Распознавание режимов работы авиационного ГТД с использованием технологии нейронных сетей
Курсовой проект - Компьютеры, программирование
Другие курсовые по предмету Компьютеры, программирование
ализ (таблица 2) - (таблица 3) показывает, что применение для процесса распознавания режимов ГТД других архитектур НС, дает примерно те же результаты, что и персептрон.
При этом суммарные требуемые затраты на решение задачи классификации режимов ГТД в нейросетевом базисе не превышают 10 - 20 минут (Pentium - IV, 3 ГГц, среда моделирования - MATLAB R2009b). Основное время, затрачиваемое на решение задачи, используется на процесс обучения НС.
алгоритм распознавание двигатель байес моделирование
Заключение
На основании полученных результатов исследований можно сделать следующие выводы:
. Решение задачи классификации режимов работы авиационного двигателя в нейросетевом базисе позволяет более эффективно и качественно решить данную задачу, с меньшими затратами времени и вычислительных ресурсов.
. Решение задачи сводится к использованию рекуррентной НС, где входами ее являются текущие и задержанные параметры, причем оптимальный размер временного окна выбирается 812, а количество нейронов в скрытом слое 3550.
. Показано, что наименьшая ошибка обучения НС обеспечивается с использованием алгоритма сопряженных градиентов и квазиньютоновского алгоритма.
. Анализ качества классификации режимов работы ГТД с помощью нейронной сети на основе данных изделия 99 показывает, что качество распознавания режимов составляет практически 100%, а ошибка распознавания в рассматриваемом примере не превысила 0,4% на тестовой выборке.
Список используемых источников
1. Августинович В.Г. и др. Идентификация систем управления авиационных газотурбинных двигателей. Под редакцией Дедеша В.Т. - М.: Машиностроение, 1984. - 200 с.
. Агеев Д.А., Балухто А.Н. и др. Нейроматематика. Кн. 6. учеб. Пособие для вузов./ Общая ред. Галушкина А.И. - М.: ИПРЖР, 2002. - 448 с.
. Архитектура вычислителя для решения задачи восстановления потерянных данных с датчиков на базе нейронной сети/ Жернаков С.В., Муслухов И.И.// Нейроинформатика-2006: сб. науч. тр. VIII Всероссийской научно-технической конференции. Часть 3. -М.МИФИ, 2006. С.180-188.
. Боев Б.В., В.В. Бугровский и др. Идентификация и диагностика в информационно-управляющих системах авиакосмической энергетики. М.: Наука, 1998. - 168 с.
. Бортовая интеллектуальная система контроля и диагностики авиационного ГТД в режиме реального времени / Жернаков С.В., Муслухов И.И.// Актуальные проблемы в науке и технике: сб. матер. региональной школы-семинара аспирантов и молодых ученных. Уфа, Изд-во Уфимс. гос. авиац. техн. ун-та, 2007. Т. 2. С. 108-112.
. Васильев А.Н., Граничин О.Н. и др. Современные проблемы нейроинформатики. Кн. 23. Часть 2 . Коллективная могография/ Под ред. Нечаева Ю.И. - М.: Радиотехника, 2006. - 80 с.
. Васильев В.И. Экспертные системы: Управление эксплуатацией сложных технических объектов: Учеб. пособие для вузов / В.И. Васильев, С.В. Жернаков; УГАТУ.-Уфа: Б.и., 2003.-106 с
. Васильев В.И., Валеев С.С. и др. Применение нейросетевых моделей реального времени в системах управления ГТД. Труды 2-й Всероссийской научно-технической конференции Нейроинформатика-2000, Ч.1.М.:МИФИ, 2000. - С. 236 - 242.
. Васильев В.И., Валеев С.С. Применение нейросетевых моделей для обеспечения отказоустойчивости САУ ГТД. Материалы Республиканской НТК Интеллектуальное управление в сложных системах-99. - Уфа.: УГАТУ, 1999. - С. 54-56.
. Васильев В.И., Жернаков С.В., Фрид А.И. и др. Нейрокомпьютеры в авиации (самолеты) / Под ред. Васильева В.И., Ильясова Б.Г., Кусимова С.Т. Кн. 14: Учеб. пособие для вузов. - М.: Радиотехника, 2003. - 496 с.
. Галушкин А.И. Современные направления развития нейрокомпьютерных технологий в России. - Открытые системы, 1997, №4 (24), С. 25-28.
. Галушкин А.И. Теория нейронных сетей. Кн. 1. Сер.: Нейрокомпьютеры и их применение / Общая ред. Галушкина А.И. - М.: ИПРЖР, 2000. - 210 с.
. Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4: учеб. Пособие для вузов / Общая ред. Галушкина А.И. - М: ИПРЖР, 2001. - 256 с.
. Горбань А.Н. Обучение нейронных сетей. - М.: ПараГраф. 1990. - 160 с.
. Гузик В.Ф., Ермаков А.Е. и др. Нейрокомпьютеры в системах обработки сигналов. Кн. 9. Коллективная монография /Под ред. Галушкина А.И и Гуляева Ю.В. - М.: Радиотехника, 2003. - 224 с.
. Дорогов А.Ю., Ермоленко А.С. и др. Современные проблемы нейроинформатики. Кн. 23. Часть 1. Коллективная могография/ Под ред. Нечаева Ю.И. - М.: Радиотехника, 2006. - 80 с.
. Ефимов В.В., Козырев Г.И. и др. Нейрокомпьютеры в космической технике. Кн. 17. - М.: Радиотехника, 2004. - 320 с.
. Клейман Е.Г. Идентификация нестационарных объектов // Автоматика и телемеханика. 1999. № 10. С. 3-45.
. Клейман Е.Г., Мочалов И.А. Идентификация нестационарных объектов // Автоматика и телемеханика. 1994. №2. С. 3-22.
. Медведев В.С., Потемкин В.Г. Нейронный сети Matlab 6. - М.: Диалог-МИФИ, 2002. - 496 с.
. Методология IDEF0. Функциональное моделирование. М.: Метатехнология, 1993. - 117 с.
. Методология IDEF1Х. Функциональное моделирование. М.: Метатехнология, 1993. - 120 с.
. Муравьев Е.А., Лаппо В.Г. Предобработка информации при реализации нейросетевых технологий // Нейрокомпьютеры разработка и применение. - 2004. - №7-8. - С.105-110.
. Сигеру Омату, Марзуки Халид и др. Нейрокомпьютеры и их применение. / Под ред. Галушкина А.И. - М.: ИПРЖР, 2000. - 272 с.
. Харламов А.А. Нейросетевая технология представления и обработки информации (естественное представление знаний). Кн. 19. Монография/ под ред. Галушкина А.И. - М. Радиотехника, 2006. - 88 с.
. Web-сайт:
. Web-сайт: