Введение
1. Обзор и анализ средств и методов моделирования и оптимизации многоэтапных процессов 10
1.1. Ограничения использования регрессионного анализа 10
1.2. Прикладные возможности нейронных сетей 12
1.3. Элементы теории нейронных сетей 14
1.4. Архитектура нейронной сети 1.4.1. Классификация нейронных сетей и их применение 16
1.4.2. Многослойные нейронные сети 19
1.4.3. Радиальные нейронные сети
1.5. Теоретические основы аппроксимационных свойств многослойных нейронных сетей 24
1.6. Понятие профиля компактности и предобработка данных в задаче классификации 25
1.7. Масштабирование данных 29
1.8. Определение необходимого числа нейронов в сети 29
1.9. Обучение нейронной сети
1.9.1. Алгоритмы обучения нейронных сетей 32
1.9.2. Понятие о задаче оптимизации 35
1.9.3. Обучение нейронной сети как задача оптимизации 37
1.9.4. Алгоритмы оптимизации функции ошибки выхода сети
1.10. Критерий окончания обучения нейронной сети 45
1.11. Показатели значимости входных параметров 45
1.12. Инверсия нейронной сети 47
1.13. Выводы 49
2. Разработка математической модели 51
2.1. Применение понятия профиля компактности для предобработки данных в задаче моделирования
2.2. Алгоритм получения равномерного распределения точек на поверхности решения задачи оптимизации с помощью инверсии нейронной сети 54
2.3. Алгоритм поиска смежных точек в пространстве 58
2.4. Начальные значения весовых коэффициентов 61
2.5. Функция активации нейронов 64
2.6. Выводы 67
3. Разработка автоматизированной системы 68
3.1. Программное обеспечение 69
3.2. Информационное обеспечение 75
3.3. Выводы 84
4. Анализ результатов моделирования и оптимизации на основе разработанной модели 85
4.1. Применение разработанного обеспечения 85
4.2. Параметры модели
4.2.1. Горячая прокатка 87
4.2.2. Холодная прокатка 89
4.2.3. Непрерывный отжиг 91
4.2.4. Дрессировка
4.3. Описание производства проката в ОАО «Новолипецкий металлургический комбинат» 92
4.4. Нейросетевая модель 96
4.5. Апробация системы на производственных данных 102
4.6. Выводы 119
Заключение 121
Литература
