Решение технологических задач в машиностроении с помощью нейросетей
Введение
Машиностроение – наиболее крупная комплексная отрасль мировой промышленности, определяющая уровень развития промышленности страны и общий уровень ее развития и обеспечивающая все остальные отрасли производства необходимыми машинами, приборами и другим технологическим оборудованием, а население – предметами потребления. Значительная работа в данной отрасли проводится над повышением производительности существующего технологического оборудования, внедрением новой передовой техники, а также перспективных типов производственной деятельности, в частности, автоматизированной с использованием искусственного интеллекта. Сегодня уже создано значительная часть комплексов; оборудования и механизмов производственных линий электронного машиностроения состоящие из магнитных периодических фокусирующих систем посвящена именно электронному машиностроению. В технологии изготовления магнитных фокусирующих систем СВЧ приборов процесс настройки их магнитного поля на заданные значения индукции на
Содержание
Введение………………………………………………………………..11
1. Интеллектуальность в управлении различными процессами………14
2. Становление и развитие интеллектуальной нейронной сети……….19
2.1 общие сведения о нейронной сети и системах искусственного интеллекта………………………………………………………...……23
2.2 общая характеристика обучающихся, автоматических систем...32
3. Описание применяемых автоматизированных систем намагничивание……………………………………………………………….....35
4. Частичное размагничивание…………………………………………..47
5.Перспектива использование искусственного интеллекта в изготовление магнитной фокусирующей системы……………………..55
6 Заключение……………………………………………………………...61
7 Список использованных источников………………………………….62
Список используемых источников
1. Гаврилова О.А., Селиванов С.Г. «Вероятностно-рекуррентный метод оптимизации технологических процессов в авиадвигателестроении с использованием методов «мягких» вычислений» // Вестник УГАТУ. 2014. Т. 18, № 1(62) С.53– 59.
2. Хавина И.П., Лимаренко В.В. «Оптимизация технологических процессов механообработки с применением нейронных сететй» // Сиситемы обработки информации, 2015. – № 10(135). – С. 258–260.
3. Коршунов В.Я. Обеспечение качества поверхностного слоя деталей на основе прогнозирования рациональных структурно-энергетических параметров материала и технологических условий механической обработки: диссертация на соискание степени доктора технических наук : 05.02.08, 05.03.01.- Зерноград, 2006.- 325 с.: ил. РГБ ОД, 71 07-5/84.
4. Кузнецова Т.И., Ганина Г.Э., Клементьева С.В. «Приоритеты российского машиностроения в свете новой индустриальной революции»// Гуманитарный вестник, 2017, вып. 1. DOI: 10.18698/2306-8477-2017-01-408.
5. Вороненко В. П., Рязанов Д. Ю., Горский С. С. «Повышение эффективности изготовления деталей типа тел вращения при нейросетевом управлении» // Технология Машиностроения №3 2010 г. с.49-52.
6. Е.В. Шабанов, В.Г. Бурлак, Л.В. Поликарпова, А.В. Смурыгина, Г.С. Авдеева «Научно-технический сборник, управление качеством, стандартизации, метрологии, испытания»// вып. 2 УДК 621.5.015.24
7. Научно-технический сборник, управление качеством, стандартизации, метрологии, испытания. Выпуск 2 с. 7, автор Е.В. Шабанов, В.Г. Бурлак, Л.В. Поликарпова, А.В. Смурыгина, Г.С. Авдеева
8. Данилов А.А. Правовые и организационные проблемы метрологического обеспечения при эксплуатации ИС // Сборник докладов международной конференции «Правовые и организационные проблемы метрологического обеспечения». Пенза, 2004. с. 50 - 54.
9. ГОСТ 8.009-84 “Государственная система обеспечения единства измерений. Нормирование и использование метрологических характеристик средств измерений”
10. Калашников С.Г. Электри
В этом смысле говорят, что ИНС обладает свойством обобщения.
Ошибка в обобщении, всегда имеющая место на выходе сети, имеет две составляющие. Первая из них обусловлена недостаточным качеством аппроксимации, выполняемой сетью конечных размеров. Вторая – вызвана неполнотой информации, предъявленной сети в процессе обучения, из-за ограниченного объема обучающей выборки.
У Розенблатта сила межслойных синаптических связей изменялась в зависимости от того, насколько точно выход перцептрона совпадал с выходным шаблоном, в соответствии со следующим правилом обучения. Веса связей увеличиваются, если выходной сигнал, сформированный принимающим нейроном, слишком слаб, и уменьшаются, если он слишком высок. Однако это простое правило минимизации ошибки применимо то