Инструментально-квалиметрическая и компьютерная поддержка контроля и управления качеством продукции автоматизированных производств многокомпонентных гетерогенных смесей тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Сокольчик, Павел Юрьевич

• Сокольчик, Павел Юрьевич
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Сокольчик, Павел Юрьевич

Введение.

1. Компьютерно-интегрированные системы управления качеством функционирования производств многокомпонентных гетерогенных смесей (обзор и постановка задачи исследования).

1.1. Классификация химико-технологических систем. Особенности создания гибких автоматизированных химико-технологических систем.

1.2. Общие принципы построения и структура иерархических автоматизированных систем управления гибкими производствами дискретно-непрерывного типа.

1.3. Основные задачи и модели управления качеством в гибких автоматизированных производствах химической продукции.

1.4. Особенности производства многокомпонентных гетерогенных композиций как объектов моделирования и управления.

2. Контроль показателей качества и управление рецептурой гетерогенных смесей на основе оптолептической информации светочувствительного сканирования.

2.1 Структура алгоритма управления качеством многокомпонентных гетерогенных композиций на основе связи показателей качества с составом рецептуры.

2.2. Получение оптолептической информации для оценки цветовых оттенков и степени гомогенизации гетерогенных смесей.

2.3. Принцип построения экспертной системы компьютерной поддержки и управления показателями качества многокомпонентных гетерогенных композиций на основе оптолептической информации.

2.4. Обоснование выбора и проектирование нейросетевых моделей связи состава рецептуры и оптиколептических параметров светочувствительного сканирования поверхности образцов композиции.

2.5. Экспертная система с базой знаний из нейросетевых моделей, формируемой на основе метода прецедентов.

3. Контроль и управление дозированием компонентов и гомогенизацией смесевых композиций.

3.1 Подготовка жидкой фазы смесевой композиции.

3.2 Определение степени гомогенизации смесевой композиции на основе оценки энтропии оптолептической информации светочувствительного сканирования поверхности смеси.

4. Структура и информационно-программные средства системы инструменталыю-квалиметрической и компьютерной поддержки управления качеством гетерогенных смесей.

4.1. Структура интегрированной системы контроля и управления качеством гетерогенных смесей.

4.2. Информационно-программные средства (ИПС) системы контроля и управления качеством гетерогенных смесей.

Введение диссертации (часть автореферата) на тему «Инструментально-квалиметрическая и компьютерная поддержка контроля и управления качеством продукции автоматизированных производств многокомпонентных гетерогенных смесей»

Современные условия ставят перед предприятиями, производящими продукцию из смесевых гетерогенных композиций, например, лаки и краски, задачу упрочения рыночного положения и конкурентоспособности. Это возможно, если в производстве обеспечивается оперативное, гибкое реагирование на конъюнктуру рынка как путем разработки новых рецептур, так и путем управления потребительскими свойствами продукции при изготовлении с тем, чтобы значения показателей этих свойств соответствовали уровню, диктуемому потребителем.

Эффективное решение подобных задач для автоматизированных производств требует создания компьютерно-интегрированных систем, обеспечивающих управление разработкой новой продукциии и формированием исходных данных для проектирования, проектированием технологических процессов с системами контроля и управления, технологической подготовкой производства, функционированием технологических процессов с целью выпуска конкурентной продукции.

Важность данной диссертационной работы применительно к созданию интегрированных систем управления производствами многокомпонентных гетерогенных композиций определяется необходимостью разработки алгоритмов функционирования систем, основанных на применении моделей связи показателей качества продукции с составом рецептуры и параметрами технологических процессов.

Потребительские свойства, например, краски, такие как цветовые оттенки и качество покрытия, оцениваются при производстве, как правило, органолептическим методом экспертом-квалиметристом путем сравнения с эталонными образцами. Поэтому построение адекватных математических моделей связи показателей качества с составом рецептуры и параметрами технологических процессов требует разработки инструментальных методов для оценки этих показателей непосредственно в процессе получения продукции.

Разработке и исследованию математических моделей количественной связи оптолептических параметров светочувствительного сканирования, характеризующих цветовые оттенки и степень гомогенизации многокомпонентных гетерогенных смесей, с составом рецептуры и технологическими параметрами процессов их получения, а также синтезу на основе этих моделей адаптивных алгоритмов управления качеством посвящена настоящая работа.

Представленная работа является частью научных исследований, проводимых в Пермском государственном техническом университете в соответствии с планами научно-исследовательских работ по научно-технической программе Министерства образования РФ «Автоматизированные системы, средства автоматизации и вычислительная техника» (1999-2001 г.г., проект № Г.р. 01200010347), региональной научно-технической программе «Западный Урал: актуальные проблемы научно-технического развития и экологической безопасности» (2000 г., проект «Разработка теоретических основ и алгоритмов гибкого автоматизированного управления технологическими процессами многономенклатурных химических производств в условиях быстроменяющейся конъюнктуры рынка»), заданию Министерства образования РФ № Г.р.01200310375 «Нелинейные модели механики неоднородных сред и математические методы прогнозирования эффективных свойств матричных композитов» (2003, 2004 г.г., проект: «Принципы, модели и алгоритмы управления качеством продуктов компаундирования»).

Цель работы. Создание систем инструментально-квалиметрической и компьютерной поддержки контроля и управления качеством продукции автоматизированных производств многокомпонентных гетерогенных смесей.

Для достижения этой цели необходимо решить следующие задачи разработки и исследования методов и алгоритмов:

- повышения точности дозирования твердых компонентов в жидкую органическую основу технологической массы композиционных материалов; количественной оценки степени гомогенизации гетерогенных смесей на основе оптолептической информации о состоянии их поверхности;

- количественной оценки (идентификации) цветовых оттенков композиционных материалов по модели RGB - разложения с использованием оптолептической информации, получаемой при сканировании их поверхности;

- идентификации связей «состав-качество» многокомпонентных гетерогенных композиций формальными математическими моделями;

- управления составлением рецептуры многокомпонентных гетерогенных смесей с целью получения продукции (лаков и красок) с заданными по эталонам цветовыми оттенками;

- управления рецептурой и технологическими режимами процессов получения многокомпонентных гетерогенных композиций с заданными характеристиками качества, а также задачи разработки алгоритмической структуры систем контроля и управления качеством.

Методы исследования. В процессе выполнения работы использованы методы математической статистики, идентификации объектов и' систем управления, в т.ч. нейросетевыми моделями, теории управления, теории систем, вычислительный эксперимент, натурный эксперимент с использованием метода оптолептической квалиметрии.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на международной научно-технической конференции «Перспективные химические технологии и материалы» (Пермь: ПермГТУ,1997); Международной конференция молодых ученых «Методы кибернетики в химической технологии» (Москва: РХТУ, 1997); Всеросс. конф. молодых ученых «Математическое моделирование в естественных науках» (Пермь: ПермГТУ, 1999); «Химия, химическая технология, охрана окружающей среды» (Пермь: ПермГТУ, 2000); Международной научно-техническая конференция «Новые материалы и технологии на рубеже веков» (Пенза: Приволжский дом знаний, 2000); «Успехи в химии и химической технологии» (Москва: РХТУ им. Д.И. Менделеева, 2000); Всеросийской научной конференции «Проектирование научных и инженерных приложений в среде

MATLAB» (Москва: ИПУ РАН, 2002); XV Международной научной конференции «Математические методы в технике и технологиях» (Тамбов: Тамбовский гос. техн. университет, 2003); XVI Международной научной конференции «Математические методы в технике и технологиях» (РГАСХМ ГОУ, Ростов-на-Дону, 2004).

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Сокольчик, Павел Юрьевич

ЗАКЛЮЧЕНИЕ

1. Выполнен анализ особенностей автоматизированных производств многокомпонентных гетерогенных смесей как объектов управления. Производства отнесены к дискретно-непрерывному типу с признаками гибких производственных систем с иерархической интегрированной автоматизированной системой управления. На основе анализа задач, решаемой системой управления установлена необходимость интерактивного контроля показателей качества композитов с применением методов инструментально-квалиметрического контроля показателей качества продукции, в частности путем светочувствительного сканирования поверхности смеси, и разработки алгоритмов управления составом рецептуры и степенью гомогенизации смеси.

2. Разработана структура алгоритма управления качеством гетерогенных композиций, в частности цветовых оттенков, основанного на использовании формальных моделей «состав рецептуры - показатель качества» и «показатель качества - состав рецептуры».

3. Предложен и обоснован метод количественной оценки цветовых оттенков гетерогенных смесей на основе информации полученной с помощью светочувствительного сканирования поверхности образцов.

4. Для идентификации зависимостей между составов рецептуры гетерогенных смесей и оптолептических показателей светочувствительного сканирования их поверхности разработаны математические модели в форме уравнений множественной регрессии, полученных методом Брандона, методом группового учета аргументов, формальных нейронных сетей. На основе оценки адекватности разработанных моделей к применению в алгоритмах контроля и управления качеством рекомендованы нейросетевые модели.

5. Предложен и обоснован подход к формированию базы знаний, содержащей зависимости между показателями качества и оптолептической информации поверхности образца, экспертной системы из нейросетевых моделей «состав рецептуры - показатель качества» и «показатель качества -состав рецептуры» на основе метода прецедентов модели.

6. Разработан, обоснован и экспериментально проверен метод повышения точности контроля дозирования твердых компонентов на основе оценки вязкости жидкой основы технологической массы композита по значению косвенного параметра - тока электродвигателя привода мешалки при трех его измерениях после добавок известных масс растворителя в жидкую основу.

7. Разработан, обоснован и экспериментально проверен метод оценки степени гомогенизации гетерогенных смесей в процессе диспергирования и перемешивания, основанный на вычислении значений энтропии оптолептической информации, получаемой путем светочувствительного сканирования поверхности смеси.

8. Предложен и экспериментально проверен алгоритм принятия решения о достижении заданной степени однородности смеси по изменению в процессе перемешивания энтропии оптолептической информации, подаваемой на вход формальной нейронной сети с пороговой функцией активации.

9. Рассмотрена общая структура интегрированной автоматизированной системы управления производством гетерогенных композиций, разработана архитектура информационно программного средства обеспечения инструментально квалиметрической поддержки контроля и управления на основе инструкций для виртуальной машины MATLAB.

Список литературы диссертационного исследования кандидат технических наук Сокольчик, Павел Юрьевич, 2006 год

1. МухлёновИ.П. Химико-технологические системы. Синтез, оптимизация и управление. Л.: Химия, 1986. - 424 с.

2. КафаровВ.В., Мешалки В.П. Анализ и синтез химико-технологических систем: Учебник для ВУЗов. М.: Химия, 1991.- 432 с.

3. КафаровВ.В., Макаров В.П. Гибкие автоматизированные производственные системы в химической промышленности: учебник для ВУЗов. М.: Химия, 1990. - 320 с.

4. КафаровВ.В., ВетохинВ.Н. Основы автоматизированного проектирования химических производств. М.: Наука, 1987.

5. Принципы математического моделирования химико-технологических систем (Введение в системотехнику химических производств) / В.В. Кафаров, В.Л. Перов, В. П. Мешалкин. М.: Химия», 1974. - 344 с.

6. Фор А. Восприятие и распознавание образов / Пер. с фр. А.В.Серединского; под ред. Г. П. Катыса. М.: Машиностроение, 1989. - 272 с.

7. Ахназарова С. Л., Кафаров В.В. Оптимизация эксперимента в химии и химической технологии: учеб, пособие для химико-технологических вузов. М.: Высш. школа, 1978. - 319 с.

8. Иваненко А.Г. Долгосрочное прогнозирование и управление сложными системами. М.: Техника, 1975. - 312 с.

9. Бромберг Э.М., Куликовский К.Л. Тестовые методы повышения точности. -М.: Энергия, 1978.-240 с.

10. КругловВ.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2001. - 382 с.

11. Дьяконов В. MATLAB. Обработка сигналов и изображений: Специальный справочник. СПб.: Питер, 2002. - 608 с.

12. Фигурин В.А., Оболонкин В.В. Теория вероятностей и математическая статистика : Учебное пособие. Мн.: ООО «Новое знание», 2000. - 208 с.

13. Теория сетей Петри и моделирование систем Питерсон Дж./ Пер. с англ. М.: Мир, 1984. - 264 с.

14. Искусственный интеллект. Системы общения и экспертные системы: Справочник в трех книгах. Книга 1/ Под ред. Э.В. Попова. М.: Радио и связь, 1990. - 464 с.

15. Искусственный интеллект. Модели и методы: Справочник в трех книгах. Книга 2 / Под ред. Д.А. Поспелова М.: Радио и связь, 1990. - 304 с.

16. Шумихин А.Г. Автоматизированное управление химико-технологическими процессами в условиях нестационарности: Дис. работа д-ра техн. наук: 05.13.06. Защищена 1998г.; Утв. 1998г.- Пермь, 1998.

17. Лукомский Я.И. Теория корреляций и ее практическое применение к анализу производства. М.: Госстатиздат, 1961

18. Нильсон Н. Обучающиеся машины / Пер. с англ. А.А. Дорофеюк; Под ред. Э.М. Браверманн. М.: Мир, 1967.

19. Распознавание образов. Адаптивные системы: Труды международного симпозиума по техническим и биологическим проблемам управления / Под ред. В.А. Трапезников. М.: Наука, 1971.

20. Управление химико-технологическими процессами приготовления многокомпонентных смесей / Гельфанд Я.Е., Яковис Л. М., Дороганич С.К. и др.; Под ред. Я. Е. Гельфанда. Л.: Химия, 1988. - 288 с.

21. Цифровая обработка изображений в информационных системах: Учебное пособие / И.С. Грузман, B.C. Киричук и др. Новосибирск: Изд-во НГТУ, 2002. -352 с.

22. Шапиро Д. И. Принятие решений в системах организационного управления: Использование расплывчатых категорий. М.: Энергоатомиздат, 1983. - 184 с.

23. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры / Пер. с англ. и предисл. Б. И. Шитикова. М.: Финансы и статистика, 1987. - 191 с.

24. Модели нейронных структур: Труды международного симпозиума по техническим и биологическим проблемам управления. Ереван, 24—28 сентября 1968 г. М.: Наука, 1970. -208 с.

25. Горелик А.Л., Скрипкин В.А. Методы распознавания: Учеб. пособие. 2-е изд., перераб. и доп. М: Высш. шк., 1984. - 208 с.

26. Василенко Г. И., Тараторин А. М. Восстановление изображений. М.: Радио и связь, 1986. - 304 с.

27. Сойер Б., Фостер JI.JL Программирование экспертных систем на Паскале : Пер с англ.- М.: Финансы и статистика, 1990. -191 с.

28. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами-М.: Техника, 1975. 312 с.

29. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968.-400 с.

30. Цыпкин Я.З. Основы теории обучающихся систем. М.: Наука, 1970. - 252 с.

31. Шумихин А.Г., Дадиомов Р.Ю. Алгоритмы поиска прецедентов производственных ситуаций в базе знаний интеллектуальной управляющей системы : Сб. тр. МНК ММТТ-15. Т.5.- Тамбов: ТГТУ, 2002.- С.83-86.

32. Растригин JI.A., Эренштейн Р.Х. Метод коллективного распознавания. М.: Энергоиздат, 1981. - 80 с.

33. Кол кот Э. Проверка значимости / Пер. с англ. И.Ш. Амирова. М.: Статистика, 1978. - 128 с.

34. Семенов Н.А. Программы регрессионного анализа и прогнозирования временных рядов. Пакеты ПАРИС и МАВР. М.: Финансы и статистика, 1990. -111 с.

35. Кафаров В.В. Методы кибернетики в химии и химической технологии. М.: Химия, 1971.-496 с.

36. Вероятностные методы в инженерных задачах: Справочник / А.Н. Лебедев и др. -СПб.: Энергоатомиздат, 2000. 333с.

37. Литвак Б.Г. Экспертная информация: Методы получения и анализа. М.: Радио и связь, 1982. - 184 с.

38. Стратонович Р.Л. Теория информации. М.: Сов. радио, 1975. - 424 с.

39. Советов Б.Я., Яковлев С.А. Моделирование систем: Учебник для вузов. 3-е изд., перераб. и доп. М.: Высш. шк., 2001. - 343 с.

40. Технологические основы гибких производственных схем: Учебник для машиностроит. спец.вузов. 2-е изд., испр. / В.А.Медведев, В.П.Вороненко, В.Н.Брюханов и др.; Под ред. 10. М. Соломенцева. М.: Высш. шк., 2000. - 255 с.

41. Тюрин Ю.Н., Макаров А.А. Анализ данных на компьютере / Под ред. В.Э. Фигурнова. М.: ИНФРА-М, Финансы и статистика, 1995. - 384 с.

42. Бусленко Н. П. Моделирование сложных систем. М.: Главная редакция физико-математической литературы изд-ва «Наука», 1978.

43. Яглом A.M., Яглом И.М. Вероятность и информация. М.: Наука, 1973.

44. Джексон Питер. Введение в экспертные системы: Учебное пособие : Пер. с англ. М.: Издательский дом «Вильяме», 2001. - 624с.

45. Математические основы автоматизированного проектирования химических производств: Методология проектирования и теория разработки оптимальных технологических схем / В.В. Кафаров, В.П. Мешалкин, B.JI Перов. М.: Химия, 1979. - 320 с.

46. Бояринов А.И., Кафаров В.В. Методы оптимизации в химической технологии. Изд. 2-е. М.: Химия, 1975. - 576 с.

47. Построение математических моделей химико-технологических объектов / Е.Г. Дудников, B.C. Балакирев, В.Н. Кривсунов, A.M. Цирлин. М.: Химия, 1970.-312 с.

48. Липатов Л.Н. Типовые процессы химической технологии как объекты управления. М.: Химия, 1973. - 155 с.

49. Основы информационной теории идентификации. Я.З. Цыпкин. М.: Наука, 1984.-336 с.

50. Современные методы идентификации систем / Под ред. П. Эйкхоффа. М.: Наука, 1984.-336 с.

51. Принципы построения и проектирования самонастраивающихся систем управления / Б.Н.Петров, В.Ю. Рутковский, И.Н. Крутова и др. М.: Наука, 1972.-260 с.

52. Дорохов И.Н., Кафаров В. В. Системный анализ процессов химической технологии // Экспертные системы для совершенствования промышленных процессов гетерогенного катализа. М: Наука, 1989. - С. 297, 312-315.

53. Поспелов Г.С. Искусственный интеллект основа новой информационной технологии. - М.: Наука, 1988. - 280 с.

54. Искусственный интеллект: Применение в химии : Пер. с англ. М.: Мир, 1988.-430 с.

55. Попов Э.В. Экспертные системы. М.: Наука, 1987. - 283 с.

56. Нильсон Н. Принципы искусственного интеллекта : Пер. с англ. М.: Радио и связь, 1985.-373 с.

57. Вапник В.И., Червонискис А.Я. Теория распознавания образов. М.: Наука, 1974.-416 с.

58. Современное состояние проблемы распознавания / A.JI. Горелик, И.Б. Гурович, В.А. Скрипкин. М.: Радио и связь, 1985. - 160 с.

59. Теоретические основы информационной техники / Ф.Е. Темников и др. М.: Энергия, 1971.-424 с.

60. Ясницкий Л.Н. Введение в искусственный интеллект: Учебное пособие по спецкурсу. Пермь: ПГТУ, 2001.- 143 с.

61. Распознавание образов / Бархатен К., ДейнР., Грун Ф. и др. М.: Радио и связь, 1985.- 194 с.

62. Введение в искусственные нейронные сети. Открытые системы. А.К. Джейн. 1997. №4.

63. Завалишин Н.В., Мучник И.Б. Модели зрительного восприятия и алгоритмы анализа изображений. М.: Наука, 1974. - 344 с.

64. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992. - 170 с.

65. Обработка изображений и цифровая фильтрация: Пер. с англ. М.: Мир, 1979.-318 с

66. Александров В.В., Горский Н.Д., Мысько С.К. Экспертные системы анализа изображений. Л.: ЛИИАН, 1986. - 37 с.

67. Ю.П.Адлер, Е.В.Маркова, Ю.В.Грановский. Планирование эксперимента при поиске оптимальных условий. Издание второе переработанное и дополненное М.'.НАУКА, 1976.

68. В.В. Круглое, В.В. Борисов, Е.В. Харитонов. Нейронные сети: конфигурации, обучение, применение. Смоленск: Изд-во Моск. энерг. ин-та, фил-л в г Смоленске, 1998.

69. Ф.Розенблатг. Принципы нейродинамики: Персептроны и теория механизмов мозга. -М.: Мир, 1965.

70. В.В. Круглое, В.В.Борисов, Е.В.Харитонов. Основы построения нейронных сетей. Смоленск: Изд-во Военного ун-та войсковой ПВО ВО РФ, 1999.

71. Сокольчик П.Ю., Шумихин А.Г. Тестовый алгоритм управления дозировкой компонентов в периодических процессах приготовления многокомпонентных смесей // МНТК «Перспективные химические технологии и материалы»: Тез.докл. Пермь: ПГТУ, 1997.

72. Сокольчик П.Ю., Шумихин А.Г. Алгоритм дозирования легколетучего растворителя в лакокрасочном производстве // Методы кибернетики в химической технологии: Международная конференция молодых ученых: Тез.докл. Москва: РХТУ, 1997.

73. Сокольчик П.Ю., Шумихин А.Г. Моделирование гибких производственных систем лаков и красок с использованием сетей Петри// Математическое моделирование в естественных науках: Тез.докл. Всеросс. конф. молодых ученых. Пермь: ПГТУ, 1999.

74. Сокольчик П.Ю., Шумихин А.Г. Прогноз качества продукции лакокрасочного производства // Химия, химическая технология, охрана окружающей среды: Материалы конференции химико-технологического факультета. Пермь: ПГТУ: 2000.

75. Сокольник П.Ю., Шумихин А.Г. Прогнозирование качества готовой продукции в производстве многокомпонентных смесей // Успехи в химии и химической технологии: Вып. XIV: 4.1. Тез. докл. Москва: РХТУ, 2000 .

76. Сокольчик П.Ю., Шумихин А.Г. Управление цветом продукции в производстве красок с использованием механизма нейронных сетей // Тр. ВНК Проектирование научных и инженерных приложений в среде MATLAB. М.: ИПУ РАН, 2002. - С. 140.

77. Сокольчик П.Ю., Шумихин А.Г. Применение аппарата нейронных сетей в системе управления качеством продукции при производстве гетерогенных смесевых композиций// Сборник научных трудов. Т.2. Пермь: ПГТУ, 2003. -С.134-138.

78. ПОКАЗАТЕЛИ КАЧЕСТВА КРАСКИ НА ПРИМЕРЕ АКРИЛОВОЙ КРАСКИ1. ВД-АК-1911. Показатель качества Норма

79. Внешний вид пленки Цвет пленки краски Степень перетира по "клину" мкм, не более После высыхания матовая В зависимости от цвета пигмента 60

80. Время высыхания при t=(20+-5) С до степени 3, ч не более Условная вязкость при t=(20+-5) С по ВЗ-246 с Dcomia=6mm 1 Факультативно

81. Массовая доля нелетучих веществ, % 40-60

82. Укрывистость в пеерсчете на сухую пленку, г/кв.м, не 100более

83. Эластичность плени при изгибе, мм, не более 1

84. Прочность пленки при ударе на приб. У-1а, см, не 50менее

85. Адгезия пленки к металлической поверхности, баллы, 1не более

86. Твердость пленки по ТМЛ-2124 (маятник А), усл. ед Факультативно

87. ВНЕШНИЙ ВИД ОБРАЗЦОВ В РАЗНЫЕ МОМЕНТЫ ВРЕМЕНИ ОТБОРА ПРОБЫ ПРИ НЕПРЕРЫВНОМ ПЕРЕМЕШИВАНИИ1. Состав 11. Состав 2

88. СХЕМЫ ИСПОЛЬЗОВАНИЯ ФАКТОРОВ, ПОЛУЧЕННЫХ МЕТОДОМ1. МГУА.1. Прямая задача.

89. Определение R-соетавляющей по исходному составу (fl): ух (х) = а0 + ах • х, + а2 • х2 + а3 • х2 + а4 • х\ + а5 • хх • х21. Xi

90. Определение G-составляющей по исходному составу (f2): у2 (л:) = а0 + а1 ■ х2 + а2 • х3 + а3 • х\ + а4 • х. + а5 • х2 • х3

91. Определение относительного содержания зеленого пигмента (ЬЗ)уг (х) = а0 + а1 • хх + а2 • х3 + а3 • xf + а4 • х. +а5-хх-хъ

92. КОЭФФИЦИЕНТЫ ПОЛИНОМОВ ПОЛУЧЕННЫХ МЕТОДОМ ГРУППОВОГО УЧЕТА АРГУМЕНТОВ ДЛЯ РЕШЕНИЯ ПРЯМОЙ И ОБРАТНОЙ ЗАДАЧ (ПРОГНОЗ И УПРАВЛЕНИЕ ПИГМЕНТНОГО1. СОСТАВА)ао ai аг аз а4 as

93. Коэффициенты полиномов для решения обратной задачи

94. У1 5.289023793-Ю"4 -8.202635934-10'2 1.082982392 -2.916590002 -2.951127103 5.866136403

95. П1 /2 -2.607701394-10'1 -2.533759747-10"1 2.534960545 3.433140731-10-' -3.3218328Ы0'1 -1.030951724з -1.831398305-Ю"' -2.576401889-10-' 1.719505159 -7.46003496-10"2 -2.147007886 1.942967363

96. П2 У2 1.486823209-10"' 6.21380912 -8.248001644 -5.786991489 -7.023508598-10"' 8.377587072

97. ПЗ Уз 1.112101393 -5.980802962 5.736116097 5.466844687 1.036958398 -7.374776678

98. Коэффициенты полиномов для решения прямой задачи

99. R У1 1.637074089-10'1 3.959142297-10"' -5.3983575-10'1 4.428428835-10"' 1.258542883 1.754287808

100. G У2 9.986511402-Ю"1 -1.019746878 -5.1593853-10-' 2.244363484-10"' -1.67772088-10"' -1.0916406-10

101. ФОРМАТ РАСТРОВОГО ФАЙЛА ИСПОЛЬЗУЕМОГО В РАЗРАБОТАННОМ ИПС.

102. Формат используемых файлов представлен в синтаксисе язака программирования Turbo Pascal. Поля записи заголовка файла.type

103. TBMPInfо = record hl,h2: char; {префикс файла «В»,«М»}1. Size: longlnt;размер файла, байт}

104. Reserved: longint; {резервное поле}

105. Offset: longint; {смещение данных относительно начала файла}b: longint;резервное поле}

106. Width: longint; {ширина образа в точках}

107. Height: longint; {высота образа в точках}

108. Plans: word; {кол-во планов; должно содержать «1»}bpp: word;кол-во битов на пиксель(24бита)} end;

109. Поля записи заголовка файла с глубиной цветопередачи 24 бита на точку. TColor24 = record {24 вита на пиксель} R,G,В : byte;поля для хранения информации об R, G и В составляющих}end;

110. ФУНКЦИИ СОЗДАНИЯ И ИСПОЛЬЗОВАНИЯ НЕЙРОННЫХ СЕТЕЙ ПРИМЕНЯЕМЫХ ПРИ РАЗРАБОТКИ ИПС В СРЕДЕ MATLAB

111. Функции создания нейронных сетейnetwork функция создания нейронной сети пользователя. Запись: net=networknet=network(numInputs, numLayers, biasConnect, inputConnect, layerConnect, outputConnect, targetConnect)

112. PR Rx2 матрицу минимальных и максимальных значений для R входных элементов,1. S число нейронов,

113. PR Rx2 матрицу минимальных и максимальных значений для R входных элементов,

114. SI размер i-ro скрытого слоя, для N1 слоев.

115. TFI функция активации нейронов i-ro слоя, по умолчанию 'tansig'.

116. BTF функция обучения сети, по умолчанию 'traingd'.

117. BLF функция настройки весов и смещений, по умолчанию 'learngdm'.

118. Функции использования нейронных сетей

119. Аргументы Pi, Ai, Pf, Af используются только в случаях, когда сеть имеет задержки по входам или по слоям нейронов.

120. Структура данных аргументов:

121. Р массив размера NixTS, каждый элемент которого P{i, ts} является матрицей размера RixQ.

122. Pi массив размера NixID, каждый элемент которого Pi{i, к} (/-й вход в момент ts=k-ID) является матрицей размера RixQ (по умолчанию ноль).

123. Ai массив размера NixLD, каждый элемент которого Ai{i, к} (выход /-ого слоя в момент ts=k-ID) является матрицей размера SixQ (по умолчанию ноль).

124. Y массив размера NOxTS, каждый элемент которого Y{i, ts} является матрицей размера UixQ.

125. Pf массив размера NixID, каждый элемент которого Pf{i, к} (/-й вход в момент ts=TS+k-ID) является матрицей размера RixQ.

126. Af массив размера NixLD, каждый элемент которого Af{i, к} (выход /-ого слоя в момент ts=TS+k-ID) является матрицей размера SixQ, при этом:

127. Ni=net.numlnputs количество входов сети;

128. N1= net.numLayers количество ее слоев;

129. No=net.numOutputs количество выходов сети;1.= net.numlnputsDelays входные задержки;1.= net.numLayersDelays задержки слоя;

130. TS=Number of time steps число временных интервалов;

131. Q=Batch size размер набора подаваемых векторов;

132. Ri= net.inputs(i). size размер /-го вектора входа;

133. Si= net.Iayers(i). size размер /-го слоя;

134. ИСПОЛЬЗУЕМЫЙ АЛГОРИТМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ (BASK PROPAGATION)

135. Итеративный градиентный алгоритм обучения, используемый с целью минимизации среднеквадратичного отклонения текущего выхода и желаемого выхода многослойных нейронных сетей /10/.

136. Шаг 1. Весам сети присваиваются небольшие начальные значения.

137. Шаг 2. Выбирается очередная обучающая пара (X, Y) из обучающего множества; вектор X подается на вход сети.

138. Шаг 3. Вычисляется выход сети.

139. Шаг 4. Вычисляется разность между требуемым (целевым, Y) и реальным (вычисленным) выходом сети.

140. Шаг 5. Веса сети корректируются так, чтобы минимизировать ошибку.

141. Шаг 6. Шаги со 2-го по 5-й повторяются для каждой пары обучающего множества до тех пор, пока ошибка на всем множестве не достигнет приемлемой величины.

142. Шаги 2 и 3 подобны тем, которые выполняются уже в обученной сети.

143. Вычисления в сети выполняются послойно. На шаге 3 каждый из выходов сети вычитается из соответствующей компоненты целевого вектора с целью получения ошибки. Эта ошибка используется на шаге 5 для коррекции весов сети.

144. Метод обучения нейронной сети с помощью алгоритма обратного распространения ошибки заключается в следующем.

145. Функция ошибки зависит от векторов весов скрытого слоя и вектора весов, связанных с выходным нейроном.

146. Выход сети описывается выражением1