Разработка и исследование нейросетевых инструментов моделирования и управления сложными технологическими процессами тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Домашнев, Павел Алексеевич

• Домашнев, Павел Алексеевич
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Домашнев, Павел Алексеевич

ВВЕДЕНИЕ.

1. АНАЛИЗ ИНСТРУМЕНТОВ ТЕОРИИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ И СОВРЕМЕННЫХ СРЕДСТВ МОДЕЛИРОВАНИЯ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ.

1.1 Введение.

1.2 Элементы теории искусственных нейронных сетей.

1.2.1 Общие сведения.

1.2.2 Построение нейросетевой модели.

1.2.2.1 Подготовка данных для нейронной сети.

1.2.2.2 Структурная идентификация нейронной сети.

1.2.2.3 Обучение нейронной сети.

1.3 Современные инструменты моделирования сложных технологических процессов.

1.3.1 Модель локальной технологии.

1.3.2 Модель глобальной технологии.

1.3.3 Гибкое управление технологией производства и качеством продукции.

1.3.4 Элементы кластерного анализа.

1.3.5 Элементы технического анализа.

1.4 Основные направления и задачи исследования.

2. РАЗРАБОТКА СТРУКТУРЫ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ЛОКАЛЬНОЙ ТЕХНОЛОГИИ СЛОЖНОГО ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА.

2.1 Простейшие нейросетевые модели технологического процесса.

2.2 Модель взаимосвязи свойств продукции и технологических параметров на основе многослойного перцептрона.

2.3 Нейросетевая модель многоэтапного технологического процесса.

2.4 Статистические интервальные оценки прогнозов показателей качества продукции.

2.5 Выводы.

3. ОБУЧЕНИЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ ЛОКАЛЬНОЙ ТЕХНОЛОГИИ.

3.1 Формальный критерий окончания обучения.

3.2 Конструктивный метод формирования двухслойной нейросетевой модели технологического процесса.

3.2.1 Этап параметрической идентификации.

3.2.2 Этап модификации структуры нейронной сети.

3.3 Конструктивный метод формирования многослойной нейросетевой модели многоэтапного технологического процесса.

3.4 Адаптация нейросетевых моделей локальной технологии.

3.5 Выводы.

4. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ИДЕНТИФИКАЦИИ МОДЕЛИ ГЛОБАЛЬНОЙ ТЕХНОЛОГИИ.

4.1 Разработка нейросетевого классификатора.

4.2 Идентификация глобальной технологии на основе структуры нейросетевого классификатора.

4.3 Исследование возможности идентификации модели глобальной технологии на основе нейронных сетей.

4.4 Выводы.

5. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ ИНСТРУМЕНТОВ МОДЕЛИРОВАНИЯ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА.

5.1 Апробация на имитационной модели.

5.1.1 Описание имитационной модели.

5.1.2 Создание нейросетевой модели технологического процесса и анализ ее адекватности.

5.2 Апробация на реальных экспериментальных данных.

5.3 Выводы.

Введение диссертации (часть автореферата) на тему «Разработка и исследование нейросетевых инструментов моделирования и управления сложными технологическими процессами»

Актуальность. Разработанные в середине прошлого века инструменты нейросетевого моделирования для эффективного применения требуют значительных вычислительных ресурсов, которые не могли быть предоставлены вычислительными устройствами того времени. Быстрый прогресс компьютерных технологий и наращивание мощностей вычислительной техники, произошедшие в последнее десятилетие, позволили с успехом применять нейронные сети в самых различных областях. В литературе приводятся примеры применения нейронных сетей для решения задач построения функции по конечному набору значений, построения отношений на множестве объектов, распределенного поиска информации, идентификации динамических систем и управления ими и т.д. Часто решения этих задач, полученные на основе нейронных сетей, являются более оптимальными, чем решения, опирающиеся на иной формальный аппарат.

Перспективной областью применения инструментов теории искусственных нейронных сетей является моделирование сложных технологических процессов. Математические модели технологических процессов необходимы для применения эффективных формальных методов и инструментов исследования влияния технологии производства на свойства конечного продукта и для определения оптимального управления с целью достижения заданного качества продукта. Такого рода математические модели значительно отличаются, например, от моделей каких-либо физических объектов и систем, в которых прогнозируется реакция объекта на некоторые внешние условия. Модели технологического процесса должны отражать информационные и функциональные зависимости между технологией производства и свойствами (показателями качества) получаемой продукции. Хотя в литературе не приводятся примеры использования нейронных сетей для моделирования такого рода зависимостей, гибкость нейросетевых моделей позволяет применить их для моделирования технологического процесса.

Эффективность использования инструментов управления технологией производства и качеством продукции в первую очередь определяется точностью и адекватностью синтезированных моделей технологического процесса. Точности используемых в настоящее время регрессионных моделей линейных по параметрам не всегда достаточно для адекватного воспроизведения особенностей непрерывных технологических процессов. Практические разработки применения нейронных сетей для моделирования различного рода инженерных систем показывают, что нейросетевые модели точнее регрессионных и лишены ряда имеющихся у регрессионных моделей недостатков. Применение нейронных сетей для моделирования технологических процессов позволит повысить эффективность систем управления качеством, предоставив необходимый объем информации о процессе и дополнительные инструменты исследования, анализа и управления. Отсюда следует, что разработка нейросетевых инструментов моделирования сложных технологических процессов является актуальной задачей.

Целью работы является создание и исследование эффективных 1 инструментов моделирования сложных технологических процессов и инструментов управления технологией на основе искусственных нейронных ; сетей.

Основные задачи. Для достижения поставленной цели сформулированы следующие задачи исследования:

• исследовать возможность применения теории искусственных нейронных сетей для управления технологией производства;

• спроектировать структуры нейронных сетей, пригодных для моделирования функциональных взаимосвязей между технологическими факторами и показателями качества продукции в сложных многоэтапных непрерывных технологических процессах;

• разработать алгоритмы синтеза структуры нейронной сети и алгоритмы обучения, позволяющие полностью автоматизировать процесс создания нейросетевой модели технологического процесса, включая параметрическую и структурную идентификацию;

• исследовать возможность использования инструментов теории нейронных сетей для создания моделей, описывающих информационную взаимосвязь между технологией и качеством получаемой продукции и разработать такие инструменты;

• реализовать разработанные алгоритмы в виде комплекса программного обеспечения, интегрированного в автоматизированную систему управления качеством продукции.

Методы исследования. В работе использованы методы системного анализа, теории вероятности, математической статистики, методы математического программирования, теории искусственных нейронных сетей, теории принятия решений, кластерного анализа, технического анализа, методы объектно-ориентированного проектирования и программирования. Программная реализации разработанных алгоритмов и программных имитационных моделей выполнена на языке С++ в среде разработки Borland ' С++ Builder 6.0.

Обоснованность и достоверность. Обоснованность использования предлагаемых нейросетевых инструментов моделирования технологического процесса определяется тем, что они базируются на положениях теории искусственных нейронных сетей и системного анализа, развивая их в соответствии с целью работы.

Обоснованность разработанных алгоритмов построения нейросетевых моделей подтверждается тем, что они опираются на развитые и дополненные в работе эффективные методы математического программирования, кластерного анализа, теории принятия решений и имитационного моделирования.

Проведенные в достаточном объеме вычислительные эксперименты, практическая реализация разработанных алгоритмов, сравнительный анализ результатов с реальными производственными данными, использование информационного, математического и программного обеспечения в научных исследованиях и учебном процессе подтверждают достоверность результатов диссертации.

Научная новизна. В работе получены и выносятся на защиту следующие результаты, характеризующиеся научной новизной:

• методика применения слоистых нейронных сетей для моделирования функциональных взаимосвязей между технологическими факторами и показателями качества продукции в сложных многоэтапных непрерывных технологических процессах;

• алгоритм формирования структуры нейросетевой модели технологического процесса, отличающийся формальным способом расчета необходимого количества нейронов в скрытом слое двухслойной сети, позволяющий автоматизировать эту процедуру;

• способ расчета статистических интервальных оценок выходов нейронной сети, отличающийся использованием оценочной сети, на вход которой подаются интервальные оценки погрешности измерения технологических факторов, позволяющий получать интервальные оценки прогнозов значений показателей качества продукции;

• формальный критерий остановки процесса параметрической идентификации нейронной сети основанный на мониторинге изменения ошибки обобщения, отличающийся применением метода технического анализа динамических рядов данных для локализации момента изменения тенденции ошибки обобщения, позволяющий значительно ускорить процесс параметрической идентификации и избежать эффекта переобучения;

• алгоритм обучения нейросетевой модели технологического процесса, особенностью которого является возможность корректировки структуры модели в процессе обучения с помощью расщепления сети на нейронные ядра и использование критериев остановки, основанных на мониторинге ошибки обобщения; алгоритм позволяет полностью автоматизировать процедуру обучения и получать нейросетевые модели технологического процесса с оптимальным соотношением качества прогнозирования модели и сложности ее структуры; • методика создания и применения нейросетевого классификатора для идентификации информационной взаимосвязи между технологией производства и качеством получаемой продукции, позволяющая вычислять подпространство оптимальных технологических режимов в виде n-мерного гипермногогранника.

Практическая значимость. Разработана методика создания моделей технологического процесса на основе искусственных нейронных сетей, формальные методы и правила которой позволяют полностью автоматизировать процесс формирования нейросетевых моделей. Создаваемые модели отражают функциональные зависимости между технологией производства и качеством получаемой продукции и позволяют выделить оптимальные технологические режимы, реализация которых с высокой вероятностью обеспечивает получение продукции заданного качества.

Созданные универсальные инструменты синтеза нейросетевых моделей сложных многоэтапных технологических процессов инвариантны к особенностям конкретного процесса и могут быть использованы при решении задач управления технологией производства и качеством продукции непрерывных производственных процессов. Численные эксперименты показывают, что создаваемые нейросетевые модели точнее применяемых ранее для моделирования технологических процессов регрессионных моделей и лишены ряда имеющихся у них недостатков. Это повышает эффективность решения многокритериальных задач принятия решений при управлении технологией и качеством продукции.

Разработаны программные модули, реализующие алгоритмы формирования нейросетевых моделей. Проведена интеграция этих модулей в автоматизированную систему управления качеством продукции и технологией производства.

Реализация и внедрение результатов работы. Результаты работы демонстрировались на нескольких промышленных предприятиях, которые рассматривают возможность их практического использования.

Результаты диссертационного исследования используются в учебном процессе ЛГТУ в рамках курсов «Методы оптимизации», «Параллельное программирование» и «Управление сложными системами» при подготовке инженеров по специальностям «230102.65 - Автоматизированные системы обработки информации и управления» и «010503.65 - Математическое обеспечение и администрирование информационных систем».

Апробация результатов исследования. Результаты исследований были представлены:

• на всероссийской выставке НТТМ'2005 (Москва, ВВЦ, 2005);

• на международных конференциях - «Моделирование как инструмент решения технических и гуманитарных проблем» (Таганрог, 2002), «7-ой международный молодежный форум «Радиоэлектроника и молодежь в XXI веке»» (Харьков, 2003), «Системы автоматизированного управления производствами, предприятиями и организациями горнометаллургического комплекса» (Старый Оскол, 2003), «Теория активных систем» (Москва, 2003), «Systems Science XV» (Польша, Варшава, 2004), «Современные сложные системы управления CCCy/HTCS» (Липецк, 2002, Воронеж, 2003, Тверь, 2004, Тула, 2005, Воронеж, 2005), «Interactive Systems And Technologies: The Problems of Human-Computer Interaction» (Ульяновск, 2006), «Исследование, разработка и применение высоких технологий в промышленности HTFI'2006» (Санкт-Петербург, 2006), «Системы управления эволюцией организации CSOE'2006» (Египет, Хургада, 2006);

• на межрегиональной конференции «Моделирование и развитие процессов обработки металлов давлением» (Магнитогорск, 2002);

Программная реализация разработанных алгоритмов подтверждена двумя авторскими свидетельствами об отраслевой регистрации разработок.

Публикации. По теме диссертационного исследования всего опубликовано 23 работы в отечественных и зарубежных изданиях, в том числе: одна статья в журнале из перечня периодических журналов, рекомендованном ВАК для публикации основных результатов диссертации; одна статья в зарубежном журнале; 2 авторских свидетельства об отраслевой регистрации разработок; 15 работ в сборниках научных трудов и трудов международных конференций и форумов. В работах, опубликованных в соавторстве, автором: разработана структура нейросетевых моделей, используемых для моделирования сложных технологических процессов [54, 56]; разработана формальная методика синтеза нейросетевых моделей технологического процесса [55, 96]; разработан формальный способ определения минимально необходимого количества нейронов в скрытом слое двухслойной нейросетевой модели [58]; разработаны критерии окончания параметрической идентификации нейросетевой модели, основанные на мониторинге ошибки обобщения [47]; разработана методика расчета статистических интервальных оценок значений показателей качества, вычисляемых на основе нейросетевой модели [67, 97]; разработана методика определения оптимальной глобальной технологии с помощью нейросетевого классификатора [51] и механизм получения данных о конфигурации вычисленного пространства на основе анализа структуры нейросетевого классификатора [53]; разработана инфологическая модель данных системы поддержки управления качеством, обеспечивающая возможность настройки системы на произвольный технологический процесс [48, 49]; разработана объектная модель структуры классов, используемых для хранения сложных функциональных зависимостей [80]; проведен анализ процесса производства стали в кислородно-конвертерном производстве на основе массива технологической информации [46] и разработана нейросетевая модель, отражающая функциональные зависимости между химическим составом получаемой стали и технологией производства [60]; проведен анализ методов условной оптимизации, используемых для решения одношаговой и многошаговой задачи управления качеством продукции [63].

Структура и объем диссертации. Диссертация состоит из введения, пяти глав, заключения, списка литературы из 98 наименований и шести приложений. Основная часть изложена на 161 странице машинописного текста, содержит 61 рисунок и 15 таблиц.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Домашнев, Павел Алексеевич

5.3 Выводы

1. Проведено практическое исследование возможностей нейросетевого моделирования функциональных связей между технологией и качеством с применением имитационной модели. Показано, что нейросетевые модели могут быть использованы для анализа и идентификации имеющихся функциональных зависимостей между технологическими факторами и показателями качества продукции. В случае наличия таких функциональных зависимостей с помощью разработанных алгоритмов могут быть получены высокоточные нейросетевые модели, адекватно отражающие реальные зависимости между технологическими величинами.

2. Проведена апробация предлагаемой методики создания нейросетевых инструментов моделирования на данных реального технологического процесса - процесса производства стали в ККЦ-1 ОАО HJIMK. Проиллюстрированы основные этапы процесса создания нейросетевой модели. Проведен анализ адекватности полученной модели, на основе которого сделаны выводы о том, что разработанные модели и методики их создания могут быть применены в условиях реального технологического процесса для синтеза математических моделей, отражающих функциональные и информационные связи между технологическими величинами. Для построения моделей могут быть использованы экспериментальные данные, собранные в процессе функционирования производства в обычном режиме.

Заключение

1. Показана возможность применения нейронных сетей для моделирования сложных непрерывных технологических процессов.

2. Разработана структура нейросетевой модели отдельного технологического этапа, позволяющая идентифицировать функциональные взаимосвязи между технологическими факторами и свойствами производимой продукции.

3. Разработан алгоритм синтеза первоначальной структуры нейросетевой модели отдельного технологического этапа, который позволяет сформировать первоначальную структуру нейросетевой модели в полностью автоматическом режиме. Предложенный способ вычисления минимально необходимого количества нейронов в скрытом слое позволяет заранее отсечь бесперспективные виды структур модели, что обеспечивает в дальнейшем увеличение скорости обучения и предотвращает преждевременную остановку процесса обучения.

4. Синтезирована структура нейросетевой модели сквозной технологии, позволяющая осуществлять оперативное автоматизированное создание такой модели из блоков нейросетевых моделей отдельных этапов. Связи между этими блоками определяются имеющимися на производстве технологическими маршрутами.

5. Разработаны методы вычисления статистических интервальных оценок прогноза значений показателей качества на основе информации о погрешности измерения технологических факторов.

6. Формализован критерий окончания параметрической идентификации нейросетевой модели локальной технологии, основанный на определении момента изменения тенденции ошибки обобщения.

7. Разработан алгоритм обучения нейросетевой модели технологического процесса, в ходе которого осуществляется параметрическая идентификация модели и модификация ее структуры. Созданный алгоритм позволяет получить оптимальную, в смысле соотношения качества прогнозирования и сложности структуры, нейросетевую модель.

8. Сформулирована постановка задачи идентификации модели глобальной технологии, которая позволила свести ее к задаче классификации образов технологии на два класса: класс технологий приводящих к получению качественной продукции и класс технологий, приводящих к получению некачественной продукции. Разработана структура нейронной сети, которая может быть использована для решения этой задачи классификации. Дальнейший анализ структуры обученного нейросетевого классификатора основывается на геометрической интерпретации особенностей функционирования двухслойных нейронных сетей и позволяет получить описание найденной оптимальной области глобальной технологии в виде системы линейных неравенств.

9. Исследования разработанных нейросетевых инструментов моделирования технологического процесса на имитационной модели и апробация на фактических данных технологического процесса производства стали в кислородно-конвертерном производстве показали, что нейронные сети могут быть использованы для анализа и идентификации имеющихся функциональных зависимостей между технологическими факторами и показателями качества продукции, а разработанные алгоритмы позволяют получить нейросетевые модели, адекватно отражающие реальные зависимости между технологическими величинами. Погрешность прогнозирования полученных моделей сравнима с погрешностью измерения используемых инструментов и методик, что говорит о возможности применения этих моделей на практике.

Список литературы диссертационного исследования кандидат технических наук Домашнев, Павел Алексеевич, 2006 год

1. Архитектура Microsoft Windows для разработчиков. Учебный курс Текст. / Пер. с англ. М.: Издательский отдел «Русская Редакция» ТОО «Channel Trading Ltd.», 1998.-472 с.

2. Банди, Б. Методы оптимизации. Вводный курс Текст. : [пер. с англ.] / Б. Банди М.: Радио и связь. 1988. - 128 с.

3. Барский, А.Б. Нейронные сети: распознавание, управление, принятие решений Текст. / А.Б. Барский М.: Финансы и статистика, 2004. - 176 с.

4. Блюмин, C.J1. Нелинейный метод наименьших квадратов и псевдообращение Текст. : учебное пособие / C.JI. Блюмин, С.П. Миловидов, А.К. Погодаев -Липецк: ЛипПИ, 1992. 80 с.

5. Блюмин, С.Л. Псевдообращение Текст. : учебное пособие / С.Л. Блюмин, С.П. Миловидов Воронеж: ВорПИ- ЛипПИ, 1991. - 64 с.

6. Бокс, Д. Сущность технологии СОМ. Библиотека программиста Текст. / Д. Бокс СПб.: Питер, 2001.-400 с.

7. Васильев, Ф.П. Численные методы решения экстремальных задач Текст.: учебное пособие для ВУЗов / Ф.П. Васильев М.: Наука, 1988. - с. 552

8. Вей-Менг, Ли Эволюция технологий доступа к данным Электронный ресурс. / Ли Вей-Менг // Windows IT Pro. 2003. - №4. -www.osp.ru/text/302/176027

9. Вержбицкий, В.М. Численные методы (математический анализ и обыкновенные дифференциальные уравнения) Текст. : учебное пособие для ВУЗов / В.М. Вержбицкий М.: Высшая школа, 2001. - 382 с.

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

11. И. Галушкин, А.И. Нейрокомпьютеры и их применение Текст. : учебное пособие для ВУЗов. Кн. 1. Теория нейронных сетей / А.И. Галушкин ; под общей редакцией А.И. Галушкина-М.: ИПРЖР, 2000. 416 с.

12. Галушкин, А.И. Основы нейроуправления Текст. / А.И. Галушкин // приложение к журналу «Информационные технологии», 2002 г. №10. - 24 с.

13. Галушкин, А.И. Применение нейрокомпьютеров в энергетических системах Электронный ресурс. / А.И. Галушкин http://www.user.cityline.ru/~neurnews/

14. Галушкин, А.И. Современные направления развития нейрокомпьютерных технологий в России Текст. / А.И. Галушкин // Открытые системы. 1997. -№4 (24). - С. 25-28.

15. Гмурман, В.Е. Теория вероятностей и математическая статистика Текст. / В.Е. Гмурман М.: Высшая школа, 1999. - 479 с.

16. Головко, В.А. Нейроинтеллект: Теория и применение Текст. Кн. 1. Организация и обучение нейронных сетей с прямыми и обратными связями / В.А. Головко Брест: Изд-во БПИ, 1999. - 264с.

17. Головко, В.А. Нейроинтеллект: Теория и применение Текст. Кн. 2. Самоорганизация, отказоустойчивость и применение нейронных сетей / В.А. Головко Брест: Изд-во БПИ, 1999. - 228с.

18. Головко, В.А. Нейрокомпьютеры и их применение Текст. : учебное пособие для вузов. Кн. 4. Нейронные сети: обучение, организация и применение / В.А. Головко; под общей редакцией А.И. Галушкина М.: ИПРЖР, 2001.-256 с.

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

20. Горбань, А. Н. Нейроинформатика и её приложения Текст. / А.Н. Горбань // Открытые системы. 1998 г. - № 4.

21. Горбань, А.Н. Нейронные сети на персональном компьютере Текст. / А.Н. Горбань, Д.А. Россиев Новосибирск: Наука Сибирская издательская фирма РАН, 2001.

22. Горбань, А.Н. Обучение нейронных сетей Текст. / А.Н. Горбань М.: СП Параграф, 1998.

23. Грановский, В.А. Методы обработки экспериментальных данных при измерениях Текст. / В.А. Грановский, Т.Н. Сирая Д.: Энергоатомиздат, 1990. -288 с.

24. Дрейпер, Н. Прикладной регрессионный анализ Текст.: В 2-х кн. Кн.1 / Н. Дрейпер, Г. Смит. Пер. с англ. - 2-е изд., перераб. и доп. - М.: Финансы и статистика, 1986. - 366 с.

25. Дрейпер, Н. Прикладной регрессионный анализ Текст.: В 2-х кн. Кн.2 / Н. Дрейпер, Г. Смит. Пер. с англ. - 2-е изд., перераб. и доп. - М.: Финансы и статистика, 1987.-351 с.

26. Дубров, A.M. Многомерные статистические методы Текст. / A.M. Дубров, B.C. Мхитарян, Л.И. Трошин М.: Финансы и статистика, 1998 г.

27. Елисеева, И.И. Практикум по эконометрике Текст. / И.И. Елисеева, С.В. Курышева и др. М.: Финансы и статистика, 2003. - 192 с.

28. Жамбю, М. Иерархический кластер-анализ и соответствие / М. Жамбю М.: Финансы и статистика, 1988. - 342 с.

29. Заде, Л. Лингвистическая переменная Текст. / Л. Заде М.: Физматгиз, 1972.- 123 с.

30. Заенцев, И.В. Нейронные сети. Основные модели Текст. / И.В. Заенцев -Воронеж: ВГУ, 1999.-76 с.

31. Интрилигатор, М. Математические методы оптимизации и экономическая теория Текст. / М. Интриллигатор М.: Прогресс, 1975. - с. 606

32. Калан, Р. Основные концепции нейронных сетей / Р. Калан М.:Вильямс, 2002.-288 с.

33. Киселёв, М.Н. Средства добычи знаний в бизнесе и финансах Текст. / М.Н. Киселев // Открытые системы 1997 г. - № 4.

34. Киселева, Т.В. Структурный анализ динамических рядов данных Текст. / Т.В. Киселева, Т.В. Иванова // Сборник научных трудов международной конференции CCCY/HTCS 2003, Том 2 Воронеж: ВГАСУ, 2003. - с. 272-276

35. Коган, И.М. Прикладная теория информации Текст. / И.М. Коган М.: Радио и связь, 1981. - 216 с.

36. Комарцова, JI.Г. Нейрокомпьютеры Текст. : учебное пособие / Л.Г. Комарцова, А.В. Максимов М.: МГТУ, 2002. - 318 с.

37. Короткий, С. Г. Нейронные сети: алгоритм обратного распространения Текст. / С.Г. Короткий // Byte Россия. 2000. - №5

38. Кремер, Н.Ш. Эконометрика Текст. / Н.Ш. Кремер, Б.А. Путко М.: ЮНИТИ-ДАНА, 2002. - 311 с.

39. Круглов, В.В. Искусственные нейронные сети: теория и практика Текст. / В.В. Круглов, В.В. Борисов М.: Горячая линия - Телеком, 2001. - 382 с.

40. Круглов, В.В. Применение аппарата нейронных сетей для анализа социологических данных Текст. / В.В. Круглов, М.И. Дли // Социологические исследования. -2001. №9. - с. 112-114

41. Кузнецов, Л.А. Автоматизированная система управления технологическим процессом Текст. / Л.А. Кузнецов, A.M. Корнеев, О.В. Бочарова // Теория и практика производства листового проката. Сборник научных трудов. Часть 2. -Липецк: ЛГТУ, 2005.

42. Кузнецов, Л.А. Введение в САПР производства проката Текст. / Л.А. Кузнецов М.: Металлургия, 1991. - 112 с.

43. Кузнецов, Л.А Выбор рациональной технологии производства листового проката с использованием методов математического программирования Текст. / Л.А. Кузнецов, С.Л. Блюмин, А.К. Погодаев // Известия вузов. Черная металлургия. 1991. - №9. - с. 64-66.

44. Кузнецов, Л.А. Гибкое управление технологией производства проката Текст. / Л.А. Кузнецов // Известия вузов. Черная металлургия. 1995. - №7. -с.29-35.

45. Кузнецов, JT.А. Дискретная модель формирования химического состава стали Текст. / JI.A. Кузнецов, М.В. Черных, В.А. Алексеев, П.А. Домашнев // Вестник ЛГТУ-ЛЭГИ. 2001. - №1, с. 188-196.

46. Кузнецов, Л.А. Идентификация технологии с помощью нейронных сетей Текст. / Л.А. Кузнецов, П.А. Домашнев // Сборник научных трудов международной конференции CCCy/HTCS'2005. Том 1 Тула:ТулГУ, 2005. -с. 192-200.

47. Кузнецов Л.А. Интеграция системы управления качеством в информационное пространство предприятия Текст. / Л.А. Кузнецов, В.А. Алексеев, П.А. Домашнев // сборник научных трудов международной конференции CCCy/HTCS,2004 Тверь: ТГТУ, 2004, - С. 13-16.

48. Кузнецов, Л.А. Информационный метод анализа и синтеза технологии Текст. / Л.А. Кузнецов // Известия вузов. Черная металлургия. 1995. - №11. -с. 29-34.

49. Кузнецов, Л.А. Модели прогноза неметрических характеристик качества проката Текст. / Л.А. Кузнецов // Известия вузов. Черная металлургия. 1989. -№9.-с. 80-83.

50. Кузнецов, JI.A. Нейросетевая идентификация глобальной технологии Текст. / JI.A. Кузнецов, П.А. Домашнев // Сборник трудов третьей международной конференции Системы управления эволюцией организации/С80Е'2006 Хургада, Египет, 2006. - с. 61-66.

51. Кузнецов, JI.A. Нейросетевая модель многоэтапного технологического процесса Текст. / JI.A. Кузнецов, П.А. Домашнев // сборник научных трудов международной конференции СССУ/НТС8Л2003. Том 2 Воронеж: ВГАСУ, 2003.-с. 191-196.

52. Кузнецов, JI.A Нейросетевые модели для описания сложных технологических процессов Текст. / JI.A. Кузнецов, П.А. Домашнев // Проблемы управления. 2004. - №1. - с. 20-28

53. Кузнецов, JI.A. Нейросетевые модели при проектировании технологии производства Текст. / JI.A. Кузнецов, П.А. Домашнев // Теория активных систем. Труды международной научно-практической конференции 2003 г. Том 2-М.: ИПУ РАН, 2003. с. 39-41.

54. Кузнецов, JI.A. Общая постановка задачи проектирования технологии листовой прокатки Текст. / JI.A. Кузнецов // Известия вузов. Черная металлургия. 1987. - №12. - с. 54-58

55. Кузнецов, JI.A. Применение нейросетевых моделей для управления технологией производства Текст. / JI.A. Кузнецов, П.А. Домашнев // сборник научных трудов международной конференции CCCy/HTCS,2004 Тверь: ТГТУ, 2004. - с. 260-264.

56. Кузнецов, JI.A. Сетевая модель формирования химического состава готовой стали в кислородно-конвертерном производстве Текст. / JI.A. Кузнецов, П.А. Домашнев, М.В. Черных // Вестник ЛГТУ-ЛЭГИ. 2001. - №1. - с. 180-188.

57. Кузнецов, JI.А. Система автоматизированного проектирования сквозной технологии производства листового проката Текст. / Л.А. Кузнецов // Сталь. -1994. -№8.-с. 51-54.

58. Кузнецов, Л.А. Система поддержки управления качеством продукции Текст. / Л.А. Кузнецов, В.А. Алексеев // Датчики и системы. 2003. - №8. -с. 53-61

59. Кузнецов, Л.А. Современный подход к управлению металлургической технологией Текст. / Л.А. Кузнецов // Производство проката. 1999. - №9. - с. 27-34. (Часть 1). 2000. - №3. - с. 34-40. (Часть 2).

60. Кузнецов, Л.А. Статистическая оценка точности оптимизации технологических параметров на основе нелинейной регрессии Текст. / Л.А. Кузнецов // Известия вузов. Черная металлургия. 1992. - №7. - с. 69-71.

61. Кузнецов, Л.А. Статистические модели в задачах оптимизации сквозной технологии производства автолистовой стали Текст. / Л.А. Кузнецов, А.К. Погодаев, A.M. Корнеев // Известия вузов. Черная металлургия 1990. - №3. -с. 34-36.

62. Линник, Ю.В. Метод наименьших квадратов и основы теории обработки наблюдений Текст. / Ю.В. Линник М.: Физматгиз, 1958. - 349с.

63. Медведев, B.C. Нейронные сети. MATLAB 6 Текст. / B.C. Медведев, В.Г. Потемкин М.: Диалог-МИФИ, 2002. - 496 с.

64. Мейерс, С. Эффективное использование STL Текст. / С. Мейерс СПб.: Питер, 2002. - 224 с.

65. Методы нейроинформатики Текст. / под ред. А.Н. Горбаня Красноярск: КГТУ, 1998.-205 с.

66. Мину, М. Математическое программирование. Теория и алгоритмы Текст. / М. Мину М.: Наука. Гл. ред. физ.-мат. лит., 1990. - 488 с.

67. Новицкий, П.В. Оценка погрешностей результатов измерений Текст. / П.В. Новицкий, И.А. Зограф 2-е изд. перераб. и доп. - JL: Энергоатомиздат, 1991. -304 с.

68. Омату, С. Нейрокомпьютеры и их применение Текст. : учебное пособие для ВУЗов. Кн. 2. Нейроуправление и его приложения / С. Омату, М. Халид, Р. Юсоф; под общей редакцией А.И. Галушкина -М.: ИПРЖР, 2000. 272 с.

69. Оптимизация функции многих переменных методами первого и второго порядков Текст. : свидетельство об отраслевой регистрации разработки №4570 / П. А. Домашнев. Дата регистрации 01.04.2005

70. Осовский, С. Нейронные сети для обработки информации Текст. / С. Осовский М.: Финансы и статистика, 2002. - 344 с.

71. Оунсон, Ч. Численное решение задач метода наименьших квадратов Текст. / Ч. Оунсон, Р. Хенсон М.: Наука, 1986. - 232 с.

72. Пантелеев, А.В. Методы оптимизации в примерах и задачах Текст. : учебное пособие / А.В. Пантелеев, Т.А. Летова М.: Высшая школа, 2002. -с. 544

73. Погодаев, А.К. Адаптивные методы определения приоритетов показателей качества металлопродукции Текст. / А.К. Погодаев // Известия вузов. Черная металлургия. 2002. - №7. - с. 51-53.

74. Рассел, С. Искусственный интеллект: современный подход Текст. 2-е издание / С.Рассел, П.Норвиг. М.:Вильямс, 2005. - 1424 с.

75. Редкозубое, С.А. Статистические методы прогнозирования в АСУ Текст. / С.А. Редкозубов М.: Энергоиздат, 1981. - 151 с.

76. Рейклейтис, Г. Оптимизация в технике Текст. : в 2-х книгах : [пер. с англ.] / Г. Рейклейтис, А. Рейвиндран, К. Рэгсдел М.: Мир, 1986. - 345 е., 320 с.

77. Решение нелинейной задачи о наименьших квадратах Текст. : свидетельство об отраслевой регистрации разработки №4942 / JI.A. Кузнецов, П.А. Домашнев. Дата регистрации 20.06.2005

78. Роджерсон, Д. Основы СОМ Текст. / Д. Роджерсон 2-е изд., испр. и перераб. - М.: «Русская Редакция», 2000. - 400 с.

79. Самарский, А.А. Численные методы Текст. : учебное пособие для ВУЗов / А.А. Самарский, А.В. Гулин М.: Наука, 1989. - 432 с.

80. Соммервилл, И. Инженерия программного обеспечения Текст. : [пер. с англ.] / И. Соммервилл 6-е издание - М.: Издательский дом «Вильяме», 2002. - 624 с.

81. Сотникова, J1.A. Многомерный статистический анализ в экономике Текст. : учебное пособие для ВУЗов / JI.A. Сотникова, В.Н. Тамашевич, Г. Уебе, М. Шеффер М.:ЮНИТИ-ДАНА, 1999. - 598с.

82. Статистическое управление технологическим процессом Текст. Москва, 2001.-60 с.

83. Терехов, В.А. Нейросетевые системы управления Текст. / В.А. Терехов, Д.Я. Ефимов, И.Ю. Тюкин, В.Н. Антонов СПб.: Изд-во С.-Петербургского университета, 1999. - 265 с.

84. Хайкин, С. Нейронные сети: полный курс Текст. 2-е издание / С.Хайкин -М.:Вильямс, 2005.- 1104 с.

85. Химмельблау, Д. Прикладное нелинейное программирование Текст. / Д. Химмельблау М.: Мир, 1975. - 534 с.

86. Цыпкин, Я.З. Информационная теория идентификации Текст. / Я.З. Цыпкин М.: Наука. Физматлит, 1995. - 336 с.

87. Швагер, Д. Технический анализ. Полный курс / Д. Швагер М.:Альпина, 2001.-805 с.

88. Широков, Ф.В. Нейросети на шине УМЕ. Краткая история нейроинформатики Текст. / Ф.В. Широков М.: TANA ltd., 2002.

89. Kuznetsov, L. Product quality control on the basis of stochastic neuronet model of through technology Текст. / L. Kuznetsov, P. Domashnev // Systems Science. -Wroclaw, Poland.-2005.-Vol.31 №3. p. 111-119.

90. Kuznetsov, L.A. Analysis of a method for identification of correspondence between sets / L.A. Kuznetsov, A.S. Voronin // Modelling, Measurement & Control, AMSE Press, Tassin, FRANCE 1998. - Vol. 18, №2. - p.39-47