автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка и исследование модели нейроподобной адаптивной обучаемой системы с применением генетического поиска

0046182У4 На правах рукописи

Коберси Искандар Сулейман

РАЗРАБОТКА И ИССЛЕДОВАНИЕ МОДЕЛИ

НЕЙРОПОДОБНОЙ АДАПТИВНОЙ ОБУЧАЕМОЙ СИСТЕМЫ С ПРИМЕНЕНИЕМ ГЕНЕТИЧЕСКОГО ПОИСКА

Специальность: 05.13.01 Системный анализ, управление и обработка информации (Вычислительная техника и информатика)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

2 3 ЛЕК 2010

Таганрог - 2010

004618294

Работа выполнена в Технологическом институте Южного федерального университета на кафедре систем автоматического управления

Научный руководитель: доктор технических наук, профессор

Финаев Валерий Иванович

Официальные оппоненты: доктор технических наук, профессор

Ромм Яков Евсеевич,

доктор технических наук, профессор Золотовский Виктор Евдокимович

Ведущая организация: Ростовский государственный

университет путей сообщений

Защита состоится « » 2010 г. в часов на заседании

диссертационного совета Д 212.208.22 при Технологическом институте Южного федерального университета по адресу: пер. Некрасовский, 44, ауд. Д-406 ГСП-17А, г.Таганрог, Ростовская область, 347928.

С диссертацией можно ознакомиться в Зональной научной библиотеке Южного федерального университета по адресу: ул. Пушкинская, 148, г.Ростов-на-Дону, 3444000.

Автореферат разослан « »

2010 г.

Ученый секретарь диссертационного совета Д 212.208.22 доктор технических наук, профессор /) У/ / А.Н. Целых

/На

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Востребованность в промышленности технологий управления технологическими процессами и производством при неполном объеме информации (неопределенности), требуемой для решения задач управления, ставят перед техническими и научными организациями задачи создания новых методов и устройств для эффективного управления

Неопределенность характеризуется нестабильностью характеристик сложных объектов и процессов, а также недостаточностью или отсутствием информации о возмущающих воздействиях, обуславливает отсутствие точной модели объекта на всем интервале управления. Проблема эффективного управления системами в условиях параметрической неопределенности является актуальной задачей в различных предметных областях. , ;

Применение теории искусственного интеллекта для решения задач управления в условиях неопределенности, в частности теории нейро-нечетких систем управления с генетической настройкой параметров в условиях неопределенности, представляет собой один из самых современных методов управления. Результат их применения приводит к получению оптимальных решений задачи управления технологичными процессами за приемлемое время, т.к. скорость обучения нейро-нечетких адаптивных обучаемых систем управления в разы превышает скорость изменения параметров объекта управления.

Диссертационная работа посвящена разработке новых методов решения задач управления сложными нелинейными объектами в условиях отсутствия сведений об аналитическом виде модели объекта с применением систем, реализованных в виде интеллектуальных обучаемых устройств. Это определяет и подтверждает актуальность диссертационной работы.

Цель диссертационной работы состоит в развитии методов системного анализа, в частности методов моделирования и синтеза адаптивных обучаемых систем управления стохастическими нелинейными объектами с применением эволюционных методов и методов искусственного интеллекта в условиях отсутствия полной информации об объекте управления.

Объект исследования. Объектом исследования в диссертационной работе являются модели, методы и модули управления в виде адаптивных обучаемых устройств, а также проблемно-ориентированный прикладной программный комплекс для решения задач исследования процессов обучения адаптивных систем управления.

Основные задачи исследования. Для достижения поставленной цели решены следующие основные задачи:

- исследование адаптивных обучаемых систем управления с применением аппарата искусственного интеллекта;

- синтез и исследование модулей управления направлением, скоростью и расстоянием от транспортного средства до препятствия с помощью алгоритмов обратного распространения ошибки и Хэбба;

- разработка интеллектуальной адаптивной обучаемой системы управления;

- разработка генетического алгоритма обучения модуля управления направлением транспортных средств;

-разработка генетических алгоритмов обучения модулей управления скоростью и состоянием транспортных средств;

- разработка общего генетического алгоритма обучения интеллектуальной адаптивной системы управления;

- разработка специализированного программного комплекса для выбора параметров адаптивных обучаемых гибридных систем управления и проведения экспериментов.

Основные научные результаты:

- метод построения адаптивной обучаемой системы управления, отличающийся возможностью решения задач управления сложными объектами в условиях неполноты данных за счет применения нейро-нечетких структур и алгоритмов обучения интеллектуальной составляющей системы управления;

- Интеллектуальная адаптивная обучаемая система управления, отличающаяся тем, что ее структура состоит из совокупности нечетких модулей принятия управляющих решений, построенных на основе нейронных сетей, функционирующих в соответствии с алгоритмами обучения, позволяющими оптимизировать параметры нечетких модулей;

- метод обучения интеллектуальной адаптивной системы управления, отличающийся, как применением приема декомпозиции в виде алгоритмизации процессов обучения отдельных модулей, так и применением приема композиции, позволяющего алгоритмизировать процесс обучения интеллектуальной гибридной адаптивной системы управления, что способствует уменьшению времени настройки параметров и вывода управляющих воздействий, а также уменьшению ошибки обучения.

Практическая ценность результатов исследований определена их применением в системах автоматического управления транспортными средствами, проектированием интеллектуальных адаптивных обучаемых систем управления, обеспечивающих решение задачи адаптивного управления в соответствии с поставленной целью.

Методы проведения исследования. В диссертационной работе использованы методы теории искусственного интеллекта, теории моделирования, методы функционального анализа, генетические алгоритмы обучения нейро-

нечетких адаптивных обучаемых систем управления. В экспериментальных исследованиях применялось имитационное моделирование на разработанном комплексе «NeuroAndFuzzy» на ЭВМ.

Достоверность полученных в диссертации результатов подтверждается логическими выводами, программными приложениями, актами о внедрении

Реализация и внедрение результатов работы. Результаты работы внедрены:

- на предприятии АВИАОК Интернейшенел.

- на предприятии ООО «Ирс-Агро»;

-в госбюджетной НИР 12154 «Разработка и исследование методов аналитического синтеза интеллектуальных систем принятия решений и многокритериального управления в условиях неопределенности на основе современных информационных технологий»;

- в учебном процессе на кафедре систем автоматического управления Технологического института Южного федерального университета в г. Таганроге.

Апробация результатов работы. Основные результаты докладывались и обсуждались на научно-технической конференции (A1S'08), ««Интеллектуальные системы, «Интеллектуальные САПР» (CAD-2007); 6-ой Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь XXI века - будущее Российской науки» 2008.; Международной научной конференции «Системы и модели в информационном мире», (СМИ-2009), Таганрог: 2009; Ежегодной научной конференции студентов и аспирантов базовых кафедр ЮНЦ РАН, Ростов н/Д, 2009; Межрегиональной НТК студентов, аспирантов и молодых ученых Южного федерального округа. - Новочеркасск, ЮРГТУ (НПИ), 2009; 6-й всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь XXI века - будущее российской науки», Ростов н/Д, 2009; VII-й всероссийской конференции молодых ученых, аспирантов и студентов, «Информационные технологии, системный анализ и управление», Таганрог: ТТИ ЮФУ, 2009; Международной научной конференции «Методы и алгоритмы принятия эффективных решений», (МАПР-2009), Таганрог: ТТИ ЮФУ, 2009; VI Ежегодной научной конференции студентов и аспирантов базовых кафедр Южного научного центра РАН. Изд-во ЮНЦ РАН, 2010; Международной научной конференции «Информационное общество: идеи, технологии, системы», Таганрог: ТТИ ЮФУ, 2010; VII Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии». Томск, 25-27 февраля 2009г; Международный семинар «Системный анализ, управление и обработка информации», пос. Дивноморское COCK «Радуга»; XI всероссийской научно-технической конференции и школе молодых ученных, аспирантов и студентов «Научные исследования и разработки в области авиационных, космических и транспортных систем», АКТ (2010). Москва, 2010.

Публикации. По теме диссертационной работы опубликована 1 монография, 10 статей и 17 тезисов докладов, из них 4 статьи, в известиях относящихся к перечню ВАК.

Структура и объем работы. Диссертационная работа содержит 179 страниц машинописного текста, включая введение, четыре раздела, заключение, список-литературы из 151-го наименования, 72 рисунков, 15 таблиц.

Во введении обоснована актуальность темы, сформулированы цель исследования, научная новизна, практическая ценность, основные положения, выносимые на защиту, достоверность и обоснованность научных положений диссертации, апробация работы. Кратко рассмотрено содержание разделов диссертации.

В первом разделе диссертационной работы приведена классификация и описание адаптивных обучаемых систем управления. Дано определение адаптивной системы управления, в частности определение нечетких, нейронных и нейро-нечетких систем управления.

Выполнен аналитический обзор интеллектуальных обучаемых систем управления. Предложены структуры модулей интеллектуальной адаптивной обучаемой системы управления транспортными средствами.

Приведена классификация методов обучения гибридных систем управления, произведен выбор методов настройки с применением генетического алгоритма обучения системы.

Предложена структура системы управления с применением систем нечеткого вывода, состоящей из трех основных модулей, как показано на рис. 1, где ННСЬ ННС2 и ННС3 - нейро-нечеткие (модули) управления отдельными параметрами объекта управления (направление, скорость, расстояние).

КРАТКОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Измерительная система

Интеллектуальная система, управления

Объект управления

1 Искусстве' иное зрение

ННСз •

! Достижение -►] пункта _назначения

Рис. I

Разработана концепция управления транспортными средствами (ТС) в виде трех гибридных модулей управления скоростью, направлением и состоянием ТС в условиях неопределенности. Приведена классификации препятствий на весь радиус видимости системы навигации ТС, показанная на рис. 2.

Во втором разделе синтезирована интеллектуальная гибридная адаптивная обучаемая система управления, состоящая из трех нейро-нечетких модулей с генетической настройкой параметров. Разработана принципиальная схема интеллектуальной адаптивной обучаемой системы управления транспортными средствами, показанная на рис.3.

При работе системы управления на ее вход поступает информация о значениях измеряемых параметров. Из блока датчиков поступает информация на блоки фаззификации ННСЬ ННС2 и ННС3, в которых происходит преобразование входной числовой информации в значения степеней принадлежности нечетких

Рис.2

переменных из терм-множеств лингвистических переменных. В результате полученные значения степеней принадлежности в удобной форме заносятся в блок памяти истории управления ТС.

В базе знаний хранятся правила принятия управляющих решений для каждого модуля. От блока фаззификации передается нечеткая информация в блок оценки состояния объекта управления и в блок принятия решения, в котором выполняется обратная операция фаззификации - преобразование нечеткого принятого решения в управляющее воздействие, этот процесс называется дефаззифиацией. Блоки оценки состояния параметров объекта управления, предназначены для определения ошибки результатов управления.

Для выполнения операции дефаззификации необходима также информация из базы правил и из блока хранения истории управления параметрами ТС.

Рис. 3

В первом модуле после процесса фазификации выполняется процедура нечеткого вывода, которая определяется выражением

у = max

I I.....к

{«.}, (1)

где г=1, ...,т - номер элемента в третьем слое, k=\,...,N - номер правила, wkr -веса связей между к-м элементом второго слоя и г-м элементом третьего слоя, г*-

уровень активности правил (степень соответствия) в соответствии с зависимостью

<h (2)

Значение функции нечеткого вывода записывается в виде выражения

У, = max | min (м/ (х,)) • wkr. (3) ....."[>/.....« ')

Входной слой нейронной сети (блока дефаззификации) связан с третьим слоем нечеткого модуля. Векторы весов связи 1-го нейрона обозначены - и/1'. Результаты

нечеткого вывода (3) являются входными параметрами нейронов первого слоя нейронной сети дефаззификации.

Количество элементов этого слоя определяется количеством нечетких правил предыдущего слоя. Значения с первого слоя поступают на входы скрытого второго слоя нейронной сети дефаззификации (рис. 4).

U

Рис.4

Определение количества нейронов в скрытом слое является очень важной частью реализации общей структуры нейронной сети. Хотя этот слой непосредственно не взаимодействует с внешней средой, он имеет огромное

влияние на конечный результат. Скрытый слой и количество его нейронов должны быть тщательно просчитаны.

Включение слишком малого количества нейронов в скрытом слое приведет к неустойчивой работе сети. Включение слишком большого числа нейронов в скрытом слое может привести к переобучению сети, из-за недостаточности поступающей с первого слоя информации, что приводит к увеличению времени, необходимого для обучения сети в целом. Необычно большое число нейронов в скрытом слое может увеличить время, необходимое для обучения сети. Время обучения может увеличиться до такой степени, что приведет к неадекватному обучению нейронной сети.

При определении количества нейронов скрытого слоя, применялись следующие правила:

- количество скрытых нейронов должно быть не больше числа нейронов входного и не меньше числа нейронов выходного;

- количество скрытых нейронов должно составлять около 2/3 суммы чмсла нейронов входного и выходного слоев;

- количество скрытых нейронов должно быть около половины размера входного слоя.

На основе указанных правил разработанная НС содержит 180 нейронов (рис. 4).

Выходной последний слой модуля разработанной НС содержит один нейрон. Этот слой вырабатывает на выходе управляющие воздействия, представляющие собой дефаззифицированные нечеткие результаты ННС,.

Структуры ННС2 и ННС3 представлены в виде модулей нечеткого управления в виде стандартной нейронной сети. С учетом определяемых параметров нечеткого управления со структурой, определенной в процессе дефаззификации функция принадлежности нечеткого множества Вк описывается выражением, при условии

w * к

V/: <т = а постоянна:

Для разработки модуля выражение (4) преобразуется в более удобную форму

(4)

(5)

В работе предлагается, что модули векторов х1 и х* равны единице, поэтому функция (5) принимает вид

Мг,

ехр

-\2-2Ъхх

(6)

или

ехр

// -/

I

где И = -----. (7)

И"

Для вывода операции дефаззификации используется метод центра тяжести, описываемый выражением

1у П ехр

- кЧ \1-1

У = -гг.—

I\T\exp

к 1\! -1

-к (у,)]2 (л))

(8)

При подстановке равенство (7) в формулу (8), получаем выражение описывающее операцию дефаззификации:

I укехр \Ик ¿хх* -I

к 1 \ \/ I

у=--

(9)

Формулы (4) - (9) описывают функционирование нейро-нечетких модулей ННС, иННС2(см. рис. 1).

В третьем разделе диссертационной работы разработан генетический алгоритм обучения адаптивной системы управления. Блок-схема, описывающая работу системы управления в целом, показанна на рис. 5.

За счет комбинирования нейро-нечеткого выбора и генетических алгоритмов, предложенная в работе система позволяет осуществлять настройку параметров нейронной сети при соблюдении правил нечеткого логического вывода управляющего решения. Применение генетических алгоритмов при обучении ННС позволяет достичь более высоких классификационных показателей по сравнению с обычной необучаемой ННС.

Генетический алгоритм для обучения модулей ННСЬ ННСг и ННС1 приведен на рис.6. Он предназначен для оптимизации параметров адаптивной системы управления с целью формирования управляющих решений с наименьшей ошибкой и временем обучения.

Ошибка системы представляет собой разность между желаемым и полученным решением задачи управления является целевой функцией, которая выбирается из соображения получения оптимального решения при заданных

Рис.5

весах модулей системы и при наименьшей ошибке обучения. Максимальное значение ошибки системы управления должно быть меньше установленного порога погрешности, составляющего 0,5 % от оптимальных значений (управляемых переменных).

Порог погрешности представляет собой условия останова алгоритма обучения системы управления.

Структура разработанного эволюционного генетического алгоритма обучения интеллектуальной адаптивной системы управления транспортными средствами, показана на рис. 6.

Целевая функция разработанного генетического алгоритма имеет следующий вид

Fitness = ЦФ/, , = min ' (j) - d,!3) , (10)

Рис.6

где у, , 3 (х) - полученные оптимальные значения выходов системы

(управляемые переменные); (¡ц,з - желаемые оптимальные значения выходов системы; Fitness - целевая функция (функция приспособленности) каждого модуля системы управления.

Общее значение функции приспособленности системы имеет вид

Total Fitness = I Fitness RSTfiJ , (11)

i- о

Fitness RST[i] - целевая функция (функция приспособленности) системы управления, R - индекс ННС,; S - индекс ННС2; Т - индекс ННС3.

Функция останова алгоритма обучения системы управления, имеет следующий вид

{если ег1-гч & 0.5%Ч</1;1 то. выполнить условие останова (18)

иначе продолжить прог/есс обучения

Применение данного алгоритма обучения, позволяет уменьшать число шагов настройки параметров системы в целом, не разбивая ее на модули. Такой подход позволяет также сократить время обучения и уменьшить ошибку обучения интеллектуальной адаптивной системы управления.

В четвертом разделе проведено исследование и моделирование интеллектуальной адаптивной обучаемой системы управления с генетической настройкой на примере управления транспортными средствами.

Вычислена теоретическая оценка среднеквадратической ошибки системы и проведено сравнение с экспериментальной ошибкой системы То1а1_Р1<ле53.

Исследован процесс обучения. Показано, что предложенные алгоритмы обучения более качественные по сравнению с аналогами. Результаты обучения показаны в табл. 1, где <р, V, Ь - направление, скорость и расстояние на весь радиус движения транспортного средства.

Таблица 1

Результаты обучения системы управления по десяти примерам_

Предлагаемые (Пред) и выходные (Вых) параметры системы

<Р [градус] V [км/ч] Ь [м]

Число итераций Пред Вых Число итераций Пред Вых Число итераций Пред Вых

5 20 19,83 20 20 0 7 40 0

4 25 24,85 16 25 24,90 40 50 49,70

3 35 34,91 9 25 25,16 4 50 50,34

13 10 10,08 6 40 39,93 10 80 79,80

5 5 4,90 13 45 44,70 16 90 90,30

10 5 5 8 50 49,76 20 100 98,60

1 10 10,08 7 70 79.80 10 140 139,58

9 5 5,04 6 80 80,17 25 160 160,34

9 5 0 9 85 84,76 8 200 199,15

10 5 0 8 80 80,13 8 80 79,87

Как следует из табл. 1, полученные результаты вполне соответствуют требованиям системы управления по выходным значениям и числу итераций алгоритма обучения. Значение ошибки обучения гораздо ниже установленного порога (функции останова), что показано в табл. 2.

Таблица 2

Значения среднеквадратической ошибки по десяти примерам адаптивной

системы управления

Пример 1 2 3 4 5 6 7 8 9 10

Е,(х) 0,014 0,01 0,004 0.003 0,005 0 0.003 0.001 0 0

Е2(х) 0 0,005 0.0) 0,002 0,045 0.0280 0,020 0,014 0,028 0,008

Еэ(х) 0 0.09 0.05 0,020 0,045 0,080 0,088 0,057 0,361 0,008

Процесс изменения среднеквадратической ошибки системы управления на один участок траектории движения ТС показан на рис. 7. Для первого модуля ошибка находится в интервале от 0 до 14x10"3, для второго модуля - в интервале от 0 до 45х10"3, и для третьего модуля - в интервале от 0 до 0,3612.

Рис. 7

Из приведенного рисунка следует, что полученные в результате моделирования значения среднеквадратической ошибки в большинстве случаев значительно меньше теоретической оценки.

Заключение содержит выводы о работе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ

1. Разработана архитектура интеллектуальной адаптивной обучаемой системы управления способной функционировать в условиях неполной априорной информации;

2. Синтезированы и исследованы модули управления направлением движения, скоростью и расстоянием от транспортного средства до цели.

4. Разработан и исследован генетический алгоритм обучения интеллектуальной адаптивной системы управления транспортными средствами в условиях неполной априорной информации.

5. Создан программный комплекс «NeuroAndFuzzy» для ЭВМ типа IBM PC на языке программирования С# в среде программирования Microsoft Visual Studio, NET 2006, предназначена для выбора параметров адаптивных обучаемых гибридных систем управления и их исследования.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ

Публикации, в изданиях относящихся к перечню ВАК

1. Коберси И.С. Разработка адаптивной нечеткой нейронной системы управления в условиях неопределенности. Сб. научно-технических статей «Вопросы специальной радиоэлектроники» //Под ред. д.т.н. А.А.Федотова. -Москва-Таганрог: ФГУП ТНИИС, 2009. - 120-128 с.

2. Коберси И.С., Белоглазов Д.А. Интеллектуальная адаптивная гибридная обучаемая система управления транспортными средствами. Известия ЮФУ. Технические науки. Тематический выпуск «Методы и средства адаптивного управления в электроэнергетике». - Таганрог: Изд-во ТТИ ЮФУ, 2010, №1 (102). -260 с., С. 110-117.

3. Коберси И.С., Шадрина В.В. Применение нейронных сетей для управления энергопотреблением. Известия ЮФУ. Технические науки. Тематический выпуск. «Актуальные проблемы производства и потребления электроэнергии». -Таганрог: Изд-во ТТИ ЮФУ, 2008. № 7 (84) - 240 е., С. 190-196.

4. Коберси И.С., Шадрина В.В., Минаева Н.Г. Application of fuzzy neural network to control parameters of trunk gas pipeline system. Известия ЮФУ. Технические науки. Тематический выпуск «Актуальные проблемы производства и потребления электроэнергии»,- Таганрог: Изд-во ТТИ ЮФУ, 2009. № 5 (94) .стр 133-142.

Публикации в других изданиях

1. Коберси И.С., Белоглазов Д.А. Гибридные системы управления в условиях неопределенности. Труды Ежегодной научной конференции студентов и аспирантов базовых кафедр ЮНЦ РАН. - Ростов н/Д: Изд-во ЮНЦ РАН, 2009. С. 125-126.

2. Коберси И.С. Классификация алгоритмов обучения нейронных и гибридных систем управления в условиях неопределенности. Труды Международной научной конференции «Методы и алгоритмы принятия эффективных решений», (МАПР-2009), Часть 2. - Таганрог: Изд-во ТТИ ЮФУ, 2009. С. 40-41.

3. Коберси И.С. Синтез адаптивных обучаемых систем управления. Труды Ежегодной научной конференции студентов и аспирантов базовых кафедр ЮНЦ РАН. - Ростов н/Д: Изд-во ЮНЦ РАН, 2009. С. 134-136.

4. Коберси И.С., Белоглазов Д.А. Анализ недостатков методов классической теории управления. Сборник материалов докладов VII-й всероссийской конференции молодых ученых, аспирантов и студентов, «Информационные технологии, системный анализ и управление». - Таганрог: ТТИ ЮФУ, 2009. - С. 152-154.

5. Коберси И.С. Разработка интеллектуального адаптивного обучаемого гибридного модуля управления безопасностью автомобиля. Неделя науки - 2009: Материалы научных работ. - Таганрог: Изд-во ТТИ ЮФУ, 2009. - с. 56 - 58.

6. Коберси И.С., Финаев В.И., Шадрина В.В. Анализ адаптивных автоматных систем управления. Сборник трудов VII Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии». Томск, 25-27 февраля 2009г., ч.2. Томск: Изд-во СПБ Графике, стр. 111-112.

7. Коберси И.С., Шадрина В.В. Принципы построения адаптивных систем управления. Сборник трудов VII Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии» . Томск, 25-27 февраля 2009г., чЛ. Томск: Изд-во СПБ Графике, стр. 71-72.

8. Коберси И.С. Адаптация при реализации нечетких регуляторов. Сборник материалов докладов 6-й всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь XXI века - будущее российской науки» в 2 томах. Т.1 - Ростов-на-Дону, 2009. - С. 140-141.

9. Коберси И.С. Структура нечеткого контроллера. Сборник материалов докладов VII-й всероссийской конференции молодых ученых, аспирантов и студентов, «Информационные технологии, системный анализ и управление». -Таганрог: ТТИ ЮФУ, 2009. - С. 175 - 177.

10. Коберси И.С., Финаев В.И. Методика нечеткого контролирования для микроконтроллеров. Труды Международной научной конференции «Информационное общество: идеи, технологии, системы», Часть 3. - Таганрог: Изд-во ТТИ ЮФУ, 2009. С. 92-93.

11. Коберси И.С. Оценка погрешности адаптивной гибридной обучаемой системы управления транспортными средствами. Международный семинар «Системный анализ, управление и обработка информации», Пос. Дивноморское COCK «Радуга». Ростов-на-Дону 2010. - С. 98-100.

12. Коберси И.С. Разработка интеллектуальной гибридной адаптивной обучаемой системы управления транспортным средством с генетической настройкой. XI всероссийская научно-техническая конференция и школа молодых ученных, аспирантов и студентов «Научные исследования и разработки в области авиационных, космических и транспортных систем», АКТ (2010). г. Москва. -С. 300-308

13. Коберси И.С. Разработка алгоритма обучения интеллектуальной системы управления на основе генетических алгоритмов.

14. Коберси И.С. Скубилин М.Д., Нелина С.Н., Бублей С.Е., Балабаев Р.И. Элементы и устройства систем управления. Таганрог, изд-во ТТИ ЮФУ, 2010 г. -397 с.

Лично автором в работе [1] предложен метод разработки гибридной адаптивной обучаемой системы управления в условиях неопределенности; в работе [6] проведена классификация видов неопределенности; в работах [6, 7] проведены анализ и классификация адаптивных обучаемых систем управления; в работах [12, 14] предложены принципы построения и адаптация нечеткого регулятора для решения задач управления; в работах [15-17] разработана структура алгоритма обучения адаптивной системы управления транспортными средствами и представлены основные результаты исследований процессов функционирования и обучения разработанной системы.

Соискатель Коберси Искандар Сулейман

Отпечатано на лазерном принтере. Тираж 100 экз. 2010 г.

ВВЕДЕНИЕ.

1. АНАЛИЗ ЗАДАЧ СИНТЕЗА АДАПТИВНЫХ СИСТЕМ УПРАВЛЕНИЯ С ПРИМЕНЕНИЕМ

МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.

1.1. Классификация и анализ неопределенностей для процесса управления сложными системами.

1.2. Особенности применения искусственного интеллекта в системах управления.

1.3. Применение адаптивных обучаемых систем для управления транспортными средствами.

1.4. Нейроподобные системы управления транспортными средствами.

1.5. Применение нечетких обучаемых систем управления транспортными средствами.

1.6. Метод построения гибридной адаптивной обучаемой системы управления.

1.6.1. Виды нейро-нечетких систем.

1.6.2. Принцип построения нейронной нечеткой системы.

1.7. Классификация алгоритмов обучения гибридных систем управления.

1.8. Выводы.

2. РАЗРАБОТКА МЕТОДА СИНТЕЗА ИНТЕЛЛЕКТУАЛЬНОЙ АДАПТИВНОЙ ОБУЧАЕМОЙ ГИБРИДНОЙ СИСТЕМЫ УПРАВЛЕНИЯ.

2.1. Структурные особенности адаптивной обучаемой системы управления.

2.2. Разработка структуры и модели модуля управления направлением движения транспортного средства.

2.3. Разработка структуры и модели модуля управления скоростью движения транспортного средства.

2.4. Разработка структуры и модели модуля управления состоянием движения транспортного средства.

2.5. Синтез структуры интеллектуальной адаптивной обучаемой гибридной системы управления.

2.6. Выводы.

3. РАЗРАБОТКА МЕТОДА ОБУЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ АДАПТИВНОЙ ГИБРИДНОЙ

СИСТЕМЫ УПРАВЛЕНИЯ.

3.1. Исследование возможностей известных алгоритмов обучения нейро-нечетких систем управления.

3.2. Применение генетических алгоритмов для обучения нейро-нечетких систем управления.

3.3. Разработка и анализ генетического алгоритма обучения модуля управления направлением транспортных средств.

3.4. Разработка и анализ генетического алгоритма обучения модулей управления скоростью и состоянием транспортных средств.

3.5. Разработка и анализ генетического алгоритма обучения интеллектуальной гибридной адаптивной обучаемой системы управления.

3.6. Выводы.

4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ГИБРИДНОЙ ИНТЕЛЛЕКТУАЛЬНОЙ АДАПТИВНОЙ

ОБУЧАЕМОЙ СИСТЕМЫ УПРАВЛЕНИЯ.

4.1. Основные характеристики разработанного программного комплекса.

4.2. Планирование экспериментального исследования.

4.2.1. Цель исследования.

4.2.2. План эксперимента.

4.3. Результаты экспериментальных исследований.

4.4. Выводы.

Решение задач при управлении техническими объектами и производством в случае неполного объема информации (неопределенности) требует создания новых методов и структур систем управления с целью эффективного принятия решений.

Актуальность перечисленных задач в различных предметных областях подтверждается работами российских и зарубежных ученых [1 - 24]. Качество решения этих задач зависит от сложности объекта и от применяемых алгоритмов обработки информации и управления.

Неопределенность, связанная с нестабильностью характеристик сложных объектов, изменением и нечетким заданием значений его параметров в процессе функционирования системы, недостаточностью или отсутствием информации о возмущающих воздействиях и, как следствие, обуславливающая отсутствие точной модели объекта на всем интервале управления, значительно затрудняют эффективное управление такими системами.

Применение классических методов синтеза законов управления для стохастических и нелинейных объектов связано с долгими по времени процессами линеаризации и поиска экстремума, что является существенным недостатком этих методов [3, 31 - 33].

Внедрение автоматизированных систем управления транспортными средствами АСУ ТС получает широкое распространение в различных секторах, таких как легкий и тяжелый транспорт для общественных и производственных целей (металлургия, энергетика). В последнее время методология АСУ начинает применяться в таких сферах, как управление дорожным движением, медицина, машиностроение [27 - 30]. Например, системы транспортной автоматизации получили широкое распространение, так как компьютерные технологии вышли на уровень, сделавший оправданным их массовое использование при решении задач управления движением транспорта, в управлении автомобилем и прочее.

В последние годы среди специалистов и научных исследователей в области теории автоматического управления наметился очевидный рост интереса к нетрадиционным методам построения законов управления, сформировавшимся вне рамок классической парадигмы, базирующейся на аппарате интегро-дифференциального исчисления. К таким нетрадиционным методам можно отнести применение подходов искусственного интеллекта можно отнести гибкие стохастические и жестко детерминированные системы управления на базе нечеткой логики (HJI), эволюционных методов моделирования, под которыми подразумеваются генетические алгоритмы (ГА) и искусственные нейронные сети (ИНС). В тоже время с их помощью решаются задачи управления любой сложности, если объекты можно отнести к линейным.

Высокий потенциал заключается в сочетании двух вычислительных технологий — нечетких нейронных сетей (ННС) и ГА, которые применяются для решения задач синтеза интеллектуальных систем управления. Интерес к ГА обусловлен их высокой эффективностью при решении задач глобальной оптимизации и к потенциальной процедуре обучения ННС [33, 34 -49].

Применение ННС и ГА в сочетании помогает решать традиционные задачи, не привлекая такие базовые понятия классической парадигмы как интеграл, дифференциал, динамическое звено и т.п. Проблематика ННС и ГА — это одна из наиболее интенсивно развивающихся в настоящее время областей исследований, получившей название «вычислительные технологии». Ее можно считать современным ответвлением информатики (Computer Science), связанным с методами искусственного интеллекта (Artificial Intelligence), хотя и принципиально отличным от классического подхода, применяемого адептами этого направления [33, 34 - 49].

На базе вычислительных технологий исследуют интеллектуальные методы решения задач управления, которые находят применение в различных производственных и научных областях. Этой проблематике посвящены работы многих зарубежных ученых [5,11,27-30.44,45,48,50,51 и др.]: Mamdani E.H., Efstathion H.J., Kickert W.Y., Cheng J.L., Yong J.X., Ridwan M., Wallace E.K., Jelenka В., Janabi-Sharifi F., Toha S.F., Tokhi M.O., Hussain Z., Leu Y., Wei Y., Hsum L. и другие.

Теоретические основы методов, применяемых в системах искусственного интеллекта и в соответствующих вычислительных технологиях, заложены исследованиями, проведенными в области «Soft Computing». Эта отрасль информатики занимается мягкими вычислениями, которые характеризуются неполнотой информации и отсутствием точности, к которым относятся ННС и ГА. К наиболее известным ученым среди исследователей этой области можно отнести JI. Заде, Д. Маккарти, А. Тьюринг. Отметим также, что существенный вклад в развитие методов теории нечетких множеств и ситуационного управления внесли Аверкин А.Н., Алиев P.A., Батыршин И.З, Берштейн JI.C., Борисов H.A., Пупков К.А., Сугено М., Тэрано Т., Ульянов С.В и другие ученые.

Основная часть теории и практических аспектов обучения нечетких нейронных систем управления в области оптимизации параметров этих систем была разработана известными учеными в области искусственного интеллекта: Цыпкиным ЯЗ., Johansen А., Fabian V., Stefan S., Цыбаковым А.Б., Егуповым Н.Д. и др. [2, 52-55].

В диссертационной работе предметом исследования являются задачи, связанные с управлением сложными нелинейными объектами, оптимизацией процессов функционирования в условиях неполноты данных относительно модели объекта управления.

Тема диссертационной работы является актуальной, т.к. необходима разработка новых методов решения задач управления сложными нелинейными объектами в условиях отсутствия сведений об аналитическом виде модели объекта с применением систем, реализованных в виде нейроподобных обучаемых устройств.

Современные достижения в области вычислительной техники, микропроцессорных систем управления, методы синтеза нейроподобных адаптивных систем управления и принятия решений позволяют находить способы решения подобных задач, т.к. скорость обучения адаптивных систем управления в условиях неопределенности достаточно высока по сравнению со скоростью изменения параметров объектов управления, что позволяет решать различные оптимизационные задачи.

Диссертационные исследования в практическом аспекте направлены на проектирование методов систем управления и принятия решений, в частности нейроподобные адаптивные системы для транспортных средств. Также на исследование методов обучения этих систем и их применения к постановленной задаче управления и принятия решений, также на разработку прикладного программного обеспечения, позволяющего проводить исследования сходимости основных параметров, разработанных алгоритмов процесса обучения.

Цель диссертационной работы состоит в развитии методов системного анализа, и синтеза адаптивных обучаемых систем управления стохастическими нелинейными объектами с применением эволюционных методов оптимизации и методов искусственного интеллекта управления и принятия решений в условиях отсутствия полной информации об объекте управления.

1 Основные задачи исследования. Для достижения поставленной цели решены следующие основные задачи:

- исследование адаптивных обучаемых систем управления с применением аппарата искусственного интеллекта;

- синтез и исследование модулей управления направлением, скоростью и расстоянием от транспортного средства до препятствия с помощью алгоритмов обратного распространения ошибки и Хэбба;

- разработка нейроподобной адаптивной обучаемой системы управления;

- разработка генетического алгоритма обучения модуля управления направлением транспортных средств;

- разработка генетических алгоритмов обучения модулей управления скоростью и состоянием транспортных средств;

- разработка генетического алгоритма обучения адаптивной системы управления в целом;

- разработка специализированного программного комплекса для выбора параметров адаптивных обучаемых систем управления и проведения экспериментов.

Объектом исследования в диссертационной работе являются модели, методы и модули управления и принятия решений в виде адаптивных обучаемых устройств, а также проблемно-ориентированный прикладной программный комплекс для решения задач исследования процессов обучения адаптивных обучаемых систем.

Математическими методами исследования в диссертационной работе являются методы интеллектуальной теории адаптивного управления, теории моделирования, методы функционального анализа. В экспериментальных исследованиях применялось моделирование на ЭВМ.

Методологическую основу работы составляет концепция системности, суть которой состоит в представлении и исследовании адаптивных обучаемых систем принятия решений и управления нелинейными стохастическими объектами. А также решение задач моделирования, оптимизация, с помощью методов эволюционного анализа, и синтез управляющих устройств.

Поставленная цель диссертационной работы и сформулированные в соответствии с целью задачи создали основу для получения новых научных результатов в области синтеза методов адаптивного управления нелинейными стохастическими объектами на основе теории искусственного интеллекта и их методов обучения.

Новыми научными результатами диссертационной работы, выносимыми на защиту, являются:

- метод построения адаптивной обучаемой системы управления, отличающийся возможностью решения задач управления сложными объектами в условиях неполноты данных за счет применения нейро-нечетких структур и алгоритмов обучения интеллектуальной составляющей системы управления;

- Нейроподобная адаптивная обучаемая система управления, отличающаяся тем, что ее структура состоит из совокупности нечетких модулей принятия управляющих решений, построенных на основе нейронных сетей, функционирующих в соответствии с алгоритмами обучения, позволяющими оптимизировать параметры нечетких модулей;

I - метод обучения нейроподобной адаптивной системы управления, отличающийся, как применением приема декомпозиции в виде алгоритмизации процессов обучения отдельных модулей, так и применением приема композиции, позволяющего алгоритмизировать процесс обучения нейроподобной адаптивной системы управления, что способствует уменьшению времени настройки параметров и вывода управляющих воздействий, а также уменьшению ошибки обучения.

Практическая ценность результатов исследований определена их применением в системах автоматического управления транспортными средствами, проектированием адаптивных обучаемых систем управления на основе теории искусственного интеллекта, обеспечивающих решение задачи адаптивного управления в соответствии с поставленной целью.

Диссертационная работа состоит из четырех разделов, заключения и приложений.

В первом разделе диссертации произведен анализ задач синтеза адаптивных обучаемых систем управления в условиях неполноты данных с применением методов искусственного интеллекта. Приведена классификация видов неопределенностей в задачах принятия решений и управления сложными системами. Рассмотрены особенности применения методов искусственного интеллекта в системах адаптивного управления. Определены этапы разработки систем адаптивного управления. Рассмотрена классификация адаптивных систем управления. Исследованы особенности применения адаптивных обучаемых систем для управления транспортными средствами, нейроподобных систем управления.

В зависимости от степени изученности объекта может применяться структурная идентификация (когда неизвестна структура объекта управления и лежащие в ее основе физические законы) или параметрическая идентификация (если неопределенность в представлении объекта можно свести к неопределенности векторного параметра) [18-24].

Приведена структура адаптивной нечеткой системы управления и рассмотрены особенности её работы. Применение лингвистических переменных позволяет формализовать нечеткие данные. Описан процесс фаззификации. Рассмотрены этапы построения модели идентификации параметров. Описан процесс дефаззификации. Приведены примеры полученных результатов моделирования адаптивных нечетких систем по результатам ошибки I принимаемых решений и времени настройки их параметров.

Разработан метод построения гибридной адаптивной обучаемой системы управления. Рассмотрены виды нейро-нечетких систем на основе нечетких нейронов, этапы построения нейро-нечеткой системы, реализация операций фаззификации и дефаззификации. Приведена структура гибридной системы управления транспортными средствами и рассмотрена классификация алгоритмов обучения нейронных и нейро-нечетких систем.

Во втором разделе диссертации разработан метод синтеза адаптивной обучаемой нейро-нечеткой системы управления. Для решения задачи управления транспортными средствами в условиях неполноты данных, синтезирована структура адаптивной обучаемой нейро-нечеткой системы, состоящая из трех модулей. Информация, поступающая на вход системы управления, формализуется в виде лингвистических и нечетких переменных с применением задания функций принадлежности средствами теории нечетких множеств. Предложена функциональная схема адаптивной обучаемой нейронечеткой системы управления и приведено описание алгоритма её функционирования.

Разработан алгоритм функционирования модуля управления направлением движения, скоростью и состоянием движения транспортного средства. Структура модулей представляет собой нейро-нечеткую сеть. Определены входные параметры в виде лингвистических и нечетких переменных. Приведены примеры задания функций принадлежности. Рассчитаны основные параметры модулей.

Итогом проделанной работы является синтезированная структурная схема адаптивной обучаемой нейроподобной системы принятия решений для управления транспортного средства.

В третьем разделе диссертации разработан метод обучения нейроподобной адаптивной системы управления. Осуществлено исследование возможностей известных алгоритмов обучения нейро-нечетких систем управления. Приведены схемы алгоритмов и выполнено их сравнение по основным критериям: среднеквадратическое отклонение; количество итерации и время обучения. Исследованы возможности применения генетических алгоритмов для обучения нейро-нечетких систем управления и решающих задачу поиска в пространстве решений с целью определения оптимального решения. Приведены основные определения и понятия. Предложена структура системы управления с применением эволюционного генетического алгоритма.

Разработаны каждый в отдельности генетический алгоритм обучения модуля управления направлением движения, модулей управления скоростью и состоянием транспортных средств. Разработан генетический алгоритм обучения адаптивной обучаемой системы управления в целом.

I В четвертом разделе диссертации представлены основные результаты разработанных алгоритмов настройки обучаемой системы управления в условиях неопределенности на конкретном примере управления транспортными средствами. Определены основные требования к разработке нейроподобных адаптивных обучаемых систем управления и принятия решений. Разработан программный комплекс «NeuroAndFuzzy», позволяющий исследовать систему управления и ее алгоритм обучения, реализованный на языке высокого уровня С# в среде программирования Microsoft Visual Studio. NET 2006. Описана структура программного комплекса «NeuroAndFuzzy», состав и принцип действия основных блоков программного комплекса.

Выполнены эксперименты и получены основные графические и численные результаты работы разработанной системы. При сравнении результатов работы системы с теоретической оценкой погрешности системы отмечено, что разработанная система с допустимой погрешностью 0,5 % от значения желаемого управляющего воздействия следует, что полученные в результате моделирования значения среднеквадратической ошибки в большинстве случаев значительно меньше теоретической оценки.

1 Разработанная нейроподобная адаптивная обучаемая система рекомендуется к применению для решения задач принятия решений в системах управления транспортными средствами в условиях неполной априорной информации.

Заключение содержит выводы о работе.

Результаты работы внедрены:

- на предприятии АВИАОК Интернейшенел;

- на предприятии ОАО «Ирс-Агро»;

-в госбюджетной НИР 12154 «Разработка и исследование методов I аналитического синтеза интеллектуальных систем принятия решений и многокритериального управления в условиях неопределенности на основе современных информационных технологий»;

- в учебном процессе на кафедре систем автоматического управления Технологического института Южного федерального университета в г. Таганроге.

Основные результаты докладывались и обсуждались на международной научно-технической конференции (AIS'08) и ««Интеллектуальные системы, «Интеллектуальные САПР» (CAD-2007); 6-ой всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь XXI века - будущее Российской науки» 2008.; международной научной конференции «Системы и модели в информационном мире», (СМИ-2009), Таганрог: 2009; ежегодной научной конференции студентов и аспирантов базовых кафедр ЮНЦ РАН, Ростов н/Д, 2009; межрегиональной НТК студентов, аспирантов и молодых ученых Южного федерального округа. - Новочеркасск, ЮРГТУ (НИИ), 2009; 7-й всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь XXI века - будущее российской науки», Ростов н/Д, 2009; VII-й всероссийской конференции молодых ученых, аспирантов и студентов, «Информационные технологии, системный анализ и управление», Таганрог: ТТИ ЮФУ, 2009; международной научной конференции «Методы и алгоритмы принятия эффективных решений», (МАПР-2009), Таганрог: ТТИ ЮФУ, 2009; VI ежегодной научной конференции студентов и аспирантов базовых кафедр Южного научного центра РАН: Тезисы докладов. - Ростов-на-Дону: Изд-во ЮНЦ РАН, 2010; международной научной конференции «Информационное общество: идеи, технологии, системы», Таганрог: ТТИ ЮФУ, 2010; VII всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии». Томск, 25-27 февраля 2009г; международном семинаре «Системный анализ, управление и обработка информации», COCK «Радуга», Ростов н/Д; XI всероссийской научно-технической конференции и школа молодых ученных, аспирантов и студентов

Научные исследования и разработки в области авиационных, космических и транспортных систем», АКТ (2010). Москва, 2010.

По теме диссертации опубликованы десять статей из них четыре публикации, в изданиях, относящихся к перечню ВАК и шестнадцать тезисов докладов в открытой печати. Все результаты, представленные в диссертационной работе, получены автором лично. В совместных научных публикациях имеет место неделимое соавторство.

Диссертация содержит 179 страниц машинописного текста, включая введение, четыре раздела, заключение, список литературы из 156-ти наименований, 72 рисунка, 15 таблиц.

Результаты работы внедрены на предприятиях:

- на предприятии АВИАОК Интернейшенел

- на предприятии ОАО «Ирс-Агро»;

-в госбюджетной НИР 12154 «Разработка и исследование методов аналитического синтеза интеллектуальных систем принятия решений и многокритериального управления в условиях неопределенности на основе современных информационных технологий», а также в учебном процессе на кафедре систем автоматического управления Технологического института Южного федерального университета.

ЗАКЛЮЧЕНИЕ

В диссертационной работе разработаны и исследованы методы решения задач управления сложными нелинейными объектами в условиях отсутствия сведений об аналитическом виде их моделей с применением систем, реализованных в виде интеллектуальных обучаемых устройств, что позволяет получать эффективные результаты управления объектами.

Тема диссертации актуальна, так как посвящена разработке новых математических моделей и методов решения задач управления объектами в условиях неполных данных относительно модели объекта.

Диссертационные исследования в практическом аспекте направлены на проектирование адаптивных обучаемых интеллектуальных систем управления в частности транспортными средствами: на исследование методов обучения и их применения в решении постановленной задачи управления, а также на разработку прикладного программного обеспечения, позволяющего провести качественных и количественных исследования сходимости выбранных алгоритмов процесса обучения и управления.

В диссертационной работе предложены методы моделирования и синтеза адаптивных обучаемых систем управления стохастическими нелинейными объектами, отличающиеся применением генетических алгоритмов и методов искусственного интеллекта в условиях отсутствия полной информации об объекте управления.

Получены новые научные результаты:

- метод построения адаптивной обучаемой системы управления, отличающийся возможностью решения задач управления сложными объектами в условиях неполноты данных за счет применения нейро-нечетких структур и алгоритмов обучения интеллектуальной составляющей системы управления;

- разработана новая структура адаптивной нейроподобной обучаемой системы управления, отличающаяся тем, что структура системы состоит из совокупности нечетких модулей принятия управляющих решений, построенных на основе нейронных сетей;

- метод обучения интеллектуальной адаптивной системы управления, отличающийся применением приема декомпозиции в виде алгоритмизации процессов обучения отдельных модулей, и приема композиции, позволяющего алгоритмизировать процесс обучения системы, что приводит к уменьшению времени настройки параметров и вывода управляющих воздействий, а также уменьшению ошибки обучения;

- разработаны генетические алгоритмы обучения модулей управления скоростью и состоянием транспортных средств, позволяющие оптимизировать параметры системы с максимальным быстродействием за минимальные значение среднеквадратической ошибки обучения в отличие от применяемых ранее алгоритмов обучения рассматриваемых модулей;

I - разработан специализированный программный комплекс «NeuroAndFuzzy» для ЭВМ типа IBM PC на языке программирования С# в среде программирования Microsoft Visual Studio. NET 2006 для выбора параметров адаптивных обучаемых гибридных систем управления и их исследования.

1. Куржанский А.Б. Управление и наблюдение в условиях неопределенности. М: Наука, 1977. - 392с

2. Цыпкин Я.З. Адаптивные методы выбора решений в условиях неопределенности. Автоматика и телемеханика, 1976, N 4, с.78-91.

3. Алтунин А.Е., Чуклеев С.Н., Семухин М.В., Крел Л.Д. Методическое руководство по технологическим расчетам сложных систем газодобычи при неточных параметрах. Тюмень, 1984. - 48 с.

4. Граничин О.Н. Рандомизированные алгоритмы оценивания при нерегулярных помехах. Санкт-петербургский университет // Научный доклад. 2008. С. 31.

5. Mamdani Е.Н., Efstathion H.J. Higher-order logics for handling uncertainty in expert systems. "Int. J. Man-Mach. Stud.", 1985, N3, P.243-259.

6. Борисов A.H. и др. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982. - 256с.

7. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М: Мир, 1976. - 165с.

8. Моисеев Н.Н. Элементы теории оптимальных систем. М: Наука, 1975. - 528с.

9. Кандель А., Байатт У.Дж. Нечеткие множества, нечеткая алгебра, нечеткая статистика. Труды американского общества инженеров-радиоэлектроников, т. 66, 1978, N12. С. 37-61.

10. Фельдбаум А.А. Основы теории оптимальных автоматических систем. М: Наука, 1966.

11. Kickert W.Y. Application of Fuzzy Controller in a Warm Water Plent. "Automática", Vol. 12, N4, 1976. P.301-308.

12. Маргулов Р.Д., Тагиев В.Г., Гергедава Ш.К. Организация управления газодобывающим предприятием. -М.: Недра, 1981.1 13.Месарович М., Мако Д., Такахара Я. Теория иерархических многоуровневых систем. М.: Мир, 1973.

13. Хьюбер Дж.П. Робастность в статистике. М: Мир, 1984. -304с.

14. Атсуши Д. Улучшение методов обнаружения и подавления "плохой" информации при оценке состояния энергосистем. "Дэнки гаккай ромбуси, Trans. Inst. Elec. Eng. Jap.", 1984, N2. P .69-76.

15. Кашьян P.JI., Pao A.P. Построение динамических стохастических моделей по экспериментальным данным. М: Наука, 1983. - 384с.

16. Нечеткие множества и теория возможностей. Последние достижения/Под ред. P.P. Ягера, М.: Радио и связь, 1986. - 408 с.

17. Негойце К. Применение теории систем к проблемам управления. — М.: Мир, 1981. 179с.

18. Leitmann G. Deterministic control of uncertain systems. "Mat. Model. Sei. and Technol., 4 th Int. Conf. Zurich, 15 17 Aug. 1983, New York, 1983. -P.l-9.

19. Тихонов A.H. и др. Регуляризующие алгоритмы и априорная информация. М: Наука, 1983. - 200с.

20. Моисеев H.H. Математические задачи системного анализа. М: Наука, 1981. -488с.

21. Коберси И.С. Разработка адаптивной нечеткой нейронной системы управления в условиях неопределенности. Сб. научно-технических статей «Вопросы специальной радиоэлектроники»/Под ред. д.т.н. А.А.Федотова. -Москва-Таганрог: ФГУПТНИИС, 2009. С. 120 128.

22. Коберси И.С., Белоглазов Д.А. Гибридные системы управления в условиях неопределенности. Труды Ежегодной научной конференции студентов и аспирантов базовых кафедр ЮНЦ РАН. Ростов н/Д: Изд-во ЮНЦ РАН, 2009. С. 125-126.

23. Пьявченко Т.А., Финаев В.И. Автоматизированные информационно-управляющие системы. Таганрог: Изд-во ТРТУ, 2006. — 268 с.

24. Молчанов А.Ю. Технологические процессы и производства. Энергетика: Учебное пособие. Таганрог: Изд-во Технологического института ЮФУ, 2008. - 360 с.

25. Cheng J.L., Yong J.X. Design of Neuro-Fuzzy systems using a hybrid evolutionary learning algorithm. Journal of information science and engineering 23, 463-477 (2007).

26. Gang L., Thomas M. Design for self-organizing fuzzy neural networks based on genetic algorithms. IEEE Transactions on fuzzy systems, Vol. 14, N. 6, December 2006. PP. 755-776.

27. Ridwan M. A parallel genetic algorithm-based tsk-fuzzy system for dynamic car-following modeling. European Journal of Scientific Research. N.4 (2009).-PP.627-641.30. http://www.patentstorm.us/patents/5596681/description.html.

28. Федин C.C., Шевченко Т.И., Зубрецкая H.A. Оперативное управление точностью технологических процессов на основе синтеза системы активного контроля и нечеткого контроллера. Системи управлшня, нав^ацп та зв'язку. 2009. Випуск 2(10).

29. Тюкин И.Ю., Терехов В.А. Адаптация в нелинейных динамических системах. Санкт-Петербург - 2006. С. 378.

30. Осетров А.Д. Совершенствование управления двигателями внутреннего сгорания с использованием методов нечетких нейронных сетей. / Управление большими системами. Выпуск 15. Самара: СГАУ, 2006. -С.177-184.

31. Жернаков С.В. К вопросу о построении гибридных нейро-нечетких экспертных систем диагностики и контроля ГТД. // Научная сессия МИФИ-2000. 4.2 Нейроинформатика-2000. .

32. Mohanadas К.Р. Fuzzy and neuro-fuzzy modeling and control of nonlinear system. Department of electrical and electronics engg. Adana. Turkey. 2002.

33. Kelly W., Challoo R. Neuro-iuzzy Control of a Robotic Arm. Proceedings of the Artificial Neural Networks In Engineering Conference , St. Louis, MO, November 10-13, 1996. PP. 837-842.

34. Cheng J. L. A TSK-Type Quantum Neural Fuzzy Network for Temperature Control. International Mathematical Forum, 1, 2006. N. 18. PP. 853-866.

35. Gayadhar P., Sidhartha P., Ardil C. Hybrid Neuro Fuzzy Approach for Automatic Generation Control of Two -Area Interconnected Power System. International Journal of Computational Intelligence 5:1. 2009.

36. Petru R., Emil M., Behavior-Based Neuro-Fuzzy Controller for Mobile Robot Navigation. IEEE Transactions on instrumentation and measurement, Vol. 52, N. 4, August 2003.

37. Gary R., George P.E. Application of Neuro-Fuzzy Systems to Behavioral Representation in Computer Generated Forces. Engineering Solutions, 1991.

38. Zhang Y.M., Kovacevic R. Neurofuzzy model based control of weld fusion zone geometry. IEEE Transactions on Fuzzy Systems, 6(3). PP. 389-401. (40)

39. Abdelrahman M., Tantawy M., Bayoumi M. Adaptive Neuro-Fuzzy Control Approach for Spacecraft Maneuvers. ACSE Journal, Volume (6), Issue (2), June, 2006.

40. Wallace E.K. Neuro-fuzzy control of a robotic ARM. Master of science. Major Subject: Electrical Engineering. August 1994. PP. 125.

41. Jelenka B. A neural-fuzzy system for ethanol recovery distillation control. Bulletin of the Chemists and Technologists of Macedonia. Vol. 24. N. 1. -PP. 87-92 (2005).

42. Kim C.A Neuro-Fuzzy Controller for Mobile Robot Navigation and Multirobot Convoying. IEEE transactions on systems, man, and cybernetics—part b: cybernetics, Vol. 28, N. 6, December 1998.

43. Francesco M.R. Neuro Fuzzy Control System for a Biped Robot. Viale delle Scienze. Italy. 2003.

44. Janabi-Sharifi F. A neuro-fuzzy system for looper tension control in rolling mills. Control Engineering Practice 13 (2005). PP. 1-13.

45. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб.I

46. Пособие. М.: Финансы и статистика, 2004. - С. 320.

47. Toha S.F., Tokhi М.О., Hussain Z. ANFIS modelling of a twin rotor system, department of automatic control and systems engineering university of Sheffield, United Kingdom. 2002.

48. Leu Y., Wei Y., Hsum L. RGA-based on-line tuning of BMF fuzzy-neural networks for adaptive control of uncertain nonlinear systems. Neurocomputing 72 (2009) 2636-2642.

49. Цыпкин Я.З. Адаптация и обучение в автоматических системах. -М.: Наука, 1968.-400 с.

50. Johansen A. on the optimality of the Takagi-Sugeno-Kang fuzzy interface mechanism. Department of eng. Cybernetics. 1994. PP. 11-17.

51. Stefan S. Optimizing a production process by a neural network/genetic algorithm approsh. Egngn Applic. Artif. Intell. Vol. 9. N 6. 1996. PP. 681-689.

52. Шеннон Р. Имитационное моделирование систем искусство и наука. - Москва, Мир, 1978 г.

53. Каганов В.Ю. Автоматизация управления металлургическими процессами. М.: Металлургия, 1974 г.

54. Барковский И.В., Смирнов Н.В. Теория вероятностей ирматематическая статистика в технике. М.: Государственное издание технико - технической литературы, 1955 г.

55. Роббинс М. A stochastic approximation Method, Annals of Math.Statistics, 1951 C. 223.

56. Цетлин М.Л Исследование по теории автоматов и моделировании биологических систем. — М.: Наука, 1969.

57. Бусленко В.Н. Автоматизация имитационного моделирования сложных систем. -М.:, 1977 г.

58. Вентцель Е.С. Теория вероятностей. -М.: Наука, 1969 г.

59. Макаров В.П. Модели и компьютеры в экономике. М.: Знание,1979.

60. Юдин Д.Б. Задачи и методы стохастического программирования. -М.: Сов. Радио, 1979.

61. Поспелов Д.А., Пушкин В.Н., Мышление и автоматы. М.: Сов. Радио, 1972.

62. Иванченко В.Н. Принятие решений на основе самоорганизации. — М.: Сов. Радио, 1976.71.3агоруйко Н.Г. Методы обнаружения закономерностей. М.: Знание, 1981.

63. Астанин СВ., Захаревич В.Г. Обработка и представление знаний в информационно советующих комплексах систем гибридного интеллекта.

64. Таганрог: Изд. ТРТУ, 1997.I

65. Bandler W., Kohout L.J. Probabilistic versus fuzzy production rales in expert systems//Int.J. Man Machine Studies/ 1985. Vol. 22. PP.347 -353.

66. Методологические вопросы построения имитационных систем / Под ред. Д.М. Гвишиани и СВ. Емельянова. — М.:, 1978 г.

67. Bellman R. Adaptive Control Processes A Guided Tour.— Princeton, N.J.: Princeton University Press, 1961. (72)

68. Bellman R., Kalaba R. Dynamic programming and adaptive control processes: Mathematical foundations // IRE Trans, on Automatic Control. 1960. Vol. AC-5. PP. 5-10. (73)

69. Bellman R., Kalaba R. Dynamic Programming and Modern Control Theory. N.-Y.: Academic Press, 1965. (74)

70. Zadeh L.A. On the definition of adaptivity // Proc. IEEE. 1963. Vol. 51. PP. 469-470.

71. Траксел, Дж. Синтез систем автоматического регулирования Издательство: М.: Машгиз, 1959. - С. 614.

72. Жмурко С.А. Основные принципы и модели построения многоагентых систем. Перспективные информационные технологии и интеллектуальные системы, 2008, №2 (34).

73. Тео L.S., Marzuki К., Rubiyah Y. Tuning of a neuro-fiizzy controller by genetic algorithm. IEEE Transactions on Systems, Man and Cybernetics. April 1999.

74. Коберси И.С. Разработка интеллектуального адартивного обучаемого гибридного модуля управления безопасностью автомобиля. Неделя науки 2009: Материалы научных работ. — Таганрог: Изд-во ТТИ ЮФУ, 2009. - С. 56 - 58.

75. Комошинский В.И., Смирнов Д.А. нейронные сети и их применение в системах управления и связи. — М.: Горячая линия—телеком. 2003. С. 94.

76. Игнатьев Н.А. К вопросу построения эффективных нейронных сетей для данных, описываемых разнотипными признаками // Вычислительные технологии. 2001. Т. 6. № 5. С. 34-38.

77. Клюкин В.И., Николаенков Ю.К., Нейросетевые структуры и технологии. //Учеб. Пособ. для вузов Часть 1. Издательско-полиграфический центр Воронежского государственного университета. 2008. — С. 63.

78. Moody J. Prediction Risk and Architecture Selection for Neural Networks. From Statistics to Neural Networks: Theory and Pattern Recognition Applications, V. Cherkassky, J.H. Friedman and H. Wechsler (eds.), NATO ASI Series F, Springer-Verlag 1994.

79. Mao K.Z., Tan K.C., Ser W. Probabilistic neural-network structure determination for pattern classification. IEEE Transactions on neural networks, Vol. 11, N. 4, July 2000. 1009-1016.

80. Cristina H., Juan C., Rafael G., Valentin P. Neural control of chaos and applications. International Journal "Information Theories & Applications" Vol.12. -PP. 103-110.

81. Grzesiak L.M., Sobolewski J. Energy flow control system based on neural compensator in the feedback path for autonomous energy source. Bulletin of the polish academy of sciences. Technical sciences. Vol. 54, No. 3, 2006.

82. Huailin Sh. Youguo P. Decoupled Temperature Control System Basedon PID Neural Network. ACSE 05 Conference, 19-21 December 2005, CICC,i1. Cairo, Egypt.

83. Tian P.Z., Cai Y.Z., Qing Z. Adaptive Variable Structure Control of MIMO Nonlinear Systems with Time-Varying Delays and Unknown Dead-Zones. International Journal of Automation and Computing. 04(2), April 2007. PP. 195202.

84. Гаврилов A.B. Применение нечеткой логики в системах автоматического управления. — Тамбов.: НГТУ, 2009. 257 с. (95)

85. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решения на основе нечетких моделей: примеры использования. — Рига: Знание, 1990. -184 с.

86. Бояринов А.Е. Основы теории нечетких множеств: Метод, указания / Сост. И.Л. Коробова, И.А. Дьяков. Тамбов: НГТУ, 2003. - 24 с.

87. Коберси И.С. Структура нечеткого контроллера. Сборник материалов докладов VII-й всероссийской конференции молодых ученых, аспирантов и студентов, «Информационные технологии, системный анализ и управление». Таганрог: ТТИ ЮФУ, 2009. - С. 175 - 177.

88. Абрахин С.И., Беликова О.С. Аппроксимация функций с применением интеллектуальных технологий идентификации. Труды XVI Всероссийской научно-методической конференции «Телематика'2009», 22-25 июня 2009 г., Санкт-Петербург, т.2. С. 387-389.

89. Титов А.В. Алгебраические и топологические свойства пространства качеств. Труды девятого симпозиума «Квалиметрия человека и образования: методология и практика». -М.: 2000.

90. Финаев В.И. Модели систем принятия решений: учебное пособие.- Таганрог: Из-во ТРТУ, 2005. 118 с.

91. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. — М.: Горячая линия Телеком. 2004. - С. 452.I

92. Коберси И.С., Финаев В.И. Методика нечеткого контролирования для микроконтроллеров. Труды Международной научной конференции «Информационное общество: идеи, технологии, системы», Часть 3. — Таганрог: Изд-во ТТИ ЮФУ, 2009. С. 92-93.

93. Добрынин Д.А. Динамический ДСМ-метод в задаче управления интеллектуальным роботом.// Десятая национальная конференция по искусственному интеллекту КИИ-2006, 25-28 сентября 2006 г., Обнинск, Труды конференции. М: Физматлит, 2006. т.2.

94. Караваев М.В. Построение автономных адаптивных управляющих систем на основе нечеткой логики. Институт системного программирования РАН. -М.: 2006.

95. Ходашинский И.А. Основы построения нечетких систем. Томский университет систем управления и радиоэлектроники. 2008.

96. Мурачев Е. Г., Холодов Г.М., Солопова О.И. Методика построения системы управления технологическим процессом биологической очистки сточных вод на основе гибридных нейронных сетей. Тамбов: НГТУ, 2009. -С. 32-36.

97. Бурдаков С.Ф., Мирошник И.В., Стельмаков Р.Э. СистемыIуправления движением колесных роботов//Санкт-Петербург: Наука, 2001.

98. Figueiredo M., Gomile F., Design of fuzzy system using neuro fuzzy networks, IEEE Trans. Neural Networks, 10:815-827, Aug, 1999.

99. Градецкий В.Г., Вешников В.Б., Калиничеко C.B. Управляемое движение мобильных роботов по произвольно ориентированным в пространстве поверхностям. -М.: Наука,2001.

100. YanW, Tianming Y, Yu F, Guoguo L 2005 Intelligent control for torque ripple minimization of SRM. IEEE Proc. of the Eight International Conference on Electrical Machines and Systems (ICEMS 2005). PP. 742-747.1.175

101. Kim S.H., Sul S.K. Voltage control strategy for maximum torqueoperation of an induction machine in the field weakening region. In Proc. IECON'94, 1994. PP. 599-604.

102. Kazuo, Tanalca; Fuzzy Control System Design and Analysis. Ed. John Wiley and sons, 2001.

103. Цюй Д. Управление мобильным роботом на основе нечетких моделей // Современные проблемы науки и образования. 2007. № 6. С. 115121.

104. Кострыкин И.В. Нечеткая логика: достоинства и недостатки. ИТО-Черноземье-2008. С. 110-111.

105. Lee К., Kwang D. A fuzzy neural network model for fuzzy interface and rule tuning. International journal of Uncertainty fuzziness and Knowledge-based systems. 1994. Vol2. N 3. PP. 265-277.

106. Шаламов A.B., Мазеин П.Г. нейронные сети как новый подход к управлению технологическим оборудованием. Известия Челябинского научного центра, вып. 1 (18), 2003.

107. Kian Hong Q. Online local learning with generic fuzzy input Takagi-Sugeno-Kang fuzzy framework for nonlinear system estimation. IEEE transactions on systems, MAN, and cybernetics—PART B: cybernetics, Vol. 36, N. 1, February 2006.

108. Lie C., Lee G. Neural-network-based fuzzy logic control and decisionsystem. IEEE Transaction on computers, December 1991. PP. 1320-1336.

109. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. Для специалистов в области вычислительной техники, а также студентов соответствующих специальностей вузов. Перевод на русский язык, Ю. А. Зуев, В. А. Точенов, 1992.

110. Stylios C.D. Urinary bladder tumor grading using nonlinear Hebbian learning for fuzzy cognitive maps. Department of automatic control and systems engineering university of Patras. 2004.

111. Ranadhir G. A Novel Hybrid Learning Algorithm for Artificial Neural Networks. School of Information Technology. December 2002. PP. 214.

112. Handry K., Rendy P. Artificial neural network with steepest descent1backpropagation training algorithm for modeling inverse kinematics of manipulator. World Academy of Science, Engineering and Technology. 2009.

113. Rojas R.: Neural Networks, Springer-Verlag, Berlin, 1996. PP. 34.135. http://www.doc.ic.ac.uk/~nd/surprise96/journal/vol4/csl 1/report.html.

114. Курейчик B.B., Курейчик B.M., Гладков JI.А. Генетические алгоритмы: Учебное пособие. Под ред. В.М. Курейчика. Ростов-на-Дону: «Ростиздат», 2004. - 400.

115. Omid K., Mohammad M. E., Hamid R.S., Ramin R., Iman Kh. A novel hybrid algorithm for creating self-organizing fuzzy neural networks. Neurocomputing 73 (2009). PP. 517-524.

116. Nicola.s G. P., Domingo O.B., Ce.sar H.M. An alternative approach for neural network evolution with a genetic algorithm: Crossover by combinatorial optimization. Neural Networks 19 (2006). PP 514-528.

117. Li T.S., Su C.T., Chiang T.L. Applying robust multi-response quality engineering for parameter selection using a novel neural-genetic algorithm. Computers in Industry 50 (2003). PP. 113-122.

118. Frauke F., Christian I. Evolutionary tuning of multiple SVM parameters. Neurocomputing 64 (2005). PP. 107-117.

119. Liu Z., Liu A., Changyao W., Niu Z. Evolving neural network using real coded genetic algorithm (GA) for multispectral image classification. Future Generation Computer Systems 20 (2004). PP. 1119-1129.

120. Tang A.M., Quek C., Ng G.S. GA-TSKfnn: Parameters tuning of fuzzy neural network using genetic algorithms. Expert Systems with Applications 29 (2005).-PP. 769-781.

121. Oh S.K., Witold P., Roh S.B. Hybrid fuzzy set-based polynomial neural networks and their development with the aid of genetic optimization and information granulation. Applied Soft Computing 9 (2009). PP. 1068-1089.

122. Oh S.K., Witold P. Multi-layer self-organizing polynomial neural networks and their development with the use of genetic algorithms. Journal of the Franklin Institute 343 (2006). PP. 125-136.145. http://cortex.snowcron.com/geneticnn.htm

123. Pham D.T., Karaboga D. Self-tuning fuzzy controller design using genetic optimisation and neural network modeling. Artificial Intelligence in Engineering 13 (1999).-PP. 119-130.

124. Hideyuki I. Toshio F. Structure optimization of fuzzy neural network by genetic algorithm. Fuzzy sets systems 71 (1995). PP. 257-264.

125. Коберси И.С. Оценка погрешности адаптивной гибридной обучаемой системы управления транспортными средствами. Международный семинар «Системный анализ, управление и обработка информации», Пос. Дивноморское COCK «Радуга». Ростов-на-Дону.

126. Gallova S. Neuro-Fuzzy learning and genetic algorithm approach with chaos theory principles applying for diagnostic problem solving. World Congress on Engineering 2009 Vol I. WCE 2009.

127. Бураков M.B. Генетическое конструирование нейронечетких систем. НЕЙРОИНФОРМАТИКА 2006. Часть 3.

128. Charu G. Implementation of back propagation algorithm (of neural networks) in VHDL. Department of electronics and communication engineering Thapar institute of engineering & technology. 2006. PP. 106.

129. Коберси И.С. Скубилин М.Д., Нелина С.Н., Бублей С.Е., Балабаев Р.И. Элементы и устройства систем управления. Таганрог, изд-во ТТИ ЮФУ, 2010 г.-397 с.

130. Вороновский Г.К. и др. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. — Харьков: Основа, 1997.

131. Курейчик В.В. Генетические алгоритмы в задачах оптимизации. -Таганрог: Перспектива, №2, 1995. С. 15-22.