- •Конспект лекцій
- •«Автоматизація виробничіх процесів та мікропроцесорна техніка»
- •Лекция 1 – Основные понятия, определения автоматизации. Процессы управления, структурная схема асу тп. Виды управления. Автоматизированные системы, виды схем автоматизации.
- •Лекция 2 – Классификация систем автоматизации, автоматические системы.
- •Лекция 3 – Технические средства автоматизации, э/м реле, геркон, магнитные и электронные усилители, транзисторы, исполнительные механизмы.
- •Структура усилителя
- •Каскады усиления
- •Аналоговые усилители и цифровые усилители
- •Виды усилителей по элементной базе
- •Виды усилителей по диапазону частот
- •Виды усилителей по полосе частот
- •Виды усилителей по типу нагрузки
- •Специальные виды усилителей
- •Некоторые функциональные виды усилителей
- •Усилители в качестве самостоятельных устройств
- •Питание
- •Простейшее включение оу
- •Параметры по постоянному току
- •Параметры по переменному току
- •Нелинейные эффекты
- •Ограничения тока и напряжения
- •По типу элементной базы
- •По области применения
- •Другие классификации
- •По основному полупроводниковому материалу
- •По структуре
- •Комбинированные транзисторы
- •Лекция 4 – Микропроцессорная техника, контроллеры, программирование. Основные характеристики мп - контроллеров
- •Лекция 5 - Цифровая обработка сигналов (квантование, цифровая фильтрация).
- •Лекция 6 - Регуляторы. Методы получения информации, датчики, измерительные устройства. Автоматические регуляторы
- •Измерения температуры.
- •Анализ современных методов автоматического контроля давления и выбор наиболее рационального метода
- •Если абсолютное давление ниже барометрического, то
- •3.1 Классификация приборов для измерения давления
- •Манометры сопротивления
- •3.1.6 Емкостные манометры
- •Расходомеры
- •Уравнемеры
- •Измерение уровня с помощью радиоактивных изотопов Область применения
- •Лекция 7 Компьютерные сети.
- •Лекция 8 - Магистральная структура компьютерных сетей. Уровни программного обеспечения сети.
- •Лекция 9 - Интерфейсы (rs 232)
- •Лекция 10 - scada системы
- •Системы scada
- •Лекция 11 - Нечеткие алгоритмы управления
- •Лекция 12 - Искусственная нейронная сеть.
- •Этапы решения задач:
- •Классификация по характеру связей Сети прямого распространения (Feedforward)
- •Рекуррентные нейронные сети
- •Радиально-базисные функции
- •Самоорганизующиеся карты
- •Известные типы сетей
- •Отличия от машин с архитектурой фон Неймана
- •Примеры приложений Предсказание финансовых временных рядов
- •Лекция 13 - Система автоматического контроля и регулирования 3-х зонной методической печи.
- •13.1. Технологические параметры, определяющие работу доменной печи
- •13.2 Локальные системы автоматического управления доменным процессом
- •Регулирование температуры горячего дутья.
- •Регулирование соотношения "природный газ — холодное дутье" с коррекцией по кислороду
- •13.4 Задачи управления ходом доменной печи
- •13.5 Система комплексной автоматизации доменного производства
- •Лекция 14 - Система автоматического контроля и регулирования 3-х зонной методической печи
- •Лекция 15 - Система автоматического регулирования разливкой стали на мнлз.
- •2 Задачи управления на мнлз
- •3 Локальные системы управления
- •4 Асу тп разливки стали на мнлз
- •Лекция 16 - Система автоматического регулирования тепловым режимом дуговой сталеплавильной печи и установки внепечной обработки стали «Печь-ковш».
Известные типы сетей
Персептрон Розенблатта;
Многослойный перцептрон;
Сеть Джордана;
Сеть Элмана;
Сеть Хэмминга;
Сеть Ворда;
Сеть Хопфилда;
Сеть Кохонена;
Нейронный газ
Когнитрон;
Неокогнитрон;
Хаотическая нейронная сеть;
Осцилляторная нейронная сеть;
Сеть встречного распространения;
Сеть радиальных базисных функций (RBF-сеть);
Сеть обобщенной регрессии;
Вероятностная сеть;
Сиамская нейронная сеть;
Сети адаптивного резонанса.
Свёрточная нейронная сеть (convolutional neural network).
Отличия от машин с архитектурой фон Неймана
Вычислительные системы, основанные на искусственных нейронных сетях, обладают рядом качеств, которые отсутствуют в машинах с архитектурой фон Неймана (но присущи мозгу человека):
Массовый параллелизм;
Распределённое представление информации и вычисления;
Способность к обучению и обобщению;
Адаптивность;
Свойство контекстуальной обработки информации;
Толерантность к ошибкам;
Низкое энергопотребление.
Примеры приложений Предсказание финансовых временных рядов
Входные данные — курс акций за год. Задача — определить завтрашний курс. Проводится следующее преобразование — выстраивается в ряд курс за сегодня, вчера, за позавчера. Следующий ряд — смещается по дате на один день и так далее. На полученном наборе обучается сеть с 3 входами и одним выходом — то есть выход: курс на дату, входы: курс на дату минус 1 день, минус 2 дня, минус 3 дня. Обученной сети подаем на вход курс за сегодня, вчера, позавчера и получаем ответ на завтра. Нетрудно заметить, что в этом случае сеть просто выведет зависимость одного параметра от трёх предыдущих. Если желательно учитывать ещё какой-то параметр (например, общий индекс по отрасли), то его надо добавить как вход (и включить в примеры), переобучить сеть и получить новые результаты. Для наиболее точного обучения стоит использовать метод ОРО, как наиболее предсказуемый и несложный в реализации.
Психодиагностика
Серия работ М. Г. Доррера с соавторами посвящена исследованию вопроса о возможности развития психологической интуиции у нейросетевых экспертных систем. Полученные результаты дают подход к раскрытию механизма интуиции нейронных сетей, проявляющейся при решении ими психодиагностических задач. Создан нестандартный для компьютерных методик интуитивный подход к психодиагностике, заключающийся в исключении построения описанной реальности. Он позволяет сократить и упростить работу над психодиагностическими методиками..
Хемоинформатика
Нейронные сети широко используются в химических и биохимических исследованиях[21] В настоящее время нейронные сети являются одним из самых распространенных методов хемоинформатики для поиска количественных соотношений структура-свойство[22][23], благодаря чему они активно используются как для прогнозирования физико-химических свойств и биологической активности химических соединений, так и для направленного дизайна химических соединений и материалов с заранее заданными свойствами, в том числе при разработке новых лекарственных препаратов.