Программный комплекс синтеза нейро-нечетких моделей технологических процессов тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Михайлюк, Павел Петрович

• Михайлюк, Павел Петрович
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Михайлюк, Павел Петрович

Введение

1 Аналитический обзор

1.1 Актуальность разработки программного комплекса для синтеза нейро-нечетких моделей для производственных процессов

1.2 Обзор зарубежного и отечественного рынков ПО разработки нейро-нечетких систем моделирования

1.2.1 Обзор возможностей пакета нечеткой логики "fuzzy toolbox" в составе «MATLAB»

1.2.2 Система PolyAnalyst

1.2.3 STATISTICA Neural Networks

1.2.4 Программный пакет «Конструктор нечетких моделей»

1.2.5 Lab VIEW

1.2.6 Анализ рассмотренных программных продуктов

1.3 Постановка задачи исследования

2 Методические основы решения задач

2.1 Предварительная обработка данных

2.1.1 Нормировка данных

2.1.2 Интервальное масштабное преобразование

2.1.3 Автомасштабное преобразование

2.2 Искусственные нейронные сети

2.2.1 Искусственный нейрон

2.2.2 Нейро-нечеткие сети

2.2.2.1 Сеть Такаги-Сугено-Канга

2.2.2.2 Сеть Ванга-Менделя

2.2.2.3 Нечеткие сети с самоорганизацией

2.3 Обучение нейронной сети

2.3.1 Генетический алгоритм

2.3.2 Алгоритмы обратного распространения ошибки

2.4 Кластеризация для идентификации нечетких лингвистических переменных

2.4.1 Применяемые метрики

2.4.2 Методы кластерного анализа

2.5 Проверка адекватности модели

3 Алгоритмы и программы построения нейро-нечетких моделей

3.1 Подготовка входных и выходных данных

3.2 Автоматизация предварительной обработки данных

3.3 Выбор количества нейронов и слоев

3.4 Реализация нейро-нечетких сетей

3.5 Алгоритмы оптимальной настройки параметров искусственной нейронной сети

3.5.1 Реализация генетического алгоритма для обучения сети

3.5.2 Реализация алгоритма обратного распространения ошибки для обучения сети

3.6 Описание программного инструментария (программный комплекс «Синтез нейро-нечеткой модели»)

3.6.1 Модуль «Синтез нечеткой лингвистической переменной»

3.6.2 Модуль «Предварительная обработка данных»

3.6.3 Модуль «Создание нейро-нечеткой сети»

3.7 Тестирование программного комплекса «Синтез нейро-нечеткой модели»

3.7.1 Тестирование программного модуля «Синтез нечеткой лингвистической переменной»

3.7.2 Тестирование программного модуля «Предварительная обработка данных»

3.7.3 Тестирование программного модуля «Создание нейро-нечеткой сети»

4 Использование программного комплекса «Синтез нейро-нечеткой модели»

4.1 Постановка задачи для создания программного комплекса интеллектуального тестирования знаний и обучения специалиста

4.2 Описание процесса модификации сорбента

4.3 Нечеткая продукционная модель процесса модификации сорбента

4.4 Разработка нейро-нечеткой сети при помощи программного комплекса «Синтез нейро-нечеткой модели»

4.4.1 Подготовка данных при помощи модуля Синтез нечеткой лингвистической переменной»

4.4.2 Разработка нейро-нечеткой сети при помощи модуля «Создание нейро-нечеткой сети»

4.5 Разработка программного продукта «Интеллектуальный тренажер оператора установки производства сорбента» на основе разработанной нейро-нечеткой модели

4.6 Постановка задачи для создания советчика оператора бетонно-смесительного узла

4.7 Описание технологии изготовления пенобетона

4.8 Нечеткая продукционная модель управления процессом производства пенобетона

4.9 Разработка нейро-нечеткой сети при помощи программного комплекса «Синтез нейро-нечеткой модели»

4.9.1 Подготовка данных при помощи модуля «Предварительная обработка данных»

4.9.2 Разработка нейро-нечеткой сети при помощи модуля «Создание нейро-нечеткой сети»

4.10 Разработка программного продукта «Советчик оператора производства пенобетона» на основе разработанной нейро-нечеткой модели

Выводы

Введение диссертации (часть автореферата) на тему «Программный комплекс синтеза нейро-нечетких моделей технологических процессов»

При создании математических моделей промышленных процессов часто приходится сталкиваться с элементами неопределенности в данных. Не все неточности описания можно списать на ошибку измерений или эксперимента, зачастую неопределенность неустранима, является неотъемлемой частью процесса или контрольно-измерительной аппаратуры. Неполная, фрагментарная или противоречивая информация порождает неопределенность. Закономерности в реальных моделях сложны и складываются из огромного числа отдельных фактов и явлений. Поэтому введение элемента неопределенности в модели позволяет более эффективно строить математические модели. Нейронные сети, как универсальные аппроскиматоры, являются мощным средством математического моделирования. Их сочетание с нечеткой логикой дает дополнительную гибкость и функциональность разрабатываемым моделям.

Отсутствие априорной информации о причинно-следственных связях в виде уравнений того или иного типа или логических (лингвистических) правил наталкивает разработчиков на использование моделей «черного ящика» типа системы регрессионных уравнений или искусственных нейронных сетей (ИНС). Повысить уровень значимости метода ИНС может использование априорных знаний (несмотря на модель «черного ящика») о входных и выходных переменных как о нечетких лингвистических переменных. Именно это сочетание - нейронная сеть в пространстве нечетких входных и выходных переменных - является базовой идеей представляемой работы и лежит в основе разработанного программного комплекса.

Целью настоящей работы является создание универсального программного комплекса «Синтез нейро-нечетких моделей», позволяющего строить нейро-нечеткие модели для построения задач классификации, прогнозирования, настройки параметров и тестирования созданных нейронечетких сетей, используемых при построении моделей для статических технологических процессов типа «черный ящик».

Для практической реализации поставленной цели были решены следующие задачи:

• Во второй главе разработана методика и алгоритмы конструирования нечетких лингвистических переменных. Методика учитывает варианты синтеза НЛП при различной априорной информации: от полной невозможности экспертом указать границы и количество термов до самостоятельного конструирования экспертом НЛП;

• В третьей главе адаптированы алгоритмы создания, настройки, обучения и тестирования нейро-нечетких сетей;

• В четвертой главе разработаны тестовые примеры применения разработанного программного комплекса;

• Осуществлена программная реализация вышеназванных алгоритмов в составе пакета модулей под управлением операционной системы класса Windows.

Проведены испытания предложенных методик, алгоритмов и программ методом реализации практических задач моделирования с помощью разработанных программных средств для иллюстрации их работоспособности.

Данные для работы программы берутся либо у эксперта, специалиста в конкретной предметной области, либо материалы эксперимента в форме результатов опытов. Инженер знаний, с учетом полученных данных от эксперта, должен создать адекватную модель процесса. В этом ему поможет описанный в данной работе универсальный программный комплекс. Он поможет пройти весь процесс разработки модели от обработки первичных данных до внедрения сконструированной модели нейро-нечеткой сети в программный код приложения заказчика за счет генерации исходных текстов обученной нейро-нечеткой сети на языке С++.

Ни один из рассмотренных в обзоре программных инструментариев не поддерживает в полной мере процесс приобретения экспертных знаний о лингвистических переменных. Это в свою очередь снижает шансы построить адекватную модель. Поэтому предложен целый ряд дополнительных алгоритмических и программных решений, которые оправдывают создание совершенно нового универсального программного пакета для машинной поддержки диалога с пользователем в процессе приобретения знаний.

Текст диссертации включает в себя четыре главы, выводы, список литературы и четыре приложения.

В первой главе приведено краткое описание известных программных средств моделирования нейронных сетей. Все они не обладают средствами, реализующими в полной мере достоинства нейро-нечеткого моделирования. В них отсутствует комплексное решение проблемы построения нейро-нечеткой среды и ее внедрения на практике. Они не учитывают размытость данных, а это в свою очередь очень существенно не только из-за погрешности контрольно-измерительной аппаратуры, но и из-за наличия существенно нечетких переменных, обусловленных физической или химической природой.

В заключительном разделе главы сформулирована развернутая постановка задачи исследований.

Во второй главе приведено краткое описание известных стратегий и методик предварительной обработки данных, дан обзор нейро-нечетких сетей и методов их обучения.

В третьей главе представлены, разработанные автором алгоритмы предварительной подготовки данных, рассмотрены реализованные нейро-нечеткие сети и методы их обучения. Описано созданное программное, приведено алгоритмическое решение этапов тестирования модели, генерации тестовых массивов и создания конечного продукта в виде автоматически сгенерированного программного кода.

Четвертая глава посвящена описанию разработанного прикладного программного комплекса для иллюстрации работоспособности предлагаемых алгоритмов, методики и инструментальных программных средств.

В качестве первого иллюстративного примера решена задача «Интеллектуальный тренажер оператора установки производства сорбента» (HI II1 «Полихим» г. Сосновый Бор, Ленинградская область). Для этого были решены следующие задачи:

• Разработана система опроса с оптимальным количеством вопросов, касающихся производственного процесса;

• Разработана модель процесса производства сорбента при помощи программного пакета «Синтез нейро-нечетких моделей»',

• Реализован программный комплекс обучающей системы с тестами, удобный для использования персоналом;

• Разработанное программное обеспечение внедрено на производство.

Общим недостатком большинства подобных программных средств является их ориентация на тестирование, а не на обучение персонала. В связи с этим особую актуальность приобретает разработка программного инструментария для обучения персонала не только формальным операциям управления, но и логике происходящего производственного процесса, в чем помогает нейро-нечеткая модель процесса.

Вторая задача, служащая подтверждением эффективности разработанного программного пакета - «Советчик оператора бетонно-смесительного узла» (КЖБИ 211 г. Сертолово, Ленинградская область). Ее цель - проиллюстрировать преимущество использования нейро-нечеткой сети для управления реальным процессом производства изделий из пенобетона.

Обе задачи доведены до уровня прикладных оболочек, которые являются полноценными Windows-приложениями с развитым графическим интерфейсом и с заложенными в них функциями параметрической и структурной перестройки в процессе тестирования и эксплуатации.

Основные положения, выносимые на защиту:

1. Методика поддержки инженера знаний в процессе построения нейро-нечетких моделей от обработки исходных данных до построения исходных текстов модели, готовых для встраивания в приложение заказчика;

2. Структура программного комплекса и принципы взаимодействия трех его модулей от обработки исходных данных, до создания и обучения нейро-нечеткой сети;

3. Алгоритмы идентификации нечетких лингвистических переменных при различной априорной информации;

4. Алгоритм и функции модуля автоматизированного извлечения знаний эксперта в пространстве нечетких лингвистических переменных;

5. Алгоритм и программа создания нейро-нечеткой сети, ее настройка, обучение, тестирование;

6. Методика интеллектуального тренажера и программа «Интеллектуальный тренажер оператора установки производства сорбента»;

7. Методика советчика оператора и программа «Советчик оператора бетонно-смесительного узла».

Для апробации результатов исследований материалы диссертации докладывались и обсуждались на международных научных конференциях: ММТТ-18, Казань, ММТТ-19, Воронеж.

По теме диссертационной работы опубликовано 5 работ, в том числе одна работа опубликована в журнале из перечня ВАК.

Разработанный программный инструментарий используется в качестве учебного комплекса по изучению основ нейро-нечетких сетей при проведении лабораторных работ по курсу «Нечеткие интеллектуальные модели ХТС» для студентов кафедры САПРиУ Санкт-Петербургского государственного технологического института (технического университета).

1 Аналитический обзор

Несмотря на развитое математическое описание методов построения нейро-нечетких сетей, они редко применяются при решении реальных задач. Это обусловлено практически полным отсутствием универсального инструментария для конкретного пользователя. В данной главе рассматриваются наиболее интересные отечественные и зарубежные программные продукты позволяющие строить нейро-нечеткие модели. Описаны методики, алгоритмы и функции этих программ. В конце главы приведен анализ недостатков существующих программных комплексов и сформулирована постановка задачи для их устранения в разрабатываемом программном комплексе.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Михайлюк, Павел Петрович

Выводы

На основании анализа рынка программных средств разработки нейро-нечетких сетей был выявлен общий недостаток большинства известных программных комплексов - в них отсутствует комплексное решение проблемы построения нейро-нечеткой среды и ее внедрения на практике. Они не учитывают размытость данных, а это в свою очередь очень существенно не только из-за погрешности контрольно-измерительной аппаратуры, но и из-за наличия нечетких переменных, обусловленных их физической или химической природой. Другое слабое место этих систем -отсутствие функций автоматизации предварительной обработки данных для идентификации нечетких лингвистических переменных.

1. Для комплексного решения задачи разработки нейро-нечетких сетей от прототипа до законченного приложения предложена и реализована структура из трех взаимосвязанных программных продуктов непосредственно для инженера знаний, работающего с экспертом предметной области;

2. Методы предварительной обработки нечетких лингвистических переменных в аналогичных программных комплексах проработаны слабо, поэтому были разработаны алгоритмы и методики обработки данных в случае, если разбиение данных на термы не известно, но есть экспериментальный материал «вход-выход», и, в случае, если разбиение данных на термы известно. Это позволяет проще и быстрее обрабатывать исходные данные;

3. Разработаны методики создания, настройки, обучения и тестирования нейро-нечетких сетей двух типов: с учетом априорной информации и без учета, что позволяет повысить надежность создаваемых нейро-нечетких моделей за счет дублирования сетей и сравнения результатов их работы;

4. Для проведения тестирования нейро-нечеткой сети предложено два метода: «быстрый» и «точный», что позволяет ускорить тестирование созданных нейро-нечетких моделей;

5. Для подтверждения работоспособности разработанного программного обеспечения проведена серия тестов, анализ которых показал работоспособность предложенных алгоритмов и методик;

6. С применением предложенных алгоритмов и комплекса программ были созданы и опробованы на производстве практические задачи:

• «Интеллектуальный тренажер оператора установки производства сорбента», позволяющий тренировать способность оператора предвидеть развитие процесса на уровне хорошего эксперта;

• «Советчик оператора бетонно-смесительного узла» - обучающая система оператора, позволяющая повысить квалификацию персонала и избежать возможных аварийных ситуаций.

Задачи доведены до уровня законченных приложений с развитым графическим интерфейсом и успешно внедрены.

Список условных обозначений

1. ФП - функция принадлежности

2. ЛП - лингвистическая переменная

3. FS - (fuzzy system) формат файла хранения нечетких моделей

4. LRN - (learning) формат файла хранения массивов обучающих данных

5. EPR - формат файла хранения массивов обучающих данных с известным разделением на термы

6. ИИ - искусственный интеллект

7. БЗ - база знаний

8. ИНС - искусственная нейронная сеть

9. НС - нейронная сеть

10. БП - база правил п. Ма(х)- функция принадлежности

12. N - общее число образцов

13. TSK - сеть Такаги-Сугено-Канга

14. CRISP - входная непрерывная переменная может быть измерена настолько точно, что погрешностью можно пренебречь («четкое» числовое значение - функция принадлежности вырождена в отрезок прямой высотой 1);

15. TERM - (качественно) - входную непрерывную переменную невозможно количественно измерить, а можно лишь качественно оценить (нечеткое множество с функцией принадлежности соответствующего терма НЛП);

16. NONE - (нет данных) - по данному входному каналу (дискретному или непрерывному) нет достоверной информации

17. НЛП - нечеткая лингвистическая переменная

18. ЭС - экспертная система

19. w - вес правила

20. ПО - программное обеспечение

21. аь Ьь Ьг, - параметры Рьфункции (трапеции) при аппроксимации ФП

22. ПДК - предельно допустимая концентрация

23. МАУ - Модифицированный азотсодержащий уголь

24.КЖБИ - Комбинат железо-бетонных изделий

25. БСУ - бетонно - смесительный узел

Список литературы диссертационного исследования кандидат технических наук Михайлюк, Павел Петрович, 2007 год

1. Александровский С. В. Теплоизоляционные свойства газобетона. М.: Наука, 1984.- 193 с.

2. Алиев P.A., Абдикеев P.A., Шахназаров М.М. Производственные системы с искусственным интеллектом. М.: Радио и связь, 1990. 264 с.

3. Андрейчиков A.B., Андрейчикова О.Н. Интеллектуальные информационные системы. М.: Финансы и статистика, 2004.

4. Архангельский А .Я. Программирование в С++ Builder 5 М.: ЗАО «Издательство БИНОМ», 2001. - 1152 с.

5. Баранов Д.А., Кутепов A.M. Процессы и аппараты М.: Академия,2005.-303 с.

6. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. - 435 с.

7. Безусяк Ю.Л. Проблемы создания и внедрения экспертных систем искусственного интеллекта. К.: Знание, 1990. - 256 с.

8. Бесекерский В.А., Попов Е.П. Теория систем автоматического регулирования. М.: Наука, 1975. -768 с.

9. Бесков B.C. Общая химическая технология М.: ИКЦ "Академкнига",2006.-452 с.

10. Ю.Болдырев М.А. Решение задач с применением нечеткой логики.

11. Софтмаркет, 1996. №23. - С.32-36 П.Борисов А.Н., Алексеев A.B., Крумберг O.A. и др. Модели принятия решений на основе лингвистической переменной. - Рига: Зинатне, 1982. - 256 с.

12. Васильев В.И., Ильясов Б.Г. Интеллектные системы управления с использованием нечеткой логики. Уфа: Уфим. гос. авиац. техн. унив., 1995.-272 с.

13. Гаврилова Т. А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000.

14. Гиляров В.Н. Нечеткая логика: конспект лекций. СПбГТИ. - СПб., 2002.-47с.

15. Гиляров В.Н., Токмаков А.Н. Формализация знаний в нечетких экспертных системах. Приборы и системы. Управление, контроль, диагностика, 2001.- № 9,- С.58-61.

16. Гиляров В.Н., Токмаков А.Н., Князькова Д.Р. Методика извлечения знаний для программного пакета «Конструктор нечетких (fuzzy) моделей» Информационный листок №127.32.154.72 (СПбГТИ). -СПб, 2001.

17. Горбань А.Н. Обучение нейронных сетей. М.: изд. СССР-США СП «ParaGraph», 1990.- 160 с.

18. Горбань А.Н. Решение задач нейронными сетями. Нейроинформатика. Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.

19. ГОСТ 25485—89. Бетоны ячеистые. Технические условия.

20. Джексон П. Введение в экспертные системы. М.: Вильяме, 2001. -624 с.

21. Джонс М.Т., Программирование искусственного интеллекта в приложениях. -М.: ДМК Пресс, 2004. 312 е.: ил.

22. Долгополов H.H. Электрофизические методы в технологии строительных материалов. М.: Стройиздат, 1971.-240 с.

23. Елманова Н.З., Кошель С.П. Введение в C++Builder. -М.: «Диалог-мифи», 1999.-345с.

24. Заде JI.A. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.-165 с.

25. Захарова A.A., ред. Процессы и аппараты химической технологии -М.: Академия, 2006. 522 с.

26. Змитрович А.И. Интеллектуальные информационные системы. -Мн.:НТООО Тетрасистемс, 1997. 368с.

27. Ито. Т. Применение нечеткой логики в управлении. Сб. тезисов докл. технич. конф. по измерительным приборам и управлению. Токио, 1987.-С.261-267.

28. Каплан Р. Основные концепции нейронных сетей. М.:Вильямс, 2001. -288 с.

29. Кафаров В. В., Дорохов И. Н., Марков Е. П. Метод формализации качественного описания химико-технологических процессов с помощью нечетких множеств. Докл. АН СССР. 1979. - 183 с.

30. Кафаров В.В., Дорохов И.Н., Марков Е.П. Системный анализ процессов химической технологии. Применение метода нечетких множеств. М:Наука, 1986. - 359 с.

31. Кинле X., Базер Э. Активные угли и их промышленное применение. -Л., 1984.-215 с.

32. Князькова Д.Р., В.Н. Гиляров, Токмаков А.Н. Тренажер на базе нечеткой логики для обучения персонала. Тез. докл., ММТТ-14, Смоленск, 2001.-С. 184-186.

33. Кофман А. Введение в теорию нечетких множеств.- М.;Радио и связь, 1982.-432 с.

34. Круглов В. В., Дли М. И., Годунов Р. Ю. Нечеткая логика и искусственные нейронные сети ФИЗМАТЛИТ, 2001. - 224 С.

35. Круглов В.В., Дли М.И., Голунов Р.Ю. Методы робастного, нейро-нечеткого и адаптивного управления. Издательство МГТУ им. Н.Э. Баумана, 2002. - 744 с.

36. Кудрявцев Е.М. Исследование операций в задачах, алгоритмах и программах. — М.: Радио и связь, 1984.

37. Кузнецов В.Е. Представление в ЭВМ неформальных процедур: продукционные системы.- М.: Наука, 1989,- 143 с.

38. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH —СПб.: БХВ-Петербург, 2003. 736 с.

39. Люггер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.:Вильямс, 2005. - 864 с.

40. Малышев Н.Г., Берштейн Л.С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991.-136 с.

41. Мелихов А.Н., Бернштейн Л.С., Коровин С .Я. Интеллектуальные технологии управления. Искусственные нейронные сети и нечеткая логика. М.: Горячая Линия - Телеком, 2004. - 144 с.

42. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой.- М.: Наука, 1990.- 272 с.

43. Немцов Л.Б. Решение задач прогнозирования на базе нечеткой логики в системах управления процессами и производством. Автореф. дис./СПБГТИ.-СПб.,1999. 20 с.

44. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации.- М.:Наука, 1981.- 206 с.

45. Осовский С. Нейронные сети для обработки информации — М.: Финансы и статистика, 2004. 344 с.

46. Осу га С. Обработка знаний. М.: Мир, 1989. -253 с.

47. Перов В.Л. Основы теории автоматического регулирования химико-технологических процессов. -М.: Химия, 1970. -352с.

48. Плютто В.П. Практикум по теории автоматического регулирования химико-технологических процессов. -М.:Химия, 1969. -111с.

49. Получение, структура и свойства сорбентов. Межвуз. сб. науч. тр./Редкол.: Н.Ф. Федоров (отв. ред.) и др.; ЛТИ им. Ленсовета. Л., 1988, 155 с.

50. Попов Е.П. Теория система автоматического управления. -М.:Наука, 1966.-С.273.

51. Поспелов Д.А. Моделирование рассуждений: Опыт анализа мыслительных актов. -М.: Радио и связь, 1989.- 286 с.

52. Поспелов Д.А. Ситуационное управление: теория и практика.- М.: Наука, 1986.-288 с.

53. Редько В.Г. Эволюция, нейронные сети, интеллект. Модели и концепции эволюционной кибернетики. М.: КомКнига, 2007. - 325 с.

54. Рутковская Д., Пилиньский М., Рутковский J1. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая Линия -Телеком, 2007. - 342 с.

55. Саати Т.Д. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1989.

56. Санитаров A.B. Нечеткая модель управления процессом приготовления газобетонной смеси. ПЗ к дипломной работе-проекту/СПбГТИ. СПб., 2007. - 100с.

57. Серых Р. J1. Производство ячеистого бетона в промышленности. М.: Мир, 1979.-c.127.

58. Смирнов A.A. Интеллектуальный тренажер оператора процесса производства модифицированных сорбентов. ПЗ к дипломной работе-проекту/СПбГТИ. СПб., 2005. - 100с.

59. Сотник С.Л. Основы проектирования систем искусственного интеллекта: конспект лекций. — М.: Мир, 1997. — 70 с.

60. Страуструп Б. Язык Программирования С++.: Пер. с англ. -М.: Радио и связь, 1998.-352с.

61. Тархов Д.А. Нейронные сети. Модели и алгоритмы. Книга 18. М.: Радиотехника, 2005. - 124 с.

62. Технологическая карта производства газобетона. Фирма "HEBEL", 1991.

63. Токмаков А.Н., Гиляров В.Н. Идентификация нечетких лингвистических переменных. Математические методы в интеллектуальных информационных системах ММИИС-2002: Сб. трудов Международ, науч. конф./ Смоленский филиал МЭИ(ТУ). Смоленск, 2002. С. 101

64. ТУ 0320-001-23363751-98. Уголь модифицированный азотсодержащий МАУ.

65. Тюрин Ю.Н., Макаров A.A. Статистический анализ данных на компьютере. М.: ИНФРА-М, 1998. 528 е., ил.

66. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. — М.: Мир, 1992.-184с.

67. Усков A.A., Кузьмин A.B. Нечеткая логика и искусственные нейронные сети. М.: ФИЗМАТЛИТ, 2001. - 224 с.

68. Хайкин С. Нейронные сети: полный курс. М.:Вильямс, 2006. - 1104 с.

69. Червинский A.B. Алгоритмы мягких вычислений для моделирования систем: ПЗ к дипломной работе-проекту/СПбГТИ. СПб., 2005. - 100с.

70. Чикишева Н.М. Кластерный анализ. СПб., 2000.

71. Шамис В.А. С++ Builder 3. Техника визуального программирования. -М.: «Нолидж», 1998. 512 с.

72. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры. М., Финансы и статистика, 1987. - 486 с.

73. Яблонский C.B. Введение в дискретную математику.- М.: Наука, 1999. -300 с.

74. Ярушкина Н.Г., Основы теории нечетких и гибридных систем. М.: Финансы и статистика, 2004. - 320 е.: ил.

75. Яхъяева Г.Э. Нечеткие множества и нейронные сети. М.: Интернет-университет информационных технологий, Бином. Лаборатория знаний, 2006. - 435 с.

76. Публикации по теме диссертации

77. Михайлюк П.П., Гиляров В.Н. Программа идентификации нечетких лингвистических переменных. // Тез. докл., Международная научная конференция "Математические методы в технике и технологиях" (ММТТ-18), Казань: Казан. ГУ, 2005. С. 5-6.

78. Михайлюк П.П. Универсальная программа хранения, обработки и последующего анализа информации. // Тез. докл., Международная научная конференция "Математические методы в технике и технологиях" (ММТТ-19), Воронеж: Воронеж, гос. технол. акад., 2006. С. 6-7.

79. Михайлюк П.П. Нейро-нечеткое моделирование для автоматизации производства пористого бетона // Информационные технологии моделирования и управления. №8(33), 2006. с. 1078-1083

80. Михайлюк П.П. Программный комплекс синтеза нейро-нечетких моделей технологических процессов // Системы управления и информационные технологии, 2007, №1.3(27). С. 365-369.