Модели и алгоритмы синтеза оптимального управления в биотехнических системах реабилитационного типа на основе технологий нейронных сетей тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Аль-Бареда Али Яхья Сенан

  • Аль-Бареда Али Яхья Сенан
  • кандидат науккандидат наук
  • 2018, Москва
  • Специальность ВАК РФ05.13.01
  • Количество страниц 152
Аль-Бареда Али Яхья Сенан. Модели и алгоритмы синтеза оптимального управления в биотехнических системах реабилитационного типа на основе технологий нейронных сетей: дис. кандидат наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Москва. 2018. 152 с.

Оглавление диссертации кандидат наук Аль-Бареда Али Яхья Сенан

Оглавление

Введение

1 Анализ и оценка состояния проблемы синтеза оптимального управления на базе нейросетевого подхода для биотехнических систем реабилитации

1.1 Экзоскелеты в биотехнических системах реабилитации

1.2 Методы нейросетевого управления, используемые в биотехнических системах

1.3 Структуры нейронных сетей для нейроуправления

1.4 Генетические алгоритмы синтеза нейронных сетей для систем управления

1.5 Цель и задачи исследования

2 Методы и средства нейросетевого управления для вертикализации экзоскелета

2.1 Математическая модель для синтеза управления вертикализацией экзоскелета

2.2 Выбор структурных решений для нейросетевого управления экзоскелетом

2.3 Разработка системы управления экзоскелетом в квазистатическом режиме

2.4 Разработка системы управления экзоскелетом в динамическом режиме

2.5 Разработка методики формирования базы данных для настройки нейроконтроллера экзоскелета

2.6 Выводы второго раздела

3 Разработка генетических алгоритмов для синтеза систем управления вертикализацией экзоскелета посредством нейросетевых технологий

3.1 Вариационный генетический алгоритма для синтеза системы управления с одним критерием оптимизации

3.2 Генетический алгоритма для обучения нейронной сети для вертикализации экзоскелета с одним критерием оптимизации

3.3 Генетический алгоритма для обучения нейронной сети для вертикализации экзоскелета с двумя критериями оптимизации

3.4 Выводы третьего раздела

4 Синтез системы управления вертикализацией экзоскелета методом

искусственных нейронных сетей

4.1 Объяснение задачи

4.2 Исследования движения экзоскелета с пациентом в режиме вертикализации

4.3 Синтез нейроконтроллера дляч системы управления вертикализацией экзоскилета

4.4 Настройка нейроконтроллера системы управления вертикализацией

4.5 Выводы четвертого раздела

Заключение

Список сокращений и условных обозначений

Список литературы

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Модели и алгоритмы синтеза оптимального управления в биотехнических системах реабилитационного типа на основе технологий нейронных сетей»

Введение

Актуальность работы. Бурное развитие робототехнических систем (РС), которые в наше время внедряются в разного рода технологические процессы, требует разработки большого количества систем автоматического управления такими роботами. Особенность РС состоит в том, что они призваны выполнять поставленные перед ними задачи без участия человека-оператора, т.е. автономно. Для автономных РС требуется создание систем автоматического управления и возникает необходимость в решении задачи синтеза управления.

Одним из направлений развитие РС является применение их в биотехнических системах реабилитационного типа. В настоящее время в Российской Федерации насчитывается порядка 40000 больных с повреждением опорно-двигательного аппарата. Один из способов реабилитации таких больных - это применение индивидуальных экзоскелетов, позволяющих осуществлять сложные виды движения, такие как вертикализация пациента, приседания, ходьба и другие. Вертикализация является одной из самых эффективных реабилитационных процедур, которая показана пациентам с болезнями опорно -двигательного аппарата, а также людям, пережившим тяжелые травмы, которые привели к нарушению опорной функции. При систематическом использовании тренажерных устройств оказывается пассивное и активное воздействие на опорно-двигательную систему (мышцы, суставы), стимулируется или нормализуется деятельность структур головного мозга (гипоталамус, двигательные центры коры головного мозга и других отделов), активизация которых способствует поддержанию вертикальной позы, локомоторных актов, манипулированию предметами и т.д.

Попытки разработки и создания экзоскелетов предпринимались давно, и последнее время стали появляться изделия, обеспечивающие с помощью ассистента движение пациента в некоторых режимах. Однако самостоятельное

перемещение экзоскелета с сохранением устойчивости представляется сложной задачей, так как на сегодняшний день нет эффективных алгоритмов управления, обеспечивающих устойчивое перемещение пациента в экзоскелете в процессе вертикализации, отсутствуют методики синтеза параметров регулятора системы автоматического управления приводами. Все это сдерживает дальнейшее развитие экзоскелетов - вертикализаторов и внедрение их в медицинскую практику. Поэтому разработка и исследование моделей и алгоритмов синтеза систем управления движением РС с учетом взаимодействия человека и экзоскелета определяет актуальность темы диссертационного исследования.

Степень разработанности темы исследования. Несмотря на то, что задача синтеза управления была сформулирована в середине ХХ века, но из-за ее сложности для ее решения до сих пор еще не разработано эффективных методов ее решения. Основываясь на принципах малых вариаций базисного решения, были созданы методы сетевого оператора, вариационного генетического программирования, вариационного аналитического программирования (А. Дивеев, 2006, 2014 - 2015 годы).

Существующие традиционные методы проектирования систем управления сложными объектами уже во многом перестали удовлетворять современным требованиям. Причины этого: при традиционных методах проектирования часто отсутствует этап системного анализа системы управления как единого целого и вследствие этого корректировки в структуру системы и связи между ее функциональными элементами вносятся на этапе опытно-промышленных испытаний системы; недостаточность внимания при анализе сложных систем выделению системообразующего фактора, что проявляется в частности в таких живых системах, как биотехнические; биологические биотехнологические и другие живые системы для синтеза классических регуляторов требуются знания математической модели объектов, получение которой по мере усложнения объектов, как и возрастающих требований к их управлению либо существенно затрудняется, или же становится невозможным вообще; при выборе алгоритмического обеспечения отсутствует этап поддержки принятия решений;

практически исключено многовариантное проектирование по мере усложнения систем; вместе с усложнением РС время разработки имеет тенденцию к росту.

На сложности при исследовании нелинейных объектов указывается в работах, как российских, так и зарубежных учёных: Л.С. Понтрягина, В.Г. Болтянского, Р.В. Гамкрелидзе [78], А.А. Андронова, Р.А. Нелепина [5, 6, 73], А.М. Летова [53], А.А. Красовского[48, 49], Д.Э. Казаряна [35-37], Н.Н. Моисеева [68], В.А. Олейникова [111], Л.А. Растригина [80], Р. Беллмана [14], А.И. Дивеева, Е.Ю. Шмалько [28], А.Л. Шамиса [101], Е.И. Юркевича [104], Р. Калмана [38] и др.

Аналитические методы синтеза управления работают лишь для несложных моделей объектов управления. При этом вычислительные методы синтеза разрабатывались для эффективного поиска значений оптимальных параметров. Поэтому для методов синтеза структур систем управления требуются большие вычислительные затраты.

Теоретическими исследованиями искусственных нейронных сетей доказано, что их можно использовать для аппроксимации с любой точностью любых многомерных функций (согласно теореме Арнольда - Колмогорова). Нейронные сети в качестве универсального инструмента для аппроксимации функций используются все шире с каждым новым уровнем развития вычислительной техники в самых различных сферах. Десятки лет нейронные сети находят широкое использование, как в сфере управления для настройки параметров регуляторов в адаптивных системах управления, так и при реализации modelpredictivecontrol (методов прогнозированного управления) для уточнения параметров модели объекта. Во всем мире известна и реализуется NeuralNetworkToolboxMatLab и др. в виде большого количества программных продуктов технологии искусственных нейронных сетей. Данной теме посвящены труды таких ученых, как: А.И. Галушкин, А.Н. Горбань, В.А. Терехов, С.А. Шумской, В.В. Круглов, А.Г. Ивахненко, Н.И. Червяков, Т. Кохонен, Сигеру Омату и т.д.

Сущность проблемы решения задачи синтеза управления заключена, в

первую очередь, в нахождении метода поиска структуры функции в виде ее аналитического описания. Нейронные сети являются функциями с заданной, хотя и регулярно наращиваемой структурой, что предопределяет их использование в решении задачи синтеза управления нейронных сетей. Кроме того, это также позволяет привести задачу структурно параметрического синтеза к параметрическому синтезу, хотя и с очень большим числом параметров.

Даже при огромной популярности метода нейронных сетей в решениях задач управления, в мировой литературе наблюдается малое количество работ, раскрывающих решение задач синтеза систем управления методами нейронных сетей. Например, на последних конгрессах, которые проводились International Federation of Automatic Control, IFAC (международная федерация по автоматическому управлению) в 2008 г. (Сеул), 2011 г. (Милан), 2014 г. (Кейптаун), представлялось почти 3 тыс. работ, но в них не было статей по решению задачи синтеза системы управления методами нейронных сетей. Также отсутствовали работы в этой области и на юбилейной конференции посвященной 75-летию Института Проблем Управления им. В.А. Трапезникова (Всероссийское совещание по управлению, ВСПУ-2014), несмотря на то, что на ней было представлено почти 1100 докладов.

К основным научным результатом, давшем импульс для создания численных методов в решении задачи синтеза системы управления, относится метод генетического программирования, который разработал в 1992 г. профессор университета Стэнфорда Дж. Козой [40, 41]. Метод предназначался для решения задач автоматического написания программ.

К основным научным результатам, давшим импульс для создания численных методов в решении задачи синтеза системы управления, относится метод генетического программирования, который разработал в 1992 г. профессор университета Стэнфорда Дж. Козой. Однако, несмотря на то, что сегодня метод генетического программирования приобрел очень большую популярность и его применяют в решении огромного количества самых разных задач (труды, представленные на ежегодных конференциях Genetic and Evolutionary Computing

Conference GECCO, Europe Genetic Programming и EuroGP по генетическим и эволюционным вычислениям), отсутствие эффективных методов, проверенных на практике, решения задачи синтеза системы управления методом искусственных нейронных сетей, делает актуальным это направление исследования и определяет цель и задачи диссертационной работы.

Цель работы. Повышение качества управления вертикализацией экзоскелета посредством разработки моделей и алгоритмов синтеза оптимального управления на основе технологий нейронных сетей.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработать математические модели управления экзоскелетом в режиме вертикализации.

2. Разработать структурные решения для нейросетевого управления экзоскелетом в режиме вертикализации.

3. Разработать гибридные генетические алгоритмы настройки нейроконтроллеров для системы управления вертикализацией экзоскелета с однокритериальной и двухкритериальной оптимизацией.

4. Разработать методику формирования баз данных для обучения нейроконтроллеров управления вертикализацией экзоскелета.

5. Провести экспериментальные исследования показателей качества управления вертикализацией экзоскелета при использовании нейроконтроллеров с разработанной структурой и настроенных по разработанным гибридным генетическим алгоритмам.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

1. Модель нейроконтроллера для вертикализации экзоскелета посредством последовательной схемы управления, выполняющая функцию ПИД-регулятора, отличающаяся тем, что в качестве регулятора используется нейронная сеть встречного распространения ошибки, настраиваемая по модели объекта управления, позволяющая получить эмулятор объекта управления с последующей инверсией в нейроконтроллер последовательной схемы

нейросетевого управления, а в каждом канале ПИ-регулятора и ПД - регулятора используются по две многослойные рекуррентные нейронные сети, позволяющие выбрать оптимальный порядок задержек по входному и выходному сигналам в каждом из регуляторов.

2. Гибридный генетический алгоритм настройки нейроконтроллера по одному оптимизируемому критерию, отличающийся использованием двух иерархических родительских пулов, родительский пул нижней иерархии формируется посредством оптимизации структуры многослойной нейронной сети путем использования генетического вариационного алгоритма, а родительский пул верхней иерархии оптимизируется путем оптимального выбора порядка задержек во входном и выходном сигналах, позволяющий настраивать нейроконтроллер управления вертикализацией экзоскелета по одному оптимизируемому критерию.

3. Гибридный генетический алгоритм настройки нейроконтроллера по двум оптимизируемым критериям, отличающийся итерационным процессом формирования двух иерархических родительских пулов с использованием вариационного генетического алгоритма для оптимизации структуры рекуррентных многослойных нейронных сетей с заданными порядками задержек во входном и выходном сигналах, и последовательной оптимизации порядка задержек во входном и выходном сигналах по двум критериям, начиная с приоритетного, и Парето-оптимизацией между переключениями настройки оптимизируемого критерия, позволяющий настраивать нейроконтроллер управления вертикализацией экзоскелета по двум оптимизируемым критериям.

Теоретическая и практическая значимость работы состоит в том, что предложена технология алгоритмизации синтеза структуры нейроконтроллера для системы управления вертикализацией экзоскелетом, и разработаны алгоритмы, позволяющие настраивать нейронные сети, входящие в структуру нейроконтроллера, с однокритериальной и двухкритериальной оптимизацией.

Работа выполнена в рамках гранта РФФИ «Динамическая идентификация математической модели человека-оператора методами символьной регрессии по

экспериментальным данным».

Научные результаты диссертации Аль-Бареда А.Я.С. внедрены при разработке НИР № 011613 -2-693 РУДН, выполненной в соответствии с проектом №15-08-00184 А (РФФИ).

Методы исследований. Для решения поставленных задач использовались методы: системного анализа, теории биотехнических систем, теории систем оптимального управления, математического моделирования, вычислительной математики, нейродинамики, теории систем обыкновенных дифференциальных уравнений.

Положения, выносимые на защиту. 1. Модель нейроконтроллера на основе рекуррентных многослойных нейронных сетей позволяет построить эмулятор ПИД-регулятора для вертикализации экзоскелета с оптимизацией порядка задержек во входном и выходном сигналах и оптимизацией по одному или двум критериям качества управления. 2. Гибридный генетический алгоритм настройки нейроконтроллера, использующий два иерархических родительских пула и вариационный генетический алгоритм для формирования родительского пула нижней иерархии позволяет оптимизировать траекторию вертикализации экзоскелета по одному критерию оптимизации. 3. Гибридный генетический алгоритм настройки нейроконтроллера с итерационным процессом формирования двух иерархических родительских пулов и с последовательным чередованием оптимизации с приоритетного критерия на не приоритетный с Парето-оптимизацией родительского пула перед осуществлением процесса чередования критериев, позволяет настраивать нейроконтроллер управления вертикализацией экзоскелета по двум оптимизируемым критериям.

Степень достоверности и апробация работы. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость методам теории управления и нейросетевого моделирования, а так же аналогичным результатам, полученным другими исследователями. Теоретические результаты подтверждены экспериментальными данными и совпадают с результатами исследований других авторов.

Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 5 Международных, Всероссийских конференциях и семинарах: «Инженерный системы - 2015» (Москва - 2015); «Лазерно-информационные технологии в медицине, биологии, геоэкологии и транспорте - 2018» (Новороссийск - 2018); «Теоретические и прикладные вопросы науки и образования» (Тамбов - 2018); «Нейроинформатика, ее приложения и анализ данных: (Красноярск - 2018); на семинарах кафедры кибернетики и мехатроники РУДН (Москва - 2014-2017).

Публикации. Основные результаты диссертационного исследования отражены в 10 научных работах, из них 4 статьи в ведущих рецензируемых научных журналах.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и списка литературы, включающего 116 наименований. Работа изложена на 153 страницах машинописного текста, содержит 61 рисунок и 7 таблиц.

1 Анализ и оценка состояния проблемы синтеза оптимального управления на базе нейросетевого подхода для биотехнических систем реабилитации

1.1 Экзоскелеты в биотехнических системах реабилитации

За последние 5 лет в Российской Федерации от болезней системы кровообращения умерли 6,4 млн. человек, из них 18,9% — лица трудоспособного возраста. В структуре смертности от болезней системы кровообращения 1 -е место занимает ишемическая болезнь сердца (ИБС, 48%), 2-е — сосудистые заболевания мозга (39%), а в структуре инвалидизации цереброваскулярные болезни выходят на 1-е место [4, 6]. В исследовании S. Paolucci и соавторами [112] показано, что при выписке из реабилитационного стационара почти половина пациентов, перенесших инсульт, передвигаются только на кресле-коляске, менее 15% могут передвигаться в помещении самостоятельно, менее 10% — выходить на улицу, менее 5% — способны подниматься по ступенькам. Создание высокотехнологичного оборудования для восстановления функций повреждённых конечностей, а именно устройств и механизмов, позволяющих разгрузить мышечную массу нижних конечностей человека и одновременно обладающих лечебным эффектом, становится благоприятным фактором, улучшающим условия быта и реабилитации людей [46].

В настоящее время в реабилитационной медицине широкое распространение получили биотехнические системы (БТС), облегчающие функционирование естественных органов или стимулирующие их работу. Среди БТС, заменяющих естественные органы или утраченные функции, наиболее известны биоуправляемые аналоги органов движения, разрабатываемые с конца 50-х гг. 20 века, но они еще не вышли за рамки экспериментальных образцов. Прогресс в конструировании и применении БТС биомедицинского направления обусловлен как достижениями биологии, физиологии и кибернетики в понимании

сущности жизненных процессов, так и успехами микроэлектроники и компьютерной техники как средств использования накопленных знаний для медицинских целей.

В последние годы все большее распространение получили устройства, названные экзоскелетонами (экзоскелетами), то есть внешними скелетами. Экзоскелет — устройство, предназначенное для расширения функциональных возможностей человека за счёт внешнего каркаса. Основной задачей таких аппаратов является оказание помощи человеку при перемещении в пространстве, в том числе и при ходьбе. С помощью экзоскелета решаются задачи расширения функциональных возможностей больных с нарушением опорно-двигательного аппарата, пострадавших в результате аварий или различных заболеваний, исключающих нормальное движение человека. Одним из способов реабилитации является вертикализация с помощью экзоскелета, то есть переход из положения "сидя" в положение "стоя" [106, 107].

Клиническое применение вертикализации доказало высокую эффективность в проведении реабилитационной терапии при самых различных неврологических нарушениях. Вертикализация позволяет эффективно улучшить и стабилизировать показатели сердечно-сосудистой системы, нормализовать процесс дыхания, улучшить подвижность мышц, активизировать работу и улучшить иннервацию опорно-двигательного аппарата. При этом вертикализация не только ускоряет процесс реабилитации, но и значительно снижает риск вторичных осложнений, связанных с длительной обездвиженностью пациента. Назначается также больным с ДЦП, спинальным дизрафизмом, мышечной дистрофией, рассеянным склерозом и др. при склонности к формированию сгибательных контрактур в тазобедренных и коленных суставах у детей, которые мало ходят или не ходят вообще, а передвигаются ползанием; наличии дисплазии тазобедренных суставов или состояния после операций на тазобедренных суставах; когнитивных нарушениях, отсутствии мотивации ребенка к вертикальному положению; спастичности и нарушении мышечного тонуса нижних конечностей, не позволяющих ребенку самостоятельно стоять без совершения патологических

движений и принятия патологических поз. Вертикализаторы способствуют также освоению двигательных действий и развитию функций верхних конечностей. Эти устройства показаны для детей раннего возраста - с 9-12 мес.

При систематическом использовании тренажерных устройств оказывается пассивное и активное воздействие на опорно-двигательную систему (мышцы, суставы), стимулируется или нормализуется деятельность структур головного мозга (гипоталамус, двигательные центры коры головного мозга и других отделов), активизация которых способствует поддержанию вертикальной позы, локомоторных актов, манипулированию предметами и т.д.

При правильном и систематическом применении вертикализаторов повышается уравновешенность и подвижность процессов торможения и возбуждения в центральной нервной системе, нормализуются моторно-висцеральные рефлекторные связи, снижается мышечный тонус, улучшается координация движений.

Многие зарубежные и отечественные фирмы, занимающиеся производством реабилитационного оборудования, предлагают широкий ассортимент вертикализаторов, предназначенных для детей различного возраста, а также взрослых с различным уровнем двигательной активности, локомоторными нарушениями и т.д.

Таким образом, применение вертикализации позволяет одновременно достичь нескольких целей:

• предотвратить образование сгибательных контрактур в тазобедренных и коленных суставах;

• помочь при профилактике когнитивных нарушений, отсутствии мотивации ребенка к вертикальному положению, спастичности и нарушении мышечного тонуса нижних конечностей, не позволяющих ребенку самостоятельно стоять без совершения патологических движений и принятия патологических поз;

помочь освоить двигательные действия и развить функции верхних конечностей;

восстановить мышечную силу ног, избежать атрофии мышц;

восстановить навыки ходьбы;

плавно адаптировать сердечно-сосудистую систему к физическим

нагрузкам;

предотвратить пролежни, пневмонию, нарушения мочеиспускания, дефекации и другие осложнения, связанные с длительной неподвижностью.

Однако на сегодняшний день нет эффективных алгоритмов, обеспечивающих устойчивое перемещение пациента в экзоскелете в процессе вертикализации, открытыми остаются вопросы математического моделирования поведения пациента в экзоскелете. Не развиты методы измерения характера движения отдельных элементов механической части экзоскелета и силового взаимодействия ступни с опорной поверхностью. Отсутствуют методики проектирования таких сложных систем, а также методики синтеза параметров регулятора системы автоматического управления приводами. Все это сдерживает дальнейшее развитие экзоскелетов - вертикализаторов и внедрение их в медицинскую практику.

1.2 Методы нейросетевого управления, используемые в биотехнических

системах

Одной из областей применения искусственных нейронных сетей (ИНС) являются системы автоматического управления. Разработано уже немало методов управления с применением ИНС. Такие методы называются методами нейроуправления. Сводная таблица методов нейроуправления приведена на рисунке 1.1 .

Рисунок 1.1 - Классификация методов нейроуправления

Кратко рассмотрим наиболее распространенные методы нейросетевого управления.

Подражающее нейроуправление. Основным компонентом подражающего нейроуправления является нейронная сеть (НС), обученная по принципу супервизорного обучения с использованием существующего регулятора (например, ПИД-регулятора). При этом, обучающей выборкой являются примеры динамики эталонного регулятора (или в редких случаях запись поведения человека- оператора). Обучающая выборка составляется из значений входов и выходов регулятора в процессе штатного управления объектом. Схема подражающего нейроуправления представлена на рисунке 1.2: слева схема во время процесса обучения НС, справа - во время работы в качестве регулятора [87, 93, 98].

Рисунок 1.2 - Схема подражающего нейроуправления

НС обучается по одному из методов (по методу обратного распространения ошибки, например), используя полученную выборку. После этого НС полностью воспроизводит динамику регулятора, на основе которого стоилась обучающая выборка, и может быть включена в контур управления вместо прежнего регулятора.

Подражающее нейроуправления - самый простой способ применения нейронных сетей в системах автоматического управления (САУ). Однако этот метод имеет ряд недостатков. Одним из главных недостатков является необходимость наличия регулятора, заранее настроенного для управления имеющимся объектом, для получения обучающей выборки. Полученный таким образом нейросетевой регулятор не сможет обеспечить качество управления лучшее, чем исходный регулятор. В связи с вышесказанным, данный метод нейроуправления используют чаще всего для первичного обучения НС, с целью последующего дообучения по другим методикам.

Инверсное нейроуправление. Существует несколько вариантов рассматриваемого метода управления. Основным является обобщенное (или прямое) инверсное нейроуправоление. Этот метод подразумевает обучение НС на основе данных, полученных с объекта управления (ОУ). В качестве входного сигнала ОУ и выходного значения обучающей выборки для НС используется

некоторый случайный процесс. В качестве входных данных обучающей выборки нейронной сети используют выход ОУ. Для обучения используют метод обратного распространения ошибки [93, 100].

После успешного обучения НС должна воспроизводить значения требуемого управляющего воздействия к в зависимости от желаемого выхода ОУ, т.е. НС должна вырабатывать управляющее воздействие, которое приведет ОУ в состояние, заданное уставкой.

Обученная таким образом НС называется инверсным нейроэмулятором. Схема обобщенного инверсного нейроуправления представлена на рисунке 1.3: слева схема в режиме обучения инверсного нейроэмулятора, справа - в режиме управления объектом. Инверсный нейроэмулятор включается в контур управления объектом в качестве регулятора [87, 93, 98].

Обучение

Управление

г Случайный и

процесс 1 > 1

Объект управления

Инверсный I------|ТРЬ|~^1 нейроэмулятор

I _

_______I

X

Инверсный

~|ТЕ'ЬНнейроэмулятор

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Список литературы диссертационного исследования кандидат наук Аль-Бареда Али Яхья Сенан, 2018 год

Список литературы

1. Акулич, И.Л. Математическое программирование в примерах и задачах: учебное пособие / И.Л. Акулич. - М.: Высшая школа, 1986. - 300 с.

2. Аль-Бареда, А.Я.С. Алгоритм синтеза системы управления методом нейронных сетей / А.Я.С. Аль-Бареда, К.А. Пупков // Инженерный системы -2015: труды VIII международной научно-практической конференции (Москва, 2022 апреля 2015 г.) - М.: РУДН, 2015. - С. 224 - 227.

3. Аль-Бареда, А.Я.С. Алгоритм решения задачи синтеза управления методом искусственных нейронных сетей / А.Я.С. Аль-Бареда, К.А. Пупков // Вестн. РУДН. Серия инженерные исследования. - 2016. - №2. - С.7-15.

4. Аль-Бареда, А.Я.С. Решение задачи синтеза системы управления методом искусственных нейронных сетей / А.Я.С. Аль-Бареда, К.А. Пупков // Фундаментальные исследования. - 2015. - № 11 (часть 5) - С. 853-857.

5. Андронов, А.А. Математические проблемы теории автоколебаний / А.А. Андронов // Первая Всес. конф. по колебаниям. - М.-Л.: ГТТИ, 1933. - С. 32-71.

6. Андронов, А.А. Предельные циклы Пуанкаре и теория автоколебаний / А.А. Андронов // Собрание трудов. - М.: Изд-во АН СССР, 1956. - С.41-65.

7. Анисимов, Я.О. Описание подходов к синтезу управления трехосного индикаторного стабилизатора с использованием аппарата нейронных сетей / Я.О. Анисимов, Д.А. Кацай // В мире научных открытий. Серия Математика. Механика. Информатика. - 2011. - №8.1(20). - С.125-134.

8. Анисимов, Д.Н. Использование нечеткой логики в системах автоматического управления / Д. Н. Анисимов // Приборы и системы. Управление, контроль, диагностика. - 2001. - № 8. - С. 39-42.

9. Арсеньев, Г.Н. Синтез нечетких регуляторов для систем регулирования температуры теплоносителей / Г.Н. Арсеньев, В.Ю. Терещенко //

Информационно-измерительные и управляющие системы. - 2011. - №7 - С. 5965.

10. Афанасьев, В.Н. Робастное управление нелинейной системой, содержащей неопределенные параметры / В.Н. Афанасьев, Е.Р. Бовшук // Вестн. РУДН. Серия инженерные исследования. - 2009. - №4. - С.1-11.

11. Афанасьев, В.Н. Управление неопределенными динамическими объектами / В.Н. Афанасьев. - М.: Физматлит, 2008. - 208 с.

12. Ашманов, С.А. Линейное программирование: учебное пособие / С.А. Ашманов. - М.: Наука, 1981. - 304 с.

13. Бахвалов, Н.С. Численные методы / Н.С. Бахвалов, Н.П. Жидков, Г.М. Кобельков. - М.: Бином, 2001. - 621 с.

14. Беллман, Р. Динамическое программирование / Р. Беллман. - М.: Иностранная литература, 1960. - 400 с.

15. Бланшет, Ж. Саммерфилд М. Разработка графического интерфейса с помощью библиотеки Qt3 / Ж. Бланшет, М. Саммерфилд. - Trolltech, 2003. - 304 с. - URL: http://www.opennet.ru/docs/RUS/qt3_prog (дата обращения 15.02.2017).

16. Бобко, В.Д. Нечеткая реализация скользящих режимов в системе возбуждения синхронного генератора / В.Д. Бобко, Ю.Н. Золотухин, А.А. Нестеров // Проблемы управления и моделирования в сложных системах: труды Международной конференции (15-17 июня 1999, Самара). - Самара: Изд. Самарский научный центр РАН. - 1999. - С. 229-234.

17. Бойко, И. М. Частотные методы анализа и проектирования систем с разрывным управлением и их применения: автореф. дис. ... д-ра техн. наук: 05.13.0: защищена 15.12.09 / Бойко Игорь Михайлович. - Тула, 2009. - 289 с.

18. Буздалов, М.В. Генерация тестов для олимпиадных задач по программированию с использованием генетических алгоритмов /М.В. Буздалов // Научно-технический вестник СПбГУ ИТМО. - 2011. - №2(72). - С. 72-77.

19. Васильев, В.И. Интеллектуальные системы. Теория и практика: учебное пособие / В.И. Васильев, Б.Г. Ильясов. - М.: Радиотехника, 2009. - 392 с.

20. Васильев, Ф.П. Линейное программирование / Ф.П. Васильев, А.Ю. Иваницкий. - М.: Факториал Пресс, 2003. - 352 с.

21. Васильев, В. П. Методы оптимизации. Книга 2 / В. П. Васильев. - М. : МЦНМО, 2011. - 434 с.

22. Володин, А.А. Математическое моделирование биосистемы с использованием аппроксимирующих функций / А.А. Володин, Е.В. Лубенцова // Инфо-коммуникационные технологии в науке, производстве и образовании: Пятая международная научно-техническая конференция. - Кисловодск: СевероКавказский гуманитарно-технический институт, 2012. - С.40-42.

23. Вороновский, Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. - Х.: ОСНОВА, 1997. - 112 с.

24. Габасов, Р. Реализация в реальном времени оптимальных обратных связей по выходу для линейных систем в условиях неопределенности / Р. Габасов, Ф.М. Кирилова, Т.И. Песецкая // Изв. РАН. Теория и системы управления. - 2005.

- № 4. - С. 44-56.

25. Гэри, М. Вычислительные машины и труднорешаемые задачи / М. Гэри, Д. Джонсон. - М.: Мир, 1982. - 416 с.

26. Грибова, В.В. Управление программными средствами в интеллектуальных системах / В.В. Грибова, А.С. Клещев, Е.А. Шалфеева // Изв. РАН ТиСУ. - 2010. - №6. - С.122-137

27. Дивеев, А. И. Численный метод сетевого оператора для синтеза системы управления с неопределенными начальными значениями /А.И. Дивеев // Известия РАН. Теория и системы управления. - 2012. - №2. - С. 63-78.

28. Дивеев, А.И. Структурно-параметрический синтез системы управления методами генетического программирования / А.И. Дивеев, Е.А. Софронова // Интеллектуальные системы: труды седьмого международного симпозиума INTELS'2006 (26-30 июня 2006). - Краснодар: КИИЗ. - М.: RUSAKI.

- 2006. - С. 66-68.

29. Дивеев, А.И. Вариационный генетический алгоритм для решения задачи оптимального управления / А.И. Дивеев, Е.Ю. Шмалько // Современные проблемы науки и образования. - 2014. - № 1. - Электронный научный журнал «Современные проблемы науки и образования». - URL: http://www.science-education.ru/115-11474 (дата обращения 04.03.2017).

30. Дьяконов, В.П. MATLAB и SIMULINK для радиоинженеров / В.П. Дьяконов. - М.: ДМК Пресс, 2016. - 976 с.

31. Евстигнеев, Д.В. Интеллектуальный мобильный робот [Электронный ресурс] / - Евстигнеев Д.В. - Режим доступа: www/ URL: http://robot-rad.narod.ru/index.html/ - 15.02.2008г. - Загл. с экрана..

32. Егупов, Н.Д. Методы классической и современной теории автоматического управления: учебник в 3-х т. / Н.Д. Егупов. - Т.2: Синтез регуляторов и теория оптимизации систем автоматического управления. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2000. - 746 с.

33. Иванова, Г.С. Технология программирования: учебник / Г. С. Иванова. - М.: КноРус, 2011. - 333 с.

34. Казарян, Д.Э. Алгоритм роя частиц для решения задачи оптимального управления / Д.Э. Кахарян // Инженерные системы - 2014: труды VII всероссийской научно-практической конференции (16 - 18 апреля 2014 г.). -М.:РУДН. - 2014. - С. 14-17.

35. Казарян, Д.Э. Комбинированный метод грамматической эволюции и роя частиц для синтеза системы управления / Д.Э. Казарян // Интеллектуальные системы: труды XI международного симпозиума INTELS'2014 (30 июня - 4 июля 2014 г.). - М.: РУДН. - 2014. - С. 158-162.

36. Казарян, Д.Э. Программный комплекс на основе численных методов поиска символьных выражений для решения задач многокритериального синтеза систем управления / Д.Э. Казарян // Инженерные системы — 2013: труды международной научно-практической конференции (24-26 апреля 2013 г.). - М.: РУДН. - 2013. - С.186-191.

37. Казарян, Д.Э. Метод роя частиц для поиска оптимального управления / Д.Э. Казарян, Д.Б. Хамадияров, А.Д. Кочкин // Интеллектуальные системы: Труды XI международного симпозиума INTELS'2014 (30 июня - 4 июля 2014 г.). — М.: РУДН. - 2014. - С. 162-165.

38. Калман, Р. Очерки по математической теории систем / Р. Калман, М. Арбиб, П. Фалб. - М.: Мир, 1971. - 400с.

39. Каяшева, Г.А. Дискретно-логические регуляторы с минимизацией продолжительности отработки системы продукционных правил и повышенной точностью (на примере систем автоматического управления технологическими процессами в химической промышленности): автореф. дис. ... канд. техн. наук: 05.13.06: защищена: 20.02.09 / Каяшева Галина Александровна. - Уфа, 2008. - 19 с.

40. Коза, Дж.Р. Генетическое программирование III: дарвинистское решение изобретения и проблемы / Дж. Р. Коза, Ф.Х. Беннетт, Д. Андрэ, М.А. Кин. - Морган Кофман, 1999.

41. Коза, Дж.Р. Генетическое программирование IV: обычная Человечески-конкурентоспособная машинная разведка / Дж. Р. Коза, М.А. Кин, М.Дж. Стритер, В. Мидлауэк, J. Ю, G. Lanza. - Спрингер, 2003.

42. Коломейцева, М.Б. Применение нейронных сетей в системе управления динамическими объектами / М.Б. Коломейцева, Д.Л. Хо // Математические методы в технике и технологиях: сборник трудов 13 Международной конференции. - СПб. - 2000. - С.155-158.

43. Коновалов, Б. И. Теория автоматического управления: учебное пособие / Б. И. Коновалов, Ю. М. Лебедев. - Изд. 3-е, доп. и перераб. - СПб.: Лань, 2010. - 224 с.

44. Копылов, В.И. Лекции и практические занятия по математическому программированию: учебное пособие / В.И. Копылов. - Чебоксары: Чувашский государственный педагогический университет имени И.Я. Яковлева, 2005. - 107 с.

45. Корпоративные информационные системы управления: учебник / под ред.: Н. М. Абдикеева, О. В. Китовой. - М.: Инфра-М, 2010. - 464 с.

46. Котов, С.В. Реабилитация больных, перенесших инсульт, с помощью биоинженерного комплекса «интерфейс мозг—компьютер + экзоскелет»/ С.В. Котов, Л.Г. Турбина, П.Д. Бобров и др. // Журнал неврологии и психиатрии, 2014. - Спецвыпуск 144(12). - С.66-71.

47. Кочетков, В. П. Основы теории управления: учебное пособие / В. П. Кочетков. - Ростов-на-Дону: Феникс, 2011. - 411 с.

48. Красовский, A.A. Системы автоматического управления полетом и их аналитическое конструирование / А.А. Красовский. - М.: Наука, 1973. - 560 с.

49. Красовский, Н.Н. Теория управления движением / Н.Н. Красовский. -М.: Наука, Главная редакция физико-математической литературы, 1968. - 476 с.

50. Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая Линия - Телеком, 2002. - 382 с.

51. Кузнецов, Ю.Н. Математическое программирование / Ю.Н. Кузнецов,

B.И. Кузубов, А.Б. Волощенко. - М.: Высшая школа, 1980. - 302 с.

52. Лесин, В. В. Основы методов оптимизации: учебное пособие / В. В. Лесин. - 3-е изд. испр. - СПб.: Лань, 2011. - 352 с.

53. Летов, A.M. Математическая теория процессов управления / А.М. Летов. - М.: Наука, 1981. - 256 с.

54. Лысов, А.Н. Теория гироскопических стабилизаторов. Учебное пособие / Лысова А.А., Лысов А.Н. - Челябинск: Издательский центр ЮУрГУ, 2009. - 117 с.

55. Ляшенко, С.А. Оптимизация управления сложными технологическими процессами в сахарном производстве на основе применения нейросетевых регуляторов / С.А. Ляшенко // Вестник ХНТУ. - 2011. - № 2(41). -

C. 39-46.

56. Макаров, Г.Н. Нейроуправление двумерного динамического объекта / Г.Н. Макаров // Нейрокомпьютеры»: разработка, применение. - 2009. - №10. - С. 52-56.

Ан.В. Яковлев. - Электрон. текстовые данные. - М.: Горячая линия - Телеком, 2011. - 332 с. - ЭБС «IPRbooks». URL: http://www.iprbookshop.ru/12009. - (дата обращения 22.05.2017).

58. Масютина, Г.В. Синтез и анализ каскадной системы управления с нечетким модифицированным регулятором / Г.В. Масютина, В.Ф. Лубенцов // Вестник СевКавГТУ. Технические науки. - Ставрополь: Изд-во СевКавГТУ. -2010. - № 4. - С. 97-103.

59. Медведев, М. Ю. Управление нелинейными многосвязными объектами в условиях неопределенности: автореф. дис. ... д-ра техн. наук: 05.13.01 / Медведев Михаил Юрьевич. - Таганрог, 2010. - 379 с.

60. Медведев, М.Ю. Аналитический синтез управлений нелинейными многосвязными объектами в условиях неопределенности / М.Ю. Медведев. -Таганрог: Изд-во ТТИ ЮФУ, 2010. - 402 с.

61. Мендель, А.В. Модели принятия решений / А. В. Мендель. - М.: Юнити-Дана, 2010. - 464 с.

62. Пупков, К.А. Методы робастного, нейро-нечёткого и адаптивного управления: учебник / К.А. Пупков; под ред. Н.Д. Егупова. - 2-е изд. - М.: Изд-во МГТУ им. Баумана, 2002. - 744 с.

63. Миллер, Г.Б. Оптимизация управления в линейных стохастических дифференциальных системах с неопределенными параметрами возмущений / Г.Б. Миллер, А.Р. Панков // Информационные процессы. - 2006. - Т. 6, № 2. - C. 131143.

64. Мирошник, И.В. Теория автоматического управления. Нелинейные и оптимальные системы / И.В.Мирошник. - СПб.: Питер, 2006. - 272 с.

65. Михайленко, В.С. Нечеткие контролеры в системах автоматизированного управления / В.С. Михайленко // Холодильная техника и технология. - 2004. - № 3 (98). - С. 79-82.

66. Михайлюк, П.П. Программный комплекс синтеза нейронечетких моделей технологических процессов / П.П. Михайлюк // Системы управления и информационные технологии. - 2007. - №1.3(27). - С. 365-370.

67. Михасев, А.Ю. Исследование влияния вида базы правил нечеткого регулятора на вид переходного процесса / А.Ю. Михасев, И.М. Кольцов // Научная сессия МИФИ-2005. Автоматика. - 2005. - Т. 5.- С.32-33.

68. Моисеев, Н. Н. Асимптотические методы нелинейной механики: учеб. пособие для ун-тов / Н. Н. Моисеев. - 2-е изд., перераб. - М.: Наука, 1981. - 400 с.

69. Нейдорф, Р.А. Модели квазиоптимальных законов управления на основе нелинейных функций самоорганизации / Р.А. Нейдорф. // Математические методы в технике и технологиях ММТТ-14: Сб.тр. СФ МЭИ. Международная научная конференция. - Смоленск, 2001. - Т.2. - С. 36-39.

70. Нейдорф, Р.А. Нелинейная организация асимптотически устойчивых квазиоптимальных по быстродействию движений / Р.А. Нейдорф // Управление и информационные технологии: докл. Всерос. науч. конф. (3-4 апр. 2003 г.). - СПб, 2003. - Т.1. - С.189-194.

71. Нейдорф, Р.А. Нелинейное ускорение динамических процессов управления объектами первого порядка с учетом ограниченности воздействий / Р.А. Нейдорф // Вестник ДГТУ. Управление и диагностика в динамических системах. - Ростов-на-Дону: Издательский центр ДГТУ, 1999. - С. 13-21.

72. Нейдорф, Р.А. Эффективная аппроксимация кусочных функций в задачах квазиоптимального по быстродействию управления / Р.А. Нейдорф // Математические методы в технике и технологиях ММТТ-2000. Сб. трудов междунар. науч. конф.. - СПб.: Изд-во СПбГТУ, 2000. - Т. 2. - С.18-22.

73. Нелепин, Р.А. Точные методы исследования нелинейных систем автоматического управления/ Р.А. Нелепин. - М.: Букинст, 1971. - 324 с.

74. Николаев, А.Б. Инструментальные средства разработки нейросетевых приложений / А.Б. Николаев. - URL: http : //www.madi.ru/study/kafedra/asu/metod/nero/5_2. shtml (дата обращения 16.04.2017).

75. Орлов, С. А. Технологии разработки программного обеспечения, учебник для вузов / С. А. Орлов, Б.Я. Цилькер. - 4-е изд. - СПб.: Питер, 2012. -608 с.

76. Осипов, Г.С. Методы искусственного интеллекта / Г.С. Осипов. - М.: Физматлит, 2011. - 297 с.

77. Панченко, Т.В. Генетические алгоритмы: учебно-методическое пособие / Т.В. Панченко; под ред. Ю.Ю. Тарасевича. - Астранхань: Издательский дом «Астраханский университет», 2007. - 87 с.

78. Понтрягин, Л.С. Математическая теория оптимальных процессов / Л.С. Понтрягин, В.Г. Болтянский, Р.В. Гамкрелидзе, Е.Ф. Мищенко. - 4-е изд. -М.: Наука, 1983. - 393 с.

79. Райан Парке Годфри. Алгоритмы и анализ максимального вектора / Райан Парке Годфри, Шипли, Gryz, Джарек // Сверхбольшой базы данных журнал 16. - 2006. - С. 5-28.

80. Растригин, Л.А. Современные принципы управления сложными объектами / Л.А. Растригин. - М.: Сов. радио, 1980. - 232 с.

81. Редько, В.Г. Эволюция, нейронные сети, интеллект: модели и концепции эволюционной кибернетики / В.Г. Редько. - М.: ЛИБРОКОМ, 2011. -224 с.

82. Роман, М.Р. Выбор оптимальных алгоритмов систем регулирования в условиях нечеткой информации: автореф. дис. ... канд. техн. наук: 05.13.06: защищена 18.12.08 / Роман Магди Рауф Марзук. - М., 2008. - 130 с.

83. Рудакова, Т.А. Робастная стабилизация динамических систем с использованием нейросетевых моделей и модулярных регуляторов: дис. ... канд. техн. наук: 05.13.01: защищена 30.04.09 / Рудакова Татьяна Анатольевна. -Ставрополь, СевКавГТУ, 2009. - 225 с.

84. Рудинский, И.Д. Технология проектирования автоматизированных систем обработки информации и управления: учебное пособие/ Рудинский И.Д. -Электрон. текстовые данные. - М.: Горячая линия - Телеком, 2011. - 304с. - ЭБС «IPRbooks». URL: http://www.iprbookshop.ru/12057 (дата обращения 20.03.2017).

85. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский; пер. с польск. Рудинский И.Д. - М.: Горячая линия - Телеком, 2006. - 452 с.

86. Сигал, И.Х. Введение в прикладное дискретное программирование: модели и вычислительные алгоритмы: учебное пособие / И.Х. Сигал, А.П. Иванова. - М.: Физматлит, 2002. - 240 с.

87. Сигеру, Омату. Нейроуправление и его приложение. Кн. 2 / Омату Сигеру, Халид Марзуки, Юсоф Рубия; пер. с англ. Н.В. Батина; под общ. ред. А. И Галушкина, В.А. Птичника. - М.: ИМПЖ, 2000. - 272 с.

88. Советов, Б. Я. Базы данных: теория и практика: учебник для бакалавров / Б. Я. Советов, В.В. Цехановский. - 2-е изд. - М.: Издательство Юрайт, 2012. - 463 с.

89. Схиртладзе, А.Г. Технологические процессы автоматизированного производства: учебник: для студентов высших учебных заведений, обучающихся по направлению подготовки «Автоматизация технологических процессов и производств» / А. Г. Схиртладзе, А.В. Скворцов. - М.: Академия, 2011. - 398 с.

90. Тарков, М.С. Нейрокомпьютерные системы / М.С. Тарков // НОУ ИНТУИТ. - Бином. Лаборатория знаний, Интернет-университет информационных технологий, 2006. - 142 с. - URL: http://www.intuit.ru/department/expert/neuro (дата обращения 27.05.2017).

91. Тархов, Д.А. Нейросетевые модели и алгоритмы. Справочник / Д.А. Тархов. - М.: Радиотехника, 2014. - 352 с.

92. Теплова, Я.О. Введение в методы и алгоритмы принятия решений: учебное пособие / Я. О. Теплова, В.Г. Дорогов. - М.: ИД Форум: ИНФРА-М, 2012. - 240с.

93. Терехов, В.А. Нейросетевые системы управления: учеб. пособие для вузов / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин. - М.: Высш. шк., 2002. - 183 с.

94. Торгашов, А.Ю. Робастная устойчивость системы с регулятором на основе непараметрической прогнозирующей модели / А.Ю. Торгашов // Изв. РАН. Теория и системы управления. - 2008. - № 2. - С. 43-49.

95. Турлапов, Р.Н. Модели и алгоритмы управления движением экзоскелета для вертикализации и расширения функциональных возможностей

человека: дис. ... канд. тех. наук: 05.11.17: защищена 29.03.2016 / Р.Н. Турлапов. -Курск: ЮЗГУ, 2015. - 166 с.

96. Угреватов, А.Ю. Приёмы управления сложными динамическими объектами с применением методов нечёткой логики / А.Ю. Угреватов // Проблемы автоматизации и управления в технических системах: сборник статей Международной научно-технической конференции. - Пенза: ИИЦ ПГУ, 2008. - С. 105-109.

97. Угреватов, А.Ю. Применение регуляторов на нечёткой логике / А.Ю. Угреватов // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2007. - № 3. - С. 9-15.

98. Усков, А.А. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика / А.А. Усков, А.В. Кузьмин. -М.: Горячая Линия - Телеком, 2004. - 143 с.

99. Фролов, С.В. Реализация нечеткого импульсного регулятора / С.В. Фролов, И.А. Елизаров, С.А. Лоскутов // Промышленные АСУ и контроллеры. -2006. - № 1. - С. 23-25.

100. Хайкин, С. Нейронные сети: полный курс / С. Хайкин; пер. с англ. - 2-е изд., испр. - М.: ООО «И.Д. Вильямс», 2006. - 1104 с.

101. Шамис, А.Л. Пути моделирования мышления: активные синергетические нейронные сети, мышление и творчество, формальные модели поведения и «распознавание с пониманием» / А.Л. Шамис. - М.: КомКнига, 2006. - 336 с.

102. Штовба, С.Д. Проектирование нечетких систем средствами МАТЬАВ / С.Д. Штовба. - М.: Горячая линия - Телеком, 2007. - 288 с.

103. Эшби, У.Р. Введение в кибернетику [пер. с англ.] / У.Р. Эшби; под ред. В.А. Успенского. - М.: УРСС: ЛЕНАНД, 2015. - 432 с.

104. Юревич, Е.И. Теория автоматического управления: учебник / Е.И. Юревич. - 3-е изд. - СПб.: БХВ-Петербург, 2007. - 560 с.

105. Яхъяева, Г.Э. Основы теории нейронных сетей / Г.Э. Яхъева // НОУ ИНТУИТ. - 2-е изд. - М.: Интуит, 2016. - 200 с. - URL: http://www.intuit.ru/department/ds/neuronnets (дата обращения 31.05.2017).

106. Яцун, А.С. Адаптивная система управления экзоскелета, осуществляющая вертикализацию человека / А.С. Яцун, С.И. Савин, Р.Н. Турлапов // Известия Юго-Западного государственного университета. - 2015. -№3. - С.26-32.

107. Яцун, С.Ф. Оптимизация времени вертикализации экзоскелета по критерию энергоэффективности / С.Ф. Яцун, С.И. Савин, А.С. Яцун и др. // Вибрационные технологии, мехатроника и управляемые машины: сб. науч. ст.: в 2 ч. - Ч. 2. - Курск: Юго-Зап. гос. ун-т, 2016. - С.151-162.

108. Parke, G. Algorithms and Analyses for Maximal Vector Computation / Godfrey Parke, Shipley Ryan; Gryz Jarek // VLDB Journal 16. - 2006. - Рр. 5-28.

109. Ivanov, A.A. DNA specific fluorescent symmetric dimeric bisbenzimidazoles DBP(n): The synthesis, spectral properties, and biological activity / А.А. Ivanov, V.S. Koval, O.Y. Susova, V.I. Salyanov, V.A. Oleinikov, A.A. Stomakhin, N.A. Shalginskikh, M.A. Kvasha, O.V. Kirsanova, E.S. Gromova, A.L. Zhuze. - Bioorg. Med. Chem. Lett.. - 2015. - No. 25. - Pp. 2634-2638.

110. O'Neill, M. Grammatical Evolution / M. O'Neill, C. Ryan // Journal IEEE Transactions on Evolutionary Computation. - 2001. - v.5, i. 4. - Pp. 349-358.

111. Oleinikov, V.A. Nanoprobes on the basis of fluorescent semiconductor nanocrystals for bioassays and biosensin / V.A. Oleinikov, A. Sukhanova, A.N. Generalova, S.V. Sizova, K.E. Mochalov, A.A. Chistyakov, M.V. Artemyev, I. Nabiev // FEBS Journal. - 2013. - v.280, Special Issue: SI Supplement: 1. - Pp. 275-275

112. Paolucci, S. Quantification of the probability of reaching mobility independence at discharge from a rehabilitation hospital in nonwalking early ischemic stroke patients: a multivariate study / S. Paolucci, M. Bragoni, P. Coiro et al // Cerebrovascular Diseases. - 2008. - v. 26, i. 1. - Pp. 16-22.

113. Sukhanova, T. Dihydroquercetin-modified polyethylenimine as material for tissue engineering / T. Sukhanova, V. Manokhina, A. Prokhorov, V. Oleinikov // Proc.

22nd IUBMB Congress. 37th FERS Congress. FEBS Journ. - 2012. - v.279, SI, Suppl. 1. - Pp.337

114. Zelinka, I. Analytic programming by Means of Soma Algorithm in Proceedings of the 8th International Conference on Soft Computing (MENDEL-02) / I. Zelinka. - Brno, Czech Republic: VUT v Brno. - 2002. - Pp 93-101.

115. Zelinka, I. Analytic programming - Comparative Study / I. Zelinka, Z. Oplatkova // CIRAS'03, The second International Conference on Computational Intelligence, Robotics, and Autonomous Systems, Singapore. - 2003. - 560 p.

116. Zelinka, I. Analytic Programming — Symbolic Regression by Means of Arbitrary Evolutionary Algorithms / I. Zelinka, L. Nolle, Z. Oplatkova // Journal of Simulation. - 2002. - v.6, i.9. - Pp. 44-56.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.