автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Структурно-функциональная организация нейронных сетей в промышленных системах обработки информации

На правах рукописи

ЗОЗУЛЯ Юрий ИВЗН0В1& б А В Г 2009

СТРУКТУРНО-ФУНКЦИОНАЛЬНАЯ ОРГАНИЗАЦИЯ НЕЙРОННЫХ СЕТЕЙ В ПРОМЫШЛЕННЫХ СИСТЕМАХ ОБРАБОТКИ ИНФОРМАЦИИ

(применительно к инженерным сетям нефтегазодобычи)

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (в промышленности)

Автореферат

диссертации на соискание ученой степени доктора технических наук

Уфа 2009

003475112

Работа выполнена на кафедре информатики ГОУ ВПО «Уфимский государственный авиационный технический университет» и в Межрегиональном открытом акционерном обществе «Нефтеавтоматика»

Научный консультант

д-р техн. наук, проф. Кабальное Юрий Степанович

Официальные оппоненты

Ведущая организация

Засл. деятель науки РФ, д-р техн. наук, проф.

Галушкин Александр Иванович

д-р техн. наук, проф.

Буренин Владимир Алексеевич

д-р техн. наук, проф.

Юсупова Нафиса Исламовна

Институт проблем управления им. В.А. Трапезникова РАН, г. Москва

Защита состоится "18" сентября 2009 г. в "10" часов на заседании диссертационного совета Д-212.288.03 при Уфимском государственном авиационном техническом университете по адресу: 450000, г. Уфа, ул. К. Маркса, 12

С диссертацией можно ознакомиться в библиотеке университета. Автореферат разослан" /й" Р& 2009 года

Ученый секретарь диссертационного совета д-р техн. наук, проф. П | "^Т' " 3 в-в- МиР0Н0В

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Нейросетевые технологии искусственного интеллекта находят растущее применение при разработке интеллектуальных датчиков, анализаторов данных и систем обработки информации (СОИ) в нефтегазовой и других стратегически важных отраслях промышленности. Они позволяют создавать нейросетевые модели объектов автоматизации и прикладные нейросисте-мы, благодаря которым существенно облегчается контроль технического состояния этих объектов, их структурная и параметрическая идентификация, осуществляемая с использованием алгоритмов обучения нейронных сетей.

Эффективность промышленных СОИ, создаваемых на базе нейронных сетей (нейросетевых СОИ и их нейронных структур), определяется:

-степенью адекватности нейросетевых моделей объектам автоматизации, которая во многом зависит от правильного выбора структурно-функциональной организации (спецификации) используемых нейронных сетей;

-качеством предварительной обработки информации, реализуемой нейронными сетями интеллектуальных датчиков и анализаторов данных;

-наличием у анализаторов нейросетевых СОИ функций, необходимых дня интеллектуального анализа данных реального времени (data mining);

-возможностью эволюции (реинжиниринга) нейронных сетей при изменении структуры объектов автоматизации и появлении новых функций;

-наличием инструментария для интеграции отдельных нейронных сетей СОИ в сообщество, имеющее единую целевую функцию, на основе которой координируются процессы обучения нейронных сетей для достижения требуемого качества контроля и диагностики состояния объектов.

Общетеоретическим вопросам решения задач обработки информации с использованием нейронных сетей посвящены классические работы, выполненные в середине истекшего столетия Н. Винером, Э. Каянелло, С. Виноградом и Дж. Коуэном, У. Мак-Каллоком и У. Питтсом, М. Минским и С. Пайпертом, Ф. Розенблатгом, У. Эшби и др. В их работах структура нейронных сетей представляется в виде орграфа с прямыми и обратными связями между вершинами (нейронами), обучаемыми или необучаемыми. Отдельный нейрон рассматривается как функциональный преобразователь, выполняющий линейные операции взвешенного суммирования входных сигналов и нелинейные операции формирования сигнала на выходе. Динамика нейронной сети описывается нелинейными конечно-разностными, дифференциальными или интегральными уравнениями. Однако узким местом этих работ является недостаточная проработка алгоритмов обучения нейронных сетей, что не позволило широко использовать эти алгоритмы для идентификации параметров нейросетевых моделей объектов автоматизации.

Алгоритмы обучения простых нейронных сетей разной структуры были исследованы в 80 - 90-х годах, что открыло новые возможности для создания СОИ, реализующих обработку информации в нейросетевом базисе. Для описания алгоритмов обучения нейронных сетей и идентификации параметров моделей объектов автоматизации введены представления о целевых функциях разных классов сетей (энергетической функции, функции полной ошибки и т.п.). В основу теории нейронных сетей, пригодных для создания нейросетевых СОИ, легла теорема А.Н.Колмогорова о представлении функций многих переменных с помощью функций, близких к линейным (композиций функций одного переменного и сложения). Большой вклад в разработку теории внесли отечественные ученые А.И. Галушкин, А.Н. Горбань, B.JI. Дунин-Барковский, А.Г. Ивахненко,

A.Б. Коган, Н.В. Позин, Я.З. Цыпкин и др.

Однако, несмотря на успехи в развитии теории нейронных сетей, принципиально не решенными остаются вопросы выбора структуры нейронных сетей и вопросы автоматизации трудоемких процессов их обучения в составе СОИ. Открытым является также вопрос о возможности обобщения свойств разных классов сетей и осуществления их согласованного обучения.

В последние годы в практике создания и развития промышленных СОИ сложилось два направления наращивания и совершенствования их интеллектуальных функций и превращения их в интеллектуальные системы. Первое основано на частичной модернизации существующих систем путем включения в их состав интеллектуальных датчиков и анализаторов данных (Н. Н. Бахтадзе,

B. И. Васильев, В. И. Городецкий, В. А. Лотоцкий, Б. Г. Ильясов, Я. С. Коровин и др.). Второе направление (в большей мере развиваемое за рубежом) исходит из необходимости придания системе еще на этапе ее проектирования (или реинжиниринга) развитых возможностей по обеспечению программной реализации и эволюции ее интеллектуальных функций, обеспечивающих обработку данных реального времени. Для реализации этих функций используются инструментальные средства, имеющиеся в составе лепсо масштабируемых программно-информационных платформ (NeurOn-Line в G2, Sigmafme в PI System и пр.)

Общий недостаток этих направлений состоит в том, что акцент в них делается на традиционные информационные технологии, в которых средства искусственного интеллекта используются в усеченном виде и от случая к случаю. Как следствие, промышленные СОИ обладают «лоскутным» интеллектом, что тормозит создание в стратегически важных отраслях, таких как нефтегазовая, промышленных систем, обеспечивающих:

1) интеллектуальный анализ накапливаемых данных реального времени и извлечение знаний о связях между параметрами материально-энергетических

потоков и параметрами состояния объектов автоматизации в составе производственных инженерных сетей;

2) идентификацию структуры этих связей и их характеристик на основе неполных и противоречивых данных о функционировании объектов;

3) оценку показателей доверия/недоверия к моделям технологических объектов и моделям средств измерения для управления процессами идентификации их параметров при возникновении систематических погрешностей и грубых ошибок в процессе обработки данных реального времени.

В сложившихся направлениях:

отсутствует концепция структурно-функциональной организации нейросете-вых и комбинированных технологий искусственного интеллекта в СОИ (концепция интеллектуального нейрокомпьютинга);

не определены пути поэтапного развертывания промышленных СОИ, обеспечивающих повышение степени адекватности нейросетевых моделей объектам автоматизации, находящимся в их среде;

не решена в целом научная проблема системной интеграции интеллектуальных функций развитых промышленных СОИ, в основе конструкции которых лежат нейронные сети.

Цель и задачи исследования

Целью работы является решение научной проблемы системной интеграции нейронных сетей промышленных СОИ, используемых для анализа состояния объектов инженерных сетей нефтегазодобычи и принятия решений по их управлению.

Для достижения этой цели в работе поставлены и решаются следующие основные задачи:

1. Анализ интеллектуальных функций промышленных СОИ и обоснование необходимости использования нейронных сетей для контроля, диагностики и управления состоянием инженерных сетей нефтегазодобычи.

2. Разработка концепции структурно-функциональной организации нейронных структур, позволяющей свободно наращивать их функциональные возможности с целью удовлетворения постоянно растущих требований к уровню автоматизации производственных процессов.

3. Разработка нейросетевых моделей и методов системной интеграции нейронных сетей в составе промышленных СОИ.

4. Исследование процессов обработки информации в нейронных структурах и разработка инструментария для контроля процессов их адаптации к изменениям внешних условий их работы в реальном времени.

5. Исследование эффективности предложенных нейросетевых моделей и основанных на них методов обработки информации в составе корпоративной информационной системы ОАО «Татнефть».

Методы исследования

Поставленные в диссертационной работе задачи решаются с использованием методологии системного анализа, методов математического моделирования, общей теории систем, теории оптимизации, теории кодирования сигналов, теории графов, теоретической механики и математической физики.

На защиту выносятся:

1. Концепция структурно-функциональной организации нейронных структур промышленных СОИ, основанная на коннекционистском подходе к организации процессов обработки информации.

2. Разработанная в рамках коннекционисткого подхода обобщенная модель сообщества нейронных сетей анализаторов первичной информации СОИ и предложенные алгоритмы их системной интеграции.

3. Модели адаптивных нейронных структур, реализующих обработку информации в реальном времени при изменении внешних условий работы СОИ.

4. Балансный метод определения структурно-функциональной организации (спецификации) нейронных сетей анализаторов первичной информации промышленной СОИ.

5. Результаты проверки эффективности промышленных СОИ, построенных на основе предложенных нейросетевых моделей и методов, применительно к анализу баланса штоков и коррекции характеристик средств измерения в составе корпоративной информационной системы ОАО «Татнефть».

Научная новизна:

1. Новизна предложенной концепции структурно-функциональной организации нейронных структур промышленной СОИ состоит в том, что она, за счет многоуровневой организации нейронных сетей, обеспечивает системную интеграцию анализаторов первичной информации в составе иерархически организованных интеллектуальных подсистем СОИ, решающих прикладные задачи в условиях неполноты и противоречивости поступающих данных.

2. Новизна разработанной обобщенной модели сообщества нейронных сетей анализаторов первичной информации и предложенных алгоритмов их системной интеграции состоит в том, что модели анализаторов описываются в гиперкомплексном пространстве на основе использования присоединенной алгебры, в виде представления, адекватного коннекционистской модели обработки информации.

3. Новизна моделей адаптивных нейронных структур, реализующих обработку информации в реальном времени при изменении внешних условий рабо-

ты СОИ, состоит в использовании параметрического представления их дифференциальных и интегральных свойств в пространстве и времени.

4. Новизна балансного метода определения структурно-функциональной организации (спецификации) нейронных сетей анализаторов первичной информации в промышленных СОИ применительно к инженерным сетям нефтегазодобычи состоит в том, что поэлементные нейросетевые модели объектов инженерных сетей объединяются в нейросетевые балансные модели участков инженерных сетей, которые используются для оценивания дисбалансов потоков и определения показателей степени доверия/недоверия к моделям объектов инженерных сетей и моделям средств измерения их параметров.

5. Новизна выполненной проверки эффективности промышленных СОИ, построенных на основе предложенных нейросетевых моделей и методов, применительно к анализу баланса потоков и коррекции характеристик средств измерения в составе корпоративной информационной системы ОАО «Татнефть», состоит в разработке нового метода анализа состояния инженерных сетей нефтегазодобычи с итеративной нейросетевой коррекцией и последующей проверкой адекватности характеристик средств автоматизации, обеспечивающих контроль параметров состояния инженерных сетей.

Практическое значение данной работы заключается в разработке технологии создания в составе промышленной СОИ интегрированных нейронных структур, обеспечивающих обработку в нейросетевом базисе данных реального времени и решение задач контроля и диагностики состояния инженерных сетей нефтегазодобычи; в разработке нейросетевых моделей объектов этих инженерных сетей, выборе структуры и функций анализаторов данных и обеспечении системной интеграции нейронных структур СОИ, согласованных со своей средой.

Теоретические результаты работы, полученные в 1967-76 гг., применялись при подготовке ряда эскизных и технических проектов создания систем обработки пространственно-временных сигналов.

Разработанная методология структурно-функциональной организации нейронных сетей использовалась при разработке логико-семантических моделей ведения диалога в автоматизированных обучающих системах (1977-1980 гг.) и нейросетевых моделей многостепенных манипуляторов с отработкой их на макете в лабораторных условиях (1995-2002 гг.).

С 1980 г. по 2008 г. развитый в рамках данной работы коннекционистский подход к определению и совершенствованию структурно-функциональной организации сообщества нейронных сетей применялся при разработке и использовании нейронных структур для обработки данных реального времени в составе АСУ ТП нефтегазодобычи.

Внедрение результатов работы. Балансный метод определения спецификаций интеллектуальных нейросистем и математическое обеспечение нейросе-тевых анализаторов данных реального времени нашли применение при разработке нейросетевых моделей и методики анализа баланса потоков в инженерных сетях нефтегазодобычи и используются на ряде предприятий нефтяной промышленности. Выявленные принципы структурно-функциональной организации нейронных сетей использованы также при разработке нейросетевых моделей других сложных технических систем и логико-семантических моделей ведения диалога и внедрены в учебный процесс.

Апробация работы

Основные научные и практические результаты диссертационной работы докладывались и обсуждались на республиканских, всесоюзных, всероссийских и международных конференциях и школах, в том числе на 1П, IV и V Всесоюзных конференциях по бионике (Москва, 1968, 1970, 1973); I Республиканской летней школе по нейробионике (Киев, 1971); V Украинской республиканской конференции по бионике (Киев, 1972); I Всесоюзной конференции «Человеко-машинные обучающие системы» (Телави-Москва, 1979); Всесоюзной конференции «Комплексная автоматизация и создание АСУ ТП в бурении, добыче, транспорте нефти и газа» (Москва, 1985); Республиканской научно-технической конференции «Проблемы нефти и газа» (Уфа, 1988); Международной научно-технической конференции «Проблемы нефтегазового комплекса России» (Уфа, 1998); Всероссийской научно-технической конференции «Ней-роинформатика-99» (Москва, 1999); Международной научно-технической конференции «Проблемы трансферной технологии» (Уфа, 1999); V и VI Всероссийских конференциях «Нейрокомпьютеры и их применение» (Москва, 1999, 2000); Международной конференции по нейросетевым информационным технологиям «ICONIP-2001» (Шанхай, 2001); Международной конференции «Актуальные проблемы прикладной математики и механики» (Харьков, 2006); 9-й Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Нижний Новгород, 2008); IV Международной конференции «Параллельные вычисления и задачи управления» (Москва, 2008); научно-практических конференциях «Автоматизация и метрология в нефтегазовом комплексе» (Уфа, 2003-2008).

Публикации

По теме диссертации в период с 1967 по 2008 годы автором опубликовано более 150 научных работ, в том числе 3 монографии (две из них в соавторстве), 37 статей в рецензируемых журналах из списка ВАК, получено 10 авторских свидетельств на изобретения и 2 патента.

Структура и объем работы

Диссертация состоит из введения, пяти глав основного материала, библиографического списка, содержит 326 страниц основного текста и приложения. Библиографический список содержит 297 наименований литературы.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность использования нейросетевых технологий искусственного интеллекта для создания промышленных СОИ. Применительно к нефтегазовой отрасли показывается, что широкое применение современных компьютерных средств автоматизации сопровождается парадоксальным увеличением противоречивости собираемых данных реального времени. Как следствие, происходит увеличение неопределенности информации о состоянии автоматизируемых объектов и расширяется коридор неконтролируемых действий человеческого фактора, что ведет к росту количества ошибок пользователей из-за некорректной интерпретации данных реального времени. Проводится анализ практики создания промышленных СОИ на основе нейросетевых и комбинированных технологий искусственного интеллекта. Формулируется цель работы и определяются решаемые в ней задачи, обсуждаются научная новизна и практическая ценность выносимых на защиту результатов.

В первой главе «Развитие и системная интеграция интеллектуальных функций промышленных систем обработки информации» дана краткая характеристика проблемы исследования применительно к интеллектуализации контроля и диагностики состояния инженерных сетей нефтегазодобычи, описан состав объектов и динамика дисбалансов в узлах этих сетей. Дана классификация причин нарушения баланса многофазных и многокомпонентных потоков в узлах инженерной сети нефтегазодобычи. Проведен обзор и выделены ограничения существующих моделей и методов контроля и диагностики состояния инженерных сетей и средств измерения параметров их потоков, реализованных в программных комплексах Sigmafine, Production Balance, LeakSPY и пр., используемых для контроля состояния инженерных сетей. На основе анализа существующих методов и изучения известных программных комплексов контроля состояния инженерных сетей выделены актуальные вопросы и выполнена постановка задач настоящего исследования.

Во второй главе «Концепция интеллектуального нейрокомпьютинга» изложена концепция, раскрывающая идею создания нейросетевой СОИ как системы, универсальной по своим эволюционным и интеграционным возможностям.

Показано, что для решения проблемы поэтапного развития интеллектуальных функций нейросетевой СОИ требуется разработать метод определения ее внутренней организации и организации ее среды в реальном пространстве-

времени. Показывается, что внутренняя организация нейросетевой СОИ находит отражение в структуре связей между нейронами ее нейронных сетей и в способе их изменения в процессе взаимодействия с ее средой и включает:

1) перечень нейронов отдельных нейронных сетей, виды их функций активации и значения их порогов (смещений);

2) структуру орграфа связей между нейронами, входящими в состав отдельной нейронной сети или в состав разных сетей;

3) начальные значения и параметры правил изменения весов этих связей в процессе обучения нейронных сетей.

Задание определенной начальной организации ограничивает класс нейронных структур, которые могут быть реализованы в процессе совместного обучения множества нейронных сетей. В главе обосновывается необходимость изучения структурно-функциональной организации известных естественных и искусственных нейронных структур, реализующих интеллектуальные функции. Для описания (спецификации) нейронных структур используется аппарат функциональных сетей, с помощью которого формализуются процессы моделирования процессов обработки данных реального времени, реализуемые сообществом нейронных сетей. Показывается, что использование этого аппарата позволяет унифицировать и автоматизировать процессы генерирования нейронных структур СОИ и совместного обучения их нейронных сетей.

По направленности процессов дополнения и замещения природных информационных органов человека при обработке неполной и противоречивой информации, интеллектуальные нейросистемы в работе разделяются на классы по аналогии со своими естественными прототипами. Выделяются системы, ориентированные на восприятие внешней среды человека ("объектные") или на восприятие внутреннего мира человека ("субъектные"), а также преимущественно информационные ("пассивные") и преимущественно управляющие ("активные").

Обосновывается идея создания нейросетевой СОИ как обобщенной системы (general system по Ч. Черчмену), «замкнутой и остающейся замкнутой во всех возможных средах» - дополняющей себя до замкнутой системы в закономерно изменяющейся среде моделями объектов этой среды.

В рамках концепции интеллектуального нейрокомпьютинга вводится представление о метаинтеграции - углубленной многоуровневой системной интеграции нейронных сетей в сообщество, имеющее единую целевую функцию. Результатом метаинтеграции нейронных сетей является реализация нейросетевой СОИ в виде иерархии нейросистем, накапливающих опыт построения адекватных нейросетевых моделей (образов) объектов и процессов в условиях неполноты и противоречивости исходной информации.

Для обеспечения подобия процессов обработки информации в естественных и искусственных нейронных сетях предлагаются ориентироваться на следующие принципы их организации:

1) принцип сочетания в нейроне линейных и нелинейных функций;

2) принцип сочетания в нейронной сети структурной и динамической памяти;

3) принцип обратимой перестройки структуры нейронных сетей под воздействием воспринимаемых сигналов (принцип адаптации);

4) принцип функционального кодирования сигналов в нейронных сетях;

5) принцип распределенности и ассоциативности памяти нейронных сетей;

6) принцип анализа и синтеза сигналов путем их сравнения;

7) принцип взаимосодействия нейросетевых анализаторов на разных уровнях организации сообщества нейронных сетей для достижения целей, сформированных при взаимодействии со средой (принцип интеграции).

На основе этих принципов в рамках предложенной концепции интеллектуального нейрокомпьютинга разработана классификация нейронных структур и даны рекомендации по выбору их структурно-функциональной организации по заданным множествам входных X и выходных У сигналов и требуемому отображению Г: Х—>У, учитывающие:

- мощность множеств^и Г;

- тип отображения Б: Х—*У\

- наличие корреляции между отдельными сигналами множества X;

- существование лингвистических структур в множествах X и У;

- неполноту и противоречивость исходных данных о множествах X и У и об отображении Т7.

Предложен балансный метод определения структурно-функциональной организации нейронных сетей СОИ, основанный на объединении поэлементных нейросетевых моделей сложной технической системы в одно целое.

В третьей главе «Теоретические основы структурно-функциональной организации нейронных сетей в интеллектуальных системах обработки информации» рассматривается проблема системной интеграции нейронных структур СОИ на основе согласованного обучения их нейронных сетей в составе эволюционирующих интеллектуальных нейросистем.

В рамках разработанной концепции выделяются типовые задачи, решаемые с помощью нейросетевых моделей, и формулируются требования к нейросете-вым технологиям, используемым при разработке СОИ.

На основе выделенных принципов функционирования сообществ нейронных сетей развивается коннекционистский подход к построению СОИ, состоящий в

постоянном наращивании и согласованном обучении нейронных сетей отдельных анализаторов данных реального времени. Результатом согласованного обучения множества нейронных сетей в единой среде является формирование интеллектуальных нейросистем, которые нечувствительны к искажениям полезных сигналов и трансформациям отношений между ними. Отличительными особенностями их функционирования являются:

- целенаправленное формирование анализаторов данных при согласованном обучении отдельных нейронных сетей сообщества;

- объединение нейронных структур в некоторую иерархию в соответствии с иерархией целевых функций сообщества путем метаинтеграции анализаторов данных разной модальности;

- изменение организации нейронных структур СОИ, отражающих иерархию автоматизируемых процессов, с вышележащего уровня путем управления согласованным обучением нейронных сетей;

-нейросетевое моделирование в реальном времени технических систем (инженерных сетей, трубопроводов, многостепенных манипуляторов и др. сложных систем).

Начальная организация нейронных сетей СОИ описывается функциональным уравнением

ство нейронов; А(Х) - матричное представление структуры и функций нейронных сетей.

В этой форме представляется сеть Колмогорова, реализующая непрерывную функцию у= /(х,,...,^); у,х,,...,х„ е[0Д] при

X = А(Х),

(1)

где Х = (х,,х2,...,х^)7 - вектор активности (состояние) нейронов; л, -количе-

0 0 0

X = у ; А= 0 0 А, ,

(2)

Аг 0 0

у = А,(г);г = (г.....,г2„+1)г;

г = А1(х);х = (х.....,х„)т,

(3)

(4)

Обобщенная коннекционистская модель обработки информации в эволюционирующих сетях х-го анализатора нейросетсвой СОИ, после М этапов обучения ее нейронных сетей, с учетом ограничения (1), представляется с помощью целевой функции У1

Г=3Ш(Х). (5)

В работе показывается, что динамика нейронных сетей х-го анализатора может быть описана системой квадратичных дифференциальных уравнений, представляющих эквивалентную коннекционистскую сеть (КС):

Ь,х1 = <р

(дг' /

дх, \ 1 v -<Р v.

*=] 1=1

'Щ. (6)

где Ь, - оператор дифференциального или конечно-разностного типа, <р - монотонная функция активации нейронов; С/и - полученный после М этапов процесса обучения коэффициент связи между активностью у'-й и к-й виртуальных единиц КС, учитывающий контекстную активность /-й виртуальной единицы х-йКС; ^-количество виртуальных единицх-йКС.

Целевая функция виртуальной КС представляется в виде

ых дг ы

Г=Г(Х],Х2.....= • (7)

Ы1 1=1

Частным случаем целевой функции (7) является энергетическая функция набора нестационарных сетей Хопфилда, у которых переменными являются параметры активности нейронов и параметры связей между ними.

К системе квадратичных дифференциальных уравнений (6) присоединяется (по Р. Ньюкому) неассоциативная А^-мерная алгебра гиперкомплексных чисел

V* с базисом и*,и*и таблицей умножения

&

= (8)

м

где о — знак операции неассоциативного умножения в алгебре V,.

Обучение нейронных сетей анализатора сводится к формированию схемы его деятельности, описываемой присоединенной алгеброй У* и к связыванию с равновесными состояниями сетей требуемых выходов анализатора. В рамках обобщенной коннекционистской модели обработки информации анализатором, процесс обучения его нейронных сетей на любом М-м его этапе определяется как движение по градиенту целевой функции (7)

V/ =7Ж = Ш = , (9)

ос,«

где Ц — оператор дифференциального или конечно-разностного типа.

После М шагов обучения длительностью , с использованием обучающих сигналов хк=х%1 ,к = 1, ЛГ^, коэффициенты связи имеют вид

¡у т

Ох . \ 1 .т / I / Ох , \ 1 I/хнач £х ^,

0+2/< СД'+ 2/' ал. (10)

„Мх

/=1 (=1

где , ],к,1 = \,ых - набор начальных значений коэффициентов связи (соответствует (1)); а% = - набор частных коэффициентов связи между нейронами анализатора (характеризует след, оставленный обучающими сигналами в ассоциативной памяти анализатора на г-м этапе обучения); б/™4 =тх1^,,1 = \,Ых - начальные значения коэффициентов б/* (образ активности нейронов анализатора на 1-м этапе обучения).

Изменение целевой функции (7) эволюционирующей сети в общем случае состоит в дополнении ее композицией квадратичных форм Л?, описывающих динамику ансамблей, сформированных на Мэтапах обучения:

^=■/£+!>№, (11) /и

i = (12)

/=1

^ '=1 м, (13)

;=1 м

где ^ — исходная целевая функция анализатора до начала процесса обучения;

р] — признак актуальности /-го ансамбля, сформированного в составе его ассоциативной памяти на г-м этапе обучения.

Структура анализатора, реализующего обобщенную коннекционистскую модель обработки информации, показана на рис. 1. В его составе имеется блок предварительного анализа сигналов (Пр.Ах), обеспечивающий фильтрацию входных сигналов и сопоставление их со следами сходных сигналов в ассоциативной памяти, и блок последующего анализа образов модальности х (ПослАх).

Результатом согласованного обучения нейронных сетей анализаторов СОИ в ее сигнальной и предметной среде является формирование способа их совместной деятельности. При этом схемы деятельности, реализуемые нейронными сетями отдельных анализаторов, объединяются в единую схему более высокого

порядка, характерную для сообщества нейронных сетей, имеющего собственную целевую функцию. Эта схема объединяет в единое целое класс сходных действий, имеющих определенную последовательность в составе многих ней-росетевых алгоритмов, реализуемых сообществом нейронных сетей. Для актуализации одного из этих алгоритмов необходимы определенная организация среды интеллектуальной системы и, возможно, дополнительное обучение ее отдельных нейронных сетей.

Поел. А.

Выбранный образ

Кратко-. вреэдйшая

Лйй&я? ■

Активные образы

До лго -

Сравнение

Сигналы

т

Пассивные образы

Признаки актуальности

Ы

Фильтратдая

Пр. А,

Ассоциативная намять

ошх

Рисунок 1. Структура нейронных сетей анализатора

Сообщество нейронных сетей % является гиперсетыо, кластером КС, имеющим целевую функцию Е, которая по окончании Т циклов процесса системной интеграции представляется состоящей из (2"+1)-й компоненты

Е-Е'+^Е'-,

при

£ =1Е<ДА> а = 1 .г;

т

С^г = С1 + ЕКК , Х,у,гех,

(14)

(15)

(16) (17)

(18) (19)

где Е° - целевая функция сообщества нейронных сетей до начала процесса системной интеграции; Р8 - признак полезности д-й компоненты, сформированной в 5-м цикле процесса интеграции нейронных сетей сообщества; -квадратичная функция я-й компоненты; Ех,Еу,Е2- представления целевых

функций х-й, у-к и г-й КС соответственно; Л^, - частный коэффици-

ент связи между представлениями целевых функций х-к и у-к КС, полученный в 5-м цикле процесса интеграции при формировании 5-й компоненты целевой функции сообщества; В* - коэффициент, характеризующий влияние выбора текущего представления целевой функции г-н КС на признак полезности Рх £-й компоненты; С^— полученный после Г циклов процесса интеграции, коэффициент связи между представлениями целевых функций х-й и у-й КС, учитывающий выбор представления целевой функции л-й КС (С^- его значение до начала процесса системной интеграции); - нелинейный функционал, с помощью которого описывается процесс представления целевой функции х-й КС после Т-го цикла интеграции нейронных сетей сообщества.

При углубленной системной интеграции (метаинтеграции) зависимость между целевой функцией .7* х-й сети и ее представлением Ех устанавливается в процессе согласования нейросетевой СОИ со своей средой и может быть произвольной (нечеткой, знаковой). Поэтому величины Ех, х е % рассматриваются как относительно независимые переменные, и их динамика описывается, после Г циклов интеграции, в виде

= 1 ЪС^Е&.хех. (20)

Уравнение, характеризующее процесс интеграции при формировании Т-й интеллектуальной нейросистемы сообщества, представляется в виде

%Стхг=^Г-=ЕхЕуЕ._,х,у,геХ, (21)

где Ц и I, - операторы дифференциального или конечно-разностного типа.

Уравнениями (20) и (21) описываются функции интегрирующего анализатора, управляющего процессами системной шгтеграции нейронных сетей сообщества х ■ С сетью этого анализатора связана присоединенная алгебра К0 (таблица умножения которой определяется коэффициентами С^, х,у,ге%), а также соответствующая ей схема системной интеграции нейронных сетей сообще-

1-5

ства. Коэффициенты С°гу1 выбираются так, чтобы алгебра К0 не имела делителей нуля и в процессе эволюции последовательно расширялась с сохранением своей структуры при изменении количества интегрируемых анализаторов А,, хе% и увеличении числа образов, хранимых в распределенной ассоциативной памяти интегративного анализатора (в общем случае У0 является матричной алгеброй Кэли-Дюссона).

Взаимодействие сети интегрирующего анализатора с сетями специализированных анализаторов данных реального времени происходит путем восприятия текущих значений целевых функций У' отдельных сетей сообщества, в виде их представлений Ех, х е % и использования этих значений как начальных условий в (20), а также путем встречного формирования регулирующих воздействий. Динамика активности нейронных сетей сообщества и процесс их системной интеграции формируются с учетом этих регулирующих воздействий. Динамика описывается в пространствах параметров активности единиц сообщества х,, У = хе х и коэффициентов связи между ними с'^, х £ х. с учетом градиента целевой функции Е (символ * указывает на отличие активности и структуры связей единиц сообщества от их значений вне сообщества):

• 8Е т „т дJr

(22)

ЗЕ

= 1л,х61; (23)

ос;к1 ОС;«

М/Т

(24)

= (25)

где Ь], Ь] - операторы дифференциального или конечно-разностного типа; ах>Рх~ коэффихщенты регулирования (параметры управления скоростями дополнительного обучения и изменения текущего состояния элементов х-й сети в сторону одного из равновесных состояний сообщества).

Формируя непрерывные регулирующие воздействия сеть интегри-

рующего анализатора обеспечивает координацию поисковых движений сетей в пространстве их состояний (от известных равновесных состояний к новым неизвестным состояниям и обратно). Дискретные регулирующие воздействия а].

формируются блоком Лог. А при обработке образов-символов, описываемых с помощью матричной алгебры Кэли-Диксона.

Метаинтеграция нейронных сетей анализаторов при согласованном управлении процессами их обучения с помощью механизмов. координации, лописо-семантических моделей и процедур логического вывода, позволяет придать им свойство роста их интеллектуальных возможностей в рамках жизненного цикла нейросетевой СОИ.

В четвертой главе «Нейробионическое моделирование нейронных структур и процессов их согласования» рассматриваются математические модели естественных нейронных структур и процессов их согласования с окружающей средой.

На основе анализа литературных данных в работе выполнено обобщите экспериментальных материалов, накопленных современной нейрофизиологией и психологией, и показано, что основным методом изучения структурно-функциональной организации естественных нейронных структур, реализующих отображение множества входных сигналов нейросистемы на множество ее выходных сигналов, является метод математического моделирования.

Анализ функций естественных нейронных структур, исходя из свойств их отдельных элементов, осуществляется с использованием моделей нейронных сетей, отражающих основные свойства нейронов и связей между ними. Одновременно в процессе системных исследований нейронных структур учитываются также результаты их изучения на близких уровнях пространственно-временного разрешения: на уровне нервной ткани и на уровне сообщества нейронных сетей. Из свойств нервной ткани выводятся свойства нейронов и связей между ними, а путем использования различных данных о сообществе нейронных сетей, исследования сетей направляются на объяснение тех свойств, которыми обладает нервная система как единое целое.

Модель сообщества нейронных сетей характеризует структуру нервной системы как обобщенной системы (рис: 2), раскрывая связи между нейронными сетями анализаторов, обрабатывающих сигналы модальности х, у и т.д., и нейронными сетями координационных механизмов, управляющих отдельными органами.

Специализированный анализатор включает в общем случае блок предварительного анализа сигналов определенной модальности (1п\ М и т.д.), обеспечивающий фильтрацию сигналов и формирование рефлекторных связей между ними, и блок последующего анализа образов, выполняющий операции над образами соответствующей модальности.

Отфильтрованная информация х-й модальности поступает из Пр.Ах в Посл.Ах, в обратном направлении подаются сигналы, перестраивающие структуру связей блока Пр.Ах и тем самым адаптирующие его к восприятию сигна-

лов, поступление которых от объектов среды ожидается. Эти объекты с некоторым опережением представляются в виде их образов на основе информации, хранящейся в образной памяти блока анализатора Посл.Ах.

1 - первичная (прямая и обратная) связь со средой; 2 - вторичная обратная связь

Для формирования сигналов, управляющих отдельными исполнительными органами, используются координационные механизмы, которые совместно с блоками предварительного анализа сигналов реализуют рефлекторную деятельность организма.

Связь между блоками Пр.Ах , х е % осуществляется с помощью анализа-торно-координационных механизмов (А.-К. М), а между Посл.Ах, х е % ~ блоком последующего анализа многомодальных образов (Поел. Аху), которые образуют интехративный анализатор сигналов и образов (Инт. А). С помощью интегративного анализатора выполняются функции координации специализированных анализаторов. В блоке логического анализа (Лог. А) реализуются процедуры логического вывода. Лог. А и Инт. А формируют логико-семшггаческие модели объектов среды с учетом связей соответствия между образами объектов среды, имеющими разную модальность.

Анализаторы и эффекторы сообщества нейронных сетей постоянно объединяются в функциональные системы (по П.К. Анохину), которые согласуются со средой организма (внешней и внутренней).

Модель нервной ткани раскрывает физические основы преобразования сигналов в нервной ткани и описывает ее биоэлектрическую активность на основе

классических уравнений Максвелла, дополненных уравнениями биохимических источников сторонних токов. С учетом однородности и изотропности диэлектрических и магнитных свойств нервной ткани в работе обобщена известная модель Ходжкина-Хаксли с получением основного уравнения модели нервной ткани (типа телеграфного уравнения)

£(*,0 = №05[S(*,/)]—[/сг(*>0-О.Я(*.01 (26)

где Efct) - нормальная к поверхности мембран нервных клеток составляющая вектора напряженности электрического поля; Ja&i) - нормальная к поверхности мембран составляющая вектора плотности сторонних токов; S[S(x, i)] - 5-функция Дирака, заданная на многосвязной динамичной поверхности клеток нервной ткани S, описываемой нормальным уравнением S(x,t) = 0; ст. -удельная проводимость среды клеток; е, ß - относительная диэлектрическая и относительная магнитная проницаемости среды; sQ,ju0 - электрическая и магнитная постоянные; х = (xl,x2,x1) е R\t е R (R - множество действительных чисел).

Его возможное решение в рамках задачи Коши представляется в инте1раль-ной форме

i

£(*,/) = £„(x) + Wi 0 J (27)

S- ю

где Е„(х) - напряженность электрического поля покоя мембраны; K(x,^,t,t') -функция влияния, фундаментальное решение, которое определяется геометрией и электрическими свойствами мембран клеток нервной ткани.

Сторонние токи /сг(х,г), поддерживаемые активными биохимическими процессами в мембранах клеток, определяют характерные свойства нервной ткани. В этом смысле физические структуры нервной ткани являются механизмами взаимодействия источников сторонних токов независимо от природы самих этих источников.

Модель нейронной сети описывает совместное функционирование нервных клеток, связанных между собой синаптическими связями. С учетом соотношения (27) в работе предлагается пространственно-временная модель нейронной сети с переменной структурой, которая сохраняет следы сигналов с последующим их воспроизведением. Распределение возбуждений нейронов в пространстве и времени описывается функцией Р(х, t). Зависимость его от входного пространственно-временного сигнала нейронной сети In{x,t) представляется в виде уравнения Гаммерштейна общего вида

Р(х, 0= ¡¡а(х,х',1,ф,[Р(х',ф'сЬс'+1п(х, 0, (28)

я5-«

где (7(х,;с',/>0 - функция влияния, учитывающая нелинейные эффекты, связанные с обработкой и передачей сигналов между нервными клетками; -функция активации, характеризующая преобразование возбуждения нейрона в импульсные разряды его аксона

е(х,/) = ^|>(х,0]. (29)

Простое обобщение известных правил обучения нейронных сетей (правила Хэбба) позволяет описать изменение функции влияния в виде

Д С(х,х',Г,0 = Вх^Р(х,1)Р(х',П, (30)

где - распределение скоростей обучения нейронов сети, которое зависит

от ранее имевших место состояний нейронной сети

Вх^=Вх1[Р(х',0\ (31)

где Вх , - некоторый пространственно-временной оператор.

Показывается, что анализ пространственно-временных сигналов в отдельном специализированном анализаторе осуществляется с помощью групп нейронов, имеющих рецептивные поля различной сложности. Используется параметрическое представление их дифференциальных и интегральных свойств в пространстве и времени.

Рассматривается условие константности восприятия анализатором внешних стимулов путем обработки соответствующих им пространствсгшо-временных сигналов, претерпевших проективные и другие преобразования, возникшие при движении сенсорных органов в пространстве в интервалах времени между циклами взаимодействия анализатора с внешней средой. Компенсация этих преобразований достигается за счет обратной трансформации обрабатываемых сигналов. В результате такой компенсации сенсорное поле (его модель) приобретает стабильность.

При запоминании и воспроизведении пространственно-временных сигналов нейронных структур и синтезе надежно функционирующих нейронных сетей в работе предлагается использовать принцип функционального кодирования (по С. Винограду и Дж. Коуэну). Способ его реализации в нейросетевом базисе сводится к тому, чтобы каждая нейронная сеть выполняла операцию, являющуюся композицией операции декодирования сигналов с функцией влияния операции вычисления некоторой функции от декодированных; сигналов, обладающей функцией влияния Свыч(хт,х",/,/'), и операции кодирова-

ния передаваемых сигналов с функцией влияния Окд (х, х", г). При этом функция влияния нейронной сети С?(х,х',М') представляется в виде

(?(*,| \ст(х,ха^)Ошч{х\хп^Л<Здк(х\х\1')(Ь''ск\ (32)

л3 я3

и между нейронами передаются только избыточно закодированные сигналы, что позволяет достичь требуемой надежности вычислений в замкнутых цепях преобразования сигналов.

С помощью таких нейронных сетей надежно выполняются операции адаптивной фильтрации, образной памяти и трансформации полезных сигналов и образов.

Путем обобщения представленных пространственно-временных моделей нейронных структур, излагается единая методология решения задач фильтрации пространственно-временных сигналов, их трансформации, кодирования и декодирования и развивается идея согласования нейронных структур сообщества нейронных сетей, понимаемая как идея достижения наилучшего в некотором смысле взаимодействия структур нейросетевой СОИ со своей средой.

Для оценки степени согласования г-й нейронной структуры СОИ, преобразующей сигнал Р,(х,Г) и имеющей в цикле взаимодействия со своей средой функцию влияния С11(х,х', используется модифицированное разложение этой функции влияния по производным функции медленного роста а£(х,г)

(?,(*,*',//) = ¿(-1)НС,а(х,/)Д>Дх-х'-хц,(), (зз)

ИИ ■

где

С? (х, 0 = { ](х, 1)° С„ (х, х - х' - хц, М - г' - УК'сЬс' -

а- к1-/«

Г-пН №

- . I (34)

а! 1И=°

а = (ах,а2,а2,аА'); |а| = ог,+аг2+а3+а4; а!=ог,!а2!а3!аг„!;

го

(х,()а=хрхрх?^; я;, = дн 1дх?дх?дх?д1а>; | =1.

а?-!«

Нейронная структура, согласованная со средой нейросетевой СОИ, осуществляет в цикле взаимодействия с этой средой смещение сигнала ^(лО в пространстве на величину хц и задержку его во времени на величину V При неидеальном взаимодействии нейронной структуры со своей средой осуществля-

ется дифференцирование и интегрирование сигнала Р,{ХЛ в пространстве и во времени.

Не равные нулю коэффициенты С"{х,()\а\> 0, а также параметр

(х,г) = 1-С(°(х,?) характеризуют отличия отношения цикла г-й нейронной структуры СОИ от тождественного преобразования пространственно-временных сигналов. Коэффициенты С^{х,г),С"{х,1),\а\>0-,1 = \,Ы используются для оценки достигнутой степени согласования нейронных структур интеллектуальной нейросистемы со своей средой.

Нейронные структуры СОИ представляются в пространстве коэффициентов С" (*>0»|а| > 0 как отдельные точки или их наборы (геометрические тела), а сама система - как набор прямых в смысле той проективной геометрии (и коор-динатизирующей ее алгебры), которая соответствует структуре ее внешней среды.

В пятой главе «Интеграция нейронных сетей анализаторов данных реального времени в составе промышленных систем автоматизации» раскрываются конкретные технические решения по интеграции нейронных сетей анализаторов данных реального времени в составе систем автоматизации производства. Предложенный балансный метод определения спецификации и системной интеграции нейронных сетей СОИ апробируется применительно к предметной области нефтегазодобычи.

Для учета в СОИ связей между объектами технологического комплекса нефтегазодобычи, осуществляемых с помощью потоков энергии, нефти, газа и воды, используется балансная модель гидравлических и электрических инженерных сетей (ИС), которая представляется в виде уравнений

(35)

Х=Щ)+Г, (36)

где б=(й) - вектор притоков (потерь, утечек) в узлах ИС нефтегазодобычи; В=Фц) - матрица баланса сети (матрица инцидентности ее графа); Х=(х]) - вектор распределения потоков ИС нефтегазодобычи, который характеризует расходные параметры газожидкостных потоков, соответствующих отдельным ребрам графа сети; ^=0^) - вектор результатов измерений переменных состояния ИС нефтегазодобычи (расходов потоков, давлений, уровней, состава продукции, состояний насосных агрегатов и пр.); Щ)=(/](Т)) - нелинейная функция, учитывающая связи между значениями расходных параметров потоков ИС и

результатами измерения переменных состояния ИС; F=(v;) - вектор погрешностей измерения.

На рис. 3 показан потоковый граф отдельного участка ИС нефтегазодобычи. Каждому j-y ребру графа приписан параметр расхода потока и результат его

измерения у j, а каждому i-y узлу - величина притока (потерь, утечек) q, и результат измерения давления (напора), если соответствующие измерения вьшол-

Рисунок 3. Потоковый граф участка инженерной сети нефтегазодобычи Анализируется вектор дисбалансов потоков в узлах ИС Dis = (dis,.)

Dis=B-[F{Y)]-Q (41)

который отличается от нулевого вектора из-за неконтролируемых изменений вектора притоков (потерь, утечек) - Q, а также из-за изменения параметров функции связи F, неадекватности матрицы баланса В структуре реальной ИС и наличия погрешностей измерения.

Нейросетевая модель участка ИС, описывающая связи между результатами измерения технологических параметров и показателями функционирования узловых объектов ИС (дисбалансами), имеет вид

àis ; = Z b\f, (£ Ф%а%у\)~ qf,j = lT^ (37)

у=1 s=l

где у* - результат измерения s-й переменной состояния тх узловых объектов х-го участка ИС нефтегазодобычи с вектором распределения потоков х = (х,, х2,..., х ) ; fj - известная, в общем случае нелинейная, функция;

хк

01 р -коэффициент, указывающий на наличие функциональной зависимости

между показателями dis * и yks ; afs -коэффициент, характеризующий вес связи между показателями^ ■ и у* .

Устранение грубых ошибок в интерпретации рассчитанных показателей достигается в рамках адаптивной балансной модели, в которой обучение нейронной сети осуществляется с использованием критерия наименьших квадратов дисбалансов, учитывающего разные гипотезы h о вероятных причинах возникновения грубых ошибок,

minJp(F(7),Q) = mmram^F» (У)]- ô' )V Ô* )| (38)

где F(Y) = (Fh(Y));Q = (Qh)\ Fh(Y) - нелинейная функция связи при h-й гипотезе возникновения грубых ошибок в узлах ИС; Qh - вектор притоков (потерь, утечек) при /г-й гипотезе возникновения грубых ошибок в узлах ИС; /XS-[/;*(î)]-ê')=ADz/ - вектор отклонений дисбалансов потоков в узлах ИС от допустимых значений, соответствующий /z-й гипотезе возникновения грубых ошибок в узлах ИС, А = Гя; ДDis" - сопряженный ему вектор; ФА - матрица коэффициентов взвешивания отклонений ДDish\ т - знак операции транспонирования.

В рамках каждой h-й гипотезы возникновения грубых ошибок в узлах ИС нефтегазодобычи, на основе результатов проверки правил диагностики, определяются матрицы показателей степени доверия/недоверия к моделям узлов £>f и результатам измерений , которые используются для управления скоростями обучения элементов нейросетевой модели ИС.

Адаптивная балансная модель ИС реализована в программном комплексе диагностики (ОАО «Нефтеавтоматика»), который включает в себя базу данных реального времени; базу справочных данных; модули расчета дисбалансов, диагностики и адаптации. На рис. 4 показаны связи между этими модулями применительно к анализу баланса потоков участка ИС, потоковый граф которого приведен на рис. 3. Здесь верхние индексы параметров, определяемых модулем расчета дисбалансов, имеют следующие значения: 0 - нефтегазовая смесь в целом; 1 — нефть; 2 - сточная вода.

Интеграция нейронных сетей локальных анализаторов данных реального времени, характеризующих состояние раздельно обслуживаемых участков ИС, осуществляется путем управления модулями адаптации этих локальных анализаторов. При этом скорость обучения нейронных сетей локальных анализаторов регулируется с учетом показателей, учитывающих объем добычи нефти, условные ее потери из-за наличия недопустимых дисбалансов потоков в узлах инженерной сети, а также затраты на добычу.

V X д°п О' 0° Ф

Разработанный метод итеративного анализа на основе нейросетевых технологий данных реального времени о состоянии инженерных сетей и средств их автоматизации защищен патентами и используется в ОАО «Татнефть» и других нефтяных компаниях в виде специальных программных комплексов и методики анализа баланса потоков.

В работе также рассматриваются примеры разработки интеллектуальных нейросистем для обнаружения утечек в трубопроводе и контроля состояния объектов нефтегазодобычи.

На рис. 5 представлен пример структуры СОИ реального времени, реализующей обобщенную коннекционистскую модель обработки информации в составе АСУ ТТТ добычи нефти.

Основу интеллектуальной системы контроля и управления технологическими процессами добычи нефти на нефтепромысле составляют существующие системы автоматизации и телемеханизации, состоящие из программно-технических модулей (ПТМ). В рамках концепции интеллектуального нейро-

компьютинга выделены два специализированных нейросетевых анализатора -анализатор состояния группы скважин, подключенных к групповой замерной установке - ГЗУ (Ад) и анализатор состояния дожимной насосной станции -ДПС (Ау), а также интнрирующий анализатор (А^), согласующий их функции.

х Я: ; Контроль и управление процессами добычи нефти

Ё= а: gp птм Е Ах Ах А, птм V щ S

-> <-

Ок'з PST1

■ » Анализатор состояния ■я—

№ \ Интегративный анализатор (решающий блок) Анализатор ?ST1*

ьщт группы скважин / \ состояния -►

№* ДНС PST2

__ fäsas • ч—

Тн1 ✓ PS12

ThN Н

ч_

Рисунок 5. Структура СОИ в составе АСУ ТП добычи нефти

Анализатор состояния группы скважин специализируется на обработке сигналов, поступающих от счетчика активной энергии Е, потребляемой группой скважин, датчика номера (№) скважины, стоящей на замере на ГЗУ, и расходомера Q№ , показывающего величину дебита этой скважины. Он определяет номер (№*) скважины, которая должна быть поставлена на замер вне очереди, и период времени накопления продукции в скважине Th,J = \,N при периодическом способе ее эксплуатации.

Анализатор состояния ДНС обрабатывает сигналы, поступающие от датчика уровня жидкости Н в емкости ДНС, датчиков состояния PST1 и PST2 ("стоит" - "работает") насосных агрегатов НА1 и НА2 соответственно, а также от счетчика жидкости V, поступающей с ДНС. Он также определяет требуемые состояния PST1* и PST2* насосных агрегатов НА1 и НА2.

Управление группой нефтяных скважин, связанных между собой через нефтяной пласт, осуществляется на основе решения задачи минимизации затрат на добычу требуемого объема нефти. Ищется такая схема деятельности по контролю и управлению группой нефтяных скважин, которая обеспечит поэтапную минимизацию затрат на добычу требуемого объема нефти.

Методы структурной и параметрической идентификации нейросетевых моделей объектов ИС нефтегазодобычи и нейросетевые алгоритмы обработки данных реального времени используются в составе корпоративной информационной системы АО «Татнефть» для определения параметров балансной модели ИС. В составе информационной системы выполнена разработка методического, информационного и программного обеспечений для автоматизации процесса генерирования нейронных сетей, необходимых для оперативного контроля состояния и предварительной калибровки средств измерения расходных параметров потоков в инженерных сетях нефтегазодобычи.

Основные результаты и выводы

1. В целях автоматизации трудоемких процессов генерации и обучения нейронных сетей промышленных СОИ и обеспечения их направленной эволюции при обработке неполных и противоречивых данных реального времени разработана концепция интеллектуального нейрокомпьютанга. В концепции предложено решение проблемы системной интеграции анализаторов прикладных интеллектуальных нейросистем СОИ с использованием интегрированных нейронных структур, реализуемых сообществом нейронных сетей, матрицы весов связей которых зависят от их состояния и могут быть модифицированы при согласованном обучении в развивающей среде.

2. Развит коннекционистский подход к определению организации нейронных сетей путем сведения их представлений к форме, принятой для описания обобщенной коннекционистской модели обработки информации, с выделением присоединенной алгебры и формированием соответствующего гиперкомплексного пространства представления. В результате обобщения свойств разных классов сетей разработаны теоретические основы структурно-функциональной организации сообщества нейронных сетей, предложены алгоритмы согласованного обучения их в процессе углубленной многоуровневой системной интеграции (метаинтеграцтга).

3. Введено понятие нейросетевой СОИ как адаптивной системы, объединяющей в единое целое отдельные иерархически организованные интеллектуальные нейросистемы. Уточнена структура нейросетевой СОИ, обеспечивающей повышение степени адекватности нейросетевых моделей объектам среды. Предложены пространственно-временные математические модели нейронных структур СОИ и процессов их согласования со своей средой.

4. Разработаны методические основы решения ряда задач для анализа и синтеза нейросетевых анализаторов сигналов и образов в части:

- оценки дифференциальных и интегральных свойства детекторов признаков пространственно-временных сигналов нейросистемы, задающих координаты исходного пространства ее функционирования;

-преобразования координат пространства и времени нейросистемы, позволяющего сопоставлять результаты ее адаптации, полученные на разных этапах движения системы в пространстве и времени;

- выполнения процессов функционального кодирования, ассоциативного запоминания пространственно-временных сигналов, формирования и воспроизведению образов объектов предметной среды.

5. Разработанные в работе теоретические положения реализованы в виде методического обеспечения и рекомендаций по определению спецификаций нейронных структур в составе промышленных СОИ:

- на основе методологии формирования математических моделей нейронных структур и процессов обработки информации в нейросетевом базисе разработана классификация нейронных структур и даны методические рекомендации по определению начальной организации прикладной интеллектуальной нейросистемы, функционирующей в условиях неполноты и противоречивости исходной информации;

- предложен и апробирован новый метод итеративного определения состояния пространственно распределенных инженерных сетей нефтегазодобычи в реальном времени с нейросетевой коррекцией характеристик средств автоматизации процессов нефтегазодобычи, обеспечивающих контроль и идентификацию параметров состояния инженерных сетей.

СПИСОК ОСНОВНЫХ ПУБЛИКАЦИЙ Статьи в рецензируемых журналах из списка ВАК:

1. Согласование вычислений в нейронных сетях (часть 1) / Ю. И. Зозуля // Нейрокомпьютер. 1994. №3,4. С. 25-30.

2. Согласование вычислений в нейронных сетях (часть 2) / Ю. И. Зозуля // Там же. С. 31-34.

3. Нейросетевые алгоритмы контроля и управления технологическими объектами нефтегазодобычи / Ю. И. Зозуля, В. А. Палагушкин // Нейрокомпьютер. 1996. №3,4. С. 29-32. (Авторский вклад 3 ж. с.)

4. Коннекционистская модель устойчивого развития / 10. И. Зозуля // Там же. С. 3-7.

5. Вопросы создания и внедрения интегрированной автоматизированной системы управления электроснабжением нефтегазодобывающего предприятия / В .Т. Ильмаиров, Ю.А. Солин, Ю.СЛетрунов, Ю. И. Зозуля // Нефтяное хозяйство. 1996. №12. С. 25-30. (Авторский вклад 1 ж. с.)

6. Усвоение схемы деятельности сетью коннекционистских модулей АСУ ТП / Ю. И. Зозуля//Нейрокомпьютер. 1997. №1,2. С. 37-62.

7. Проблемы интеллектуализации современных систем автоматизации и

управления в нефтегазодобыче на базе открытых технологий / В.Л. Палагушкин, Ю. И. Зозуля, А.К. Муравский [и др.] // Автоматизация, телемеханизация и связь в нефтяной промышленности. 1997. № 3-4. С. 30-36. {Авторский вклад 2 ж. с.)

8. Использование теоремы Колмогорова при преобразовании структур в задачах нейросетевого управления / Ю. И. Зозуля, Г.Г. Губайдуллин, Э.С. Арупонян // Нейрокомпьютеры: разработка и применение. 2000. №1. С. 36-39. {Авторский вклад 3 ж. с.)

9. Разработка нейросетевых обратных динамических моделей роботов / Г.Г. Губайдуллин, Ю. И. Зозуля, Э.С. Арутюнян // Там же. 2000. №2. С. 4851. {Авторский вклад 1 ж. с.)

Ю.Коннекционистская модель анализатора сигналов в интеллектуальной АСУ ТП нефтегазодобычи / Ю. И. Зозуля // Там же. 2001. №4-5. С. 17-25.

11.Оперативный анализ согласованности и эффективности процессов нефтедобычи на основе нейросетевых моделей / Ю. И. Зозуля // Там же. С. 26-31.

12. Использование современных информационных технологий при разработке интегрированных АСУ ТП в нефтегазодобыче / М.А. Слепян, Ю. И. Зозуля, А.К Муравский // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2001. №7-8. С. 21-25. {Авторский вклад 2 ж. с)

13. Анализ баланса потоков жидкости в инженерной сети нефтегазодобывающего предприятия / М.А. Слепян, А.П. Скворцов, А.М. Аминев, A.B. Гилев, Ю.И. Зозуля // Там же. С. 31-35. {Авторский вклад 1 ж. с.)

14.Построение графовой модели инженерной сети технологического комплекса нефтегазодобычи / М.А. Слепян, А.К. Муравский, Ю.И. Зозуля // Там же. С. 36-38. {Авторский вклад 1 ж. с.)

15. Развитие концепции интегрированной системы управления технологическим комплексом транспорта нефти / Ф.Ф. Аиткулов, Ю. И. Зозуля, А.К. Муравский // Автоматизация, телемеханизация и связь в нефтяной промышленности. - 2003. - №11. - С. 6-8. {Авторский вклад 2 ж. с.)

16. Разработка программного модуля диагностики состояния инженерной сети нефтегазодобычи / С.И. Братцев, Н. М. Сибагатуллин, Ю. И. Зозуля, В. М. Гиниятуллин, A.A. Жильцов // Там же. 2003. № 11. С. 31-35. {Авторский вклад 1 ж. с.)

17. Моделирование трубопроводных систем для целей разработки АСУ ТП / 10. И. Зозуля, А.П. Веревкин, О.В. Кирюшин // Там же. С. 61-63. {Авторский вклад 1 ж. с.)

18. Принципы построения инте1рированных АСУ ТП нефтегазового производства / В.Г. Деев, Ю. И. Зозуля, А.К. Муравский // Там же. 2004. №4. С. 3-5. {Авторский вклад 1 ж. с.)

19. Принципы интеграции программных комплексов в единое информационное пространство нефтяной компании / В.В. Самойлов, С.И. Хисамугдинов, A.A. Жильцов, Ю. И. Зозуля, А.К. Муравский // Там же. С. 5-7. {Авторский вклад 2 ж. с.)

20. Анализ баланса энергетических потоков в инженерных сетях нефтегазовой отрасли / Н.Г. Сабитов, С.И. Хисамутдинов, A.A. Жильцов, Ю. И. Зозуля, А.К. Муравский // Там же. С. 23-27. (Авторскийвклад2ж. с)

21. Задачи анализа безопасности в структуре интегрированной АСУ ТП в нефтегазовой отрасли / Д.В. Токарев, Ю. И. Зозуля, В.Н. Филиппов // Там же. С. 46-48. (Авторский вклад 1 ж. с.)

22. Основные направления развития автоматизации управления добычей и транспортом нефти / А.П. Веревкин, Ю. И. Зозуля // Там же. 2005. №3. С. 613. (Авторский вклад 1 ж. с.)

23. Основные этапы интеграции автоматизированных систем управления нефтегазодобывающим производством в разработках ОАО «Нефтеавтоматика» / Ю.И. Зозуля, А.К. Муравский//Там же. С. 13-16. (Авторский вклад 1 ж. а)

24. Опыт внедрения программных комплексов для мониторинга состояния объектов инженерных сетей нефтегазодобычи в ОАО «Татнефть» /

A.A. Жильцов, В.В. Низамов, С.И. Хисамутдинов, Ю.И. Зозуля, Ю.С. Петрунов // Там же. С. 17-19. (Авторский вклад - 1 ж. с.)

25. Поддержка принятия и реализации оперативных решений специалистами по нефтедобыче на основе данных реального времени / Ю.И. Зозуля, И.Д. Ки-зина, А.К. Муравский // Там же. С. 20-25. (Авторский вклад 4 ж. с.)

26. Программные продукты и услуги для создания интегрированных систем управления добычей нефти на основе средств АСУ Ш и MES / И.Д. Кизина, Ю.И. Зозуля, А,К. Муравский // Там же. 2006. №3. С. 21-24. (Авторский вклад 3 ж. с.)

27.Реализация бинарных решающих функций в нейросетевом базисе /

B. М. Гиниятуллин, Ю. И. Зозуля, В. А. Муртазина и др. // Нейрокомпьютеры: разработка и применение. 2006. №10. С.Ъ-^.(АеторскийвкладЗжс.)

28. Адаптивная балансная модель инженерной сети нефтегазодобычи / A.A. Жильцов, Ю.И. Зозуля // Автоматизация, телемеханизация и связь в нефтяной проышленности. 2006. №3. С. 36-39. (Авторский вклад 2 ж. с.)

29. Оперативное определение вероятных причин нарушения баланса потоков в узлах инженерной сети методом перекрестного контроля параметров / Н.М. Сибагатуллин, Ю.И. Зозуля // Там же. С. 39-43. (Авторский вклад 1 ж. с.)

30. Оперативное управление технологическими процессами подготовки нефти по технико-экономическим показателям / А.П. Веревкин, И. Д. Ельцов, Ю.И. Зозуля, О.В. Кирюшин // Там же. С. 48-53. (Авторский вклад 1 ж. с.)

31.Информационные технологии анализа балансов материальных и энергетических потоков в инженерных сетях: построение и стандартизация / Ю. И. Зозуля, И. Д. Кизина, Р. Р. Ахмегзянов, А.А. Жильцов // Там же. 2007. №4. С. 20-25. (.Авторский вклад 4 ж. с.)

32.Нейросетевые технологии в решении задач анализа и диагностики состояния инженерных сетей / Ю. И. Зозуля, Д. Ф. Назипов, Р. Р. Ахметзянов, А.А. Жильцов // Там же. С. 25-30. (Авторский вклад 4 ж. с.)

33. Интеллектуальный нефтепромысел реального времени: что под ним понимать и как его создавать / Ю. И. Зозуля, И.Д. Кизина, В.А. Алабужев // Там же. С. 34-40. (Авторский вклад 4 ж. с.)

34. Интеллектуализация управления системой поддержания пластового давления / А .П. Веревкин, И.Д. Ельцов, О.В. Кирюшин 10. И. Зозуля, // Там же. С. 40-43. (Авторский вклад 1 ж. с.)

35. Мониторинг отказов технологического оборудования резервуарных парков на основе нейросетевых технологий / Д.В. Токарев, Ю. И. Зозуля, Н.М. Зи-ятдинова // Там же. 2008. №4. С. 28-31. {Авторский вклад 1 ж. с.)

36.Имитационное моделирование объектов нефтегазодобычи в подсистемах мониторинга/ Ю. И. Зозуля, В. Ю. Зозуля // Там же. С. 32-36. (Авторский вклад 2 ж. с.)

37.Системная интеграция нейросетевых анализаторов при диагностике состояния инженерных сетей / Ю. И. Зозуля, А. А. Жильцов, Ю. С. Кабальнов // Вестник УГАТУ : науч. журн. Уфимск. гос. авиац. техн. ун-та. Сер. Управление, информатика и выч. техника. -2009. - Т. 12 (29). С. 32-36. (Авторский вклад 5 ж. с.)

Монографии

38. Анализ баланса потоков жидкости в инженерных сетях нефтегазодобывающего предприятия : методич. матер. / М. А. Слепян, Ю. И. Зозуля,

A. К. Муравский, Н. М. Сибагатуллин, С. И. Братцев. Уфа : Монография, 2002.120 с. (Авторский вклад 100 с.)

39. Интеллектуальные нейросистемы. Научн. серия «Нейрокомпьютеры и их применение». Кн. 12. / Ю. И Зозуля. М.: Радиотехника, 2003. 144 с.

40.Метаинтеграция нейронных сетей в интеллектуальных автоматизированных системах реального времени / Ю.И. Зозуля, Ю.С. Кабальнов. Уфа : УГАТУ, 2008.229 с. (Авторский вклад 200 с.)

Патенты

41.Патент РФ №2199089. Способ коррекции статических характеристик измерительных преобразователей / М. 3. Асадуллин, Ф. М. Аминев,

B. Ф. Галиакбаров, С. В. Емец, Ю. И. Зозуля [и др.] 2003. Бюл. №5.

42.Патент РФ №2287683. Способ контроля состояния инженерных сетей и калибровки каналов измерения параметров потоков / М. А. Слепян, Н. М. Сибагатуллин, Ю. И.Зозуля, С. И. Братцев. 2006. Бюл. №32.

В других изданиях

43.06 одном способе анализа и синтеза нейроподобных элементов и систем / Ю. П. Бугай, В. Г. Червов, Ю. И. Нефедов, Ю. И. Зозуля / Проблемы бионики (Матер. Ш Всесозн. конф. по бионике, 1968). М. : Наука, 1973. С. 243-247. (Авторский вклад 0,5 с.)

44.Математические модели детекторов сетчатки глаза лягушки /10. И. Зозуля, В. Г. Червов, Ю. П. Бугай // Проблемы бионики. Вып.4. 1970. С. 16-22. (Авторский вклад 5 с.)

45.Детектирование движения в сетчатке глаза лягушки / Ю. И. Зозуля, Ю. И. Нефедов, В. Г. Червов, 10. П. Бугай // Там же. Вып.5. 1971. С. 30-37. (Авторский вклад 5 с.)

46.Математические модели простых рецептивных полей зрительной коры / Ю.И. Зозуля, В. Г. Червов, Ю. П. Бугай // Там же. Вып.7. 1971. С. 45-53. (Авторский вклад 7 с.)

47.Непрерывная математическая модель нейронной сети / Ю. И. Зозуля, В. Г. Червов, Ю. П. Бугай // Там же. Вып.8.1972. С. 93-102. (Авторскийвклад 7с.)

48.Модель нейронной сети зрительного анализатора / Ю. И. Зозуля, В. Г. Червов // Там же. Вып.9. 1972. С. 28-36. (Авторский вклад 8 с.)

49.Исследование структурно-функциональной организации нейронных сетей мозга и нейроподобных вычислительных сред / Ю.И. Зозуля. Автореф... канд. техн. наук. Харьков : ХИРЭ, 1973. 26 с.

50.Надежные вычисления при наличии шумов в зрительном анализаторе / Ю. И. Зозуля//Проблемы бионики. Вып.12. 1974. С. 3-11.

51.Метод многоуровневого анализа нелинейных динамических систем мозга / Ю. И. Зозуля // Там же. Вып.13.1974. С. 3-14.

52.Согласование ЭЦВМ с человеком-оператором / 10. И. Зозуля // Там же. Вып.15.1975. С. 12-18.

53.Согласование элементов бионической системы в циклах взаимодействия / 10. И. Зозуля // Там же. Вып. 18. 1977. С. 10-20.

54.Учет и использование индивидуальных особенностей обучаемых и обучающих в ЧМОС / Ю. И. Зозуля // Человеко-машинные обучающие системы : докл. 1 Всесоюзн. конф. М., 1979. С. 92-93.

55.Построение АСУ ТП добычи нефти на базе микропроцессорной техники / А.К. Муравский, А.Е. Замараев, Ю. И. Зозуля / Автоматизация и телемеха-

низация в нефтяной промышленности. М.: ВНИИОЭНГ, 1989. 49 с. {Авторский вклад 10с.)

56. Интеллектуальные системы обработки информации на основе нейросетевых технологий : учеб. пособие / Ю. И. Зозуля. Уфа: Изд. УГАТУ, 2000. - 137 с.

57. Использование нейросетевых технологий для разработки АСУ ТП нефтегазодобычи / Ю. И. Зозуля, А.К.Муравский, М.А. Слепян / Нейросетевая обработка информации. 1С(Ж1Р2001 : тр. междунар. конф. Шанхай, 2001. (На англ. яз.) {Авторский вклад 3 с.)

58.Интеллектуальные нейросистемы: модели и методы решения типовых задач автоматизации технологических процессов / Ю. И. Зозуля II Нейрокомпьютеры и их применение : тр. VIII Всерос. конф. - М.: Век книги, 2002. С. 96.

59. Линейная разделимость алфавитов и комплекснозначные персептроны / В. М. Гиниятуллин, Ю. И. Зозуля / Распознавание образов и анализ изображений: Новые информационные технологии (РОИА-9-2008): тр. 9-й междунар. конф. Нижний Новгород, 2008. Т.1. С. 166-169. (На англ. яз.) {Авторский вклад 1с.)

60.Метаинтеграция нейросетевых анализаторов данных реального времени при диагностике состояния инженерных сетей / Ю.И. Зозуля, Ю.С. Кабальнов II Параллельные вычисления и задачи управления (РАСО'2008): тр. 4-й междунар. конф. М. : ИПУ им. В.А.Трапезникова РАН. 2008. С. 1010-1027. (Авторский вклад —15 с.)

Диссертант

Ю. И. Зозуля

ЗОЗУЛЯ Юрий Иванович

СТРУКТУРНО-ФУНКЦИОНАЛЬНАЯ ОРГАНИЗАЦИЯ НЕЙРОННЫХ СЕТЕЙ В ПРОМЫШЛЕННЫХ СИСТЕМАХ ОБРАБОТКИ ИНФОРМАЦИИ

(применительно к инженерным сетям нефтегазодобычи)

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (в промышленности)

АВТОРЕФЕРАТ

диссертаций на соискание ученой степени доктора технических наук

Подписано к печати 1.07.2009. Формат 60x84 1/16. Бумага офсетная. Печать плоская. Гарнитура Тайме. Усл. печ. л. 2,25. Усл. кр. -отг. 2,25. Уч. -изд. л. 2,0. Тираж 100 экз. Заказ №311.

ГОУ ВПО Уфимский государственный авиационный технический университет Центр оперативной полиграфии 450000, Уфа-центр, ул. К. Маркса, 12

Введение.

Глава 1. Развитие и системная, интеграция интеллектуальных функций промышленных систем обработки информации.

1.1. Формулирование проблемы исследования.

1.2. Анализ состояния инженерных сетей нефтегазодобычи.

1.3. Существующие математические модели и методы контроля и диагностики состояния инженерных сетей.

1.4. Современные программные комплексы контроля и диагностики., состояния инженерных сетей.

1.5. Формулирование цели и задач исследования.

Выводы по главе 1.

Глава 2. Концепция интеллектуального нейрокомпыотинга.

2.1. Нейрокибернетический и нейробионический подходы, к определению структурно-функциональной организации нейронных сетей.

2.2.Представление нейронных структур как функциональных сетей.

2.3. Классификация интеллектуальных нейросистем и разработка концепции,интеллектуального нейрокомпьютинга.

2.3.1. Классификация интеллектуальных нейросистем.

2.3.2. Основные положения концепции интеллектуального нейрокомпьютинга.

2.3.3. Интеллектуальные функции системы обработки информации.

2.3. Классификация нейронных структур и выбор начальной организации нейросистемы.

Выводы по главе 2.

Глава 3. Теоретические основы структурно-функциональной организации нейронных сетей в системах обработки информации.

3.1. Нейросетевые модели обработки информации4.

3.1.1. Нейросетевые модели как.основа интеграции>процессов обработки-информации в интеллектуальных нейросистемах.

3.1.2. Нейросетевая модель для решения задач распознавания образов и классификации состояний объектов.

3.1.3. Нейросетевая модель для* решения задач диагностики и прогнозирования состояния автоматизированного технологического комплекса.

3.1.4. Нейросетевая модель для .решения задач анализа и сведения балансов материальных и энергетических потоков.

3.1.5. Нейросетевая модель для оценки показателей качества продуктов и эффективности производства при управлении технологическими процессами.

3.3. Теорема А.Н.Колмогорова и обобщенная коннекционистская модель обработки информации в нейронных сетях анализаторов данных реального времени.

3.3.1. Нейросетевая интерпретация теоремы А.Н. Колмогорова.

3.3.2. Нейросетевая реализация векторных булевых функций. 120?

3.3.3. Представление векторных функций общего вида.

3.3.4. Обобщенная коннекционистская модель обработки информации.

3.3.5. Дополнительное обучение нейронной сети анализатора.

3.4. Системная интеграция нейронных сетей анализаторов данных реального времени.

Выводы по главе 3.

Глава 4. Нейробионическое моделирование нейронных структур и процессов их согласования.

4.1. Многоуровневое описание нейронных структур в пространстве-времени.

4.1.1. Модель сообщества нейронных сетей.

4.1.2. Модель нервной ткани.

4.1.3. Модель нейронной сети.

4.2. Формирование системы анализаторов в процессе метаинтеграции нейронных сетей.

4.3. Определение дифференциальных и интегральных свойств адаптивных фильтров пространственно-временных сигналов.

4.3.1. Фильтрация пространственно-временных сигналов.

4.3.2. Дифференциальные и интегральные свойства адаптивных фильтров.

4.3.3. Описание детекторов признаков пространственно-временных сигналов.

4.4. Преобразование координат пространства и времени нейросистемы.

4.5. Запоминание и воспроизведение пространственно-временных сигналов и образов в процессе адаптации нейросистемы.

4.6. Функциональное кодирование сигналов нейросистемы и синтез интегральных топографических кодов.

4.7. Согласование организационных, отражающих биологических и отображающих технических элементов и систем ноосферы.

4.7.1. Уточнение постановки проблемы.

4.7.2. Основные положения теории согласования!.

4.7.3. Аксиоматическое определение ноосферы.

4.8. Согласование интеллектуальных нейросистем в реальном пространстве-времени.

4.8.1. Согласование элементов нейросистемы в циклах взаимодействия.

4.8.2. Анализ условий согласования элементов интеллектуальных нейросистем.

4.8.3. Согласование подсистем интеллектуальной нейросистемы в пространстве-времени.

Выводы по главе 4.

Глава 5. Интеграция нейронных сетей анализаторов данных реального времени в составе промышленных систем обработки информации.

5.1. Нейросетевые технологии разработки и системная интеграция анализаторов данных реального времени.

5.2. Анализ состояния инженерных сетей нефтегазодобычи с использованием нейросетевых моделей.

5.2.1. Многоуровневые модели инженерных сетей нефтегазодобычи.

5.2.2. Анализ причин возникновения грубых ошибок при анализе баланса потоков в инженерных сетях нефтегазодобычи.

5.2.3. Архитектура анализатора состояния участка инженерной сети.

5.2.4. Метаинтеграция нейросетевых моделей участков инженерной сети.

5.3. Разработка интеллектуальной нейросистемы для обнаружения утечки в трубопроводе.

5.4. Разработка и интеграция интеллектуальных нейросистем, обеспечивающих оптимизацию процессов'добычи нефти-.

5.5. Программное и информационное обеспечение для генерирования и интеграции нейронных сетей.

5.6. Методическое обеспечение системы производственного учета и анализа баланса потоков нефтепромысла.

5.7. Внедрение разработанных способов анализа данных реального времени о состоянии инженерных сетей.

Выводы по главе 5.

Нейросетевые технологии искусственного интеллекта находят растущее применение при разработке интеллектуальных датчиков и развитых промышленных систем обработки информации в стратегически важных отраслях производства. Они позволяют не только создавать модели автоматизируемых объектов в простом; нейросетевом базисе, включающем, операции взвешенного суммирования входных сигналов и операции вычисления функций одного переменного, но и выполнять идентификацию параметров этих моделей на основе данных реального времени, с использованием алгоритмов обучения нейронных сетей.

В диссертации * изложены основные результаты ряда работ автора, направленных на совершенствование существующих нейросетевых. технологий искусственного интеллекта: выявление принципов структурно-функциональной организации нейронных сетей в промышленных системах обработки информации (СОИ), разработку математических моделей нейронных структур искусственного и естественного происхождения; реализацию технологии создания и системной интеграции интеллектуальных подсистем, обеспечивающих обработку пространственно-временных сигналов и образов в нейросетевом базисе в составе развитых (advanced) АСУ ТП и MES-систем [24, 25, 290].

Конечной целью этих работ является автоматизация сложных технологических и производственных процессов в нефтегазодобыче и в ряде других отраслей промышленности.

Актуальность темы. Широкое использование в стратегически важных отраслях производства современных компьютерных средств автоматизации сопровождается: а) ростом потоков данных реального времени, требующих их верификации и. последующего детального анализа в темпе с их поступлением; б) парадоксальным увеличением неопределенности (неполноты и противоречивости) информации о состоянии автоматизируемых объектов, содержащейся в этих потоках; в) расширением коридора неконтролируемых действий человеческого фактора, что ведет к росту количества ошибок конечных пользователей АСУ ТП и MES-систем, возникающих вследствие некорректной интерпретации данных реального времени при принятии ими решений по выбору и поддержанию оптимальных режимов работы объектов автоматизации.

Перечисленные обстоятельства приводят к увеличению производственных потерь и, как следствие, к снижению эффективности функционирования производственных предприятий. В частности, в такой-стратегически, важной отрасли производства, как нефтегазодобывающая, увеличение,потерь из-за некорректной интерпретации данных реального времени наблюдается на предприятиях, эксплуатирующих месторождения, находящиеся на завершающей стадии» их разработки. Объем нефти, добываемой с данных месторождений в России, составляет существенную долю от общего объема нефтедобычи, особенно в таких регионах, как Башкортостан, Татарстан, в целом Поволжье и Северный Кавказ.

Критический анализ существующего положения дел в нефтегазовой отрасли России показывает, что для автоматизации процессов нефтегазодобычи до сих пор используются системы (МЕГА, Регион 2000, OIS+ и др.), которые реализуют простые информационные функции сбора, хранения и представления пользователям данных реального времени, характеризующих течение технологических и производственных процессов. В этих системах обработка данных реального времени осуществляется с использованием таких сравнительно простых операций, как фильтрация, усреднение и контроль значений каждого измеренного параметра в отдельности, без учета связей между ними. В настоящее время такие системы уже не могут обеспечить дальнейшее повышение эффективности производства, поскольку в условиях роста потоков данных реального времени требуется автоматизация сложных интеллектуальных операций их обработки [90], таких как:

- верификация и экспертный анализ данных реального времени в темпе с изменениями параметров технологического процесса;

- анализ ошибок конечных пользователей различных служб предприятия при принятии ими решений по выбору и поддержанию режимов работы объектов автоматизации;

- определение показателей эффективности и оптимальных значений параметров производственных процессов в условиях существенной неопределенности, вызванной неполнотой и противоречивостью первичной информации о состоянии объектов автоматизации.

Современный этап'развития стратегически важных производств, в частности, нефтегазодобывающего [163] требует использования развитых промышленных СОИ, использующих современные средства искусственного интеллекта и обеспечивающих с их помощью получение достоверной информации, необходимой для: a) повышения конечной нефтеотдачи пластов (процента извлечения нефти за период разработки месторождения); b) улучшения экологической ситуации в районах нефтедобычи за счет уменьшения потерь, разливов, сокращения фонда активно эксплуатируемых скважин (при сохранении или обоснованном снижении объема добычи нефти); c) повышения эффективности функционирования предприятий нефтегазовой отрасли в целом.

В последние годы в практике создания и развития промышленных СОИ сложилось два направления наращивания и совершенствования их интеллектуальных функций с превращением последних в интеллектуальные системы. Первое основано на частичной модернизации существующих систем путем включения в их состав интеллектуальных датчиков и отдельных интеллектуальных подсистем (виртуальных анализаторов). При их создании используются нейронные сети и другие средства искусственного интеллекта (Н. Н. Бахтадзе, С. С. Валеев, В'. И. Васильев, В. И. Городецкий, С. В. Жерна-ков, В. А. Лотоцкий, Б. Г. Ильясов, Я. С. Коровин и др.). Виртуальные анализаторы, построенные на основе нейросетевых технологий искусственного интеллекта, могут устойчиво функционировать в условиях неполноты и противоречивости входных данных реального времени. Данный подход активно развивается российскими учеными и инженерами. Методология этого подхода разрабатывается в Институте проблем управления РАН [115] и Санкт-Петербургском институте информатизации и автоматизации РАН [46; 131]. Прикладные исследования в этом направлении ведут также ученые ряда ведущих вузов страны [4, 7, 22, 25, 38, 53, 54, 86, 102, 165, 175].

Второе направление (в большей мере развиваемое за рубежом) исходит из необходимости придания^ системе уже на этапе ее проектирования (или реинжиниринга) необходимых возможностей по обеспечению - программной реализации и. эволюции ее интеллектуальных функций, связанных с обработкой данных реального времени: В рамках этого направления интеллектуальные функции промышленных СОИ' реализуются с использованием инструментальных средств легко масштабируемых программно-информационных' платформ (PI System, G2, NeurOn-Line и др.)

В:рамках второго направления достаточно просто реализуются многие процедуры предобработки данных реального времени, характерные для систем контроля, диагностики и управления производственными потоками в инженерных сетях различного назначения. Это, прежде всего, процедуры согласования данных реального времени (data reconciliation). Их автоматизация весьма актуальна для предприятий нефтегазовой отрасли промышленности, - где большинство производственных процессов описывается потоковыми моделями инженерных сетей (flow model). Примерами программных средств, использующих эти модели и автоматизирующих процедуры согласования данных реального времени, являются Sigmaflne (в составе PI System), Production Balance, DATACON, Aspen Advisor и др.

Общий недостаток выделенных направлений создания развитых СОИ состоит в том, что в их рамках акцент делается на традиционные информационные технологии, которые комбинируются с частными техническими решениями и программными средствами, реализующими технологии искусственного интеллекта. Как следствие, промышленные СОИ обладают «лоскутным» интеллектом. В целом, в рамках сложившихся направлений не определены теоретические и методические основы дальнейшего совершенствования СОИ путем системной интеграции наращиваемых интеллектуальных функций. В частности, эти направления не указывают пути решения проблемы системной интеграции и дальнейшего развития интеллектуальных подсистем' в составе промышленных СОИ.

В то же время известно, что СОИ, в основе конструкции которых лежат искусственные нейронные сети (нейросетевые СОИ и их нейронные структуры), способны эффективно решать задачи интеграции частных интеллектуальных систем и согласования их с внешней средой, адаптируясь к изменяющимся условиям эксплуатации путем обучения на примерах [46]. В прикладных подсистемах нейросетевой СОИ (мы называем их интеллектуальными нейросистемами [74]) в условиях высокой неопределенности данных реального времени может быть достигнуто дополнительное повышение качества их обработки за счет использования нейросетевых технологий совместной обработки неполных и противоречивых данных разной модальности [70]. Однако в рамках существующих нейросетевых технологий до сих пор не осмыслен процесс определения и совершенствования структурно-функциональной организации нейронных сетей, обеспечивающих выполнение требуемых интеллектуальных функций СОИ. Не определены этапы создания универсальной по своим эволюционным и интеграционным возможностям нейросетевой СОИ, непрерывно эволюционирующей в течение своего жизненного цикла подобно своим естественным аналогам.

Общетеоретическим вопросам решения задач обработки информации с использованием нейронных сетей посвящены классические работы Н. Винера [27], Э. Каянелло [229], С. Винограда и Дж. Коуэна [28], У. Мак-Каллока и У. Питтса [117], М. Минского и С. Пайперта [128], Ф. Розенблатта [174] и У. Эшби [212], выполненные в середине истекшего столетия. В этих и близких к ним работах структура нейронных сетей представляется в виде орграфа с прямыми и обратными связями между его вершинами (нейронами), обучаемыми или необучаемыми. Отдельный нейрон рассматривается как функциональный преобразователь, выполняющий линейные операции взвешенного суммирования входных сигналов и нелинейные операции формирования сигнала на выходе. Динамика нейронной сети описывается нелинейными конечно-разностными, дифференциальными и интегральными уравнениями. Узким местом этих работ является недостаточная проработка алгоритмов обучения нейронных сетей, что не позволяет широко использовать их для идентификации параметров нейросетевых моделей объектов СОИ.

Алгоритмы обучения простых нейронных сетей разной структуры, были исследованы в 80 - 90-х годах, что открыло возможности для создания СОИ, реализующих обработку информации в нейросетевом базисе с идентификацией параметров моделей объектов» автоматизации. Важные результаты были получены в.работах Sh. Amari [220], S. Grossberg [240], J. Hopfield [247, 248], T.Kohonen [103, 104], D: Rummelhart, G. Hinton и R.Williams [279], B. Widrow [190, 289] и др. При описании алгоритмов обучения нейронных сетей ими были введены представления о целевых функциях разных классов сетей (энергетической функции, функции полной ошибки и т.п.). В основу теории нейронных сетей, пригодной для создания нейросетевых СОИ, легла теорема А.Н.Колмогорова о представлении функций многих переменных с помощью композиций функций одного переменного и сложения (функций, близких к линейным [270]). Пониманию универсальных возможностей нейронных сетей способствовали работы Р. Хехт-Нильсена [244]. Большой вклад в разработку теории нейронных сетей внесли отечественные ученые

А.И. Галушкин [33-36], А.Н. Горбань [43-45], B.JI. Дунин-Барковский [48], А.Г. Ивахненко [84], А.Б. Коган [96], Н.В. Позин [154], ЯЗ. Цыпкин [202] и др.

Несмотря на успехи в развитии теории нейронных сетей открытым долгое время оставался вопрос о возможности обобщения свойств разных классов сетей и осуществления их согласованного обучения. Однако во второй половине 80-х годов сформировался коннекционистский подход к решению задач искусственного интеллекта с использованием сетей, состоящих из простых вычислительных элементов (нейронов) [141, 234, 235], определены, отличительные свойства коннекционистской модели обработки информации от традиционной, конвенциональной. В рамках данного подхода:

• установлена дополнительная связь между алгоритмами определения структуры нейронных сетей и нейросетевыми алгоритмами их обучения;

• выявлена проблематика создания нейрокомпьютеров для решения интеллектуальных задач в разных предметных областях;

• выделены отдельные отрасли вычислительных наук для изучения алгоритмов и способов решения интеллектуальных задач в нейросисте-мах (нейроматематика и нейроинформатика) [34];

• разработаны инструментальные средства для создания интеллектуальных систем на основе нейросетевых и гибридных технологий (ней-ропакеты, средства нейроаналитики, нейросетевые экспертные системы реального времени и т.п.).

Основанный на нейросетевых технологиях коннекционистский подход к решению задач искусственного интеллекта выступает в качестве альтернативы традиционному походу к созданию необучаемых интеллектуальных систем, основанных на продукционных правилах. В рамках коннекционист-ского подхода, однако, до сих пор не получил должного теоретического обоснования процесс определения структурно-функциональной организации нейронных сетей, реализующих требуемые интеллектуальные функции систем обработки информации, а также процесс совершенствования этой организации путем целенаправленной эволюции и системной интеграции отдельных прикладных интеллектуальных нейросистем.

Отсутствие общепринятой концепции структурно-функциональной организации и целенаправленной эволюции интеллектуальных функций нейро-сетевых СОИ (концепции интеллектуального нейрокомпьютинга) приводит к тому, что интеллектуальные возможности СОИ, использующих нейронные сети, оказываются ограниченными, что тормозит создание во многих стратегически важных отраслях производства, таких как нефтегазовая, промышленных систем, обеспечивающих:

1) интеллектуальный анализ накапливаемых данных реального времени и извлечение знаний о связях между параметрами материально-энергетических потоков и параметрами состояния объектов автоматизации в составе производственных инженерных сетей;

2) идентификацию структуры этих связей и их характеристик на основе неполных и противоречивых данных о функционировании объектов;

3) оценку показателей доверия/недоверия к моделям технологических объектов и моделям средств измерения для управления процессами идентификации их параметров при возникновении систематических погрешностей и грубых ошибок в процессе обработки данных реального времени.

Не решена в целом научная проблема системной интеграции интеллектуальных функций развитых промышленных СОИ, в основе конструкции которых лежат нейронные сети. Актуальными являются научные исследования структурно-функциональной организации известных естественных и искусственных нейронных сетей, обеспечивающих обработку информации в реальном времени, направленные на разработку теоретических и методических основ для составления обоснованных спецификаций прикладных интеллектуальных нейросистем в составе целенаправленно эволюционирующих СОИ, базу которых составляют сообщества совместно обучающихся нейронных сетей.

Цель и задачи исследования

Целью работы является решение научной проблемы системной интеграции нейронных сетей промышленных СОИ, используемых для анализа состояния объектов инженерных сетей нефтегазодобычи и принятия решений по их управлению.

Для достижения этой цели в работе поставлены и решаются следующие основные задачи:

1. Анализ интеллектуальных функций промышленных СОИ и обоснование необходимости использования нейронных сетей для контроля, диагностики и управления состоянием инженерных сетей нефтегазодобычи.

2. Разработка концепции структурно-функциональной организации нейронных структур СОИ, позволяющей свободно наращивать их функциональные возможности с целью удовлетворения постоянно растущих требований к уровню автоматизации производственных процессов.

3. Разработка нейросетевых моделей и методов системной интеграции нейронных сетей в составе промышленных СОИ.

4. Исследование процессов обработки информации в нейронных структурах и разработка инструментария для контроля процессов их адаптации к изменениям внешних условий их работы в реальном времени.

5. Исследование эффективности предложенных нейросетевых моделей и основанных на них методов обработки информации в составе корпоративной информационной системы ОАО «Татнефть».

Методы исследования

Поставленные в диссертационной работе задачи решаются с использованием методологии системного анализа, методов математического моделирования, общей теории систем, теории оптимизации, теории кодирования сигналов, теории графов, теоретической механики и математической физики.

В работе на основе нейробионических принципов функционирования сообществ нейронных сетей разрабатываются методы решения проблемных задач, возникающих при создании нейросетевых СОИ, непрерывно эволюционирующих в течение своего жизненного цикла.

Применительно к автоматизации процессов обработки информации в области нефтегазодобычи решается проблема системной интеграции нейронных сетей анализаторов данных реального времени разной модальности (геологических, технологических, энергетических и др.) на основе их согласованного обучения в составе промышленных СОИ.

Развивается коннекционистский подход к построению СОИ, основанный на постоянном наращивании и согласованном обучении нейронных сетей отдельных анализаторов данных реального времени. Показывается, что углубленная многоуровневая системная интеграция (метаинтеграция) нейронных сетей этих анализаторов, обеспечивающая согласованное управление процессами обучения нейронных сетей в процессе идентификации параметров нейросетевых моделей инженерных сетей позволяет придать им свойство непрерывного роста их интеллектуальных возможностей в рамках жизненного цикла СОИ.

В качестве инструментария, необходимого для построения подобных целенаправленно эволюционирующих СОИ, в настоящей работе предлагается использовать сообщества нейронных сетей. Отличительными особенностями их функционирования являются:

- целенаправленное формирование анализаторов данных при согласованном обучении отдельных нейронных сетей сообщества;

- объединение нейронных структур в некоторую иерархию в соответствии с иерархией целевых функций сообщества путем метаинтеграции анализаторов данных разной модальности;

- изменение организации нейронных структур СОИ с вышележащего уровня путем управления согласованным обучением нейронных сетей с учетом иерархии автоматизируемых процессов;

- нейросетевое моделирование в реальном времени сложных технических систем (инженерных сетей, трубопроводов, многостепенных манипуляторов и др. сложных систем).

Использование подобных интегрированных нейронных структур в ней-росетевых СОИ позволяет унифицировать и автоматизировать процессы генерирования и совместного обучения нейронных структур виртуальных анализаторов данных реального времени [162, 203, 215-217, 256]. Для их объединения в метасистему, как это имеет место в созданных природой структурах нервной системы животных и человека [58, 189], могут быть использованы дополнительные нейронные структуры (интегративные анализаторы), обеспечивающие автоматизированное управление процессами обучения нейронных сетей.

Интегративные анализаторы рассматриваются как основа предлагаемой в работе новой парадигмы структурно-функциональной организации нейронных сетей СОИ - парадигмы согласования.

На защиту выносятся:

1. Концепция структурно-функциональной организации нейронных структур промышленных СОИ, основанная на коннекционистском подходе к организации процессов обработки информации.

2. Разработанная в рамках коннекционисткого подхода обобщенная модель сообщества нейронных сетей анализаторов первичной информации СОИ и предложенные алгоритмы их системной интеграции.

3. Модели адаптивных нейронных структур, реализующих обработку информации в реальном времени при изменении внешних условий работы СОИ.

4. Балансный метод определения структурно-функциональной организации (спецификации) нейронных сетей анализаторов первичной информации промышленной СОИ:

5. Результаты проверки эффективности промышленных СОИ, построенных на основе предложенных нейросетевых моделей и методов, применительно к анализу баланса потоков и коррекции характеристик средств измерения в составе корпоративной информационной системы ОАО «Татнефть».

16

Научная новизна:

1. Новизна предложенной концепции структурно-функциональной организации нейронных структур промышленной СОИ состоит в том, что она, за счет многоуровневой организации нейронных сетей, обеспечивает системную интеграцию анализаторов первичной информации в составе иерархически организованных интеллектуальных подсистем СОИ, решающих прикладные задачи в условиях неполноты и противоречивости поступающих данных.

2. Новизна разработанной обобщенной модели сообщества нейронных сетей анализаторов первичной информации и предложенных алгоритмов их системной интеграции состоит в том, что модели анализаторов описываются в гиперкомплексном пространстве на основе использования присоединенной алгебры, в виде представления, адекватного коннекционистской модели обработки информации.

3. Новизна моделей адаптивных нейронных структур, реализующих обработку информации в реальном времени при изменении внешних условий работы СОИ, состоит в использовании параметрического представления их дифференциальных и интегральных свойств в пространстве и времени.

4. Новизна балансного метода определения структурно-функциональной организации (спецификации) нейронных сетей анализаторов* первичной информации в промышленных СОИ применительно к инженерным сетям нефтегазодобычи состоит в том, что поэлементные нейросетевые модели объектов инженерных сетей объединяются в нейросетевые балансные модели участков инженерных сетей, которые используются для оценивания дисбалансов потоков и определения показателей степени доверия/недоверия к моделям объектов инженерных сетей и моделям средств измерения их параметров.

5. Новизна выполненной проверки эффективности промышленных СОИ, построенных на основе предложенных нейросетевых моделей и методов, применительно к анализу баланса потоков и коррекции характеристик средств измерения в составе корпоративной информационной системы ОАО «Татнефть», состоит в разработке нового метода анализа состояния инженерных сетей нефтегазодобычи с итеративной нейросетевой коррекцией и последующей проверкой адекватности характеристик средств автоматизации, обеспечивающих контроль параметров состояния инженерных сетей.

Практическое значение данной работы заключается в разработке технологии создания в составе промышленной СОИ интегрированных нейронных структур, обеспечивающих обработку в нейросетевом базисе данных реального времени и решение задач контроля и диагностики состояния инженерных сетей нефтегазодобычи; в разработке адаптивных нейросетевых моделей объектов этих инженерных сетей, выборе структуры и функций анализаторов данных и обеспечении системной интеграции множества нейронных структур СОИ, согласованных со своей средой.

Теоретические результаты работы, полученные в 1967-76 гг., применялись при подготовке ряда эскизных и технических проектов создания систем обработки пространственно-временных сигналов.

Разработанная* методология структурно-функциональной организации нейронных сетей использовалась при разработке логико-семантических моделей ведения диалога в автоматизированных обучающих системах (19771980 гг.) и нейросетевых моделей многостепенных манипуляторов с отработкой их на макете в лабораторных условиях (1995-2002 гг.).

С 1980 г. по 2008 г. развитый в рамках данной работы коннекционист-ский подход к определению и совершенствованию структурно-функциональной организации сообщества нейронных сетей применялся при-разработке и использовании нейронных структур для обработки данных реального времени в составе АСУ ТП и MES-систем нефтегазодобычи.

Внедрение результатов работы. Балансный метод определения спецификаций интеллектуальных нейросистем и математическое обеспечение нейросетевых анализаторов данных реального времени нашли применение при разработке нейросетевых моделей и методики анализа баланса потоков в инженерных сетях нефтегазодобычи и используются на ряде предприятий нефтяной промышленности (см. Приложения Б, В и Г).

Выявленные принципы структурно-функциональной организации нейронных сетей использованы также при разработке нейросетевых моделей сложных технических систем и логико-семантических моделей ведения диалога и внедрены в учебный процесс.

Выводы по главе 5

1. Предложены способы контроля и диагностики состояния технологических объектов инженерных сетей нефтегазодобычи с учетом возможностей современных нейросетевых информационных технологий. Показана возможность оперативного контроля и диагностики состояния объектов инженерных сетей нефтегазодобычи в реальном масштабе времени при использовании стандартных средств вычислительной техники и разработанного специального математического обеспечения нейросетевых СОИ.

2. Рассмотрены вопросы определения структурно-функциональной- организации нейронных сетей анализаторов данных реального времени для

296 расчета дисбалансов потоков в узлах инженерных сетей, обнаружения утечек на участках трубопроводов и оптимизации процессов нефтегазодобычи. Показана возможность их последующей метаинтеграции, путем согласования процессов обучения нейронных сетей, обеспечивающих диагностику состояния инженерных сетей нефтегазодобычи, идентификацию параметров адаптивной балансной модели и согласование результатов измерения параметров потоков.

3. Решена задача генерирования нейронных сетей анализаторов данных реального времени на основе орграфа инженерной сети, хранящегося в базе производственных данных программного комплекса нефтяного промысла.

4. Разработано методическое обеспечение системы производственного учета и анализа баланса потоков в инженерных сетях нефтегазодобычи, обеспечивающее контроль состояния и предварительную калибровку средств измерения расходных параметров потоков с использованием программного комплекса «АНАЛИЗ БАЛАНСА» и ПМ «Генератор нейросетевых моделей».

5. В ,ОАО «Татнефть» проведена апробация нейросетевых методов и способов анализа состояния инженерных сетей нефтегазодобычи с внедрением методического обеспечения и программных модулей нейросетевой СОИ в составе промышленной системы обработки информации. Осуществлено внедрение методов структурной и параметрической идентификации нейросетевых моделей объектов инженерных сетей с развитием и интеграцией интеллектуальных функций промышленной СОИ, обеспечивающей определение параметров балансной модели инженерной сети нефтегазодобычи на основе неполных и противоречивых данных реального времени.

ЗАКЛЮЧЕНИЕ

1. В целях автоматизации трудоемких процессов генерации и обучения нейронных сетей промышленных СОИ и обеспечения их направленной эволюции при обработке неполных и противоречивых данных реального времени разработана концепция интеллектуального нейрокомпьютинга. В концепции предложено решение проблемы системной интеграции анализаторов прикладных интеллектуальных нейросистем СОИ с использованием интегративных нейронных структур, реализуемых сообществом нейронных сетей, матрицы весов связей которых зависят от их состояния и могут быть модифицированы при согласованном обучении в развивающей среде.

2. В работе развит коннекционистский подход к определению организации нейронных сетей путем сведения их представлений к форме, принятой для описания обобщенной коннекционистской модели обработки информации, с выделением присоединенной алгебры и формированием соответствующего гиперкомплексного пространства представления. В результате обобщения свойств разных классов сетей разработаны теоретические основы структурно-функциональной организации сообщества нейронных сетей, определены алгоритмы их согласованного обучения в процессе углубленной многоуровневой системной интеграции (метаинтеграции).

3. Введено понятие о нейросетевой СОИ как адаптивной системе, объединяющей в единое целое отдельные иерархически организованные интеллектуальные нейросистемы. Уточнена структура нейросетевой СОИ, обеспечивающей повышение степени адекватности нейросетевых моделей объектам среды. Разработаны пространственно-временные математические модели нейронных структур СОИ и процессов их согласования со своей средой.

4. Разработаны методические основы решения ряда задач для анализа и синтеза нейросетевых анализаторов сигналов и образов в части:

- оценки дифференциальных и интегральных свойства детекторов признаков пространственно-временных сигналов нейросистемы, задающих координаты исходного пространства ее функционирования;

- преобразования координат пространства и времени нейросистемы, позволяющего сопоставлять результаты ее адаптации, полученные на разных этапах движения системы в пространстве и времени;

- выполнения процессов функционального кодирования, ассоциативного запоминания пространственно-временных сигналов, формирования и воспроизведению образов объектов предметной среды.

5. Разработанные в работе теоретические положения реализованы в виде методического обеспечения и рекомендаций по определению спецификаций нейронных структур в составе промышленных СОИ:

- на основе методологии формирования математических моделей нейронных структур и процессов обработки информации в нейросетевом базисе разработана классификация нейронных структур и даны методические рекомендации по определению начальной организации интеллектуальной нейросистемы, функционирующей в условиях неполноты и противоречивости исходной информации;

- предложен и апробирован новый метод итеративного определения состояния пространственно распределенных инженерных сетей нефтегазодобычи в реальном времени с нейросетевой коррекцией характеристик средств автоматизации процессов нефтегазодобычи, обеспечивающих контроль и идентификацию параметров состояния инженерных сетей.

1. Агабабян, К.Г. Об алгебре нейронных матриц // ДАН СССР. 1957. -Т. 199.-№5.-С. 991 -993.

2. Акофф, Р., Эмери, Ф. О целеустремленных системах. М.: Советское радио, 1974.-271 с.

3. Алберт, А. Регрессия, псевдоинверсия и рекуррентное оценивание: М.: Наука, 1977.-237 с.

4. Алтунин, А. Е., Семухин, М. В. Модели и алгоритмы принятия решений в нечётких условиях. —Тюмень: Тюмен. гос. ун-т, 2000. 352 с.

5. Альбрехт, Э. Критика современной лингвистической философии. М.: Наука, 1973.- 150 с.

6. Альтшуль, А. Д. Гидравлические сопротивления. М.: Недра, 1970. -216 с.

7. Аминев, А. М., Зозуля, Ю. И. Материальный баланс и просто, и слож- • но. // Мир компьютерной автоматизации. — 2002. — №4. — С. 44 — 49.

8. Амосов, Н. М. О моделировании сложных систем с помощью сетей из нейроподобных элементов // Бионические принципы самоорганизации. — Тбилиси, 1967.-С. 23-24.

9. Анализ баланса потоков жидкости в инженерных сетях нефтегазодобывающего предприятия: методические материалы / М. А. Слепян, Ю. И. Зозуля, А. К. Муравский, Н. М. Сибагатуллин, С. И.Братцев. — Уфа: Монография, 2002. 120 с.

10. Анохин, П. К. Биология и нейрофизиология условного рефлекса. М.: Медицина, 1968. - 547 с.

11. Анохин, П. К. Узловые вопросы теории функциональной системы. М.: Наука, 1980.- 197 с.

12. Антомонов, Ю. Г. Принципы нейродинамики. — Киев, 1974. 199 с.

13. Арбиб, М. Мозг, машина и математика. М.: Наука, 1968. - 157 с.

14. Арнольд, В. И. О функциях трех переменных // ДАН СССР. 1957.3001. Т. 114.-№4.-С. 679-681.

15. Бартос, Ф. Д. Искусственный интеллект: принятие решений в. сложных системах управления // Мир компьютерной автоматизации. — 1997. — №4. С. 22 - 27.

16. Бахтадзе Н.Н. Виртуальные анализаторы (идентификационный подход) // Автоматика и телемеханика. 2004. —№11. - С. 3 - 24.

17. Беритов, И. С. Структура и функции коры больших полушарий. М.: Наука, 1969.-532 с.

18. Бредли, Д.Ф. Многоуровневые системы в биологии. Точка зрения специалиста по субмолекулярному уровню / Теория систем и биология. — М.: Мир, 1971.-С. 59-89.

19. Бугай, Ю. П. Исследование нейроподобных элементов и систем как устройств первичной переработки информации / Автореф. . канд. техн. наук. Харьков, 1968. - 26 с.

20. Бугай, Ю. П. Свойства отображения и бионическое моделирование. Сообщение 1 // Проблемы бионики, 1985, вып. 35. С. 47 - 51.

21. Бугай, Ю. П., Червов, В. Г., Зозуля, Ю. И., Нефедов, Ю. И. Ободном способе анализа и синтеза нейроподобных элементов и схем / Проблемы бионики. Материалы третьей всесоюзной конф. по бионике, 1968. М.: Наука, 1971.-С. 59-89.

22. Валеев, С. С. Проектирование интеллектуальных систем управления динамическими объектами на основе принципа минимальной сложности (на примере авиационных двигателей) / Автореф. д-ра техн. наук. — Уфа, 2005.-32 с.

23. Веденов, А. А. Моделирование элементов мышления. М.: Наука, 1988. -159 с.

24. Веревкин, А. П., Зозуля Ю.И: Основные направления-развития автоматизации управления добычей и транспортом нефти // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2005.-№3.-С. 6-13.301

25. Веревкин, А. П., Кирюшин, О. В. Автоматизация технологических процессов и производств в нефтепереработке и нефтехимии. — Уфа: УГНТУ, 2005.-171 с.

26. Вернадский, В. И. Размышления натуралиста: Научная мысль как планетное явление. — М.: Наука, 1977. — 250 с.

27. Винер, Н. Кибернетика или управление и связь в животном и машине. — М.: Советское радио, 1968. — 326 с.

28. Виноград, С., Коуэн, Дж. Надежные вычисления при наличии шумов. — М.: Наука, 1968.-197 с.

29. Владимиров, В. С. Уравнения математической физики. — М.: Наука, 1971.-512 с.

30. Волгин, В. Н. Принцип согласованного оптимума. — М:: Сов. радио, 1977.-145 с.

31. Галушкин, А. И. Синтез многослойных систем распознавания образов. — М.: Энергия, 1974. 368 с.

32. Галушкин, А. И. Теория нейронных, сетей. Кн. 1. Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2000. - 416с.

33. Галушкин, А. И. Нейрокомпьютеры: Кн. 3. Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2000. -528 с.

34. Галушкин, А. И. Нейроматематика (проблемы развития). — М.: Радиотехника; 2003. — 40 с.

35. Гидродинамические цепи. Развитие теории и приложения. / Н. Н. Новицкий, Е. В. Сеннова, М. Г. Сухарев и др. — Новосибирск: Наука.3021. СИФРАН, 2000.-375 с.

36. Гилев, А. В: Математические модели и программный комплекс для оптимального-оценивания потокораспределения в инженерных сетях / Ав-тореф. . канд. техн. наук. Уфа, 2002. - 16 с.

37. Гиниятуллин, В. М., Сибагатуллин, Н. М., Зозуля Ю. И. и др. Разработка программного модуля диагностики состояния инженерной сети нефтегазодобычи, // Автоматизация телемеханизация и связь в нефтяной промышленности. — 2003. — № 11. — С. 31—35.

38. Гиниятуллин, В. М., Зозуля, Ю. И., Муртазина, В. А. и др. Реализация бинарных решающих функций в нейросетевом базисе //Нейрокомпьютеры: разработка и применение. — 2006. — №10. — С. 3 — 8:

39. Глезер, В.1 Д. Зрение и мышление. Ленинград: Наука, 1985. — 246 с.

40. Головко, В. А. Нейронные сети: обучение, организация и применение. Кн. 4. Учеб. пособие для вузов / Общая ред. А.И. Галушкина. — М.: ИПРЖР, 2001.-256 с.

41. Горбань, А. Н. Обучение нейронных сетей. — М.: СП ПараГраф,, 1990: — 160 с.

42. Горбань, А. Н., Россиев, Д. А. Нейронные сети на персональных компьютерах. — Новосибирск: Наука, 1996. 276 с.

43. Горбань, А. Н. Функции многих переменных и нейронные сети // Соров-ский-образовательный журнал. — 1998. — № 12. С. 105-112.

44. Городецкий, В. И. Методы распределенного обучения и принятия решений в системах» коллективного распознавания и классификации: Обзор современных результатов / http://space.iias.spb.su/ai/gorodetsky.

45. Дударь, 3. В., Шуклин, Д. Е. Семантическая нейронная сеть как формальный язык описания и обработки смысла-текстов на естественном языке // Радиоэлектроника и информатика. Харьков: Изд-во ХТУРЭ, 2000.-№3.-С. 72-76.

46. Дунин-Барковский В. JI. Информационные процессы в нейронных структурах. -М.: Наука, 1978. 163 с.49.* Евдокимов, А. Г. Оптимальные задачи на инженерных сетях. — Харьков: Вища школа, 1976. — 153 с.

47. Евдокимов, А. Г., Тевяшев, А. Д. Оперативное управление потокораспре-делением в инженерных сетях. Харьков: Вища школа, 1980. - 144 с.

48. Ершов, А. П. Человек и машина. М:: Знание, 1985. — 90 с.

49. Жевлаков, К. А., Слинько, А. М:, Шестаков, И. П. и др. Кольца, близкие к ассоциативным. М.: Наука, 1978. - 350 с.

50. Жернаков, С. В. Активная экспертная система мониторинга и управления ремонтом авиационных газотурбинных двигателей' // Радюелектрошка. 1нформатика. Управлшня. 2004: - №2. - С. 80-84.

51. Жернаков, С. В. Контроль и диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных / Ав-тореф. д-ра техн. наук. Уфа, 2005. — 32 с.

52. Жильцов; А. А., Зозуля, Ю.И. Адаптивная балансная модель инженерной сети нефтегазодобычи // Автоматизация телемеханизация и связь в нефтяной промышленности. 2006. - № 3. - С. 36-39.

53. Зозуля, О. Ю. Моделирование творческого потенциала учащегося в педагогике изобразительного искусства // Вестник ЧГПУ. — 2007. — № 8. — С. 71-78.

54. Зозуля, О. Ю. Развитие художественно-творческого потенциала школьника в условиях профильного обучения изобразительной, деятельности: монография. — Магнитогорск: МаГУ, 2008. — 143 с.

55. Зозуля, Ю. И. Исследование структурно-функциональной организации нейронных сетей мозга и нейроподобных вычислительных сред / Авто-реф. канд. техн. наук. — Харьков, 1973. — 26 с.

56. Зозуля, Ю. И. Надежные вычисления при наличии шумов в зрительном анализаторе // Проблемы бионики, вып.12, 1974. С. 3 - 11.

57. Зозуля, Ю. И. Метод многоуровневого анализа нелинейных динамических систем мозга //Проблемы бионики, вып. 13, 1974. — С. 3 — 14.

58. Зозуля, Ю. И. Согласование ЭЦВМ с человеком-оператором // Проблемы бионики, вып.15, 1975. — С. 12—18.

59. Зозуля, Ю. И. Согласование элементов, бионической системы в циклах взаимодействия //Проблемы бионики, вып. 18, 1977. С. 10 — 20.

60. Зозуля, Ю. И. Учет и использование индивидуальных особенностей обучаемых и обучающих в ЧМОС // Тезисы докладов 1 Всесоюзной конференции "Человеко-машинные обучающие системы". — М., 1979. С. 92 — 93.

61. Зозуля, Ю. И. Согласование вычислений в нейронных сетях (части 1 и 2) //Нейрокомпьютер.- 1994.- №3, 4. С. 25 - 34.

62. Зозуля, Ю. И., Палагушкин, В. А. Нейросетевые алгоритмы контроля и управления технологическими объектами нефтегазодобычи // Нейрокомпьютер. 1996. - №3, 4. - С. 29 - 32.

63. Зозуля, Ю. И. Усвоение схемы деятельности сетью коннекционистских модулей АСУ ТП // Нейрокомпьютер. 1997. - №1, 2. - С. 57 - 62.

64. Зозуля, Ю.И. Анализ баланса потоков жидкости в узлах инженерной сети на основе ее нейросетевой модели // VI Всероссийская конференция «Нейрокомпьютеры и их применение»: Сб. докл. М., 2000. - С. 53 — 55.

65. Зозуля; Ю. И*. Интеллектуальные системы обработки информации на основе нейросетевых технологий: Учебное пособие. Уфа: Изд. УГАТУ,2000.-137с.

66. Зозуля, Ю. И., Муравский, А. К., Слепян М. А. Использование нейросе305тевых технологий для разработки АСУ ТП нефтегазодобычи (на англ. яз.) / Proceedings "Neural Information Processing. ICONIP2001", Shanghai, Fudan University Press, 2001.

67. Зозуля, Ю. И. Коннекционистская модель анализатора сигналов в интеллектуальной АСУ ТП нефтегазодобычи // Нейрокомпьютеры: разработка и применение. 2001. - №4-5. - С. 17 - 25.

68. Зозуля, Ю. И. Оперативный анализ согласованности и эффективности процессов нефтедобычи на основе нейросетевых моделей // Нейрокомпьютеры: разработка и применение. — 2001. — №4-5. — С. 26 —31.

69. Зозуля, Ю. И. Интеллектуальные нейросистемы. Научн. серия «Нейрокомпьютеры и их применение». Кн. 12. М.: Радиотехника, 2003. -144 с.

70. Зозуля, Ю. И., Назипов, Д. Ф., Ахметзянов, Р. Р. и др. Нейросетевые технологии в решении задач анализа и диагностики состояния* инженерных сетей // Автоматизация телемеханизация» и связь в нефтяной^ промышленности. 2007. - №4. - С. 25-30.

71. Зозуля, Ю. И., Кизина, И: Д., Алабужев, В; А. Интеллектуальный; нефтепромысел реального времени: что под ним понимать и как его создавать // Автоматизация, телемеханизация иювязь вшефтяной; промышленности. 2007. - №4. - С. 34-40;

72. Иванов, В. В. Чет и нечет: асимметрия мозга и знаковых систем. М.: Советское радио, 1978. - 184 с.

73. Ивахненко, A. F. Персептроны система распознавания образов. - Киев: Наук, думка, 1975. -283 с.

74. Идентификация моделей гидравлики / Г. Д. Бабе, Э. В. Бондарев, А. Ф.Воеводин, М. А. Каниболотский. Новосибирск: Наука, 1980. - 161 с.

75. Ильясов, Б:,. Тагирова, К., Комелин, А. Автоматизация процесса добычи нефти на основе нейронных сетей // Технологии ТЭК. 2005. - №3. -С. 89- 92.

76. Информационный листок фирмы Gensym. NeurOn-Line.

77. Э.С. Арутюнян // Нейрокомпьютеры: разработка и применение. — 2000. — №1. — С. 36-39.

78. Использование современных информационных технологий при разработке интегрированных АСУ ТП в нефтегазодобыче/ М.А. Слепян, Ю. И. Зозуля, А.К. Муравский // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2001. - №7-8. - С. 21-25.

79. Иенсен, П., Бартнес, Д. Потоковое программирование. — М.: Радио и связь, 1984.-391 с.

80. Кантор, И. JI, Солодовников, А. С. Гиперкомплексные числа. — М.: Наука,1973.-156 с.

81. Каримов, Р. Р. Модели и алгоритмы диагностики инженерных сетей (на примере нефтегазодобывающего производства) / Автореф. . канд. техн. наук. Уфа, 2000. - 24 с.

82. Каянелло, Э. Р. Математическая теория нейронных сетей / Модели нейронных структур. М.: Наука, 1970. - С. 304 - 308.

83. Каянелло, Э. Р. Точное решение нелинейных уравнений, описывающих нейронную сеть / Исследования по теории структур. — М.: Наука, 1988. -С. 193-203.

84. Коган, А. Б. О принципах нейронной организации рабочих механизмов управления функциональной системой / Принципы системной организации функций. М.: Наука, 1973. - С. 14 - 21.

85. Колере, П. Некоторые психологические аспекты распознавания образов / Распознавание образов. М.: Мир, 1970. - С. 16 - 85.

86. Колесников, О. А., Марченко, С. Ф. К моделированию электрического поля в нервной ткани (Сообщения 1 и 2) //Проблемы бионики, вып. 12,1974.-С. 51-64.

87. Колмогоров, А. Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных // ДАН СССР. 1956. - Т. 108. - №2. - С. 179 - 182.

88. Колмогоров, А. Н. О представлении непрерывных функций многих переменных суперпозицией функций одной переменной и сложением // ДАН СССР. 1957. - Т. 114. - №5. - С. 953 - 956.

89. Конорски, Ю. Интегративная деятельность мозга. М.:Мир, 1970.-375 с.

90. Коровин, Я. С. Система поддержки принятия решений по контролю состояния установок электроцентробежных насосов на основе нейронной сети // Нефтяное хозяйство. — 2007. — №1. С. 80 — 83.

91. Кохонен, Т. Ассоциативная память. М.: Мир, 1982. — 239 с.

92. Кохонен, Т. Ассоциативные запоминающие устройства. -М.: Мир, 1982. 383 с.

93. Крон, Г. Тензорный анализ сетей. — М: Сов. радио, 1978. 719 с.

94. Крумм, Л. А. Методы оптимизации при управлении электроэнергетическими системами. Новосибирск: Наука, 1981. - 417 с.

95. Крутиков, В. Н., Шильдин, В. В., Фёдоров, А. В. и др. Правовые и метрологические аспекты учёта нефти в нефтегазодобывающих, организациях // Мир измерений. 2004. - №8. - С. 11-14.

96. Куафе, Ф. Взаимодействие робота с внешней средой. М.: Мир, 1985. -285 с.

97. Кузнецов, Б. Г. История философии для физиков и математиков. М:: Наука, 1974.-250 с.

98. Кулибанов, В. Н. К проблеме расчёта нелинейных сетей // Приборы и системы управления. 1997. — №2. — С. 21.

99. Куссуль, Э. М. Ассоциативные нейроподобные структуры. Киев: Наук, думка; 1992.-140 с.

100. Кутуков, С.Е. Информационно-аналитические системы магистральных трубопроводов. М.:СИП РИА, 2002. - 324 с.

101. ПЗ.Ладенко, И. С. Интеллектуальные системы и логика. — Новосибирск: Наука, 1973.- 172 с.

102. Лефевр, В. А. Конфликтующие структуры. М.: Сов.радио, 1973.- 158 с.309

103. Потоцкий, В. А., Чадеев, В. М., Максимов, Е. А., Бахтадзе Н.Н. Перспективы применения виртуальных анализаторов в системах управления производством // Автоматизация в промышленности.—2004.—№5. С. 24—28.

104. Лурия, А. Р. Основные проблемы нейролингвистики. — М.: МГУ, 1975. -253 с.

105. Мак-Каллок, У. С., Питтс, У. В. Логическое исчисление идей, относящихся к нервной активности //Автоматы /под ред. К. Э.Шеннона и Дж. Маккарти. М.: Изд-во иностр. лит-ры, 1956. - С. 363 - 384.

106. Мальцев, А. И. Алгебраические системы. — М.: Наука, 1970. — 392 с.

107. Математическое моделирование и оптимизация систем тепло-, водо-, нефте- и газоснабжения / А. П. Меренков, Е. В. Сеннова, С. В. Сумароков и др. — Новосибирск: Наука, СИФ РАН, 1992. 407 с.

108. Мееров, М. В., Литвак, Б. Л. Оптимизация систем многосвязного управления. М.: Наука, 1972. - 344 с.

109. Мейсон, Д. X. Изучение матроидов как геометрических конфигураций / Проблемы комбинаторного анализа. — М.: Мир, 1980. С. 7 - 50.

110. Меренков, А. П., Сидлер, В. Г. Идентификация трубопроводных систем / Фактор неопределенности при принятии оптимальных решений в больших системах энергетики. Иркутск: СЭИ СО АН СССР, 1974. - Т.З. -С. 149-162.

111. Меренков, А. П., Хасилев, В. Я. Теория гидравлических цепей. — М.: Наука, 1985. -280с.

112. Месарович, М. Основания общей теории систем / Общая теория систем. М.: Мир, 1966. - С. 15 - 48.

113. Месарович, М., Такахара, Я. Общая теория систем: математические основы.-М.: Мир, 1978.-311 с.

114. Мещеряков, В. Т. Соответствие как отношение и принцип. — Л.: Наука, 1975.-104 с.

115. Мещеряков, В. Т. Гармония и гармоническое развитие. JL: Наука, 1976.-119 с.

116. Минский, М., Пайперт, С. Персептроны. М.: Мир, 1971. - 261 с.

117. Мкртчян, С. О. Нейроны и нейронные сети. -М.: Энергия, 1971. — 232 с.

118. Морозов А.А., Ященко В.А. Интеллектуализация ЭВМ на базе нового класса нейроподобных растущих сетей. — Киев: ГКПП «Тираж», 1997. — 125 с.

119. Мусаев, А. А. Виртуальные анализаторы: концепция построения и применения в задачах управления непрерывными технологическими процессами //Автоматизация в промышленности. 2003. - №8. - С. 28 — 33.

120. Назаров, А. В., Лоскутов, А. И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и техника, 2003. — 384 с.

121. Нейлор, К. Как построить свою экспертную систему. — М.: Энергоатом-издат, 1991.-285 с.

122. Нейроинформатика / А .Н. Горбань, В. Л. Дунин-Барковский и др. — Новосибирск: Наука, 1998. 298 с.

123. Нейроинформатика и ее приложения // Тез. докл. 4-го Всерос. семинара, 5 — 7 октября 1996 г. / Под ред. А. Н. Горбаня. Красноярск: Изд-во КГТУ, 1995.-230 с.

124. Нейроинформатика и ее приложения // Тез. докл. 5-го Всерос. семинара, 3 — 5 октября 1997 г. / Под ред. А. Н. Горбаня. Красноярск: Изд-во КГТУ, 1997.-190 с.

125. Нейрокомпьютеры в системах обработки изображений. Кн. 7: Коллективная монография / Общая ред. А. И. Галушкина. М.: Радиотехника, 2003.- 192 с.

126. Нейрокомпьютеры в системах обработки сигналов. Кн. 9: Коллективная монография / Общая ред. А. И. Галушкина. М.: Радиотехника, 2003. -223 с.

127. Нейрокомпьютеры, и- интеллектуальные роботы / Под ред. Н. М. Амосова —Киев: Наук, думка, 1994. — 272 с.

128. Нейроматёматика. Кн. 6: Учеб. пособие для вузов / Общая, ред. А. И. Галушкина. М.: ИПРЖР, 2002. - 448 с.

129. Нейрон — 1. Пакет прикладных программ-для моделирования нейронных сетей. 1990.-334 с.

130. Нейронные сети: история развития теории. Кн. 5. Учеб. пособие для вузов / Общая ред. А.И. Галушкина; Я.З. Щыпкинаг М.: ИПРЖР, 2001. -840 с.

131. Нерсесова, Е. X. Гносеологический аспект проблемы социальных показателей: — Mj: Наука, 1981. 158 с.

132. Новиков Д:А. Закономерности- итеративного научения. — М: Институт проблем управления РАН, 1998. 77 с.

133. Ньюком, Р. У. Системы нелинейных дифференциальных уравнений. Канонические многомерные представления // ТИИЭР, 1977. Т. 65. - №6. — С. 138-145.

134. Оре, О: Теория графов. М.: Наука, 1980. - 336 с.

135. Павлов, И. П. Полн. собр. соч., 2 изд. Т. 4. - М., 1951. - С. 122 - 144.

136. Патент РФ 2199089. Способ коррекции статических, характеристик измерительных преобразователей / М. 31 Асадуллин, Ф. М. Аминев, В. Ф. Галиакбаров, С. В. Емец, Ю. И. Зозуля.и др: // Бюл. 2003. - №5.

137. Патент РФ 2287683. Способ контроля состояния инженерных сетей и калибровки-каналов измерения параметров потоков / М. А. Слепян, Н. М. Сибага-туллин, Ю. И.Зозуля, С. И. Братцев. // Бюл. 2006. - №32.

138. Первозванскищ А.А., Буцев, А.В. Локальная аппроксимация на искусственных нейросетях // Автоматика и телемеханика.—1995.—№9.—С. 127-136.

139. Пиаже, Ж. Психология интеллекта. — СПб.: 11итер, 2003. — 193 с.

140. Планкег, Л.,. Хейл, Г. Выработка и принятие управленческих решений. — М.: Экономика, 1984. 180 с.

141. Позин, Н. В. Моделирование нейронных структур. — М.: Наука, 1970; — 230 с.

142. Поляков, Т. И. О принципах нейронной организации: — М.: Изд-во МГУ, 1965.- 120 с.

143. Попов, Э. В. Общение с ЭВМ^на естественном;языке. М;: Наука; 1982. -360 с.

144. Поспелов, Г. С. Искусственный: интеллект основа новой информационной технологии. - М.: Наука, 1988. 280 с.

145. Прибрам, К. Языки мозга. — М:: Прогресс, 1975. 463 с.

146. Принципы самоорганизации. М.: Мир, 1966.— 621 с.

147. Проказов, С. А., Иваненко, Б. П. Нейросетевые методы имитационного моделирования процессов добычи.нефти // Нейрокомпьютеры: разработка, применение. — 2005.— №3. — С. 63 — 68.

148. Рабинович, 3. Д., Ященко, В. А. Подход к моделированию'мыслительных процессов на основе нейроподобных растущих сетей // Кибернетика и системный анализ. 1996. — №4. - С. 3 - 18.

149. Разработка, нейросетевых обратных динамических моделей роботов / Г.Г. Губайдуллин, Ю. И. Зозуля, Э.С. Арутюнян // Нейрокомпьютеры: разработка и применение. — 2000. — №2. — С. 48 — 51.

150. Резник, A.M. Обобщенный проекционный алгоритм обучения нейронных сетей // Кибернетика и системный анализ. 1993. - №6. - С. 131 -142.

151. Реальность и прогнозы искусственного интеллекта. -М:Мир, 1987.—180 с.314

152. Родоман, Б.Б. Саморазвитие культурного ландшафта и геобионические закономерности его формирования // Вопр. географии, 1980, вып. 113. — С. 117-127.

153. Розенблатт, Ф. Принципы нейродинамики: персептроны и теория механизмов мозга. М.: Мир, 1965. - 480 с.

154. Рочев, А. Н. Повышение информативности гидродинамических исследований скважин. Автореф. дисс. . канд. техн. наук. Ухта, 2004. - 23 с.

155. Самойлов, В. В., Хисамутдинов, С. И., Зозуля, Ю. И. и др. Оперативный анализ баланса потоков жидкости в инженерных сетях нефтегазовой отрасли // Автоматизация телемеханизация и связь в нефтяной промышленности. 2003. - № 11. - С. 5 - 9.

156. Самойлов, В. В., Хисамутдинов, С. И., Жильцов, А. А. и др. Принципы интеграции программных комплексов в единое информационное пространство нефтяной компании. // Автоматизация телемеханизация и связь в нефтяной промышленности. — 2004. — №4. — С. 5 — 9.

157. Седов, А. И. Механика сплошной среды. Т. 1. — М.: Наука, 1973. 536 с.

158. Сенашова, М.Ю. Оценки погрешностей вычисления сложной функции многих переменных и ее градиента // Радюелектрошка. 1нформатика. Управлшня. 2004. - №2. - С. 90-94.

159. Сеченов, И. М. Элементы мысли. СПб.: Питер, 2001. — 416 с.

160. Скорняков, JI. А. Проективные плоскости // Усп. матем. наук. 1951. - Т. 6. -№6.-С. 112-154.

161. Слепян, М. А., Скворцов, А. П., Аминев, А. М. и др. Анализ баланса потоков жидкости в инженерной сети нефтегазодобывающего предприятия // Автоматизация телемеханизация и связь в нефтяной промышленности.-2001.-№7-8. — С. 31—35.

162. Соколов, Е. Н., Вайткявичюс, Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Наука, 1989. - 238 с.

163. Соломатин, Н. М. Информационные семантические системы. — М.: Высшая школа, 1989. — 127 с.

164. Сухов, Р. В., Зозуля, Ю.И. Интеллектуальные нейросистемы: анализ баланса потоков жидкости в инженерных сетях нефтегазодобычи // VIII Всероссийская конференция «Нейрокомпьютеры и их применение»: Сб. докл.-М., 2002.-С.25.

165. Терехов, В. А., Ефимов, Д. В., Тюкин, И. Ю. Нейросетевые системы управления. -М.: Высшая школа, 2002. 183 с.

166. Терехов, С. А. Вейвлеты и нейронные сети / Лекция для школы-семинара «Современные проблемы нейроинформатики». М.: МИФИ, 2001 / http://alife.narod.ru/pubs/index.html

167. Турчин, В. Ф.Феномен науки: Кибернетический подход к эволюции. Изд. 2-е. М.: ЭТС. - 2000. - 368 с.

168. Уидроу, Б., Стирнз, С. Адаптивная обработка сигналов — М.: Радио и связь, 1987.-440 с.

169. Уоссермен, Ф. Нейрокомпьютерная техника. — М.: Мир, 1992. 273 с.

170. Финкелстайн, Л. Интеллектуальные и основанные на знаниях средства измерения. Обзор основных понятий //Приборы и системы управления. — 1995.-№11.-С. 40-44.

171. Флейвелл, Д. X. Генетическая психология Жана Пиаже. — М.: Просвещение, 1967.-390 с.

172. Форд, JL, Фолкерсон, Д: Потоки в сетях. М.: Мир, 1966. - 276 с.

173. Фрейдеталь, Г. Октавы, особые группы и октавная геометрия // Математика. 1957.-Т. 1.-С. 117-153.

174. Фурман, Я. А. и др. Комплекснозначные и гиперкомплекснозначные системы в задачах обработки многомерных сигналов. — М.: ФИЗМАТЛИТ, 2004.-456 с.

175. Хартсхорн, Р. Основы проективной геометрии. -М.: Мир, 1970. 159 с.

176. Ходжкин, А. Нервный импульс. М.: Мир, 1965. - 197 с.

177. Хьюбел, Д. Глаз, мозг, зрение. М.: Мир, 1990. - 239 с.

178. Цыпкин, Я. 3. Основы теории обучающихся, систем. М.: Наука, 1970. -251 с.

179. Чавчанидзе, В. В. Теория*самообразующихся систем на основе бионических принципов регенерации и редукции // Бионические принципы самоорганизации. Тбилиси, 1969. - С. 32-46.

180. Черчмен, Ч. Один подход к общей теории систем / Общая теория систем. -М.: Наука, 1966.-С. 183 186.

181. Шабанов-Кушнаренко, Ю.П. Теория интеллекта. Математические средства. Харьков: Вища школа, 1984. — 143 с.

182. Шабанов-Кушнаренко, Ю.П. Теория интеллекта. Технические средства. Харьков: Вища школа, 1986. - 134 с.

183. Шабанов-Кушнаренко, Ю;П. Теория интеллекта. Проблемы и перспективы. -Харьков: Вища школа, 1987. 160 с.

184. Шибзухов, 3. М. Конструктивные методы обучения сигма-пи нейронных сетей М.: Наука, 2006. - 160 с.

185. Штофф, В: А. Моделирование и философия. М.;Л.: Наука, 1966. — 75 с.

186. Шуклин, Д. Е. Модели семантических нейронных сетей и их применение в системах искусственного интеллекта / Автореф: . канд. техн. наук. -Харьков, 2003.- 18 с.

187. Экклз, Дж. Физиология синапсов. — М.: Мир, 1966. 395 с.

188. Эшби, У.Р. Конструкция мозга. -М.: Изд-во иностр. лит-ры, 1962. 398 с.

189. Юрченко, В. В. Функциональные сети. М.: Наука, 1992. - 183 с.

190. Ященко, В. А. Нейроподобные растущие сети как средство построения интеллектуальной микропроцессорной системы с нейроансамблевой структурой// Кибернетика и системный анализ. — 1994. — №3. — С.43 — 62.

191. Ященко, В. А. Многомерные нейроподобные растущие сети как средство интеллектуализации^ЭВМ-//Кибернетикаи системный анализ. 1994. -№4.-С. 41-55.

192. Ященко, В. А. Дуализм архитектуры интеллектуальной мультимикро-процессорной системы с многомерной нейроансамблевой структурой // Кибернетика и системный анализ. 1994. - №5. - С. 34 — 44.

193. Ященко, В. А. Рецепторно-эффекторные нейроподобные растущие сети- эффективное средство моделирования интеллекта. I, II.// Кибернетика и системный анализ. 1995. - №4,5. - С. 54 - 62, 94 - 102.

194. Advanced multivariable control system of aeroengines / Ed. Sun Jianguo, V. Vasilyev, B. Ilyasov — Bejing: Buaapress, 2005. — 621 c.

195. Alves, R.M.B., Nascimento, C.A.O. Gross errors detection of industrial data by neural networks and cluster techniques // Braz. J. Chem. Eng. — 2002. — V.19, № 4, 2002.

196. Amari, Sh., Maginu, K. Statistical neurodynamics of associative memory // Neural Networks. 1988. - V.l. -No. 1 - Pp. 63-73.

197. Barron, A. R. Neural net approximation // Proc. of the Seventh» Yale Workshop on^ Adaptive and Learning Systems. New Haven, CT: Yale University.- 1991.-Pp. 69-72.

198. Bhat, N., McAvoy, T. J. Use of neural nets for dynamic modeling and control318of chemical process systems. //Comput Chem. Eng.—1990.—V.14 (4/5).—S. 575.

199. Beiu, V. On Kolmogorov's superpositions and Boolean functions // Proc. 5th Brazilian Symposium on Neural Networks. Belo Hoizonte. — 1998. — Pp. 55-60 / http://www.infonnatik.uni-trier.de/~lev/db/conf/sbrn/sbrnl998.html.

200. Beiu, V. On optimal computations using perceptrons // Control Engineering and Applied Informatics.-2002.-V.4. No. 1.-Pp. 33-43.

201. Bigus J.P: Data mining'with neural networks. 1996. - 220 p.

202. Bolt, G. R. Fault tolerance' in artificial neural networks: D. Phil1. Thesis. — York University, Ontario, 1992. 215 p:

203. Caianiello, E. R. Outline of a theory of thought-processes and thinking machines // J. Theoret. Biol. 1961. - V.l (2). - Pp. 235-254.

204. Chen, X., Tang, Z., Varjappan, C. A modified, error back-propagation algorithm for complex-value neural networks // International Journal of Neural Systems. -2005. V.l5 (6). - Pp. 435-443.

205. Courbis, A. L., Touraud, E., Vayssade, B. Water balance diagnosis supported by a discrete event and object oriented simulation framework // Transactions on Ecology and the Environment. 1998. - V. 25: - Pp. 199 - 208.

206. Cybenko, G. Approximation by superpositions of sigmoidal function. — Ur-bana: University of Illinois, 1988.-280 p.

207. Cybenko G. Approximation by superpositions of a sigmoidal function //319

208. Math. Control, Signals, Systems. 1989. - V. 2. - Pp. 303 - 314.

209. Fahlman, S E., Hinton, G. E. Connectionist architectures for artificial intelligence // IEEE Computer. 1987. - V.20. - Pp. 100 - 109.

210. Forcada, M. L. Neural networks: Automata and formal models of computation / Universitat d'Alacant / http://www.dlsi.ua.es/~mlf/nnafmc/pbook.

211. Funahashi, K. On the approximate realization of continuous mapping by neural networks // Neural Networks. 1989. - V.21 - Pp. 183 - 192.

212. Galant, S. I. Neural network learning and expert systems. — Cambridge: MIT Press, 1993.-296 p. .

213. Grossberg, S. Competitive learning: From interactive activation to adaptive resonance // Cognitive Science. — 1987. V.l 1. — Pp. 23 — 63.

214. Grossberg, S., Seitz, A. Laminar development of receptive fields, maps, and columns in visual cortex: The coordinating role of subplate / CAS/CNS Tech Report / http://www.cns.bu.edu/Profiles/Grossberg.

215. Gupta, G., Narasimhan, S. Application of neural networks for gross error detection // Ind. Eng. Chem. Res. 1993. - V. 32. - Pp. 1651-1657.

216. Haykin, S. Neural Networks. A comprehensive foundation. New York: Macmillan, 1994.-696 p.

217. Hecht-Nielsen, R. Kolmogorov's mapping neural network existence theorem / Proceedings of the First International Conference on Neural Networks. Volume III. San Diego (Calif.): SOS Print, 1987. -Pp. 11-13.

218. Himmelblau, D. M. Applications of artificial neural networks in chemical engineering // Korean J. Chem. Eng. 2000. - V.l7 (4). - Pp. 373 - 392.

219. Hirose, A. (ed.) Complex-valued neural networks: Theories and applications. Singapore: World Scientific Publishing, 2003. -363 p.

220. Hopfield, J. J. Neural network and physical systems with emergent collective computational abilities // Roc. Nat. Acad. Sci. USA. 1982. - V.79. -Pp. 2554-2558.

221. Hopfield, J. J., Tank, D. W. Computing with neural-circuits: a model // Science. 1984. - V. 233, № 4764. - Pp. 625 - 633.

222. Hornik, K., Stinchcombe, M., White, H. Multilayer feedforward networks are universal approximators // Neural Networks. 1989. - Vol. 2. - Pp. 359-366.

223. Hoskins, J. C., Himmelblau, D. M. Artificial neural network models for knowledge representation in chemical engineering // Comput. Chem. Eng. — 1988.-V.12 (9/10).-S. 881'.

224. Hubel, D: H., Wiesel, T. N. Receptive fields of single neurons in the cat's striate cortex // J. Physiol. 1959. - V.148. - Pp. 574-591.

225. Hubel, D. H., Wiesel, T. N. Interactive action in the cat's lateral geniculate body// J. Physiol. 1961. — V. 155. — Pp. 385-398. .

226. Hubel, D. H:, Wiesel; T. N. Receptive fields, binocular interaction and functional architecture in the cat's visual cortex // J. Physiol. 1962. - V.160. -Pp. 106-154.

227. Hubel, D. H., Wiesel, T. N. Receptive fields and functional, architecture in two nonstriate visual areas (18+19) of the cat // J. Neurophysiol. 1965. — V.28.-Pp. 229-289.

228. Kong, M., Chen, В., He, X. Wavelet-based regulation of dynamic data reconciliation // Ind. Eng. Chem. Res. 2002. - V.41. - Pp. 3405-3412.

229. Kopytov, E., Kabelev, N. A method of adaptive re-configuration of multi-laer perceptron in real-time learning systems // Comper modeling and New Technologies. 2000. - V.4. - Pp. 7-12:

230. Koppen, M., On the training of a- Kolmogorov network / Artificial Neural Networks ICANN 2000 Madrid. - Heidelberg: Springer-Verlag, 2002. -Pp. 474-479.

231. Kreinovich, V. Y. Arbitrary nonlinearity is sufficient to represent all functions321by neural networks: A theorem // Neural Networks. — 1991. — V.4 (3). -Pp. 381-383.

232. Lorentz, G. G. Lower bounds for the degree of approximation // Trans. Amer. Math. Soc. 1960. - V.97. - №1. - Pp. 25 - 34.

233. Lorentz, G. G. Metric entropy, widths, and superpositions of functions // Amer. Math. Monthly. 1962. - V.69. - Pp. 469 - 485.

234. Mukherjee, J., Narasimhan, S. Leak detection in networks of pipelines by the generalized likelihood ratio-method // Ind. Eng. Chem. Res. 1996. - V. 35. -Pp. 1886-1893.

235. Narasimhan, S., Jordache, C. Data reconciliation and gross error detection: An intelligent use of process data. Houston: Gulf Publishing Company, 2000.-350 p.

236. Narendra, K. S., Parthasarathy, K. Identification and control of dynamical1 systems using neural networks // IEEE Transactions on Neural Networks. 1990.-Vol. 1.-No. 1.-Pp. 4-27.

237. Nascimento, C.A.O., Giudici, R. Neural network based approach for optimization applied to an industrial nylon-6,6 polymerization process. // Comput. Chem: Eng. 1998. - V.22. - S. 595.

238. Nascimento, C.A.O., Giudici, R., Guardani, R. Neural network based approach for optimization of industrial chemical processes // Comput. Chem.1. Eng. 2000.-V.24.-S. 2303.

239. Nitta, T. An extension of the back-propagation algorithm to complex numbers

240. Neural networks. 1997. - V.10 (9). -Pp. 1391-1415.

241. Nitta, T. Orthogonality of decision boundaries in complex-valued neural networks // Neural Computation. 2004. - V.16 (1). - Pp. 73-97.322i