360

2

УДК

Нечеткие и нейронные системы управления и автоматизации: Методиче-

ские указания для самостоятельной работы студентов по направлению подго-

товки 15.04.04 – Автоматизация технологических процессов и производств для

очной формы обучения / А.А. Грибанов; М-во образования и науки РФ, ФГБОУ

ВО «ВГЛТУ». – Воронеж, 2016. – 8 с.

Печатается по решению редакционно-издательского совета ВГЛТУ

Рецензент: д.т.н., профессор, зав. кафедрой электротехники и автоматики ФГБОУ ВО «Воронежский государственный аграрный университет имени императора Петра I» Афоничев Д.Н.

3

1. Введение

Учебным планом по направлению подготовки магистра 15.04.04 – «Автоматизация технологических процессов и производств» предусмотрено изучение курса «Нечеткие и нейронные системы управления и автоматизации».

В результате освоения дисциплины студент должен:

–знать: основные сведения из теории искусственных нейронных сетей: персептрон, искусственная нейронная сеть обратного распространения ошибки; биологические предпосылки формирования искусственных нейронных сетей; постановку задачи нахождения оптимального нейросетевого алгоритма обработки информации в системах управления технологическими процессами;

–уметь: определять, какой из подходов к задачам построения нейросетевых алгоритмов применять в конкретном случае; составлять сеть обратного распространения ошибки, определять количество входов, выходов и количество промежуточных слоев; практически определять в задаче распознавания шаг и вид алгоритма обучения сети;

–владеть навыками формализованной постановки задачи построения нейронной сети; анализа систем управления при определении конкретных нейросетевых алгоритмов распознавания.

2.Общие указания

Методические указания предназначены для студентов магистратуры 2-го курса (4-й семестр) очного обучения. Объем дисциплины и виды учебной работы по семестрам приведены в табл. 1.

Таблица 1 – Объем дисциплины и виды учебной работы

4

Цель лекций – дать основные направления по наиболее сложным разделам дисциплины, а также изложить материал по новейшим достижениям, не получившим достаточного освящения в учебной литературе.

Обзорный характер лекций не дает основание рекомендовать их в качестве единственного источника при подготовке к зачету.

Лабораторные занятия посвящены изучению искусственных нейронных сетей в автоматизации технологических процессов.

3. Содержание разделов дисциплины

Раздел 1. Введение Биологические предпосылки возникновения искусственных нейронных

сетей. Структура человеческого мозга. Организация памяти в коре человеческого мозга. Ритмы колебаний больших нейронных ансамблей. Биологически правдоподобные модели нейронов. Модели визуального восприятия. Персептроны и зарождение искусственных нейронных сетей.

Раздел 2. Искусственные нейронные сети Типы функций активации нейронов. Представление нейронных сетей с

помощью направленных графов. Архитектура сетей. Сети прямого распространения. Рекуррентные сети. Обучение нейронных сетей. Обучение, основанное на коррекции ошибок. Обучение на основе памяти. Обучение Хебба. Математические модели предложенного Хеббом механизма модификации синаптической связи. Конкурентное обучение. Обучение Больцмана. Обучение с учителем. Обучение с подкреплением. Обучение без учителя. Однослойный персептрон. Обучение персептрона. Методы безусловной оптимизации. Метод наискорейшего спуска. Метод Ньютона. Метод Гаусса-Ньютона. Взаимосвязь персептрона и байесовского классификатора. Многослойный персептрон. Алгоритм обратного распространения ошибки. Извлечение признаков. Линейный дискриминант Фишера. Сети свертки.

5

Раздел 3. Основы теории нечетких множеств Теорема Ковера о разделимости множеств. Разделяющая способность по-

верхности. Задача интерполяции. Теория регуляризации. Функция Грина. Решение задачи регуляризации. Многомерные функции Гаусса. Обобщенные сети на основе радиальных базисных функций. Свойства аппроксимации сетей RBF. Сравнение сетей RBF и многослойных персептронов.

Раздел 4. Алгоритмы построения нечетких нейронных сетей Оптимальная гиперплоскость для линейно-разделимых образов. Оптимальная гиперплоскость для неразделимых образов. Архитектура машины опорных векторов. Машины опорных векторов для задач нелинейной регрессии. Динамические системы. Пространство состояний. Условие Лившица. Теорема о дивергенции. Устойчивость состояний равновесия. Теоремы Ляпунова.

4. Лабораторные занятия

Перечень лабораторных работ по курсу для студентов магистратуры очного обучения представлен в табл.2.

Таблица 2 – Перечень лабораторных работ

5. Самостоятельная работа бакалавров

Часть материала курса вынесена на самостоятельное изучение магистров. Темы этой работы представлены в табл.3.

6

Таблица 3 – Перечень вопросов, выносимых на самостоятельное изучение

Контроль самостоятельной работы магистров осуществляется преподавателем. Контроль качества освоения дисциплины проводится посредством текущего контроля успеваемости и промежуточной аттестации обучающихся. Результаты контроля отражаются в баллах модульно-рейтинговой системы оценки знаний магистра.

После прослушивания курса лекций, выполнения лабораторных работ магистр допускается к сдаче экзамена. Контрольные вопросы к зачету студентов магистратуры очного обучения приведены ниже.

6.Контрольные вопросы

1.Биологические предпосылки возникновения искусственных нейронных сетей.

2.Структура человеческого мозга. Организация памяти в коре человеческого мозга.

3.Ритмы колебаний больших нейронных ансамблей. Биологически правдоподобные модели нейронов.

4.Модели визуального восприятия. Персептроны и зарождение искусственных нейронных сетей.

5.Типы функций активации нейронов.

6.Представление нейронных сетей с помощью направленных графов.

7.Архитектура сетей. Сети прямого распространения. Рекуррентные сети.

8.Обучение нейронных сетей. Обучение, основанное на коррекции ошибок.

7

9. Обучение на основе памяти.

10.Обучение Хебба.

11.Математические модели предложенного Хеббом механизма модификации синаптической связи.

12.Конкурентное обучение. Обучение Больцмана.

13.Обучение с учителем.

14.Обучение с подкреплением.

15.Обучение без учителя.

16.Обучение Хебба. Математические модели предложенного Хеббом механизма модификации синаптической связи.

17.Однослойный персептрон. Обучение персептрона.

18.Методы безусловной оптимизации.

19.Метод наискорейшего спуска. Метод Ньютона. Метод Гаусса-Ньютона. 20.Взаимосвязь персептрона и байесовского классификатора. 21.Многослойный персептрон.

22.Алгоритм обратного распространения ошибки. Извлечение признаков. Линейный дискриминант Фишера.

23.Сети свертки.

24.Теорема Ковера о разделимости множеств.

25.Задача интерполяции.

26.Теория регуляризации. Функция Грина. Решение задачи регуляризации. 27.Многомерные функции Гаусса.

28.Обобщенные сети на основе радиальных базисных функций.

29.Свойства аппроксимации сетей RBF. Сравнение сетей RBF и многослойных персептронов.

30.Оптимальная гиперплоскость для линейно-разделимых образов.

31.Оптимальная гиперплоскость для неразделимых образов.

32.Архитектура машины опорных векторов.

33.Машины опорных векторов для задач нелинейной регрессии. Пространство состояний. Условие Лившица.

34.Теорема о дивергенции. Устойчивость состояний равновесия. Теоремы Ляпунова.

Библиографический список

Основная литература

1. Пегат А. Нечеткое моделирование и управление / пер. с англ. - М.: БИНОМ. Лаборатория знаний, 2009. – 798 с. // ЭБС Единое окно доступа к образовательным ресурсам. – Режим доступа: http://window.edu.ru/resource/324/65324.

8

Дополнительная литература

2. Проектирование регуляторов для стохастических систем и объектов с неопределенными параметрами: Учебное пособие / В.В. Григорьев, С.В. Быстров, В.И. Бойков и др. - СПб.: НИУ ИТМО, 2013. – 172 с. // ЭБС Единое окно доступа к образовательным ресурсам. – Режим доступа: http://window.edu.ru/resource/417/80417.

Грибанов Андрей Анатольевич

Нечеткие и нейронные системы управления и автоматизации

Методические указания для самостоятельной работы студентов магистра-

туры направления подготовки 15.04.04 – «Автоматизация технологических

процессов и производств» для очной формы обучения

Редактор С.Ю. Крохотина

ФГБОУ ВО «Воронежский государственный лесотехнический университет имени Г.Ф. Морозова»