Том 2
Преподаватель:
д-р техн. наук
Двирный Валерий Васильевич
Группа: МТ17-04М
Железногорск 2017
Оглавление
Научные методы исследования. 3
Искусственные нейронные сети. Методы обучения нейронных сетей. 9
Методы расчета надежности технических систем.. 22
Метод верификации и валидации моделей для инженерных расчетов. 36
Метод планирования эксперимента. 40
Экспериментальное исследование. 41
Методы обработки экспериментальных данных. 45
Математическая оптимизация и ее методы.. 54
Метод Монте-Карло. 58
Теория Решения Изобретательских Задач. 61
Метод мозгового штурма. 80
Патентование изобретений. 92
Глоссарий. 110
Пате́нт. 110
Условия патентоспособности. 111
Структура патента на изобретение. 111
Библиографические данные. 111
Название. 112
Описание изобретения. 112
Формула изобретения. 112
Чертежи. 113
Реферат. 113
Англо-русский словарь патентных терминов. 113
Самое сложное в обучении – научиться уважать преподавателя.
Учение-это то, что учат и тот, кто учит.
Научные методы исследования
Уровни научного познания
Принято выделять два основных уровня научного познания: эмпирический и теоретический. Это деление связано с тем, что субъект может получать знания опытным путем (эмпирическим) и путем сложных логических операций, то есть теоретически.
Эмпирический уровень познания включает в себя:
- наблюдение явлений,
- накопление и отбор фактов
- установление связей между ними.
Эмпирический уровень - это этап сбора данных (фактов) о социальных и природных объектах. На эмпирическом уровне изучаемый объект отражается преимущественно со стороны внешних связей и проявлений. Главным для этого уровня является фактифицирующая деятельность. Эти задачи решаются с помощью соответствующих методов.
Теоретический уровень познания связан с преобладанием мыслительной деятельности, с осмыслением эмпирического материалов, его переработкой. На теоретическом уровне раскрывается:
- внутренняя структура и закономерности развития систем и явлений
- их взаимодействие и обусловленность.
Для получения теоретических знаний используются свои методы.
Общие методы научного познания
Методы научного познания принято делить на общие и специальные.
Большинство специальных научных проблем и даже отдельные этапы исследования требуют применения специальных методов решения. Разумеется, такие методы имеют весьма специфический характер. Они никогда не бывают произвольными, т. к. определяются характером исследуемого объекта.
Помимо специальных методов, характерных для определенных областей научного знания, существуют общие методы научного познания, которые в отличие от специальных используются на всем протяжении исследовательского процесса и в самых различных науках.
Общие методы научного познания обычно делят на две большие группы:
- методы эмпирического исследования (наблюдение, сравнение, измерение, эксперимент);
- методы теоретического исследования (абстрагирование, анализ и синтез, идеализация, индукция и дедукция, мысленное моделирование, восхождение от абстрактного к конкретному и др.).
Методы эмпирического исследования
- наблюдение,
- сравнение,
- измерение,
- эксперимент,
- материальное моделирование
Наблюдение
Оно представляет собой активный познавательный процесс, опирающийся, прежде всего, на работу органов чувств человека и его предметную материальную деятельность, преднамеренное и целенаправленное восприятие явлений внешнего мира с целью изучения и отыскания смысла в явлениях. Суть его состоит в том, что изучаемый объект не должен подвергаться воздействию со стороны наблюдателя, то есть объект должен находится в обычных, естественных условиях. Это наиболее простой метод, выступающий, как правило, в качестве одного из элементов в составе других эмпирических методов.
Различают наблюдение прямое (визуальное), когда информацию получают без помощи приборов и наблюдение косвенное - информация получается при помощи приборов или автоматически при помощи регистрирующей аппаратуры.
Наблюдение как средство познания дает в форме совокупности эмпирических утверждений первичную информацию о мире.
В повседневности и в науке наблюдения должны приводить к результатам, которые не зависят от воли, чувств и желаний субъектов. Чтобы стать основой последующих теоретических и практических действий, эти наблюдения должны информировать нас об объективных свойствах и отношениях реально существующих предметов и явлений.
Для того чтобы быть плодотворным методом познания, наблюдение должно удовлетворять ряд требований, важнейшими из которых являются:
- планомерность;
- целенаправленность;
- активность;
- систематичность.
Сравнение
Oдин из наиболее распространенных методов познания. Недаром говорится, что «все познается в сравнении». Оно позволяет установить сходство и различие между предметами и явлениями.
Для того чтобы сравнение было плодотворным, оно должно удовлетворять двум основным требованиям.
- сравниваться должны лишь такие явления, между которыми может существовать определенная объективная общность.
- для познания объектов их сравнение должно осуществляться по наиболее важным, существенным (в плане конкретной познавательной задачи) признакам.
С помощью сравнения информация об объекте может быть получена двумя различными путями. Во-первых, она может выступать в качестве непосредственного результата сравнения. Во-вторых, очень часто получение первичной информации не выступает в качестве главной цели сравнения, этой целью является получение вторичной, или производной информации, являющейся результатом обработки первичных данных. Наиболее распространенным и важным способом такой обработки является умозаключение по аналогии.
Измерение
B отличие от сравнения является более точным познавательным средством. Измерение есть процедура определения численного значения некоторой величины посредством единицы измерения. Ценность этой процедуры в том, что она дает точные, количественно определенные сведения об окружающей действительности. Важнейшим показателем качества измерения, его научной ценности является точность, которая зависит от усердия ученого, от применяемых им методов, но главным образом — от имеющихся измерительных приборов. В числе эмпирических методов научного познания измерение занимает примерно такое же место, как наблюдение и сравнение.
Эксперимент
Частным случаем наблюдения является эксперимент. Эксперимент предполагает вмешательство в естественные условия существования предметов и явлений или воспроизведение их определенных сторон в специально созданных условиях.
Экспериментальное изучение объектов по сравнению с наблюдением имеет ряд преимуществ:
1) в процессе эксперимента становится возможным изучение того или иного явления в «чистом виде»;
2) эксперимент позволяет исследовать свойства объектов действительности в экстремальных условиях;
3) важнейшим достоинством эксперимента является его повторяемость.
Любой эксперимент может осуществляться как непосредственно с объектом, так и с «заместителем» этого объекта — моделью.
Использование моделей позволяет применять экспериментальный метод исследования к таким объектам, непосредственное оперирование с которыми затруднительно или даже невозможно. Поэтому моделирование является особым методом и широко распространено в науке.
Материальное моделирование
Моделирование - метод изучения объектов на моделях, позволяющий получать знания при помощи заменителей (моделей) реальных объектов. Модель - мысленная или материально реализованная система, замещающая другую систему, с которой она находится в состоянии сходства. Модель заменяет объект исследования и имеет некоторые общие свойства с изучаемым объектом. Материальные модели выполняются из вещественных материалов. Метод моделирования позволяет получить информацию о различных свойствах изучаемых явлений на основе опытов с моделями.
Существует несколько видов материальных моделей:
- Пространственно подобные (геометрически подобные) - макеты или муляжи.
- Физически подобные.
- Математически подобные.
Mетоды, используемые на теоретическом уровне исследований
К таким методам принято относить
- абстрагирование,
- аксиоматический,
- анализ и синтез,
- идеализация,
- индукцию и дедукцию,
- мысленное моделирование,
- восхождение от абстрактного к конкретному
Абстрагирование
Это отвлечение от некоторых свойств изучаемых объектов и выделение тех свойств, которые изучаются в данном исследовании. Имеет универсальный характер, ибо каждый шаг мысли связан с этим процессом или с использованием его результата. Сущность этого метода состоит в мысленном отвлечении от несущественных свойств, связей, отношений, предметов и в одновременном выделении, фиксировании одной или нескольких интересующих исследователя сторон этих предметов.
Различают процесс абстрагирования и абстракцию. Процесс абстрагирования - это совокупность операций, ведущих к получению результата, т. е. к абстракции. Примерами абстракции могут служить бесчисленные понятия, которыми оперирует человек не только в науке, но и в обыденной жизни: дерево, дом, дорога, жидкость и т. п. Процесс абстрагирования в системе логического мышления тесно связан с другими методами исследования и прежде всего - с анализом и синтезом.
Аксиоматический
Впервые был применен Евклидом. Суть метода состоит в том, что вначале рассуждения задается набор исходных положений, не требующих доказательств, поскольку они являются совершенно очевидными. Это положения называют аксиомами или постулатами. Из аксиом по определенным правилам строится система выводных суждений. Совокупность исходных аксиом и выведенных на их основе предложений (суждений) образует аксиоматически построенную теорию.
Анализ и синтез
Анализ - это метод, в основе которого лежит процесс разложения предмета на составные части. Когда ученый пользуется методом анализа, он мысленно разделяет изучаемый объект, то есть, выясняет, из каких частей он состоит, каковы его свойства и признаки.
Синтез представляет собой соединение полученных при анализе частей в нечто целое. В результате применения синтеза происходит соединение знаний, полученных в результате использования анализа в единую систему.
Методы анализа и синтеза в научном творчестве органически связаны между собой и могут принимать различные формы в зависимости от свойств изучаемого объекта и цели исследования.
Прямые (эмпирические) анализ и синтез применяются на стадии поверхностного ознакомления с объектом. При этом осуществляется выделение отдельных частей объекта, обнаружение его свойств, простейшие измерения, фиксация непосредственно данного, лежащего на поверхности общего.
Наиболее глубоко проникнуть в сущность объекта позволяют структурно-генетические анализ и синтез. Этот тип анализа и синтеза требует вычленения в сложном явлении таких элементов, которые представляют самое главное в них, их «клеточку», оказывающую решающее влияние на все остальные стороны сущности объекта.
Для исследования сложных развивающихся объектов применяется исторический метод. Он используется только там, где так или иначе предметом исследования становится история объекта.
Идеализация
Это мысленное создание понятий об объектах, не существующих в природе, но для которых имеются прообразы в реальном мире. Примерами понятий, которые возникли в процессе использования метода идеализации, являются "Идеальный газ", "Идеальный раствор", "Точка". Метод идеализации широко применяется не только в естественных науках, но и в общественных дисциплинах.
Индукция и дедукция
Индукция - вывод, рассуждение от "частного" к "общему". Умозаключение от фактов к некоторой общей гипотезе.
Дедуктивный метод основан на получении вывода при рассуждении от общего к частному. То есть, новое знание о предмете получают путем изучения свойств предметов данного класса.
Восхождение от абстрактного к конкретному
Восхождение от абстрактного к конкретному представляет собой всеобщую форму движения научного познания, закон отображения действительности в мышлении. Согласно этому методу процесс познания как бы разбивается на два относительно самостоятельных этапа.
На первом этапе происходит переход от чувственно-конкретного к его абстрактным определениям. Единый объект расчленяется, описывается при помощи множества понятий и суждений. Он как бы «испаряется», превращаясь в совокупность зафиксированных мышлением абстракций, односторонних определений.
Второй этап процесса познания и есть восхождение от абстрактного к конкретному. Суть его состоит в движении мысли от абстрактных определений объекта к конкретному в познании. На этом этапе как бы восстанавливается исходная целостность объекта, он воспроизводится во всей своей многогранности — но уже в мышлении.
Оба этапа познания теснейшим образом взаимосвязаны. Восхождение от абстрактного к конкретному невозможно без предварительного «анатомирования» объекта мыслью, без восхождения от конкретного в действительности к абстрактным его определениям. Таким образом, можно сказать, что рассматриваемый метод представляет собой процесс познания, согласно которому мышление восходит от конкретного в действительности к абстрактному в мышлении и от него — к конкретному в мышлении.
Искусственные нейронные сети. Методы обучения нейронных сетей.
С давних пор люди пытались объяснить, как функционирует их собственное мышление. Нейробиологи и нейроанатомы достигли значительного прогресса в изучении работы мозга. Исследуя структуру и функции нервной системы человека, они многое поняли в «электропроводке» мозга, но мало узнали о его функционировании. В процессе исследований выяснилось, что мозг имеет ошеломляющую сложность: миллиарды нейронов, каждый из которых соединен с сотнями или тысячами других, образуют систему, далеко превосходящую наши самые смелые мечты о суперкомпьютерах.
Понятие «искусственная нейросеть» впервые было введено в 40-х годах прошлого века. Искусственная нейросеть моделирует на логическом уровне деятельность нервной системы человека и животных. В 43-м году была разработана формальная модель нейрона, однако вскоре оказалось, что такая модель способна решать лишь очень ограниченное число задач. Эти трудности можно преодолеть, объединяя формальные нейроны в сеть. Возможности таких систем намного шире: объединенные в сеть формальные нейроны могут решать задачи, которые традиционно относятся к области «человеческой деятельности» (например распознавание образов и даже принятие решений на основе неполной информации). Особенно интересна способность нейросетей обучаться и запоминать информацию, что напоминает мыслительные процессы человека. Именно поэтому в ранних работах по исследованию нейросетей часто упоминался «искусственный интеллект».
За последнее время интерес к искусственным нейронным сетям быстро возрос. Ими занялись специалисты из таких далеких областей, как техническое конструирование, физиология, психология. Этот интерес понятен: так как искусственная нейронная сеть, по сути, представляет собой модель естественной нервной системы, поэтому создание и изучение таких сетей позволяет узнать многое о функционировании естественных систем.
Сама теория искусственных нейронных сетей появилась в 40-х годах благодаря последним на тот момент достижениям биологии, так как искусственные нейроны состоят из элементов, которые моделируют элементарные функции биологических нейронов. Эти элементы организуются по способу, который может соответствовать (или не соответствовать) анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительные свойства, подобные свойствам естественного мозга. Например, искусственная нейросеть способна менять свое поведение в зависимости от внешней среды. Прочитав предъявленные ей входные сигналы (возможно, вместе с требуемыми выходами) она способна «обучиться» так, чтобы обеспечить требуемую реакцию. После обучения сеть не реагирует на небольшие изменения входных сигналов. Эта способность видеть образ сквозь шум и искажения очень полезна, если нужно решать задачи распознавания образов. Стоит отметить, что нейронная сеть делает обобщения автоматически благодаря своей структуре, а не с помощью специально написанных программ.
Другим интересным свойством нейросетей является надежность: даже если несколько элементов будут работать неправильно или выйдут из строя, то сеть все равно будет способна выдавать правильные результаты, но с меньшей точностью.
Некоторые типы нейронных сетей обладают способностью генерировать абстрактный образ на основе нескольких входных сигналов. Например, можно обучить сеть, предъявляя ей последовательность искаженных изображений буквы «А». После обучения сеть сможет породить букву «А» без искажений, то есть сеть может сгенерировать то, что ей никогда не предъявлялось.
Тем не менее, стоит отметить, что искусственные нейронные сети не являются панацеей. Они очень плохо подходят для задач, где требуются точные и безошибочные математические расчеты.
История развития
Первый шаг в исследовании нейросетей бал сделан в 1943 г., когда вышла статья нейрофизиолога Уоррена Маккалоха (Warren McCulloch) и математика Уолтера Питтса (Walter Pitts), посвященная искусственным нейронам, а также реализации модели нейронной сети с помощью электрических схем.
В 1949 г. Д. Хебб (D. Hebb) высказал идеи о характере соединений нейронов мозга и их взаимодействии, а также предложил правила обучения нейронной сети.
В 1950-е гг. появились программные модели искусственных нейросетей. Первые работы были проведены Натаниелом Рочестером (Nathanial Rochester) из исследовательской лаборатории IBM. И хотя дальнейшие реализации были успешными, эта модель потерпела неудачу, поскольку бурный рост разработок в области традиционных вычислений оставил в тени нейронные исследования.
В 1957 г. Ф. Розенблатт (F.Rosenblatt) разработал принципы организации и функционирования перцептронов, а также предложил вариант технической реализации первого в мире нейрокомпьютера.
В 1958 г. Джон фон Нейман (John fon Neumann) разработал систему на основе вакуумных трубок, имитирующую простые функции нейронов.
В 1959 г. Бернард Видроу (Bernard Widrow) и Марсиан Хофф (Matcian Hoff) разработали модели ADALINE (Multiple ADAptive LINear Elements, Адаптивные Линейные Элементы). MADALINE использовалась в качестве адаптивного фильтра для устранения помех на телефонных линиях. Эта нейросеть используется и до сих пор.
В том же году нейробиолог Френк Розенблатт начал работу над моделью перцептрона. Однослойный перцептрон, построенный Розенблаттом, в настоящее время считается классической моделью нейросети. Розенблатт использовал свой перцептрон, чтобы разделять входные сигналы на два класса. К сожалению, однослойный перцептрон мог выполнять лишь ограниченный класс задач.
В 1969 г. опубликована книга М. Минского (M. Minsky) и С. Пейперта (S. Papert) «Перцептроны», в которой доказывалась принципиальная ограниченность возможностей перцептронов.
Ранние успехи способствовали тому, что от нейронных сетей стали ожидать слишком много: больше, чем действительно можно было реализовать в рамках той модели. Чрезмерный оптимизм, процветающий в академическом и техническом сообществе, в конце концов привел множество специалистов к разочарованию, и все проекты исследования нейронных сетей были подвергнуты критике как бесперспективные. В результате, финансирование исследований было прекращено вплоть до 80-х годов.
В 1970-1976 гг. В СССР проводятся активные разработки в области перцептронов. В 80-е годы, благодаря работам Джона Хопфилда (John Hopfield), возродился интерес к нейроинформатике. Хопфилд показал, как преодолеть ограничения нейросетей первого поколения, а также разработал теорию нейронных сетей, моделирующих ассоциативную память.
В 1985 г. появились первые коммерческие нейрокомпьютеры, например Mark III фирмы TRW (США).
В 1986 г. Дэвид Румельхарт с соавторами предложил алгоритм обучения многослойного перцептрона. В то же время в Киото (Япония) состоялась объединенная американо-японская конференция по нейронным сетям. На этой конференции нейронные сети объявили пятым поколением ЭВМ.
С 1985 г. Американский Институт Физики начал ежегодные встречи – «Нейронные сети для вычислений».
В 1987 г. началось широкомасштабное финансирование разработок в области искусственных нейронных сетей в США, Японии и Западной Европе (японская программа «Human Frontiers» и европейская программа «Basic Research in Adaptive Intelligence and Neurocomputing»).
В 1989 г. Разработки и исследования в области искусственных нейросетей ведутся практически всеми крупными электротехническими фирмами. Нейрокомпьютеры становятся одним из самых динамичных секторов рынка (за два года объем продаж вырос в пять раз). Агенством DARPA (Defence Advanced Research Projects Agency) министерства обороны США начато финансирование программы по созданию сверхбыстродействующих образцов нейрокомпьютеров для разнорабочих применений.
1990 г. - активизация советских научных организаций в области исследования искусственных нейронных сетей и нейрокомпьютеров (Институт кибернетики им. Глушкова в Киеве, Институт многопроцессорных вычислительных систем в Таганроге, Институт нейрокибернетики в Ростове-на-Дону).
В 1991 г. годовой объем продаж на рынке нейрокомпьютеров приблизился к 140 млн. долларам. Были созданы центры исследования нейрокомпьютеров в Москве, Киеве, Минске, Новосибирске, Санкт-Петербурге.
В 1992 г. работы в области нейросетей находились в стадии интенсивного развития. Ежегодно проводились десятки международных конференций и форумов по нейронным сетям, число специализированных периодических научных изданий по указанной тематике достигло двух десятков наименований.
В 1997 г. годовой объем продаж на рынке искусственных нейросетей и нейрокомпьютеров превысил 9 млрд. долларов, а ежегодный прирост составил 50%.
В 2000 г., благодаря переходу на субмикронные и нанотехнологии, а также успехам молекулярной и биомолекулярной технологии, появляются принципиально новые архитектурные и технологические подходы к созданию нейрокомпьютеров.
Что такое нейросеть
Исследователи до сих пор не пришли к единому мнению относительно определения нейронной сети. В литературе можно встретить множество вариантов, например:
«Нейронная сеть – система, состоящая из множества простых вычислительных элементов, работающих параллельно. Результат работы сети определяется структурой сети, силой связей, а также видом вычислений, выполняемых каждым элементом».
«Нейронная сеть – параллельный распределенный процессор, способный самостоятельно извлекать данные из поступающей информации. Работа такой сети напоминает работу мозга, так как знания получаются с помощью процесса обучения, а полученные знания хранятся не в отдельном элементе, а распределены по всей сети».
«Нейронная сеть – система, состоящая из большого числа простых вычислительных элементов. Результат работы каждого элемента зависит только от его внутреннего состояния. Все элементы работают независимо друг от друга, то есть без синхронизации с остальными элементами».
«Искусственные нейронные сети – системы. Способные получать. Хранить и использовать знания».
Тем не менее, большинство исследователей сходятся на том, что нейронная сеть – это система, состоящая из множества простых процессов, каждый их которых обладает локальной памятью. Содержимое такой памяти принято называть состоянием процессора. Процессоры способны обмениваться между собой числовыми данными. Результат работы процессора зависит только от его состояния и данных, которые он получает на входе.
Перед тем как использовать нейросеть, необходимо провести так называемую процедуру обучения, во время которой на основании поступающих данных состояния каждого элемента корректируются таким образом. Чтобы сеть вычисляла правильный ответ. Другими словами, сеть «обучается» на примерах, подобно тому как ребенок учится по картинкам отличать кошку от собаки.