Нейросетевые информационные системы для автоматизации технологических процессов тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Медянцев, Денис Викторович

• Медянцев, Денис Викторович
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Медянцев, Денис Викторович

Введение.

Глава 1. Автоматизация сложных ТП и выбор методов их моделирования.

1.1. Автоматизированные системы управления.

1.2. Сложная система как объект управления.

1.3. Технологический процесс как сложный объект управления.

1.3.1. Технологический процесс производства этилена.

1.3.2. Планирование режимов потребления электроэнергии.

1.3.3. Система теплопотребления учебного корпуса.

1.4. Моделирование. Основные понятия, классификация.

1.5. Сложная система как объект моделирования.

1.6. Методы моделирования сложных систем.

1.7. ИНС - инструмент моделирования сложных систем.

1.8. Выводы.

Глава 2. Методика нейросетевого моделирования ТП.

2.1. Генетический алгоритм.

2.2. Подготовка данных.

2.2.1. Очистка.

2.2.2. Трансформация.

2.2.3. Понижение размерности.

2.3. Синтез модели.

2.3.1. Многослойный персептрон.

2.3.2. Гибридная сеть встречного распространения.

2.4. Верификация модели.

2.5. Нейросетевое моделирование сложных систем.

2.6. Выводы.

Глава 3. Результаты автоматизации конкретных сложных ТП.

3.1. Контроль технологического процесса производства этилена.

3.1.1. Объект исследования.

3.1.2. Автоматизация хроматографического контроля параметров ТП.

3.1.3. Синтез нейросетевой модели ТП.

3.1.4. АИС "Хроматографического контроля ацетилена".

3.2. Прогнозирование потребления электроэнергии.

3.2.1. Объект исследования.

3.2.2. Синтез нейросетевой модели энергопотребления.

3.2.3. АИС "Прогноз энергопотребления Томской области".

3.3. Оптимизация теплопотребления учебного корпуса.

3.3.1. Объект исследования.

3.3.2. Синтез нейросетевой модели теплопотребления.

3.3.3. Автоматизированная система оптимизации теплопотребления.

3.4. Выводы.

Введение диссертации (часть автореферата) на тему «Нейросетевые информационные системы для автоматизации технологических процессов»

Процесс роста эффективности и производительности труда выражается в развитии средств и методов его организации. Автоматизация - очередная ступень развития производительных сил - подразумевает сведение к минимуму непосредственного участия человека в процессах получения, преобразования, передачи и использования материалов, энергии, информации в пользу технических средств, математических методов и систем управления. Полностью исключить человека из производственного процесса возможно только для производств, весь цикл которых можно описать точно заданной последовательностью однозначно понимаемых операций. Далеко не все процессы поддаются формализации, что приводит к необходимости привлечения человека, его способности ориентироваться в незнакомых условиях и находить решение слабо формализуемых задач. В результате автоматизированные системы строятся по принципу разделения: формализованные операции выполняют автоматы, неформализованные - человек.

Наиболее остро стоит проблема автоматизации сложных процессов, которые, как правило, не имеют адекватного математического описания, зашумлены и нестационарны, что делает применение традиционных подходов малоэффективным. Система определяется как сложная, если для построения ее модели недостаточно информации. Использование для целей автоматизации и специфика сложных систем определяет тип модели "черный ящик". Назначение модели -эмуляция поведения реального сложного процесса, прогноз изменения его состояния. При этом нет необходимости в подобии внутренней структуры, достаточно моделировать внешнее функционирование, которое в рамках модели "черного ящика" описывается чисто информационно, на основе данных экспериментов или наблюдений за реальной системой. Подобный подход расширяет сферу применяемых методов моделирования, снимая необходимость "объяснения" выдаваемых моделью результатов. Однако отсутствие информации о виде моделируемой зависимости, необходимость адаптации, связанная с нестационарностью, ограничивает применение традиционных методов. На первый план выходят основанные на природных механизмах и свойственных человеку приемах мышления, нетрадиционные методы моделирования: эволюционные алгоритмы, искусственные нейронные сети, самоорганизующиеся и основанные на нечеткой логике системы.

Вопросы, связанные с теоретическими и практическими аспектами применения перечисленных подходов представлены в многочисленных работах отечественных и зарубежных исследователей: А.И. Галушкина, А.Н. Горбаня, В.А. Терехова, С.А. Шумского, В.В. Круглова, А.Г. Ивахненко, Т. Кохонена, Сигеру Омату и др. Универсальность методов определяет широту их применения, в том числе в сфере автоматизации технологических процессов. Вместе с тем, моделированию сложных систем не уделено должного внимания, в публикациях отсутствуют как попытки систематизации известных подходов, так и описания конкретных методик моделирования. Исследования в данной области представляют теоретический и, несомненно, практический интерес.

Принято считать, что сложными являются, прежде всего, социальные, экономические и биологические системы. Между тем, многие технические системы по ряду признаков могут быть отнесены к сложным. Реальные технологические процессы (ТП) в большинстве своем нестационарны, многомерны, со сложными внутренними связями, априорная информация о форме и силе зависимости между переменными минимальна, что значительно усложняет получение адекватного математического описания.

Отсутствие эффективных проверенных на практике методов, алгоритмов автоматизации и моделирования сложных технологических процессов, соответствующих инструментальных средств определяют актуальность работы.

Цель работы заключается в разработке с использованием искусственных нейронных сетей методического, алгоритмического и программного обеспечения для автоматизации сложных технологических процессов.

Для достижения поставленной цели необходимо решить следующие основные задачи:

1. Исследовать вопросы автоматизации сложных технологических процессов, выделить проблемы. Определить специфику и требования к моделированию сложных ТП для решения задач автоматизации. Провести анализ существующих методов моделирования, исследовать их возможности при построении моделей сложных систем. Выявить перспективы, определить адекватный поставленной цели и сформулированным требованиям метод моделирования.

2. Разработать методику, определить этапы синтеза модели сложной системы в рамках выбранного метода моделирования. Рассмотреть известные алгоритмы обработки и анализа данных, синтеза и последующей верификации модели. Предложить эффективные алгоритмы решения задач отдельных этапов разработанной методики.

3. Провести апробацию методики и алгоритмов в ходе решения практически важных задач моделирования сложных систем при автоматизации конкретных технологических процессов. Оценить эффективность, границы применения методики и алгоритмов, возможность разработки универсального программного инструментария для автоматизации и моделирования сложных технологических процессов.

Методы исследования. В работе использовались методы системного анализа, математической статистики, теории искусственных нейронных сетей, эволюционные алгоритмы, математическое и имитационное моделирование, вычислительные эксперименты. Исследование предложенных в работе алгоритмов обработки данных проводилось с использованием пакетов MatLab, Statistica и разработанного программного обеспечения.

Научная новизна. Научную новизну работы определяют:

1. Методика нейросетевого моделирования сложных технологических процессов и алгоритмы решения задач отдельных этапов, в том числе:

- метод редукции пространства признаков и оценки качества используемой при синтезе модели эмпирической выборки, учитывающий влияние признаков на отклик и инвариантный к специфике зависимости - модифицированный "box-counting" алгоритм с оптимизационной процедурой на основе генетического алгоритма;

- эволюционный алгоритм параметрической идентификации нейросетевой модели с адаптацией функций активации нейронов скрытого слоя;

- универсальная гибридная нейросетевая архитектура на основе сети встречного распространения для оценки некорректности задачи моделирования и уточнения решения при разбиении исходной задачи на основе информации заложенной в используемых при моделировании данных.

2. Модель технологического процесса производства этилена на нефтехимическом предприятии. Алгоритмы автоматизации обработки хроматографиче-ской информации: фильтрация, выделение и разделение пиков.

3. Модель прогнозирования потребления электроэнергии региона на основе ретроспективных данных с учетом циклических и функциональных закономерностей для эффективного планирования режимов энергопотребления.

4. Модель теплопотребления учебного корпуса для автоматизации контроля и управления температурой внутри помещения при изменении температуры окружающей среды и графика подачи тепла из центрального теплового пункта.

Практическая ценность работы заключается в следующем:

1. Реализованы в виде программных модулей алгоритмы обработки и анализа эмпирических данных, синтеза нейросетевых моделей.

2. Разработана и используется на производстве ЭП - 300 ООО "Томскнеф-техим" автоматизированная информационная система хроматографического контроля ацетилена (АИС ХКА), договор № Д54-646.01 от 31.10.01. Лежащие в основе АИС ХКА алгоритмы обработки хроматографической информации и нейросетевая модель технологического процесса позволили повысить точность и снизить время анализа основных параметров ТП, оперативно контролировать и прогнозировать концентрацию ацетилена на выходе ТП.

3. Синтезированная нейросетевая модель потребления электроэнергии региона является основой автоматизированной информационной системы "Прогноз энергопотребления Томской области". АИС прошла успешную апробацию в ходе решения практических задач краткосрочного прогнозирования энергопотребления на АО "Томскэнерго".

4. Разработана и частично внедрена автоматизированная система оптимизации теплопотребления (АСОТ) учебного корпуса Томского государственного университета систем управления и радиоэлектроники, договор № 20-ВУЗ/02.

5. Основные результаты, полученные в ходе работы над диссертацией, используются в учебном процессе Томского государственного университета систем управления и радиоэлектроники при изучении студентами специальности 23.01.02 "Автоматизированные системы обработки информации и управления" дисциплины "Организация ЭВМ и систем" и студентами специальности 23.01.05 "Программное обеспечение вычислительной техники и автоматизированных систем" дисциплины "Нейрокомпьютерные системы".

Основные положения, выносимые на защиту.

1. Предлагаемая методика нейросетевого моделирования, обобщая известные подходы с учетом специфики сложных систем и парадигмы нейронных сетей, позволяет синтезировать адекватные модели сложных технологических процессов, эффективно решая задачи автоматизации.

2. Разработанный алгоритм селекции информативных признаков, совмещая простоту и инвариантность к виду зависимости алгоритма "box-counting" с эффективностью поисковой процедуры выбора оптимального набора признаков на основе генетического алгоритма, позволяет эффективно решать задачу редукции пространства признаков и оценки качества используемой при моделировании эмпирической выборки.

3. Предлагаемая гибридная нейросетевая архитектура на основе сети встречного распространения для моделирования поведения сложных технологических процессов эффективно решает задачу выделения областей некорректности и позволяет повысить точность локального решения при разбиении исходной задачи на основе информации, заложенной в используемых при моделировании данных.

Апробация работы. Результаты работы докладывались и обсуждались на конференциях и семинарах различного уровня:

- V Всероссийская научно-техническая конференция "Нейроинформатика - 2003", 29-31 января 2003 г., Москва.

- Региональная научно-техническая конференция "Научная сессия ТУСУР", 13-15 мая 2003 г. и 18-20 мая 2004 г., Томск.

- XLII Международная научная студенческая конференция "Студент и научно-технический прогресс", 13-15 апреля 2004 г., Новосибирск.

- XI Всероссийская межвузовская научно-техническая конференция студентов и аспирантов "Микроэлектроника и информатика - 2004", 21-22 апреля 2004 г., Москва.

- XII Всероссийский семинар "Нейроинформатика и ее приложения", 1-3 октября 2004 г., Красноярск.

Публикации. По теме диссертации опубликовано 10 печатных работ, в том числе 3 работы опубликованы в журналах, рекомендованных ВАК.

Структура работы. Диссертационная работа включает в себя введение, три главы, заключение, библиографический список из 84 наименований и 2 приложения. Основная часть работы изложена на 160 страницах машинописного текста, содержит 50 рисунков, 2 таблицы. В диссертации принята двойная нумерация формул, рисунков и таблиц: первая цифра указывает номер главы, вторая - порядковый номер внутри данной главы.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Медянцев, Денис Викторович

3.4. Выводы

Результаты применения предложенной в предыдущей главе методики ней-росетевого моделирования при решении ряда практических задач наглядно доказывают ее работоспособность и эффективность.

1. Синтезированная модель технологического процесса получения этилена на нефтехимическом предприятии с контуром оптимизации на основе генетического алгоритма используется для определения оптимальных параметров процесса, повышения качества конечного продукта, снижения выхода побочных продуктов.

2. Нейросетевая прогностическая модель энергопотребления региона с использованием ретроспективных данных используется для осуществления краткосрочного прогноза при решении задачи планирования режимов энергопотребления. Показанная при тестировании точность прогноза выше аналога, использующего статистические методы и эвристики.

3. Синтезированная с использованием методики прогностическая модель влияния уличной температуры и температуры воды в подающем трубопроводе системы теплоснабжения учебного корпуса на температуру внутри здания позволяет проводить исследования различных законов управления процессом те-плопотребления, определить оптимальный.

Заключение

Относительно новые быстроразвивающиеся технологии моделирования, прежде всего, искусственные нейронные сети и эволюционные алгоритмы, являются перспективным направлением в области автоматизации сложных технических систем. Разработка методики нейросетевого моделирования, эффективных алгоритмов обработки данных, синтеза и адаптации моделей сложных технологических процессов вызывают несомненный теоретический и практический интерес и определяют актуальность данной работы.

Отметим наиболее важные результаты, полученные в диссертационной работе, определяющие ее новизну.

1. Многие современные объекты автоматизации могут быть отнесены к сложным системам по причине отсутствия адекватного математического описания, минимальной доступной информации о поведении объекта, многомерности, зашумленности и нестационарности. Проблема автоматизации сложной системы сводится к необходимости синтеза ее адекватной модели. Требуется, основываясь на доступной эмпирической информации построить адаптивную функциональную модель системы.

2. Отсутствие априорной информации о виде моделируемой зависимости и необходимость адаптации ограничивают применение традиционных эмпирико-статистических подходов. На первый план выходят модели, в основе которых методы искусственного интеллекта. Моделирование сложных нелинейных отображений, возможность обучения и заложенная в самой архитектуре адаптивность определяет использование искусственных нейронных сетей как основного инструмента моделирования сложных систем.

3. Решение практически важных задач автоматизации реальных технологических процессов требует соответствующей методики моделирования. Была разработана методика нейросетевого моделирования сложных ТП и оригинальные эффективные алгоритмы решения задач отдельных этапов, в том числе:

- инвариантный к специфике зависимости метод редукции пространства признаков и оценки качества используемой при синтезе модели выборки;

- эволюционный алгоритм параметрической идентификации нейросетевой модели с адаптацией функций активации нейронов скрытого слоя;

- гибридная нейросетевая архитектура, разбивающая решение задачи на подзадачи по кластерам, основываясь на неоднородности данных, и позволяющая оценивать некорректность и уточнять решение внутри кластера.

4. Результаты применения предложенной методики нейросетевого моделирования при решении ряда практических задач наглядно доказывают ее работоспособность и эффективность:

- синтезированная модель технологического процесса получения этилена на нефтехимическом предприятии с контуром оптимизации на основе генетического алгоритма используется для определения оптимальных параметров процесса, повышения качества конечного продукта;

- нейросетевая прогностическая модель потребления электроэнергии региона с использованием ретроспективных данных используется для осуществления краткосрочного прогноза при решении задачи планирования режимов энергопотребления;

- синтезированная прогностическая модель теплопотребления учебного корпуса позволяет проводить исследования различных законов управления процессом теплопотребления.

Проведенное исследование показало возможность адекватного моделирования сложных объектов автоматизации с использованием методов искусственного интеллекта и одновременно вскрыло новые, требующие решения проблемы, определило направления дальнейших исследований:

- эффективные алгоритмы нейроэволюции;

- исследование предложенной в работе самоорганизующейся гибридной нейросетевой архитектуры;

- разработка универсального инструмента моделирования, объединяющего эффективные статистические алгоритмы и модели искусственного интеллекта.

Список литературы диссертационного исследования кандидат технических наук Медянцев, Денис Викторович, 2007 год

1. Аналитическая платформа Deductor 4: Руководство пользователя / Base Group Labs, 2005. - 101 с. (http://www.basegroup.ru)

2. Батищев Д.И., Исаев С.А. Оптимизация многоэкстремальных функций с помощью генетических алгоритмов. Воронеж: ВГТУ, 1997.

3. Борисов В.В., Федулов А.С. Нечеткие оценочные модели сложных систем с учетом согласования неравнозначных целей // Нейрокомпьютеры: разработка и применение. 2003. № 5. - С. 3-12.

4. Брусин В.А. Об управлении динамическими системами в условиях неопределенности // Соровский образовательный журнал. 1996. № 6 - С. 115-121.

5. Бураков М. В. Синтез нейронного регулятора // Известия Академии Наук. Теория и системы управления. 1999. № 3.

6. Васильев В.И., Пантелеев С.В. Нейроуправление новый раздел теории управления сложными системами // Нейрокомпьютеры: разработка, применение. - 2005. № 5. - С. 33-45.

7. Ватульян А.О. Математические модели и обратные задачи // Соросовский Образовательный Журнал. 1998. № 11. - С. 143-148.

8. Вороновский Г.К. и др. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский, К.В. Махо-тило, С.Н. Петрашев, С.А. Сергеев. X.: ОСНОВА, 1997. - 112 с.

9. П.Гаврилов А.И. Нейросетевая реализация процедуры идентификации динамических систем // Автоматизация и современные технологии. 2002. № 3. -С. 22-26.

10. Галушкин А.И. Основы нейроуправления // Нейрокомпьютеры: разработка и применение. 2002. № 9-10. - С. 87-106.

11. Горбань А.Н. Функции многих переменных и нейронные сети // Соров-ский образовательный журнал. 1998. № 12.

12. Гордеев JI.C., Иванов В.А., Столяров Ю.Ю. Алгоритмы нейросетевого моделирования химико-технологических процессов // Программные продукты и системы. 1998. № 1.

13. Гультяев А.К. Имитационное моделирование в среде Windows. С. Пб.: Корона принт, 2001. - 400 с.

14. Джордан Боян Применение автоассоциативных искусственных нейронных сетей для сжатия информации: Автореф. дис. . к.т.н. М., 2003. -18 с.

15. Дорогов А.Ю., Алексеев А.А. Структурные модели быстрых нейронных сетей. В сб. "Интеллектуальные системы" / Труды Н-го Международного симпозиума, под ред. К.А. Пупкова, Т.2. М.: Изд-во ПАИМС. 1996. С. 138-143.

16. Дубровин В.И., Субботин С.А. Оценка значимости признаков с фиксацией значений // Нейронные сети и модели в прикладных задачах науки и техники: Труды международной конференции КЛИН-2002. Т. 3. Ульяновск: УлГТУ, 2002.-С. 101-102.

17. Егоренков Д.Д., Фрадков А.Д., Харламов В.Ю. Основы математического моделирования. Построение и анализ моделей с примерами на языке MatLab, 2000,- 188 с.

18. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе (серия "Учебники экономико-аналитического института МИФИ" под ред. проф. В.В. Харитонова). М.: МИФИ, 1998. - 224 с.

19. Еременко Ю.И. Об использовании инверсно-динамического метода ней-роуправления в системе автоматизации шахтной печи установки металлизации окатышей // Приборы и системы. Управление, контроль, диагностика. 2003. № 8. - С. 1-4.

20. Заенцев И.В. Нейронные сети: основные модели (Учебное пособие к курсу "Нейронные сети"). Воронеж: ВГУ, 1999. - 76 с.

21. Захаров В.Н., Ульянов С.В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. IV. Имитационное моделирование // Изв. РАН. Техн. кибернетика. 1994. № 5.

22. Зиновьев А.Ю. Визуализация многомерных данных. Красноярск: ИПЦ КГТУ, 2000. - 168 с.

23. Злоба Е., Яцкив И. Статистические методы восстановления пропущенных данных // Computer Modeling & New Technologies. 2002. - Vol. 6. № 1. - P. 5161.

24. Зюзьков B.M. Синергетика для программистов: Учебное пособие. -Томск: Том. гос. ун-т систем управления и радиоэлектроники, 2001. 194 с.

25. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев: Техшка, 1975. - 312 с.

26. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наук, думка, 1981.-296 с.

27. Ивахненко А.Г., Степашко B.C. Помехоустойчивость моделирования. -Киев: Наук, думка, 1985. 216 с.

28. Ивахненко А.Г., Мюллер И.А. Самоорганизация прогнозирующих моделей. Киев: Техшка, 1985. - 219 с.

29. Канторович С.А. Deductor: Electra прогноз потребления электроэнергии (http://basegroup.ru/solutions/electra.htm)

30. Кориков A.M. Основы теории управления: Учебное пособие. 2-е изд. -Томск: Изд-во HTJI, 2002. 392 с.

31. Крисилов В.А., Кондратюк А.В. Преобразование входных данных нейро-сети с целью улучшения их различимости (http://neuroschool.narod.ru)

32. Крисилов В.А., Чумичкин К.В. Ускорение обучения нейронных сетей за счет адаптивного упрощения обучающей выборки (http://neuroschool.narod.ru)

33. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Наука, Физматлит, 2001. - 224 с.

34. Круглов В.В. Адаптивные системы нечеткого логического вывода // Нейрокомпьютеры: разработка и применение. 2003. № 5. - С. 13-16.

35. Махотило К.В. Разработка методик эволюционного синтеза нейросетевых компонентов систем управления // Дис. . к.т.н. Харьков, 1998. 189 с.

36. Медянцев Д.В., Замятин Н.В., Севастьянов Е.Ю., Пустовалов Д.С. Автоматизированная информационная система хроматографического контроля ацетилена // Приборы и системы. Управление, контроль, диагностика. 2004. № 8. -С. 12-14.

37. Медянцев Д.В. Построение модели химико-технологического процесса // Приборы и системы. Управление, контроль, диагностика 2005. № 7. - С.24-26.

38. Медянцев Д.В., Замятин Н.В. Методика нейросетевого моделирования сложных систем // Известия Томского политехнического университета. 2006. -Т. 309.-№8.-С. 100-106.

39. Меламед A.M. Описание алгоритмов прогнозирования электропотребления, используемых в комплексе программ анализа и прогнозирования электропотребления энергосистем. Москва, 1999.

40. Методы нейроинформатики / Под ред. Горбаня А.Н.; отв. за выпуск Дор-рер М.Г. Красноярск: КГТУ, 1998. - 205 с.

41. Миркес Е.М. Нейрокомпьютер: проект стандарта. Новосибирск: Наука, 1999.-337с.

42. Нейроинформатика / А.Н. Горбань, B.JI. Дунин-Барковский, А.Н. Кирдин, С.А. Терехов и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. -296 с.

43. Острем К.Ю. Настройка и адаптация // Приборы и системы управления. -1997. №9. с. 53-63.

44. Острейковский В.А. Теория систем: Учеб. М.: Высшая школа, 1997. -240 с.

45. Перегудов Ф.И., Тарасенко Ф.П. Основы системного анализа: Учеб. 3-е изд. Томск: Изд-во HTJT, 2001. - 396 с.

46. Растригин JI.A. Адаптация сложных систем-Рига: Зинатне, 1981. -375с.

47. Саломатин В.А. Адаптивные и робастные алгоритмы параметрической идентификации динамических объектов: Автореф. дис. . канд. тех. наук. Новосибирск, 2000. 19 с.

48. Сигеру Омату Нейроуправление и его приложения. М.: ИПРЖР, 2000. -272 с.

49. Симанков B.C., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов: Монография (научное издание). Краснодар: Техн. ун-т Кубан. гос. технол. ун-та, 1999. - 318 с.

50. Симанков B.C., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). / Под науч. ред. B.C. Симан-кова. Краснодар: Изд-во Ин-т совр. технол. и экон., 2001. - 258 с.

51. Тененев В.А., Якимович Б.А., Паклин Н.Б. Оптимальное управление детерминированными и нечеткими системами // Вестник ИжГТУ. 2003. № 1. -С. 35-40.

52. Терехов В.А. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления // Известия Академии Наук. Теория и системы управления. 1996. № 3.

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

54. Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей. Снежинск: Лаборатория Искусственных Нейронных Сетей НТО-2, ВНИИТФ, 2004.-200 с.

55. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука, 1986.-288с.

56. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М.: Мир, 1992.- 127с.

57. Усков А.А. Устойчивость систем управления с гибридными (нечеткими) нейронными сетями // Нейрокомпьютеры: разработка и применение. 2003. № 3-4. - С. 23-26.

58. Усков А.А., Круглов В.В. Алгоритм идентификации сложных динамических объектов // Программные продукты и системы. 2002. № 4. - С. 11-13.

59. Филаретов Г.Ф., Кабанов В.А. Применение искусственных нейронных сетей в системах управления // Приборы и системы управления. 1999. - № 4. -С. 3-6.

60. Филатов А.Г., Потапенко Е.А. К вопросу идентификации систем теплоснабжения методами нелинейной динамики // Сб. тр. междунар. конгресса "Современные технологии в промышленности строительных материалов и строй-индустрии". Белград: БГТУ, 2003.

61. Фомин В.Н. Некоторые общие принципы построения адаптивных систем управления // Соровский образовательный журнал. 1996. № 12. - С. 102-108.

62. Хайкин Саймон Нейронные сети: полный курс, 2-е изд. М.: "Вильяме", 2006.- 1104 с.

63. Хомич А.В., Жуков JI.A. Метод эволюционной оптимизации и его приложение к задаче синтеза искусственных нейронных сетей // Нейрокомпьютеры: разработка, применение. 2004. № 12. - С. 3-15.

64. Хэрролд Д. "Мягкие" датчики новейший инструмент промышленной автоматизации // Датчики и Системы. - 2001. № 12. - С. 36-42.

65. Царегородцев В.Г. Взгляд на архитектуру и требования к нейроимитатору для решения современных индустриальных задач // Материалы XI Всероссийского семинара "Нейроинформатика и ее приложения". Красноярск, 2003. 215 с.-С. 171-175.

66. Царегородцев В.Г. Оптимизация предобработки данных: константа Липшица обучающей выборки и свойства обученных нейронных сетей // Нейрокомпьютеры: разработка, применение. 2003. № 7. С. 3-8.

67. Цой Ю.Р., Спицын В.Г. Нейроэволюционный подход // Нейрокомпьютеры: разработка, применение. 2005. № 6. - С. 15-25.

68. Цой Ю.Р., Спицын В.Г. Эволюционный подход к настройке и обучению искусственных нейронных сетей // Нейроинформатика. 2006. Том 1. № 1. - С. 34-61.

69. Чукреев Ю.Я., Хохлов М.В. Оперативное управление режимами региональной энергосистемы с использованием нейронных сетей // Электричество. -2000. № 4.

70. Шитиков В.К., Розенберг Г.С., Зинченко Т.Д. Количественная гидроэкология: методы системной идентификации. Тольятти: ИЭВБ РАН, 2003. - 463с.

71. Шубладзе А.М., Гуляев С.В., Шубладзе А.А. Адаптивные промышленные ПИД-регуляторы // Приборы и системы. Управление, контроль, диагностика. -2003. №7.-С. 24-26.

72. Ярушкина Н.Г. Гибридные системы, основанные на мягких вычислениях: определение, архитектура, возможности // Программные продукты и системы. -2002. №3.-С. 19-22.