Метод и алгоритмы обработки информации в системе прогнозирования качества агломерата

Вид материала

Автореферат

Содержание Научный руководитель Веселов Юрий Владимирович Общая характеристика работы Предмет исследования Целью диссертационной работы Методы исследований. Научная новизна и основные положения, выносимые на защиту Практическая ценность работы Реализация результатов работы. Апробация работы. Структура и объем работы. Основное содержание работы В первом разделе Во втором разделе R1 - начальная температура шихты tш, ряд R В третьем разделе Основные результаты работы Основные публикации по теме диссертации

Подобный материал:

• Алгоритмы обучения и архитектура нейронных сетей. Нейросетевые системы обработки информации, 21.42kb.
• Рабочая программа По дисциплине «Цифровые методы обработки аудио визуальной информации», 267.73kb.
• Примерная программа наименование дисциплины Структуры и алгоритмы компьютерной обработки, 215.14kb.
• Алгоритмы на графах, 47.29kb.
• Алгоритмы обработки символьной информации, 97.03kb.
• Интеллектуальный анализ данных в системе медис-4, 39.59kb.
• Информационный процесс, 76.37kb.
• Многофункциональный вычислительный комплекс для обработки радиолокационных сигналов, 99.08kb.
• Рабочая программа По дисциплине «Основы обработки визуальной информации» По специальности, 230.56kb.
• Контрольные вопросы по дисциплине «модели и алгоритмы обработки информации», 27.51kb.

На правах рукописи


Виноградова людмила нИколаевна


Метод и алгоритмы обработки ИНФОРМАЦИИ В СИСТЕМЕ ПРОГНОЗИРОВАНИЯ качества агломерата


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


АВТОРЕФЕРАТ

диссертации на соискание ученой степени

кандидата технических наук


Научный руководитель:

доктор технических наук, профессор,

Ершов Е.В.


Череповец – 2010

Работа выполнена в Череповецком государственном университете


Научный руководитель: доктор технических наук, профессор

Ершов Евгений Валентинович


Официальные оппоненты: доктор технических наук, профессор

Кабаков Зотей Константинович


кандидат технических наук

Веселов Юрий Владимирович


Ведущая организация: ООО «Северсталь-Промсервис»


Защита состоится 24 декабря 2010 г. в 14 часов на заседании диссертационного совета Д 212.297.02 при Череповецком государственном университете по адресу 162602, г. Череповец, Вологодская обл., ул. Луначарского, д.5.


С диссертацией можно ознакомиться в библиотеке Череповецкого государственного университета.


Автореферат разослан «23» ноября 2010 г.


Ученый секретарь диссертационного совета Харахнин К.А.


ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ


Актуальность темы. Современное агломерационное производство характеризуется повышением требований к качеству продукции, снижению ее себестоимости и улучшению экологической обстановки. В этих условиях одним из важнейших направлений совершенствования производства агломерата является повышение качества управления и прогнозирования. За последние 15÷20 лет в мировой практике агломерационного производства были предложены и внедрены разнообразные передовые методы и системы управления процессом спекания шихты и прогнозирования характеристик агломерата.

Получение малоразрушающегося агломерата остаётся главным фактором улучшения технологических параметров выплавляемого чугуна, снижения расхода кокса и увеличения производительности доменных печей, так как на большинстве отечественных и зарубежных предприятий агломерат является основным компонентом доменной шихты. Оптимальная крупность кусков агломерата для малых и средних доменных печей составляет от 5 до 40 мм, для крупных и сверхмощных от 15 до 40 мм.

Благодаря фундаментальным работам ученых В.Я. Миллера, А.М. Парфенова, Е.Ф. Вегмана, А.А. Сигова, С.В. Базилевича, В.И. Коротича, Г.Г. Ефименко и др. достигнуты значительные успехи в области совершенствования технологии производства агломерата. Наибольший вклад в развитие теории и практики управления и контроля агломерационного процесса внесли работы ученых С.Т. Ростовцева, И.П. Худорожкова, В.А. Уткова, Г.Г. Ефименко, Смирнова, Хохолова Д.Г., Каплуна Л.И., Шумакова Н.С., Малыгина А.В., С.В. Хопунова Э.А., В.Б. Тарасова, В.П. Пузанова, И.А. Дегтяренко, В.В. Кравцова, А.И. Иванова, А.Д. Пархоменко, З.К. Кабакова, Kasana S., Sasaki M., Kasai E., Nakajima K., Kurosawa S., Errigo V.

. Однако практически все известные методы ориентированы на прогнозирование результатов только процесса спекания шихты. Поэтому в настоящее время разработка методов обработки информации, позволяющих прогнозировать качество готового агломерата представляется актуальной научно-технической задачей.

Объект исследования: системы управления и прогнозирования качества агломерата на агломерационных машинах конвейерного типа.

Предмет исследования: математические модели, методы, процедуры обработки информации в системе прогнозирования качества агломерата.

Диссертационная работа выполнялась в рамках темплана Минобрнауки России «Разработка метода и средств прогнозирования результативности непрерывных технологических процессов термической обработки материалов» и госбюджетной НИР «Разработка методов и принципов построения многофункциональных систем технического зрения» (НИИ 01/Г-08, госбюджетная НИР в Череповецком государственном университете).

Целью диссертационной работы является повышение точности прогнозирования выхода годного агломерата на начальном этапе процесса спекания шихты на основе применения фрактальной аппроксимации технологических параметров и самонастраивающихся нейронных сетей.

Для достижения поставленной цели в работе решаются следующие основные задачи:

1) анализ методов и средств прогнозирования качества агломерата;

2. разработка математического обеспечения метода прогнозирования выхода годного агломерата;
   
3. разработка алгоритмов обработки информации и прогнозирования выхода годного агломерата;
   
4. экспериментальные исследования метода и средств обработки информации в системе прогнозирования качества агломерата.
   

Методы исследований. Для решения поставленных задач в работе использовались теоретические основы газодинамики и теплотехники агломерационного процесса; методы статистической обработки информации; методы цифровой обработки изображений; методы математического и компьютерного моделирования; методы прогнозирования.

Научная новизна и основные положения, выносимые на защиту:

1. Разработан метод хранения технологических параметров в системе прогнозирования качества агломерата, отличающийся сжатием вариационных рядов данных на основе фрактальной аппроксимации с использованием кеш-функции.

2. Предложен метод обработки параметров непрерывного технологического процесса спекания агломерационной шихты, отличающийся применением самонастраивающейся нейронной сети и позволяющий прогнозировать выход годного агломерата еще на начальном этапе процесса спекания шихты.

3. Разработано системно обоснованное алгоритмическое обеспечение прогнозирования выхода годного агломерата, включающее алгоритмы:

- аппроксимации экспериментальных данных фрактальными распределениями, позволяющий сжимать информацию натурных рядов данных без существенных потерь в точности;

- фрактальной компрессии изображения излома агломерационного спека, обеспечивающий высокий коэффициент сжатия;

- прогнозирования выхода годного агломерата с помощью самонастраивающейся нейронной сети, обеспечивающий повышение оперативности принятия решений.

Практическая ценность работы заключается в следующем:

1. Разработана информационная модель прогнозирования непрерывного технологического процесса спекания агломерационной шихты.
   
2. Предложена методика настройки алгоритмического обеспечения системы прогнозирования качества агломерата.
   
3. Создано программное обеспечение системы прогнозирования качества агломерата, реализующее метод и алгоритмы обработки информационных сигналов.
   

Реализация результатов работы. Разработанные метод и алгоритмы обработки информационных сигналов, реализованные в системе прогнозирования качества агломерата, прошли экспериментальную проверку в агломерационном производстве на ОАО «Северсталь» и внедрены в учебный процесс на кафедре «Программное обеспечение ЭВМ» Череповецкого государственного университета при проведении занятий по дисциплинам «Системы искусственного интеллекта», «Моделирование технических объектов», «Технология разработки программного обеспечения», а также в курсовом и дипломном проектировании.

Апробация работы. Основные положения диссертационной работы докладывались и получили положительную оценку на Международных и Всероссийских конференциях: 9-й Межд. конф. «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Курск, 2010 г.); 13-й, 14-й Межд. конф. «Системный анализ в проектировании и управлении» (С.-Петербург, 2009, 2010 гг.); 9-й Межд. конф. «Информационно-вычислительные технологии и их приложения» (Пенза, 2009 г.); 3-й Межд. конф. молодых ученых «Инновационные тенденции развития Российской науки» (Красноярск, 2010 г.); Межд. конф. «Информационно-измерительные, диагностические и управляющие системы» (Курск, 2009 г.); 1-й, 4-й Межд. конф. «Информационные технологии в производственных, социальных и экономических процессах» (Череповец, 1999, 2005 гг.); Всеросс. конф. «Интеллектуальные и информационные системы» (Тула, 2009 г.); 2-й Всеросс. конф. с межд. участием «Перспективы развития информационных технологий» (Новосибирск, 2010 г.); Всеросс. конф. «Череповецкие научные чтения» (Череповец, 2009, 2010 гг.) и на постоянно действующем научно-техническом семинаре кафедры программное обеспечение ЭВМ Череповецкого государственного университета.

Публикации. По материалам диссертации опубликованы 20 печатных работ, в том числе 2 монографии и 5 статей в рецензируемых научных журналах, входящих в Перечень ВАК Минобрнауки России.

Структура и объем работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка литературы, включающего 105 наименований и 3 приложений. Работа содержит 135 страниц, 44 рисунка и 10 таблиц.


ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ


Во введении обоснована актуальность, сформулированы цель и задачи исследования, представлены и положения, выносимые на защиту, их научная новизна и практическая ценность работы.

В первом разделе по данным отечественной и зарубежной литературы проведен анализ систем прогнозирования качества агломерата, который показал, что прогнозирование в данной предметной области является перспективным научным направлением.

На основе проведенного анализа сформулированы задачи работы и определен обобщенный параметр прогнозирования - выход годного агломерата, характеризующий в целом качество готовой продукции агломерационного производства.

Сформулированы функциональные требования к математическому обеспечению системы прогнозирования качества агломерата. На рис. 1 представлена обобщенная функциональная схема системы прогнозирования качества агломерата на агломерационной машине конвейерного типа.




Рис. 1. Обобщенная функциональная схема системы прогнозирования

качества агломерата


Во втором разделе на основе системного подхода разработана информационная модель процесса спекания агломерата (рис. 2), показывающая основные этапы обработки входных и выходных параметров технологических процессов при производстве агломерата.



Рис. 2. Информационная модель процесса спекания агломерата

На основе полученной модели были выбраны основные параметры, влияющие на качество агломерата, всего 18 параметров (состав шихты, скорость движения паллет, начальная температура шихты, время зажигания, высота насыпного слоя шихты и т.д.), разработан обобщенный метод прогнозирования выхода годного агломерата (рис. 3) и определены основные блоки системы прогнозирования качества агломерата.





Рис. 3. Логическая модель метода прогнозирования


В процессе работы системы прогнозирования качества, кроме прогноза выхода годного агломерата, продолжается накопление информации (параметры, влияющие на качество, изображения, полученные TV-камерой) в ретроспективном банке данных для последующего ее использования.

Для уменьшения объема информации, хранимой в базе данных, был разработан метод хранения технологических параметров производства агломерата, основанный на фрактальном сжатии изображений излома агломерационного спека и фрактальной аппроксимации рядов данных с помощью хеш-функции.

По степени значимости на выход годного агломерата выделены первые семь параметров: ряд R₁ - начальная температура шихты t_ш, ряд R₂ – доля возврата в шихте k_в, ряд R₃ – скорость движения паллет V_п, ряд R₄ – время зажигания шихты τ_з, ряд R₅ – скорость газа в слое V_г, R₆ - мощность источника тепла в слое q_т, R₇ - влагосодержание шихты k_вл. Расположение рядов относительно друг друга соответствует степени их значимости в порядке убывания. За ключевой ряд R_к принимаются данные о выходе годного агломерата. Это обусловлено тем, что точность определения выходного параметра всегда ниже точности входных параметров.

Для вариационных рядов, где необходим точный подбор аппроксимирующей кривой целесообразно применение распределения на основе множества Мандельброта с использованием хеш-функции, которая имеет вид:



где Y_ij - значения битового массива отображения (1 i N, 1 j M);

coll – коэффициент «процеживания» или число учитываемых коллизий хеш-функции;

interval – ширина битового изображения фрактала.

При изменении коэффициента коллизий можно получить другие вариационные распределения (рис. 4).





Рис. 4. Вариационные распределения:

1 – 0 коллизий, 2 – 1 коллизия, 3 – 50 коллизий, 4 – 100 коллизий


Для того чтобы значения элементов аппроксимирующего отрезка распределения соответствовали размерностям натурного ряда данных было произведено масштабирование.

При аппроксимации данных фракталом Мандельброта с использованием хеш-функции, ряд разбивается на 7 частей. В каждой части кривая задаётся прямоугольной областью фрактала и отрезком, на котором данные составляют прямую, приблизительно параллельную оси абсцисс.

Аппроксимируя такую кривую фракталом, получается коэффициент сжатия 1,7÷6,0, к тому же бесконечная извилистость фрактальной кривой даст возможность очень точно задать как местоположения отдельных точек, так и изменение их дисперсии вокруг линии тренда.

Кроме числовых значений входных параметров в базе данных хранятся изображения излома агломерационного спека, сжатые фрактальным методом, в основе которого лежит алгоритм разбиения исходного изображения на доменные и ранговые блоки и попытки нахождения таких сжимающих преобразовании, при которых находились бы наилучшие соотношения между ранговыми и доменными блоками. Ранговые блоки получают с помощью адаптивного разбиения с переменным размером блоков по технологии квадродерева. При подгонке доменных и ранговых областей используются аффинные преобразования, включающие операции параллельного переноса, поворота и масштабирования (сжатия).

Константы контрастности и яркости, которые необходимы для обработки цвета при использовании сжимающих отображений вычисляются по формулам:

, ,

где

, ,

, ,

здесь

d - матрица значения пикселей в доменной области;

r – матрица значений пикселей в ранговой области;

N – столбцы ранговой и доменной областей соответственно;

M – строки ранговой и доменной областей соответственно.

Уменьшение размера итогового изображения (сжатого) получается за счет того, что в файле будет храниться не информация о цвете каждого пикселя, а расположение рангового блока, домен, описывающий этот блок и информация о преобразованиях домена в ранговый блок.

Прогнозирование выхода годного агломерата осуществляется с помощью предварительно обученной нейронной сети Кохонена.

В работе описаны этапы процесса прогнозирования выхода годного агломерата, включающие сбор данных для обучения и тестирования нейронной сети, выбор характеристик сети, обучение и ее адаптация к реальным промышленным условиям.

В условиях агломерационного производства на ОАО «Северсталь» длина агломерационной машины 60 м, при средней скорости ее движения 1,75 м/мин среднее время процесса спекания шихты составит 34,3 мин. Для системы прогнозирования выхода годного агломерата период прогнозирования Т_п равен времени процесса спекания агломерата на агломерационной машине конвейерного типа, горизонт прогнозирования Г_п = Т_п, а интервал прогнозирования И_п задается равным 10 мин.

В третьем разделе на основе предложенных методов разработано алгоритмическое обеспечение системы прогнозирования качества агломерата, включающее следующие алгоритмы: аппроксимации экспериментальных данных фрактальными распределениями, фрактального сжатия изображения излома агломерационного спека, декомпрессии изображений и данных, обучения самонастраивающейся нейронной сети и прогнозирования выхода годного агломерата.

Алгоритм обучения сети Кохонена требует формирования весов входных параметров как до обучения, так и после.

В табл. 1 представлены веса обученной нейронной сети для 18 входных параметров.

Таблица 1

Веса сети Кохонена после обучения

	1	2	3	4	5	6
Нейрон1	53,7113	5,0641	5,4231	8,4551	25,9599	0,3172
Нейрон2	53,1906	4,9225	5,2856	8,4438	25,9673	0,3175
Нейрон3	51,8953	5,1475	5,2640	8,2135	27,1762	0,3427
	7	8	9	10	11	12
Нейрон1	6	1,8521	0,4224	1212,4856	6915,7615	3,7660
Нейрон2	6	1,8752	0,4408	1229,9985	5515,8408	3,7444
Нейрон3	6	1,8803	0,4443	1195,1550	5977,7420	3,7528
	13	14	15	16	17	18
Нейрон1	62,2103	1,4809	1,3533	0,7021	0,2396	1,1293
Нейрон2	60,6258	1,4811	1,3617	0,7064	0,2397	1,1268
Нейрон3	63,6811	1,4839	1,3532	0,6635	0,2395	1,1274

На рис. 5 представлены распределения весов и нейронов для тестового набора №1 в виде разреженной матрицы весов для двух первых параметров: начальная температура шихты и доля топлива в шихте.




Рис. 5. Разреженная матрица весов тестового набора № 1


После обучения нейронной сети система прогнозирования работает в соответствии с обобщенным алгоритмом прогнозирования выхода годного агломерата, блок-схема которого представлена на рис. 6.

После получения входных параметров формируется запрос в ретроспективный банк данных на наличие таких значений. В случае совпадения результаты прогнозирования выдаются на основе накопленного ретроспективного банка данных. В противном случае – работает процедура прогнозирования на основе самонастраивающейся нейронной сети.





Рис. 6. Блок-схема обобщенного алгоритма прогнозирования


В четвертом разделе определены основные функциональные элементы и блоки системы прогнозирования качества агломерата (рис. 7), предложена методика настройки алгоритмического обеспечения и приведены результаты экспериментальной проверки системы прогнозирования.

Экспериментальные исследования системы прогнозирования качества агломерата осуществлялись в условиях реального агломерационного производства с целью проверки надежности и эффективности методов и алгоритмов фрактального сжатия входных и выходных параметров и прогнозирования выхода годного агломерата.





Рис. 7. Функциональная схема системы прогнозирования

качества агломерата


Оценка адекватности результатов эксперимента выполнена с помощью критерия Фишера, при этом в агломерационном цехе № 3 ОАО «Северсталь» были проведены 560 опытов.

В табл. 2 представлены режимы работы обобщенного алгоритма прогнозирования.

Таблица 2

Выбор режима работы обобщенного алгоритма прогнозирования

№ п/п	Наборы входных параметров	Результат прогнозирования
		на основе ретроспективного банка данных	на основе самонастраивающейся нейронной сети
	Набор № 40	-	Высокое качество
	Набор № 41	-	Высокое качество
	Набор № 42	-	Высокое качество
	Набор № 43	Среднее качество	-
	Набор № 44	Высокое качество	-
	Набор № 45	Высокое качество	-

На начальном этапе формирования ретроспективного банка данных в большинстве случаев работает нейронная сеть, но по мере накопления информации система прогнозирования качества агломерата выдает результаты прогноза, не прибегая к помощи нейронной сети.

На рис. 8 представлены результаты прогнозирования для 25 опытов и гистограмма распределения выхода годного агломерата для 560 опытов.





Рис. 8. Результаты прогнозирования


Предложенный метод прогнозирования выхода годного агломерата позволяет уменьшить ошибку прогноза до 2÷5 %, расширяет функциональность и улучшает экономические показатели путем повышения оперативности принятия решений.

Обобщенные результаты достигнутых показателей приведены на диаграмме (рис. 9).



Рис. 9. Обобщенные результаты оценки эффективности применения метода прогнозирования выхода годного агломерата


Заключение содержит перечень основных результатов диссертационной работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ


1. Разработана информационная модель, позволяющая определить наиболее важные технологические параметры с точки зрения их влияния на выход годного агломерата.

2. Разработан метод хранения технологических параметров в системе прогнозирования качества агломерата, отличающийся сжатием вариационных рядов данных на основе фрактальной аппроксимации в 3,7 раза.

3. Разработан метод прогнозирования и обработки параметров непрерывного технологического процесса спекания агломерационной шихты, отличающийся использованием самонастраивающейся нейронной сети и позволяющий повысить точность прогнозирования выхода годного агломерата еще на начальном этапе процесса спекания шихты.

4. Разработано системно обоснованное алгоритмическое обеспечение системы прогнозирования качества агломерата, обеспечивающее повышение оперативности реализации принятых решений в 2,8 раза.

5. Разработано программное обеспечение системы прогнозирования качества агломерата, реализующее предложенные методы и алгоритмы.


ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

по Перечню ВАК

1. Виноградова, Л.Н. Способ сжатия экспериментальных данных фрактальными распределениями для прогнозирования хода непрерывных металлургических процессов [Текст]/ Л.Н. Виноградова, Е.В. Ершов. Производство проката. – 2010, № 3. – С. 35 – 38.
   
2. Виноградова, Л.Н. Использование нейронной сети и фрактальной аппроксимации для прогнозирования параметров макроструктуры и качества агломерата в оптико-электронной системе управления спеканием шихты [Текст]/ Л.Н. Виноградова, Е.В. Ершов, Е.С. Шумилова. Вестник Череповецкого гос. ун-та.–2010.– № 2.- С. 126–129.
   
3. Виноградова, Л.Н. Определение функциональных требований к системе прогнозирования выходных параметров непрерывного технологического процесса производства агломерата [Текст]/ Л.Н. Виноградова, Е.В. Ершов, Е.С. Шумилова. Вестник Череповецкого гос. ун-та.–2010.– № 3.- С. 123–127.
   
4. Виноградова, Л.Н. Математическое и алгоритмическое обеспечение системы прогнозирования выхода годного агломерата на основе искусственной нейронной сети Кохонена [Текст]/ Л.Н. Виноградова, Е.В. Ершов, Е.В. Майтама. Вестник Череповецкого гос. ун-та.–2010.– № 4.- С. 81-84.
   
5. Виноградова, Л.Н. Алгоритм фрактальной аппроксимации для сжатия изображений в оптико-электронных системах контроля качества продукции [Текст]/ Л.Н. Виноградова, Е.В. Ершов, Е.С. Шумилова. Известия вузов. Приборостроение. – 2010. - № 9. – С. 19-22.
   

Монографии

6. Виноградова, Л.Н. Технология проектирования информационного и программного обеспечения оптико-электронных систем управления, контроля и прогнозирования качества агломерата [Текст]: монография / Л.Н. Виноградова, Е.В. Ершов, О.Л. Селяничев, В.В. Селивановских, О.Г. Ганичева, Е.В. Королева, С.Н. Хисамутдинов – Череповец: ГОУ ВПО Череповецкий гос. ун-т, 2010. – 416 с.
   
7. Виноградова, Л.Н. Оптико-электронный контроль зажигания шихты и гранулометрического состава агломерата [Текст]: монография / Л.Н. Виноградова, Е.В. Ершов, О.Г. Ганичева, В.В. Селивановских. – Череповец: ГОУ ВПО Череповецкий гос. ун-т, 2007. – 204 с.
   

в других изданиях:

8. Виноградова, Л.Н. Разработка алгоритма прогнозирования параметров макроструктуры и качества агломерата с применением фрактального сжатия данных и нейронной сети [Текст]/ Л.Н. Виноградова, Е.В. Ершов, Е.С. Шумилова. Системный анализ в проектировании и управлении: сб. научных трудов XIV Междунар. кауч.-практ. конф. Ч.2: СПб.: Изд-во Политехн. ун-та, 2010. – С.167-168.
   
9. Виноградова, Л.Н. Алгоритм сжатия экспериментальных данных фрактальными распределениями в оптико-электронной системе управления процессом производства агломерата [Текст]/ Л.Н. Виноградова, Е.В. Ершов. Череповецкие научные чтения – 2009: Материалы Всероссийской научно-практической конференции. Часть 3. Современные проблемы технических, естественных и экономических наук. Череповец: ГОУ ВПО ЧГУ, 2010. – С. 199-201.
   
10. Виноградова, Л.Н. Алгоритмическое обеспечение системы прогнозирования параметров макроструктуры и качества агломерата на основе нейронной сети и фрактальной аппроксимации [Текст]/ Л.Н. Виноградова, Е.С. Шумилова. Инновационные тенденции развития Российской науки: сб. материалов III Междунар. (заочная) научно-практ. конф. молодых ученых. Краснояр. гос. аграр. ун-т. – Красноярск, 2010. – С. 282-284.
    
11. Виноградова, Л.Н. Применение нейронной сети и фрактальной аппроксимации для прогнозирования параметров макростурктуры и качества агломерата [Текст]/ Л.Н. Виноградова, Е.В. Ершов, Е.С. Шумилова. Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание-2010: сб. материалов IX Междунар. конф. Курск: Курск. гос. техн. ун-т, 2010. – С.255-256.
    
12. Виноградова, Л.Н. Алгоритм прогнозирования параметров макроструктуры и качества агломерата с использованием нейронной сети и фрактальной аппроксимации [Текст]/ Л.Н. Виноградова, Е.В. Ершов, Е.С. Шумилова. Перспективы развития информационных технологий: Сб. материалов II Ежегодной Всероссийской научно-практической конференции с междунар. участием. Новосибирск, 2010. – С. 65-68
    
13. Виноградова, Л.Н. Применение фрактальной аппроксимации для сжатия экспериментальных данных при прогнозировании оптимальной доли крупности кусков агломерата [Текст]/ Л.Н. Виноградова, Е.В. Ершов, Е.С. Шумилова. Информационно-вычислительные технологии и их приложения (МК-42-9): Сб. материалов XI Международной научно-технической конференций. Пенза, 2009.- С.114-117.
    
14. Виноградова, Л.Н. Метод сжатия экспериментальных данных в оптико-электронной системе управления процессом производства агломерата с помощью фрактальной аппроксимации [Текст]/ Л.Н. Виноградова, Е.В. Ершов. Интеллектуальные и информационные системы. Интеллект-2009: сб. материалов Всероссийской научно-технической конференции. Тула: Тульский гос. тех. универсистет, 2009. - С. 77-80.
    
15. Виноградова, Л.Н. Применение алгоритма фрактальной аппроксимации рядов экспериментальных данных в оптико-электронной системе управления спеканием агломерата [Текст]/ Л.Н. Виноградова, Е.В. Ершов. Системный анализ в проектировании и управлении: сб. материалов XIII Междунар. научно-практической конференции: Санкт-Петербург, 2009. – С.257-259.
    
16. Виноградова, Л.Н. Применение фрактальной аппроксимации для сжатия экспериментальных данных в оптико-электронной системе управления процессом спекания агломерационной шихты [Текст]/ Л.Н. Виноградова, Е.В. Ершов. - Информационно-измерительные, диагностические и управляющие системы. Диагностика-2009: сб. материалов Междунар. научно-тех. конф. Часть 2. Курск: Курск. гос. техн. ун-т, 2009. – С.152-155.
    
17. Виноградова, Л.Н. Применение фракталов Мандельброта для прогнозирования содержания доли оптимального класса крупности агломерата в оптико-электронной системе управления агломерацией рудного сырья [Текст]/ Л.Н. Виноградова, Е.В. Ершов. Вестник Череповецкого гос. ун-та.–2009.– № 3.- С. 131–134.
    
18. Виноградова, Л.Н. Оптико-электронная система контроля гранулометрического состава сыпучих материалов [Текст]/ Л.Н. Виноградова, Е.В. Ершов, В.В. Селивановских. Информационные технологии в производственных, социальных и экономических процессах (ИНФОТЕХ – 2004): Материалы IV Международной науч.-техн.конф. – Череповец: ГОУ ВПО ЧГУ, 2005. С. 191 - 192.
    
19. Виноградова, Л.Н. Алгоритмы предварительной обработки изображения в оптико-электронной системе анализа гранулометрического состава агломерата [Текст]/ Л.Н. Виноградова, Е.В. Ершов, О.Г. Ганичева, В.В. Селивановских, Е.В. Королева. Вестник Череповецкого государственного университета. – 2003. - № 2. – С. 78-79.
    
20. Виноградова, Л.Н. Алгоритмы функционирования оптико-электронной системы управления процессом спекания шихты на агломерационной машине конвейерного типа [Текст]/ Л.Н. Виноградова, Е.В. Ершов, О.Л.Селяничев, М.Н. Фатиев. Информационные технологии в производственных, социальных и экономических процессах: Материалы НТК.– Череповец: ЧГУ, 1999. – С. 42-45.
    

Подписано к печати 17.11.2010. Тир. 100 экз. Усл. п л. 1,0.

Формат 60х84/16 Гарнитура Times. Зак. № 130.

ГОУ ВПО «Череповецкий государственный университет»

162600, Вологодская обл., г. Череповец, пр-т Луначарского, 5