Методы синтеза пакетов прикладных программ автоматизированного производства с использованием нейросетевых технологий

• Автор: Грибачев, Виталий Петрович
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Санкт-Петербург
• Количество страниц: 185 с. : ил.

СОДЕРЖАНИЕ

Список условных обозначений и сокращений.

Введение.
Глава 1.
Анализ методов использования искусственных нейронных сетей в задачах управления технологическими процессами

1.1. Классификация архитектур искусственных нейронных

1.2. Многослойный персептрон МГР.

1.3. Сети с радиальными базисными функциями ВР

1.4. Вероятностная нейронная сеть РМ.

1.5. Обобщенно регрессионная нейронная сеть.

1.6. Сеть Кохонена БОБМ.

1.7. Простая реккурентная сеть БИМ
1.8. СетьХопфилда.
1.9. Двунаправленная ассоциативная память ДАП.
1 Модульная нейронная сеть ВРМ
1 Неполносвязные гетерогенные сети НГНС
1 Принципы управления информационными потоками в АСУТПГ1 с
использованием нейросетевых технологий
. Логическая организация многоуровневой нейросетевой системы управления информационными потоками
. Анализ методов тиражирования графика интегрированной интеллектуальной системы управления информационной базой данных в АСУТП на основе нейросетевых технологий.
1 Выводы
Глава 2.
Синтез методов моделирования нейросетевых систем
2.1. Разработка вероятностной модели функционирования двухуровневой
системы управления АСУТПГ1
2.2. Моделирование нейронных сетей с радиальными базисными функциями
ЯВРсогей.
2.3. Моделирование сетей двунаправленной ассоциативной памяти.
2.4. Синтез нейронных сетей Вольтерри.
2.5. Синтез методов моделирования нейронных сетей, функционирующих на
основе нечеткой логики
2.5.1. Математический аппарат нечетких нейронных сетей
2.5.2. Основные правила вывода двоичной лотки.
2.5.3. Основные правила вывода в нечеткой логике
2.5.4. Правила нечегкой импликации
2.5.5. База правил
2.5.6. Блок фуззификации
2.5.7. Блок выработки решения.
2.5.8. Блок дефуззификации
2.5.9. Синтез структуры модуля нечеткого управления.
2.5 Обучение нейронечеткого модуля с применением алгоритма обратного распространения ошибки
2.6. Синтез оптимальной структуры нейронной сети верхнего уровня многоуровневой модели интегрированной информационной системы.
2.7. Выводы.
Глава 3.
Анализ и синтез методов обучения нейросегевых систем управления АСУТП
3.1. Анализ методов обучения нейронных сетей, построенных на различных моделях.
3.1.1. Градиснтный метод обучения.
3.1.2. Метод модельной закалки
3.1.3. Методы обучения радиальных нейронных сетей.
3.1.4. Метод обучения сети двунаправленной ассоциативной памяти
3.1.5. Метод обучения сети каскадной корреляции Фальмана.
3.1.6. Метод обучения сетей Вольтерри
3.1.7. Анализ проблем обучения нейронных сетей.
3.2. Методы синтеза нейросегевых модулей на эллиптических кривых.
3.2.1. Синтез эллиптических кривых в циклических полях Галуа, используемых в алгоритмах АСУТПП.
3.2.2. Выработка общего идентификатора достоверности на основе эллиптических кривых
3.2.3. Протокол идентификации достоверности на эллиптических
кривых.
3.2.3.1.Алгоритм формирования идентификатора
достоверности
3.2.3.2.Алгоритм проверки корректности идентификатора
достоверности
3.3. Синтез топологии интегрированной интеллектуальной системы управления производством на основе многофункциональных многоуровневых нейросетевых систем
3.4. Синтез функциональной схемы интегрированной многоуровневой нейросетевой системы управления информационными потоками
3.5. Выбор оптимальной структуры сети.
3.6. Выводы.
Глава 4.
Формирование идентификаторов достоверности на основе искусственных нейронных сетей с использованием эллиптических кривых в циклических полях Галуа
4.1. Предварительный выбор параметров эллиптических кривых с
использованием нейросегевых модулей
4.1.1. Синтез и опенка параметров эллиптической кривой
4.2. Реализация алгоритма идентификации достоверности с использованием нейросегевых модулей.
4.2.1. Пример реализации протокола выработки и проверки идентификатора достоверности с использованием нейросетевого модуля быстрых вычислений.
4.3. Синтез методов аутентификации с использованием нейросегевых технологий.
4.3.1. Синтез метода встраивания функции аутентификации в нейроконтроллерный модуль
4.4. Синтез нейросетевог о модуля для алгоритма выработки идентификатора
достоверности с использованием модуля быстрых вычислений.
4.4.1. Синтез протокола контроля достоверности информационных потоков в распределенных сетях АСУТП с использованием алгоритма Менезеса
Къю Ванстона
4.4.2. Пример практической реализации протокола Менезеса Къю Ванстона с использованием модуля быстрых вычислений.
4.5. Разработка программного обеспечения для выработки общей управляющей матрицы методом взаимного обучения удаленных нейросетевых модулей
4.5.1. Пример реализации выработки общей управляющей матрицы методом
взаимного обучения удаленных нейросетевых модулей.
4.6. Синтез архитектуры и метода обучения нечеткой неполносвязной
г ибридной нейронной сети с помощью программною пакет
4.7. Разработка нейросетевых модулей для формирования вектора инициализации Нм, используемого в схемах генерации идентификаторов достоверности на эллиптических кривых
Заключение.
Список использованных источников


В статье описана реализация сумматора на основе нейронной сети, в котором нет явного учета информации о переносе из одного столбца в другой. Сеть Хопфилда является автоассоциативной сетью, ведущей себя подобно памяти, которая может вспомнить сохраненный образец даже по подсказке в виде вводимых данных, представляющей собой искаженную помехами версию нужного образца. Например, сеть может сохранить набор изображений букв, а когда сети будет представлена искаженная версия сохраненного символа, сеть должна оказаться способной найти истинный экземпляр. Сеть Хопфилда является рекуррентной в том смысле, что для каждого входного образца выход сети повторно используется в качестве ввода до тех пор, пока не будет достигнуто устойчивое состояние. Удобно считать, что сеть Хопфилда не имеет входных элементов, так как входной вектор просто определяет начальные значения активности элементов. Дг обозначает состояние элемента с номером , которое принимает значение 1 если пеф 0, или 1 если пеф 0. Если комбинированный ввод оказывается равен нулю, то состояние элемента не меняется. Входной вектор задаег начальные состояния всех элементов. Элемент для обновления выбирается случайным образом. Выбранный элемент получает взвешенные сигналы от всех остальных элементов и изменяет свое состояние. Выбирается другой элемент, и процесс повторяется. Сеть достигает предела, когда ни один из е элементов, будучи выбранным для обновления, не меняет своего состояния. Сеть Хопфилда ведет себя как память, и процедура сохранения отдельного вектора представляет собой вычисление прямого произведения вектора с ним самим. В результате этой процедуры создается матрица, задающая весовые значения для сети Хопфилда, в которой все диагональные элементы должны быть установлены равными нулю поскольку диагональные элементы задают автосвязи элементов, а элементы сами с собой не связаны. При сохранении нескольких образцов в сети Хопфилда прямое произведение вычисляется для каждого вектора, и все полученные таким образом весовые матрицы складываются. Х Щ
РГ ххт
Ртю н пЫ,
где обозначает число элементов сети. Рис. Сеть ДАП в англоязычной терминологии ВАМ iii iiv , является гетероассоциативной рекуррентной сетью, предложена Коско в г. Содержит два слоя, соединенных двунаправленными связями. Сеть имеет возможность восстанавливать сохраненный ранее образец, после предъявления ей ассоциированного образца, или образца из ассоциированного класса, то есть сеть обладает свойствами двунаправленной ассоциативной памяти. Сеть представляет собой сеть, объединяющую многослойную сеть с прямой связью, сеть i , обученную по алгоритму обратного распространения ошибок и самоорганизующуюся карту признаков Вак i ii Мар. Способ соединения данных сетей показан на рис. По своей архитектуре сеть является стандартной сетью с прямой связью, имеющей один или несколько скрытых слоев. С каждым слоем ассоциируется сеть . Число элементов в сети выбирается произвольным образом, а число входов каждого элемента сети устанавливается равным числу элементов в соответствующем скрытом слое. Сети и обучаются параллельно. Значения активности скрытого слоя служат входными данными для сети . Принцип е работы понятен из рисунка. К тому времени, как сеть будет полностью обучена, с помощью сети будет получена карта признаков. Таким образом, при предъявлении на вход сети тестового образца, нейроны сети выбирают только тог элемент сети , значение активности которого совпадает со значением выигравшего элемента сети . Этим достигается более точное попадание образца в нужный класс. В экспериментах ставилась задача обучить сеть выводу дня недели по данной дате. Вся процедура была разбита на три шага. В начале выделялись базовые месяцы и сеть обучалась искать день для каждого числа базового месяца. Рис 1. СКП. Затем проводилось обучение находить день для всех чисел всех месяцев базового года, затем сеть обучали находить смещение между годами. Каждый шаг моделировался соответствующей подсетью. В конце обучения обобщение имело точность около , а наибольшее число ошибок выпадало на високосный год. Неполносвязные гетерогенные сети НГНС.