Введение 6

1 Особенности использования нейронных сетей и генетических алгоритмов 10

1.1 Понятие нейросетей и генетических алгоритмов 10

1.2 Особенности существующих нейроэволюционных

алгоритмов 13

2 Общесистемные решения 16

2.1 Пояснительная записка к техническому проекту 16

2.2 Описание схемы организационной структуры ООО 17

2.3 Описание автоматизируемых функций и схемы функциональной структуры АС «Движение» 20

2.4 Описание постановки задачи автоматизации обучения нейросетей для задач безаварийного движения 22

3 Математическое обеспечение 23

3.1 Модель нейрона. Топологии нейронных сетей 23

3.2 Алгоритм поиска структуры нейронной сети 26

3.3 Кодирование информации о нейронной сети 27

3.3.1 Алгоритм кодирования информации о нейросети 27

3.3.2 Генетические операторы 29

3.4 Обучение нейросети 30

3.5 Описание схемы работы АС «Движение» 31

4 Информационное обеспечение 33

4.1 Перечень входных и выходных данных АС «Движение» 33

4.2 Описание работы датчиков 33

4.3 Описание формата входного сигнала 35

4.4 Описание типа и формата выходных данных 35

5 Техническое обеспечение АС «Движение» 37

5.1 Описание комплекса технических средств 37

5.2 Инструкция по эксплуатации комплекса технических средств 38

6 Программное обеспечение 40

6.1 Описание программного обеспечения 40

6.2 Описание контрольного примера 40

7 Организационное обеспечение 45

7.1 Описание организационной структуры ООО 45

7.2 Руководство пользователя АС «Движение» 45

8 8 Оценка надёжности автоматизированной системы обучения нейросетей для задач безаварийного движения (АС «Движение») по всем фазам проектирования 52

9 Экономическая часть 65

9.1 Расчет трудоемкости АС «Движение» 66

9.2 Расчет стоимости машинного часа 67

9.3 Расчет себестоимости АС «Движение» 72

9.4 Обоснование цены АС «Движение» 73

9.5 Анализ конкурентоспособности системы 74

9.6 Расчет экономического эффекта от внедрения АС «Движение» 76

10 Охрана труда и окружающей среды 80

10.1 Анализ вредных и опасных производственной факторов 80

10.2 Организация производственного помещения и размещение оборудования 81

10.3 Микроклимат производственных помещений и организация воздухообмена 82

10.4 Производственное освещение 87

10.5 Защита от излучений при работе на ПЭВМ 89

10.6 Эргономика рабочего места. Режим труда и отдыха 91

10.7 Электробезопасность 95

10.8 Пожарная безопасность 98

10.9 Охрана окружающей среды 101

Заключение 102

Библиографический список 105

Приложение А. Техническое задание на разработку АС «Движение» 1

Приложение Б. IDEF0 – диаграммы 1

Приложение В. Схема работы системы 1

Приложение Г. Текст программы

Современную деятельность человека трудно представить без использования различных автоматических и автоматизированных устройств. Такие устройства получают все большее распространение во всех сферах человеческой деятельности – от бытовой техники до сложных систем управления производственными процессами.

Как известно, автоматические и автоматизированные устройства состоят из аппаратной части и системы управления. Традиционно системы управления конструировались на основе математических моделей объектов управления и их поведения в среде функционирования. В последние годы все более широкое распространение получают системы управления, чьи принципы функционирования относятся к области работы со знаниями – к искусственному интеллекту (ИИ). К системам такого рода относятся экспертные системы, искусственные нейронные сети, системы с подкрепляющим обучением, системы на основе нечеткой логики, и т.п. К развиваемым в этой области подходам также относится оригинальный подход, называемый методом автономного адаптивного управления (ААУ).

Методология ААУ позволяет создавать адаптивные системы управления для приложений, в которых создание точных математических моделей объекта управления затруднено или невозможно. Используя входящие в состав системы ААУ подсистемы (блок датчиков, исполнительные органы, систему формирования и распознавания образов, базу знаний, систему моделирования эмоций, блок принятия решений), система ААУ накапливает эмпирически найденные знания о свойствах объекта управления и находит способ управлять им. Подсистемы организованы в виде структуры, общей для всех систем ААУ. Подсистемы могут быть реализованы на основе различных подходов, в том числе и на основе сетей специальных нейроноподобных элементов, разработанных для систем ААУ (везде ниже, говоря о нейроноподобных элементах или о нейронах, мы будем иметь ввиду именно эти модели нейронов, которые существенно отличаются от так называемых формальных нейронов, используемых в традиционных искусственных нейронных сетях (ИНС)).

В настоящее время проблемы, связанные с последним вариантом реализации систем ААУ, являются актуальными для дальнейшего развития метода. В частности, при проектировании прикладных систем ААУ на основе сетей нейроноподобных элементов возникают задачи подбора параметров нейроноподобных элементов, проектирования топологий их сетей и задача оптимизации полученных конструкций.

Одной из основных проблем, связанных с методологией ААУ, являлось отсутствие четких рекомендаций по синтезу и оптимизации параметров систем управления, разрабатываемых для конкретных прикладных задач. Наличие методики синтеза и оптимизации систем ААУ позволит получать более эффективные системы управления.

Системы ААУ являются новым видом нейроноподобных систем управления. Поскольку такого рода системы имитируют работу биологических нервных систем, то исследования в этой области опираются не только на знания теории управления, распознавания, статистики и других необходимых разделов математических наук, но и на знания основ нейрофизиологии, генетики, биологии развития. Концепция систем ААУ опирается на представление о структуре и функциях нервной системы, которые логически вынужденно следуют из тех условий, в которых существуют нервные системы. Согласно концепции ААУ, такая система управления должна одновременно решать несколько сложных задач, а именно: задачу автоматической классификации, распознавания, моделирования эмоций, получения, вывода и представления знаний, принятия решений и некоторые другие. К этим свойствам, которые характерны и для системы ААУ, относятся:

- адаптивность,

- обучение и управление в одном процессе,

- многокритериальность управления,

- независимость от математических моделей объектов управления,

- универсальность, пригодность для адаптивного управления разнообразными объектами – от технических и технологических процессов до социальных объектов.

Система ААУ состоит из нескольких функциональных подсистем, ответственных за выполнение каждой из перечисленных выше задач. Именно, это следующие подсистемы: блок датчиков, система формирования и распознавания образов, база знаний и система ее формирования, система принятия решения, блок исполнительных органов (актуаторов). Все основные подсистемы могут быть реализованы на основе сетей специальных нейроноподобных элементов.

На сегодняшний день одной из основных нерешенных проблем в рамках методологии ААУ является отсутствие формализованной методики синтеза систем управления для прикладных задач. В виду этого обстоятельства, при синтезе прикладных систем ААУ, используются эвристические соображения и простые математические модели.

Синтез системы ААУ представляет собой задачу большой размерности, решить которую аналитически на данном этапе не удается. Для ее решения требуется знать точную модель взаимосвязи параметров, определяющих систему, а также критерии, характеризующие успешность ее реализации. Такие характеристики можно получить только в результате наблюдений серии экспериментов по моделированию поведения системы. В виду отсутствия полной математической модели, связывающей параметры, определяющие систему ААУ с критериями качества ее реализации, задачу синтеза необходимо решать методом подбора параметров. Одним из самых перспективных направлений, реализующим метод подбора параметров, являются генетические алгоритмы.

Задачу синтеза систем ААУ можно рассматривать как задачу, состоящую из двух подзадач:

- задачи подбора оптимальных параметров блока датчиков и блока исполнительных органов (актуаторов) в комплексе, и

- задачи подбора оптимальных параметров подсистем, входящих в состав непосредственно системы управления.

Предложенные задачи могут быть применены к решению одной из важнейших задач в области искусственного интеллекта – задачу создания интеллектуальной системы управления движением транспортных средств, которая на данный момент является одной из самых актуальных и востребованных на практике.

1. ГОСТ 34.201 – 89 Информационная технология. Виды, комплектность и обозначение документов при создании автоматизированных систем.

2. ГОСТ 34.602 – 89 Информационная технология. Техническое задание на создание автоматизированных систем.

3. ГОСТ 12.1.005-88 Общие санитарно-гигиенические требования к воздуху рабочей зоны.

4. ГОСТ 19.404 – 79 Пояснительная записка.

5. ГОСТ 19.701 – 90 Схемы алгоритмов, программ, данных и систем.

6. ГОСТ 28.195 – 89 Оценка качества программных средств.

7. Р 2.2.755-99 Гигиенические критерии оценки условий труда по показателям вредности и опасности факторов производственной среды, тяжести и напряжённости трудового процесса.

8. СанПин 2.2.2/2.4-1340-03 Гигиенические требования к персональным электронно-вычислительным машинам и организации работы.

9. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. – Х.:ОСНОВА,1997.-112с.

10. Дорогов А. Структурные модели и топологическое проектирование быстрых нейронных сетей. - http://www.orc.ru/~stasson/fann.zip.

11. Жданов А.А., Метод автономного адаптивного управления // Известия Академии Наук. Теория и системы управления, 1999, № 5, с. 127-134.

12. Жданов А.А., Крыжановский М.В., Преображенский Н.Б.. Бионическая интеллектуальная автономная адаптивная система управления мобильным роботом //Мехатроника, 2004, №1, С. 21-30 и №2, С.17-22 (часть 2).

13. Каханер Д., Моулер К., Нэш С. Численные методы и программное обеспечение. – М: Мир, 1998. – 575с.

14. Клепиков В.Б., Махотило К.В., Сергеев С.А., Вороновский Г.К. Искусственные нейронные сети: новая парадигма в управлении.//В кн.: Проблемы автоматизированного электропривода. Теория и практика (Под редакцией В.Б. Клепикова и др.). - Харьков:Основа,1995,-сс.111-115.

15. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. – СПб.: Наука и Техника, 2003. – 384с.

16. Огнянович А. В. Методические указания по выполнению организационно – экономической части дипломного проекта. – Тула 2003.

17. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. – М: Финансы и статистика, 2002. – 344с.

18. Технико – экономическое обоснование дипломных проектов: Учеб. пособие для втузов/ Л. А. Астреина, В. В. Балдесов, В. К. Беклешов и др.; Под ред. В. К. Беклешова. – М.: Высш. Шк., 1991.

19. Типовые нормы времени на программирование задач для ЭВМ. – М.: Экономика, 1989.

20. Цой Ю.Р., Спицын В.Г. Применение генетического алгоритма для решения задачи адаптивного нейроуправления // Научная сессия МИФИ-2005. VII Всероссийская научно-практическая конференция "Нейроинформатика-2005": Сборник научных трудов. В 2-х частях. Часть 1. М.: МИФИ, 2005, с. 35-43.

21. Шукович Г. Применение генетических алгоритмов и систем генерирующих графов для создания модулярных нейросетей // Программирование, 2002, № 1, с. 13-20.

Примечаний нет.