Система экспресс-анализа массы крыла на основе искусственной нейронной сети тема диссертации и автореферата по ВАК РФ 05.13.12, кандидат технических наук Абашев, Олег Викторович

  • Абашев, Олег Викторович
  • кандидат технических науккандидат технических наук
  • 2011, Москва
  • Специальность ВАК РФ05.13.12
  • Количество страниц 149
Абашев, Олег Викторович. Система экспресс-анализа массы крыла на основе искусственной нейронной сети: дис. кандидат технических наук: 05.13.12 - Системы автоматизации проектирования (по отраслям). Москва. 2011. 149 с.

Оглавление диссертации кандидат технических наук Абашев, Олег Викторович

ОСНОВНЫЕ СОКРАЩЕНИЯ, ОБОЗНАЧЕНИЯ И ИНДЕКСЫ.

ВВЕДЕНИЕ.

1 АНАЛИЗ СИСТЕМ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ

И ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ.

1.1 Обзор систем автоматизированного проектирования.

1.1.1 Структура, особенности и тенденции развития современных САПР.

1.1.2 Сравнительный анализ САПР в области весовых расчетов и предпосылки к созданию системы экспресс-анализа.

1.3 Существующие подходы к расчету массы крыла магистрального самолета.

1.4 Искусственные нейронные сети как инструмент аппроксимации функции многих переменных.

1.4.1 Классические методы аппроксимации.

1.4.2 Парадигма искусственных нейронных сетей.

1.4.3 Обзор применения искусственных нейронных сетей в аэрокосмической промышленности.

1.5 Постановка задачи исследования.

2 МЕТОДИКА РАСЧЕТА ОТНОСИТЕЛЬНОЙ МАССЫ КРЫЛА ПАССАЖИРСКОГО САМОЛЕТА С ПОМОЩЬЮ ИСКУССТВЕННОЙ НЕЙОННОЙ СЕТИ.

2.1 Методика использования аппарата нейронных сетей для весовых расчетов.

2.2 Выбор расчетных параметров крыла и системы ограничений.

2.3 Определение типа нейронной сети и выбор исходных параметров.

2.4 Общий алгоритм работы многослойной искусственной нейронной сети.

2.5 Определение топологических параметров многослойной искусственной нейронной сети.

2.6 Активационные функции.

2.7 Предварительная обработка и нормирование входных данных.

2.8 Формирование обучающей и контрольной выборок.

2.9 Обучение многослойной искусственной нейронной сети.

2.10 Выбор коэффициента обучения.

3 СИСТЕМА ЭКСПРЕСС-АНАЛИЗА ОТНОСИТЕЛЬНОЙ МАССЫ КРЫЛА САМОЛЕТА.

3.1 Требования к интеллектуальным системам.

3.2 Основные характеристики системы экспресс-анализа Neuro Works.

3.3 Описание интерфейса системы Neuro Works.

3.4 Тестовый численный эксперимент.

4 ПРОЕКТНЫЕ ИССЛЕДОВАНИЯ СИСТЕМЫ ЭКСПРЕСС-АНАЛИЗА NEURO WORKS.

4.1 Постановка задачи, ограничения, учитываемые факторы, принимаемые в рамках исследования.

4.2 Формирование обучающих выборок для обучения многослойной искусственной нейронной сети.

4.3 Проведение численного эксперимента.

4.3.1 Влияние на ошибку вычисления топологии МИНС и активационных функций.

4.3.2 Влияние на ошибку вычислений целевой функции ошибки.

4.3.3 Влияние на ошибку вычислений степенного коэффициента активационной функции.

4.3.4 Влияние на ошибку вычислений коэффициентов при модифицированной целевой функции ошибки.

4.3.5 Влияние на ошибку вычислений коэффициента скорости обучения.

4.3.6 Проектные рекомендации по использованию СЭА ОМК

Neuro Works.

ВЫВОДЫ.

Рекомендованный список диссертаций по специальности «Системы автоматизации проектирования (по отраслям)», 05.13.12 шифр ВАК

Введение диссертации (часть автореферата) на тему «Система экспресс-анализа массы крыла на основе искусственной нейронной сети»

Автоматизация процедуры формирования облика самолета является сложной и комплексной проблемой. Сложность определяется многообразием типов летательных аппаратов, конструктивно-силовых схем, технических решений и т.д. Комплексность проблемы заключается в необходимости учитывать множество ограничений, накладываемых на облик самолета (геометрических, аэродинамических, прочностных и пр.).

Одной из важных математических моделей, рассматриваемой при проектировании магистрального самолета, является весовая модель. Существующие в настоящее время зависимости по определению массы конструкции на ранних этапах проектирования являются агрегированными с неизменяемым числом параметров, описывающих агрегат. Такие методики имеют ограниченное применение. Это объясняется рядом причин:

- коэффициенты в формулах соответствуют выборкам, состав которых проектировщик не может изменить, а выбор новых коэффициентов является трудоемкой задачей;

- формулы используют строго фиксированный набор проектных параметров, который можно изменить только построением новой зависимости или добавлением уточняющих членов.

Анализ систем автоматизированного проектирования (САПР), в части весовых расчетов, показал неудовлетворительную точность результатов весовых расчетов и ограниченную применимость дл я решения проектных задач на различных стадиях разработки современного магистрального самолета, в частности, на этапе формирования облика.

Актуальность проблемы и возможность ее решения на новом методологическом уровне обусловили выбор темы исследования. Существующие противоречия между повышением качества проектных работ, сокращением сроков проектирования и снижением материальных затрат привели к необходимости поиска новых методов и средств математического моделирования процедуры весового анализа. Решение данной задачи потребовало разработки принципиально нового класса программных продуктов, позволяющих инженеру-проектировщику или расчетчику в минимальные сроки рассмотреть множество альтернативных конструктивно-параметрических вариантов и оценить их влияние на весовые характеристики создаваемого самолета. Соискателем создана компьютерная система для расчета массы крыла самолета, решающая перечисленные задачи, в соответствии с предъявляемыми требованиями.

В настоящее время при проектировании конструкций в различных областях техники, в частности в авиации, большое внимание уделяется применению интеллектуальных систем. Основными направлениями использования интеллектуальных систем в аэрокосмической промышленности являются управление, диагностика и работоспособность ЛА, оценка состояния агрегатов, создание интеллектуальных интерфейсов и т.д. Внедрение методов искусственного интеллекта на различных этапах проектирования объясняется стремлением учесть неформализуемую информацию, необходимостью обработки больших объемов информации, поиском оригинальных решений, повышающих эффективность изделия, снижением сроков исследовательских и конструкторских работ.

Методологической и теоретической основой исследования стали фундаментальные труды в области искусственных нейронных сетей (ИНС) Ф. Уоссермена, Б. Уидроу, А.Н. Горбаня, А.И. Галушкина, С. Хайкина и др. В работах этих авторов приведены основные математические модели ИНС, рассмотрены алгоритмы их обучения, даны общие рекомендации по применению многослойных нейронных сетей. В труде С. Хайкина приводятся подходы к увеличению скорости обучения нейронной сети без существенного ухудшения точности аппроксимации.

Помимо работ в области искусственных нейронных сетей, в основу исследования положены труды, посвященные проектированию самолетов, в частности весовому. К таким трудам относятся работы В.М.Шейнина, В.И.

Козловского, A.A. Бадягина, Э. Торенбика, С.М. Егера, В.Ф. Мишина, Н.К. Лисейцева.

Анализ работ показывает несоответствие уровня научно-методического обеспечения САПР в части весового проектирования требованиям, предъявляемым к современным магистральным самолетам. Необходимо разработать качественно новые подходы для расчета массы конструкции с целью дальнейшего повышения качества принятия технических решений на ранних стадиях проектирования.

Практическая ценность диссертационной работы

Разработано научно-методическое обеспечение определения относительной массы крыла магистрального самолета на этапе предварительного проектирования с помощью многослойной искусственной нейронной сети. Выявлен характер влияния параметров искусственной нейронной сети на точность расчета. Математическая модель реализована в виде системы Neuro Works экспресс-анализа определения массы крыла (СЭА ОМК), которая может использоваться в составе системы формирования облика самолета. Система позволяет рассчитывать массу крыла пассажирского самолета с точностью до 5% .

Результаты работы могут быть использованы в НИИ и ОКБ авиационной промышленности при разработке комплексных интеллектуальных систем проектирования и подготовке специалистов в авиационных высших учебных заведениях.

Внедрение результатов работы

Разработанная методика проведения весовых расчетов с помощью аппарата искусственных нейронных сетей, весовая нейросетевая математическая модель крыла, а также алгоритмы, процедуры и система экспресс-анализа Neuro Works внедрены на ОАО «Авиационный комплекс им. C.B. Ильюшина» и на кафедре «Инженерная графика» МАИ.

Основные теоретические положения и некоторые результаты исследования опубликованы автором в научных статьях [92, 96, 100, 101], а также содержатся в тезисах докладов [83-91, 93-95, 97-99] на научно-технических конференциях всероссийского и международного значения.

Объем и структура работы

Диссертационная работа состоит из введения, четырех разделов, списка литературы и приложения. Общий объем диссертации - 149 страниц, включая 18 таблиц и 56 рисунков.

Похожие диссертационные работы по специальности «Системы автоматизации проектирования (по отраслям)», 05.13.12 шифр ВАК

Заключение диссертации по теме «Системы автоматизации проектирования (по отраслям)», Абашев, Олег Викторович

выводы

Предложена методика автоматизированного проектного анализа массы крыла пассажирского самолета с использованием математического аппарата многослойных искусственных нейронных сетей.

Сущность методики заключается в рациональном выборе топологических и аналитических параметров многослойной нейронной сети, определении характеристик обучающей выборки, что позволяет решить задачу поиска с заданной точностью массы крыла пассажирского самолета на этапе предварительного проектирования.

1. Сформированные обучающие выборки, составленные по критерию взлетной массы, позволяют проводить проектные исследования для магистральных самолетов. В выборке Р, содержатся параметры 9 пассажирских самолетов с взлетной массой не более 50000 кг. Выборка Р2 составлена из данных о 25 самолетах с взлетной массой свыше 50000 кг, но не более 200000 кг. Обучающая выборка Р3 содержит расчетные параметры, соответствующие им взлетные массы, 8 самолетов с массой больше 200000 кг. В выборке Р0 (Р^Ро, Р2сР0 и Р3сР0) представлены данные о всех самолетах, выбранных в качестве обучающих примеров.

2. Созданная система экспресс-анализа на базе искусственной нейронной сети №иго\¥огкз, реализует математическую весовую модель крыла. Система также позволяет проводить расчет массы крыла по альтернативным методикам.

3. Проектные исследования системы экспресс-анализа для определения относительной массы крыла пассажирского самолета показали, что: -искусственная однослойная нейронная сеть 5<А/"1 <10 (с размерностью

30. 60 связей) обеспечивает точность вычисления - 5. 7% по абсолютной величине. При размерности 30.40 связей сеть рассчитывает завышенные значения массы. Обучение нейронной сети с активационными функциями НурТап, Lin и Pow требует от 20 до 30 эпох. Для сети с функциями Sigm и SigmR число эпох, затраченных на обучение, равно 60. 100; -трехслойная сеть 5 х Nx х N2 х N3 х 1 с активационной функцией НурТап и числом весовых связей от 8 до 280 приводит к росту ошибки с 5 % для Nw «40 до 10% для Nw ~ 200. Минимальной ошибке соответствует сеть 5x1x9x5x1 с активационной функцией НурТап, величина ошибки вычисления - А = 5,058% ; -при значениях коэффициента скорости обучения х>об е [5 • 10~3; Ю-1] нейронная сеть рассчитывает значение относительной массы крыла самолета с ошибкой Д«1%. Минимальная ошибка вычислений составляет до 0,5% для параметра иоб=0Д. Увеличение значения коэффициента скорости обучения до 0,5 приводит к небольшому росту ошибки расчета до А « -2%.

Таким образом, в данной диссертационной работе разработано научное, методическое (подходы, алгоритмы) и программное обеспечение (система Neuro Works) процедуры весового анализа крыльев магистральных самолетов с взлетным весом от 100 до 250 т с использованием математического аппарата искусственных нейронных сетей при анализе проектных решений при формировании облика самолета.

ЗАКЛЮЧЕНИЕ

Снижение массы конструкции является одной из основных задач при проектировании пассажирского самолета. Однако на этапе предварительного проектирования возникают трудности с оценкой массы агрегатов самолета и выбором компоновочных и конструктивных решений.

Решение данной задачи требует разработки нового инструмента проектировщика - системы экспресс-анализа, основанной на парадигме искусственных нейронных сетей, которая позволяет с заданной точностью построить функциональную зависимость массы крыла от выбранных параметров.

Для обеспечения заданных требований система экспресс-анализа относительной массы крыла должна обладать следующими качествами:

- высокой точностью расчета;

- иметь интуитивно понятный интерфейс;

- возможностью использования для различных типов пассажирских самолетов (ближне-, средне- и дальнемагистральных);

- быть легко реализуемой программными средствами и возможностью интеграции с автоматизированными системами проектирования.

Проведенный анализ существующих систем формирования облика самолета, а также средств разработки, основанных на аппарате искусственных нейронных сетей, показал необходимость разработки специализированного программного продукта для решения задачи анализа проектных решений при проектировании магистральных самолетов. Это обусловило выбор направления данного диссертационного исследования. Теоретической основой исследования стали труды ведущих специалистов РАНН, СО РАН, Института нейрокибернетики, МГТУ, МАИ, ЦАГИ в области искусственного интеллекта и проектирования самолетов.

Научная новизна диссертации заключается в разработке формально-эвристических методов, моделей и алгоритмов САПР и процедур решения задачи анализа проектных решений при проектировании магистральных самолетов.

В ходе работы выбраны параметры магистрального самолета, используемые в нейросетевой математической весовой модели крыла, проанализированы рациональные параметры многослойной искусственной нейронной сети для проведения весовых расчетов: тип функции активации, количество слоев и число нейронов на слоях, способы представления и нормировки данных, методы формирования обучающих выборок, целевые функции.

Создана система экспресс-анализа массы крыла самолета для анализа проектно-конструкторских и компоновочных решений при проектировании магистральных самолетов.

Список литературы диссертационного исследования кандидат технических наук Абашев, Олег Викторович, 2011 год

1. Егер С.М., Мишин В.Ф., Лисейцев Н.К. и др. Проектирование самолетов. / М.: Машиностроение, 1983. - 616 с.

2. Шейнин В.М., Козловский В.И. Весовое проектирование и эффективность пассажирских самолетов. Том 1. Весовой расчет самолета и весовое планирование. / М.: Машиностроение, 1977. 344 с.

3. Шейнин В.М., Козловский В.И. Весовое проектирование и эффективность пассажирских самолетов. Том 2. Расчет центровки и моментов инерции самолета. Весовой анализ. / М.: Машиностроение, 1977. 204 с.

4. Бадягин А.А., Мухамедов Ф.А. Проектирование легких самолетов. /М.: Машиностроение, 1978. -208 с.

5. Торенбик Э. Проектирование дозвуковых самолетов. / Пер. с англ. М.: Машиностроение, 1983. - 648 с.

6. Курс лекций Стенфордского университета АА241А и В Aircraft Design: Synthesis and Analysis http://adg.stanford.edu/aa241/AircraftDesign.html.

7. Raymer, Daniel P. Aircraft Design: a conceptual approach. / AIAA Inc., Washington, DC, 1989.

8. Corke, Thomas C. Design of Aircraft. / Pearson Education, Inc, NY, 2003.

9. Jenlinson L.R., Simpkin P., Rhodes D. Civil jet aircraft design. Arnold, London, 1999.

10. Jenkinson L. R., Marchman III J.F. Aircraft design projects. ButterworthHeinemann, Oxford, 2003.

11. Roskam J. Airplane design. Part V: Component Weight Estimation. RAEC, 1985.

12. Бадягин А.А., Егер C.M., Мишин В.Ф., Склянский Ф.И., Фомин H.A. Проектирование самолетов. / М.: Машиностроение, 1972. 516 с.

13. Шейнин В.М., Козловский В.И. Проблемы проектирования пассажирских самолетов. / М.: Машиностроение, 1972. 308 с.

14. Kroes M. J., Rardon J. R. Aircraft basic science. Glencoe/McGraw-Hill, New York, 1988.

15. Wilkinson R. Aircraft structures and systems. Longman, Harlow, 1996.

16. Fielding J.P. Introduction to aircraft design. University press, Cambridge, 1999.

17. Микиладзе В.Г., Титов B.M. Основные геометрические и аэродинамические характеристики самолетов и ракет: Справочник. / М.: Машиностроение, 1990. 149 с.

18. Рябенький B.C. Введение в вычислительную математику. / М.: ФИЗМАТЛИТ, 2000. 296 с.

19. Корн Г., Корн Т. Справочник по математике (для научных работников и инженеров). / М.: Мир, 1974. 832 с.

20. Бахвалов Н.С., Жидков Н.П., Кобельков Г.М. Численные методы. / М.: Наука, 1987.-630 с.

21. Вержбицкий В.М. Численные методы (математический анализ и обыкновенные дифференциальные уравнения): Учебное пособие для вузов. / М.: Высшая школа, 2001. 382 с.

22. Бронштейн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся втузов. / М., Наука, 1986. 544 с.

23. Выгодский М.Я. Справочник по высшей математике. / М.: ACT: Астрель, 2006.-991 с.

24. Терехов С.А. Нейросетевые информационные модели сложных информационных систем. // В сб. «Нейроинформатика» / А.Н. Горбань и др. Новосибирск: Наука, 1998.-С. 101-136.

25. Пресс-релиз NASA №96-154 от 2 августа 1996 г.

26. Кретинин A.B., Солдатов Д.В., Шалыто A.A., Шостак A.B. Использование нейросетевых конечных автоматов для моделирования функционирования агрегатов жидкостного ракетного двигателя. // Информационные технологии. 2005. - №8. - С.47-53.

27. Кретинин A.B., Солдатов Д.В., Шалыто A.A., Шостак A.B. Ракеты. Автоматы. Нейронные сети. // Информационные технологии. 2005. -№5. - С.50-59.

28. Брусов B.C., Тюменцев Ю.В. Синтез оптимального ансамбля нейроконтроллеров для многорежимного летательного аппарата. // Нейроинформатика-99. 1999. - Часть 2. - С. 190-201.

29. Орленко В.М., Битюцкий A.C. Нейрокомпьютерное распознавание типов аэродинамических целей. // Доклады международной научной конференции «Нейросетевые технологии и их применение». -Краматорск, 2002.

30. Голамреза 3. Применение нейронной сети для выбора траектории маловысотного полета. // Нейроинформатика-99. 1999. - Часть 2. -С.229-236.

31. Будкина Е.М. Нейросетевой метод оценивания параметров состояния летательного аппарата по результатам измерений. // Электронный журнал «Труды МАИ». 2001. - Выпуск № 6.

32. Новости зарубежной науки и техники. // 1987. -№1. С. 1-36.

33. Schumann J., Gupta P. Monitoring the Performance of a neuro-adptive Controller. RIACS / NASA Ames Research Center, 2005.

34. SIGNAL Magazin, февраль 1991.

35. Dunn H. J., Doggett Robert V., Jr. The Use of the Regier Number in the Structural Design With Flutter Constraints. NASA Technical Memorandum 108128, August 1994.

36. Жернаков C.B. К вопросу о построении гибридных нейро-нечетких экспертных систем диагностики и контроля ГТД. // Управление в сложных системах. Разработка автоматизированных систем. Уфа, 1999. - С. 119126.

37. Энциклопедия кибернетики. Том 1. / К.: Главная редакция УСЭ, 1974. -608 с.

38. Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей. // Лаборатотория Искусственных Нейронных Сетей НТО-2, ВНИИТФ, Снежинск, 1998.

39. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе http://www.neuroproject.ru/Papers/Neurocomputing.htm

40. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика. / М., Мир, 1992.-240 с.

41. Poli R., Cagnoni S., Livi R. et al. A Neural Network Expert System for Diagnosing and Treating Hypertension // Computer 1991. -N.3. - P.64-71.

42. Hanson Curtis E. A Fuzzy Technique for Performing Lateral-Axis Formation Flight Navigation Using Wingtip Vortices. NASA/TM-2003-212033, September 2003.

43. Moerder Daniel D., Pamadi Bandu N. Constrained Minimization of Smooth Functions Using a Genetic Algorithm. NASA Technical Paper 3329, November 1994.

44. Widrow В., Lehr M.A. 30 years of adaptive neural networks: perceptron, madaline, and backpropagation // Proceedings of the IEEE, vol. 78, No. 9, September, 1990, p. 1415-1442.

45. Гаврилов A.B. Гибридные интеллектуальные системы. / Новосибирск: Изд-во НГТУ, 2003. 164 с.

46. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. / Пер. с англ. М.: ТВП, 1997.-236 с.

47. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. / Главная редакция физико-математической литературы издательства «Наука», М., 1979. 449 с.

48. Кимбл Г. Как правильно пользоваться статистикой. / Пер. с англ. М.: Финансы и статистика, 1982. - 294 с.

49. Крамер Г. Математические методы статистики. / Пер. с англ. М.: Мир, 1975.-648 с.

50. Джонсон Н., Лион Ф. Статистика и планирование эксперимента в технике и науке. / Пер. с англ. -М.: Мир, 1980. 510 с.

51. Фишер P.A. Статистические методы для исследователей. / Пер. с англ. -М.: Госстатиздат, 1958. 267 с.

52. Львовский E.H. Статистические методы построения эмпирических формул: Учеб. пособие для втузов. / М.: Высшая школа, 1988. 239 с.

53. Сотник С.Л. Конспект лекций по курсу «Основы проектирования систем искусственного интеллекта, 1997-1998. http://scintific.narod.ru/neural.htm

54. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии: Учебное пособие. / М.: Издательство МГТУ им. Н.Э. Баумана, 2005.-304 с.

55. Бровкова М.Б. Системы искусственного интеллекта в машиностроении: Учебное пособие. / Саратов: Саратовский государственный технический университет, 2004. 119 с.

56. Айзерман М.А., Гусев Л.А. и др. Логика. Автоматы. Алгоритмы. / М.: Физматгиз, 1963. 556 с.

57. Горбань А.Н. Обучение нейронных сетей. / М.: ПараГраф, 1990. 160 с.

58. Hertz, J., Krogh, A., and Palmer, R. «Introduction to the Theory of Neural Computation». Addison-Wesley, 1991.

59. Каллан P. Основные концепции нейронных сетей. / Пер. с англ. М.: Издательский дом «Вильяме», 2001. - 287 с.

60. Jain Anil К., Jianchang Мао, K.M. Mohiuddin «Artificial Neural Networks: A Tutorial". Computer, Vol. 29, No. 3, March/1996, pp. 31-44.

61. Горбань A.H., Дунин-Барковский В.Л., Кирдин А.Н. и др. Нейроинформатика. / Новосибирск: Наука. Сибирское предприятие РАН, 1998.-286 с.

62. Миркес Е.М. Нейроинформатика: Учебное пособие. / Красноярск: ИВМ СО РАН, 2002.

63. Галушкин А.И. Теория нейронных сетей. Кн. 1. Теория нейронных сетей: Учебное пособие для вузов. / М.: ИПРЖР, 2000. 416 с.

64. Галушкин А.И. Теория нейронных сетей. Кн. 5. Нейронные сети: история, развития, теории: Учебное пособие для вузов. / М.: ИПРЖР, 2001. 840 с.

65. Розенблатт Ф. Принципы нейродинамики. / М.: Мир, 1965. 480 с.

66. Вороновский Т.К., Махатило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. / Харьков: ОСНОВА, 1997. 112 с.

67. Осовский С. Нейронные сети для обработки информации. / Пер. с польск. М.: Финансы и статистика, 2002. - 344 с.

68. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры: Учеб. пособие для вузов. / М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. 400 с.

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

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

71. Хайкин С. Нейронные сети: полный курс. / Пер. с англ. М.: Издательский дом «Вильяме», 2006. - 1104 с.

72. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей. // Сибирский журнал вычислительной математики. Новосибирск, 1998. - Т.1, №1. - С. 12-24.

73. Яхъяева Г.Э. Нечеткие множества и нейронные сети. / М.: БИНОМ. Лаборатория знаний, 2006. 316 с.

74. Лю Б. Теория и практика неопределенного программирования. / Пер. с англ. М.: БИНОМ. Лаборатория знаний, 2005. - 416 с.

75. Уидроу Б., Стирнз С. Адаптивная обработка сигналов. / Пер. с англ. М.: Радио и связь, 1989. - 440 с.

76. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. / Пер. с польск. М.: Горячая линия-Телеком, 2006. - 452 с.

77. Сабуров C.B. Языки программирования С и С++. / М.: Бук-пресс, 2006. -647 с.

78. Культин Н.Б. С++ Builder в задачах и примерах. / СПб.: БХВ-Петербург, 2005.-336 с.

79. Ермолаев В., Сорока Т. С++ Builder: Книга рецептов. / М.: КУДИЦ-ОБРАЗ, 2006. 208 с.

80. Холингвэрт Дж., Баттерфилд Д., Сворт Б., Оллсоп Дж. С++ Builder 5. Руководство разработчика. Том 1. / Пер. с англ. М.: Вильяме, 2001. - 880 с.

81. Кирьянов Д.В. Самоучитель Mathcad 11. / СПб.: БХВ-Петербург, 2003. -560 с.

82. Дементьев Ю.В. САПР в автомобиле- и тракторостроении. / М.: Издательский центр «Академия», 2004. 224 с.

83. Абашев О.В. Методика оптимизации формы кронштейна с использованием CAD/CAM/CAE-систем. // «Новые информационные технологии». Тезисы докладов VII-ой международной студенческой школы-семинара. М.: МИЭМ, 1999. - С. 57-58.

84. Абашев О.В. Методика проектирования конструкций в среде Unigraphics. // «Новые информационные технологии». Тезисы докладов VIII-ой международной студенческой школы-семинара. М.: МИЭМ, 1999. - С. 112-113.

85. Абашев О.В., Мурованная Е.Ю. SolidWorks и ЕСКД решение проблем. // САПР и графика, 2002.-№1.-С. 29-35.

86. Абашев O.B. SolidWorks и партнерские приложения. Азбука проектирования. // САПР и графика, 2002. №3. - С. 72-76.

87. Дудка В.Д., Морозов A.A., Моисеев H.H., Колесников Г.И., Мурованная Е.Ю., Абашев О.В. Технологии XXI века в отечественной промышленности: опыт внедрения SolidWorks на ГУП «КБП». // САПР и графика, 2002. №10. - С. 82-87.

88. Абашев О.В. Комплексный инженерный анализ с использованием семейства программных продуктов COSMOS. // САПР и графика, 2005. -№4.-С. 29-35.

89. Абашев О.В. Искусственный интеллект. // Прикладная геометрия, инженерная графика, компьютерный дизайн. 2008. - №4 (14) - С. 17-24.

90. Абашев О.В. Оценка массы крыла при проектировании самолета с помощью нейронной сети. // XVI-e Туполевские чтения «Актуальные проблемы авиастроения», 2008.

91. Абашев О.В. Использование искусственной нейронной сети для весовых расчетов. // «XXXIV Гагаринские Чтения». Всероссийская молодежная научная конференция, 2008.

92. Абашев О.В., Куприков М.Ю. Применение искусственных нейронных сетей при проектировании самолетов. // Вестник МАИ. 2008. - Т. 15 №5 -С. 27-33.

93. Абашев О.В., Чувашова И.В. Применение инновационной экспертной системы ExpertAvia // Применение инновационных технологий в научных исследованиях: сб. науч. тр. по материалам Междунар. науч.-практ. конф. Курск: Изд. ЮЗГУ, 2010. 447 с. С. 296-297.

94. Абашев О.В. Методика весовых расчетов узлов и агрегатов самолета с применением искусственной нейронной сети. // Электронный журнал «Труды МАИ». 2011. - Выпуск № 46. http://www.mai.ru/science/trudy.

95. ЮО.Абашев О.В. Применение инструментов искусственного интеллекта в системе формирования облика самолета. // В мире научных открытий. -Красноярск: Научно-инновационный центр, 2011. №8. - С. 105-117.

96. Абашев О.В. Использование алгоритмов искусственного интеллекта при разработке авиационной техники. // Информационные технологии в проектировании и производстве. М.: ФГУП «ВИМИ». - №4.

97. Пухов А. А. Автоматизация проектирования дозвуковых грузопассажирских самолетов: диссертация доктора технических наук: 05.13.12. / М., 2005.- 248 е.: ил. РГБ ОД, 71 07-5/5.

98. Морозов C.B., Свиредеико Ю.Н. Применение искусственных нейронных сетей для определения распределения нагрузки по размаху крыла пассажирского самолета. // Труды ЦАГИ. Жуковский, 2011. http://www.tsagi.ru/rus/press-center/pub/trudy.

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