IX Международная студенческая научная конференция Студенческий научный форум - 2017

Введение

1. Системный анализ, базы данных, многомерные классификации,

иерархические и сетевые связи 5

1.1 Алгоритмы табличных связей 9

2. Нейросетевые технологии. Виды нейронов. 24

2.1 Нейросеть с точки зрения моделирования сложных систем 26

Заключение 28

Список использованной литературы 30

Введение

Вопросы автоматизации горных машин как и в целом управлением роботами неразрывны, казалось бы несовместимыми с ними, вопросами мыслительной деятельности.

Человек предает последнему огромное значение, мало задумываясь о том, что всё в природе вещей организовано и работает по единым принципам.

В основе, которых лежат в целом простые, если в них разобраться, алгоритмы. К этому приходишь по мере изучения управления с помощью компьютерных систем и мыслительной деятельности живого. Поэтому вполне были ожидаемыми технологии вживление в мозг чипов организованных на основе углерода или кремния создающих платформу совместимости между мыслью человека материализованной в сигналах, бегущих в ансамблях нервных клеток мозга и сигналах в устройствах логики компьютерных систем. И сегодня мы уже не удивляемся, управляя мыслью экраном компьютера или когда этим же способом инвалид "оживляет" электромеханические руки и ноги. И, наконец, происходит, то, что всегда имело место, но было не явным - в ДНК закачивают Windows программы и скачивают их обратно на традиционные носители, причем объемы для хранения информации и кода в ДНК на много компактнее чем в существующих системах.

Один же из известных методологов еще в начале 90 - х годов утверждал, что все знания о природе и вселенной человек содержит в себе, а книга лишь устройство для инициализации этих знаний. Это я прочитала в одном из учебно - методическом пособий изданном вначале 2000- х годов под редакцией доктора психологических наук Анисимова О.С., Ныне Анисимов О.С - профессор кафедры акмеологии и психологии профессиональной деятельности Международного института государственной службы и управления Российской академии народного хозяйства и государственной службы при Президенте Российской Федерации, продолжает вести активную исследовательскую, педагогическую и экспертную деятельность.

1. Системный анализ, базы данных, многомерные классификации, иерархические и сетевые связи.

При разработке и проектировании горных машин и моделировании их работы технологические, программные компоненты и информация располагаются в базе данных (БД), которая позволяет создать оболочку в последствие объединяющей автопроектирование, моделирование и наблюдение за текущим состоянием машины с единым структурно связанным контентом. В этом случае к программному инструментарию предъявляются требования существенного упрощения и универсализации создания баз, что необходимо для большей приспособленности систем к работе с автоматизированными алгоритмами.

Проще решаются и вопросы подключения новых объектов к базе данных, даже если они имеют качественно иное содержание. К одной из отлаженных систем проектирования машин относится SolidWorks-программный комплекс САПР для автоматизации работ промышленного предприятия.

Однако изучение такого пакета сопряжено с профессиональной программной подготовкой и вложенными концепциями проектирования не достаточно описанными в литературе. Поэтому рассматриваемые вопросы направлены на изучение элементов системы многомерного проектирования, которые реализованы в пакетах САПР, но легко моделируется на простых обучающих системах и обеспечивают простое восприятия вопроса приспособления расчетно-моделирующих систем к автоматизации управления машиной.

Основные элементы баз для автоматизированных систем.

Иначе говоря, требуется улучшить принципы обучения для создания БД единой структуры, которая упрощала бы и использование известных решателей разных производителей, например, для конечно элементных технологий, а также возможности обработки таких баз внешними системами на объектно-ориентированных языках программирования (С++, VBA).

Как показывает анализ универсализация алгоритмов должна быть отнесена к 3-ём основных компонентам обеспечивающих создание баз, а именно:

- инфологической модели (ИМ), отражающей структуру и взаимодействие элементов рассматриваемого объекта или процесса;

- таблиц;

- межтабличных связей, «делающих» из таблиц базу с едиными методами обработки.

Универсальным критерием для создания таблиц базы является элемент отражающий основное содержание таблицы, названный сущностью таблицы, которая обычно отражается и в названии таблицы, так для таблицы "Редуктор" основное поле названо редуктором и оно будет содержать его описание.

Сущность характеризуется параметрами "Начало" и "Конец" сущности, составляющими два других поля. Так если рассматривается процесс проектирования эти поля отражают даты начала и конца проектирования рассматриваемого объекта. Логичны и два других поля: одно (первое) содержит код сущности таблицы вышезалегающего уровня, через который эти таблицы будут связываться, другое - код сущности самой таблицы (последнее), которое также будет использовано для связывания с таблицей нижележащего уровня.

Алгоритм создания таблиц вначале определяет минимальные возможности базы и таблица имеет 5 полей, см. универсальную структуру (табл. 1.1).

Реальное наполнение таблиц определяется сущностью объекта моделирования и основным процессом закрепленным за сущностью. Понятие связи таблиц означает, что они могут обрабатываться как одна таблица, что существенно облегчает использование встроенных в базу обработчиков, например, систем SQL, QBE, VBA.

Таким образом, алгоритм межтабличных связей следует правилу: верхнее поле, содержащее код связывается с нижней строкой вышележащей таблицы или, что одно и тоже, связываются одноименные кодовые поля при переходе с уровня на уровень, причём для автоматизации процессы создания таблиц и их связей не вызывают проблем. Очевидно, что промышленный робот при наличии автоматизированных алгоритмов без особенных трудностей может создавать такие базы, для изучения некоторого объекта.

Таблица 1. 1 Универсальная структура полей начальных таблиц.
Название поля	Тип
Код сущности вышележащей таблицы	Число
Сущность таблицы	Текст
Начало процесса сущности	Дата/время
Окончание процесса сущности	Дата/время
Код Сущности	число

Сложности создания ИМ затруднены тем, что она описывает связи моделируемого объекта и взаимодействие его узлов и элементов. Поэтому в основу алгоритма положен принцип классификации объекта на основные составляющие с их последующим классифицированием по тем же правилам. Таким образом, построение проекций основного объекта производится на многомерное пространство. В результате имеем пирамидальную иерархическую структуру, состоящую из измерений элемента по горизонтали и уровней, отражающихглубину их дифференциации. Таким образом, измерение есть независимая от других узлов на этом же уровне структура. Процесс разложения объекта на проекции ведётся по правилам, требующим выделение в основном объекте главной составляющей, отражающей смысл сущности и вид привязки к ней остальных элементов. Так если рассматривать объект редуктор, и разложение на 1 и 2 ступень редуктора, то в первой ступени из вала, подшипников и шестерни таковым будет вал, поскольку именно к нему присоединяются подшипники и шестерня. В секции механизированной крепи таковой будут (что неожиданно для традиционных взглядов) гидростойки к которым присоединяются основание и перекрытие. Межтабличные связи же позволяют организовать анализ узлов и деталей машины и в целом всю её конструкцию. Например, можно рассчитать надежность узлов по уровням базы, а затем в целом всей машины.

На нижнем уровне вводятся надежности деталей, а по узлам проводится комплексный расчёт узлов и по мере подъёма к вершине пирамиды расчеты укрупняются пока не закончатся расчётом общего значения надёжности машины с использованием теоремы умножения вероятности.

Пример базы редуктор

Рассмотрим выполнение информационной базы на основе программы Accessз ( точно так же её можно составить и на иных приложениях БД). Для составления таблиц используется режим «конструктор»

Алгоритм составления таблиц следующий:

1. Составляются пять столбцов таблицы:

А. Первый столбец – сохраняет коды нижнего уровня вышележащей таблицы;

В. Второй столбец – сущность таблицы: например, для таблицы «сотрудники» это все основные данные работников (фамилия, и.о.);

С. Третий столбец – время начала рассматриваемого процесса

D. Четвертый столбец – время окончания процесса;

E. Пятый столбец – хранение кодов основного процесса.

Таким образом, в соответствии с инфологической моделью можно рассмотреть первую таблицу со структурой, таблица 1.2:

Таблица 1.2 Стуктура

Код	Число
Редуктор	текст
Начало	Дата/время
Окончание проектирования редуктора	Дата/время
Код Редуктора	число

Это самая верхняя таблица проекта, поэтому первый столбец (колонку) таблицы именуем просто Код, (вышележащей таблицы нет);

Код Редуктора	Число
Внутренняя ступень	текст
Начало проектирования ВС	Дата/время
Окончание проектирования ВС	Дата/время
Код ВС	число

2. Теперь заполняем ячейки таблицы. Для чего открываем таблицу «Разработка нефтегазового месторождения», использую режима «Открыть».

Поля.

Таблица 1.3

Код	Редуктор	Начало планирования проекта	Окончание	Код редуктора
	Двухступенчатый 1	23.09.08.	23.10.08.	1
	Двухступенчатый 2	24.09.08.	17.10.08.	2
	Двухступенчатый 3	22.09.08.	27.10.08.	3

1.1 Алгоритмы табличных связей

Для того чтобы таблицы стали БД, необходимо их связать так, чтобы они представляли логически связанные единые данные, которые можно обрабатывать средствами базы [1]. Для этого нажимаем пиктограмму «Схема данных» в главном окне и появившееся для связи окно «Добавить таблицу». Добавляем в окно необходимые таблицы и «выстраиваем» их в соответсвии с инфологической моделью. Схема алгоритма связи приведена ниже

Далее левой кнопкой мыши выделяем код «Код Ред» верхней таблицы и перетаскиваем его на одноимённый код нижней таблицы, отвечая на вопросы диалогового окна:

- нажимаем клавишу «Объединение»;

- подбираем соответствующий пункт вида объединения (обычно второй);

-если есть ключевые коды, то для классической связи выбираем опцию «Целостность данных» (Этот пункт выполняем только для верхней таблицы, для остальных пропускаем);

- нажимаем клавишу «Создать». Связь состоялась!

Соеденив все таблицы, можем считать, что наша информационная база создана. Для ее проверки проведем несколько тестовых запросов. Среди них:

- Выборка;

- Удаление;

- Добавление;

- Обновление

Если проверка прошла положительно, таблицы можно расширить. Например, если взять составляющие узлы машин и механизмов для освоения скважин, то при этом в таблицы добавляются дополнительные столбцы («вставить строку») и можно показать различные виды чертежей узлов.

Тип поля OLE, но обычно вставляют не сами чертежи, а гиперссылки на них. Одновременно можно подсчитать надежность техники, вставив строку «Надёжность». И применив для ввода формул запросы на «обновление» или «Добавление». Ясно, что эти методы, возможности позволят найти новые пути решения задач производства, экономии средств.

Создание запроса на обновление.

Подготовка точности для ячеек надёжность.

на примере расчета надёжности запрос для «Редуктор».

Создание макроса для автоматического включения запросов

Создание макроса для автоматического включения запросов

Создание макроса для автоматического включения запросов

Создание макроса для автоматического включения запросов

В свою очередь такая база данных (БД) может перевоплощаться в модель траекторного анализа некоторых событий из возможных, когда (рис.1.1.1) отмеченная ветвь может иметь множество альтернатив, для иерархической структуры:

-объект 1 – объект 11 – объект 11 2 – объект 11 2 3 .

- объект 1 – объект 11 – объект 11 2 – объект 11 2 2.

и для сетевой структуры, когда переход на новую связь скачкообразный

- объект 1 – объект 11 – объект 11 2 – объект 12 1.

Каждый из элементов характеризуется событийной вероятностью P (ij).

Для каждого из элементов отчет по j (измерения объекта) ведётся слева, а I (уровень) – вниз. Тогда вероятность событийной цепи для непересекающейся ветви средствами БД можно рассчитать в соответствии с рис. 1.1.1.

P ij = P11 2 3*P11 2*P11*P1 (1.1)

Для пересекающихся ветвей вычисления могут усложниться. В БД используется простой анализ типа «Да – Нет», и «Что, если», а эффективность же обработки данных достигается за счёт большой наполненности данными, наличием инструментов для обработки и огромных скоростей работы.

При этом универсальные алгоритмы (независимо от назначения БД) создания таблиц, межтабличных связей и самой структуры ансамбля (ИМ) позволяют из простых объектов создавать блоки для анализа сложных систем, и легко подключать к ним другие системы и модули, что следует из примененного простого алгоритма связывания таблиц, их структуры и алгоритма создания ИМ.

В частности на основе этой системы можно вычислять и оценивать вероятностные направления развития различного типа машин. Этот же "ансамбль" легко использовать в системах для «принятия решений» и расчёт свести к сравнению приоритетов процессов, поэтому логика поиска решения не сложна, но требует большого времени обработки. Для сравнения качественно различных процессов с индивидуальными шкалами оценок, можно воспользоваться универсальным критерием - уровнем диссипация энергии, который определяет приоритетность процесса на исполнение [2]. В целом же глобальный подход к процессам принятия решений не может не иметь много общего со структурой и выстраиванием алгоритмизированных ансамблей нейроклеток, организация которых близка к рассматриваемой.

При создании эффективных управляющих систем следует понимать, что моделирование процессов принятия решений не могут принципиально различаться для компьютерных и живых систем, включая схемы извлечения информации из памяти или наоборот её сохранения, они основаны на схемах многомерных деревьев, с обработкой по типу анализа "да - нет" в структурах имеющих измерения и уровни.

Рисунок 1.1.1 - Структура базы данных.

Особенности исполнения классификации

Для примера рассмотрена многомерная классификация секции механизированной крепи Glinic, рисунок 1.1.3. Для анализа расчета и управления параметрами она использует межтабличные связи и средства БД.

Мощь многомерного анализа создается в сочетании возможностей БД с программированием на пакетах для микро и макро моделирования, которые не только определяют кинематические связи, но и движения элементов в динамике и статике. Если рассмотреть связи гидропатрон - козырёк то в соответствующих таблицах выполненных для них могут создаваться новые строки содержащие, например, гиперссылки на чертежи этих элементов и строки с гиперссылками на расчеты усилий, скоростей и ускорения в шарнирных соединениях в зависимости от положений секции крепи, выполненные в Adams.

На схеме также отражена схема соединения секции крепи с другими машинами - конвейером 12 через направляющие передвижки 11, и гидродомкратом 10 таблицы для которых также могут быть дополнены чертежами, расчетами на FluidSim, и расчетами на основе пакета ComsolMultifiziks, начиная с версии 5,1 создающего хорошие условия унификации проектирования и управления моделями.

Заметим, что многомерное проектирование рассматривает классификацию как систему проекций верхнего уровня на измерения нижних. Поэтому применяется и соответветсвующая терминология. Так вместо термина "гидростойка" используется "гидроопорный узел", что позволяет на нижележащем уровне рассматривать элементы его проекции перекрытие, козырёк и т.п. не вызывая "протест восприятия". В классификации механические связи узлов легко визуализировать см., например, перекрытие - гидропатрон козырька - козырек.

Связи видны на схеме: гидропатрон соединен с перекрытием и козырьком, а козырек с перекрытием. Описание кинематики и нагруженности этих связей легко анализировать используя соответствующие гиперссылки в таблицах для этих узлов, которые строятся согласно классификации [2,3].

Рисунок 1.1.3 - Секция механизированной крепи Glinik.

Данную БД можно использовать в моделирующем режиме, для сохранения данных о текущем состоянии элементов крепи, управления ими в режиме обратной связи. Пакеты Ansys связываемые с БД через гиперссылки производят расчёт напряженного состояния конструкции, Adams - динамики нагружения элементов системы в движении. Они реализованы в 3d системе управления

машино-технологическим комплексом привязки узлов и их силового взаимодействия [2]. На рис. 1.1.3 секция крепи для которой построена многомерная классификация на рис. 1.1.4 . В данном случае опорным элементом классификации выбраны гидростойки 5,6 к которым подсоединено перекрытие 3 и основание 9 (вместо, разбиения секции на элементы первого уровня: перекрытие, гидростойки, основание, с последующем разбиением узлов по деталям, как выполнялось ранее).

В свою очередь перекрытие включает (кроме своей базовой конструкции козырёк и гидропатрон козырька, взаимные связи которых отражены на ИМ). Оба элемента шарнирно соединены с перекрытием и между собой. Аналогично соединено перекрытие и ограждением с гидропатроном (на схеме он не виден). Ограждение имеет и траверсы 7, 8 лемнискатного механизма которые соединены с основанием. Иначе говоря, элементы 6 - го уровня имеют по два "ствола" образуя с основанием лемнискатный механизм, обеспечивающий параллельное движение перекрытия относительно вертикали.

Такая БД легко преобразуется из проектной - моделирующей в контрольно - управляющую, когда таблицы дополняются строками для хранения данных датчиков. Так в системе Marko ведется контроль углов наклона систем гидроопорного узла, что позволит не допускать в соответсвии с резких повышений нагрузок на элементы лемнискатного механизма.

Рисунок 1.1.4 - База данных построенная по улучшенной методике

Из известных автоматизированных систем на шахтах Караганды чаще всего используется комплекс оборудования Глиник.

Оборудованный гидравлическими блоками управляемыми процессорами PM-4. В основном управление происходит с использование 8 каналов, а в Германии до 14 каналов и как указывают специалисты в основном из работ главного технологического цикла это касается системы передвижения крепи.[3,5]

Но процессор и гидравлическая система позволяют установку дополнительных датчиков и соответственно линий управления, что позволяет «интелектуализировать» крепь. Операции по передвижке включают отслеживание положения в лаве комбайна, состояние конвейерной линии, состояние гидростоек и домкрата передвижение записи показаний которых производят в базы (рис. 1.1.5) При этом оператор ПК может выбрать один из режимов передвижения из нескольких. Список возможных функций фирма предлагает клиенту выбрать заранее. Состояние очистного забоя оценивает оператор, например, он может выбрать последовательное передвижение секции указав, величину сжатия гидростоек при снятии с распора крепи после достижения которой включается домкрат передвижения секции.

Возможны и иные схемы. Система автоматической передвижки может быть мгновенно оператором, в случае если оно не безопасно. Естественно, что время передвижки, определяемое количеством и длительностью выполняемых операций по подготовке к передвижению и распору секции, зависит от того, на какие параметры сжатия гидростоек настроит секцию оператор. Т.е. от опыта оператора. Поэтому современные системы не роботы, а частично автоматизированные линии. Но секция крепи характеризуется большим количеством гидроприемников, например, имеются выдвижные борта, предотвращающее просыпание боковых пород в межсекционные зазоры. Секции наклоняются, изменяют угол базирования к забойному конвейеру, в результате чего возникают неперекрытые зазоры, через которые прорывается порода. Эти вопросы автоматизации не решены, хотя и актуальны, но главным вопросом интеллектуализации работы крепи является управление горным давлением индивидуальное для каждой лавы. Например, наличие неустойчивой непосредственной кровли способно максимально уменьшить степень использования автоматических функций, хотя существуют и способы предотвращения прорыва пород за счет оставления в кровле угольной пачки. Многие вопросы на шахте необходимо решать на месте, но для этого системы не приспособлены по причине наложения запретов и отсутствия эффективного ПО.

И частности по учёту горного давления. С этой точки зрения разработки ряда фирм наравленны на создание возможностей учета состояния массива для автоматизированных систем. Например, при передвижке секций следует учитывать состояние кровли над крепью. Так величина сжатия гидростоек определяется наличием обрушенных кусков породы на перекрытие.

Как же разместить показания датчиков. Очевидно, что это лучше выполнить в базе, моделирующей структуру крепи и иерархические связи элементов структуры, узлов и подузлов, с четкой привязкой индексов записей между реальными датчиками и записанными показаниями. Это, имея схему расположения датчиков, выполняем на основе алгоритмов многомерных классификаций АМК и соответствующей базы.

Такие базы представляют возможность хранения и обработки тотальной информации о крепи в логической связи её узлов и могут составляться для проектирования крепи, её улучшения, а также для управления крепью в лаве и в частности в автоматическом режиме с применением промышленных компьютеров. Хотя в последнем случае её можно видоизменить и столбцы, относящиеся к этапам проектирования извлечь для уменьшения памяти и повышения скорости обработки данных.

Ниже представлен и вариант отдельного размещения базы данных «Датчики», а также основные элементы таблиц для этой базы. Понятно, что по фиксациям показаний датчиков можно судить не только о геомеханическом управлении массивом, но и состоянии крепи, например её гидроприёмников.

В свою очередь сущность аварий (отказов тех или иных устройств) можно проверить по глобальным записям других датчиков, чья работа функционально связана с соседями, причём комплекс основных отказов их основных и косвенных (по замерам соседних датчиков) индетификационных параметров устанавливается в программах, обслуживания. Несмотря на автоматизацию работ использование интеллектуальных программ ещё не достаточно, о чем говорит обслуживание 8 каналов управления на секции, когда их может быть в 3-4 раза больше. В этом, случае как в любых робототехнических устройствах резко усилиться роль перепрограммирования машин в зависимости от конкретных условий.

Роль перепрограммирования, тем выше, чем сложнее машина, тогда для неё можно разработать новые варианты схем работы, включающиеся в ответ на проявления и изменения среды работы. Например, для секции крепи типа «Глиник» в рамках пая (группы секций, обслуживаемых одним компьютером) можно составить 3 - 4 схемы передвижки и соответственно столько же моделей поведения секции и всей группы крепи и столько же моделей управления крепью. Перепрограм­мирование же в частном случае выполняется тогда, когда все программы не могут разместиться в памяти компьютера, или при решении принципиально новой задачи возникшей в забое, например, в аварийной ситуации.

Иногда в рассматриваемом направлении необходимо сосредоточить основную интеллектуальную мощь робототехнических и компьютерных систем и даже исследовать некоторое надвигающееся событие или явление, создать для этого базу наблюдений, что например, возможно на основе алгоритмических подходов АМК.

2. Нейросетевые технологии. Виды нейронов.

Нейросетевые технологии появились на основе нейронных сетей, т.е. программ, имеющих структуру, схожую с работой мозга. Это направление принадлежит к одному из направлений в развитии искусственного интеллекта. Под искусственным интеллектом в настоящее время понимают процесс создания машин, которые способны действовать таким образом, что будут восприниматься человеком как разумные.

Это может быть повторение поведения человека или выполнение более простых задач, например, выживание в динамически меняющейся обстановке. В настоящее время искусственный интеллект по-разному понимается людьми и поэтому его делят на сильный и слабый искусственный интеллект.

Под сильным понимают программное обеспечение, благодаря которому компьютеры могут думать так же, как люди, и приобретать сознание как разумные существа, под слабым искусственным интеллектом понимают широкий диапазон технологий искусственного интеллекта в виде программного обеспечения, которое может добавляться в существующие системы и придавать им различные “разумные” свойства [9].

К слабому искусственному интеллекту относятся нейросетевые технологии. Нейронные сети представляют собой упрощенную модель человеческого мозга (рис.2.1). Мозг состоит из нейронов, которые можно представить как индивидуальные процессоры. Нейроны соединяются друг с другом с помощью нервных окончаний двух типов: синапсов, через которые в нейрон поступают сигналы, и аксонов, через которые нейрон передаёт сигнал далее.

Рисунок 2.1- Упрощенная модель человеческого мозга, совпадает со структурой сетевой базы данных.

Человеческий мозг состоит примерно из 1011 нейронов, каждый из которых связан с другими нервными 10 окончаниями синапсами и аксонами. Количество таких связей у каждого нейрона примерно 1000, в коре головного

мозга их намного больше. Структура мозга является многослойной, и имеет

большое количество внутренних циклов. С большими упрощениями работу мозга можно представить схематично.[10]

Рисунок 2.2 - Многослойная архитектура мозга

Внешний слой сети передаёт импульсы из внешней среды, средний слой (кора головного мозга) обрабатывает импульсы, а затем выходной слой выдаёт

результат (действие) обратно во внешнюю среду.

Виды нейронов.

Искусственная нейронная сеть – это набор нейронов, соединённых между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а вес является параметром сети и может изменяться. Некоторые входы нейронов являются внешними входами сети, а некоторые выходы – внешними выходами сети. Чувство – Процесс - Реакция - Окружающая среда - Кора

головного мозга - Восприятие Контроль - Входной слой - Слой обработки -

Выходной слой.

Подавая любые числовые значения на входы сети, можно получать набор числовых значений на выходе сети. Работа нейросети заключается в преобразовании входного вектора в выходной вектор. Результат этого преобразования будет зависеть от параметров сети – весов взаимосвязей. Практически любую задачу можно решить, используя алгоритм нейросети. Задача обычно решается в два этапа.

На первом этапе выбирается тип сети (её архитектура).

Во время второго подбираются параметры сети – вес взаимосвязей (её обучение).

Выбор типа сети – задача сложная, но на данный момент существует несколько десятков эффективных математически доказанных нейросетевых архитектур. [11]

2.1 Нейросеть с точки зрения моделирования сложных систем.

К настоящему времени разработано большое количество различных типов нейросетей, имеющих свои отличительные особенности.

В задачах управления наиболее широкое распространение получили многослойные нейросети прямого распространения, или многослойные персептроны, сокращенно — MLP (от англ. Multi Layer Perceptron).

Нейросеть всегда строится на основе заданного множества примеров (например — на данных о состояниях рынков). Сеть состоит из искусственных нейронов, элементарных преобразователей, соединенных друг с другом информационными связями, определяемыми «ребрами» этой структуры.

Одним из главных отличий нейросетей, повышающим эффективность вычислительного процесса, является возможность распараллеливания вычислений. В ее основе лежит понятие «искусственного нейрона», который позволяет реализовать на практике нелинейную функцию многих переменных.

Она отображает совокупность входных переменных в вещественное число из отрезка (0, 1) и зависит от набора W числовых коэффициентов (синаптических весов), рассматриваемого в качестве параметра этой функции.

Последняя имеет вполне определѐнный вид и реализуется двумя элементами — сумматором и нелинейным преобразователем. [12]

Первый вычисляет взвешенную сумму входных значений, т.е. компонент вектора признаков, второй выполняет само нелинейное преобразование.

F(X; W), (2.1.1)

где, W — набор весов на входе нейрона, X — входной сигнал.

Искусственные нейроны, имеющая определенную архитектуру, которая включает несколько десятков, а иногда сотен или тысяч нейронов, соединенных своими выходами и входами. Веса нейронов будут определять веса соединений («ребер» сетевой структуры), влияющих на уровень сигнала, распространяющегося по нейросети в виде информационного потока от еѐ входов к выходу.

Наиболее популярной сетевой архитектурой является такая, при которой нейроны каждого слоя непосредственно не взаимодействуют друг с другом и могут быть соединены своими входами-выходами только с расположенными на двух соседних с ними слоях. При этом одна часть нейронов, имеющих лишь по одному входу и выходу в первом слое, используется только для непосредственной обработки входных признаков, а другая — для обработки сигналов, полученных от нейронов из предыдущего, в частности, из первого.

Выходной слой нейронов используется для формирования результата.

Если он содержит один нейрон, то в результате вычислений с помощью нейросети будет получено вещественное число, если же в него входят два нейрона (или более), — то вектор с двумя (или более) компонентами.

Например, это могли бы быть минимальная и максимальная цены сделок за торговый день, а также цена закрытия. Результат вычислений по модели, т.е. с помощью сети, часто называют «откликом». Любой слой между входным и выходным — скрытый. В большинстве приложений нейросеть имеет один такой слой. Обычно число нейронов в нѐм несколько меньше, чем во входном (его называют также сжимаю-щим, поскольку он решает задачу снижения размерности).

Таким образом, модель объекта, реализуемая нейросетью, является, как бы, «черным ящиком», включающим все слои, от входного до выходного, и имеющим обычно много входов (входные нейроны сетевой структуры) и один выход. На вход подается набор признаков, описывающих состояние исследуемого объекта (значения его свойств), а на выходе нейросеть выдает оценку определяемого свойства (если предварительно зафиксированы веса всех нейронов сети).

Заключение

Считают, что при усвоении и обработке информации участвуют участки и целые ансамбли клеток, образующие группы и подгруппы иерархической структуры - нейросети, модели, которых широко используются в обработке компьютерами информации, где необходимы анализ и решение не тривиальных задач.

. Наличие разветвленной сети между информационными узлами в ряде случае позволяет найти новые варианты или улучшение решений (новое в давно забытом старом).

Нейросетевое моделирование можно применять на основе баз данных с многомерными классификациями объектов, также как и нейросети, образующими структуру иерархических групп узлов и подузлов. При этом в узлах – таблицах, с программами обработки (макросы и модули), создается возможность использования комплекса пакетов для моделирования процессов и данных в 3 d. В базах поддерживается иерархическая структура, а с учетом мощного программного обеспечения в узлах, соединяемое через гиперссылки с внешним программным обеспечением, и сетевая структура, обеспечивающая взаимодействие не только с соседними сопрягаемыми узлами, но и расположенными за пределом моделируемого объекта.

Так в системах моделирования машин и механизмов, наряду с применением в узлах программ на основе объектно-ориентированных языков типа VB, C ++ через гиперссылки используются специализированные пакеты типа Ansus, Adams, SolidWorks. Т.е. между информационными узлами можно включить не только логику связей традиционных для баз, но и расширить их возможности за счет внедрения в них моделирующих и прогнозирующих программ, которые имитируют то, что уже есть в механизмах, позволяют увидеть и то, что может быть, как прогноз на будущие периоды. Если рассматривается, например, конструкция машины, то можно увидеть и улучшенные программные элементы управления или конструктивные схемы. В каждом таком узле машину можно рассматривать в обновленной топологии превышающей 3 d, которая продолжает конструкцию в её взаимодействии с рабочей средой и с другими узлами, позволяя рассматривать и управлять статическими и динамическими процессами. В изобретательской работе известна трактовка новизны решения при реализации известной конструкции для новой области применения, но в данном случае, наличие новых связей позволяет затем внести и принципиальные изменения самой конструкции. В машиностроении и программировании, это направление рассматривалось в методах инверсии решений.

Развитие пакетов автопроектирования и моделирования дало существенный толчок методологии и обеспечило реальным вложением ранее разработанные теоретические установки. Если рассматривать конкурирующие системы машин, например, в горном деле, то применение многомерного подхода в базах данных позволило составлять моделирующее - прогнозирующие проекты со сравнением вариантов по многим компонентам, когда среди главных критериев рассматривались:

-способности работы машины в определенных условиях;

- исполнение заданных параметров надежности.

Дополнительным критерием к ним выступает стоимость машины, сильно зависимая от требований надежности и которая на некотором уровне может изменяться нелинейно, что указывает на исчерпание традиционных методов её повышения, подталкивая к новым, опирающимся на фундаментальные положения науки.

Список использованной литературы

1. К.М. Бейсембаев, М.Б. Шащанова Основы системного анализа в базах данных: учебное пособие. - Караганда.: Болашак-Баспа, 2008. - 208 с.

2. Бейсембаев К.М., Шманов М.Н., Есен А.М., Есмагамбетов А.Б., Когай В.А., Оспанов Д.У. К 3d моделированию задач взаимодействия горного массива с очистным оборудованием в сложных условиях разработки пластовых ископаемых.// Междисциплинарные исследования в области математического моделирования и информатики. Материалы 5-й научно-практической internet-конференции. Ответственный редактор Ю.С. Нагорнов. Ульяновск, 2015. С. 164-171.

3. Бейсембаев К.М., Мендиенов К.К. , Шманов М.Н., Зверев Н.А., Есмагамбетов А.Б., Разов И.О. Особенности расчёта рычажных конструкций для новых технологий добычи пластовых месторождений // Успехи современного естествознания. - 2014.- № 9 часть 2, С. 137-142

4. К.М. Бейсембаев, Г.Д. Когай, М.Б. Шащанова, А. Рахимова К моделям информационных связей в сложных системах //Современные проблемы науки и образования. – 2012. – № 6; URL: www.science-education.ru/106-747

5. Marcman H. The blue brain project.-NatRevNeurosci.2006.7. С. 153-160

6. Джонс, М.Т. Программирование искусственного интеллекта в приложениях / М. Т. Джонс; пер с англ. А. И.Осипова. – М.: ДМК Пресс, 2004. – 312 с.

7. Оссовский, С. Нейронные сети для обработки информации; пер. с польского И. Д. Рудянского – М.: Финансы и статистика, 2002. – 344 с.

8. Hebb, D. Organization of behaviour / D. Hebb – N.Y.: J.Wiley, 1949.

9. Нейроинформатика / А.Н.Горбань [и др.].– Новосибирск: Наука. Сибирское предприятие РАН, 1998. – 296 с.

10. Винер, Н. Кибернетика или управление и связь в машине / Н. Винер; пер. с англ., 2-е изд., – М, 1968. – 344 с.

11. Уоссермэн, Ф. Нейрокомпьютерная техника: Теория и практика 1990. / Ф. Уоссермэн; пер с англ. Ю.А. Зуевой; В.А. Точёновой – М.: Мир, 1992. – 240 с.

12. Горбань, А.Н. Нейронные сети на персональном компьютере / А.Н. Горбань, Д.А. Россиев. – Новосибирск: Наука (Сиб. отделение), 1996. – 276 с.п

17

Код для цитирования: Скопировать