ПРЕДИСЛОВИЕ
ЧАСТЬ 1. ПРОГНОЗИРОВАНИЕ СЛОЖНЫХ СИСТЕМ
МЕТОДАМИ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ
Глава 1. Прогнозирование состояния многопараметрических
объектов и нейросетевые технологии
1.1. Особенности прогнозирования сложных технических систем
1.1.1. Объекты диагностирования и задачи исследований
Цели исследования эксплуатации систем
Термин «техника» и термин -система»
Жизненный цикл изделия (системы)
Задачи экспериментальных исследований
Цели классификации систем и классификационные признаки
Классификация систем по объему выпуска
Детальные классификационные признаки
Системные признаки больших объектов
1.1.2. Свойства объектов исследований
Общая классификация свойств
Классификация свойств системы, исходя из ее устойчивости
Эксплуатация систем. Влияющие факторы
Анализ свойств материалов
1.1.3. Анализ характеристик внешних факторов прогнозного фона
не примере космического аппарата
1.1.4. Анализ совокупности эндогенных переменных прогнозирования
на примере космического аппарата
Основные понятия и соглашения
Временные ограничения процедуры прогнозирования
Размерность пространства параметров прогнозирования
Неоднородность данных
Непредставительность обучающей выборки
Варианты процедуры прогнозирования
Специфика эксплуатации прогнозируемых объектов
1.2. Анализ методов прогнозирования параметров сложных объектов
1.2.1. Методы эвристического прогнозирования
1.2.2. Математические методы временной экстраполяции
1.2.3. Математические методы пространственной экстраполяции
1.2.4. Методы моделирования процессов функционирования систем
1.2.5. Логические и структурные методы искусственного интеллекта
Морфологический анализ
Общие принципы логических методов, прогнозирования
Лингвистические методы прогнозирования
1.2.6. Сравнительная классификация методов прогнозирования
1.3. Формализация процедуры прогнозирования
технического состояния систем
1.3.1. Выработка экспериментальных данных
1.3.2. Формулировка задачи синтеза прогнозной модели
Литература к главе 1
Глава 2. Прогнозирование состояния систем по результатам
их предварительных исследований
2.1. Предварительные исследования как источник
априорной информации для выработки прогноза
2.1.1. Виды испытаний
2.1.2. Способы построения прогнозных моделей
2.1.3. Прогнозирование технических характеристик
систем на участках приработки
2.1.4. Обоснование прогноза
2.1.5. Формализация процедуры прогнозирования
2.1.6. Трудности «подобного» подхода
2.2. Задача многомерной линейной экстраполяции в нейросетевом базисе
2.2.1. Использование подхода многомерной линейной экстраполяции
в условиях недостатка априорной информации о состоянии системы
2.2.2. Параллельная обработка и самоорганизующиеся системы
2.2.3. Прогнозирующая нейронная сеть как упрощенная
биофизическая модель функционирования головного мозга эксперта
2.3. Формализация оперативного прогнозирования ТС объекта
по результатам предварительных исследований его элементов
2.4. Алгоритм прогнозирования на основе свойств
выработки прототипа динамическими НС
2.5. Алгоритм прогнозирования на основе свойств
выработки прототипа ком плексиро ванной НС
«карта Кохонена — сеть прямого распространения
2.5.1. Принципы построения систем, оперирующих с признаками
2.5.2. Обобщенная архитектура комплексированных нейронных сетей
2.5.3. Двухслойные комплексированные нейронные сети
2.5.4. Формирование прототипа
2.5.5. Алгоритм прогнозирования при использовании
комплексированных нейронных сетей
2.5.6. Моделирование с простейшими образами
2.5.7. Прогнозирование реакции больших систем
с помощью комплексированных НС
2.6. Алгоритм прогнозирования на основе свойств ассоциативности
комплексиро ванной НС «карта Кохонена — сеть Коски»
2.6.1. Архитектура КНС «карта Кохонена — сеть Коско»
2.6.2. Накопление информации КНС «карта Кохонена — сеть Коско»
2.6.3. Прогнозирование с использованием КНС
«карта Кохонена — сеть Коско»
2.7. Алгоритм прогнозирования следствий предметной области
в пространстве параметров ситуации
2.7.1. Условия процедуры
2.7.2. Алгоритм процедуры
2-7.3. Алгоритм функционирования НС
2.7.4. Реализация алгоритма на языке программирования
2.8. Оптимальный предсказывающий фильтр и ассоциативное
прогнозирование продукта нефтехимического предприятия
2.8.1. Предсказывающий фильтр
2.8.2. Применение предсказывающего фильтра
.2.8,3, Характеристики функционирования фильтра
2.8.4. Прогнозирование с использованием НС с обратными связями
2.8.5. Сравнение прогнозных моделей
2.8.6. Реализация на языке программирования
Литература к главе 2
Глава 3. Прогнозирование состояния систем
по результатам их применения по целевому назначению
3.1. Использование нейронных сетей прямого распространения
в целях прогноза параметров технического состояния сложных
объектов по данным их эксплуатации
3.2. Формализация нейросетевой пространственной экстраполяции
окон наблюдения технического состояния сложных объектов
3.3. Алгоритм прогнозирования параметров технического состояния
объекта с использованием обобщения по преобладанию
3.3.1. Сбор исходных данных и представление их в единой форме
3.3.2. Синтез архитектуры прогнозирующей
нейронной сети и ее параметров
3.3.3. Синтез прогнозной модели путем обучения нейронной сети
Определение параметров алгоритма обучения
Алгоритм синтеза параметров
Практическая реализация на языке программирования
Алгоритм обучения Левенберга-Марквардта
3.3.4. Получение прогноза на требуемый интервал упреждения
3.3.5. Верификация прогноза путем оценки достоверности результата
согласно выбранному критерию
3.4. Алгоритм прогнозирования параметров технического состояния
серийных объектов с использованием обобщения по подобию
3.4.1. Применение методов теории подобия
3.4.2. Однотипные объекты как исходный материал
для обобщения по подобию
Характеристики подобных объектов
Экспериментальное определение характеристик функций
Структура алгоритма прогнозирования с обобщением по подобию
3.4.3. Сбор исходных данных о прецедентах эксплуатации
и их представление в единой форме
3.4.4. Обобщение по подобию прогнозирующей нейронной сетью
3.5. Экспериментальное исследование прогнозных моделей МС
прямого распространения по данным наблюдений технического
состояния космических аппаратов системы КОСПАС-САРСАТ
3.6. Потенциальные возможности нейросетевых систем прогнозирования
3.6.1. Принципы построения систем прогнозирования
3.6.2. Комплексирование предпрогнозной информации
3.6.3. Области применения систем прогнозирования
3.6.4. Система прогнозирования состояния
подвижных и труднодоступных систем
3.6.5. Аппаратная реализация нейронных сетей
Литература к главе 3
ЧАСТЬ 11. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ И
ОПТИМИЗАЦИЯ ЭКСПЛУАТАЦИИ СЛОЖНЫХ СИСТЕМ
Глава 4. Оптимизация и нейросетевые алгоритмы
4.1. Оптимизация как проблема выбора
4.1.1. Цель и задачи оптимизации
4.1.2. Особенности решения дискретных оптимизационных задач
4.1.3. Вычислительная сложность алгоритмов
Оценочные характеристики алгоритмов
Полиномиальные и экспоненциальные алгоритмы
4.1.4. Краткий исторический очерк развития исследований
в области экстремальных задач
Возникновение и развитие классической теории
экстремальных задач
Развитие исследований в области решения
оптимизационных задач с учетом факторов неопределённости
Становление общей теории выбора (70-е— 90-е гг.)
4.1.5. Обзор методов решения дискретных задач оптимизации
4.1.6. Точные методы
Полный перебор всех возможных вариантов
Метод ветвей и границ
Метод динамического программирования
Метод множителей Лагранжа
Алгоритмы предварительного расширения и последующего сужения
Композитные алгоритмы
4.1.7. Эвристические алгоритмы
Итеративные (локальные) алгоритмы
Весовые локальные алгоритмы
Стохастические алгоритмы (алгоритмы случайного и
направленно-случайного поиска)
Локально-стохастические алгоритмы
Нейросетевые методы (методы параллельной обработки данных)
4.2. Нейронные сети в задачах оптимизации
4.2.1. Общий обзор подходов
4.2.2. Динамическая нейронная сеть Хопфилда
4.2.3. Динамичаско-статическая нейронная сеть
4.2.4. Имитация отжига
4.2.5. Метод эластичной нейронной сети
4.2.6. Сети Кохонена
4.2.7. Сети Потгса
- 4.2.8. Растущие нейронные сети
4,2.9. Метод колоний
4.3. Методика синтеза нейроподобных сетей
4.3.1. Постановка задачи методики синтеза
4.3.2. Нейросетевая интерпретация постановки оптимизационной задачи
4.3.3. Конструирование энергетической функции сети
4.3.4. Определение искомых параметров сети
4.4. Показатели эффективности решения
оптимизационных задач на основе нейросетей
4.4.1. Выбор (определение) показателей эффективности процесса
нейросетеаого решения
4.4.2. Показатель результативности
4.4.3. Оперативность получения решения
4.4.4. Структурная сложность сети
Литература к главе 4
Глава 5. Оптимизация на основе эволюционных вычислений
5.1. Естественный отбор в природе и генетическое наследование
5.2. Понятие принципа «выживает сильнейший»
5.3. История развития эволюционных вычислений и их типы
5.3.1. Возникновение и типы эволюционных вычислений
5.3.2. Развитие эволюционных вычислений в России
5.3.3. Искусственная жизнь как одно из направлений
развития эволюционной теории
5.4. Работа генетического алгоритма
5.4.1. Идея генетического алгоритма
5.4.2. Основное содержание генетического поиска
5.4.3. Работа генетического алгоритма
5.5. Эффективность применения генетических алгоритмов
и пути ее повышения
5.5.1. Показатели эффективности работы генетического алгоритма
5.5.2. Распараллеливание как способ повышения эффективности
работы генетического алгоритма
5.5.3. Влияние операторов генетического алгоритма
на показатели его эффективности
5.5.4. Работы по совершенствованию генетического алгоритма
5.6. Применение генетических алгоритмов и направления развития
5.6.1. Общее описание областей применения генетических алгоритмов
5.6.2. Демонстрация эффективности использования ГА
для поиска максимума одномерной функции
5.6.3. Обзор конкретных оптимизационных задач,
решаемых генетическими алгоритмами
Обучение нейронной сети
Раскрой листовых материалов на основе генетического алгоритма
Поход— балансировка рациона в рамках бюджета
Оптимизация «Портфеля акций»
Составление графика работ
Полиномиальная аппроксимация
5.6.4. Направления развития генетических алгоритмов
Литература к главе 5
Глава 6. Оптимизация на основе искусственных нейронных сетей
и генетических алгоритмов при испытаниях сложных систем
6.1. Нейронные сети и оптимизация процессов испытаний сложных объектов
6.1.1. Постановка задачи и синтез полной программы испытаний
на основе нейросетевых алгоритмов
6.1.2. Программа испытаний как обход всех переходов
эйлеровой модели аппаратуры
Случай Эйлеровой модели. Понятие «плюс»- и "минус"-состояний
Выбор искусственного пути для снижения балансного числа моделей
6.2. Анализ методов синтеза полной программы испытаний
аппаратуры сложных объектов
6.2.1. Общий обзор и анализ алгоритмов
Алгоритм А1
Алгоритм А2
Сравнительный анализ
6.2.2. Анализ алгоритмов нахождения кратчайших путей
Алгоритм Флойда
Алгоритм Данцига
Алгоритм Розенхала
Алгоритм Дейкстры
6.2.3. Анализ алгоритмов решения транспортной задачи
Метод полного перебора
Идея венгерского метода решения транспортной задачи
Симплекс-метод
6.2.4. Анализ алгоритмов решения задачи о потоке минимальной стоимости
Алгоритм Форда и Фалкерсона
Алгоритм дефекта Форда и Фалкерсона
6.3. Метод построения кратчайших путей межцу «плюс»- и «минус»-состояниями
на основе динамической нейронной сети Хопфилда
6.4. Метод решения транспортной задачи с расчетом плана
нейронной сетью с обратными связями
6.4.1. Нейросетевая интерпретация транспортной задачи
6.4.2. Конструирование энергетической функции
6.4.3. Определение параметров сети
6.4.4. Практическая реализация на языке программирования
6.5. Метод решения транспортной задачи на основе
динамическо-статической нейронной сети
6.6. Общий подход к решению задачи о потоке минимальной стоимости
.на основе динамической нейронной сети
6.7. Анализ результатов моделирования
6.8. Построение сокращенной программы испытаний
аппаратуры сложных объектов
6.8.1. Постановка задачи синтеза сокращенной программы испытаний
6.8.2. Метод синтеза сокращенной программы испытаний на основе
динамической нейронной сети Хопфилда с подбором множителей
коэффициентов синаптических связей генетическим алгоритмом
Описание структуры и параметров динамической нейронной сети
Работа генетического алгоритма
6.8.3. Подход\'к синтезу сокращенной программы испытаний на основе
многослойной динамической нейронной сети второго порядка
6.8.4. Решение задачи коммивояжера на основе многослойных
нейронных сетей с выработкой адаптивного решающего правила
6.9. Генетические алгоритмы расширенного поиска синтеза
сокращенной программы испытаний
6.9.1. Комбинированный генетический алгоритм
Принцип работы комбинированного генетического алгоритма
Реализация на языке программирования
6.9.2.. Поколенческий генетический алгоритм
6.9.3. Адаптивный генетический алгоритм
6.9.4. Многоуровневый генетический алгоритм
6.10. Разработка классических алгоритмов синтеза сокращенной
программы испытаний
6.10.1. Алгоритм сходимости к центру
Идея алгоритма
Структура алгоритма
6.10.2. Алгоритм средней величины 9
Идея алгоритма
Структура алгоритма
6.11. Эффективность синтеза сокращённой программы испытаний
нейросетевыми и генетическими алгоритмами
6.12. О популярности решения задачи коммивояжера
Задача коммивояжера
Области применения задачи коммивояжера
6.13. Практическое применение нейросетевых методов и
генетических алгоритмов синтеза программ испытаний
бортовой аппаратуры космических аппаратов
6.13.1. Описание бортовой информационно-телеметрической системы
6.13.2. Синтез конечно-автоматной модели бортовой
информационно-телеметрической системы
Методика синтеза полной конечно-автоматной модели
на основе декомпозированной
Построение полной конечно-автоматной модели бортовой
информационно-телеметрической системы
6.13.3. Синтез полной программы испытаний бортовой
информационно-телеметрической системы
6.13.4. Синтез сокращенной программы испытаний
бортовой информационно-телеметрической системы
6.13.5. Оценивание достоверности контроля синтезированных
программ испытаний
6.14. Разработка предложений по практической реализации
нейросетевых методов и генетических алгоритмов синтеза
программ испытаний
6.14.1. Обоснование структуры испытательного комплекса
Условия и требования к эффективности испытательного комплекса
Структура испытательного комплекса
6.14.2. Предложения по построению и выбору элементной базы
нейропроцессора и эволюционного вычислителя синтеза
программ испытаний
Литература к главе 6
Приложение. Список и описание авторских программных продуктов,
доступных с сайга издательства
П.1. Экспертная система прогнозирования следствий
- предметной области в пространстве признаков ситуации
П.2. Экспертная система прогнозирования следствий предметной области
в пространстве признаков ситуации (Ехсе!- ориентире ванная версия)
П.З. Экспертная система поискового прогнозирования и
выработки прототипов
П.4. Система ассоциативного прогнозирования
П.5. Реализация процедур прогнозирования и выработки прототипов
в виде последовательности М-файлов пакета прикладных
программ NNET операционной среды системы МАТLАВ
П.6. Программа NEURO EXPERT
П.7. Программа TRAVELLING SALESMAN (Коммивояжер)