Алгоритмы определения допусков и обеспечения точности работы нейросетевых компонентов промышленных систем технического контроля

• Автор: Щаников, Сергей Андреевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Муром
• Количество страниц: 167 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
ГЛАВА 1 ОБЗОР И АНАЛИЗ ВОЗМОЖНОСТЕЙ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ВПРОМЬПИЛЕННЫХ СИСТЕМАХ ТЕХНИЧЕСКОГО КОНТРОЛЯ
1.1 Назначение промышленных систем технического контроля
1.2 Использование ИНС в промышленных системах технического контроля
1.2Л Задачи модернизации промышленных систем технического контроля
1.2.2 Модернизация промышленных систем технического контроля путем применения ИНС
1.2.3 Определение и обеспечение точности работы ИНС
1.3 Обзор и анализ основных подходов к разработке алгоритмов определения допусков и обеспечения точности работы ИНС
1.3.1 Обзор нормативных документов
1.3.2 Обзор общетехнических методов определения допусков и обеспечения точности работы технических устройств
1.3.3 Особенности функционирования ИНС
1.3.4 Показатели качества обучения и работы ИНС
1.3.5 Точность работы и отказоустойчивость ИНС
1.4 Задачи практического применения исследуемых ИНС
ВЫВОДЫ ПО ГЛАВЕ 1 И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ
ГЛАВА 2 РАЗРАБОТКА И ИССЛЕДОВАНИЕ
АЛГОРИТМАОПРЕДЕЛЕНИЯ ТОЧНОСТИ РАБОТЫ ИНС В ПРЕДЕЛАХ ЗАДАННЫХ ДОПУСКОВ
2.1 Выбор и обоснование выбора методики исследования ИНС
2.2 Выбор и обоснование выбора структур исследуемых ИНС
2.3 Выбор и обоснование выбора моделей исследуемых ИНС

2.4 Определение точности работы ИНС общетехническими методами
2.4.1 Точность работы ИНС в пределах заданных допусков
2.4.2 Определение коэффициентов влияния погрешностей параметров нейронов на погрешность выходного параметра ИНС
2.5 Относительный показатель качества работы ИНС
2.6 Алгоритм определения точности работы ИНС в пределах заданных допусков
2.7 Исследование зависимости между значениями параметров нейронов и значением относительного показателя качества работы ИНС
2.7.1 Исследование зависимости между значениями весовых коэффициентов нейронов и значением относительного показателя качества работы ИНС
2.7.2 Исследование зависимости между значениями пороговых смещений нейронов и значением относительного показателя качества работы ИНС
2.8 Исследование точности работы ИНС
2.8.1 Зависимость точности работы ИНС от функции обучения
2.8.2 Зависимость точности работы ИНС от количества нейронов
2.8.3 Изменение точности работы ИНС в пределах выбранной структуры
ВЫВОДЫ ПО ГЛАВЕ
ГЛАВА 3 РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ АНАЛИЗА И СИНТЕЗА ДОПУСКОВ И ВЫБОРА ПАРАМЕТРОВ ИНС
3.1 Алгоритм выбора параметров ИНС
3.2 Выбор алгоритма обучения и количества нейронов ИНС
3.3 Расчет допусков на параметры элементов ИНС
3.3.1 Алгоритм расчета допусков при анализе
3.3.2 Алгоритм расчета допусков при синтезе
ВЫВОДЫ ПО ГЛАВЕ
ГЛАВА 4 ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ СОЗДАННЫХ АЛГОРИТМОВ ПРИ ПРОЕКТИРОВАНИИ НЕЙРОСЕТЕВЫХ КОМПОНЕНТОВ ПРОМЫШЛЕННЫХ СИСТЕМ ТЕХНИЧЕСКОГО КОНТРОЛЯ
4.1 Программно-аппаратная реализация вычислительных
компонентов промышленных систем технического контроля
4.2 Оценка параметров сигналов
4.2.1 Оценка амплитуды
4.2.2 Оценка начальной фазы
4.2.3 Оценка частоты
4.3 Контроль параметров сигналов
4.3.1 Контроль абсолютного значения фазового сдвига
4.3.2 Контроль относительного отклонения частоты
4.4 Результаты применения разработанных алгоритмов
4.5 Результаты практического применения разработанных ИНС
ВЫВОДЫ ПО ГЛАВЕ
ЗАКЛЮЧЕНИЕ
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ

требования при работе ИНС (по точности, быстродействию, отказоустойчивости, надежности);
б) устройства с нейросетевой архитектурой не программируются, а обучаются. Обучение - это процесс, в котором свободные параметры нейронной сети настраиваются посредством моделирования среды, в которую эта сеть встроена. Тип обучения определяется способом подстройки этих параметров[95]. В связи с этим, особенностью нейросетевых алгоритмов является отсутствие априорной информации о параметрах каждого из нейронов (весовые коэффициенты, функции активации, смещения) до окончания процесса обучения, имеющего бесконечное множество результатов;
в) многочисленность критериев оценки точности работы НС (среднеквадратическая, абсолютная, относительная ошибки и др.);
г) многочисленность критериев обучения ИНС (по точности, по оптимальному размеру сети, по разрядности, быстродействию и др.);
д) проблема синтеза ИНС сильно зависит от решаемой задачи, поэтому дать общие подробные рекомендации по выбору оптимальных параметров нейронной сети затруднительно. В большинстве случаев оптимальный вариант получается на основе интуитивного подбора [6].
Вышеназванные особенности ИНС необходимо учитывать при разработке методов и алгоритмов определения точности работы и функциональных допусков нейронных сетей.
1.3.4 Показатели качества обучения и работы ИНС
Согласно [8] процесс обучения искусственных нейронных сетей связан с такой настройкой ее весов и смещений, чтобы минимизировать некоторый функционал, зависящий от ошибок сети, то есть разности между желаемой и реальной информацией на ее выходе. В качестве таких функционалов используют