Программный комплекс синтеза нейро-нечетких моделей технологических процессов

• Автор: Михайлюк, Павел Петрович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Санкт-Петербург
• Количество страниц: 199 с. : ил.

1 Аналитический обзор
1.1 Актуальность разработки программного комплекса для синтеза нейро-нечетких моделей для производственных процессов
1.2 Обзор зарубежного и отечественного рынков ПО разработки нейро-нечетких систем моделирования
1.2.1 Обзор возможностей пакета нечеткой логики “fuzzy toolbox” в составе «МАТЬАВ»
1.2.2 Система PolyAnalyst
1.2.3 STATISTICA Neural Networks
1.2.4 Программный пакет «Конструктор нечетких моделей»
1.2.5 Lab VIEW
1.2.6 Анализ рассмотренных программных продуктов
1.3 Постановка задачи исследования
2 Методические основы решения задач
2.1 Предварительная обработка данных
2.1.1 Нормировка данных
2.1.2 Интервальное масштабное преобразование
2.1.3 Автомасштабное преобразование
2.2 Искусственные нейронные сети
2.2.1 Искусственный нейрон
2.2.2 Нейро-нечеткие сети
2.2.2.1 Сеть Такаги-Сугено-Канга
22.2.2 Сеть Ванга-Менделя
2.2.2.3 Нечеткие сети с самоорганизацией
2.3 Обучение нейронной сети
2.3.1 Генетический алгоритм
2.3.2 Алгоритмы обратного распространения ошибки

2.4 Кластеризация для идентификации нечетких лингвистических переменных
2.4.1 Применяемые метрики
2.4.2 Методы кластерного анализа
2.5 Проверка адекватности модели
3 Алгоритмы и программы построения нейро-нечетких моделей
3.1 Подготовка входных и выходных данных
3.2 Автоматизация предварительной обработки данных
3.3 Выбор количества нейронов и слоев
3.4 Реализация нейро-нечетких сетей
3.5 Алгоритмы оптимальной настройки параметров искусственной нейронной сети
3.5.1 Реализация генетического алгоритма для обучения сети
3.5.2 Реализация алгоритма обратного распространения ошибки для обучения сети
3.6 Описание программного инструментария (программный комплекс «Синтез нейро-нечеткой модели»)
3.6.1 Модуль «Синтез нечеткой лингвистической переменной»
3.6.2 Модуль «Предварительная обработка данных»
3.6.3 Модуль «Создание нейро-нечеткой сети»
3.7 Тестирование программного комплекса «Синтез нейро-нечеткой модели»
3.7.1 Тестирование программного модуля «Синтез нечеткой лингвисти ческой переменной»
3.7.2 Тестирование программного модуля «Предварительная обработка данных»
3.7.3 Тестирование программного модуля «Создание нейро-нечеткой сети»
4 Использование программного комплекса «Синтез нейро-нечеткой модели»
4.1 Постановка задачи для создания программного комплекса интеллектуального тестирования знаний и обучения специалиста
4.2 Описание процесса модификации сорбента
4.3 Нечеткая продукционная модель процесса модификации сорбента
4.4 Разработка нейро-нечеткой сети при помощи программного комплекса «Синтез нейро-нечеткой модели»
4.4.1 Подготовка данных при помощи модуля Синтез нечеткой лингвистической переменной»
4.4.2 Разработка нейро-нечеткой сети при помощи модуля «Создание нейро-нечеткой сети»
4.5 Разработка программного продукта «Интеллектуальный тренажер оператора установки производства сорбента» на основе разработанной нейро-нечеткой модели
4.6 Постановка задачи для создания советчика оператора бетонно-смесительного узла
4.7 Описание технологии изготовления пенобетона
4.8 Нечеткая продукционная модель управления процессом производства пенобетона
4.9 Разработка нейро-нечеткой сети при помощи программного комплекса «Синтез нейро-нечеткой модели»
4.9.1 Подготовка данных при помощи модуля «Предварительная обработка данных»
4.9.2 Разработка нейро-нечеткой сети при помощи модуля «Создание нейро-нечеткой сети»
4.10 Разработка программного продукта «Советчик оператора производства пенобетона» на основе разработанной нейро-нечеткой модели
Выводы
Список использованной литературы

2. Преобразование каждой хромосомы в вещественное число по формулам.
• Для случая двоичного кодирования:
)±(И,-21-') (2.14)

(для элемента, стоящего на нечетных позициях);
у№„..,к1у) = ы(р-)- (2.15)
(для элемента, стоящего на четных позициях).
• Для кодирования с помощью кода Грэя:
х^ Ьи) = а1(2|'-1)-£((©1=л).2'*-1) (2.16)
1*1
(для элемента, размещенного на нечетных позициях);
^(А А„) = й/(24’-1)^((е1=1А*)-2^) (2.17)

(для .рго элемента, размещенного на четных позициях).
3. Представление хромосомы в форме фенотипа.
Для длины хромосомы / полная популяция всех возможных решений равна 2' -1. На этапе инициализации генерируется Л строк случайным образом. Параметр Л - это размер популяции, который задается пользователем. В качестве функции оптимальности берется функция, описывающая меру качества индивидуумов. Оператор селекции для стандартного генетического алгоритма вычисляется на основе пропорционального отбора. Отбор проводится на основе вероятности отбора рДг'), вычисленной для каждой
хромосомы гУ текущей популяции / на основе функции оптимальности по
следующей формуле:
лЙЬ/М/Х/М (2-18)
Оператор селекции формирует г + 1 поколение по I поколению. При программной реализации целесообразно вести два пула: пул текущего