Ви є тут

Нейроагентная система адаптивной настройки технологических процессов

Автор: 
Аюев Вадим Валерьевич
Тип роботи: 
диссертация кандидата технических наук
Рік: 
2007
Артикул:
568695
179 грн
Додати в кошик

Вміст

ОГЛАВЛЕНИЕ
СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ.
ВВЕДЕНИЕ
1. ОБЗОР СОСТОЯНИЯ ИССЛЕДОВАНИЙ В ОБЛАСТИ ИСПОЛЬЗОВАНИЯ МУЛЬТИАГАНТНЫХ ТЕХНОЛОГИЙ ПРИ РЕШЕНИИ ЗАДАЧ НАСТРОЙКИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ
1.1. Обзор МАС в контексте решения задач настройки технологических процессов.
1.1.1. Архитектуры интеллектуальных агентов.
1.1.1.1. Абстрактная архитектура ИА.
1.1.1.2. Классификация конкретных архитектур ИА.
1.1.2. Классификация механизмов взаимодействия ИА.
1.1.2.1. Договорные сети
1.1.2.2. Системы на базе досок объявления.
1.1.2.3. Рыночные механизмы.
1.2. Проблемы разработки современных МАС интеллектуальной настройки технологических процессов.
1.3. Выводы.
2. РАЗРАБОТКА МОДЕЛИ МУЛЬТИАГЕНТНОЙ СИСТЕМЫ
НАСТРОЙКИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ.
2.1. Разработка МАС, удовлетворяющих современным требованиям,
предъявляемым к системам настройки реального времени с
входными данными высокой размерности
2.1.1. Разработка иерархической модели МАС
2.1.1.1. Общая характеристика МАС СИН.
2.1.1.2. Дифференциация ИА по функциональным
особенностям в иерархической архитектуре МАС.
2.1.1.3. Формальная модель мультиагентной иерархии
2.1.2. Реализация архитектур ИА
2.1.2.1. Управляющие архитектуры
2.1.2.2. Архитектуры подрядчиков
2.1.3. Организация механизмов взаимодействия АМ и АП в
рамках иерархической МАС
2.1.3.1. Методы расчта ошибки дообучения.
2.1.3.2. Степени доверия АМ к АП
2.1.3.3. Интервальный алгоритм определения победившего АП
2.1.3.4. Пересчт областей эффективного применения АП.
2.1.3.5. Реализация обучения в МАС
2.1.3.6. Анализ сложности разработанных алгоритмов
2.2. Технические особенности реализации модели МАС.
2.2.1. Реализация протоколов межагентного взаимодействия.
2.2.2. Реализация реактивных архитектур ИА.
2.3. Выводы
3. МОДЕЛИРОВАНИЕ АГЕНТОВПОДРЯДЧИКОВ МАС НАСТРОЙКИ
ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В НЕЙРОСЕТЕВОМ
ЛОГИЧЕСКОМ БАЗИСЕ
3.1. Применение модифицированных самоорганизующихся карт
Кохонена в ИНС ХехтНильсона.
3.1.1. Сети Кохонена на основе принципов самоорганизации.
3.1.1.1. Общая характеристика сетей Кохонена
3.1.1.2. Самоорганизующиеся карты Кохонена
3.1.1.3. Алгоритм нейронного газа
3.1.2. Модификация самоорганизующихся карт Кохонена.
3.1.2.1. Структура многомерной карты Кохонена и е обучение.
3.1.2.2. Сходимость процесса обучения
3.1.2.3. Методы группировки нейронов в матрицу.
3.1.2.4. Виды областей притяжения
3.1.2.5. Меры близости между нейронами и их влияние на гауссову функцию притяжения
3.1.2.6. Анализ сложности разработанных алгоритмов.
3.1.3. Модификация ИНС ХехтНильсона
3.1.3.1. Алгоритм обучения МСХН
3.1.3.2. Перекластеризация в МСХН при дообучении.
3.2. Методы обучения нейросетевых АП
3.3. Выводы.
4. НАСТРОЙКА ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА
ПРОИЗВОДСТВА ХЛЕБОБУЛОЧНОЙ
ПРОДУКЦИИ.
4.1. Постановка задач управления производственным циклом
4.1.1. Основные стадии производства.
4.1.2. Автоматизация выпечки хлебобулочной продукции
4.2. Применение иерархической МАС для настройки процесса выпечки хлебобулочной продукции.
4.2.1. Конкретизация нейросетевой модели
4.2.2. Конкретизация мультиагентной модели
4.2.3. Исследование свойств при настройке техпроцесса производства хлебобулочных изделий в условиях работы пекарни.
4.2.3.1. Методы расчта ошибки дообучения.
4.2.3.2. Операции со степенями доверия
4.2.3.3. Алгоритмы пересчта ОЭО
4.2.4. Исследование внедрнных в модифицированных ИНС ХехтНильсона при настройке техпроцесса производства хлебобулочных изделий в условиях работы пекарни.
4.2.4.1. Влияние внутренних параметров на эффективность работы модифицированных ИНС ХехтНильсона
4.2.4.2. Сравнительный анализ эффективности обучения классических и модифицированных ИНС ХехтНильсона
4.2.4.3. Анализ эффективности применения алгоритмов утомления в модифицированных ИНС ХехтНильсона
4.2.4.4. Сравнительный анализ эффективности обучения модифицированных ИНС ХехтНильсона с сетями РБФ и многослойными персептронами.
4.2.5. Исследование роли внедрнных в модифицированных ИНС ХехтНильсона посредством частотного анализа применения агентов
4.3. Выводы.
НАСТРОЙКА РАСПРЕДЕЛЕНИЯ ТРАФИКА В ЗАКРЫТОЙ ИНФОРМАЦИОННОЙ СИСТЕМЕ
5.1. Постановка задачи распределения ресурсов
5.2. Применение иерархической для настройки распределения ресурсов.
5.2.1. Конкретизация модели
5.2.2. Исследование свойств при настройке распределения
ресурсов
5.2.2.1. Методы расчта ошибки дообучения.
5.2.2.2. Операции со степенями доверия
5.2.2.3. Алгоритмы пересчта ОЭО
5.2.3. Исследование внедрнных в модифицированных
ИНС ХехтНильсона при организации распределения ресурсов
5.2.3.1. Влияние внутренних параметров на эффективность работы модифицированных ИНС ХехтНильсона
5.2.3.2. Сравнительный анализ эффективности обучения классических и модифицированных ИНС ХехтНильсона
5.2.3.3. Анализ эффективности применения алгоритмов утомления в модифицированных ИНС ХехтНильсона
5.2.3.4. Сравнительный анализ эффективности обучения модифицированных ИНС ХехтНильсона с сетями РБФ и многослойными персептронами.
5.2.4. Исследование роли внедрнных в МАС модифицированных ИНС ХехтНильсона посредством частотного анализа применения нейросетевых агентов при обработке исключительных ситуаций.
5.3. Выводы
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ
СПИСОК ЛИТЕРАТУРЫ