Диссертация (1152187), страница 8
Текст из файла (страница 8)
Для практических занятий, подразумевающих деятельное участие студентов, они совершенно непригодны. Прежде чем приступить к таблице ознакомимся с терминамп. Пропрпетйрное программное обеспечение (англ. ргорлегагу ю~ьаге; от ргорпе~агу — частное, патентованное, в составе сооственности и юфиаге — программное обеспечение) — программное обеспечение, являющееся частной собственностью авторов или правообладателей и не удовлетворяющее критериям свободного ПО (наличия открытого программного кода недостаточно).
Правообладатель проприетарного ПО сохраняет за собой монополию на его использование, копирование и модификацию, полностью или в существенных моментах. Обычно проприетарным называют любое несвободное ПО, включая лолусвободное. Открытое программное обеспечение (англ. орел-юште ифжаге)— программное обеспечение с открытым исходным кодом. Исходный код таких программ доступен для просмотра„изучения и изменения, что позволяет пользователю принять участие в доработке самой открьигой про "раммы, использовать код для создания новых программ и исправления в них ошибок — через заимствование исходного кода, если это позволяет совместимость лицензий, или через изучение использованных алгоритмов„ структур данных, технологий, методик и интерфейсов (поскольку исходный код может существенно дополнять документацию, а при 47 отсутствии таковой сам служит документацией).
В таблице 1.1 рассматриваются как проприетарные ПП, так и ореп воа се. Таблица 1.3. Примеры наиболее популярных нейросетевых пакетов. Доподщпетьные возможности МАТ?.АВ + 14евта) Хе)зготк Тоо!Ьох 110545-~7955=15495) 81а1ЬПса Ц4955) Описание. Принцип работы. Типы моделируемых искусственных нейронных сетей Применяется дал решения задач проекпзрованик н обучевшя ряда тшюв ИБС (ассоциативные, самоорганнзующнеся. простые модели персептропа) 1109ф Построение и использование модевей осущеспщкется с помощью постедоаательностей встроенных команд вводтшых пользователем в текстовом режиме.
Тнпы сетей: Кохонена, Хопфичда. Эдьтанк ьпюгосдонньш персептрон, вероятностные н регрессионные ИНС Аягорнтмы обучения: динамические, вкпочакяпне нелинейную авторегрессщо и временную задержку., Пенные и настраввамзые динамнческне структуры. О оно внаа особенность - способность к нейрогенепзческаму отбору данных прн автоматическом поиске нянчу пней комбинации входных переменных. Типы сетей: многослойный персептрон; самооргаинзующнеся вирты Кохонена, сези на радиальных базисщах фующпях.
обобщенные регрессионные ИИС. Лдгоритмы обучения: методы сопряженных градиентов; Трафичесиш и сткгнсшческнй контроль. Решение ьтатематическю~ задач. Возможность создания гибридных 14НС путем изменения числа нейронов., количеств Статнсп|чес шй н иисгрумеитааьный анализ. графнчесютй ковтродь. Автоматический конструктор ИНС. Автоматическая кросс- проверка и регулпровише весов цо Вшенду 1Чепго Яье1Ц13953- 2009 русификатор 99 234.159 50 Бгаш Макет Рш~ббоб-.йбМ О ЫЫ тга1плщ Орйоп =110091 Обучения.' ьгетолы сопряхшнг1ых градненшв тбевеибврг--марлвардт: Кохонена.
ПП используется для решения задач автоматической классифнкапнн, пропюзнровання. Имеет встроенный стагнспзческнй классификатор, управляемый генетическими алгорнтмамн. Щю рылма обучения: одна модель динамичес кн наралшвает количество скрьпь1х нейронов н обучаетск быстро; вторая модель Обучается долыпе. однако анализируетсе каждая входная переменнал. Сети с Обходными соединениями.
рекуррентиые. вероятностные, полиномюльные, с общ ен регрессией, Кохонена. Ворда. Алгоритм обучеииямегод обратного распространения ошибки. Моделирование многослойных нейронных с~тай. ПП работает, применял матеьгатическнй аппарат теории НС. В Оперативной памяти строится модель многослойной нейронной сети, которве способа обучаться на множестве примеров. весОв ПО Виги ьту (проверка вьгяктлет являетгл ли тестируемая ИНС недостаточной нли СЛОЖНОЙ) .
Постр осине графиков олшбки на тренировочном н тестовом наборах, гистограмы распределения ошибок. Создание гибридных сетей. проверка различных кОнфигурапнй НС. автоматический попове оптшчальюах моделей. Подготовка и аначгп нсхолных данных. Уттьзитв СевеГ1с Тшшшц Орион предназначена для подбора оптшехтьной Есапзе 1Епчгопюеа1 Хог Соозрпгег-АЫед 1чеозв1 бой!таге Еауаеегюй1. ннтегрнруюпзузо технолог!аз нейронных сетей, нечеткой лога!от. генетических ачгорнтмов, зкспертных снсопа н теории хаоса. Этот унпккчъный пакет предназначен двя инженеров.
проектирующих ачгорнзмы дкя распознававня образов, мовнторннга н управления пропессамн, анжпгзанзображенвйн томуподобных прнложений. Визуальнав среда разработан Есапзе позволяет посредством оперений Йгаа-мн1-ахар связывать готовые объекзь! С+, строить иерархическое представление снстемы н ощзеделягь потока данных между злементамн Есапзе 61 090.76: ~6 Есапзе - первое средспю разработкн, ззсп!зльзуюзпее столь пгнрокнй набор технологнй нскусственного ннтендеки на дромьппленном уровне. Гап Агбйсвй Хе!з!в! Хе1згоНс 1лйгау 1ТАИЖ) Нейросетевая бибднотека исполняемая в АХВ1 С.
Создаст многослойные сети прямого распространения с подаервоюз! как поаносвазнььт и и сетей со структурнымн связямн. Поддержиааеч Ораз! вопгсе библ потека переведенная более чем на 15 языков п В внде походного оппвпвнрух свого внутреннюю структуру. Однн конфнгурапнн сетн н встроенный тнп сетн - многослойная нейроннаа генетнческойоптнмзиапнн сеть. Алгорнтмобратногораспространевня оп!абаи, обученне с о гранич еннямн на весовых козффнпнентах кода ~орел еопгсе) выполнение в фиксированной точке лля быстрой поддервжу в сати работы иа системах. как БУРАЯ.
аоптсе библиотека Епсоя -орел ьоптсе Уаьа-библиотека с открытьиа кодом, реалиту ющая сети прямого распространения такие как: многостойиые персептроиы, обобщениью н модульные сети прююго распространения Фрейаворк Хата н С-г-:- лля создания нейронных сетей с произвольной топологией н сьгеюавного типа нейронов. Включает в себя техническую ннформапию и почтовые рассылки Епсов поддерхомВает ратлнчные алгоритмы обучения таите как Байесовская сеть, Скрытая марковская модель нн Метод опорных векторов По результатам проведенного тестирования пришли к выводу, что на выбор программного продукта влияют такие критерии как доступность, наглядность представления информации, простота использования, наличие необходимых архитектур и алгоритмов обучения. Оценивались нейропакеты в соответствии с таблгщей 1.2.
За каждый знак «+» присваивался 1 балл. Баллы по строкам «Количество структур нейронных сетей» / «Количество алгоритмов обучения» присваиааются следующим образом: количество типов сетей / алгоритмов обучения менее 4 — 1 балл; 4-8 — 2, более 8 — 3. Исходя из полученных данных можно сделать вывод, что следующие нейросетевые пакеты: "Епсоя", '*Есапзе", "Хеига1 1х1е1жогЕ Тоо1Ьох 1ог Ма11аЬ' имеют преимущество перед остальными. Следует обратить внимание на нынешнюю обстановку на рынке программного обеспечения в целом. Для некоторых компаний приобретать дорогие продукты может быть нерентабельно, в таком случает, следует обратить внимание на ореп зоигсе проекты.
Для нашей задачи наиболее подходящим будет пакет Хевга! Хеп»ого. Тоо1Ьох Гог Маг1аЬ. 1.3. Выводы по первой главе. 1. Проанализирован технологический процесс бестарного хранения муки как объект автоматизации. 2. Проведен анализ параметров, оказывающих влияние на качество готовой продукции. 3. Показано, что качественные параметры готового продукта зависят от параметров микроклимата в силосе, поэтому их стабилизация является важным фактором в обеспечении эффективности технологического процесса. 4. Силос для бестарного хранения муки является многопараметрическим объектом автоматизации, с множеством нелинейных связей между параметрами, 5. Показана целесообразность использования нейросетевых технологий для управления параметрами микроклимата.
6. Произведен сравнительный анализ литературы и определены наиболее актуальные прикладные области и способы применения нейронных сетей в системах автоматического управления. 7. Проанализированы основные способы настройки нейросетевого регулятора. 8. Показано, что традиционные ПИД-регуляторы не подходят в случае управления сложным многопараметрическим процессом с нелинейными связями между параметрами. 9. Произведен анализ основных программных комплексов, используемых для моделирования и исследования нейросетевых систем управления.
10. Сформулированы специфические требования к данным программным продуктам и выбраны наиболее оптимальные для использования в технолоптческом процессе. 1.4. Задачи исследования. В качестве перспективных задач исследования можно указать следующие: необходимость разработки параметрической и математической моделей технологического процесса бестарного хранения муки; необходимость при формализованном описании процесса как объекта управления с учетом взаимосвязей между параметрами технологического режима в силосе с комплексным рассмотрением систем, обеспечивающих процесс (обогрев, увлажнение, вентиляция) как многосвязной системы автоматического управления; - разработка математических моделей и алгоритмов управления, основанных на достижениях интеллектуальных технологий управления для максимального устранения человека из процесса управления и обеспечения автоматической адаптации процесса при изменен|п1 условий его функционирования; - разработка архитектуры нейросетевого регулятора для управления микроклиматом в технологическом процессе бестарного хранения муки; - разработка принципиальных решений автоматизированной системы управления процессом бестарного хранения муки, основанных на изложенных выше положениях.
ГЛАВА 2. РАЗРАБОТКА МАТЕМАТИЧЕСКИХ И СТРУКТУРНО-ПАРАМЕТРИЧЕСКИХ МОДЕЛЕЙ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА БЕСТАРНОГО ХРАНЕНИЯ МУКИ Модель технолопиеского процесса представляет собой совокупность функциональных схем, уравнений, лопнеских операторов, номограмм, таблиц н т.д., с помощью которых характеристики состояния системы определяют в зависимости от параметров процесса, входных сигналов и времени. Построение формального ~математического) описания технологического процесса с неооходимой степенью достоверности называется его формализацией.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
