Главная Контакты Добавить в избранное Авторы Вопросы и ответы
,

УДК 623.94

КОМПЕНСАЦИЯ ОШИБОК ОПЕРАТОРА В КОНТУРЕ УПРАВЛЕНИЯ СЛЕДЯЩЕЙ СИСТЕМЫ НА ОСНОВЕ СИНТЕЗИРУЕМЫХ ВЕЙВЕЛЕТ-СЕТЕЙ

Литвиненко В.И., Четырин С.П.

Введение в проблему

Наличие оператора в контуре слежения за целью требует учёта психофизиологических способностей человека при формировании структуры и характеристик машинной части системы слежения.

В настоящее время сложились определённые представления о процессах, качественно характеризующих работу оператора в контуре слежения [1,2,3]:

- разрешение сетчатки глаза, передача сигнала в кору головного мозга, выработка сигналов управления, передача сигналов к исполнительному органу и прохождение сигнала обратной связи происходит с некоторой задержкой , величина которой порядка 0,2¸0,4 с. Запаздывание выполнения ответных действий на возникший стимул не является постоянной величиной, оно меняется как от изменения условий работы, так и от способностей конкретных индивидуумов. Для конкретного оператора оно также меняется, в процессе работы в зависимости от напряжённости выполняемой работы, утомляемости, тренированности и т.п.;

- в первом приближении при относительно узком диапазоне движений исполнительного органа (рука, голова и т.п.) человека-оператора можно считать линейным звеном, что позволяет проводить анализ качества слежения оператором за целью методами линейных систем автоматического управления;

- человек-оператор в переходном процессе, в среднем ведёт себя как реальное интегрирующее звено;

- человек является весьма пластичным звеном и, как правило, подстраивает свою передаточную функцию (структуру и параметры) под амплитудно-частотные характеристики сигнала, т.е. адаптируется под них;

- наблюдение ошибки слежения во времени сопровождается оценкой скорости её изменения, что позволяет создать представление о величине упреждённого значения ошибки на время упреждения ;

- оператор, находясь на качающемся основании, включает в процесс слежения не только зрительную информацию, но и сигналы органов равновесия, что приводит к существенному повышению точности слежения. По экспериментальным данным в зависимости от типа объекта управления относительная величина дисперсии ошибки слежения при использовании сигналов органов равновесия снижается от 20 до 50%.

Исходя из сложившихся представлений и на основе экспериментальных исследований, приведенных в [3], для моделирования функционирования следящей системы может быть выбрана передаточная функция звена «человек-оператор» в виде

(1)

 

Однако параметры и вид функции могут быть разными не только для разных операторов, но и для одного и того же в различных условиях. Таким образом, системы слежения, в которых человек включен в контур управления, можно отнести к классу систем управления с неполной нформацией, со сложной, немоделируемой динамикой и неконтролируемым изменением собственных свойств.

Поэтому для компенсации ошибки оператора в контуре следящей системы предлагается построить его идентифицирующую модель на основе вейвлет-сетей.

Постановка задачи: Разработать методику создания и настройки идентифицирующих вейвлет-нейронных сетей при помощи искусственных иммунных систем для компенсации ошибки человека-оператора в контуре управления следящей системы.

 

Решение задачи

1.  Вейвелет-преобразования

Вейвлет («всплеск», «выброс», «короткая волна») представляют собой волновые функции, способные осуществлять преобразование Фурье не по всей временной оси, а локально по месту своего расположения.  Вейвелеты используют в случаях, когда результат анализа исследуемого сигнала должен содержать не только перечисление его характерных частот (масштабов), но и сведения об определенных локальных координатах, при которых эти частоты проявляют себя. Основным полем применения вейвелет-анализа является анализ и обработка нестационарных (во  времени) или неоднородных в (пространстве)   сигналов разных типов. Общий принцип построения базиса вейвелет-преобразоания и смещений. Любой из наиболее часто  применяемых вейвелетов порождает полную ортонормированную систему функций с конечным носителем,построенную с использованием масштабного преобразования сдвигов. За счет изменения масштабов вейвлетов способны выявить различие в характеристиках на разных шкалах, а путем сдвига проанализировать свойства сигнала в разных точках на всем изучаемом интервале. При анализе нестационарных сигналов за  счет свойств локальности вейвелеты имеют существенное преимущество  перед преобразованием Фурье.

Непрерывное вейвелет-преобразование является скалярным произведением   и базисных функций.

(2)

Базисные функции  являются вещественными и колеблются вокруг оси абсцисс. Они определены на некотором интервале. Данные функции называются вейвлетами  и могут рассматриваться как масштабируемые и сдвинутые версии материнской функции . Параметр  показывает смещение во времени, а - параметр масштаба. Большое значение  соответствует низким частотам, малые – высоким. Множитель  является нормирующим в -пространстве, другими словами если материнский вей влет имел норму равную 1. Операция умножения на окно содержится как бы в самой базисной функции, которая позволяет сужать и расширять это окно. Отсюда появляется возможность адаптивного выбора параметров окна для соответствующего сигнала.

 

2.  Вейвлет-нейронной сети

Вейвелет-неронные сети являются нейронными сетями с прямой передачей данных с одним скрытым слое, где в качеств базисных функций используются семейства ортонормированных вейвелетов. Вейвелет-нейронные сети сочетают в себе нейронные сети с прямой передачей данных и аппарат основанны на вейвелет-декомпозиции. Основная идея вейвелет-декомпозиции состоит в разложении сигнала  в ряд функций, зависимых от растяжений  смещений материнского вейвелета. Эти функции в таком случае представляют нейронные сети типа персе трон. В большинстве работ по вейвелет-нейронным сетям в качестве активационных функций используют простейшие типы вейвелетов, таким образом используя малую часть преимуществ теории вейвелетов.

Свойства таких вейвелет-нейронных сетей определяется активизационными вейвелет-функциями, которые состоят из сдвигов и растяжений материнского вейвелета. Преимуществами вейвелет-функций является то, что они имеют вид, локализованный во времени(или пространстве) волновых пакетов с нулевым затягиванием интеграла, обладают возможностью сдвига во времени, способны к масштабированию(сжатию-растяжению), а также имеют локальный частотный спектр[ 4,10,11].

Аппроксимируемый сигнал  вейвелет-нейронной сети может быть формально представлен

(3)

Структура вейвлет-нейронной сети, используемой в данной работе для построения модели временного ряда, представлена на рисунке 1.

 

Рис. 1. Структура вейвлет-нейронной сети

 

Параметры нейронной сети wk, ak, и bk (вес, масштаб и сдвиг по временной оси) являются настраиваемыми параметрами которые необходимо оптимизировать, свертывая функцию стоимости или функцию энергии, E, на исследуемый временной промежуток t. Таким образом, что

e(t )  =  y(t )  -  ^y (t ),

 

(4)

 

которое является переменной от ошибки функции времени t, где y(t) является целевой функцией. Функция энергии определяется как


(5)

В качестве параметров вейвлета используется его масштаб и сдвиг по временной оси. В представленной работе рассматривается сеть, использующая один тип вейвлета, а именно вейвлет «Мексиканская шляпа» (рис. 2), аналитическое выражение которого выглядит так:

В качестве материнских вей вейвлетов использовались, вей влеты «Мексиканская шляпа», “Морлета” и “Шеннона”.

Для настройки параметров вейвелет сетей, наиболее широкое распространение получили методы, минимизирующие критерий обучения, связанный, с квадратами рассогласований между внешним обучающим сигналом  и выходом сети .

Табл. 1.

Используемые вейвлеты

Имя вейвлета

Определение

Графическое представление

Мексиканская шляпа

 

 

Морлет

 

 

 

 

Шеннон

 

 

 

 

Простейшей из этих процедур является алгоритм Уидроу-Хоффа, минимизирующий при каждом такте локальный критерий

(6)

Обладая высоким быстродействием, а следовательно и выраженными следящими свойствами, эта процедура плохо работает в условиях помех, искажающих обрабатываемые сигналы, в связи с чем при работе со стохастическими процессами чаще всего применяется метод наименьших квадратов.

Процедуры, связанные  с методом наименьших квадратов, минимизируют критерий (7):

(7)

заданный на всей обучающей выборке и фактически обеспечивают решение системы нормальных уравнений.

Несмотря, на положительные свойства описанных подходов обучения вейвелет-нейронных сетей, открытым остается вопрос выбора топологии (количество нейронов внутреннего слоя) вейвелет-нейронной сети. На практике это относится к чисто эмпирической процедуре. Хотя, учитывая рассмотренные свойства вейвелетов (сжатие и растяжения) количесто вейвелет-нейроннов в вейвелет-нейронной сети оказывает прямое влияние на качество аппроксимации стохастического сигнала.

В качестве функции активации выходного слоя исполу зовалась линейная функция активации:

(8)

 

Для решения данной проблемы нами предложено использовать алгоритм клонального отбора, который является одним из алгоритмов искусственной иммунной системы.

 

3.  Применение искусственной иммунной системы

Искусственные иммунные системы [5,6] представляют собой методику решения задач, основанную на биологических принципах естественных иммунных систем позвоночных животных и человека. ИИС преимущественно используются для решения двух больших классов задач: оптимизации и распознавания. Как и естественные иммунные системы, ИИС используют модель распознавания чужеродных структур (антигенов) специальными рецепторами – антителами. Существует несколько разновидностей ИИС. В данной работе используется ИИС, основанная, на принципах клонального отбора, реализованная в виде алгоритма клонального отбора (CLONALG), детальное описание которого приведено в [7]. Очевидно, что ИИС представляет собой идеализированный вариант ее естественного аналога, и воспроизводит лишь ключевые составляющие природного процесса. Этими составляющими являются: отбор лучших антител популяции в зависимости от степени их афинности антигену, клонирование антител, гипермутация и редактирование рецептора. С точки зрения ИИС, каждое антитело представляет собой один вариант решения задачи, закодированный в виде строки бит или символов. Способ кодирования антител зависит от структуры задачи и ее принадлежности к той или иной предметной области. Кроме того, от типа задачи, также, зависит и способ оценки антител, т.е. вид функции афинности. Разработка лишь этих двух составляющих дает возможность полностью адаптировать ИИС для решения задач в выбранной предметной области.

Отличительной чертой алгоритма клонального отбора и преимущество его перед генетическими алгоритмами, является его способность избегать локальные минимумы, что обусловлено действием операторов замещения и гипермутации. Операторы замещения в иммунной системы связаны с понятием иммунной метадинамики, который также носит название механизма иммунного пополнения и позволяет осуществлять отбор новых элементов согласно общему состоянию системы, что означает, чувствительность системы к этому новому элементу. Данная чувствительность обычно измеряется аффинностью, которую имеет этот элемент с действительно уже существующими элементами.

Рис. 2 Гипотетическое изображение поиска в пространстве аффинности

Формально алгоритм клональной селекции можно представить следующим образом:

,

(9)

где  – пространство поиска (пространство форм); – представление пространства; l – длина вектора атрибутов (размерность пространства поиска); k – длина рецептора антитела;  – размер популяции антител;  - функция экспрессии; f – функция аффинности; I – функция инициализации начальной популяции антител; - условие завершения работы алгоритма; AG – подмножество антигенов; AB – популяция антител; S – оператор селекции; C – оператор клонирования; M – оператор мутации; n – количество лучших антител, отбираемых для клонирования; d – количество худших антител, подлежащих замене новыми.

Рассмотрим пространство форм () фенотипов и пространство их представлений в виде антител () или пространство генотипов. Функция

(10)

является функцией преобразования вариантов решений из  в их внутренние представления () в виде индивидуумов популяции. Эта функция иначе называется функцией экспрессии.  Предполагается, также, что для каждого решения  существует одно и только одно его представление . При этом в общем случае обратное утверждение неверно. Используя обобщенное представление, можно ввести функцию аффинности f:

.

(11)

При этом задача состоит в максимизации функции аффинности.

Принимая начальный размер популяции антител (), можно ввести функцию инициализации в виде:

.

(12)

Часто инициализация производится случайным образом с использованием равномерного распределения.

Пусть - унарный стохастический оператор преобразования на множестве , который использует управляющее множество  для генерации управляющих параметров, определяющих способ преобразования на текущем шаге работы алгоритма. Следовательно, функциональная запись оператора  может быть представлена так:

.

(13)

Оптимальным решением  относительно оператора  и антигена  называется индивидуум, чья аффинность не может быть увеличена при дальнейшем воздействии оператора преобразования , т.е.

.

(14)

Условие останова () выполняется когда популяция антител полностью распознает популяцию антигенов, т.е.

.

(15)

Оператор селекции S формирует подмножество  индивидуумов, чья аффинность является лучшей в данном поколении. Таким образом, S совместно с управляющим множеством  представляет функцию:

,

(16)

множество, которое образуется в результате селекции:

.

(17)

Аналогично производится отбор индивидуумов в популяцию клеток памяти.

Оператор клонирования C увеличивает представительство элементов множества  в популяции и совместно с управляющим множеством  может быть записан так:

.

(18)

Оператор мутации M с управляющим множеством :

.

        (19)

Метадинамика системы выражена в виде функции замещения худших антител популяции:

.

(20)

Худшие антитела предварительно отбираются при помощи оператора селекции.

Ниже приводится обобщенное пошаговое описание алгоритма.

Шаг 1. Инициализация. Создание (обычно случайной генерацией) начальной популяции антител (AB).

Шаг 2. Вычисление аффинности. Для каждого антитела  вычислить его аффинность по отношению к каждому антигену . Результаты записать в матрицу аффинностей  и .

Шаг 3. Клональная селекция и распространение. Выбрать из популяции по n лучших антител для каждой строки матрицы D, и поместить их в отдельную популяцию клонов . Генерировать клоны элементов популяции  пропорционально их аффинности, т.е. чем выше аффинность, тем большее количество клонов создается и наоборот.

Шаг 4. Созревание аффинности. Подвергнуть мутации все клоны популяции  с вероятностью обратно-пропорциональной их аффинностям, т.е. чем ниже аффинность индивидуума, тем выше вероятность его мутации. Вычислить новую аффинность каждого антитела  аналогично п.2, получив матрицу аффинностей . Выбрать из популяции  n антител, для которых соответствующий вектор-столбец матрицы  дает лучший обобщенный результат аффинности, и перенести их в популяцию клеток памяти .

Шаг 5. Метадинамика. Заменить d худших антител популяции AB новыми случайными индивидуумами.

Шаг 6. Заменить n антител популяции AB клетками памяти из  и перейти к п.2 пока не будет достигнут критерий останова.

Особенностью алгоритма клональной селекции является то, что он, в отличие от иммунной сети, поддерживает постоянный размер популяции антител.

В представленной работе ИИС используется для оптимизации параметров вейвлет-нейронной сети, следовательно, каждое антитело должно содержать в себе информацию о структуре и значениях параметров для одного варианта вейвлет-нейронной сети. Структура антитела, разработанной ИИС представлена на рисунке 3.

Рис. 3 Структура антитела ИИС

Антитело состоит из семи частей. Первая часть представляет собой стоку определяющая максимальное число выбранных нейронов, кодирующую структуру скрытого слоя вейвлет-нейронной сети. Раздел вейвлет-коэффициентов содержит значения масштабов и временных сдвигов соответствующих вейвлетов, раздел весов выходного слоя определяет значение весов выходного слоя, пятая часть содержит тип активизационной функции и в самом конце строки находится раздел параметров активизационной функции выходного слоя.

Для оценки антитела, клональный алгоритм воспроизводит соответствующий его структуре вариант вейвлет-нейронной сети и рассчитывает среднеквадратическую ошибку спрогнозированных сетью и реальных значений временного ряда на обучающей выборке данных. Эта ошибка становится мерой афинности соответствующего антитела популяции.

 

4.  Экспериментальные исследования

Проведён компьютерный эксперимент. Для моделирования были сгенерированы двумерный массив, содержащий воздействие на оператора и  реакция оператора на воздействия. Необходимо по реакции оператора определить величину воздействия.

Тренировочная выборка состояла из 11315 измерений, тестовая из 10382 измерений.

 В качестве постоянных параметров настройки использовались:

Условие останова 100 поколений

  • % отбора лучших индивидуумов из популяции 0,7
  • Общий уровень мутации 0,8
  • Жесткость отбора (селективное давление) 20

В качестве изменяемых параметров:

  • Размер основной популяции индивидуумов 50, 100, 300
  • Размер популяции клонов 25, 300
  • Максимальное количество нейронов верхнего слоя:52, 78, 156.

Оценка и выбор полученных моделей оценивалась с помощью множества статистических параметров. Они разрешают оценить в отдельности значимость , определить интегральную погрешность модели относительно исходных данных, установить наличие корреляции между значениями ошибки модели, а также определить степень адекватности модели физическому процессу в целом. В это множество входят такие статистические параметры:

1. Коэффициент детерминации . Мерой информативности временного ряда часто используют его дисперсию. Коэффициент  - это отношения дисперсии той части временного ряда основной переменной, что описывается полученным уравнением, к выборочной дисперсии этой переменной. Он исчисляется по формуле: .

Очевидно, что для адекватной модели коэффициент детерминации должен направляться к единице, то есть: .

2. Сумма квадратов ошибок модели , то является , где ;  измерения;  длина выборки. Очевидно, что из возможных кандидатов необходимо выбирать ту модель, для которой  принимает минимальное значение.

 Статистика Фишера , что определяет степень адекватности модели в целом. Для адекватной модели выполняется условие: , где   определяется по таблице аналогично  статистике. Значение  пропорционально , где  коэффициент детерминации. Таким образом, большему значению  отвечает более адекватная модель.

Седнеквадратическая ошибка, определяет точность прогноза и рассчитывает точность прогноза по формуле: , где вычисленное значение, - фактическое значение, - объем выборки.

Критерий Колмогорова-Смирнова – одновыборочный критерий нормальности, основан на максимуме разности между кумалятивным распределением выборки и предполагаемым кумалятивным распределением. Применени данного критерия обусловлено тем, что, остатки  должны бать независимми нормально распределенными случайными величинами с нулевым средним. Статистика критерия – абсолютная величина разности эмпиричской F*(x) и теоретической F(x)  функций распределения:

Находится наибольшая разность между эмпирической F*(x) и теоретической F(x) фyнкциями распределения:  D = max|F(xi)F*(xi)|      (i=1,2,…,k).

Находится величина               по таблице  находится вероятность  р(λ) того, что расхождение D между F(x) и F*(x) носит случайный характер. Если эта вероятность велика, то нет оснований, считать, что гипотеза о законе распределения несправедлива, если же р(λ) мала (обычно меньше 0,1), то нулевая гипотеза нуждается в дополнительной проверке, так как есть основания считать, что распределение величины Х не описывается удовлетворительно выбранной функцией. В зависимости от выдвинутой (так называемой нулевой) гипотезы подсчитывают значения эмпирических квантилей zi для правых значений интервалов xi.  Затем по находятся значения функции нормального распределения F(z), представляющие вероятность того, что наблюденное значение х будет меньше правого конца хi интервалa с номером i.

Далее, согласно критерию Колмогорова, находится наибольшая разность D и затем – λ . По таблице . 1 оценивается вероятность справедливости нулевой гипотезы. Если статистика Колмогорова-Смирнова значима, то гипотеза о том, что соответствующее распределение нормально, должна быть отвергнута, т.е. если  статистика Колмогорова-Смирнова значима, то гипотеза о том, что соответствующее распределение нормально, должна быть отвергнута. Для проведения эксперимента использовалась компьютерная программа, в которой моделируется текущее положение объекта слежения (цели) и фиксируются текущие координаты положения курсора манипулятора «мышь» и ошибки оператора при слежении оператора за целью с помощью мыши.

 

 

Табл. 1.

Точность полученных моделей вейвелет нейронных сетей при различных вейвелетах, количестве нейронов,  заданных параметрах настройки объема поппуляции и максимальном количестве клонов

Тип вейвлета

Верхний

допустимый

максимум

количества

нейронов

Фактическое количество нейронов

Отношение:

Популяция/К-во

клонов

RMSE

MexicaHat

52

30

50/300

0,020

MexicaHat

78

31

50/300

0,019

MexicaHat

156

88

50/300

0,032

MexicaHat

52

20

300/300

0,022

MexicaHat

78

47

300/300

0,091

MexicaHat

156

80

300/300

0,042

MexicaHat

52

20

100/25

0,016

MexicaHat

78

47

100/25

0,024

MexicaHat

156

80

100/25

0,074

Morlet

52

29

50/300

0,035

Morlet

78

40

50/300

0,028

Morlet

156

76

50/300

0,028

Morlet

52

27

300/300

0,051

Morlet

78

43

300/300

0,077

Morlet

156

84

300/300

0,103

Morlet

52

27

100/25

0,050

Morlet

78

43

100/25

0,049

Morlet

156

84

100/25

0,115

Shennon

52

25

50/300

0,020

Shennon

78

36

50/300

0,054

Shennon

156

69

50/300

0,045

Shennon

52

24

300/300

0,100

Shennon

78

26

300/300

0,086

Shennon

156

82

300/300

0,234

Shennon

52

24

100/25

0,145

Shennon

78

26

100/25

0,261

Shennon

156

82

100/25

0,243

 

 

Получена оценка ожидаемой эффективности разработанной методики нейросетевой компенсации ошибок слежения. В качестве показателя эффективности принята среднеквадратическая ошибка слежения. Анализ результатов эксперимента показал, что использование нейросетевой компенсации на основе вейвлет-сетей позволит уменьшить ошибку слежения в несколько раз.

 

 

Табл. 2.

Анализ остатков и коэффициент детерминации

Тип вейвлета

Фактическое

количество

нейронов

Колмогорова-

Смирнова

pначение

Сумма

квадратов

ошибок

Коэффециент

детерминац.

MexicaHat

30

0,078

0,010

4,342

0,985

MexicaHat

31

0,056

0,010

3,377

0,998

MexicaHat

88

0,076

0,010

10,698

0,963

MexicaHat

20

0,910

0,010

5,183

0,941

MexicaHat

47

0,021

0,010

86,219

0,995

MexicaHat

80

0,086

0,010

18,285

0,991

MexicaHat

20

0,070

0,010

2,758

0,946

MexicaHat

47

0,088

0,010

6,145

0,994

MexicaHat

80

0,082

0,010

56,809

0,556

Morlet

29

0,102

0,010

12,574

0,915

Morlet

40

0,071

0,010

4,342

0,900

Morlet

76

0,064

0,010

7,995

0,992

Morlet

27

0,061

0,010

26,984

0,990

Morlet

43

0,127

0,010

60,774

0,429

Morlet

84

0,070

0,010

109,191

0,994

Morlet

27

0,142

0,010

26,257

0,988

Morlet

43

0,129

0,010

25,004

0,992

Morlet

84

0,131

0,010

136,940

0,941

Shennon

25

0,103

0,010

4,153

0,975

Shennon

36

0,137

0,010

30,772

0,906

Shennon

69

0,078

0,010

21,372

0,988

Shennon

24

0,108

0,010

102,894

0,908

Shennon

26

0,110

0,010

76,358

0,786

Shennon

82

0,071

0,010

568,241

0,382

Shennon

24

0,138

0,010

216,989

0,645

Shennon

26

0,093

0,010

708,098

0,579

Shennon

82

0,084

0,010

646,148

0,038

 

а

б

в

 

Рис. 5 Зависимость адекватности нейросетевой модели от количества нейронов внутреннего слоя при F- критическом 1,033

 

5.  Выводы

В данной работе рассмотрена методика создания и настройки вейвлет-нейронных сетей при помощи искусственных иммунных систем. На базе этой методики разработана программа, которая была протестирована посредством решения задачи компенсации ошибок оператора при слежении за целью на экране монитора с помощью манипулятора. Приведенные в работе примеры показывают высокие результаты тестирования вейвлет-нейронной сети, работающей под управлением ИИС. В качестве направления дальнейших исследований предлагается расширение существующей системы путем добавления других архитектур вейвлет-нейронных сетей, а также проведение сравнительных тестов с рядом разновидностей иммунных алгоритмов.

 

Models neural wavelet networks for the decision of a problem of indemnification of errors of the operator-tipper-of in a contour of management of system watching the purpose are developed and investigated. Comparative researches of accuracy and adequacy of the received models are carried out.

 

1.                  Луизов А.В. Инерция зрения. –М.: Оборонгиз, 1961, 0206с.

2.                  Луизов А.В., Травникова Н.П. Вероятность обнаружения движущихся объектов. –М.: Светотехника, 1984, с.7-9.

3.                  Цибулевский И.Е. Человек как звено следящей системы – М.: Наука, 1981. – 288с

4.                  Daubechies, Ten Lectures on Wavelets, CBMS-NSF Regional Series in Applied Mathematics, SIAM, Philadelphia, (1992).

5.                  Tarakanov A.O.,Skormin V.A., Sokolova S.P. Immunocomputing: principles and applications, Springer, 2003

6.                  Burnet F.M. The Clonal Selection Theory of Acquired Immunity. The University Press, Cambridge 1959.

7.                  De Castro, L. N. & Von Zuben, F. J. (2000a), “The Clonal Selection Algorithm with Engineering Applications”, submitted to GECCO’00.

8.                  Четырин С.П., Вилор М.Ю. Адаптивный нейросетевой компенсатор ошибок оператора-наводчика при визуальном слежении за целью//Збірник наукових правь Севастопольского військово-морського ордена Червоної зірки института ім. П.С.Нахімова. Випуск 1(9), 2006 р. С.151-157

9.                  Фефелов А.А., Литвиненко В.И. Горавский С.П. Построение и настройка вейвелет нейронных сетей при помощи искусственных иммунных систем// Інтелектуальні системи прийняття рішень та прикладні аспекти інформаційних технологий: Матеріали науково-практичної конференції, Том 5., с.77-80.

10.              Bodyanskiy Ye., Lamonova N., Pliss I.,Vynokurova O. An adaptive learning algorithm for a wavelet neural network // Expert Systems. – 2005. – 22. N. 5 – P.235-240.

11.              Lekutai, G., Adaptive Self-Tuning Neuro Wavelet Network Controllers, PhD Thesis,

1.                  Virginia Polytechnic Institute and State University, The Electrical Engineering Department, 1997.

12.              Руденко О.Г., Бодянский Е.В. Основы теории искусственных нейронных сетей. — Харьков: ХЕЛЕТЕХ, 2002.

 

 

 





Ответы на вопросы [_Задать вопроос_]

Информационно-управляющие комплексы и системы

Теленик С.Ф., Ролік О.І., Букасов М.М., Андросов С.А. Генетичні алгоритми вирішення задач управління ресурсами і навантаженням центрів оброблення даних

Богушевский В.С., Сухенко В.Ю., Сергеева Е.А., Жук С.В. Реализация модели управления конвертерной плавкой в системе принятия решений

Бень А.П., Терещенкова О.В. Применение комбинированных сетевых методов планирования в судоремонтной отрасли

Цмоць І. Г., Демида Б.А., Подольський М.Р. Методи проектування спеціалізованих комп’ютерних систем управління та обробки сигналів у реально-му час

Теленик С.Ф., РолікО.І., Букасов М.М., РимарР.В., Ролік К.О. Управління навантаженням і ресурсами центрів оброблення даних при виділених серверах

Селякова С. М. Структура інтелектуальної системи управління збиральною кампанією

Еременко А.П., Передерий В.И. Принятие решений в автоматизированных системах с учетом психофункциональных характеристик оператора на основе генетических алгоритмов

Львов М.С. Алгоритм перевірки правильності границь змінення змінних у послідовних програмах

Ляшенко Е.Н. Анализ пожарной опасности сосновых насаждений в зоне Нижне-днепровских песков – самой большой пустыни в Европе

Кучеров Д.П., Копылова З.Н. Принципы построения интеллектуального автору-левого

Касаткина Н.В., Танянский С.С., Филатов В.А. Методы хранения и обработки нечетких данных в среде реляционных систем

Ходаков В.Е., Жарикова М.В., Ляшенко Е.Н. Применение когнитивного подхода для решения задачи поддержки принятия управленческих решений при ликвидации лесных пожаров

Гончаренко А.В. Моделювання впливу ентропії суб’єктивних переваг на прийняття рішень стосовно ремонту суднової енергетичної установки

Фарионова Н.А. Системный подход построения алгоритмов и моделей систем поддержки принятия решений при возникновении нештатных ситуаций

Биленко М.С., Серов А.В., Рожков С.А., Буглов О.А. Многоканальная система контроля качества текстильных материалов

Мотылев K.И., Михайлов M.В., Паслен В.В. Обработка избыточной траекторной информации в измерительно-вычислительных системах

Гончаренко А.В. Вплив суб’єктивних переваг на показники роботи суднової енергетичної установки

Гульовата Х.Г., Цмоць І.Г., Пелешко Д.Д. Архітектура автоматизованої системи моніторингу і дослідження характеристик мінеральних вод

Соломаха А.В. Разработка метода упреждающей компенсации искажений статорного напряжения ад, вносимых выходными силовыми фильтрами

ПотапенкоЕ.М., Казурова А.Е. Высокоточное управление упругой электромеханической системой с нелинейным трением.

Кузьменко А.С., Коломіц Г.В., Сушенцев О.О. Результати розробки методу еквівалентування функціональних особливостей fuzzy-контролерів

Кравчук А. Ф., Ладанюк А.П., Прокопенко Ю.В. Алгоритм ситуационного управления процессом кристаллизации сахара в вакуум-аппарате периодического действия с механическим циркулятором

Абрамов Г.С., Иванов П.И., Купавский И.С., Павленко И.Г. Разработка навигационного комплекса для автоматического наведения на цель системы груз-управляемый парашют

Бардачев Ю.Н., Дидык А.А. Использование положений теории опасности в искусственных иммунных системах

Рожков С.О., Кузьміна Т.О., Валько П.М. Інформаційна база як основа для створення асортименту лляних виробів.

Ускач А.Ф., Становский А.Л., Носов П.С. Разработка модели автоматизированной системы управления учебным процессом

Мазурок Т.Л., Тодорцев Ю.К. Актуальные направления интеллектуализации системы управления процессом обучения.

Ускач А.Ф., Гогунский В.Д., Яковенко А.Е. Модели задачи распределения в теории расписания.

Сідлецький В.М., Ельперін І.В., Ладанюк А.П. Розробка алгоритмів підсистеми підтримки прийняття рішень для контролю якості роботи дифузійного відділення.

Пономаренко Л.А., Меликов А.З., Нагиев Ф.Н. Анализ системы обслуживания с различными уровнями пространственных и временных приоритетов.

Коршевнюк Л.О. Застосування комітетами експертів системи нечіткого логічного виводу із зваженою істинністю.. – С. 73 – 79.

Кирюшатова Т.Г., Григорова А.А Влияние направленности отдельных операторов и направленности всей группы на конечный результат выполнения поставленной задачи.

Петрушенко А.М., Хохлов В.А., Петрушенко І.А. Про підключення до мови САА/Д деяких засобів паралельного програмування пакету МРІСН.

Ходаков В.Е., Граб М.В., Ляшенко Е.Н. Структура и принципы функционирования системы поддержки принятия решений при ликвидации лесных пожаров на базе новых геоинформационных технологий.

Сидорук М.В., Сидорук В.В. Информационные системы управления корпорацией в решении задач разработки бюджета.

Нагорный Ю.И. Решение задачи автоматизированного расчета надежности иасуп с использованием модифицированного метода вероятностной логики

Козак Ю.А. Колчин Р.В. Модель информационного обмена в автоматизированной системе управления запасами материальных ресурсов в двухуровневой логистической системе

Гожий А.П., Коваленко И.И. Системные технологии генерации и анализа сценариев

Вайсман В.А., Гогунский В.Д., Руденко С.В. Формирование структур организационного управления проектами

Бараненко Р.В., Шаганян С.М., Дячук М.В. Аналіз алгоритмів взаємних виключень критичних інтервалів процесів у розподілених системах

Бабенко Н.И., Бабичев С.А. Яблуновская Ю.А. Автоматизированная информационная система управления учебным заведением

Яковенко А.Е. Проектирование автоматизированных систем принятия решений в условиях адаптивного обучения с учетом требований болонского процесса

Бараненко Р.В Лінеаризація шкали і збільшення діапазону вимірювання ємностей резонансних вимірювачів

Головащенко Н.В. Математичні характеристики шумоподібно кодованих сиг-налів.

Шерстюк В.Г. Формальная модель гибридной сценарно-прецедентной СППР.

Шекета В.І. Застосування процедури Append при аналізі абстрактних типів даних модифікаційних запитів.

Цмоць І.Г. Алгоритми та матричні НВІС-структури пристроїв ділення для комп'-ютерних систем реального часу.

Кухаренко С.В., Балтовский А.А. Решение задачи календарного планирования с использованием эвристических алгоритмов.

Бараненко Р.В., Козел В.Н., Дроздова Е.А., Плотников А.О. Оптимизация рабо-ты корпоративных компьютерных сетей.

Нестеренко С.А., Бадр Яароб, Шапорин Р.О. Метод расчета сетевых транзакций абонентов локальных компьютерных сетей.

Григорова А.А., Чёрный С. Г. Формирование современной информационно-аналитической системы для поддержки принятия решений.

Шаганян С.Н., Бараненко Р.В. Реализация взаимных исключений критических интервалов как одного из видов синхронизации доступа процессов к ресурсам в ЭВМ

Орлов В.В. Оценка мощности случайного сигнала на основе корреляционной пространственной обработки

Коджа Т.И., Гогунский В.Д. Эффективность применения методов нечеткой логики в тестировании.

Головащенко Н.В., Боярчук В.П. Аппаратурный состав для улучшения свойств трактов приёма – передачи информации в системах промышленной автоматики.