Структурно-функциональная организация нейронных сетей в промышленных системах обработки информации: применительно к инженерным сетям нефтегазодобычи тема диссертации и автореферата по ВАК РФ 05.13.01, доктор технических наук Зозуля, Юрий Иванович

• Зозуля, Юрий Иванович
• доктор технических наук
• 2009

Оглавление диссертации доктор технических наук Зозуля, Юрий Иванович

Введение.

Глава 1. Развитие и системная, интеграция интеллектуальных функций промышленных систем обработки информации.

1.1. Формулирование проблемы исследования.

1.2. Анализ состояния инженерных сетей нефтегазодобычи.

1.3. Существующие математические модели и методы контроля и диагностики состояния инженерных сетей.

1.4. Современные программные комплексы контроля и диагностики., состояния инженерных сетей.

1.5. Формулирование цели и задач исследования.

Выводы по главе 1.

Глава 2. Концепция интеллектуального нейрокомпыотинга.

2.1. Нейрокибернетический и нейробионический подходы, к определению структурно-функциональной организации нейронных сетей.

2.2.Представление нейронных структур как функциональных сетей.

2.3. Классификация интеллектуальных нейросистем и разработка концепции,интеллектуального нейрокомпьютинга.

2.3.1. Классификация интеллектуальных нейросистем.

2.3.2. Основные положения концепции интеллектуального нейрокомпьютинга.

2.3.3. Интеллектуальные функции системы обработки информации.

2.3. Классификация нейронных структур и выбор начальной организации нейросистемы.

Выводы по главе 2.

Глава 3. Теоретические основы структурно-функциональной организации нейронных сетей в системах обработки информации.

3.1. Нейросетевые модели обработки информации4.

3.1.1. Нейросетевые модели как.основа интеграции>процессов обработки-информации в интеллектуальных нейросистемах.

3.1.2. Нейросетевая модель для решения задач распознавания образов и классификации состояний объектов.

3.1.3. Нейросетевая модель для* решения задач диагностики и прогнозирования состояния автоматизированного технологического комплекса.

3.1.4. Нейросетевая модель для .решения задач анализа и сведения балансов материальных и энергетических потоков.

3.1.5. Нейросетевая модель для оценки показателей качества продуктов и эффективности производства при управлении технологическими процессами.

3.3. Теорема А.Н.Колмогорова и обобщенная коннекционистская модель обработки информации в нейронных сетях анализаторов данных реального времени.

3.3.1. Нейросетевая интерпретация теоремы А.Н. Колмогорова.

3.3.2. Нейросетевая реализация векторных булевых функций. 120?

3.3.3. Представление векторных функций общего вида.

3.3.4. Обобщенная коннекционистская модель обработки информации.

3.3.5. Дополнительное обучение нейронной сети анализатора.

3.4. Системная интеграция нейронных сетей анализаторов данных реального времени.

Выводы по главе 3.

Глава 4. Нейробионическое моделирование нейронных структур и процессов их согласования.

4.1. Многоуровневое описание нейронных структур в пространстве-времени.

4.1.1. Модель сообщества нейронных сетей.

4.1.2. Модель нервной ткани.

4.1.3. Модель нейронной сети.

4.2. Формирование системы анализаторов в процессе метаинтеграции нейронных сетей.

4.3. Определение дифференциальных и интегральных свойств адаптивных фильтров пространственно-временных сигналов.

4.3.1. Фильтрация пространственно-временных сигналов.

4.3.2. Дифференциальные и интегральные свойства адаптивных фильтров.

4.3.3. Описание детекторов признаков пространственно-временных сигналов.

4.4. Преобразование координат пространства и времени нейросистемы.

4.5. Запоминание и воспроизведение пространственно-временных сигналов и образов в процессе адаптации нейросистемы.

4.6. Функциональное кодирование сигналов нейросистемы и синтез интегральных топографических кодов.

4.7. Согласование организационных, отражающих биологических и отображающих технических элементов и систем ноосферы.

4.7.1. Уточнение постановки проблемы.

4.7.2. Основные положения теории согласования!.

4.7.3. Аксиоматическое определение ноосферы.

4.8. Согласование интеллектуальных нейросистем в реальном пространстве-времени.

4.8.1. Согласование элементов нейросистемы в циклах взаимодействия.

4.8.2. Анализ условий согласования элементов интеллектуальных нейросистем.

4.8.3. Согласование подсистем интеллектуальной нейросистемы в пространстве-времени.

Выводы по главе 4.

Глава 5. Интеграция нейронных сетей анализаторов данных реального времени в составе промышленных систем обработки информации.

5.1. Нейросетевые технологии разработки и системная интеграция анализаторов данных реального времени.

5.2. Анализ состояния инженерных сетей нефтегазодобычи с использованием нейросетевых моделей.

5.2.1. Многоуровневые модели инженерных сетей нефтегазодобычи.

5.2.2. Анализ причин возникновения грубых ошибок при анализе баланса потоков в инженерных сетях нефтегазодобычи.

5.2.3. Архитектура анализатора состояния участка инженерной сети.

5.2.4. Метаинтеграция нейросетевых моделей участков инженерной сети.

5.3. Разработка интеллектуальной нейросистемы для обнаружения утечки в трубопроводе.

5.4. Разработка и интеграция интеллектуальных нейросистем, обеспечивающих оптимизацию процессов'добычи нефти-.

5.5. Программное и информационное обеспечение для генерирования и интеграции нейронных сетей.

5.6. Методическое обеспечение системы производственного учета и анализа баланса потоков нефтепромысла.

5.7. Внедрение разработанных способов анализа данных реального времени о состоянии инженерных сетей.

Выводы по главе 5.

Введение диссертации (часть автореферата) на тему «Структурно-функциональная организация нейронных сетей в промышленных системах обработки информации: применительно к инженерным сетям нефтегазодобычи»

Нейросетевые технологии искусственного интеллекта находят растущее применение при разработке интеллектуальных датчиков и развитых промышленных систем обработки информации в стратегически важных отраслях производства. Они позволяют не только создавать модели автоматизируемых объектов в простом; нейросетевом базисе, включающем, операции взвешенного суммирования входных сигналов и операции вычисления функций одного переменного, но и выполнять идентификацию параметров этих моделей на основе данных реального времени, с использованием алгоритмов обучения нейронных сетей.

В диссертации * изложены основные результаты ряда работ автора, направленных на совершенствование существующих нейросетевых. технологий искусственного интеллекта: выявление принципов структурно-функциональной организации нейронных сетей в промышленных системах обработки информации (СОИ), разработку математических моделей нейронных структур искусственного и естественного происхождения; реализацию технологии создания и системной интеграции интеллектуальных подсистем, обеспечивающих обработку пространственно-временных сигналов и образов в нейросетевом базисе в составе развитых (advanced) АСУ ТП и MES-систем [24, 25, 290].

Конечной целью этих работ является автоматизация сложных технологических и производственных процессов в нефтегазодобыче и в ряде других отраслей промышленности.

Актуальность темы. Широкое использование в стратегически важных отраслях производства современных компьютерных средств автоматизации сопровождается: а) ростом потоков данных реального времени, требующих их верификации и. последующего детального анализа в темпе с их поступлением; б) парадоксальным увеличением неопределенности (неполноты и противоречивости) информации о состоянии автоматизируемых объектов, содержащейся в этих потоках; в) расширением коридора неконтролируемых действий человеческого фактора, что ведет к росту количества ошибок конечных пользователей АСУ ТП и MES-систем, возникающих вследствие некорректной интерпретации данных реального времени при принятии ими решений по выбору и поддержанию оптимальных режимов работы объектов автоматизации.

Перечисленные обстоятельства приводят к увеличению производственных потерь и, как следствие, к снижению эффективности функционирования производственных предприятий. В частности, в такой-стратегически, важной отрасли производства, как нефтегазодобывающая, увеличение,потерь из-за некорректной интерпретации данных реального времени наблюдается на предприятиях, эксплуатирующих месторождения, находящиеся на завершающей стадии» их разработки. Объем нефти, добываемой с данных месторождений в России, составляет существенную долю от общего объема нефтедобычи, особенно в таких регионах, как Башкортостан, Татарстан, в целом Поволжье и Северный Кавказ.

Критический анализ существующего положения дел в нефтегазовой отрасли России показывает, что для автоматизации процессов нефтегазодобычи до сих пор используются системы (МЕГА, Регион 2000, OIS+ и др.), которые реализуют простые информационные функции сбора, хранения и представления пользователям данных реального времени, характеризующих течение технологических и производственных процессов. В этих системах обработка данных реального времени осуществляется с использованием таких сравнительно простых операций, как фильтрация, усреднение и контроль значений каждого измеренного параметра в отдельности, без учета связей между ними. В настоящее время такие системы уже не могут обеспечить дальнейшее повышение эффективности производства, поскольку в условиях роста потоков данных реального времени требуется автоматизация сложных интеллектуальных операций их обработки [90], таких как:

- верификация и экспертный анализ данных реального времени в темпе с изменениями параметров технологического процесса;

- анализ ошибок конечных пользователей различных служб предприятия при принятии ими решений по выбору и поддержанию режимов работы объектов автоматизации;

- определение показателей эффективности и оптимальных значений параметров производственных процессов в условиях существенной неопределенности, вызванной неполнотой и противоречивостью первичной информации о состоянии объектов автоматизации.

Современный этап'развития стратегически важных производств, в частности, нефтегазодобывающего [163] требует использования развитых промышленных СОИ, использующих современные средства искусственного интеллекта и обеспечивающих с их помощью получение достоверной информации, необходимой для: a) повышения конечной нефтеотдачи пластов (процента извлечения нефти за период разработки месторождения); b) улучшения экологической ситуации в районах нефтедобычи за счет уменьшения потерь, разливов, сокращения фонда активно эксплуатируемых скважин (при сохранении или обоснованном снижении объема добычи нефти); c) повышения эффективности функционирования предприятий нефтегазовой отрасли в целом.

В последние годы в практике создания и развития промышленных СОИ сложилось два направления наращивания и совершенствования их интеллектуальных функций с превращением последних в интеллектуальные системы. Первое основано на частичной модернизации существующих систем путем включения в их состав интеллектуальных датчиков и отдельных интеллектуальных подсистем (виртуальных анализаторов). При их создании используются нейронные сети и другие средства искусственного интеллекта (Н. Н. Бахтадзе, С. С. Валеев, В'. И. Васильев, В. И. Городецкий, С. В. Жерна-ков, В. А. Лотоцкий, Б. Г. Ильясов, Я. С. Коровин и др.). Виртуальные анализаторы, построенные на основе нейросетевых технологий искусственного интеллекта, могут устойчиво функционировать в условиях неполноты и противоречивости входных данных реального времени. Данный подход активно развивается российскими учеными и инженерами. Методология этого подхода разрабатывается в Институте проблем управления РАН [115] и Санкт-Петербургском институте информатизации и автоматизации РАН [46; 131]. Прикладные исследования в этом направлении ведут также ученые ряда ведущих вузов страны [4, 7, 22, 25, 38, 53, 54, 86, 102, 165, 175].

Второе направление (в большей мере развиваемое за рубежом) исходит из необходимости придания^ системе уже на этапе ее проектирования (или реинжиниринга) необходимых возможностей по обеспечению - программной реализации и. эволюции ее интеллектуальных функций, связанных с обработкой данных реального времени: В рамках этого направления интеллектуальные функции промышленных СОИ' реализуются с использованием инструментальных средств легко масштабируемых программно-информационных' платформ (PI System, G2, NeurOn-Line и др.)

В:рамках второго направления достаточно просто реализуются многие процедуры предобработки данных реального времени, характерные для систем контроля, диагностики и управления производственными потоками в инженерных сетях различного назначения. Это, прежде всего, процедуры согласования данных реального времени (data reconciliation). Их автоматизация весьма актуальна для предприятий нефтегазовой отрасли промышленности, - где большинство производственных процессов описывается потоковыми моделями инженерных сетей (flow model). Примерами программных средств, использующих эти модели и автоматизирующих процедуры согласования данных реального времени, являются Sigmaflne (в составе PI System), Production Balance, DATACON, Aspen Advisor и др.

Общий недостаток выделенных направлений создания развитых СОИ состоит в том, что в их рамках акцент делается на традиционные информационные технологии, которые комбинируются с частными техническими решениями и программными средствами, реализующими технологии искусственного интеллекта. Как следствие, промышленные СОИ обладают «лоскутным» интеллектом. В целом, в рамках сложившихся направлений не определены теоретические и методические основы дальнейшего совершенствования СОИ путем системной интеграции наращиваемых интеллектуальных функций. В частности, эти направления не указывают пути решения проблемы системной интеграции и дальнейшего развития интеллектуальных подсистем' в составе промышленных СОИ.

В то же время известно, что СОИ, в основе конструкции которых лежат искусственные нейронные сети (нейросетевые СОИ и их нейронные структуры), способны эффективно решать задачи интеграции частных интеллектуальных систем и согласования их с внешней средой, адаптируясь к изменяющимся условиям эксплуатации путем обучения на примерах [46]. В прикладных подсистемах нейросетевой СОИ (мы называем их интеллектуальными нейросистемами [74]) в условиях высокой неопределенности данных реального времени может быть достигнуто дополнительное повышение качества их обработки за счет использования нейросетевых технологий совместной обработки неполных и противоречивых данных разной модальности [70]. Однако в рамках существующих нейросетевых технологий до сих пор не осмыслен процесс определения и совершенствования структурно-функциональной организации нейронных сетей, обеспечивающих выполнение требуемых интеллектуальных функций СОИ. Не определены этапы создания универсальной по своим эволюционным и интеграционным возможностям нейросетевой СОИ, непрерывно эволюционирующей в течение своего жизненного цикла подобно своим естественным аналогам.

Общетеоретическим вопросам решения задач обработки информации с использованием нейронных сетей посвящены классические работы Н. Винера [27], Э. Каянелло [229], С. Винограда и Дж. Коуэна [28], У. Мак-Каллока и У. Питтса [117], М. Минского и С. Пайперта [128], Ф. Розенблатта [174] и У. Эшби [212], выполненные в середине истекшего столетия. В этих и близких к ним работах структура нейронных сетей представляется в виде орграфа с прямыми и обратными связями между его вершинами (нейронами), обучаемыми или необучаемыми. Отдельный нейрон рассматривается как функциональный преобразователь, выполняющий линейные операции взвешенного суммирования входных сигналов и нелинейные операции формирования сигнала на выходе. Динамика нейронной сети описывается нелинейными конечно-разностными, дифференциальными и интегральными уравнениями. Узким местом этих работ является недостаточная проработка алгоритмов обучения нейронных сетей, что не позволяет широко использовать их для идентификации параметров нейросетевых моделей объектов СОИ.

Алгоритмы обучения простых нейронных сетей разной структуры, были исследованы в 80 - 90-х годах, что открыло возможности для создания СОИ, реализующих обработку информации в нейросетевом базисе с идентификацией параметров моделей объектов» автоматизации. Важные результаты были получены в.работах Sh. Amari [220], S. Grossberg [240], J. Hopfield [247, 248], T.Kohonen [103, 104], D: Rummelhart, G. Hinton и R.Williams [279], B. Widrow [190, 289] и др. При описании алгоритмов обучения нейронных сетей ими были введены представления о целевых функциях разных классов сетей (энергетической функции, функции полной ошибки и т.п.). В основу теории нейронных сетей, пригодной для создания нейросетевых СОИ, легла теорема А.Н.Колмогорова о представлении функций многих переменных с помощью композиций функций одного переменного и сложения (функций, близких к линейным [270]). Пониманию универсальных возможностей нейронных сетей способствовали работы Р. Хехт-Нильсена [244]. Большой вклад в разработку теории нейронных сетей внесли отечественные ученые

А.И. Галушкин [33-36], А.Н. Горбань [43-45], B.JI. Дунин-Барковский [48], А.Г. Ивахненко [84], А.Б. Коган [96], Н.В. Позин [154], ЯЗ. Цыпкин [202] и др.

Несмотря на успехи в развитии теории нейронных сетей открытым долгое время оставался вопрос о возможности обобщения свойств разных классов сетей и осуществления их согласованного обучения. Однако во второй половине 80-х годов сформировался коннекционистский подход к решению задач искусственного интеллекта с использованием сетей, состоящих из простых вычислительных элементов (нейронов) [141, 234, 235], определены, отличительные свойства коннекционистской модели обработки информации от традиционной, конвенциональной. В рамках данного подхода:

• установлена дополнительная связь между алгоритмами определения структуры нейронных сетей и нейросетевыми алгоритмами их обучения;

• выявлена проблематика создания нейрокомпьютеров для решения интеллектуальных задач в разных предметных областях;

• выделены отдельные отрасли вычислительных наук для изучения алгоритмов и способов решения интеллектуальных задач в нейросисте-мах (нейроматематика и нейроинформатика) [34];

• разработаны инструментальные средства для создания интеллектуальных систем на основе нейросетевых и гибридных технологий (ней-ропакеты, средства нейроаналитики, нейросетевые экспертные системы реального времени и т.п.).

Основанный на нейросетевых технологиях коннекционистский подход к решению задач искусственного интеллекта выступает в качестве альтернативы традиционному походу к созданию необучаемых интеллектуальных систем, основанных на продукционных правилах. В рамках коннекционист-ского подхода, однако, до сих пор не получил должного теоретического обоснования процесс определения структурно-функциональной организации нейронных сетей, реализующих требуемые интеллектуальные функции систем обработки информации, а также процесс совершенствования этой организации путем целенаправленной эволюции и системной интеграции отдельных прикладных интеллектуальных нейросистем.

Отсутствие общепринятой концепции структурно-функциональной организации и целенаправленной эволюции интеллектуальных функций нейро-сетевых СОИ (концепции интеллектуального нейрокомпьютинга) приводит к тому, что интеллектуальные возможности СОИ, использующих нейронные сети, оказываются ограниченными, что тормозит создание во многих стратегически важных отраслях производства, таких как нефтегазовая, промышленных систем, обеспечивающих:

1) интеллектуальный анализ накапливаемых данных реального времени и извлечение знаний о связях между параметрами материально-энергетических потоков и параметрами состояния объектов автоматизации в составе производственных инженерных сетей;

2) идентификацию структуры этих связей и их характеристик на основе неполных и противоречивых данных о функционировании объектов;

3) оценку показателей доверия/недоверия к моделям технологических объектов и моделям средств измерения для управления процессами идентификации их параметров при возникновении систематических погрешностей и грубых ошибок в процессе обработки данных реального времени.

Не решена в целом научная проблема системной интеграции интеллектуальных функций развитых промышленных СОИ, в основе конструкции которых лежат нейронные сети. Актуальными являются научные исследования структурно-функциональной организации известных естественных и искусственных нейронных сетей, обеспечивающих обработку информации в реальном времени, направленные на разработку теоретических и методических основ для составления обоснованных спецификаций прикладных интеллектуальных нейросистем в составе целенаправленно эволюционирующих СОИ, базу которых составляют сообщества совместно обучающихся нейронных сетей.

Цель и задачи исследования

Целью работы является решение научной проблемы системной интеграции нейронных сетей промышленных СОИ, используемых для анализа состояния объектов инженерных сетей нефтегазодобычи и принятия решений по их управлению.

Для достижения этой цели в работе поставлены и решаются следующие основные задачи:

1. Анализ интеллектуальных функций промышленных СОИ и обоснование необходимости использования нейронных сетей для контроля, диагностики и управления состоянием инженерных сетей нефтегазодобычи.

2. Разработка концепции структурно-функциональной организации нейронных структур СОИ, позволяющей свободно наращивать их функциональные возможности с целью удовлетворения постоянно растущих требований к уровню автоматизации производственных процессов.

3. Разработка нейросетевых моделей и методов системной интеграции нейронных сетей в составе промышленных СОИ.

4. Исследование процессов обработки информации в нейронных структурах и разработка инструментария для контроля процессов их адаптации к изменениям внешних условий их работы в реальном времени.

5. Исследование эффективности предложенных нейросетевых моделей и основанных на них методов обработки информации в составе корпоративной информационной системы ОАО «Татнефть».

Методы исследования

Поставленные в диссертационной работе задачи решаются с использованием методологии системного анализа, методов математического моделирования, общей теории систем, теории оптимизации, теории кодирования сигналов, теории графов, теоретической механики и математической физики.

В работе на основе нейробионических принципов функционирования сообществ нейронных сетей разрабатываются методы решения проблемных задач, возникающих при создании нейросетевых СОИ, непрерывно эволюционирующих в течение своего жизненного цикла.

Применительно к автоматизации процессов обработки информации в области нефтегазодобычи решается проблема системной интеграции нейронных сетей анализаторов данных реального времени разной модальности (геологических, технологических, энергетических и др.) на основе их согласованного обучения в составе промышленных СОИ.

Развивается коннекционистский подход к построению СОИ, основанный на постоянном наращивании и согласованном обучении нейронных сетей отдельных анализаторов данных реального времени. Показывается, что углубленная многоуровневая системная интеграция (метаинтеграция) нейронных сетей этих анализаторов, обеспечивающая согласованное управление процессами обучения нейронных сетей в процессе идентификации параметров нейросетевых моделей инженерных сетей позволяет придать им свойство непрерывного роста их интеллектуальных возможностей в рамках жизненного цикла СОИ.

В качестве инструментария, необходимого для построения подобных целенаправленно эволюционирующих СОИ, в настоящей работе предлагается использовать сообщества нейронных сетей. Отличительными особенностями их функционирования являются:

- целенаправленное формирование анализаторов данных при согласованном обучении отдельных нейронных сетей сообщества;

- объединение нейронных структур в некоторую иерархию в соответствии с иерархией целевых функций сообщества путем метаинтеграции анализаторов данных разной модальности;

- изменение организации нейронных структур СОИ с вышележащего уровня путем управления согласованным обучением нейронных сетей с учетом иерархии автоматизируемых процессов;

- нейросетевое моделирование в реальном времени сложных технических систем (инженерных сетей, трубопроводов, многостепенных манипуляторов и др. сложных систем).

Использование подобных интегрированных нейронных структур в ней-росетевых СОИ позволяет унифицировать и автоматизировать процессы генерирования и совместного обучения нейронных структур виртуальных анализаторов данных реального времени [162, 203, 215-217, 256]. Для их объединения в метасистему, как это имеет место в созданных природой структурах нервной системы животных и человека [58, 189], могут быть использованы дополнительные нейронные структуры (интегративные анализаторы), обеспечивающие автоматизированное управление процессами обучения нейронных сетей.

Интегративные анализаторы рассматриваются как основа предлагаемой в работе новой парадигмы структурно-функциональной организации нейронных сетей СОИ - парадигмы согласования.

На защиту выносятся:

1. Концепция структурно-функциональной организации нейронных структур промышленных СОИ, основанная на коннекционистском подходе к организации процессов обработки информации.

2. Разработанная в рамках коннекционисткого подхода обобщенная модель сообщества нейронных сетей анализаторов первичной информации СОИ и предложенные алгоритмы их системной интеграции.

3. Модели адаптивных нейронных структур, реализующих обработку информации в реальном времени при изменении внешних условий работы СОИ.

4. Балансный метод определения структурно-функциональной организации (спецификации) нейронных сетей анализаторов первичной информации промышленной СОИ:

5. Результаты проверки эффективности промышленных СОИ, построенных на основе предложенных нейросетевых моделей и методов, применительно к анализу баланса потоков и коррекции характеристик средств измерения в составе корпоративной информационной системы ОАО «Татнефть».

16

Научная новизна:

1. Новизна предложенной концепции структурно-функциональной организации нейронных структур промышленной СОИ состоит в том, что она, за счет многоуровневой организации нейронных сетей, обеспечивает системную интеграцию анализаторов первичной информации в составе иерархически организованных интеллектуальных подсистем СОИ, решающих прикладные задачи в условиях неполноты и противоречивости поступающих данных.

2. Новизна разработанной обобщенной модели сообщества нейронных сетей анализаторов первичной информации и предложенных алгоритмов их системной интеграции состоит в том, что модели анализаторов описываются в гиперкомплексном пространстве на основе использования присоединенной алгебры, в виде представления, адекватного коннекционистской модели обработки информации.

3. Новизна моделей адаптивных нейронных структур, реализующих обработку информации в реальном времени при изменении внешних условий работы СОИ, состоит в использовании параметрического представления их дифференциальных и интегральных свойств в пространстве и времени.

4. Новизна балансного метода определения структурно-функциональной организации (спецификации) нейронных сетей анализаторов* первичной информации в промышленных СОИ применительно к инженерным сетям нефтегазодобычи состоит в том, что поэлементные нейросетевые модели объектов инженерных сетей объединяются в нейросетевые балансные модели участков инженерных сетей, которые используются для оценивания дисбалансов потоков и определения показателей степени доверия/недоверия к моделям объектов инженерных сетей и моделям средств измерения их параметров.

5. Новизна выполненной проверки эффективности промышленных СОИ, построенных на основе предложенных нейросетевых моделей и методов, применительно к анализу баланса потоков и коррекции характеристик средств измерения в составе корпоративной информационной системы ОАО «Татнефть», состоит в разработке нового метода анализа состояния инженерных сетей нефтегазодобычи с итеративной нейросетевой коррекцией и последующей проверкой адекватности характеристик средств автоматизации, обеспечивающих контроль параметров состояния инженерных сетей.

Практическое значение данной работы заключается в разработке технологии создания в составе промышленной СОИ интегрированных нейронных структур, обеспечивающих обработку в нейросетевом базисе данных реального времени и решение задач контроля и диагностики состояния инженерных сетей нефтегазодобычи; в разработке адаптивных нейросетевых моделей объектов этих инженерных сетей, выборе структуры и функций анализаторов данных и обеспечении системной интеграции множества нейронных структур СОИ, согласованных со своей средой.

Теоретические результаты работы, полученные в 1967-76 гг., применялись при подготовке ряда эскизных и технических проектов создания систем обработки пространственно-временных сигналов.

Разработанная* методология структурно-функциональной организации нейронных сетей использовалась при разработке логико-семантических моделей ведения диалога в автоматизированных обучающих системах (19771980 гг.) и нейросетевых моделей многостепенных манипуляторов с отработкой их на макете в лабораторных условиях (1995-2002 гг.).

С 1980 г. по 2008 г. развитый в рамках данной работы коннекционист-ский подход к определению и совершенствованию структурно-функциональной организации сообщества нейронных сетей применялся при-разработке и использовании нейронных структур для обработки данных реального времени в составе АСУ ТП и MES-систем нефтегазодобычи.

Внедрение результатов работы. Балансный метод определения спецификаций интеллектуальных нейросистем и математическое обеспечение нейросетевых анализаторов данных реального времени нашли применение при разработке нейросетевых моделей и методики анализа баланса потоков в инженерных сетях нефтегазодобычи и используются на ряде предприятий нефтяной промышленности (см. Приложения Б, В и Г).

Выявленные принципы структурно-функциональной организации нейронных сетей использованы также при разработке нейросетевых моделей сложных технических систем и логико-семантических моделей ведения диалога и внедрены в учебный процесс.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Зозуля, Юрий Иванович

Выводы по главе 5

1. Предложены способы контроля и диагностики состояния технологических объектов инженерных сетей нефтегазодобычи с учетом возможностей современных нейросетевых информационных технологий. Показана возможность оперативного контроля и диагностики состояния объектов инженерных сетей нефтегазодобычи в реальном масштабе времени при использовании стандартных средств вычислительной техники и разработанного специального математического обеспечения нейросетевых СОИ.

2. Рассмотрены вопросы определения структурно-функциональной- организации нейронных сетей анализаторов данных реального времени для

296 расчета дисбалансов потоков в узлах инженерных сетей, обнаружения утечек на участках трубопроводов и оптимизации процессов нефтегазодобычи. Показана возможность их последующей метаинтеграции, путем согласования процессов обучения нейронных сетей, обеспечивающих диагностику состояния инженерных сетей нефтегазодобычи, идентификацию параметров адаптивной балансной модели и согласование результатов измерения параметров потоков.

3. Решена задача генерирования нейронных сетей анализаторов данных реального времени на основе орграфа инженерной сети, хранящегося в базе производственных данных программного комплекса нефтяного промысла.

4. Разработано методическое обеспечение системы производственного учета и анализа баланса потоков в инженерных сетях нефтегазодобычи, обеспечивающее контроль состояния и предварительную калибровку средств измерения расходных параметров потоков с использованием программного комплекса «АНАЛИЗ БАЛАНСА» и ПМ «Генератор нейросетевых моделей».

5. В ,ОАО «Татнефть» проведена апробация нейросетевых методов и способов анализа состояния инженерных сетей нефтегазодобычи с внедрением методического обеспечения и программных модулей нейросетевой СОИ в составе промышленной системы обработки информации. Осуществлено внедрение методов структурной и параметрической идентификации нейросетевых моделей объектов инженерных сетей с развитием и интеграцией интеллектуальных функций промышленной СОИ, обеспечивающей определение параметров балансной модели инженерной сети нефтегазодобычи на основе неполных и противоречивых данных реального времени.

ЗАКЛЮЧЕНИЕ

1. В целях автоматизации трудоемких процессов генерации и обучения нейронных сетей промышленных СОИ и обеспечения их направленной эволюции при обработке неполных и противоречивых данных реального времени разработана концепция интеллектуального нейрокомпьютинга. В концепции предложено решение проблемы системной интеграции анализаторов прикладных интеллектуальных нейросистем СОИ с использованием интегративных нейронных структур, реализуемых сообществом нейронных сетей, матрицы весов связей которых зависят от их состояния и могут быть модифицированы при согласованном обучении в развивающей среде.

2. В работе развит коннекционистский подход к определению организации нейронных сетей путем сведения их представлений к форме, принятой для описания обобщенной коннекционистской модели обработки информации, с выделением присоединенной алгебры и формированием соответствующего гиперкомплексного пространства представления. В результате обобщения свойств разных классов сетей разработаны теоретические основы структурно-функциональной организации сообщества нейронных сетей, определены алгоритмы их согласованного обучения в процессе углубленной многоуровневой системной интеграции (метаинтеграции).

3. Введено понятие о нейросетевой СОИ как адаптивной системе, объединяющей в единое целое отдельные иерархически организованные интеллектуальные нейросистемы. Уточнена структура нейросетевой СОИ, обеспечивающей повышение степени адекватности нейросетевых моделей объектам среды. Разработаны пространственно-временные математические модели нейронных структур СОИ и процессов их согласования со своей средой.

4. Разработаны методические основы решения ряда задач для анализа и синтеза нейросетевых анализаторов сигналов и образов в части:

- оценки дифференциальных и интегральных свойства детекторов признаков пространственно-временных сигналов нейросистемы, задающих координаты исходного пространства ее функционирования;

- преобразования координат пространства и времени нейросистемы, позволяющего сопоставлять результаты ее адаптации, полученные на разных этапах движения системы в пространстве и времени;

- выполнения процессов функционального кодирования, ассоциативного запоминания пространственно-временных сигналов, формирования и воспроизведению образов объектов предметной среды.

5. Разработанные в работе теоретические положения реализованы в виде методического обеспечения и рекомендаций по определению спецификаций нейронных структур в составе промышленных СОИ:

- на основе методологии формирования математических моделей нейронных структур и процессов обработки информации в нейросетевом базисе разработана классификация нейронных структур и даны методические рекомендации по определению начальной организации интеллектуальной нейросистемы, функционирующей в условиях неполноты и противоречивости исходной информации;

- предложен и апробирован новый метод итеративного определения состояния пространственно распределенных инженерных сетей нефтегазодобычи в реальном времени с нейросетевой коррекцией характеристик средств автоматизации процессов нефтегазодобычи, обеспечивающих контроль и идентификацию параметров состояния инженерных сетей.

Список литературы диссертационного исследования доктор технических наук Зозуля, Юрий Иванович, 2009 год

1. Агабабян, К.Г. Об алгебре нейронных матриц // ДАН СССР. 1957. -Т. 199.-№5.-С. 991 -993.

2. Акофф, Р., Эмери, Ф. О целеустремленных системах. М.: Советское радио, 1974.-271 с.

3. Алберт, А. Регрессия, псевдоинверсия и рекуррентное оценивание: М.: Наука, 1977.-237 с.

4. Алтунин, А. Е., Семухин, М. В. Модели и алгоритмы принятия решений в нечётких условиях. —Тюмень: Тюмен. гос. ун-т, 2000. 352 с.

5. Альбрехт, Э. Критика современной лингвистической философии. М.: Наука, 1973.- 150 с.

6. Альтшуль, А. Д. Гидравлические сопротивления. М.: Недра, 1970. -216 с.

7. Аминев, А. М., Зозуля, Ю. И. Материальный баланс и просто, и слож- • но. // Мир компьютерной автоматизации. — 2002. — №4. — С. 44 — 49.

8. Амосов, Н. М. О моделировании сложных систем с помощью сетей из нейроподобных элементов // Бионические принципы самоорганизации. — Тбилиси, 1967.-С. 23-24.

9. Анализ баланса потоков жидкости в инженерных сетях нефтегазодобывающего предприятия: методические материалы / М. А. Слепян, Ю. И. Зозуля, А. К. Муравский, Н. М. Сибагатуллин, С. И.Братцев. — Уфа: Монография, 2002. 120 с.

10. Анохин, П. К. Биология и нейрофизиология условного рефлекса. М.: Медицина, 1968. - 547 с.

11. Анохин, П. К. Узловые вопросы теории функциональной системы. М.: Наука, 1980.- 197 с.

12. Антомонов, Ю. Г. Принципы нейродинамики. — Киев, 1974. 199 с.

13. Арбиб, М. Мозг, машина и математика. М.: Наука, 1968. - 157 с.

14. Арнольд, В. И. О функциях трех переменных // ДАН СССР. 1957.3001. Т. 114.-№4.-С. 679-681.

15. Бартос, Ф. Д. Искусственный интеллект: принятие решений в. сложных системах управления // Мир компьютерной автоматизации. — 1997. — №4. С. 22 - 27.

16. Бахтадзе Н.Н. Виртуальные анализаторы (идентификационный подход) // Автоматика и телемеханика. 2004. —№11. - С. 3 - 24.

17. Беритов, И. С. Структура и функции коры больших полушарий. М.: Наука, 1969.-532 с.

18. Бредли, Д.Ф. Многоуровневые системы в биологии. Точка зрения специалиста по субмолекулярному уровню / Теория систем и биология. — М.: Мир, 1971.-С. 59-89.

19. Бугай, Ю. П. Исследование нейроподобных элементов и систем как устройств первичной переработки информации / Автореф. . канд. техн. наук. Харьков, 1968. - 26 с.

20. Бугай, Ю. П. Свойства отображения и бионическое моделирование. Сообщение 1 // Проблемы бионики, 1985, вып. 35. С. 47 - 51.

21. Бугай, Ю. П., Червов, В. Г., Зозуля, Ю. И., Нефедов, Ю. И. Ободном способе анализа и синтеза нейроподобных элементов и схем / Проблемы бионики. Материалы третьей всесоюзной конф. по бионике, 1968. М.: Наука, 1971.-С. 59-89.

22. Валеев, С. С. Проектирование интеллектуальных систем управления динамическими объектами на основе принципа минимальной сложности (на примере авиационных двигателей) / Автореф. д-ра техн. наук. — Уфа, 2005.-32 с.

23. Веденов, А. А. Моделирование элементов мышления. М.: Наука, 1988. -159 с.

24. Веревкин, А. П., Зозуля Ю.И: Основные направления-развития автоматизации управления добычей и транспортом нефти // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2005.-№3.-С. 6-13.301

25. Веревкин, А. П., Кирюшин, О. В. Автоматизация технологических процессов и производств в нефтепереработке и нефтехимии. — Уфа: УГНТУ, 2005.-171 с.

26. Вернадский, В. И. Размышления натуралиста: Научная мысль как планетное явление. — М.: Наука, 1977. — 250 с.

27. Винер, Н. Кибернетика или управление и связь в животном и машине. — М.: Советское радио, 1968. — 326 с.

28. Виноград, С., Коуэн, Дж. Надежные вычисления при наличии шумов. — М.: Наука, 1968.-197 с.

29. Владимиров, В. С. Уравнения математической физики. — М.: Наука, 1971.-512 с.

30. Волгин, В. Н. Принцип согласованного оптимума. — М:: Сов. радио, 1977.-145 с.

31. Галушкин, А. И. Синтез многослойных систем распознавания образов. — М.: Энергия, 1974. 368 с.

32. Галушкин, А. И. Теория нейронных, сетей. Кн. 1. Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2000. - 416с.

33. Галушкин, А. И. Нейрокомпьютеры: Кн. 3. Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2000. -528 с.

34. Галушкин, А. И. Нейроматематика (проблемы развития). — М.: Радиотехника; 2003. — 40 с.

35. Гидродинамические цепи. Развитие теории и приложения. / Н. Н. Новицкий, Е. В. Сеннова, М. Г. Сухарев и др. — Новосибирск: Наука.3021. СИФРАН, 2000.-375 с.

36. Гилев, А. В: Математические модели и программный комплекс для оптимального-оценивания потокораспределения в инженерных сетях / Ав-тореф. . канд. техн. наук. Уфа, 2002. - 16 с.

37. Гиниятуллин, В. М., Сибагатуллин, Н. М., Зозуля Ю. И. и др. Разработка программного модуля диагностики состояния инженерной сети нефтегазодобычи, // Автоматизация телемеханизация и связь в нефтяной промышленности. — 2003. — № 11. — С. 31—35.

38. Гиниятуллин, В. М., Зозуля, Ю. И., Муртазина, В. А. и др. Реализация бинарных решающих функций в нейросетевом базисе //Нейрокомпьютеры: разработка и применение. — 2006. — №10. — С. 3 — 8:

39. Глезер, В.1 Д. Зрение и мышление. Ленинград: Наука, 1985. — 246 с.

40. Головко, В. А. Нейронные сети: обучение, организация и применение. Кн. 4. Учеб. пособие для вузов / Общая ред. А.И. Галушкина. — М.: ИПРЖР, 2001.-256 с.

41. Горбань, А. Н. Обучение нейронных сетей. — М.: СП ПараГраф,, 1990: — 160 с.

42. Горбань, А. Н., Россиев, Д. А. Нейронные сети на персональных компьютерах. — Новосибирск: Наука, 1996. 276 с.

43. Горбань, А. Н. Функции многих переменных и нейронные сети // Соров-ский-образовательный журнал. — 1998. — № 12. С. 105-112.

44. Городецкий, В. И. Методы распределенного обучения и принятия решений в системах» коллективного распознавания и классификации: Обзор современных результатов / http://space.iias.spb.su/ai/gorodetsky.

45. Дударь, 3. В., Шуклин, Д. Е. Семантическая нейронная сеть как формальный язык описания и обработки смысла-текстов на естественном языке // Радиоэлектроника и информатика. Харьков: Изд-во ХТУРЭ, 2000.-№3.-С. 72-76.

46. Дунин-Барковский В. JI. Информационные процессы в нейронных структурах. -М.: Наука, 1978. 163 с.49.* Евдокимов, А. Г. Оптимальные задачи на инженерных сетях. — Харьков: Вища школа, 1976. — 153 с.

47. Евдокимов, А. Г., Тевяшев, А. Д. Оперативное управление потокораспре-делением в инженерных сетях. Харьков: Вища школа, 1980. - 144 с.

48. Ершов, А. П. Человек и машина. М:: Знание, 1985. — 90 с.

49. Жевлаков, К. А., Слинько, А. М:, Шестаков, И. П. и др. Кольца, близкие к ассоциативным. М.: Наука, 1978. - 350 с.

50. Жернаков, С. В. Активная экспертная система мониторинга и управления ремонтом авиационных газотурбинных двигателей' // Радюелектрошка. 1нформатика. Управлшня. 2004: - №2. - С. 80-84.

51. Жернаков, С. В. Контроль и диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных / Ав-тореф. д-ра техн. наук. Уфа, 2005. — 32 с.

52. Жильцов; А. А., Зозуля, Ю.И. Адаптивная балансная модель инженерной сети нефтегазодобычи // Автоматизация телемеханизация и связь в нефтяной промышленности. 2006. - № 3. - С. 36-39.

53. Зозуля, О. Ю. Моделирование творческого потенциала учащегося в педагогике изобразительного искусства // Вестник ЧГПУ. — 2007. — № 8. — С. 71-78.

54. Зозуля, О. Ю. Развитие художественно-творческого потенциала школьника в условиях профильного обучения изобразительной, деятельности: монография. — Магнитогорск: МаГУ, 2008. — 143 с.

55. Зозуля, Ю. И. Исследование структурно-функциональной организации нейронных сетей мозга и нейроподобных вычислительных сред / Авто-реф. канд. техн. наук. — Харьков, 1973. — 26 с.

56. Зозуля, Ю. И. Надежные вычисления при наличии шумов в зрительном анализаторе // Проблемы бионики, вып.12, 1974. С. 3 - 11.

57. Зозуля, Ю. И. Метод многоуровневого анализа нелинейных динамических систем мозга //Проблемы бионики, вып. 13, 1974. — С. 3 — 14.

58. Зозуля, Ю. И. Согласование ЭЦВМ с человеком-оператором // Проблемы бионики, вып.15, 1975. — С. 12—18.

59. Зозуля, Ю. И. Согласование элементов, бионической системы в циклах взаимодействия //Проблемы бионики, вып. 18, 1977. С. 10 — 20.

60. Зозуля, Ю. И. Учет и использование индивидуальных особенностей обучаемых и обучающих в ЧМОС // Тезисы докладов 1 Всесоюзной конференции "Человеко-машинные обучающие системы". — М., 1979. С. 92 — 93.

61. Зозуля, Ю. И. Согласование вычислений в нейронных сетях (части 1 и 2) //Нейрокомпьютер.- 1994.- №3, 4. С. 25 - 34.

62. Зозуля, Ю. И., Палагушкин, В. А. Нейросетевые алгоритмы контроля и управления технологическими объектами нефтегазодобычи // Нейрокомпьютер. 1996. - №3, 4. - С. 29 - 32.

63. Зозуля, Ю. И. Усвоение схемы деятельности сетью коннекционистских модулей АСУ ТП // Нейрокомпьютер. 1997. - №1, 2. - С. 57 - 62.

64. Зозуля, Ю.И. Анализ баланса потоков жидкости в узлах инженерной сети на основе ее нейросетевой модели // VI Всероссийская конференция «Нейрокомпьютеры и их применение»: Сб. докл. М., 2000. - С. 53 — 55.

65. Зозуля; Ю. И*. Интеллектуальные системы обработки информации на основе нейросетевых технологий: Учебное пособие. Уфа: Изд. УГАТУ,2000.-137с.

66. Зозуля, Ю. И., Муравский, А. К., Слепян М. А. Использование нейросе305тевых технологий для разработки АСУ ТП нефтегазодобычи (на англ. яз.) / Proceedings "Neural Information Processing. ICONIP2001", Shanghai, Fudan University Press, 2001.

67. Зозуля, Ю. И. Коннекционистская модель анализатора сигналов в интеллектуальной АСУ ТП нефтегазодобычи // Нейрокомпьютеры: разработка и применение. 2001. - №4-5. - С. 17 - 25.

68. Зозуля, Ю. И. Оперативный анализ согласованности и эффективности процессов нефтедобычи на основе нейросетевых моделей // Нейрокомпьютеры: разработка и применение. — 2001. — №4-5. — С. 26 —31.

69. Зозуля, Ю. И. Интеллектуальные нейросистемы. Научн. серия «Нейрокомпьютеры и их применение». Кн. 12. М.: Радиотехника, 2003. -144 с.

70. Зозуля, Ю. И., Назипов, Д. Ф., Ахметзянов, Р. Р. и др. Нейросетевые технологии в решении задач анализа и диагностики состояния* инженерных сетей // Автоматизация телемеханизация» и связь в нефтяной^ промышленности. 2007. - №4. - С. 25-30.

71. Зозуля, Ю. И., Кизина, И: Д., Алабужев, В; А. Интеллектуальный; нефтепромысел реального времени: что под ним понимать и как его создавать // Автоматизация, телемеханизация иювязь вшефтяной; промышленности. 2007. - №4. - С. 34-40;

72. Иванов, В. В. Чет и нечет: асимметрия мозга и знаковых систем. М.: Советское радио, 1978. - 184 с.

73. Ивахненко, A. F. Персептроны система распознавания образов. - Киев: Наук, думка, 1975. -283 с.

74. Идентификация моделей гидравлики / Г. Д. Бабе, Э. В. Бондарев, А. Ф.Воеводин, М. А. Каниболотский. Новосибирск: Наука, 1980. - 161 с.

75. Ильясов, Б:,. Тагирова, К., Комелин, А. Автоматизация процесса добычи нефти на основе нейронных сетей // Технологии ТЭК. 2005. - №3. -С. 89- 92.

76. Информационный листок фирмы Gensym. NeurOn-Line.

77. Э.С. Арутюнян // Нейрокомпьютеры: разработка и применение. — 2000. — №1. — С. 36-39.

78. Использование современных информационных технологий при разработке интегрированных АСУ ТП в нефтегазодобыче/ М.А. Слепян, Ю. И. Зозуля, А.К. Муравский // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2001. - №7-8. - С. 21-25.

79. Иенсен, П., Бартнес, Д. Потоковое программирование. — М.: Радио и связь, 1984.-391 с.

80. Кантор, И. JI, Солодовников, А. С. Гиперкомплексные числа. — М.: Наука,1973.-156 с.

81. Каримов, Р. Р. Модели и алгоритмы диагностики инженерных сетей (на примере нефтегазодобывающего производства) / Автореф. . канд. техн. наук. Уфа, 2000. - 24 с.

82. Каянелло, Э. Р. Математическая теория нейронных сетей / Модели нейронных структур. М.: Наука, 1970. - С. 304 - 308.

83. Каянелло, Э. Р. Точное решение нелинейных уравнений, описывающих нейронную сеть / Исследования по теории структур. — М.: Наука, 1988. -С. 193-203.

84. Коган, А. Б. О принципах нейронной организации рабочих механизмов управления функциональной системой / Принципы системной организации функций. М.: Наука, 1973. - С. 14 - 21.

85. Колере, П. Некоторые психологические аспекты распознавания образов / Распознавание образов. М.: Мир, 1970. - С. 16 - 85.

86. Колесников, О. А., Марченко, С. Ф. К моделированию электрического поля в нервной ткани (Сообщения 1 и 2) //Проблемы бионики, вып. 12,1974.-С. 51-64.

87. Колмогоров, А. Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных // ДАН СССР. 1956. - Т. 108. - №2. - С. 179 - 182.

88. Колмогоров, А. Н. О представлении непрерывных функций многих переменных суперпозицией функций одной переменной и сложением // ДАН СССР. 1957. - Т. 114. - №5. - С. 953 - 956.

89. Конорски, Ю. Интегративная деятельность мозга. М.:Мир, 1970.-375 с.

90. Коровин, Я. С. Система поддержки принятия решений по контролю состояния установок электроцентробежных насосов на основе нейронной сети // Нефтяное хозяйство. — 2007. — №1. С. 80 — 83.

91. Кохонен, Т. Ассоциативная память. М.: Мир, 1982. — 239 с.

92. Кохонен, Т. Ассоциативные запоминающие устройства. -М.: Мир, 1982. 383 с.

93. Крон, Г. Тензорный анализ сетей. — М: Сов. радио, 1978. 719 с.

94. Крумм, Л. А. Методы оптимизации при управлении электроэнергетическими системами. Новосибирск: Наука, 1981. - 417 с.

95. Крутиков, В. Н., Шильдин, В. В., Фёдоров, А. В. и др. Правовые и метрологические аспекты учёта нефти в нефтегазодобывающих, организациях // Мир измерений. 2004. - №8. - С. 11-14.

96. Куафе, Ф. Взаимодействие робота с внешней средой. М.: Мир, 1985. -285 с.

97. Кузнецов, Б. Г. История философии для физиков и математиков. М:: Наука, 1974.-250 с.

98. Кулибанов, В. Н. К проблеме расчёта нелинейных сетей // Приборы и системы управления. 1997. — №2. — С. 21.

99. Куссуль, Э. М. Ассоциативные нейроподобные структуры. Киев: Наук, думка; 1992.-140 с.

100. Кутуков, С.Е. Информационно-аналитические системы магистральных трубопроводов. М.:СИП РИА, 2002. - 324 с.

101. ПЗ.Ладенко, И. С. Интеллектуальные системы и логика. — Новосибирск: Наука, 1973.- 172 с.

102. Лефевр, В. А. Конфликтующие структуры. М.: Сов.радио, 1973.- 158 с.309

103. Потоцкий, В. А., Чадеев, В. М., Максимов, Е. А., Бахтадзе Н.Н. Перспективы применения виртуальных анализаторов в системах управления производством // Автоматизация в промышленности.—2004.—№5. С. 24—28.

104. Лурия, А. Р. Основные проблемы нейролингвистики. — М.: МГУ, 1975. -253 с.

105. Мак-Каллок, У. С., Питтс, У. В. Логическое исчисление идей, относящихся к нервной активности //Автоматы /под ред. К. Э.Шеннона и Дж. Маккарти. М.: Изд-во иностр. лит-ры, 1956. - С. 363 - 384.

106. Мальцев, А. И. Алгебраические системы. — М.: Наука, 1970. — 392 с.

107. Математическое моделирование и оптимизация систем тепло-, водо-, нефте- и газоснабжения / А. П. Меренков, Е. В. Сеннова, С. В. Сумароков и др. — Новосибирск: Наука, СИФ РАН, 1992. 407 с.

108. Мееров, М. В., Литвак, Б. Л. Оптимизация систем многосвязного управления. М.: Наука, 1972. - 344 с.

109. Мейсон, Д. X. Изучение матроидов как геометрических конфигураций / Проблемы комбинаторного анализа. — М.: Мир, 1980. С. 7 - 50.

110. Меренков, А. П., Сидлер, В. Г. Идентификация трубопроводных систем / Фактор неопределенности при принятии оптимальных решений в больших системах энергетики. Иркутск: СЭИ СО АН СССР, 1974. - Т.З. -С. 149-162.

111. Меренков, А. П., Хасилев, В. Я. Теория гидравлических цепей. — М.: Наука, 1985. -280с.

112. Месарович, М. Основания общей теории систем / Общая теория систем. М.: Мир, 1966. - С. 15 - 48.

113. Месарович, М., Такахара, Я. Общая теория систем: математические основы.-М.: Мир, 1978.-311 с.

114. Мещеряков, В. Т. Соответствие как отношение и принцип. — Л.: Наука, 1975.-104 с.

115. Мещеряков, В. Т. Гармония и гармоническое развитие. JL: Наука, 1976.-119 с.

116. Минский, М., Пайперт, С. Персептроны. М.: Мир, 1971. - 261 с.

117. Мкртчян, С. О. Нейроны и нейронные сети. -М.: Энергия, 1971. — 232 с.

118. Морозов А.А., Ященко В.А. Интеллектуализация ЭВМ на базе нового класса нейроподобных растущих сетей. — Киев: ГКПП «Тираж», 1997. — 125 с.

119. Мусаев, А. А. Виртуальные анализаторы: концепция построения и применения в задачах управления непрерывными технологическими процессами //Автоматизация в промышленности. 2003. - №8. - С. 28 — 33.

120. Назаров, А. В., Лоскутов, А. И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003. — 384 с.

121. Нейлор, К. Как построить свою экспертную систему. — М.: Энергоатом-издат, 1991.-285 с.

122. Нейроинформатика / А .Н. Горбань, В. Л. Дунин-Барковский и др. — Новосибирск: Наука, 1998. 298 с.

123. Нейроинформатика и ее приложения // Тез. докл. 4-го Всерос. семинара, 5 — 7 октября 1996 г. / Под ред. А. Н. Горбаня. Красноярск: Изд-во КГТУ, 1995.-230 с.

124. Нейроинформатика и ее приложения // Тез. докл. 5-го Всерос. семинара, 3 — 5 октября 1997 г. / Под ред. А. Н. Горбаня. Красноярск: Изд-во КГТУ, 1997.-190 с.

125. Нейрокомпьютеры в системах обработки изображений. Кн. 7: Коллективная монография / Общая ред. А. И. Галушкина. М.: Радиотехника, 2003.- 192 с.

126. Нейрокомпьютеры в системах обработки сигналов. Кн. 9: Коллективная монография / Общая ред. А. И. Галушкина. М.: Радиотехника, 2003. -223 с.

127. Нейрокомпьютеры, и- интеллектуальные роботы / Под ред. Н. М. Амосова —Киев: Наук, думка, 1994. — 272 с.

128. Нейроматёматика. Кн. 6: Учеб. пособие для вузов / Общая, ред. А. И. Галушкина. М.: ИПРЖР, 2002. - 448 с.

129. Нейрон — 1. Пакет прикладных программ-для моделирования нейронных сетей. 1990.-334 с.

130. Нейронные сети: история развития теории. Кн. 5. Учеб. пособие для вузов / Общая ред. А.И. Галушкина; Я.З. Щыпкинаг М.: ИПРЖР, 2001. -840 с.

131. Нерсесова, Е. X. Гносеологический аспект проблемы социальных показателей: — Mj: Наука, 1981. 158 с.

132. Новиков Д:А. Закономерности- итеративного научения. — М: Институт проблем управления РАН, 1998. 77 с.

133. Ньюком, Р. У. Системы нелинейных дифференциальных уравнений. Канонические многомерные представления // ТИИЭР, 1977. Т. 65. - №6. — С. 138-145.

134. Оре, О: Теория графов. М.: Наука, 1980. - 336 с.

135. Павлов, И. П. Полн. собр. соч., 2 изд. Т. 4. - М., 1951. - С. 122 - 144.

136. Патент РФ 2199089. Способ коррекции статических, характеристик измерительных преобразователей / М. 31 Асадуллин, Ф. М. Аминев, В. Ф. Галиакбаров, С. В. Емец, Ю. И. Зозуля.и др: // Бюл. 2003. - №5.

137. Патент РФ 2287683. Способ контроля состояния инженерных сетей и калибровки-каналов измерения параметров потоков / М. А. Слепян, Н. М. Сибага-туллин, Ю. И.Зозуля, С. И. Братцев. // Бюл. 2006. - №32.

138. Первозванскищ А.А., Буцев, А.В. Локальная аппроксимация на искусственных нейросетях // Автоматика и телемеханика.—1995.—№9.—С. 127-136.

139. Пиаже, Ж. Психология интеллекта. — СПб.: 11итер, 2003. — 193 с.

140. Планкег, Л.,. Хейл, Г. Выработка и принятие управленческих решений. — М.: Экономика, 1984. 180 с.

141. Позин, Н. В. Моделирование нейронных структур. — М.: Наука, 1970; — 230 с.

142. Поляков, Т. И. О принципах нейронной организации: — М.: Изд-во МГУ, 1965.- 120 с.

143. Попов, Э. В. Общение с ЭВМ^на естественном;языке. М;: Наука; 1982. -360 с.

144. Поспелов, Г. С. Искусственный: интеллект основа новой информационной технологии. - М.: Наука, 1988. 280 с.

145. Прибрам, К. Языки мозга. — М:: Прогресс, 1975. 463 с.

146. Принципы самоорганизации. М.: Мир, 1966.— 621 с.

147. Проказов, С. А., Иваненко, Б. П. Нейросетевые методы имитационного моделирования процессов добычи.нефти // Нейрокомпьютеры: разработка, применение. — 2005.— №3. — С. 63 — 68.

148. Рабинович, 3. Д., Ященко, В. А. Подход к моделированию'мыслительных процессов на основе нейроподобных растущих сетей // Кибернетика и системный анализ. 1996. — №4. - С. 3 - 18.

149. Разработка, нейросетевых обратных динамических моделей роботов / Г.Г. Губайдуллин, Ю. И. Зозуля, Э.С. Арутюнян // Нейрокомпьютеры: разработка и применение. — 2000. — №2. — С. 48 — 51.

150. Резник, A.M. Обобщенный проекционный алгоритм обучения нейронных сетей // Кибернетика и системный анализ. 1993. - №6. - С. 131 -142.

151. Реальность и прогнозы искусственного интеллекта. -М:Мир, 1987.—180 с.314

152. Родоман, Б.Б. Саморазвитие культурного ландшафта и геобионические закономерности его формирования // Вопр. географии, 1980, вып. 113. — С. 117-127.

153. Розенблатт, Ф. Принципы нейродинамики: персептроны и теория механизмов мозга. М.: Мир, 1965. - 480 с.

154. Рочев, А. Н. Повышение информативности гидродинамических исследований скважин. Автореф. дисс. . канд. техн. наук. Ухта, 2004. - 23 с.

155. Самойлов, В. В., Хисамутдинов, С. И., Зозуля, Ю. И. и др. Оперативный анализ баланса потоков жидкости в инженерных сетях нефтегазовой отрасли // Автоматизация телемеханизация и связь в нефтяной промышленности. 2003. - № 11. - С. 5 - 9.

156. Самойлов, В. В., Хисамутдинов, С. И., Жильцов, А. А. и др. Принципы интеграции программных комплексов в единое информационное пространство нефтяной компании. // Автоматизация телемеханизация и связь в нефтяной промышленности. — 2004. — №4. — С. 5 — 9.

157. Седов, А. И. Механика сплошной среды. Т. 1. — М.: Наука, 1973. 536 с.

158. Сенашова, М.Ю. Оценки погрешностей вычисления сложной функции многих переменных и ее градиента // Радюелектрошка. 1нформатика. Управлшня. 2004. - №2. - С. 90-94.

159. Сеченов, И. М. Элементы мысли. СПб.: Питер, 2001. — 416 с.

160. Скорняков, JI. А. Проективные плоскости // Усп. матем. наук. 1951. - Т. 6. -№6.-С. 112-154.

161. Слепян, М. А., Скворцов, А. П., Аминев, А. М. и др. Анализ баланса потоков жидкости в инженерной сети нефтегазодобывающего предприятия // Автоматизация телемеханизация и связь в нефтяной промышленности.-2001.-№7-8. — С. 31—35.

162. Соколов, Е. Н., Вайткявичюс, Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Наука, 1989. - 238 с.

163. Соломатин, Н. М. Информационные семантические системы. — М.: Высшая школа, 1989. — 127 с.

164. Сухов, Р. В., Зозуля, Ю.И. Интеллектуальные нейросистемы: анализ баланса потоков жидкости в инженерных сетях нефтегазодобычи // VIII Всероссийская конференция «Нейрокомпьютеры и их применение»: Сб. докл.-М., 2002.-С.25.

165. Терехов, В. А., Ефимов, Д. В., Тюкин, И. Ю. Нейросетевые системы управления. -М.: Высшая школа, 2002. 183 с.

166. Терехов, С. А. Вейвлеты и нейронные сети / Лекция для школы-семинара «Современные проблемы нейроинформатики». М.: МИФИ, 2001 / http://alife.narod.ru/pubs/index.html

167. Турчин, В. Ф.Феномен науки: Кибернетический подход к эволюции. Изд. 2-е. М.: ЭТС. - 2000. - 368 с.

168. Уидроу, Б., Стирнз, С. Адаптивная обработка сигналов — М.: Радио и связь, 1987.-440 с.

169. Уоссермен, Ф. Нейрокомпьютерная техника. — М.: Мир, 1992. 273 с.

170. Финкелстайн, Л. Интеллектуальные и основанные на знаниях средства измерения. Обзор основных понятий //Приборы и системы управления. — 1995.-№11.-С. 40-44.

171. Флейвелл, Д. X. Генетическая психология Жана Пиаже. — М.: Просвещение, 1967.-390 с.

172. Форд, JL, Фолкерсон, Д: Потоки в сетях. М.: Мир, 1966. - 276 с.

173. Фрейдеталь, Г. Октавы, особые группы и октавная геометрия // Математика. 1957.-Т. 1.-С. 117-153.

174. Фурман, Я. А. и др. Комплекснозначные и гиперкомплекснозначные системы в задачах обработки многомерных сигналов. — М.: ФИЗМАТЛИТ, 2004.-456 с.

175. Хартсхорн, Р. Основы проективной геометрии. -М.: Мир, 1970. 159 с.

176. Ходжкин, А. Нервный импульс. М.: Мир, 1965. - 197 с.

177. Хьюбел, Д. Глаз, мозг, зрение. М.: Мир, 1990. - 239 с.

178. Цыпкин, Я. 3. Основы теории обучающихся, систем. М.: Наука, 1970. -251 с.

179. Чавчанидзе, В. В. Теория*самообразующихся систем на основе бионических принципов регенерации и редукции // Бионические принципы самоорганизации. Тбилиси, 1969. - С. 32-46.

180. Черчмен, Ч. Один подход к общей теории систем / Общая теория систем. -М.: Наука, 1966.-С. 183 186.

181. Шабанов-Кушнаренко, Ю.П. Теория интеллекта. Математические средства. Харьков: Вища школа, 1984. — 143 с.

182. Шабанов-Кушнаренко, Ю.П. Теория интеллекта. Технические средства. Харьков: Вища школа, 1986. - 134 с.

183. Шабанов-Кушнаренко, Ю;П. Теория интеллекта. Проблемы и перспективы. -Харьков: Вища школа, 1987. 160 с.

184. Шибзухов, 3. М. Конструктивные методы обучения сигма-пи нейронных сетей М.: Наука, 2006. - 160 с.

185. Штофф, В: А. Моделирование и философия. М.;Л.: Наука, 1966. — 75 с.

186. Шуклин, Д. Е. Модели семантических нейронных сетей и их применение в системах искусственного интеллекта / Автореф: . канд. техн. наук. -Харьков, 2003.- 18 с.

187. Экклз, Дж. Физиология синапсов. — М.: Мир, 1966. 395 с.

188. Эшби, У.Р. Конструкция мозга. -М.: Изд-во иностр. лит-ры, 1962. 398 с.

189. Юрченко, В. В. Функциональные сети. М.: Наука, 1992. - 183 с.

190. Ященко, В. А. Нейроподобные растущие сети как средство построения интеллектуальной микропроцессорной системы с нейроансамблевой структурой// Кибернетика и системный анализ. — 1994. — №3. — С.43 — 62.

191. Ященко, В. А. Многомерные нейроподобные растущие сети как средство интеллектуализации^ЭВМ-//Кибернетикаи системный анализ. 1994. -№4.-С. 41-55.

192. Ященко, В. А. Дуализм архитектуры интеллектуальной мультимикро-процессорной системы с многомерной нейроансамблевой структурой // Кибернетика и системный анализ. 1994. - №5. - С. 34 — 44.

193. Ященко, В. А. Рецепторно-эффекторные нейроподобные растущие сети- эффективное средство моделирования интеллекта. I, II.// Кибернетика и системный анализ. 1995. - №4,5. - С. 54 - 62, 94 - 102.

194. Advanced multivariable control system of aeroengines / Ed. Sun Jianguo, V. Vasilyev, B. Ilyasov — Bejing: Buaapress, 2005. — 621 c.

195. Alves, R.M.B., Nascimento, C.A.O. Gross errors detection of industrial data by neural networks and cluster techniques // Braz. J. Chem. Eng. — 2002. — V.19, № 4, 2002.

196. Amari, Sh., Maginu, K. Statistical neurodynamics of associative memory // Neural Networks. 1988. - V.l. -No. 1 - Pp. 63-73.

197. Barron, A. R. Neural net approximation // Proc. of the Seventh» Yale Workshop on^ Adaptive and Learning Systems. New Haven, CT: Yale University.- 1991.-Pp. 69-72.

198. Bhat, N., McAvoy, T. J. Use of neural nets for dynamic modeling and control318of chemical process systems. //Comput Chem. Eng.—1990.—V.14 (4/5).—S. 575.

199. Beiu, V. On Kolmogorov's superpositions and Boolean functions // Proc. 5th Brazilian Symposium on Neural Networks. Belo Hoizonte. — 1998. — Pp. 55-60 / http://www.infonnatik.uni-trier.de/~lev/db/conf/sbrn/sbrnl998.html.

200. Beiu, V. On optimal computations using perceptrons // Control Engineering and Applied Informatics.-2002.-V.4. No. 1.-Pp. 33-43.

201. Bigus J.P: Data mining'with neural networks. 1996. - 220 p.

202. Bolt, G. R. Fault tolerance' in artificial neural networks: D. Phil1. Thesis. — York University, Ontario, 1992. 215 p:

203. Caianiello, E. R. Outline of a theory of thought-processes and thinking machines // J. Theoret. Biol. 1961. - V.l (2). - Pp. 235-254.

204. Chen, X., Tang, Z., Varjappan, C. A modified, error back-propagation algorithm for complex-value neural networks // International Journal of Neural Systems. -2005. V.l5 (6). - Pp. 435-443.

205. Courbis, A. L., Touraud, E., Vayssade, B. Water balance diagnosis supported by a discrete event and object oriented simulation framework // Transactions on Ecology and the Environment. 1998. - V. 25: - Pp. 199 - 208.

206. Cybenko, G. Approximation by superpositions of sigmoidal function. — Ur-bana: University of Illinois, 1988.-280 p.

207. Cybenko G. Approximation by superpositions of a sigmoidal function //319

208. Math. Control, Signals, Systems. 1989. - V. 2. - Pp. 303 - 314.

209. Fahlman, S E., Hinton, G. E. Connectionist architectures for artificial intelligence // IEEE Computer. 1987. - V.20. - Pp. 100 - 109.

210. Forcada, M. L. Neural networks: Automata and formal models of computation / Universitat d'Alacant / http://www.dlsi.ua.es/~mlf/nnafmc/pbook.

211. Funahashi, K. On the approximate realization of continuous mapping by neural networks // Neural Networks. 1989. - V.21 - Pp. 183 - 192.

212. Galant, S. I. Neural network learning and expert systems. — Cambridge: MIT Press, 1993.-296 p. .

213. Grossberg, S. Competitive learning: From interactive activation to adaptive resonance // Cognitive Science. — 1987. V.l 1. — Pp. 23 — 63.

214. Grossberg, S., Seitz, A. Laminar development of receptive fields, maps, and columns in visual cortex: The coordinating role of subplate / CAS/CNS Tech Report / http://www.cns.bu.edu/Profiles/Grossberg.

215. Gupta, G., Narasimhan, S. Application of neural networks for gross error detection // Ind. Eng. Chem. Res. 1993. - V. 32. - Pp. 1651-1657.

216. Haykin, S. Neural Networks. A comprehensive foundation. New York: Macmillan, 1994.-696 p.

217. Hecht-Nielsen, R. Kolmogorov's mapping neural network existence theorem / Proceedings of the First International Conference on Neural Networks. Volume III. San Diego (Calif.): SOS Print, 1987. -Pp. 11-13.

218. Himmelblau, D. M. Applications of artificial neural networks in chemical engineering // Korean J. Chem. Eng. 2000. - V.l7 (4). - Pp. 373 - 392.

219. Hirose, A. (ed.) Complex-valued neural networks: Theories and applications. Singapore: World Scientific Publishing, 2003. -363 p.

220. Hopfield, J. J. Neural network and physical systems with emergent collective computational abilities // Roc. Nat. Acad. Sci. USA. 1982. - V.79. -Pp. 2554-2558.

221. Hopfield, J. J., Tank, D. W. Computing with neural-circuits: a model // Science. 1984. - V. 233, № 4764. - Pp. 625 - 633.

222. Hornik, K., Stinchcombe, M., White, H. Multilayer feedforward networks are universal approximators // Neural Networks. 1989. - Vol. 2. - Pp. 359-366.

223. Hoskins, J. C., Himmelblau, D. M. Artificial neural network models for knowledge representation in chemical engineering // Comput. Chem. Eng. — 1988.-V.12 (9/10).-S. 881'.

224. Hubel, D: H., Wiesel, T. N. Receptive fields of single neurons in the cat's striate cortex // J. Physiol. 1959. - V.148. - Pp. 574-591.

225. Hubel, D. H., Wiesel, T. N. Interactive action in the cat's lateral geniculate body// J. Physiol. 1961. — V. 155. — Pp. 385-398. .

226. Hubel, D. H:, Wiesel; T. N. Receptive fields, binocular interaction and functional architecture in the cat's visual cortex // J. Physiol. 1962. - V.160. -Pp. 106-154.

227. Hubel, D. H., Wiesel, T. N. Receptive fields and functional, architecture in two nonstriate visual areas (18+19) of the cat // J. Neurophysiol. 1965. — V.28.-Pp. 229-289.

228. Kong, M., Chen, В., He, X. Wavelet-based regulation of dynamic data reconciliation // Ind. Eng. Chem. Res. 2002. - V.41. - Pp. 3405-3412.

229. Kopytov, E., Kabelev, N. A method of adaptive re-configuration of multi-laer perceptron in real-time learning systems // Comper modeling and New Technologies. 2000. - V.4. - Pp. 7-12:

230. Koppen, M., On the training of a- Kolmogorov network / Artificial Neural Networks ICANN 2000 Madrid. - Heidelberg: Springer-Verlag, 2002. -Pp. 474-479.

231. Kreinovich, V. Y. Arbitrary nonlinearity is sufficient to represent all functions321by neural networks: A theorem // Neural Networks. — 1991. — V.4 (3). -Pp. 381-383.

232. Lorentz, G. G. Lower bounds for the degree of approximation // Trans. Amer. Math. Soc. 1960. - V.97. - №1. - Pp. 25 - 34.

233. Lorentz, G. G. Metric entropy, widths, and superpositions of functions // Amer. Math. Monthly. 1962. - V.69. - Pp. 469 - 485.

234. Mukherjee, J., Narasimhan, S. Leak detection in networks of pipelines by the generalized likelihood ratio-method // Ind. Eng. Chem. Res. 1996. - V. 35. -Pp. 1886-1893.

235. Narasimhan, S., Jordache, C. Data reconciliation and gross error detection: An intelligent use of process data. Houston: Gulf Publishing Company, 2000.-350 p.

236. Narendra, K. S., Parthasarathy, K. Identification and control of dynamical1 systems using neural networks // IEEE Transactions on Neural Networks. 1990.-Vol. 1.-No. 1.-Pp. 4-27.

237. Nascimento, C.A.O., Giudici, R. Neural network based approach for optimization applied to an industrial nylon-6,6 polymerization process. // Comput. Chem: Eng. 1998. - V.22. - S. 595.

238. Nascimento, C.A.O., Giudici, R., Guardani, R. Neural network based approach for optimization of industrial chemical processes // Comput. Chem.1. Eng. 2000.-V.24.-S. 2303.

239. Nitta, T. An extension of the back-propagation algorithm to complex numbers

240. Neural networks. 1997. - V.10 (9). -Pp. 1391-1415.

241. Nitta, T. Orthogonality of decision boundaries in complex-valued neural networks // Neural Computation. 2004. - V.16 (1). - Pp. 73-97.322i