычислительных систем с массовым параллелизмом. Низкая тактовая частота ЦСП пока ограничивает максимальную частоту обрабатываемого сигнала до уровня 10...20 МГц. "Внутреннее" программное управление позволяет достаточно