Программа курса "Интеллектуализация управления в

Утверждён на заседании ученого совета
ИПТИЭ
«____»__________________20____г.
Протокол № ____________________
Зам. директора по учебной работе
_______________________________
Институт прикладных технико-экономических исследований и
экспертиз
Базовая кафедра «Физико-математических методов проектирования
сложных технических систем ракетно-космической техники»
ПРОГРАММА УЧЕБНОЙ ДИСЦИПЛИНЫ
«Интеллектуализация управления в
технологических процессах»
Направление подготовки: 27.04.04 «Управление в технических системах»
Специализации: «Физико-математические методы и модели в управлении сложными
техническими системами ракетно-космической техники»
Квалификация (степень) выпускника: Магистр
Москва-2014
1. Цели и задачи освоения дисциплины
Основными целями освоения дисциплины «Интеллектуализация управления в
технологических процессах» являются получение комплексных теоретических и
практических знаний и навыков в области современных компьютерных технологий
обработки информации, необходимых для создания проектов систем и управления
технологическими процессами производств.
Основными задачами курса являются:
 ознакомить с общими понятиями и способами представления знаний;
 ознакомить с особенностями разработки проектной документации и методами
моделирования современных интеллектуальных систем;
 дать необходимые знания во всех основных понятиях теории нечетких множеств,
нечеткой логики, нечетких отношений, нейронных сетей и способах их обучения,
генетических алгоритмах и их использования в задачах интеллектуализации
управления в технологических процессах.
2. Место дисциплины в структуре магистерской программы
Дисциплина «Интеллектуализация управления в технологических процессах» для
направления подготовки 27.04.04 «Управление в технических системах» является
дисциплиной вариативной части (Б.1.В.1.) и базируется на использовании магистрами
знаний, полученных ими при изучении таких дисциплин как «Математический анализ»,
«Информатика»,
«Объектно-ориентированное
программирование»,
«Дискретная
математика».
Для успешного освоения данной дисциплины студент должен иметь представление о
современных концепциях моделирования информационных систем, понимать специфику
разработки проектной документации и выбора программного обеспечения для реализации
поставленных задач управления в технологических процессах.
3. Требования к результатам освоения дисциплины:
Процесс изучения дисциплины направлен на формирование следующих
компетенций:
Выпускник по направлению подготовки 27.04.04 «Управление в технических системах» с
квалификацией (степенью) «магистр» должен обладать следующими компетенциями:





а) общекультурными компетенциями (ОК)
готовностью к активному общению с коллегами в научной, производственной и
социально-общественной сферах деятельности (ОК-3);
способностью адаптироваться к изменяющимся условиям, переоценивать
накопленный опыт, анализировать свои возможности (ОК-4).
б) общепрофессиональными компетенциями (ОПК)
способностью понимать основные проблемы в своей предметной области,
выбирать методы и средства их решения (ОПК-1);
способностью использовать результаты освоения дисциплин программы
магистратуры (ОПК-2);
способностью демонстрировать навыки работы в коллективе, порождать новые
идеи (креативность) (ОПК-3).
в) профессиональными компетенциями (ПК)
 способностью формулировать цели, задачи научных исследований в области
автоматического управления, выбирать методы и средства решения задач (ПК-1);
 способностью применять современные методы разработки технического,
информационного и алгоритмического обеспечения систем автоматизации и
управления (ПК-3);
 способностью к организации и проведению экспериментальных исследований и
компьютерного моделирования с применением современных средств и методов
(ПК-4).
 готовностью участвовать в поддержании единого информационного пространства
планирования и управления предприятием на всех этапах жизненного цикла
производимой продукции (ПК-18).
В результате изучения дисциплины студент должен:
Знать: понятия и принципы формирования проектной документации; модели
современных информационных систем; формулировки задач в терминах нечетких
множеств; операции над нечеткими множествами.
Уметь: использовать методы нечеткой логики в системах принятия решений;
разрабатывать нейронные сети и алгоритмы их обучения.
Владеть: методами создания генетических алгоритмов.
4. Объем дисциплины и виды учебной работы
Общая трудоемкость дисциплины составляет 3 зачетные единицы.
Вид учебной работы
1.
1.1.
1.2.
1.2.1.
2.
2.1.
2.2.
3.
Семестры
Всего
часов
1
Аудиторные занятия (всего)
72
72
В том числе:
Лекции
Прочие занятия
В том числе:
36
36
36
12
36
36
12
36
16
16
10
10
10
10
108
108
3
3
Семинары (С)
Практические занятия (ПЗ)
Из них в интерактивной форме (ИФ)
Самостоятельная работа (всего)
В том числе:
Расчетно-графические работы
Курсовая работа
Другие виды самостоятельной работы
Подготовка и прохождение промежуточной
аттестации
Общая трудоемкость (акад.часов)
Общая трудоемкость (зачетных единиц)
5. Содержание дисциплины
5.1. Содержание разделов дисциплины
Раздел 1. Основные направления исследований в области интеллектуальных
систем
Модели представления знаний. Правила (продукции), фреймы (или объекты),
семантические сети, логические формулы. Основные направления исследований в области
ИС: разработка интеллектуальных систем, основанных на знаниях; разработка естественно-языковых
интерфейсов и машинный перевод; генерация и распознавание речи; обработка визуальной
информации; обучение и самообучение; распознавание образов; игры и машинное творчество;
программное обеспечение систем ИС; новые архитектуры компьютеров; интеллектуальные роботы.
Современные технологии и программное обеспечение для создания интеллектуальных
систем: экспертные системы, нечеткие множества, нечеткие понятия, лингвистические
переменные, нейронные сети, генетические алгоритмы, гибридные сети.
Раздел 2. Распознавание образов
Основные понятия. Трудно формализуемые задачи. Системы распознавания
образов. Формирование образа в технических системах. Признаки распознавания.
Выделение признаков распознавания. Типовые процедуры выделения признаков.
Формирование признаков для распознавания полутоновых изображений на основе Фурьепреобразований. Формирование лингвистических признаков распознавания.
Раздел 3. Нечеткие множества
Определение нечетких множеств. Примеры нечетких множеств. Функция
принадлежности. Основные характеристики нечетких множеств: нормальность,
субнормальность, унимодальность, выпуклость, высота, носитель, ядро, мощность, точки
перехода, -сечение. Методы построения функций принадлежности нечетких множеств.
Логические операции. Нечеткие отношения. Нечеткие выводы. Эффективность систем
принятия решений, использующих методы нечеткой логики. Методы дефазификации:
метод центра тяжести, метод центра площади, метод левого модального значения, метод
правого модального значения. Алгебраические операции над нечеткими множествами:
алгебраическое произведение, алгебраическая сумма, возведение в степень, умножение на
число. Выпуклая комбинация нечетких множеств. Декартово произведение нечетких
множеств. Оператор увеличения нечеткости. Расстояние между нечеткими множествами:
расстояние Хемминга, Евклидово расстояние, относительное расстояние Хемминга,
относительное Евклидово расстояние. Индексы нечеткости или показатели размытости.
Обычное множество, ближайшее к нечеткому: линейный индекс, квадратичный индекс.
Оценка нечеткости через энтропию. Принцип обобщения. Нечеткое число, функции
принадлежности нечетких чисел. Характеристики нечетких чисел: унимодальность, мода,
носитель, нечеткий ноль, положительность и др. Арифметические операции на нечетких
числах: суммирование, вычитание, умножение, деления двух нечетких чисел.
Определения операций. Вычисление функции принадлежности результата. Нечеткие
числа (L-R) типа. Функции принадлежности нечетких чисел (L-R)-типа. Эскизы типовых
функций принадлежности
нечетких чисел (L-R)-типа. Определение нечетких и
лингвистических переменных. Формальное
задание лингвистической переменной:
наименование лингвистической переменной, базовое терм-множество лингвистической
переменной, универсальное множество, синтаксические правила, семантические правила.
Числовые и нечисловые лингвистические переменные. Синтаксическая процедура.
Логико-лингвистическое описание систем, нечеткие модели.
Раздел 4. Нейронные сети
Нейронные сети. Биологический нейрон. Биологический прототип. Искусственный
нейрон. Структура и свойства искусственного нейрона. Классификация нейронных сетей
и их свойства. Однослойные искусственные нейронные сети. Многослойные
искусственные нейронные сети. Обучение искусственных нейронных сетей. Цель
обучения. Обучение с учителем. Обучение без учителя. Алгоритмы обучения. Обучение
нейронных сетей. Алгоритмы обратного распознавания. Применение нейросети.
Персептроны. Нейронные сети встречного распространения. Нейронные сети Хопфилда и
Хамминга. Сеть с радиальными базисными элементами (RBF). Вероятностная нейронная
сеть (PNN). Обобщенно-регрессионная нейронная сеть (GRNN). Линейные нейронные
сети. Эффективность нейронных сетей.
Раздел 5. Генетические алгоритмы
Генетические алгоритмы. Идея генетических алгоритмов. Кодирование хромосом:
бинарное, числовое, векторное. Стратегия создания начальной популяции: стратегия
«одеяла», стратегия «дробовика», стратегия фокусировки. Виды селекции: случайная,
селекция по заданной шкале, элитная, турнирная, инбридинг, гибридизация. Оператор
кроссинговера. Стандартный одноточечный. Стандартный двухточечный. Стандартный
многоточечный. Универсальный. Упорядочивающий одноточечный. Упорядочивающий
двухточечный. Частично соответствующий одноточечный. Частично соответствующий
двухточечный. Циклический. Комплексный. «Жадный». Оператор кроссинговера на
основе «Золотого сечения». Оператор кроссинговера на основе чисел Фибоначчи.
Операторы мутации и инверсии: простая, точечная, обмена, обмена на основе “Золотого
сечения», обмена на основе чисел Фибоначчи. Инверсия, дупликация, транслокация,
транспозиция. Оператор отбора: пропорциональный, элитный, равновероятный.
5.2 Разделы дисциплины и междисциплинарные связи с обеспечиваемыми
(последующими) дисциплинами
№
п/п
Наименование
обеспечиваемых (последующих) дисциплин
1.
Современные проблемы теории управления
2.
Автоматизированное проектирование средств и
систем управления
Параллельное программирование
3.
4.
5.
6.
7.
№ № разделов данной
дисциплины, необходимых для
изучения обеспечиваемых
(последующих) дисциплин
1
2
3
4
5
Х
Х
Х
Х
Х
Х
Х
Х
Компьютерные технологии управления в
технических системах
Технологии распределённых систем
Х
Х
Теоретические основы компьютерного
моделирования
Современные методы, модели и алгоритмы
интеллектуальных систем управления
Х
Х
Х
Х
Х
Х
Х
ПЗ
Из
них
в
ИФ
СРС
Всего
час.
Х
Х
5.3. Разделы дисциплин и виды занятий
№
п/п
Наименование раздела дисциплины
1.
Раздел
1.
Основные
направления
исследований в области интеллектуальных
систем
Раздел 2. Распознавание образов
Раздел 3. Нечеткие множества
Раздел 4. Нейронные сети
Раздел 5. Генетические алгоритмы
Итого
2.
3.
4.
5.
Л
С
6
6
2
6
18
6
10
8
6
36
6
10
8
6
36
2
2
4
2
12
6
10
8
6
36
18
30
24
18
108
5.4. Описание интерактивных занятий
№
п/п
№ раздела
дисциплины
Тема интерактивного занятия
Вид
занятия
Трудоемкость
(час)
1
1
2
3
2
4
4
5
4
6
5
3
Современные технологии и программное
обеспечение для создания интеллектуальных
систем.
Системы распознавания образов.
Эффективность систем принятия решений,
использующих методы нечеткой логики.
Искусственный нейрон. Структура и свойства
искусственного нейрона.
Обучение искусственных нейронных сетей.
Цель обучения. Обучение с учителем.
Обучение без учителя. Алгоритмы обучения.
Генетические алгоритмы.
ПЗ
2
ПЗ
ПЗ
2
2
Л
2
ПЗ
2
ПЗ
2
6. Лабораторный практикум - не предусмотрен
7. Практические занятия (семинары)
№
№ раздела
Тематика практических занятий (семинаров)
Трудоемкость
п/п дисциплины
(час.)
1.
1
Основные направления исследований в области ИС:
2
разработка интеллектуальных систем, основанных на знаниях;
разработка естественно-языковых интерфейсов и машинный
перевод; генерация и распознавание речи; обработка
визуальной информации; обучение и самообучение;
распознавание образов; игры и машинное творчество;
программное обеспечение систем ИС; новые архитектуры
компьютеров; интеллектуальные роботы.
2.
1
Современные технологии и программное обеспечение
4
для создания интеллектуальных систем: экспертные
системы, нечеткие множества, нечеткие понятия,
лингвистические переменные, нейронные сети,
генетические алгоритмы, гибридные сети.
3.
2
Системы распознавания образов.
2
4.
2
Формирование
признаков
для
распознавания
4
полутоновых изображений
на основе Фурьепреобразований.
5.
3
Алгебраические
операции
над
нечеткими
2
множествами:
алгебраическое
произведение,
алгебраическая сумма, возведение в степень,
умножение на число.
6.
3
Выпуклая комбинация нечетких множеств. Декартово
2
произведение
нечетких
множеств.
Оператор
увеличения нечеткости. Расстояние между нечеткими
множествами: расстояние Хемминга, Евклидово
расстояние, относительное расстояние Хемминга,
относительное Евклидово расстояние. Индексы
нечеткости или показатели размытости. Обычное
множество, ближайшее к нечеткому: линейный
индекс, квадратичный индекс. Оценка нечеткости
через энтропию.
7.
3
Арифметические операции
на нечетких числах:
4
суммирование, вычитание, умножение, деления двух
нечетких чисел. Определения операций. Вычисление
8.
9.
3
4
10.
4
11.
12.
5
6
13.
6
функции принадлежности результата. Нечеткие числа
(L-R) типа. Функции принадлежности нечетких чисел
(L-R)-типа. Эскизы типовых функций принадлежности
нечетких чисел (L-R)-типа. Определение нечетких и
лингвистических переменных.
Промежуточная КР
Многослойные искусственные нейронные сети.
Обучение искусственных нейронных сетей. Цель
обучения. Обучение с учителем. Обучение без
учителя. Алгоритмы обучения.
Обучение нейронных сетей. Алгоритмы обратного
распознавания. Применение нейросети. Персептроны.
Нейронные
сети
встречного
распространения.
Нейронные сети Хопфилда и Хамминга. Сеть с
радиальными
базисными
элементами
(RBF).
Вероятностная нейронная сеть (PNN). Обобщеннорегрессионная нейронная сеть (GRNN). Линейные
нейронные сети. Эффективность нейронных сетей.
Итоговая КР
Генетические
алгоритмы.
Идея
генетических
алгоритмов. Кодирование хромосом: бинарное,
числовое, векторное.
Резерв.
2
2
4
2
4
2
8. Примерная тематика исследовательских работ
1.
2.
3.
4.
5.
6.
7.
Исследование возможности применения искусственных нейронных сетей для
автоматического управления технологическими процессами
Нейронные сети и их применение в системах управления и связи.
Применение нейронных сетей в системах управления двигателями.
Нечеткое моделирование на основе экспертных знаний о системе.
Построение самонастраивающихся нечетких моделей на основе измеренных данных
о входах и выходах системы.
Моделирования систем, заданных на основе измерений, которые не искажены, либо
слабо искажены шумами.
Применение нейронечетких сетей для настройки параметров нечеткой модели.
9. Учебно-методическое и информационное обеспечение дисциплины:
а) основная литература
1.
2.
3.
4.
Барский А.Б. Логические нейронные сети. – М.: БИНОМ. 2010. – 352 с.
Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления. Теория и
практика: учебное пособие. – М.: Радиотехника, 2009. – 392 с.
Дьяконов В.П. MatLab для радиоинженеров. – М.: LVR Пресс. 2010. – 975 с.
Пегат А. Нечеткое моделирование и управление. – М.: БИНОМ. 2013. – 798 с.
б) дополнительная литература
5.
6.
АндрейчиковА.В., Андрейчикова О.Н. Интеллектуальные информационные
системы. Учебник. –М. Финансы и статистика. 2006. –424 с.
Дилигенский Н.В., Дымова Л.Г., Севастьянов П.В. Нечеткое моделирование и
многокритериальная
оптимизация
производственных
систем
в
условиях
неопределенности: технология, экономика, экология. –М.: Машиностроение-1. 2004. –
336 с.
Круг П.Г. Нейронные сети и нейрокомпьютеры. Учебное пособие по курсу
“Микропроцессоры”. М.: МЭИ. 2002.–176 с.
Круглов В.В. Нечеткая логика и искусственные нейронные сети. Учебное пособие
для студентов Вузов по специальности “Прикладная информатика (по областям)”–
М.: Физматлит. 2001. – 224 с.
Рутковская Д., Пилинский М., Рутковский Л. Нейронные сети, генетические
алгоритмы и нечеткие системы. – М.: Горячая линия-Телеком, 2006. – 452 с.
Хайкин С. Нейронные сети. Полный курс. 2-ое изд. – М.: Издательский дом
Вильямс. 2007. –1103 с.
Яхъяева Г.Э. Нечеткие множества и нейронные сети. Учебное пособие.–М.:
Интернет-Университет Информационных технологий; Бином. Лаборатория знаний.
2006. – 316 с.
7.
8.
9.
10.
11.
в) Источники Интернет:
12.
13.
14.
http://www.elibrary.ru
http://lib.mexmat.ru
http://www.reslib.org
10. Материально-техническое обеспечение дисциплины:
Электронные учебные материалы, используемые преподавателями в образовательном
процессе, мультимедийные презентации, банк тестовых заданий и др. представлены на
порталах Economist и Web-local.
№ п.п.
Фактический
адрес учебных
кабинетов и
объектов
1
Миклухо-Маклая, 6,
ком.19
2
Миклухо-Маклая, 6,
ком.21
3
Миклухо-Маклая, 6,
ком.23
Миклухо-Маклая, 6,
ком.25
Миклухо-Маклая, 6,
ком.300
Миклухо-Маклая, 6,
ком.17
Миклухо-Маклая, 6,
ком.27
Миклухо-Маклая, 6,
ком.29
Миклухо-Маклая, 6,
ком.101
Миклухо-Маклая, 6,
ком.103
Миклухо-Маклая, 6,
4
5
6
7
8
9
10
11
Перечень основного оборудования
21 рабочее место: сист.блок
P4 C2D/3160 MHz MB/ 320 GB/DVD±RW/ LCD monitor
19"+ 1 проектор
21 рабочее место: сист.блок Celeron /2600 MHz/1280
MB/ 40 GB/DVD ROM/ LCD monitor 17"+ 1 проектор +
Точка доступа WiFi
21 рабочее место: сист.блок Celeron /2660 MHz/1280
MB/ 40 GB/DVD ROM/ LCD monitor 17" + 1 проектор
21 рабочее место: сист.блок P4 /1700 MHz/1280 MB/ 40
GB/DVD ROM/ LCD monitor 17"+ 1 проектор
15 рабочих мест: сист.блок P4 C2D /2000 MHz/1024
MB/ 160 GB/DVD±RW/ LCD monitor 17" + 1 проектор
1 проектор
1 проектор, Точка доступа WiFi
1 проектор
1 проектор
1 проектор
1 проектор, Точка доступа WiFi
12
13
14
ком.105
Миклухо-Маклая, 6,
ком.107
Миклухо-Маклая, 6,
КЗ
Миклухо-Маклая, 6,
читальный зал
1 проектор
1 проектор, Точка доступа WiFi
1 проектор
11. Методические рекомендации по организации изучения дисциплины
Реализация курса предусматривает интерактивные лекции, практические занятия
(семинары)
с
использованием
мультимедийного
оборудования,
подготовку
самостоятельных творческих работ и их последующие презентации, тестирование,
проведение групповых дискуссий по тематике курса, современные технологии контроля
знаний.
Изучая дисциплину, студент должен прослушать курс лекций, пройти
предусмотренное рабочей программой количество семинарских занятий, самостоятельно
изучить некоторые темы курса и подтвердить свои знания в ходе контрольных
мероприятий.
Работа студента на лекции заключается в уяснении основ дисциплины, кратком
конспектировании материала, уточнении вопросов, вызывающих затруднения. Конспект
лекций является базовым учебным материалом наряду с учебниками, рекомендованными
в основном списке литературы.
Преподавание основной части лекционного материала происходит с
использованием средств мультимедиа, которые облегчают восприятие и запоминание
материала. Презентации доступны для скачивания с сайта РУДН и могут свободно
использоваться студентами в учебных целях.
Студент обязан освоить все темы, предусмотренные учебно-тематическим планом
дисциплины. Отдельные темы и вопросы обучения выносятся на самостоятельное
изучение. Студент изучает рекомендованную литературу и кратко конспектирует
материал, а наиболее сложные вопросы, требующие разъяснения, уточняет во время
консультаций. Аналогично следует поступать с разделами курса, которые были
пропущены в силу различных обстоятельств.
Для углублённого изучения вопроса студент должен ознакомиться с литературой
из дополнительного списка и специализированными сайтами в Интернет. Рекомендуется
так же общение студентов на форумах профессиональных сообществ.
Студенты самостоятельно изучают учебную, научную и периодическую
литературу. Они имеют возможность обсудить прочитанное с преподавателями
дисциплины во время плановых консультаций, с другими студентами на семинарах, а
также на лекциях, задавая уточняющие вопросы лектору.
Контроль
самостоятельной
работы
магистров
осуществляет
ведущий
преподаватель. В зависимости от методики преподавания могут быть использованы
следующие формы текущего контроля: краткий устный или письменный опрос перед
началом занятий, письменное домашнее задание, рефераты и пр.
Для контроля успеваемости используется балльно-рейтинговая система:
Максимальное количество баллов – 100.
Количество кредитов – 3.
Максимальное количество баллов за выполнение каждого вида работ:
1. опрос – 10 баллов
2. выполнение ДЗ – 10 баллов
3. работа на занятии – 20 баллов
4. доклад – 10 баллов
5. промежуточная КР – 20 баллов
6. итоговая КР – 30 баллов