Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Разработка нейросетевой модели формирования управлений системами с последействием в условиях информационной неопределенности

Диссертация: Разработка нейросетевой модели формирования управлений системами с последействием в условиях информационной неопределенности
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Актуальность. Проблема эффективного управления системами с последействием в условиях информационной неопределенности является актуальной задачей в различных предметных областях, качество решения которой зависит от сложности объекта и от применяемых методов обработки информации и управления. Неопределенность, характеризуемая отсутствием формальной модели объекта, изменением значений параметров… Читать ещё >

Содержание

  • ПЕРЕЧЕНЬ СОКРАЩЕНИЙ, УСЛОВНЫХ ОБОЗНАЧЕНИЙ, СИМВОЛОВ И ТЕРМИНОВ
  • ГЛАВА 1. ПРОБЛЕМА УПРАВЛЕНИЯ СИСТЕМАМИ С ПОСЛЕДЕЙСТВИЕМ В УСЛОВИЯХ ИНФОРМАЦИОННОЙ НЕОПРЕДЕЛЕННОСТИ
    • 1. 1. Введение в проблему управления системами с последействием в условиях информационной неопределенности
    • 1. 2. Формальная модель процесса управления системами с последействием. Постановка задачи управления
    • 1. 3. Требования к моделям формирования управлений системами с последействием
    • 1. 4. Обзор подходов, автоматизирующих процесс управления системами с последействием в условиях неопределенности
      • 1. 4. 1. Подходы основанные на интерпретации знаний и работы с ними. Нечеткая логика
      • 1. 4. 2. Модели нейросетевого управления
      • 1. 4. 3. Актуальные проблемы при использовании нейросетевых моделей управления в условиях информационной неопределенности
    • 1. 5. Цели и задачи диссертационной работы
  • ГЛАВА 2. НЕЙРОСЕТЕВАЯ МОДЕЛЬ ФОРМИРОВАНИЯ УПРАВЛЕНИЙ СИСТЕМАМИ С ПОСЛЕДЕЙСТВИЕМ В УСЛОВИЯХ ИНФОРМАЦИОННОЙ НЕОПРЕДЕЛЕННОСТИ
    • 2. 1. Системный подход к решению задач с использованием аппарата нейронных сетей
    • 2. 2. Формальное описание нейросетевой модели формирования управления
    • 2. 3. Описание модели дескрипторов задачи управления
      • 2. 3. 1. Дескрипторы структуры объекта управления
      • 2. 3. 2. Дескрипторы метасостояний объектов управления и процедура их формирования
      • 2. 3. 3. Дескрипторы управления
      • 2. 3. 4. Дескрипторы поведения объекта управления
    • 2. 4. Процедуры формирования дескрипторов и предварительной обработки
      • 2. 4. 1. Процедура формирования дескрипторов структуры объекта управления
      • 2. 4. 2. Процедура формирования дескрипторов метасостояний
      • 2. 4. 3. Процедура формирования дескрипторов управления
      • 2. 4. 4. Процедура формирования дескрипторов поведения
      • 2. 4. 5. Процедура предварительной обработки данных
    • 2. 5. Нейросетевая структура модели и процедуры ее синтеза и оптимизации
      • 2. 5. 1. Нейросетевая модельная структура идентификации и процедуры ее синтеза и оптимизации
      • 2. 5. 2. Нейросетевая структура управляющего объекта процедуры ее синтеза и оптимизации
    • 2. 6. Функционирование нейросетевой модели
    • 2. 7. Процедура проверки модели на адекватность

Разработка нейросетевой модели формирования управлений системами с последействием в условиях информационной неопределенности (реферат, курсовая, диплом, контрольная)

Актуальность. Проблема эффективного управления системами с последействием в условиях информационной неопределенности является актуальной задачей в различных предметных областях, качество решения которой зависит от сложности объекта и от применяемых методов обработки информации и управления. Неопределенность, характеризуемая отсутствием формальной модели объекта, изменением значений параметров в процессе функционирования и нечетким заданием значений параметров, значительно затрудняет процесс принятия оптимального управленческого решения. Одним из перспективных направлений, повышающих качество управления, является разработка и внедрение систем автоматизации, которые реализуют модели, учитывающие ограничения неопределенности.

Существующие подходы к автоматизации процесса управления, основанные на использовании нейросетевых технологий, предложенные и развитые в работах Глушкова В. М., Цыпкина 51.3., Галушкина Л. И., Терехова В. Л., Пупкова К. Л., Гаврилова Л. И., Ефимова Д. В., Тюкина И. Ю., Вербоса (Werbos Р.), Нарендры (Narendra К.), Левина (Levin Л.), Чена (Chen L.), Омату (Omatu S.), Нарди (Nardi F.), являются эффективными и превосходящими альтернативные методы. Это обосновано тем, что нейросетевые модели, рассматриваются как естественное развитие традиционной теории линейных систем, методов оптимизации функции многих переменных, раздела математической статистики нелинейного регрессионного анализа. Однако проблема применимости этих подходов для управления систем с последействием в условиях функциональнопараметрической неопределенности с учетом ограничений на управляющие воздействия и критериев оптимальности не достаточно исследована. Основным недостатком нечетких моделей, рассмотренных в работах JI Ванга (Wang L.), Дж. Менделя (J Mendel), Б. Коско (Cosco В.), Минаева Ю. Н., изначально учитывающих условия информационной неопределенности, является проблема адаптации моделей к структурному изменению объекта управления, т.к. требуется привлечение знаний экспертов, что не всегда возможно.

Вышеизложенное позволяет заключить, что проблема разработки моделей формирования управлений системами с последействием в условиях информационной неопределенности на основе аппарата искусственных нейронных сетей на современном этапе еще недостаточно решена и требует активного внимания.

Вышеизложенное позволяет заключить, что проблема автоматизации управления сложными системами в нейросетевом логическом базисе, а также проблемы синтеза и реализации методик идентификации и управления классом сложных систем на современном этапе еще недостаточно решены и требуют активного внимания.

Цель и задачи работы. Целью работы является повышение эффективности процесса управления системами с последействием в условиях информационной неопределенности посредством разработки нейросетевой модели формирования управленческих решений.

Для достижения поставленной цели необходимо решить следующие задачи.

1. Формализовать процесс управления системами с последействием в условиях информационной неопределенности, выделить объекты автоматизации и выполнить анализ существующих подходов к автоматизации управления.

2. Разработать нейросетевую модель формирования управлений, включающую модель идентификации объектов управления и нейросетевые модели управляющего объекта с учетом ограничений на параметры управления и критериев оптимальности.

3. Разработать алгоритмы, реализующие предложенную модель, и структуру классов модели с использованием принципов объектно-ориентированного проектирования программных систем.

4. Реализовать автоматизированную информационную систему формирования управлений и проверить достоверность теоретических результатов на решении практических задач.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, теории управления, теории искусственных нейронных сетей, нечеткой логики, искусственного интеллекта, а также применялись положения теории объектно-ориентированного проектирования программных систем, теории проектирования реляционных баз данных.

Научная новизна. Разработана нейросетевая модель формирования управлений системами с последействием в условиях информационной неопределенности, включающая в себя:

1. адаптивную нейросетевую модель идентификации объекта управления, отличающуюся многомодульной организацией рекуррентных нейронных сетей, возможностью обработки информации представленной как в четком виде, так и в виде интервальных переменных, и алгоритмом структурной и параметрической оптимизации, что позволяет использовать для идентификации в условиях изменения информации о структуре и поведении систем с последействием;

2. нейросетевую модель идентификации метасостояний объекта управления, основанную на модели представления знаний в виде нечетких отношений, модифицированной возможностью учитывать изменения значений параметров во времени, что позволяет решить проблему функциональной неопределенности;

3. адаптивную нейросетевую модель управляющего объекта, отличающуюся возможностью формирования управлений в соответствии с целыо заданной в виде значений функции уставки, целыо заданной в виде конечного многообразия состояний и целыо, заданной в виде функциональной зависимости от состояния объекта, с учетом критериев оптимальности и ограничений на управляющие параметры, что позволяет использовать модель при решении проблемы оптимального управления.

Практическая значимость исследования состоит в реализации алгоритмов нейросетевой модели, разработке структуры классов объектов модели с использованием принципов объектно — ориентированного проектирования, в разработке настраиваемой автоматизированной информационной системы формирования управлений, апробации предложенной модели на решении практических задач: задачи управления функциональным состоянием магистралей нижних конечностей человека, задачи управления транспортно — эксплуатационным состоянием автомобильных дорог.

Реализация результатов. Разработанная на базе предложенного подхода настраиваемая автоматизированная информационная система применяется в отделении сосудистой хирургии клиники общей хирургии им. Л. Л. Полянцева Волгоградского государственного медицинского университета и позволила повысить эффективность управленческих решений, что привело к снижению частоты возникновения неблагоприятных исходов на 4,17% и 1,32%. Представленные в работе подходы реализованы в Автоматизированной системе прогнозирования изменения транспортно-эксплуатационного состояния автомобильных дорог, использующейся в ДСУ № 1 ОГУП «Волгоградавтодор» и Системе управления транспортно-эксплуатационным состоянием автомобильных дорог, внедренной в Волгоградском центре «РосдорНИИ». Системы позволяют повысить качество управляющих решений, за счет оптимального распределения финансовых средств на проведение ремонтных дорог. Отдельные теоретические и практические результаты внедрены в учебные программы по курсу «Проектирование АСОИУ», «Аналитическое программное обеспечение АСОИУ».

Апробация работы. Основные положения и материалы диссертации докладывались на Международных научных и научно-технических конференциях «Информационные технологии в образовании, технике и медицине» (Волгоград 2000, 2002), «Нейросетевые технологии и их применение» (Краматорск, Украина 2002, 2003), «Экология и развитие общества» (Санкт-Петербург, 2003), «Математическое моделирование в технике и технологиях» ММТТ-16 (Санкт-Петербург, 2003), «Интеллектуальные системы (IEEE AIS'03)» (Дивноморское, 2003), VIII Всероссийской конференции с международным участием «Нейрокомпьютеры и их применение» (ИПУ им. В. А. Трапезникова РАН, Москва 2002), VIII и X Всероссийских семинарах «Нейроинформатика и её приложения» (Красноярск 2001, 2002), IV, V, VI Региональных конференциях молодых исследователей Волгоградской области (Волгоград, 2000 — 2002).

Публикации. По теме диссертации опубликовано 17 печатных работ, в том числе: 4 публикации в изданиях центральной печати, 7 статей в сборниках научных трудов, 3 статьи в материалах научных семинаров, 3 тезиса докладов различных конференций.

Структура и содержание диссертационной работы. Диссертационная работа состоит из введения, четырех глав, заключения, 2-х приложений и списка литературы. Общий объем диссертации 136 страниц, 35 рисунков, список использованных источников из 118 наименований.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ.

Основные научные и прикладные результаты диссертационной работы заключаются в следующем:

1. Разработана адаптивная нейросетевая модель идентификации объекта управления, отличающаяся многомодульной организацией рекуррентных нейронных сетей, возможностью обработки информации представленной как в четком виде, так и в виде интервальных переменных, и алгоритмом структурной и параметрической оптимизации, что позволяет использовать модель в условиях изменения информации о структуре и поведении систем с последействием.

2. Разработана нейросетевая модель идентификации метасостояний объекта управления, основанная на модели представления знаний в виде нечетких отношений, модифицированной возможностью учитывать изменения значений параметров во времени, что позволяет решить проблему функциональной неопределенности систем с последействием.

3. Разработана адаптивная нейросетевая модель управляющего объекта, отличающаяся возможностью формирования управлений в соответствии с целью заданной в виде значений функции уставки, целью заданной в виде конечного многообразия состояний и целыо, заданной в виде функциональной зависимости от состояния объекта, с учетом критериев оптимальности и ограничений на управляющие параметры, что позволяет использовать при решении проблемы оптимального управления.

4. Разработана структура классов, реализующих нейросетевую модель, позволяющая использовать предлагаемый подход в различных проблемных областях по управлению системами с последействием.

5. На основе структуры классов разработана настраиваемая автоматизированная система, которую возможно адаптировать на определенную задачу управления.

6. С использованием предложенных подходов и средств разработана автоматизированная система формирования управлений функциональным состоянием магистралей нижних конечностей после реконструктивных операций. Реализация позволила повысить эффективность управленческих решений, что привело к снижению частоты возникновения неблагоприятных исходов на 4,17% и 1,32%.

7. С использованием предложенных подходов и средств разработана автоматизированная система управления транспортно — эксплуатационным состоянием автомобильных дорог, позволяющая повысить качество управляющих решений, за счет оптимального распределения финансовых средств на проведение ремонтных дорог.

Показать весь текст

Список литературы

  1. B.C. Знакомство с нелинейной динамикой, НИЦ РДХ, 143с.
  2. Г. С., Объемы финансирования дорожного хозяйства и эффективность использования финансовых ресурсов // Экон. пробл. трансп. стр-ва в условиях рыноч. отношений. Сб. науч. трудов./ МАДИ (ТУ), М.:-1999г. С. 98- 102.
  3. Е.С., Колесов Ю. Б., Сениченков Ю. Б. Практическое моделирование динамических систем СПб.: БХВ — Петербург, 2002. — 464 е.: ил.
  4. Дж., Дженкинс Г., Анализ временных рядов, прогноз и управление. М.: Мир, 1974.
  5. Буч Г. Объектно ориентированный анализ и проектирование с примерами приложений на С++, 2-е изд./Пер. с англ. — М.: «Издательство Бином», СПб.: «Невский диалект», 2000. — 560 е., ил.
  6. А.А., Имаев Д. Х. Машинные методы расчета систем управления. Л.: Изд-во ЛЭТИ, 1979.
  7. А.П., Яковлев Ю. М., Коганзон М. С. Принципы прогнозирования транспортно-эксплуатационного состояния дорог // Автомобильные дороги. 1993. № 1. С. 8−10.
  8. Введение в оптимальное управление (линейная теория): Учебник/В.И.Благодатских. Под. ред. В. А. Садовничего. М.:Высш. шк., 2001.-239с.: ил.
  9. Н. Кибернетика: Или управление и связь в животном и машине. М.: Наука, 1983. — 344 с.
  10. Ю.Волкова В. Н., Денисов А. А. Основы теории систем и системного анализа: Учебник для студентов вузов, обучающихся по специальности
  11. Системный анализ и управление". Изд. 2-е, перераб. и доп. СПб.: Изд-во СПб, 2001.-512с.
  12. А.В., Лисицкий Д. А., Прогнозирование результатов реконструктивных операций на сосудах нижних конечностей, МНПИ, 2001, -80с.
  13. А.И. Нейросетевая реализация процедуры идентификации динамических систем Моск. гос. технич. ун-т им. Н. Э. Баумана М Автореф. дис. канд. техн. наук:05.13.01, 2000.
  14. Т.А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2000. — 384с.
  15. И.Галушкин А. И. Многослойные системы распознавания образов. -М.: МИЭМ, 1970.
  16. А.И. Проблема малой выборки // Сб. науч. тр. V Всероссийской конференции «Нейрокомпьютеры и их применение». М.: Радиотехника, 1999.
  17. А.И. Синтез многослойных систем распознавания образов. -М.: «Энергия», 1974.
  18. А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов / Общ. ред. А. И. Галушкина. М.: ИПРЖР, 2000. — 416с.
  19. А.И. Нейрокомпьютеры. Кн. 3: Учеб. пособие для вузов / Общ. ред. А. И. Галушкина. М.: ИПРЖР, 2000. — 416с.
  20. А.И., Томашвич Д. С., Томашвич Н. С., Муромский М. Ю., Шачнев Е. А. Нейросетевые алгоритмы экстраполяции функций и их применение в задачах прогнозирования работы Call центров // Нейрокомпьютеры: разработка и применение, 2000, №№ 2, 3, 2001, № 1.
  21. Гилев, Сергей Евгеньевич -Обучение нейронных сетей: Методы, алгоритмы, тестовые испытания, прим. прил.:Дис.. канд. физ.-мат. наук:05.13.16 -1997
  22. Дж. Ф. Автоматизированное приобретение знаний с помощью нейронных сетей // Техническая кибернетика. 1994. — № 5. -С.93−96.
  23. В.М., Введение в АСУ. «Техшка», 1972, 312 с.
  24. В.А. Нейронные сети: обучение, организация и их применение. Кн. 4: Учеб. пособие для вузов / Общ. ред. А. И. Галушкина. -М.: ИПРЖР, 2001.-256с.
  25. А.Н. Обучение нейронных сетей. М.: СП «ПараГраф», 1990.- 159 с.
  26. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. 256 с.
  27. Е.К., Лукьяница А. А. Искусственные нейронные сети. Основные определения и модели // Техническая кибернетика. № 5, 1994, С. 79 -92.
  28. Н., Смит Г. Прикладной регрессионный анализ: В 2-х кн. Кн 1/ Пер. с англ. 2-е изд., перераб. и доп. — М.: Финансы и статистика, 1986. 366с., ил. — (Математико-статистические методы за рубежом).
  29. Н., Смит Г. Прикладной регрессионный анализ: В 2-х кн. Кн 2/ Пер. с англ. 2-е изд., перераб. и доп. — М.: Финансы и статистика, 1987. 351с., ил. — (Математико-статистические методы за рубежом).
  30. Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике: Пер. с фр. М.: Радио и связь, 1990. -288с.
  31. Г. Б. Системология инженерных знаний: Учеб. пособие для вузов. М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. — 376с.
  32. А.А., Шумский С. А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, 1998ю — 222с.
  33. JI. Лингвистическая переменная. -М: Физматгиз., 1972.
  34. В.В. Консервативное и оперативное лечение больных с синдромом Лериша// Вестн. хирургии.- 1994.- Т.152, .N"1−2.- С. 128−131.
  35. В.Л., Шкурина Г. Л., Щербаков М. В., Реализация нечеткого вывода в нейросетевом базисе, //Нейроинформатика и её приложения: Материалы X Всероссийского семинара., Красноярск: ИПЦ КГТУ, 2002, 60 -61 с.
  36. В.Л., Щербаков М. В., Полянцев А. А. Результаты применения моделей прогнозирования ранних осложнений после операций на аорте и магистральных артериях нижних конечностей,. Сб. науч. докладов 8-й международной конф. СПб: МАНЭБ, 2003, С.171−174.
  37. В.Л., Панченко Д. П., Щербаков М. В., Использование нейросетевых технологий для анализа сложных иерархических систем, «Вестник БГТУ», № 1 (1), Брянск 2004. С. 20−24.
  38. В.А., Щербаков М. В. Об одном нейросетевом подходе идентификации сложных систем., Вестник компьютерных и информационных технологий, № 3, 2004, Из-во «Машиностроение», С. 20−24.
  39. В.Л., Щербаков М. В., Скоробогатченко Д. В. Автоматизированная система прогнозирования транспортно эксплуатационного состояния дорог. Вестник компьютерных и информационных технологий, № 4, 2004, Из-во «Машиностроение», С. 2−6.
  40. Клир Джордж. Системология. Автоматизация решения системных задач / Пер. с англ. М. А. Зуева- Под ред. А. И. Горлина. — М.: Радио и связь, 1990. —538 с.
  41. В.Б., Уравнения с последействием и математическое моделирование, Соровский Образовательный журнал, № 4, 1996, С. 122 -127.
  42. Л.Г., Максимов А. В. Нейрокомпьютеры: Учеб. пособие для вузов. М.: Изд-во МГТУ им. Н. Э. Баумана, 2002. — 320с.
  43. С., Нейронные сети: алгоритм обратного распространения / Internet: http://www.orc.ru/~stasson/k2.htm
  44. Н.Ш. Теория вероятностей и математическая статистика: Учебник для вузов. М.:ЮНИТИ-ДАНА, 2002. — 543с.
  45. В.В., Борисов В. В., Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001. — 382с.
  46. С.Н., Чубенко А. В., Бабич П. Н., Статистические методы в медико-биологических исследований с использованием Excel. 2-е изд., перераб. и доп. — К.:МОРИОН, 2001. — 408 с.
  47. А. Самоучитель UML, Второе издание. Издательство: BHV. Серия: Самоучитель. ISBN 5−94 157−342−1 432 стр., 2004 г
  48. , Л. С. -Применение искусственных нейронных сетей длярешения задач управления динамическими объектами Моск. физико-технич. ин-т Лвтореф. дис. канд. физ.-мат. наук:05.13.17, 1998.
  49. Г. Г., Потапов А. Б. Современные проблемы нелинейной динамики. Изд. 2-е, исправл. и доп. М.: Едиториал УРСС, 2002. 360 с. (Синегретика: от прошлого к будущему)
  50. Н.Н. Профилактика, диагностика и лечение ранних осложнений после реконструктивных операций на брюшной аорте и подвздошных артериях /Н.Н. Малышев, А. А. Алексеев, В. Н. Чирков и др.// Вести, хирургии.- 1990.- № 10.- С. 99−102.
  51. B.C., Потемкин В. Г. Нейронные сети. MATHLAB 6 / Под общ. ред. к.т.н. В. Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. — 496с. -(Пакеты прикладных программ- Кн. 4)
  52. Медицинские информационные системы. Экспертные системы и базы знаний / Internet/littp://intra.rfbr.ru/pub/vestnik/V499/l14.htm
  53. Методы нейроинформатики / Под. ред. А. Н. Горбаня, Красноярск: КГТУ, 1998.-205 с.
  54. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник/ Под. ред. Н.Д.Егупова- издание 2-ое, стереотипное.-М.:Из-во МГТУ им. Н. Э. Баумана, 2002. 744 е., ил.
  55. Ю.Н., Филимонова О. Ю., Бенамеур Лиес Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. М.: Горячая линия -Телеком, 2003. — 205с: ил.
  56. Миркес Евгений Моисеевич Функциональные модели универсального нейрокомпьютера Краснояр. гос. техн. ун-тАвтореф. дис.. д-ра техн. наук:05.13.11, 2001.
  57. П.В. Исходы реконструктивных операций при хронических окклюзиях артерий нижних конечностей и методы их улучшения: Автореф. дис. канд. мед. наук. Волгоград. 1998 -24с.
  58. П.В. Тромбогеморрагические осложнения после реконструктивных операций на брюшном отделе аорты и магистральных артериях нижних конечностей (профилактика, диагностика, лечение): Автореф. дис. докт. мед. наук. Волгоград, 2004. — 42с.
  59. Нейроинформатика / Горбань А. П., Дунин-Барковский B.JI., Кирдин А. Н. и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296с.
  60. Нейрокомпьютеры в системах обработки изображений. Кн. 7: Коллективная монография / Общая ред. А. И. Галушкина. М.:Радиотехника, 2003. — 192с.: ил. (Нейрокомпьютеры и их применение)
  61. . Кн. 6: Учеб. пособие для вузов / Общ. ред. А. И. Галушкина. М.: ИПРЖР, 2002. — 425с.
  62. Нейронные сети: история развития теории. Кн. 5: Учеб. пособие для вузов. / Под общей ред. А. И. Галушкина, Я. З. Ципкина. М.: ИПРЖР, 2001. -840с.
  63. Нейросетевые системы управления: Учеб. пособие для вузов / В. А. Терехов, Д. В. Ефимоы, И. Ю. Тюкин. М.:Высш. шк. 2002 с. ил.
  64. А.В., Численные методы в примерах и задачах / Учеб. пособие. М.: Высш. шк., 2003. — 583 е.: ил.
  65. Д.П., Щербаков М. В. Использование нейромоделей для проектирования автоматизированных систем // IV Региональная конференция молодых исследователей Волгоградской области., Тезисы докладов, РПК «Политехник» Волгоград 2000., С. 131 132.
  66. .В. Прогресс современной ангиохирургии // Хирургия.-1991.- Кч.- С. 9−16.
  67. К. В. Основы теории управления. // Электронное издание http://a1ice.stiip.ac.ru/~pkv/htm1/Index.htm
  68. Построение экспертных систем. / Под. ред. Ф. Хейес Рота. — М.: Мир, 1987.
  69. Правила диагностики и оценки состояния автомобильных дорог (взамен 6 -90). ОДН218.0.006−2002 / Министерство транспорта РФ. Росавтодор. М.: Транспорт. 2002. 137с.
  70. Правила диагностики и оценки состояния автомобильных дорог (взамен ВСН 6−90). ОДН 218.0.006−2002 / Министерство транспорта РФ. Росавтодор. М.: Транспорт. 2002. — 137 с.
  71. Прогнозирование осложнений после реконструктивных операций на аортоподвзошном сегменте // Полянцев А. А, Мозговой П. В., Фролов Д. В.,
  72. В.Л., Щербаков М. В., Хирургия. Журнал им. Н. И. Пирогова, 2004, ЛН С.9−12
  73. А.Д., Шквар A.M., Шевченко А. И. Некоторые особенности разностной обработки информации в нейронных сетях // Биологическая медицинская кибернетика и бионика. Вып. 2. К., 1970. — С. 13−26.
  74. М. Ю. -Погрешности в нейронных сетях Автореф. Дис. .канд. физ.-мат. наук:05.13.16 Красноярск 1998.
  75. Д.А., Прогнозирование изменения транспортно-эксплуатационного состояния автомобильных дорог при планировании ремонта и содержания, Автореферат на соиск.. канд. техн. наук, ВолгГАСА, Волгоград, 2003.
  76. Теория управления в примерах и задачах: Учеб. пособие / А. В. Пантелеев, А. С. Бортаковский. М.: Высш. шк., 2003. — 583с: ил.
  77. Теория автоматического управления. Ч. 1 и 2 / Под ред. А.А. ВороноЕт. М: Высшая школа, 1986.
  78. Теория автоматического управления: Учеб. для вузов/ С. Е. Душин, Н. С. Зотов, Д. Х. Имаев и др.- Под ред. В. Б. Яковлева. М.: Высшая школа, 2003.-567 е.: ил.
  79. В. А. Ефимов Д.В. Тюкин И. Ю., Нейросетевые системы управления, Высшая Школа, 2002, 183с.
  80. Технические правила ремонта и содержания автомобильных дорог (ВСН 24−88). Минавтодор РСФСР. М.: Транспорт. 1989. 198 с.
  81. Указания по оценке эффективности дорожно-ремонтных работ (ВСН 2−80), Минавтодор РСФСР. М.: Транспорт. 1981, 32 с.
  82. Ф. Нейрокомпыотерная техника:теория и практика / Пер. с англ. М.: Мир, 1992.- 105с.
  83. Управление в сложных нелинейных системах / Под. ред. Цыпкина Я. З., М.: Наука, 1984.
  84. Д.В. Прогнозирование ранних тромботических реокклюзий у больных облитерирующими заболеваниями нижних конечностей: Автореф. дне. канд. мед. наук. Волгоград, 2000. — 27с.
  85. Царегородцев, Виктор Геннадьевич, Извлечение знаний из таблиц данных при помощи обучаемых и упрощаемых искусственных нейронных сетей Ин-т вычисл. моделирования СО РАН Автореф. дис.. канд. техн. наук:05.13.16 2000.
  86. Я.З. Основы информационной теории идентификации. -М.: Наука, 1984. -520 с.
  87. Я.З. Информационная теория идентификации. М.: Наука. Физматлит, 1995.-336с.
  88. Г. Л., Щербаков М. В. Оболочка системы решения задач прогнозирования в медицине //Нейроинформатика и её приложения: Материалы VIII Всероссийского семинара., Красноярск: ИПЦ КГТУ, 2001, С.202 203.
  89. Ю.Л., Шихвердиев Н. Н., Оточкин А. В., Прогнозирование в кардиохирургии. СПб: Питер Паблишинг, 1998. — 208с. — (Серия «Практическая медицина»).
  90. Г. Л., Щербаков М. В. Представление знаний эксперта для решения задачи прогнозирования в медицине. /Шейроинформатика и её приложения: Материалы VIII Всероссийского семинара., Красноярск: ИПЦ КГТУ, 2001, С. 201.
  91. М.В. Извлечение знаний эксперта о предметной области для формирования нейронной сети // VI Региональная конференция молодых исследователей Волгоградской области., Тезисы докладов, РПК «Политехник» Волгоград 2002. С. 161 — 162.
  92. Assilian, S. and Е.Н. Mamdani, «An experiment in linguistic sythesis with a fuzzy logic controller» Int. Journal of Man-Machine Studies, Vol. 7. pp. 1 -13, 1974.
  93. Baron A.R. Universal approximation bounds for superposition of sigmoidal function //IEEE Transactions on Information Theory 1993, vol. 39, P -930−954.
  94. Barto A.G., Connectionist learning for control, in Neural Networks for control, MIT Press, Cambridge, Massachsets, pp. 5−58, 1990.
  95. Cybenko, G. Approximation by superpositions of a sigmoidal function. Mathematics control, Sygnal & System, Vol. 2, pp. 303−314, 1989.
  96. Chen L. and Narendra. K.S. Nonlinear adaptive control using neural networks and multiple models. Automatica, special issue on neural network feedback control, 37(8): 1245−1255, 2001.
  97. Constantin, N. Dumitrache I. Multimodel Adaptive Control. Proc. Inter. Conf. CSCS11, 1, pp. 259−264, Bucharest. (1997)
  98. Nardi Flavio, Neural Network based Adaptive Algorithms for Nonlinear Control PhD Thesis Georgia Institute of Technology, 2002
  99. Nicolae Constantin Adaptive Neural Predictive Techniques for Nonlinear Control
  100. Kosko, B. Neural Networks and Fuzzy Systems: a dynamical systems approach to machine intelligence. /Prentice Hall, Englewood Cliffs, New Jersey 1991.
  101. Levin A., Narendra K.S. Control of nonlinear dynamical systems using neural networks: controllability and stabilization IEEE Transactions on Neural Networks, Vol. 4, No. 2., 192−206 March 1993.
  102. Miller W.T. R.S. Sutton, and P.J.Werbos, Neural Networks for control, MIT Press, Cambidge, MA, 1990.
  103. Miller W.T. Ill, «Real-Time Neural Network Control of a Biped Walking Robot», IEEE Control Systems magazine, vol. 14, no. 1, pp. 41−48, 1994.
  104. Narendra K.S., Parthasarathy K. Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks., l (l):4−27, March 1990.
  105. Narendra K.S., Cheng Xiang. Adaptive control of discrete-time systems using multiple models. IEEE Transactions on Automatic Control, 45(9): 1669−1686, September 2000.
  106. Neural Systems for Control O.M.Omidvar and D.L.Elliott, editors, Copyright 1997 by Academic Press, ISBN:125 264 305 and is posted with permission from Elsevier. http://www.isr.umd.edu/ .delliott/NeuralSystemsForControl.pdf
  107. Werbos P.J. Overview of designs and capabilities, Neural Networks of Control, MIT Press, Cambridge, MA, pp. 59−65, 1990.
  108. Zadeh L.A. Fuzzy Sets // Inform, a. Control. 1965. — Vol. 8, № 3. -P. 338−353.
Заполнить форму текущей работой

На отлично!