Разработка нейросетевой системы управления технологическими процессами на сортировочных горках тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Пучков, Евгений Владимирович

• Пучков, Евгений Владимирович
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Пучков, Евгений Владимирович

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1 ХАРАКТЕРИСТИКА СОРТИРОВОЧНОЙ ГОРКИ И ПРОБЛЕМЫ

ИНТЕЛЛЕКТУАЛИЗАЦИИ СОРТИРОВОЧНОГО ПРОЦЕССА.

1.1 СОРТИРОВОЧНАЯ ГОРКА КАК ОБЪЕКТ ИССЛЕДОВАНИЯ.

1.2. АНАЛИЗ СОСТОЯНИЯ ПРОБЛЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА СОРТИРОВОЧНЫХ ГОРКАХ

1.2.1. ОТЕЧЕСТВЕННЫЙ КОМПЛЕКС АВТОМАТИЗАЦИИ СОРТИРОВОЧНЫХ ПРОЦЕССОВ.

1.2.2. ЗАРУБЕЖНЫЕ СИСТЕМЫ АВТОМАТИЗАЦИИ СОРТИРОВОЧНЫХ ГОРОК.

1.3. ИНТЕЛЛЕКТУАЛЬНАЯ ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ НА СОРТИРОВОЧНЫХ ГОРКАХ.

1.3.1. ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ ПЕРСЕПТРОННОГО ТИПА

1.3.2. ОСІ ЮВНЫЕ ДОСТОИНСТВА И НЕДОСТАТКИ НЕЙРОСЕТЕВЫХ ПРОГРАММНЫХ ПРОДУКТОВ.

1.4. ВЫВОДЫ ПО ГЛАВЕ

ГЛАВА 2. РАЗРАБОТКА МЕТОДОЛОГИИ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ.

2.1. ПОСТАНОВКА ЗАДАЧИ.

2.2. СБОР ДАННЫХ.

2.3. ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ.

2.3.1. ОЧИСТКА И ФИЛЬТРАЦИЯ ДАННЫХ.

2.3.2. КОДИРОВАНИЕ НЕЧИСЛОВЫХ ДАННЫХ.

2.3.3. НОРМАЛИЗАЦИЯ ДАННЫХ.

2.3.4. ОТБОР ПРИЗНАКОВ.

2.4. ПРЕДВАРИТЕЛЬНОЕ МОДЕЛИРОВАНИЕ.

2.5. ПОСТРОЕНИЕ МОДЕЛИ.

2.5.1. НАСТРОЙКА ПАРАМЕТРОВ ИСКУСТВЕННОЙ НЕЙРОННОЙ СЕТИ

2.5.2. НАСТРОЙКА ПАРАМЕТРОВ ОБУЧЕНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ.

2.6. ОТБОР И ДИАГНОСТИКА МОДЕЛИ.

2.7. ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ.

2.8. ПРИМЕНЕНИЕ МОДЕЛИ.

2.9. НАБЛЮДЕНИЕ ЗА МОДЕЛЬЮ.

2.10. ВЫВОДЫ ПО ГЛАВЕ 2.

ГЛАВА 3. ПРИНЦИПЫ СОЗДАНИЯ И ФУНКЦИОНИРОВАНИЯ АВТОМАТИЗИРОВАННОЙ НЕЙРОСЕТЕВОЙ СИСТЕМЫ.11,

3.1. РАЗРАБОТКА ТРЕБОВАНИЙ К НЕЙРОСЕТЕВОМУ ПРОГРАММНОМУ КОМПЛЕКСУ.

3.2. РАЗРАБОТКА ИНФОРМАЦИОННОЙ СХЕМЫ

АВТОМАТИЗИРОВАННОЙ НЕЙРОСЕТЕВОЙ СИСТЕМЫ.

3.3. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АВТОМАТИЗИРОВАННОЙ НЕЙРОСЕТЕВОЙ СИСТЕМЫ.

3.3.1. ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА РАЗРАБОТКИ.

3.3.2. ОБЪЕКТНО-ОРИЕНТИРОВАННАЯ МОДЕЛЬ СИСТЕМЫ.

3.3.3. ВОЗМОЖНОСТИ ПРОГРАММНОГО КОМПЛЕКСА

NEURONADS».

3.4. РАЗРАБОТКА ИНФОРМАЦИОННО-ЛОГИЧЕСКОГО УСТРОЙСТВА (АВТОМАТА-СОВЕТЧИКА).

3.5. ВЫВОДЫ ПО ГЛАВЕ 3.

ГЛАВА 4. РЕШЕНИЕ ЗАДАЧ УПРАВЛЕНИЯ НА СОРТИРОВ ОЧНОЙ ГОРКЕ

С ПРИМЕНЕНИЕМ «NEURONADS».

4.1. ЗАДАЧА РАСЧЕТА СКОРОСТИ ВЫХОДА ОТЦЕПА С ПАРКОВОЙ ТОРМОЗНОЙ ПОЗИЦИИ.

4.1.1. ПОСТАНОВКА ЗАДАЧИ.

4.1.2. ПОСЛЕДОВАТЕЛЬНОСТЬ РЕАЛИЗАЦИИ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ.

4.2. ЗАДАЧА ОПРЕДЕЛЕНИЯ СТУПЕ11И И ВРЕМЕНИ ТОРМОЖЕНИЯ ПРИ УПРАВЛЕНИИ ГОРОЧНЫМИ ЗАМЕДЛИТЕЛЯМИ НА ТОРМОЗНЫХ ПОЗИЦИЯХ.

4.2.1. ПОСТАНОВКА ЗАДАЧИ.

4.2.2. ПОСЛЕДОВАТЕЛЬНОСТЬ РЕАЛИЗАЦИИ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ.

4.3. ВЫВОДЫ ПО ГЛАВЕ 4.

Введение диссертации (часть автореферата) на тему «Разработка нейросетевой системы управления технологическими процессами на сортировочных горках»

Актуальность темы. Массовое вовлечение за последнее десятилетие в сферу автоматизации сложных технологических процессов и производств привело к появлению новых классов, так называемых слабо формализованных или информационно-сложных задач. Не исключением являются задачи, возникающие на железнодорожном транспорте, в частности, на сортировочной горке (СГ). Прежде всего, это связано с невозможностью полного автоматического режима функционирования транспортных объектов с применением традиционного подхода к их управлению. Для решения таких слабо формализованных задач необходима интеграция практического опыта и теоретических знаний в алгоритмы управления в качестве самостоятельных моделей, то есть построение интеллектуальных систем. Одной из наиболее динамично развивающихся областей искусственного интеллекта является нейросетевая технология. Ее популярность связана с успешным применением в различных промышленных, технических и научных областях.

Для решения прикладных задач с помощью нейросетевой технологии возможны два способа. Первый - это аппаратная реализация нейросетевой модели, которая связана с большими финансовыми затратами. Второй - это программная эмуляция искусственной нейронной сети (ИНС). В любом случае необходимо разработать нейросетевую модель с помощью соответствующего программного обеспечения (ПО). В настоящее время ПО, позволяющее осуществлять проектирование ИНС и решать с помощью построенных моделей прикладные задачи, можно разделить на пять категорий: универсальные нейроэмуляторы, иейросетевые компоненты для статистических пакетов, нейросетевые алгоритмы в системах бизнес-аналитики, предметно-ориентированные нейросетевые решения, нейросетевые библиотеки.

Процесс нейросетевого анализа состоит из большого количества этапов и предполагает использование различных методов для построения ИНС и применения ее в дальнейшем. Поэтому современный нейроэмулятор должен обладать достоинствами, которые характерны для существующих категорий нейросетевого ПО. Среди таких достоинств можно выделить: развитые средства проектирования ИНС; инструменты для анализа и подготовки данных; внутренний источник данных; возможности решения задач специфического характера прикладной области; открытая архитектура и программная масштабируемость; высокая степень автоматизации.

Реализация такого нейроэмулятора позволит решить следующие проблемы: длительное время построения и выбор оптимальной модели ИНС; оценка необходимости использования нейросетевого подхода; низкая оперативность применения пейросетевой технологии; сложность проектирования ИНС для неспециалиста; необходимость внедрения в консолидированные прикладные системы учетного и аналитического характера.

В связи с вышеизложенным, представляется актуальным определение методологии проектирования ИНС, разработка универсальной нейросетевой системы и создание на ее основе программного комплекса, который сохранит достоинства указанных категорий нейросетевого ПО и позволит решить существующие проблемы. Программный комплекс должен быть ориентирован на построение в автоматизированном режиме нейросегевых моделей прикладных задач классификации и прогнозирования, возникающих на СГ, а разработанные нейромодели - использованы при создании информационно-логических устройств (ИЛУ) для автоматизированного рабочего места (АРМ) оператора.

Степень разработанности проблемы. Диссертационное исследование основано на работах отечественных и зарубежных ученых в области нейросетевых технологий и автоматизированных систем управления. В настоящее время аппарат ИНС и методы его использования постоянно развиваются и совершенствуются. Активные разработки и исследования в области создания систем проектирования ИНС связаны с деятельностью таких организаций как NeuroProject (Москва), BaseGroup Labs (Москва). Следует выделить частный проект В. Царегородцева - NeuroPro (Красноярск). В последнее время наиболее авторитетными и часто цитируемыми российскими работами в области теории и практики применения ИНС считаются труды А.И. Галушкина, А.Н. Горбань, A.A. Ежова, С.А. Терехова, С.А. Шумского и др. За рубежом большой вклад в развитие нейроннформатики внесли R. Hecht-Nielsen, J.J. Hopfield, Т. Kohonen, F. Rosenblatt, D.A. Rummerlhart и др. Методы и принципы построения автоматизированных систем управления сложными организационно-технологическими объектами рассмотрены в работах В.П. Авдеева, A.A. Ашимова, А.Н. Гуды, В.Н. Иванченко, В.М. Лисенкова, H.H. Лябаха и др. Различные фундаментальные и прикладные аспекты интеллектуальных систем управления нашли отражение в работах таких ученых как Л.С. Берштейн, Н. Винер, В.М. Глушко, Д.И. Дубровский, С.М. Ковалев, A.A. Ляпунов, Д.А. Поспелов, В.Б. Тарасов, А.Н. Шабельников и др.

Цель и задачи исследования. Цель настоящей диссертационной работы - разработка универсальной нейросетевой системы управления технологическими процессами на СГ.

• Для достижения поставленной цели реализуется следующая последовательность задач диссертационного исследования:

1. Анализ состояния проблемы интеллектуальной поддержки принятия решений на СГ и выделение классов решаемых задач.

2. Разработка методологии решения задач классификации и прогнозирования, основанной на использовании современных методов обучения ИНС, подготовки и анализа входных данных.

3. Разработка алгоритма обучения ИНС, позволяющего повысить скорость обучения, избежать попадания в локальные минимумы функции ошибки и оптимизировать архитектуру.

4. Разработка программного комплекса с открытой архитектурой и хранилищем нейросетевых решений, обеспечивающего полный цикл обработки и нейросетевого анализа данных. и

5. Внедрение и практическая апробация разработанной системы при решении прикладных задач управления технологическими процессами на СГ.

Объекты и методы исследования. Объектами исследования выступают технологические процессы на СГ и системы горочной автоматизации. Предметом исследования является математическое, алгоритмическое и программное обеспечение процесса построения, обучения и использования ИНС персептронного типа в задачах классификации и прогнозирования, возникающих на СГ. Методы исследования, применяемые в диссертационной работе, основаны на использовании нейросетевых технологий, компьютерного моделирования, математической статистики и теории оптимальных решений. При разработке программного комплекса использовались объектно-ориентированное программирование и теория баз данных.

Выполненная диссертационная работа соответствует следующим пунктам паспорта специальности 05.13.06 «Автоматизация* и управление технологическими процессами производствам и (на транспорте)»: п. 15. Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.). п. 17. Использование методов автоматизированного проектирования для повышения эффективности разработки и модернизации АСУ. п. 10. Методы синтеза специального математического обеспечения, пакетов прикладных программ и типовых модулей функциональных и обеспечивающих подсистему АСУТП.

Положения диссертации, выносимые на защиту.

1. Методология автоматизации процесса проектирования нейросетевых моделей для решения управленческих задач на СГ.

2. Нейросетевая система, включающая: совместный алгоритм обучения ИНС; объектно-ориентированную модель автоматизированной системы; хранилище нейросетевых решений.

3. Нейросетевые модели поддержки принятия управленческих решений в системах горочной автоматизации.

Научная новизна содержится в следующих результатах диссертационного исследования:

1. Разработана универсальная объектно-ориентированная модель нейросетевой системы с расширяемой архитектурой и динамической базой данных дня накопления информации по решаемым задачам, позволяющая использовать сохраненную информацию для подбора ИНС при решении новых задач и повысить оперативность применения данных по сравнению с существующими методами управления технологическими процессами на СГ.

2. Разработан программный комплекс «НеигоЫАОБ», обеспечивающий полный цикл обработки и нейросетевого анализа данных. Реализация оригинального алгоритма обучения, отсутствующего в стандартных нейропакетах, позволила сократить время построения и выбора оптимальной модели ИНС. Программный комплекс настроен для АРМ оператора и обеспечивает запоминание и прогнозирование развития технологических ситуаций в ходе роспуска состава с целью снижения информационной загрузки оператора, повышения качества формирования поездов и безопасности роспуска.

3. Предложены новые нейросетевые модели поддержки принятия решений в системах горочной автоматизации, позволяющие повысить эффективность управления технологическим процессом роспуска составов за счет более точного решения задач по определению параметров торможения и расчета скорости выхода отцепов из тормозных позиций (ТГ1).

Практическая значимость диссертационной работы заключается в следующем:

1. Разработана нейросетевая система для АРМа оператора, позволяющая снизить информационную загрузку оператора и повысить качество формирования поездов.

2. Разработаны нейромодели для расчета скоростей выхода отцепа с ТП, определения ступеней торможения и времени их активации при управлении горочными замедлителями.

3. Разработан программный комплекс «NeuroNADS», позволяющий решать широкий круг задач по проектированию ИНС и организовать процесс обучения нейросетевым технологиям.

Достоверность и обоснованность диссертации подтверждается результатами вычислительных экспериментов и обработки реальных данных, публикациями и апробацией работы на международных, всероссийских и региональных научных и научно-технических конференциях, а также актами внедрения результатов работы.

Апробация работы. Основные положения диссертационной работы докладывались на межрегиональных научно-практических конференциях Юго-Западного банка Сбербанка России (Ростов-на-Дону, 2008, 2010), на всероссийской научно-практической конференции студентов, аспирантов и молодых ученых ЮФУ (Ростов-на-Дону, 2009), на всероссийской научной конференция "Нечеткие системы и мягкие вычисления" (Волгоград, 2009), на всероссийском симпозиуме по прикладной и промышленной математике (Санкт-Петербург, 2009), на международных научно-практических конференциях «Строительство» (Ростов-на-Дону, 2009, 2010), «Транс ЖАТ» (Ростов-на-Дону, 2010). Работа подавалась на различные региональные и федеральные конкурсы, где занимала призовые места: конкурс среди специалистов в сфере IT, разработки программного обеспечения и информационной безопасности «Турнир IT — интеллектуалов», номинация «Системы бизнес-апалитики (Business Intelligence)» (2008, 2009, 2010); конкурс «Инновационных идей и проектов Юга России», номинация «Инновационные проекты, направленные па развитие высокотехнологичных производств и услуг»; всероссийский конкурс информационных технологий и информационной безопасности «Интеллектуальная Россия», номинация «Системы бизнес-аналитики» (2009, 2010)». Разработан интернет-портал «Я

Интеллект» [146J. На портале можно получить доступ к наиболее интересным статьям по тематике ИНС и загрузить созданный нейросетевой программный комплекс «NeuroNADS». На данный момент разработка представлена в общероссийской программе Федерального агентства по делам молодежи «Зворыкинский проект» [43].

Публикации. По теме исследования опубликовано 15 печатных работ, общим объемом 4 п.л., из них 5 в изданиях, входящих в «Перечень ведущих научных журналов и изданий, выпускаемых в Российской Федерации», утвержденный ВАК, и 11 без соавторов.

Внедрение результатов работы. Результаты диссертационного исследования внедрены и используются в ростовском филиале Российского научно-исследовательского и проектно-конструкторского института информатизации, автоматизации и связи. Нейросетевой программный комплекс «NeuroNADS» используется в учебном процессе на кафедре «Прикладной математики и вычислительной техники» Ростовского государственного' строительного университета с целью обучения студентов методам нейросетевого анализа по дисциплине «Интеллектуальные системы»; применяется в Юго-Западном банке Сбербанка России в качестве внутренней системы поддержки принятия решений. Все внедрения дали положительный результат, что подтверждено соответствующими документами.

Структура и объем работы. Диссертационная работа состоит из перечня сокращений, введения, четырех глав, заключения, списка литературы и приложений. Содержание диссертации изложено на 213 страницах, включая 56 рисунков, 13 таблиц, 25 страниц приложений и актов о внедрениях. В список использованных источников включено 146 наименований отечественной и зарубежной литературы (в том числе 36 ссылок на ресурсы Internet).

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Пучков, Евгений Владимирович

4.3. ВЫВОДЫ ПО ГЛАВЕ 4

1. В результате диссертационных исследований была осуществлена практическая апробация возможностей программного комплекса «НеигоЫАОБ» при решении задач расчета скорости выхода отцепа с парковой ТП и определения ступени и времени торможения при управлении горочными замедлителями на ТП.

2. Разработаны нейросетевые модели для управления торможением отцепов и расчета скорости выхода отцепа с парковой ТП, что обеспечило создание ИЛУ для диспетчеров ЦПУ. ИЛУ позволят: освободить эксплуатационный персонал станции от запоминания большого числа разнообразных ситуаций и значительно снизит его информационную загрузку; повысить качество формирования поездов, а также безопасность роспуска и маневровых работ.

3. Произведена апробация предложенной в диссертационной работе методологии проектирования ИНС, а также разработанных в ее рамках методов упрощения нейросетевой модели, применения совместного алгоритма обучения ИНС, в результате чего:

1) время обучения сокращалось в среднем, более чем па 40%;

2) точность решения задачи при использовании разных способов предобработки данных повышалась на 5-10%;

3) нейропрогноз с использованием механизмов применения ИНС для определения состава влияющих факторов и алгоритма определения глубины погружения показал сравнимую точность, что и прогноз с использованием механизма поиска наилучшей структуры ИНС, основанного на использовании циклического переобучения ИНС с различной структурой, что позволяет значительно сократить время нейроанализа;

4) использование метода прореживания связей ИНС позволило исключить длительную процедуру поиска наилучшей структуры ИНС, при времени обучения сопоставимым с одним циклом обучения.

4. Проведенные исследования показали эффективность разработанной системы проектирования ИНС, что выразилось в значительном повышении качества получаемых результатов по сравнению с классическими способами решения прикладных задач.

5. По устранению трудностей связанных с получением данных для построения модели рекомендуются создание шлюза по выгрузке данных из АРМ ГАЦ в стандартных форматах и по необходимой маске.

ЗАКЛЮЧЕНИЕ

В соответствии с целью диссертационного исследования была разработана универсальная нейросетевая система управления технологическими процессами на СГ.

В ходе исследований автором получены следующие результаты:

1. Предложена методология решения прикладных задач классификации и прогнозирования с помощью нейросетевой технологии, основанная на использовании совокупности методов подготовки и анализа входных данных, формирования топологии ИНС, совместного алгоритма обучения, прореживания связей, отбора и диагностики модели.

2. Предложена универсальная нейросетевая система и ее объектно-ориентированная модель, представляющая собой иерархию классов, учитывающую дальнейшее расширение функциональных возможностей системы. Разработано хранилище нейросегевых решений и исходных данных " задач, позволяющее повысить оперативность применения технологии ИНС в интеллектуальных подсистемах горочной автоматизации.

3. Разработан программный комплекс «ЫеигоЫАОБ», обеспечивающий полный цикл обработки и нейросетевого анализа данных. Автоматизация отдельных этапов проектирования ИНС позволила: сократить время построения и выбора оптимальной модели ИНС; повысить оперативность применения нейросетевой технологии; сделать более доступным использование технологии ИНС для оператора СГ.

4. Проведены внедрение и практическая апробация разработанного программного комплекса и предложенной в его рамках методологии решения прикладных задач поддержки принятия решений на СГ, а именно, разработаны нейросетевые модели для управления торможением отцепов и расчета скорости выхода отцепа с парковой ТП, что обеспечило создание ИЛУ для операторов ЦПУ.

Список литературы диссертационного исследования кандидат технических наук Пучков, Евгений Владимирович, 2011 год

1. AlyudaForecaster Электронный ресурс.: техническое описание -— Режим доступа: http://www.alyuda.com/neural-network-software.htm, свободный.

2. Barron A. Predicted squared error: a criterion for automatic model selection. In: Farlow S. (ed), Self-Organizing Methods in Modeling, NY: Marcel Dekker- 1984

3. Bernard Widrow, Michael A. Lehr, 30 Years of Adaptive NeuralNetworks: Perceptron, Madaline, and Backpropagation Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992, pp.327-354.

4. Bielajew A.F.Fundamentals of the Monte Carlo method for neutral and charged particle transport. Ann Arbor: The University of Michigan, 2001. P. 348.

5. Brian Knight, Erik Veerman, Grant Dickinson, and Douglas Hinson Professional Microsoft SQL Server 2008 Integration Services. Indianapolis: Wiley Publishing, 2008. p. 972

6. Cortes C., Vapnik V. Support vector network // Machine Learning. -1995. 20. - P.129-152.

7. Data Mining Community Электронный ресурс. — Режим доступа: http://www.kdnuggets.com, свободный.

8. Fast Artificial Neural Network Library (FANN) Электронный ресурс.: техническое описание — Режим доступа: http://leenissen.dk/fann, свободный.

9. Fukushima К., Miyake S., Takayuki I. Neocog-nitron: A neural network model for a mechanism of visual pattern recognition. IEEE Transaction on Systems, Man and Cybernetics SMC-13(5):826-34. — 1983.

10. Fukushima K. 1975. Cognitron: A self-organizing mult ilayered neural network. Biological Cybernetics 20:121-36.

11. Fukushima K. 1980. Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition uneffected by shift inposition. Biological Cybernetics 36(4): 193-202.

12. Gorban A. N., Mirkes Eu. M., Tsaregorodtsev V. G. Generation of Explicit Knowledge from Empirical Data through Pruning of Trainable Neural Networks In: Proc. IJCNN*99, Washington DC, July 1999, IEEE, Vol. 6, pp. 4393-4398.

13. Hecht-Nielsen R. Kolmogorov mapping neural network existence theorem. In IEEE First. Int. Conf. on Neural Networks. San Diego: SOS Printing, 1987,-Vol.3-P.l 1-13.

14. Heht-Nielsen R. Counterpropagation network // Proc. Int. Conf. on Neural Networks. -N.Y.: IEEE, 1987. 2. - P. 19-32.

15. Hertz J., Krogh A., Palmer R.G. Introduction to the theory of neural computation. Addison Wesley, 1991.

16. HTML Help Workshop and Documentation Электронный ресурс.: техническое описание — Режим доступа: http://www.microsoft.com/downloads/en/details.aspx?FamilyID=00535334-c8a6-452f-9aa0-d597dl6580cc&displaylang;=en, свободный.

17. Inno Setup Электронный ресурс.: техническое описание — Режим доступа: http://www.jrsoftware.org/isinfo.php, свободный.

18. Kamimura R. Unification of information maximization and minimization / Advances in Neural Information Processing Systems 9 (1996). MIT Press, 1997. pp.508-514.

19. Keogh E., Lonardi S., Chiu B. Finding surprising patterns in a time series database in linear time and space / Proc. SIGKDD'02, Edmonton, Alberta, Canada, 2002. .lip.

20. Koza J. R. Genetic Programming. Cambridge, MA: MIT Press, 1992.

21. Kraft L.G. and Campagna D.P., "A Comparison between CMAC Neural Network Control and Two Traditional Control Systems" IEEE Control

22. Systems Magazine, vol. 10, no. 2, pp. 36-43, 1990.

23. LeCun Y. and Y. Bengio: Convolutional Networks for images, Speech, and Time-Series, in Arbib, M. A. (Eds), The Handbook of Brain Theory and Neural Networks, MIT Press, 1995

24. LeCun Y., J. S. Denker, S. Solla, R. E. Howard and L. D. Jackel: Optimal Brain Damage, in Touretzky, David (Eds), Advances in Neural Information Processing Systems 2 (NIPS*89), Morgan Kaufman, Denver, CO, 1990

25. LeCun Y., L. Bottou, G. Orr and K. Muller: Efficient BackProp, in Orr, G. and Muller K. (Eds), Neural Networks: Tricks of the trade, Springer, 1998

26. Lee H.-M., Huang T.-C., Chen C.-M. Learning efficiency improvement of back propagation algorithm by error saturation prevention method /Proc. IJCNN'1999, Washington, DC,USA. 6p.

27. Li X, Ding J, Li H. Combing neural network models based on Wavelet transform. Journal of Hydraulic 1999; 2:1-4 (in Chinese).

28. NeuroShell 2 Электронный ресурс.: техническое описание — Режим доступа: http://neuroproject.ru/aboutproduct.php?info=ns2info, свободный.

29. NeuroSolutions Product Summary Электронный ресурс.: техническое описание — Режим доступа:http://www.neurosolutions.com/products/ns/features.html, свободный.

30. Oh S.-H., Lee Y. A modified error function to improve the error back-propagation algorithm for multi-layer perceptrons / ETRT Journal, Vol.17, №1, April 1995. pp.11-21.

31. Railway Automation Forum Электронный ресурс.: форум СЦБистов — Режим доступа: http://scbist.com, свободный.

32. Ranzato Marc'Aurelio, Christopher Poultney, Sumit Chopra and Yann LeCun: Efficient Learning of Sparse Representations with an Energy-Based Model, in J. Piatt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2006

33. Russian software developer network Электронный ресурс. — Режим доступа: http://www.rsdn.ru, свободный.

34. Solla S.A., Levin Е., Fleisher М. Accelerated learning in layered neural networks / Complex Systems, 1988, Vol.2. pp.625-639.

35. STATISTICA Automated Neural Networks3fleKTpoHHbm ресурс.: техническое описание — Режим доступа: http://www.statsoft.eom/products/c/tabid/783/itemid/35, свободный.

36. STATISTICA Neural Networks Электронный ресурс.: техническое описание — Режим доступа: http://statsoft.ru/statportal/tabID32/MIdl 4 l/ModeID0/PageID 11/Deskt opDefault.aspx, свободный.

37. Van. Нейросимуляция Электронный ресурс. — Электрон, версия журн. «Компьютерра» №20, 24.05.2002 — Режим доступа к журн.: http://www.computerra.rU/2002/445/l 8040, свободный.

38. Weigend, A.S., Huberman, В.А., Rumelhart, D.E. Predicting the future: A connectionist approach, International Journal of Neural Systems, Vol. 1,3, 1990-p. 193-209

39. Аведьян Э.Д. Ассоциативная нейронная сеть СМАС. Часть 1.// Информационные технологии. — 1997. — № 3. — С. 6-14.

40. Автоматизированная система проектирования искусственной нейронной сети «NeuroNADS»—Режим доступа:hltp://www.innovaterussia.ru/project/share/vxGOTU, свободный

41. Ададуров С.Е., Гапанович В.А., Л я бах H.H., Шабельников А.Н. Железнодорожный транспорт: на пути к интеллектуальному управлению. Монография. — Ростов-на-Дону: 2009. 322 с.

42. Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Классификация и снижение размерности.— М.: Финансы и статистика, 1989.— 607 с.

43. Алгоритм нейронной сети (Майкрософт) Электронный ресурс.: техническое описание — Режим доступа: http://msdn.microsofl.com/ru-ru/library/msl74941.aspx, свободный.

44. Белявский Г.И., Пучков Е.В., Чернов A.B. Автоматизированная система проектирования искусственной нейронной сети // Программные продукты и системы: № 2. Тверь, 2011. - с. 30 - 34. (издание, рекомендованное ВАК РФ)

45. Библиотека MSDN (по-русски) Электронный ресурс. — Режим доступа: http://msdn.microsoft.com/ru-ru/library/default.aspx, свободный.

46. Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применения. Харьков: ТЕЛЕТЕХ, 2004. - 369 с.

47. Бражников А. С., Малеева А. В. Методы оценки качества кредитного портфеля коммерческого банка. Сборник научных трудов СевКавГТУ. Серия «Экономика». 2008, № 8.

48. Вапник В. Н. Восстановление зависимостей по эмпирическим данным. — М.: Наука, 1979. — 448 с.

49. Введение в RBF сети Электронный ресурс. — Режим доступа: http://www.basegroup.ru/library/analysis/neural/rbf, свободный.

50. Введение в искусственный интеллект: учеб. Пособие для студ. Высш. Учеб. Заведений / Л.Н. Ясницкий. 2-е изд., испр. - М.:

51. Издательский центр «Академия», 2008. 176 с.

52. Вигерс Карл. Разработка требований к программному обеспечнию. /Пер, с англ. М.: Издательско-торговый дом "Русская Редакция", 2004. -576с.: ил.

53. Воронцов К.В. Лекции по искусственным нейронным сетям, 2005 г.

54. Галушкин А.И. Континуальные нейронные сети. // Нейрокомпьютер, 1992, №2,с.9-14.

55. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учеб. пособие для вузов / Общая ред. А. И. Галушкина. М: ИПРЖР, 2000.-528 с: ил. (Нейрокомпьютеры и их применение).

56. Галушкин А.И. Теория нейронных сетей. Кн.1: Учеб. пособие для вузов / Общая редакция А.И. Галушкина. Кн.1.- М.: ИПРЖР, 2000.416 е.: ил. (Нейрокомпьютеры и их применение).

57. Гапанович В.А., Шабельников А.H О разработке автоматизированных сортировочных систем // Железнодорожный транспорт. 2010. - N 8. - С. 23-25.

58. Главные компоненты и факторный анализ Электронный ресурс. — Режим доступа: http://www.statsoit.ru/home/textbook/modules/stfacan.html, свободный.

59. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы / Под ред. В.М. Курейчика. 2-е изд., испр. и доп. - М.: ФИЗМАТЛИТ, 2006. - 320 с.

60. Горбань А.Н. Обучение нейронных сетей. М.: изд. СССР-США СП "ParaGraph", 1990. 160с. (English Translation: AMSE Transaction, Scientific Siberian, A, 1993, Vol. 6. Neurocomputing, pp. 1-134).

61. Горбань А.Н., Россиев Д.А. Нейронные сети па персональном компьютере. Новосибирск: Наука. Сибирская издательская фирма РАН. 1996. 276 с.

62. Джонс М.Т. Программирование искусственного интеллекта в приложениях / М. Тим Джонс ; Пер. с англ. Осипов А.И. — М.: ДМК Пресс, 2004.-312 с: ил.

63. Ежов A.A., Шумский С.А., Нейрокомпьютинг и его применение в экономике и бизнесе.-М.:МИФИ, 1998.-224с.

64. Емельянов В. В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. — М.: ФИЗМАТ ЛИТ, 2003. 432 с.

65. Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах. К.: «Издательский Дом «Слово». - 2008. - 344 с.

66. Залманзон Л.А. Преобразования Фурье, Уолша, Хаара и их применение в управлении, связи и других областях. М.: Наука. Гл. ред. Физ.-мат. Лит., 1989. - 496 с.

67. Интеллектуальный анализ данных (Data Mining) по версии Microsoft Электронный ресурс. — Режим доступа: http://microsoftbi.ru/2009/08/05/data-mining, свободный.

68. Казиев, Г.Д. Задачи технического перевооружения сортировочных станций / Г.Д. Казиев, А.Г. Савицкий // АСИ. 2007. - № 4.

69. Кацко И.А. Методические аспекты создания аналитических систем на железнодорожном транспорте. Научно-технический журнал "Вестник Ростовского государственного университета путей сообщения": №3. -Ростов н/Д: Изд-во РГУПС, 2007. - 144 е., с. 33-37.

70. Кобзев В.А. Технические средства сортировочных горок, обеспечивающие безопасность движения. Часть I. Учебное пособие — М.: МИИТ, 2009 92 с.

71. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения. Доклады АН СССР. 1957. — Т. 114 — N5 -с.953-956

72. Кохонен Т. Ассоциативная память. Изд. Мир. - 1980. - 240 с.

73. Кохонен Т. Самоорганизующиеся карты. — Изд. Бином. Лаборатория знаний. 2008. - 653 с.

74. Кричевский М. Л. Интеллектуальный анализ данных в менеджменте: Учеб. пособие / СПбГУАП. СПб., 2005. 208 е.: ил.

75. Круглов В. В. Дли М. И. Годунов Р. Ю. Нечёткая логика и искусственные нейронные сети. М.: Физматлит, 2001. 221с.

76. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. — М.: Горячая линия — Телеком, 2002. 382с. : ил.

77. Кузнецов, Л.П. Автоматизация технологических процессов в системе оперативного управления сортировочной станцией / Л.П. Кузнецов, В.Н. Иванченко, H.H. Лябах, Ю.А. Самойленко. Ростов н/Д.: РИИЖТ, 1984.-77 с.

78. Купер А., Рейман Р., Кронип Д. Алан Купер об интерфейсе. Основы проектирования взаимодействия. — Пер. с англ. — СПб.: Символ-Плюс, 2009. 688 е. ил.

79. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. — М.: Финансы и статистика, 2003. — 416 с.

80. Лябах Н. Н, В. А. Тартынский, А. В. Денисов Мониторинг и прогнозирование показателей работы горок // Железнодорожный транспорт. 2010. - N 8. - С. 39-41.

81. Лябах H.H., Шабельников А.Н. Техническая кибернетика на железнодорожном транспорте. Ростов н/Д.: Изд-во Северо-Кавказского научного центра высшей школы. 2002. - 232 с.

82. Малла С. Вэйвлеты в обработке изображений, Мир, 2005, 670стр.

83. Мамаев, Э.А. Управление региональными транспортными системами в исловиях изменений: проблемы и модели: монография / Э.А. Мамаев; Рост. Гос. Ун-т путей сообщения. Ростов н/Д, 2005. - 195 с.

84. Миркес Е.М Учебное пособие по курсу НЕЙРОИНФОРМАТИКА, Красноярск, 2002 Электронный ресурс. —

85. Режим доступа: http://lib.rus.ec/b/201279/read, свободный.

86. Нейрокомпьютер. Проект стандарта / Е.М. Миркес -Новосибирск: Сибирская издательская фирма РАН, 1998. 188 с.

87. Нейронные сети. Statistica Neural Networks: Методология и технологии современного анализа данных / Под редакцией В.П. Боровикова. — 2-е изд., перераб. и доп. — М.: Горячая линия — Телеком, 2008.-392 е., ил.

88. Нейросети в задачах отображения Электронный ресурс. — Режим доступа: http://www.victoria.lviv.ua/html/oio/html/theme8rus.htm, свободный.

89. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука. Гл. ред. Физ.-мат. Лит., 1986. - 312 с. — (Проблемы искусственного интеллекта).

90. Первозванский A.A. Курс теории автоматического управления. -М.: Наука, 1986.-616 с.

91. Первые 10 способов очистки данных Электронный ресурс. ■— Режим доступа: http://office.microsoft.com/ru-ru/excel-help/HAOl 0221840.aspx, свободный.

92. Поддержка новой встроенной базы данных в ASP.NET Электронный ресурс. — Режим доступа: http://blogs.msdn.eom/b/ruscottgu/archive/2010/07/16/new-embedded-database-support-with-asp-net.aspx, свободный.

93. Прикладные нечеткие системы: Пер. с япон. / К. Асаи, Д. Ватада, С. Иваи и др.; под редакцией Т. Тэрано, К. Асам, М. Сугэпо. — М.: Мир, 1993.-368 е., ил.