Дипломы, курсовые, рефераты, контрольные...
Срочная помощь в учёбе

Повышение качества процесса адаптации при изменении технологических параметров с помощью аппарата нейронных сетей

Диссертация: Повышение качества процесса адаптации при изменении технологических параметров с помощью аппарата нейронных сетей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Проанализировано влияние качества процесса адаптации системы управления на эффективность металлообработки. Используемые в настоящее время в адаптивном управлении математические модели не обладают необходимой точностью, гибкостью и способностью к обучению и не обеспечивают необходимого качества процесса адаптации при изменении технологических параметров. Построение таких моделей — серьезная… Читать ещё >

Содержание

Глава 1. Анализ проблем диагностики и управления процессом резания и поиск перспективных путей их решения на основе повышения качества процесса адаптации систем управления. Постановка задачи исследования.

1.1. Система «Станок-процесс резания» как объект управления. Входные, выходные и функциональные параметры процесса резания.

1.2. Обзор используемых диагностических сигналов, несущих информацию о ходе процесса резания и состоянии инструмента.

1.2.1. Взаимосвязь параметров процесса резания.

1.2.2. Силовые параметры процесса резания.

1.2.3. Механические колебания при резании.

1.2.4. Тепловые и электрические явления при резании.

1.2.5. Параметры обрабатываемой детали — диагностические признаки процесса резания.-.

1.3. Диагностика режущего инструмента.

1.4. Системы адаптивного управления — существенный резерв повышения эффективности процессов металлообработки.

1.4.1. Качество обработки — управляемый параметр процесса резания.

1.4.2. Общие принципы адаптивного управления.

1.4.3. Анализ и классификация адаптивных систем управления.

1.5. Анализ математических моделей, используемых в системах адаптивного управления металлообработкой.

1.6. Выводы по главе 1. Цель и задачи исследования.

Глава 2. Искусственные нейронные сети и эффективность их применения в адаптивных системах диагностики и управления процессами металлообработки в реальном масштабе времени.

2.1. Искусственные нейронные сети как инструмент моделирования адаптивных процессов.

2.1.1. Структура и свойства искусственного нейрона.

2.1.2. Основные архитектуры нейронных сетей.

2.1.3. Обучение. Адаптация. Самоорганизация.

2.1.4. Многослойные нейронные сети прямого распространения и их обучение.

2.1.5. Алгоритм обратного распространения ошибки.

2.2. Нейроуправление как элемент повышения качества процесса адаптации технологических систем.

2.2.1. Нейронные сети в системах управления и идентификации.

2.2.2. Подходы к нейронному управлению.

2.3. Автономное и оперативное обучение нейроконтроллера и нейроэмулятора.

2.4. Динамическое обучение нейронных сетей.

2.4.1. Введение динамики в обучение нейронной сети.

2.4.2. Скоростной алгоритм обучения нейронной сети.

2.4.3. Динамический алгоритм обучения с прогнозом.

2.4.4. Упрощенный динамический алгоритм обучения с прогнозом.

2.5. Предварительная обработка входных и выходных данных.

2.6. Выводы по главе 2.

Глава 3. Разработка метода построения нейросетевых многослойных нейронных сетей для повышения качества процесса адаптации системы управления процессом резания.

3.1. Обучение и самоорганизация сети в процессе функционирования системы управления.

3.1.1. Внутренняя и внешняя структуры нейронной сети.

3.1.2. Улучшение рабочих характеристик нейросетевой модели с помощью динамической оптимизации ее структуры.

3.2. Динамическая оптимизация внешней структуры сети.

3.3. Динамическая оптимизация внутренней структуры сети.

3.4. Выводы по главе 3.

Глава 4. Разработка адаптивной системы управления процессом резания на основе нейросетевых технологий.

4.1. Структура и алгоритм функционирования нейросетевой адаптивной системы управления.

4.2. Создание и непрерывное обновление обучающей выборки и тестового множества в процессе функционирования системы управления.

4.3. Экспериментальные исследования по обучению нейросетевых компонент системы управления.

Повышение качества процесса адаптации при изменении технологических параметров с помощью аппарата нейронных сетей (реферат, курсовая, диплом, контрольная)

Проблема повышения эффективности металлообработки была и остается одной из главных в машиностроении. Большая масса изделий машиностроения производится в механообрабатывающих станочных модулях, в которых основным технологическим процессом является процесс резания, а системами управления — системы числового программного управления (ЧПУ). Поэтому повышение эффективности процесса резания является актуальной научно-технической задачей.

Сложность решения проблемы связана с тем, что процесс резания характеризуется нестабильностью и множеством взаимосвязанных переменных, влияющих как на ход процесса, так и на его результаты. Условия резания динамически изменяются случайным образом из-за влияния различных возмущающих факторов: разброс припусков, разброс твердости и структуры металла заготовок, непрерывно изменяющиеся режущие свойства инструмента и др. Показатели качества зависят от жесткости и тепловой деформация элементов технологической системы, характера и параметров относительных колебаний инструмента и детали, и т. д. Программа ЧПУ не может учитывать данные факторы, расчет режимов резания производится по наихудшим возможным вариантам, что обеспечивает более стабильную работу инструмента и уменьшает вероятность брака, но при этом заведомо отрицательно сказывается на технико-экономической эффективности оборудования, приводит к снижению производительности и увеличению затрат на производство.

Проблема повышения качества, точности и производительности механической обработки решалась за счет использования в станках следящих систем автоматического управления, работающих в реальном режиме времени. Исследования, проведенные под руководством профессора Б. С. Балакшина, позволили установить связи между факторами, действующими в процессе обработки деталей, понять и математически описать механизмы образования погрешностей. В результате были созданы первые станки с системами автоматического регулирования режимов резания с использованием объективной информации о характере протекания процесса. Появилось новое технологическое направление. За системами автоматического регулирования закрепилось название «Адаптивные системы управления». Термин оправдывался тем, что такие станки приобрели способность непрерывно корректировать режимы резания, положение инструмента, жесткость системы, приспосабливаясь в той или иной мере к изменяющимся условиям обработки. Станки, оснащенные АдСУ, дают увеличение точности обработки в 2.5 раз при увеличении производительности в 1,5.2 и более раз.

Однако интерес к АдСУ, функционирующим в режиме реального времени, заметно снизился из-за отсутствия математических моделей управляемого процесса резания. Получившие из-за простоты реализации распространение модели, основанные на эмпирических степенных зависимостях выходных характеристик процесса обработки от параметров режима и геометрии инструмента, имеют низкую точность и не дают адекватного отклика на изменяющиеся условия обработки.

Построение точных моделей — серьезная проблема, которая остается сегодня нерешенной. Для построения точных математических моделей необходимо проделать не одну серию экспериментов, что требуют времени, материалов и влечет экономические потери. Точные математические модели, как правило, настолько сложны, что быстрый поиск оптимальных режимов резания требует существенных аппаратных затрат, приводит к резкому удорожанию адаптивных систем и нецелесообразности их использования. К тому же найденная модель будет иметь постоянно нарастающую погрешность вследствие изменения режимов работы и свойств самого оборудования.

Используемые в настоящее время адаптивные системы имеют жесткую структуру и неизменный алгоритм функционирования и, как следствие, низкое качество адаптации к изменению технологических параметров.

Современный подход к адаптивному управлению требует от системы способности автоматически изменять свою структуру или алгоритм функционирования. Очевидно, что системы будут обладать значительно большими способностями к адаптации, если при изменении параметров процесса резания произойдет перестройка модели и определится для нее новый закон управления. Появляется необходимость перестраивать модель из-за непрерывно изменяющихся параметров процесса резания и определять структуру модели в каждом конкретном случае. Только так можно повысить качество адаптации и, как следствие, повысить эффективность процесса металлообработки.

Таким образом, актуальной задачей исследования становится повышение качества процесса адаптации при изменении технологических параметров с помощью самонастраивающихся моделей управляемого процесса резания. Однако, современная теория управления с самонастройкой не является популярной, так как ее сложно применять для реальных задач управления. Для того, чтобы алгоритмы управления могли применяться на практике, они должны быть простыми в реализации и понимании, обладать гибкостью, способностью к обучению, нелинейностью. Существенно повысить качество адаптации систем для целей управления металлообработкой и упростить процесс моделирования могут самоорганизующиеся нейросетевые модели.

Нейронные сети в последние время все шире начинают применяться для целей управления благодаря своим замечательным свойствам. Они способны обучаться на основе соотношений «вход-выход», обеспечивают возможность реализации любых нелинейных отображений X —"Y с любой заданной точностью, избавляют от необходимости использовать сложный математический аппарат. Благодаря способности к обучению, нейроконтроллер не требует большого объема априорной информации об объекте управления. В области управления нейронные сети могут оказаться подходящим средством для решения сложных нелинейных задач, для которых обычные методы управления не дают удовлетворительных результатов.

Для управления могут применяться нейронные сети различной архитектуры, однако многослойные нейронные сети вызывают особый интерес. Эти сети можно представить в виде блоков с входами и выходами, так как информация в них передается в прямом направлении, что удобно для систем управления. Эти сети наиболее изучены, для обучения их разработан алгоритм обратного распространения и большая часть литературы посвящена именно многослойным нейронным сетям.

Многослойные нейронные сети и алгоритм обратного распространения широко используются в задачах распознавания, обработки экспериментальных данных и др., где обучающие образцы являются статическими и обучение в реальном времени не требуется. Практически для всех задач управления (где Хнабор контролируемых параметров управляемого объекта, Yкод, определяющий управляющее воздействие, соответствующее текущим значениям контролируемых параметров) необходимо оперативное обучение. Сеть должна быстро обучаться. Медленное обучениеосновной недостаток многослойных нейронных сетей. Поэтому, чтобы нейронное управление стало действительно альтернативой традиционным методам, необходимы эффективные алгоритмы оперативного обучения нейроконтроллеров.

Для того, чтобы многослойная нейронная сеть могла реализовать заданное отображение с высокой точностью, она должна иметь достаточное число нейронов. Однако, выбранная топология сети не всегда оказывается оптимальной. Сеть с меньшим числом синаптических связей быстрее обучается, требует меньше вычислительных затрат, обладает лучшими аппроксимирующими свойствами и потому более предпочтительна. Следовательно, структура сети не может быть фиксированной, необходима настройка структуры сети и такая настройка должна проводиться непосредственно в процессе ее обучения и функционирования.

Диссертационная работа посвящена повышению эффективности металлообработки за счет улучшения качества процесса адаптации системы управления при изменении технологических параметров. Научная новизна работы заключается в новом подходе к созданию АдСУ процессами резания, основанном на свойстве самоорганизации нейронных сетей, в разработке общих принципов построения и функционирования нейросетевых адаптивных систем управления, в разработке метода синтеза нейросетевых компонент системы управления. Предлагается новое решение задачи стабилизации температурно-силового режима процесса обработки. Новое решение за счет высокой гибкости нейросетевых моделей и алгоритмов позволит более точно корректировать режимы резания при изменении технологических параметров, свободнее подходить к назначению режимов резания при разработке управляющей программы системы ЧПУ и сократить время на технологическую подготовку.

4.4. Выводы по главе 4.

Оптимизация процесса резания по экономическим критериям, критериям качества и максимальной производительности в конечном итоге сводится к задаче стабилизации температурно-силовых параметров процесса. Именно изменения данных параметров в процессе обработки вызывают необходимость занижать режимы резания и приводят к браку, ухудшению качества обработки и поломки инструмента. Поэтому важнейшей задачей является разработка математических моделей процесса и синтез системы температурно-силовой стабилизации.

Строить нейросетевую систему управления (стабилизации температурно-силовых параметров) с целью повышения эффективности процесса обработки необходимо по двухсетевой схеме с контроллером и эмулятором. Это обусловлено тем, что динамика процесса резания весьма нестабильна, имеет взаимосвязанные параметры и зависит от многих факторов технологического процесса.

В главе предложена структура и разработан алгоритм функционирования системы управления. Разработаны начальные структуры нейросетевых компонент. В процессе функционирования системы управления и обучения нейросетей возможна коррекция структуры сетей.

Разработан алгоритм формирования и обновления обучающей и тестовой выборок в процессе функционирования системы управления. Установлено, что частота смены нейроконтроллера зависит от стабильности ошибки управления.

С целью определения оптимальной методики построения системы управления и настроек алгоритма обучения (с точки зрения обеспечения наилучшего качества переходного процесса) были проведены эксперименты по обучению нейросетей:

1. Проведены исследования переходных процессов по одному из каналов управления с различными функциями активации нейронов скрытого слоя. Погрешность обучения (максимальная ошибка) при использовании гиперболического тангенса на 7.9% меньше, чем в случае логистической функции.

2. Исследовано влияние объема обучающей выборки на качество переходного процесса и определен оптимальный размер выборки для системы управления.

3. Экспериментально проверено влияние коэффициента скорости обучения на качество переходного процесса. Установлено, что увеличение коэффициента свыше 0,1 приводит к увеличению колебательности процесса, а снижение коэффициента менее 0,05 существенно не влияет на качество переходного процесса.

4. Проведены эксперименты по определению оптимального количества нейронов скрытого слоя.

Исследования качества работы НК показали, что стабилизация параметров с ошибкой ± 2,5% достигается за время 0,2.0,5 мс при использовании процессора Pentium 400 МГц.

Заключение

.

Основными результатами работы являются:

1. Проанализированы адаптивный подход к управлению процессами резания, проблемы и перспективы его использования. Показано, что оснащение металлорежущих станков системами адаптивного управления является существенным резервом повышения эффективности обработки и способно продлить ресурс имеющегося в настоящее время в эксплуатации станочного оборудования. Отмечены проблемы, сдерживающие разработку и внедрение адаптивных систем в машиностроении.

2. Проанализировано влияние качества процесса адаптации системы управления на эффективность металлообработки. Используемые в настоящее время в адаптивном управлении математические модели не обладают необходимой точностью, гибкостью и способностью к обучению и не обеспечивают необходимого качества процесса адаптации при изменении технологических параметров. Построение таких моделей — серьезная проблема, требующая решения. Определены и обоснованы преимущества нейросетевого подхода к построению адаптивных систем управления процессами металлообработки. Показано, что в отличие от традиционных методов, нейросетевой подход обладает потенциальной возможностью для создания самообучающихся и самоорганизующихся систем. Применение самоорганизующихся нейросетевых моделей может существенно облегчить построение адаптивных систем и повысить качество процесса адаптации.

3. Предложен динамический алгоритм обучения многослойных нейронных сетей, позволяющий избежать недостатков алгоритма обратного распространения, сократить время обучения и обеспечить работу сети в реальном времени. На основе данного алгоритхма разработано программное обеспечение для обучения нейросетевых компонент системы управления.

4. Проведены экспериментальные исследования влияния топологии нейронного регулятора и функций активации нейронов скрытого слоя на работу системы управления. Погрешность обучения (максимальная ошибка) при использовании гиперболического тангенса на 1.9% меньше, чем в случае логистической функции. Установлено, что неполносвязная сеть обеспечивает лучшее качество управления, по сравнению с полносвязной.

5. Предложено правило исключения из перерасчета весовых коэффициентов, позволяющее сократить используемые вычислительные ресурсы.

6. Установлено, что для существующих методов синтеза нейросетевых моделей характерны неопределенность и неоднозначность при выборе той или иной структуры нейронной сети. Кроме того, при изменении параметров процесса исходная структура сети не всегда остается оптимальной с точки зрения точности и скорости обучения. В связи с этим предлагается новый метод синтеза нейросетевых компонент в составе адаптивных систем управления.

7. Разработаны конструктивный и деструктивный алгоритмы оптимизации структуры сети, позволяющие непосредственно в процессе функционирования системы одновременно с обучением сети корректировать ее структуру (надстраивать или удалять отдельные связи и нейроны, изменять число скрытых слоев).

8. Разработан пакет программ (нейроимитатор) для обучения и оптимизации нейросетевых компонент в системе управления с контроллером и эмулятором.

Программный нейроимнтатор имеет прикладное значение для разработки и изучения нейросетевых систем.

9. Как показал анализ работ, задача адаптивной системы управления и оптимизации процесса резания по экономическим критериям, критериям качества и максимальной производительности в конечном итоге сводится к задаче стабилизации температурно-силовых параметров процесса. Именно изменения данных параметров в процессе обработки вызывают необходимость занижать режимы резания и приводят к браку, ухудшению качества обработки и поломки инструмента. Поэтому важнейшей задачей является разработка математических моделей процесса и синтез системы температурно-силовой стабилизации. С целью повышения эффективности процесса обработки предложена структура адаптивной нейросетевой системы стабилизации данных параметров процесса. Установлено, что необходимо строить систему управления (стабилизации) по двухсетевой схеме с нейроэмулятором и нейроконтроллером. Разработан алгоритм функционирования системы. Разработан алгоритм создания и непрерывного обновления обучающей и тестовой выборок, необходимых для оперативного обучения и оптимизации структуры нейросетевых компонент.

10. Исследована эффективность предложенных алгоритмов и методик. Результаты моделирования и внедрения в производство показывают возможное сокращение времени на технологическую подготовку производства новых деталей на 8−10% за счет использования ранее накопленных знаний о подобных процессах.

Показать весь текст

Список литературы

  1. Э.Д. Алгоритмы обучения нейронных сетей: Дис.. д-ра техн. наук: 05.13.01. —М., 1997.-213 с.
  2. Адаптивное управление станками / Под ред. Б. С. Балакшина. М.: Машиностроение. 1973. 688 с.
  3. Адаптивное управление технологическими процессами / Ю. М. Соломенцев, В. Г. Митрофанов, С. П. Протопопов и др. М.: Машиностроение, 1980. 536 с.
  4. А.В. Разработка и исследование адаптивных регуляторов, построенных на базе технологий экспертных систем и нейросетевых структур: Дис.. канд. техн. наук: 05.13.01-М., 1998 163 е.: ил. -Библиогр.: с.130−143.
  5. А.К. Построение нейросетевых регуляторов роботов. М.: 1998.
  6. М.М., Щербаков В. П. Вибродиагностика и управление точностью обработки на металлорежущих станках. М.: Машиностроение, 1988. — 136 е.: ил.
  7. Т.Ф., Панкин Ю. П. Нейросетевой алгоритм самостоятельной адаптации// VI Всероссийская конференция «Нейрокомпьютеры и их применение» с международным участием «НКП-2000». М.: ИПРЖР, 2000. С. 489−492.
  8. Р., Заде JI. Принятие решений в расплывчатых условиях. В кн.: «Вопросы анализа и процедуры принятия решений». Сборник переводов под ред. Шахнова И. Ф. М.: Мир. 1976.-е. 172−215.
  9. А.А. Параллельные модели и нейросетевые алгоритмы управления робототехническими системами: Дис.. канд. техн. наук: 05.13.14.- СПб., 1998.-232 е.: ил, — Библиогр.: с.152−161.
  10. И. А. Автоматизация контроля металлорежущего инструмента многономенклатурного производства вибродиагностическими методами: Дис.. канд. техн. наук: 05.13.07. М., 1997. — 147 е.: ил. — Библиогр.: с. 121−129.
  11. Н.П. Моделирование сложных систем. М.: Наука, 1978.- 400 с.
  12. В.И. Распознающие системы. Справочник. Киев: Наукова думка, 1983. -230 с.
  13. П. А. Разработка и исследование системы автоматического диагностирования процесса обработки на токарных станках с ЧПУ: Дис.. канд. техн. наук: 05.13.07. Свердловск, 1990. 221 е.: ил. — Библиогр.: с. 177 -193.
  14. А.С. Работоспособность режущего инструмента с износостойкими покрытиями. М.: Машиностроение, 1993. 336 е.: ил. — (Б-ка инструментальщика).
  15. С.В., Щелкунова М. Е. К вопросу о создании адаптивной технологической системы //Синергетика. Самоорганизующиеся процессы в системах и технологиях. Ч. 1: Материалы МНТК. Комсомольск-на -Амуре. -1998. С. 162−164.
  16. А.И. Нейросетевая реализация процедуры идентификации динамических систем: Дис. .канд. техн. наук: 05.13.01. М., 2000.-214 с.
  17. А.И. Перспективные проблемы теории нейронных сетей // VII Всероссийская конференция «Нейрокомпьютеры и их применение» с международным участием «НКП-2001». М.: ИПРЖР, 2001. С. 541−549.
  18. А.И. Теория нейронных сетей. Кн.1: Учеб. пособие для вузов. М.: ИПРЖР, 2000. — 416 е.: ил. (Нейрокомпьютеры и их применение)
  19. А.И. Нейрокомпьютеры. Кн.З. М.: ИПРЖР, 2000. — 272 е.: ил. (Нейрокомпьютеры и их применение)
  20. А.И. Синтез многослойных систем распознавания образов. М.: Энергия, 1974.
  21. С.Е. Обучение нейронных сетей: (методы, алгоритмы, тестовые испытания, примеры приложений): Дис.. канд. физ.-мат. наук: 05.13.16. -Красноярск, 1997. 187 с. -Библиогр.: с.133−151.
  22. В.А. Нейронные сети: обучение, организация и применение. Кн.4. Учеб. пособие для вузов / Общая ред. А. И. Галушкина М.: ИПРЖР, 2001. -256 е.: ил. (Нейрокомпьютеры и их применение).
  23. А.Н. Нейронные сети на персональном компьютере. М.: Мир, 1996. -530 с.
  24. А.Н. Обучение нейронных сетей. М: СП Параграф, 1990. 160 с.
  25. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Отв. ред. В. И. Быков. Новосибирск: Наука, Сибирское отделение РАН. 1996. -275 с.
  26. А. Л. Скрипкин В.А. Методы распознавания. Изд. 2-е, — М.: Высшая школа, 1984.-219 с.
  27. А.В. Нейронные сети и нелинейная обработка сигналов: Дис.. канд. физ.-мат. наук: 03.00.02. Обнинск, 1995. — 134 е.: ил. — Библиогр.: с. 94−103.
  28. С.Н. Применение нейрокомпьютерных средств для управления динамическими объектами. СПб.: 1998. 310 с.
  29. Д. Методы идентификации систем. Пер. с англ. М.: Мир, 1979. — 302 с.
  30. М., Зиммерс Э. САПР и автоматизация производства: Пер. с англ. -М.: Мир, 1987.-528 е., ил.
  31. Р., Харт П. Распознавание образов и анализ сцен. Пер. с англ., М.: Мир, 1978.-510 с.
  32. Дьяконов В. Mathcad 8/2000: специальный справочник. СПб.: Питер, 2000.-592 с.
  33. Н.Н., Оныкий Б. Н., Перепелица В. В., Щербаков И. Б. Математические модели и оптические реализации многослойных и полиномиальных нейронных сетей. М.: Препринт МИФИ. 004−94, 1994. 32 с.
  34. В.М. Массово-параллельные цифровые нейрокомпьютеры. М.: 1990. -215 с.
  35. Д.М. Разработка и исследование нейросетевого регулятора для систем автоматического управления: Дис.. канд. техн. наук. М., 1995. — 170 с.
  36. А.Е. Адаптивное управление роботами. М.: 1993. 102 с.
  37. Л. А. Технология нейросетевого решения прикладных классификационных задач в экологии, биологии, медицине: Дис.. канд. техн. наук: 05.13.16. Красноярск, 2000.-211 с.
  38. В.Л., Лукьянов А. Д., Потравко О. О. Динамическая самоорганизация процесса резания // Проектирование технологических машин. / Сб. науч. тр., М.: Станкин, № 18, 2000. 70 с.
  39. А.Г. Самообучающиеся системы распознавания и автоматического управления. Киев: Техника, 1969. — 392 с.
  40. А.Г., Мюллер Й. А. Самоорганизация прогнозирующих моделей. Киев: Техника, 1985. -233 с.
  41. А.Г. Персептрон система распознавания образов. Киев: Наукова Думка, 1975.
  42. Искусственный интеллект: применение в интегрированных производственных системах. Под ред. Э. Кьюсиака. Пер с англ. М.: Машиностроение. 1991. 544 с.
  43. Ю.Г., Биленко С. В., Шпилев A.M. Применение нейросетевых моделей процесса резания в системах адаптивного управления // Конструкторско-технологическая информатика 2000: Материала IV международного конгресса. -М.: 2000. Т.1. — С. 241−243.
  44. .Н. Диагностика и адаптация станочного оборудования гибких производственных систем. J1.: Политехника, 1991. — 144 с.
  45. Н.А. Синтез нейронных сетей на основе алгоритмов самоорганизации // Новые технологии и системы обработки информации и управления. Сб. науч. трудов университетского семинара № 1. Пенза: ПГУ, 1999.
  46. Н.А. Разработка нейросетевого классификатора для систем тестирования: Дис.. канд. техн. наук: 05.13.16. Пенза, 1999. — 159 е.: ил.
  47. С.В., Шевцова Н. А., Медведев В. В. Исследование процессов механообработки с использованием однородных сетей // VI Всероссийская конференция «Нейрокомпьютеры и их применение» с международным участием «НКП-2000». М.: ИПРЖР, 2000. С. 252−256.
  48. С.В., Гитис В. Б. Адаптивное управление объектами на основе систем с пластичной структурой // VI Всероссийская конференция «Нейрокомпьютеры и их применение» с международным участием «НКП-2000». М.: ИПРЖР, 2000. С. 262−265.
  49. С.В., Медведев В. В. Система распознавания качества изделий на основе нейросетевых технологий // VII Всероссийская конференция «Нейрокомпьютеры и их применение» с международным участием «НКП-2001». М.: ИПРЖР, 2001. С. 397−400.
  50. С.В., Мишура Е. В. Моделирование на основе нейроподобных сетей в условиях ограниченности ресурсов // VII Всероссийская конференция «Нейрокомпьютеры и их применение» с международным участием «НКП-2001″. М.: ИПРЖР, 2001. С. 385−388.
  51. С.В. Применение нейросетевых и экспертных систем в управления динамическими системами. СПб.: 1995. 110 с.
  52. С. Нейронные сети: алгоритм обратного распространения// http:// www. neuropower/de/rus/books/index.html.
  53. С. Нейронные сети: обучение без учителя// http:// www. neuropower/de/rus/books/index.html.
  54. С. Нейронные сети: основные положения// http:// www. neuropower/de/rus/books/index .html.
  55. Т. Ассоциативная память. М.: Мир, 1980. 239 с.
  56. А.А. Науковедение и состояние современной теории управления техническими системами // Известия РАН „Теория и системы управления“, 1998, № 6, с. 7.
  57. В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия — Телеком, 2001. — 382 е.: ил.
  58. В.А. Динамика станков. М.: Машиностроение, 1967. — 368 с.
  59. А.В. Применение нейросетевых методов для обработки сигналов в каналах с помехами: Дис.. доктора техн. наук: 05.13.17. М., 2000. — 362 е.: ил.
  60. А.И. Математическое моделирование в исследованиях и проектировании станков. М.: Машиностроение, 1978. 184 с.
  61. Я.Л. Интенсификация использования станков с ЧПУ путем применения диагностики состояния инструмента в процессе обработки / Перспективные методы механообработки и сборки в ГПС. Л.: ЛДНТП, 1988. с. 62−72.
  62. Я.Л. Системы вибродиагностики состояния режущего инструмента для токарных станков с ЧПУ. Вестник машиностроения № 2, 1992. с. 31−38.
  63. Ф., Шарфернорт У., Пикер Х. Й. Контроль состояния режущих инструментов при обработке на токарных станках. Станки и инструмент, № 1, 1988. с. 11.
  64. А.А., Степанов Н. В. Нейронные сети и нейрокомпьютеры. СПб.: 1997.
  65. В.П. Экспресс-оценка показателей качества процесса резания труднообрабатываемых материалов на основе анализа акустической эмиссии: Дис. .д-ра техн. наук: 05.03.01.-М., 1999.-383 с.
  66. А.С. Применение искусственных нейронных сетей для решения задач управления динамическими объектами: Дис.. канд. техн. наук: М., 1998.
  67. А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики. Нейрокомпьютер № 1, № 2 1998.
  68. А.Д., Потравко О. О. Предварительная обработка сигнала АЭ в системе диагностики состояния режущего инструмента / Диагностика и управление в технических системах: Межвузовский сб. науч. трудов. Ростов н/Д, 1997. — С.122−128.
  69. А.Д., Потравко О. О., Усиков И. В. Динамическая диагностика состояния режущего инструмента / Диагностика и управление в технических системах: Межвузовский сб. науч. трудов Ростов н/Д, 1997. — С. 128−132.
  70. Л. Идентификация систем. Теория для пользователя. Пер. с англ. М.: Наука. Гл. ред. физ.-мат. лит., 1991. -432 с.
  71. А.Д. Дальнейшее развитие оптимального резания металлов. Уфа: УАИ, 1982.-56 с.
  72. А.Д. Оптимизация процессов резания. М.: Машиностроение, 1976. -278 с.
  73. М.В. Повышение эффективности точения инструментом из СТМ на основе назначения рациональных режимов резания с учетом ультразвуковойдиагностики его свойств: Дис.. канд. техн. наук: 05.03.01. Рыбинск, 2000. -212 е.: ил.
  74. Мак-Каллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности //"Архив нейрокомпьютеров» Нейрокомпьютер № 3,4. 1992.
  75. Металлорежущие станки и автоматы. Учебник для машиностроительных втузов / Под ред. А. С. Проникова. М.: Машиностроение, 1981. — 479 е.: ил.
  76. А.В. Классификация сигналов в условиях неопределенности. М.: Советское радио, 1975. — 328 с.
  77. А.В., Воронин А. В. Программная реализация самообучающейся нейроподобной среды для распознавания образов // Нейроинформатика и ее применения: Тезисы докладов VI Всероссийского семинара / Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1996. — с.95.
  78. М. Вычисления и автоматы. М.: Мир, 1971. 368 с.
  79. В.П., Дымарский Я. С. Элементы теории управления ГАП. Л.: Машиностроение, Ленинградское отд., 1984. 331 с.
  80. Е.Г. Диагностирование оборудования гибкого автоматизированного производства. М.: Наука, 1985. 224 с.
  81. М.С. Автоматическое управление точностью обработки на металлорежущих станках. М.: Машиностроение, 1992. 346 с.
  82. Нейрокомпьютеры и интеллектуальные роботы. Под ред. Амосова. Киев: Наукова думка, 1991. 269 с.
  83. Нейронные классификаторы в акустических распознаваниях образов // Приборы и элементы автоматики. Испытательные стенды: Экспресс-информ. ВИНИТИ, № 21, 1995. С.4−11.
  84. Нейросетевые системы управления / В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин и др. СПб.: Издательство С.-Петербургского университета, 1999. — 265 с.
  85. Ю.А., Хузин И. С., Ильин А. Н. Комплексная оценка состояния режущего инструмента // «Автоматизированные технологические и мехатронные системы в машиностроении». Уфа: УГАТУ, 1997. — С. 132−133.
  86. Оптимальное управление точностью обработки деталей в условиях АСУ / В. И. Кантор, О. Н. Анисифоров, Г. Н. Алексеева и др. М.: Машиностроение, 1981. -256 с.
  87. С.В. Секреты Delphi на примерах. М.: Восточная книжная компания, 1996,-352 е.: ил.
  88. С.К. Многопараметрическая диагностика и управление процессом обработки на металлорежущих станках. Ростов, 1999.- 120 с.
  89. С.К. Многопараметрическая диагностика и управление процессом резания на металлорежущих станках в условиях ГАП: Дис.. канд. техн. наук: 05.13.01.-Ростов н/Д, 1999.-301 с.
  90. С.М., Решетов Д. Н. Автоматизированный контроль состояния режущего инструмента в токарных гибких производственных модулях / Станки и инструмент № 11, 1987. с. 15−18.
  91. Э.А. Основы теории распознавания образов. Пер. с англ. В. А. Баронкина под ред. Б. Р. Левина. М.: Сов. радио, 1980. 408 с.
  92. В.М. Развитие систем адаптивного управления // Станки и инструмент. 1990. № 7. С. 32−36.
  93. В.Н., Борзов А. А., Горелов В. А. Технологическая диагностика резания методом акустической эмиссии, М.: Машиностроение, 1988. — 56 с.
  94. В.Н. и др. Прогнозирование стойкости режущего инструмента. Вестник машиностроения № 1, 1993.
  95. П.Ф. и др. Устройство для распознавания радиосигналов. Авт. свид. № 481 054, 1972.
  96. Прикладная статистика. Классификация и снижение размерности. Справочник. / Под ред. С. А. Айвазяна. М.: Финансы и статистика, 1989. -450 с.
  97. Программное управление станками: Учебник для машиностроительных вузов / В. Л. Сосонкин, О. П. Михайлов, Ю. А. Павлов и др. Под ред. д-ра техн. наук проф. В. Л. Сосонкина. М.: Машиностроение, 1981. — 398 е., ил.
  98. Пуш В.Э., Пигерт Р., Сосонкин В. Л. Автоматические станочные системы. М.: Машиностроение, 1982. 319 с.
  99. Рабочая книга по прогнозированию / Под ред. И. В. Бестужева Лада, — М.: Мысль, 1983.-300 с.
  100. Распознавание образов: состояние и перспективы // К. Верхаген, Р. Дейн, Ф. Грун и др. М.: Радио и связь, 1985. 104 с.
  101. Л.А. Современные принципы управления сложными объектами. -М.: Сов. Радио, 1980. 120 с.
  102. Ф. Принципы нейродинамики: Персептроны и теория механизмов мозга. М.: Мир, 1965.
  103. А.В. Построение нейросетевого контроллера для управления динамическими объектами. М.: 1990. 69 с.
  104. Э.П., Мелса Д. Л. Идентификация систем управления. Пер. с англ. -М.: Наука. Гл. ред. физ.-мат. лит., 1974. 248 с.
  105. У.М. Цепи, сигналы, системы: В 2-х ч. 4.2. Пер. с англ. -М.: Мир, 1988. 360 е., ил.
  106. Сигеру Омату Нейроуправление и его приложения. Кн.2./Сигеру Омату, Марзуки Халид, Рубия Юсоф. Пер. с англ. Н. В. Батина. Под ред. А. И. Галушкина, В. А. Птичкина. М.: ИПРЖР, 2000. — 272 е.: ил. (Нейрокомпьютеры и их применение)
  107. В.А., Еременко И. В. Диагностика процесса резания инструмента: Учеб. пособие. М.: Мосстанкин, 1991. — 130 с.
  108. Л.Г. Нейросетевые задачи. М.: 1995. 120 с.
  109. Ю.М., Сосонкин В. Л. Управление гибкими производственными системами. М.: Машиностроение, 1988. 352 е.: ил.
  110. В.Л. Концепция систем ЧПУ на основе персонального компьютера (PCNC) // Станки и инструмент. 1990. № 3. С. 9−14.
  111. В.Л. Микропроцессорные системы числового программного управления станками. М.: Машиностроение, 1985. 288 с.
  112. В.Л. Программное управление технологическим оборудованием. -М.: Машиностроение, 1991.-510с.: ил.
  113. Станочное оборудование автоматизированного производства. Т.1. / Под ред. В. В. Бушуева М.: СТАНКИН, 1993. — 584 с.
  114. В.К. Обработка резанием. Управление стабильностью и качеством в автоматизированном производстве. М.: Машиностроение, 1989. — 296 с.
  115. .Г. Нейронные сети для построения маршрутов в сетях. М.: ВЦ РАН, 1995.
  116. Н.В. Физические основы процесса резания, изнашивания и разрушения инструмента. М.: Машиностроение, 1992.
  117. Теория автоматического управления: Учебник для машиностроительных специальностей вузов / В. Н. Брюханов, М. Г. Косов, С. П. Протопопов и др. Под ред. Ю. М. Соломенцева. 2-е изд., испр. — М.: Высшая школа, 1999 — 268 е., ил.
  118. Теория прогнозирования и принятия решений / Под ред. С. А. Саркисяна. М.: Высшая школа, 1977. — 220 с.
  119. В.А. Искусственные нейронные сети и их применение в системах АСУ. М.: Мир, 1997.
  120. Технические средства диагностирования: Справочник / В. В. Клюев, П. П. Пархоменко, В. Е. Абрамчук и др. Под общ. ред. В. В. Клюева. М.: Машиностроение, 1998. — 672 е., ил.
  121. А.В. Адаптивные робототехнические комплексы. СПб.: 1998.- 156 с.
  122. Ту Д., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. — 411 с.
  123. ., Стринз С. Адаптивная обработка сигналов. Пер. с англ. М.: Радио и связь, 1989.-440 с.
  124. П. Искусственный интеллект. М.: Мир, 1980. 400 с.
  125. Ф. Нейрокомпьютерная техника. Теория и практика. Под ред. А. И. Галушкина. М.: Мир, 1992. 238 с.
  126. В.М. Применение нейронных сетей для управления роботами. СПб.: 1998.-310 с.
  127. Фу К. Структурные методы в распознавании образов. Пер. с англ., М.: Мир, 1977.-320 с.
  128. Г. Информация и самоорганизация. М.: Мир, 1991.
  129. Г. Синергетика. Иерархии неустойчивостей в самоорганизующихся системах и устройствах. М.: Мир, 1985.
  130. А.А. Системы управления роботами. М.: 1991. 220 с.
  131. В.Д. Нейрокомпьютер и его применение. Под ред. В. А. Львова. М.: Сол Систем, 1993, — 117 с.
  132. Я.З. Основы информационной теории идентификации. М.: Наука, 1984.-520 с.
  133. Е.П. Оптимальные и адаптивные системы. М.: Энергоатомиздат, 1987.-256 с.
  134. С.И., Кривошеев И. А. Самоорганизующиеся нейронные сети в системах распознавания // Труды международной конференции «Идентификация систем и задачи управления». «SICPRO 2000». М.: 2000. С. 1174−1182.
  135. А.Л. Нейронные сети, их разработка и применение для управления системами. М.: 1997. 90 с.
  136. М.А. Искусственные нейронные сети. М.: Мир, 1996.
  137. В.Г. Самоорганизация минимальной нейронной сети // В сб. «Нейроинформатика и ее применения». Красноярск, СО РАН, 1996. С. 43−44.
  138. П. Основы идентификации систем управления. М.: Мир, 1975. -683 с.
  139. А.А. Применение нейронных сетей для построения адаптивных систем управления технологическими процессами: Дис.. канд. техн. наук: 05.13.07, — Самара, 1994.-145 е.: ил. Библиогр.: с. 136−142.
  140. К.Н., Явленский А. К. Вибродиагностика и прогнозирование качества механических систем. JL: Машиностроение, 1983. 239 с.
  141. Widrow В. and F. W. Smith, «Pattern-recognizing control system, Proc. of Computer and Information Sciences, Washington D.C.» Spartan, Washington, 1964.
  142. J. S., «A new approach in manipulator control: the cerebellar model articulation controller (CMAC)», Journal of Dynamic Systems, Measurement and Control, pp. 220−227, 1975.
  143. Barto A.G., R. S. Sutton and C.W. Anderson, «Neuron-like adaptive elements that can solve difficult learning control problems», IEEE Trans, on Systems, Man and Cybernetics, Vol. SMC-13, pp. 834−846, 1983.
  144. Psaltis D., A. Sideris, and A. Yamamura, «A Multilayered neural network controller», IEEE Control Systems Magazine, Vol. 8, pp. 17−21, 1988.
  145. P. J., «Overview of designs and capabilities», in Neural Networks for Control, MIT Press, Cambridge, MA, pp. 59−65, 1990.
  146. Зав. кафедрой КСУ МГТУ «СТАНКИН"д.т.н., профессор -——"^rd' с Сосонкин В.Л.
  147. Зам. зав. кафедрой КСУ МГТУ „СТАНКИН“ к.т.н., профессор fШемелин в-к
  148. Ученый секретарь кафедры КСУ МГТ^СТАНКИН» к.т.н., доцент Кабак И.С.unit Unitl-interface uses
  149. Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms, Dialogs, StdCtrls, Buttons, ExtCtrls, CornCtrls, ToolWin, Menus-type1. TForml = class (TForm)1. ControlBarl: TControlBar-1. Panell: TPanel-
  150. SpeedButtonl: TSpeedButton-
  151. SpeedButton2: TSpeedButton-
  152. SpeedButton3: TSpeedButton-
  153. SpeedButton4: TSpeedButton-
  154. SpeedButtonb: TSpeedButton-
  155. SpeedButtonl2: TSpeedButton-
  156. SpeedButtonl3: SpeedButtonl4: SpeedButtonl5: SpeedButtonl6: SpeedButtonl7: SpeedButtonl8: SpeedButtonl9: SpeedButton20: procedure procedure procedure procedure procedure procedure
  157. ConfigSave () — ConfigLoad () —
  158. TObject) TObject) TObject)
  159. TObject) TObject) TObject) TObject) TObject) TObject) —
  160. SpeedButtonl9Click (Sender: TObject) estinglClick (Sender: TObject) — NewlClick (Sender: TObject) — raining2Click (Sender: TObject)-private
  161. AssignFile (F,'config.txt') — Rewrite (F) — Writeln (F, сcount 1) — Writein (F, ccount2) — Writeln (F, ccount3) — CloseFile (F) — end-procedure TForml. ConfigLoad ()-//Процедура загрузки конфигурации программыvarа, b, с: string- F: TextFile- begin
  162. AssignFile (F,'config.txt')-1. Reset (F)-1. Readln (F, a)-1. Readln (F, b)-1. Readln (F, c)-ccountl:=strtoint (a)-ccount2:=strtoint (b) -ccountB:=strtoint (c)-1. CloseFile (F)-if ccountl=l then Standardl. Checked:=falseelse Standardl. Checked:=true-
  163. Panel1.Visible:=Standardl.Checked-if ccount2=l then Edit2. Checked:=falseelse Edit2. Checked:=True-
  164. Panel2.Visible:=Edit2.Checked-if ccount3=l then Layers 1. Checked:=falseelse Layersl. Checked:=true-
  165. Panel3.Visible:=Layersl.Checked-end-procedure TForml. LayerlClick (Sender: TObject) — begin1. Form3. Show- end-procedure TForml. ExitlClick (Sender: TObject)-begin1. Close-end-procedure TForml. StandardlClick (Sender: TObject) — begin
  166. Standardl.Checked:= not Standardl. Checked- Panell. Visible:=Standardl.Checked- If Standardl. Checked=false then ccountl:=l else ccountl:=0- end-procedure TForml. Edit2Click (Sender: TObject) — begin
  167. Standardl.Checked:=Panell.Visible- Edit2. Checked:=Pane12.Visible- Layers 1. Checked:=Panel3.Visible-if Layers 1. Checked=false then ccount3:=l// 1 тулбара нету, 0 тулбар есть else ccount3:=0-if Edit2. Checked=false then ccount2:=l else ccount2:=0-
  168. Standardl.Checked=false then ccountl:=lelse ccountl:=0-end-procedure TForml. FormClose (Sender: TObject- var Action: TCloseAction) —
  169. ControlBarl.Width:=Forml.Width-8- end-procedure TForml. FormResize (Sender: TObject) — begin
  170. Filename:=SaveDialog1.FileName- Form4. SaveNetAs (Filename) — end- end-procedure TForml. SpeedButtonl9Click (Sender: TObject) begin1. Form4. SetAct () — end-procedure TForml. estinglClick (Sender: TObject) — begin
  171. Fname>'' then Form4. NetTest () — end-procedure TForml. NewlClick{Sender: TObject) — begin1. Form6. Show- end-procedure TForml. raining2Click (Sender: TObject)-beginif Fname>'' then Form9. Show //Form4.Training ()-end-end.unit Unit2- interfaceuses
  172. Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms, Dialogs, StdCtrls, FileCtrl-type
  173. TForm2 = Edit 1 Edit2 Memol Labell Label2 Label3 Label4 Buttonlclass (TForm) TEdit- TEdit- TMemo- TLabel- TLabel TLabel TLabel-: TButton-
  174. Write several words for discription!')elsebegin1.adNet ()-1. SaveProject ()-1. Form5. Show ()-1. Close () -end-end-procedure TForm2. SaveProject () — begin
  175. AssignFile (F, Editl. Text+ ' .srt')-unit Unit4-interface uses
  176. Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms, Dialogs, ExtCtrls, Menus, Math, OleServer, Excel2000-type1. TForm4 = class (TForm)procedure Load{Filename:string) — function
  177. NewHeight: Integer- var Resize: Boolean) — procedure FormMouseDown (Sender: TObject- Button: TMouseButton-
  178. Shift: TShiftState- X, Y: Integer) — procedure FormKeyUp (Sender: TObject- var Key: Word-
  179. Shift: TShiftState) — procedure FormKeyDown (Sender: TObject- var Key: Word-
  180. Shift: TShiftState- X, Y: Integer) — procedure FormMouseWheel (Sender: TObject- Shift: TShiftState-
  181. Usedlndex:array1.10 000. of bool-sx, sy: array of integer-sen, sel, empty: string-msmall:bool-1. Tm: real-wsize:integer-nin, nout: integer-1. WorkNet: bool-1. Private declarations }
  182. Ctrl, alt, shifft, Drg, MDown, NAd, LAd, Zum: bool- tx, ty, xc, yc, stx, sty: integer- delta: array of real- rdone: array1.10 000. of bool- publicend-var
  183. Form4: TForm4- typetmp, FName: string- ny: real-
  184. AssignFile (F, copy (Filename, 1, StrLen (PChar (Filename))-4)+'.pos') — Reset (F) -for i:=l to 20 000 do beginif ((i mod 2)>0) then Read (F, posxi div 2 +1.) else
  185. Read (F, posyi div 2 .) — end-1. CloseFile (F)-for i:=l to strtoint (ReadSimbol (List, 3,1,4)) do begin
  186. UsedIndexstrtoint (ReadSimbol (List, 6+i, 1,4)).:=true- end,•for i:=10 000 downto 1 do beginif (not Usedlndex1.) then wsize:=i else break- end-
  187. SetLength (W, wsize+1,wsize+1) —
  188. AssignFile (Fw, copy (Filename, 1, StrLen (PChar (Filename))-4)+'.wgt') — Reset (Fw)-for i:=1 to wsize do beginfor j:=l to wsize do begin1. Read (Fw, W1.j.) — end- end-1. CloseFile (Fw) —
  189. SetLength (outs, nout) — SetLength (touts, nout) — SetLength (ins, nin) — if FName>'' then Draw () — if FName>' ' then Center ()-end-function
  190. Form4.Canvas.Brush.Color:=clWhite- Form4.Canvas.Pen.Color:=clWhite-
  191. Form4.Canvas.MoveTo (trunc ((posxk.)*M)+xc, trunc ((posy[k])*M)+yc) — Form4.Canvas.LineTo (0,trunc ((posy[k])*M)+yc) — end-out lines draw if (ReadSimbol (List, 6+kk, 6,3)='вых') then begin
  192. Form4.Canvas.MoveTo (trunc ((posxk.)*M)+xc, trunc ((posy[k])*M)+yc) — Form4.Canvas.LineTo (ClientWidth, trunc ((posy[k])*M)+yc) — end-linx drawbeginwith Form4. Canvas do begin z:= Listkk+5.-for tmp:=1 to ((StrLen (PChar (z))-9) div 4) do Begin
  193. Form4.Canvas.Ellipse (xc-l, yc-l, xc+l, yc+l) -if WorkNet=true then NetTestO-end-procedure TForm4. FormCreate (Sender: TObject)-begin
  194. Form4.Caption:='ConstructorNet Browser N:'+sen+' L:'+sel-bypass:
  195. Forml.SpeedButtonl2.Flat:=false- Form4. Cursor:=crDefault — NAd:=false-
  196. Procedure TForm4. DrawSeN () — varu: integer- beginfor u:=l to (strlen (PChar (sen)) div 4) do beginwith Form4. Canvas do begin
  197. Form4.Canvas.Pen.Color:=clFuchsia-
  198. Form4.Canvas.Ellipse (xc+trunc (posxStrToInt (copy (Sel,(8*i-3), 4)).*M)-3,yc+trunc (posy[StrToInt (copy (Sel,(8*i-3), 4))]*M)-3,xc+trunc (posx[StrToInt (copy (Sel, (8*i3., 4)).*M)+3,yc+trunc (posyStrToInt (copy (Sel,(8*i-3), 4))]*M)+3) —
  199. Form4.Canvas.Brush.Color:=clRed-
  200. Form4.Canvas.Pen.Color:=clBlack-end-end-end-function TForm4. BackPos4(Sampl:string-Sour:string) :integer-vari, slen: integer- begin1. BackPos4:=0-slen:=strlen (PChar (Sour)) — for i:=l to slen div 4 do beginif Sampl=copy (Sour, slen-i*4+l, 4) then begin
  201. BackPos4:=slen-i*4+l- break- end- end- end-function TForm4. BackPos8(Sampl:string-Sour:string):integer- vari, slen: integer- begin1. BackPos8:=0-slen:=strlen (PChar (Sour)) — for i:=l to slen div 8 do beginif Sampl=copy (Sour, slen-i*8+l, 8) then begin
  202. BackPos8:=slen-i*8+l- break- end- end- end-
  203. Procedure TForm4. SwitchDrag () -label fin-beginif drg=true then begindrg:=false-
  204. Forml.SpeedButtonl2.Flat:=false- Form4. Cursor:=crDefault- goto fin- end-if drg = false thenbegin1. Drg:=true-
  205. M:=TM*abs ((1-(y-ty-yc))/(Form4.ClientHeight/2)) — Forml. Caption:=Floattostr (m) + ' '+inttostr (y) — Draw () — end- }end-procedure TForm4. FormMouseUp (Sender: TObject- Button: TMouseButton-
  206. Shift: TShiftState- X, Y: Integer) — begin1. MDown:=false- end-procedure TForm4. FormMouseWheel (Sender: TObject- Shift: TShiftState-
  207. Forml.SpeedButtonl4.Flat:=false- Form4. Cursor:=crDefault- goto fin- end-if NAd = false thenbegin1. NAd:=true -1. Form4. Cursor:=crCross-
  208. Forml.SpeedButtonl4.Flat:=true-end-fin:end-
  209. FName:=tmpfile+'.net'- List:=TStringList.Create- List. Add (TmpFile)-1.st.Add ('Многослойная сеть прямого распространения')-1.st.Add ('0000 нейронов')-1.st.Add ('')-1.st.Add ('0000')-1.st.Add ('связи:')-1.st.SaveToFile (FName) —
  210. Write (F, posyi div 2 .) — end-1. CloseFile (F)-for i:=10 000 downto 1 do beginif (not Usedlndex1.) then wsize:=i else break- end-
  211. Set Length (W, wsize + 1, ws. ize+1) — fin:1. NAdd () — end-**************************procedure TForrn4. SelDel () -vari, j, k, 1: integer- temp, tmp: string- begin
  212. TmpList:=TStringList.Create — SaveNetAs (FName+'~') — if sel>'' then beginfor i:=l to strLen (PChar (sel)) div 8 do begintemp:=ListNstr (copy (sel, 8*i-3,4)).-
  213. Delete (temp, backpos4(copy (sel, 8*i-7,4), temp), 4) — {for j:=backpos4(copy (sel, 8*i-7,4), temp) div 4 to (strlen (Pchar (List1.)) div 4)-2 do begin
  214. Usedlndexstrtoint (tmp).:=False-temp:=TmpList 2. -1.sert (To4(StrToInt (copy (TmpList2., 1,4))-l), temp, 1)-1. Delete (temp, 5,4)-1. TmpList2.:=temp-
  215. SetLength (W, wsize+1,wsize+1)-rewrite (F) — for i:=1 to 20 000 do beginif ((i mod 2)>0) then Write (F, posxi div 2 +1.) else
  216. Write (Fn, posyi div 2 .) — end- CloseFile (Fn) — AssignFiie (Fw, name+'.wgt') — Rewrite (Fw) — for i:=l to wsize do beginfor j:=l to wsize do begin
  217. Write (Fw, W1. j.) — end- end- CloseFile (Fw)-end-procedure TForm4. LAdd ()-label fin- var1. Curs2: cardinal — beginif LAd=true then begin1. d:=false-
  218. Forml.SpeedButtonl5.Flat:=false — Form4. Cursor:=crDefault — goto fin- end-if LAd = false thenbegin1. d:=true-
  219. Form4.Cursor:=crUpArrow- Forml. SpeedButtonl5. Flat:=true-end- fin: end-fin: end-***********procedure TForm4. SetAct () — vari: integer-temp, Funcpr: string-begin
  220. Funcpr:=InputBox ('Выбор функции и ее опции','Выберите функцию и ее модификацию', Funcpr) — ShowMessage (funcpr)-if (seno'')and{strlen (PChar (Funcpr))=2) then begintemp:=List3.-for i:=l to strlen (PChar (sen))div 4 do begin
  221. GetOut:=insnov-1.- end elsebegin net:=0-for i:=l to (strlen (PCHAR (ListNstr (str).))-9)div 4 dobeginnet:=net+GetOut (copy (ListNstr (str)., 9+i*4−3,4))*GetWeight (copy (List[Nstr (str)], 9+i*4−3,4)+str) — end-
  222. ShowMessage ('коорд2='+copy (Listi+5., 9+j*4−3,4)) —
  223. ShowMessage (copy (ListNstr (str)., 6, 3)) — if copy (List[Nstr (str)], 6,3)='вых' then begin nov:=0-for i:=l to Nstr (str) do beginif copy (List1., 6,3)='вых' then inc (nov) — end-
  224. ShowMessage ('nov='+inttostr (nov-1)) — ShowMessage ('str'+str) —
  225. ShowMessage ('GetOut='+floattostr (GetOut (str))) — ShowMessage ('touts='+floattostr (toutsnov-1.)) — ShowMessage ('delta='+floattostr (GetOut (str)-touts[nov-1])) —
  226. ShowMessage ('daf='+floattostr (daf (GetNet (str), copy (List3.,(Nstr (str)-5)*2−1,2)))) —
  227. ShowMessage ('getdeIta='+floattostr (getdelta (copy (List1., 1,4)))) —
  228. ShowMessage ('GetWeight='+floattostr (GetWeight (str+copy (List1., 1,4)))) — }sumka:=sumka+getdelta (copy (List1., l,4))*GetWeight (str+copy (Listi., 1,4)) — //showmessage ('sumka='+floattostr (sumka))-unit Unit5-interface uses
  229. Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms, Dialogs, StdCtrls, Math-type
  230. Private declarations } public
  231. F:TextFile- { Public declarations } FileName: string- end-var1. Form5: TForm5-implementation uses Unit2- {$R *.dfm}procedure TForm5. LoadProject () — begin1. Memol. Clear () —
  232. FileName:=Form2.Editl.Text + ' .srt'- AssignFiie (F, FileName) — Reset (F) —
  233. Memol.Lines.LoadFromFile (FileName)-1. CloseFile (F)-end-procedure TForm5. FormShow (Sender: TObject) — begin1. adProj ect () — end-procedure TForm5. ButtonlClick (Sender: TObject) — varj, Lw, n, m, P, L: integer-
  234. Matrix:array of array of integer-beginn:=StrToInt (Editl.Text) — m:=StrToInt (Edit2.Text) — P:=StrToInt (Edit3.Text) — Lw:=m*(P div m+1)*(n+m+1)+m-unit Unit 6- interfaceuses
  235. Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms, Dialogs, StdCtrls, ComCtrls-type
  236. Private declarations) procedure NRaspred () — procedure Raspred () — public
  237. Public declarations } end-var1. Form6: TForm6-
  238. Button1.Visible:=true- Button2. Visible:=true- Button3. Visible:=true- for i:=10 downto 0 do begin1. bel2.Left:=((8 div 10)*i)+24- Label3. Left:=Label2.Left- Label4. Left:=Label2.Left- Label5. Left:=Label2.Left- Labelб. Left:=Label2.Left-
  239. Edit2.Left:=((17 6 div 10)*i)+24−1. Edit3. Left:=Edit2.Left-1. Edit4. Left:=Edit2.Left-1. Edit5. Left:=Edit2.Left-1. Edit6. Left:=Edit2.Left-
  240. ComboBoxl.Left: = ((Edit 6. Width+ComboBoxl.Width + 2) div 10)*i + 24
  241. ComboBoxl.Top:=Label6.Top-
  242. Button6.Top:=ComboBoxl.Top-
  243. Button4.Top:=Label6.Top+30-
  244. Button5.Top:=Label6.Top+30-
  245. Button5.Left:=Label6.Left-
  246. Button4.Left:=Edit 6. Left-end-
  247. Buttonl.Enabled:=true- Label2. Visible:=false- Edit2. Visible:=false- Label3. Visible:=false- Edit3. Visible:=false- Label4. Visible:=false- Edit 4. Visible:=false- Label5. Visible:=false-
  248. Button6.Visible:=true- ComboBoxl. Visible:=false — Label6. Visible:=false- ComboBoxl. Clear-for i:=1 to StrToint (Edit4.Text) do begin
  249. ComboBoxl.Items.Add (inttostr (i)) — end-end-procedure TForm6. NRaspred () — varpron promezh. neironovninl sredn neironov vo vnutr sloeclast combo lastpron, ninl, i, clast:integer-begin
  250. Comboi+1.:=Combo[i+1]+1- end-
  251. Combo1.:=strtoint (Edit2.Text) — Comboclast.:=strtoint (Edit3.Text) — end-procedure TForm6. ComboBoxlChange (Sender: TObject) — begin
  252. Memol.Lines.Add (Editl.Text) —
  253. Memol.Lines.Add ('Многослойная сеть прямого распространения') —
  254. ShowMessage ('Ошибка в слое'+inttostr (Comboz.))-break-end-end-end-
  255. Memol.Lines.Add (sclad) — sclad:=''-
  256. Memol.Lines.Add ('связи: ') —
  257. ProgressBarl.Position:=i- end-
  258. ComboComboBoxl.Itemlndex+l.:=strtoint (Edit6.Text) — i:=strtoint (Edit 6. Text)-temped6-if (ComboBoxl.Itemlndex+l=l)then Edit2. Text:=Edit6.Text-if (ComboBoxl.ItemIndex+l=strtoint (Edit4.Text)) then Edit3. Text:=Edit6.Text-
  259. Edit5. Text:=inttostr (strtoint (Edit5.Text)+i)-end-end-procedure TForm6. Edit5Enter (Sender: TObject) — begin
  260. Buttons.Visible:=true- ComboBoxl. Visible:=false- Label6. Visible:=false- end-procedure TForm6. Edit2Enter (Sender: TObject) — begin
  261. Button6.Visible:=true- ComboBoxl. Visible:=false- Labelб. Visible:=false- end-procedure TForm6. Edit3Enter (Sender: TObject) — begin
  262. Button6.Visible:=true- ComboBoxl. Visible:=false- Label6. Visible:=false- end-procedure TForm6. Edit4Enter (Sender: TObject) — begin
  263. Button6.Visible:=true- ComboBoxl. Visible:=false- Label6. Visible:=false- end-procedure TForm6. Button3Click (Sender: TObject) — begin
  264. FName:=Editl.Text+'.net'- List: =TStringList.Create- List. Add (FName)-1.st.Add (1 Многослойная сеть прямого распространения')-1.st.Add ('0000 нейронов')-1.st.Add ('')-1.st.Add ('0000') -1.st.Add ('связи:')-1.st.SaveToFile (FName) —
  265. AssignFile (F, Editl. Text+'.pos')-1. Rewrite (F)-1. CloseFile (F)-1. Close-end-unit Unit7-interface uses
  266. Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms, Dialogs, StdCtrls-type
  267. TForm7 = class (TForm) Memol: TMemo- Buttonl: TButton- procedure SaveFile ()-procedure ButtonlClick (Sender: TObject)-private
  268. Private declarations } public
  269. Filename:string- { Public declarations } end-var1. Form7: TForm7-implementation uses Unit4, Unit6- {$R *.dfm}procedure TForm7. SaveFile () -begin
  270. Filename:=Form6.Editl.Text+' .net' - Memol.Lines.SaveToFile (Filename) —
  271. ShowMessage ('Файл '+Filename+' был успешно создан') — end-procedure TForm7. ButtonlClick (Sender: TObject) — var
  272. F:file of integer- Fw: file of real- defwgt: real- b, c, i, j, k, kk: integer-posx, posy: array1.10 000. of integer- begin
  273. AssignFile (F, Form6.Editl.Text+'.pos') — Rewrite (F) —
  274. D: = 10 — Ln:=20- L s: = 4 0 — Xm:= 0- Ym:=0-for i:=1 to strtoint (Form6.Edit4.Text) do beginunit Unit8-interface uses
  275. Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms, Dialogs, StdCtrls-type
  276. TForm8 = class (TForm) Buttonl: TButton- Button2: TButton- Button3: TButton- Labell: TLabel- procedure ButtonlClick (Sender procedure Button2Click (Sender procedure Button3Click (Sender private
  277. Private declarations } public
  278. Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms,
  279. Dialogs, Grids, ExtCtrls, TeeProcs, TeEngine, Chart, StdCtrls, DBGrids,
  280. DBCtrls, DB, DBTables, Series-type
  281. Shift: TShiftState) — procedure StringGridlKeyUp (Sender: TObject- var Key: Word- Shift: TShiftState) — privatecount: integer- { Private declarations }kv, к: integer- indie: integer- public
  282. Public declarations } end-var
  283. ShowMessage (floattostr (random (StringGridl.RowCount-1))) — for i:=l to k-kv do begininsi-1.:=strtofloat (StringGridl.Cells[i-1,prow]) — end-for i:=k-kv+l to к do begintoutsi-(k-kv+1).:=strtofloat ((StringGridl.Cells[i-1,prow])) — end-
  284. Form4.Training () — Series 1. Clear- Series2. Clear — for i:=l to kv do begin
  285. Series1.AddBar (Form4.GetOut (Copy (StringGridl.Cellsk-kv+i-1,0., 5,4)), Copy (StringGridl.Cells[k-kv+i-1,0], 5,4), clRed) —
  286. Series2.AddBar (toutsi-1., Copy (StringGridl.Cells[k-kv+i-1, 0], 5,4), clGreen)-end-end-end-procedure TForm9. FormShow (Sender: TObject) — vari: integer- begin count:=2- к: =0-
  287. Seriesl.Clear- Series2. Clear-ny:=strtofloat (InputBox ('Ввод коэфициента скорости обучения','Введите коэфициент скорости обучения','0.25'))-for i:=0 to strtoint (copy (List2., 1,4))+5 do beginif (copy (List1., 6,3)='вхд')then begin
  288. StringGridl.ColCount:=k+l-
  289. StringGridl.Colsk.Add ('вхд'+' '+Copy (List1., 1,4)) — inc (k) end- end- kv:=0-for i:=1 to strtoint (copy (List2., 1,4))+5 do beginif (copy (List1., 6,3)='вых')then begin
  290. StringGridl.ColCount:=k+l-
  291. StringGridl.Colsk.Add ('вых'+' '+Copy (List1., 1,4)) — inc (k)-begintoutskv.:=0-
  292. Seriesl.AddBar (outskv., Copy (List1., 1,4), clRed) — Series2. AddBar (touts[kv], Copy (List[i], 1, 4), clGreen) — end-with Series2 dobegin Clear-
  293. ShowMessage (floattostr (toutskv.)) —
  294. AddBar (toutskv., Copy (List1., 1, 4), clGreen) — end- } inc (kv) — end- end- end-procedure TForm9. Button4Click (Sender: TObject) — begininc (count) —
  295. StringGridl.RowCount:=count- end-procedure TForm9. StringGridlSelectCell (Sender: TObject- ACol,
  296. Seriesl.AddBar (Form4.GetOut (Copy (StringGridl.Cellsk-kv+i-1,0., 5,4)), Copy (StringGridl.Cells[k-kv+i-1,0], 5,4), clRed) —
  297. Series2.AddBar (toutsi-1., Copy (StringGridl.Cells[k-kv+i-1,0], 5,4), clGreen) — end-end- end-procedure TForm9. FormClose (Sender: TObject- var Action: TCloseAction) — begin
  298. StringGridl.Rows0.Clear- end-procedure TForm9. ButtonSClick (Sender: TObject) — beginif count=l then count:=2- count:=count-l- StringGridl. RowCount:=count- StringGridl.Rowscount.Clear-
Заполнить форму текущей работой

Заказал и сдал!