автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Интеллектуальная навигационная тренажерно-обучающая система

На правах рукописи

Петров Кирилл Константинович

Интеллектуальная навигационная тренажерно-обучающая система

Специальность 05.13.01 - «Системный анализ, управление и обработка информации (в технике и технологиях)»

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Санкт-Петербург - 2006

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Санкт-Петербургский государственный университет аэрокосмического приборостроения» (СПбГУАП)

Научный руководитель: кандидат технических наук, доцент

Мамаев Виктор Яковлевич Официальные оппоненты: доктор технических наук, профессор Подоплекин Юрий Федорович, кандидат технических наук, доцент Бритов Георгий Семенович Ведущая организация: научно-производственное предприятие «Радар ММС», Санкт-Петербург

Защита состоится «26» декабря 2006 года в _ часов на заседании

диссертационного совета Д 212.233.02 при Государственном образовательном учреждении высшего профессионального образования «Санкт-Петербургский государственный университет аэрокосмического приборостроения» по адресу: 190000, Санкт-Петербург, ул. Большая Морская, 67.

С диссертацией можно ознакомиться в научной библиотеке Государственного образовательного учреждения высшего профессионального образования «Санкт-Петербургский государственный университет аэрокосмического приборостроения» по адресу: 190000, Санкт-Петербург, ул. Большая Морская, 67.

Автореферат разослан: «24» ноября 2006 г.

Ученый секретарь

диссертационного совета Д 212.233.02 доктор технических наук, профессор

ГугОк^З

Л.А. Осипов

Общая характеристика работы

Актуальность работы. Современный уровень информационных технологий обеспечивает возможность высококачественной реализации всех компонентов систем обучения и контроля знаний (модели процессов и устройств, пользовательские интерфейсы, средства автоматизированного контроля и т. п.)- В то же время многие работы по созданию подобных систем тормозятся из-за отсутствия общей методологии их построения и использования. Основная сложность в разработке интеллектуальных обучающих систем обусловлена широким многообразием целей, методов и средств, используемых в процессе обучения. На рис. 1. представлена общая структура проблемы создания систем обучения и контроля знаний. Здесь показана номенклатура основных задач, которые составляют содержание проблемы, определены функциональные связи между задачами и последовательность их решения.

Компьютерные средства описания (алгоритмы, языки, модели, средства юс преобразования и интерпретации)

Алгоритмизация процессе* обучения (в том числе разработка шкал оценок действий обучаемого)

Основной продукт: система обучения и контроля знаний и средства коммуникации с ней

Оценка качества и эффективности элементов ■ системы ■ целом

Рис. 1. Общая структура проблемы создания систем обучения и контроля знаний

Актуальной задачей является разработка архитектуры подобных систем на основе построения алгоритмов управления обучением с использованием обратной связи на основе детальной диагностики знаний и умений обучаемых, выявления причин возникновения у них ошибок и разработки способов их устранения. Помощь в эффективном решении этой основной задачи могут оказать интеллектуальные методы извлечения, хранения и представления знаний, являющиеся предметом инженерии знаний, одной из ветвей искусственного интеллекта.

Профессиональная подготовка оператора летательного аппарата - это трудоемкий и дорогостоящий процесс. Она складывается из курса теоретического обучения, практических тренажерной и летной подготовок. Учитывая то обстоятельство, что оператор летательного аппарата функционирует в экстремальных условиях, и от его деятельности зависят человеческие жизни и успешность выполнения полетного задания, качество подготовки должно быть очень высоким.

В подготовке авиационных специалистов можно выделить три этапа: теоретическое обучение, тренажерную подготовку и подготовку на учебном летательном аппарате. Это соответствует иерархической структуре модели деятельности человека, где на верхнем уровне находятся знания, на среднем - умения, на нижнем - навыки. Причем об эффективности тренажерной подготовки говорит повышение качества подготовки летных экипажей, безопасности и выживаемости.

Как бы ни была сложна структура профессиональной деятельности оператора летательного аппарата, ее можно разделить на компоненты, соответствующие различным видам его деятельности. Разделение профессиональной деятельности летного экипажа (пилот, штурман, бортинженер) позволяет использовать для практической подготовки целую гамму тренажеров: процедурные авиационные тренажеры, специализированные и комплексные.

Важными преимуществами использования процедурных и специализированных авиационных тренажеров перед комплексными является распараллеливание процесса

предварительной практической подготовки, относительно малая стоимость и простота. Учитывая неуклонное нарастание имитирующих возможностей персональных компьютеров, их применение в качестве процедурных и специализированных тренажеров является особенно перспективным. К тому же использование компьютера в качестве процедурного авиационного тренажера (так называемые компьютерные тренажеры) позволяет применять их одновременно для теоретической и практической подготовки, при этом устраняется разрыв между ними. Исследования показали, что компьютерный тренажер является эффективным средством обучения на первоначальных стадиях летной подготовки. Применение компьютерного тренажера уже на этапе теоретической подготовки позволяет повысить мотивацию в изучении теории, ибо показывает ее значимость в решении практических задач. Использование компьютерных технологий в обучении позволяет интенсифицировать и индивидуализировать процесс обучения, повысить объективность контроля знаний и качество обучения путем внедрения интеллектуальных методик и средств обучения.

В настоящее время существует три пути индивидуализации обучения. Первый из них характеризуется тем, что выбор обучающих воздействий целиком и полностью определяется «интеллектуальным» компьютером. Второй путь предполагает, что сами обучаемые определяют то управление обучением, которое является для них предпочтительным. Он основывается на предположении, что обучаемые намного лучше, чем компьютер, смогут определить, какая помощь им нужна, сколько учебных задач и какой трудности им надо решить и т. д.

Третий путь предполагает смешанное управление: обучаемому предлагается наметить ту стратегию обучения, которую он считает наиболее приемлемой. Если при этом обнаруживается «сбой», т. е. обучаемые плохо справляются с учебными заданиями, управление процессом обучения компьютер полностью берет на себя. Таким образом, актуальной является задача создания личностно-ориентированных систем обучения и контроля знаний, использующих модель обучаемого и ориентированных на работу с электронным инструктором.

На сегодняшний день даже самые современные авиационные тренажеры, такие, как, например, навигационный тренажер штурмана «Рефрен-Н» [1], разработанный с участием автора и находящийся в эксплуатации в одном из летных авиационных училищ Росс™, принадлежат к числу автоматизированных обучающих систем и систем «человек-машина», и, значит, в них имеет место действие человеческого фактора, которому подвержен инструктор, отвечающий за обучающие качества авиационного тренажера. То есть нельзя не отметить тот факт, что при контроле инструктором действий обучаемого эффективность контроля является низкой, вследствие того, что инструктор может сам в процессе контроля допустить ошибки. Исследования показали, что в 10 - 50 % случаев инструктор может не заметить допущенных обучаемыми ошибок, а в 15 - 20 % случаев он даже указывает на ложные ошибки.

Особенность задачи поддержки принятия решения в системе «человек-машина» состоит в том, что человек-оператор по существу является одноканальной системой, т. е. способен одномоментно осмысливать и осуществлять только одно управление. При параллельном решении задач обучаемым возрастает вероятность ошибок. Поэтому для достижения высоких обучающих качеств авиационного тренажера должен быть снабжен распределенной экспертной системой, выполняющей роль оптимального электронного инструктора. Тем самым автоматизированная обучающая система превращается в интеллектуальную обучающую систему. В отличие от традиционных автоматизированных обучающих систем, интеллектуальные содержат знания о предметной области, обучаемом, о стратегиях обучения и способах его индивидуализации. В результате обеспечивается возможность автоматизации контроля и управления обучением, формирование содержательно-методической базы (сценарии, эталоны пилотирования и т. п.) обучения, а также большей объективности в оценке обученности.

Ряд особенностей, присущих, получению естественнонаучного образования, затрудняют использование информационных технологий. Главные из этих особенностей связаны, прежде всего, с тем, что для подобных специальностей принципиально необходима повседневная практическая деятельность в виде регулярно выполняемых лабораторных работ и практических занятий по решению задач. К разряду профессий, связанных с решением задач, относится профессия штурмана.

Цель диссертационной работы - разработка архитектуры и алгоритмов построения интеллектуальной навигационной тренажерно-обучающей системы, ориентированной на обучение операторов-навигаторов (штурмана, летчика в роли штурмана).

Методы исследования. Для решения поставленных задач использовались методы теории графов, теории искусственного интеллекта. В ходе их практической реализации использовались методы дискретной математики, теории алгоритмов, теории компиляторов, теории построения формальных грамматик, объектно-ориентированного программирования.

В ходе выполнения работы использованы психолого-педагогичсскис аспекты деятельностного подхода в обучении операторов-навигаторов.

Научную новизну представляют следующие результаты.

1. Алгоритмы:

□ преобразования символьной информации, поступающей на вход интерфейса системы в естественно-математическом виде, на основе способа представления символьных данных в памяти компьютера в виде бинарных деревьев;

а сравнения символьных данных на основе шаблонов, задаваемых в процессе разработки интеллектуальной навигационной тренажерно-обучающей системы. Это позволяет задавать классы семантически эквивалентных символьных преобразований, с учетом семантики и специфики предметной области.

Разработанные алгоритмы впервые позволят реализовать интеллектуальный интерфейс при обучении оператора-навигатора решению штурманских задач.

2. Алгоритм оценивания действий обучаемого при проведении им расчетов навигационных параметров на основе метода аналогий.

3. Продукционная база знаний, позволяющая моделировать логические рассуждения и осуществлять диагностику действий и контроль знаний оператора-навигатора.

4. Объектная модель описания предметной области для генерации тестовых заданий.

5. Грамматика для генерации тестовых заданий, включающих в себя символьные преобразования различных навигационных параметров.

6. Архитектура и модель интеллектуальной навигационной тренажерно-обучающей системы, основанной на декларативном представлении знаний.

Практическая и теоретическая ценность работы. На основе предложенных и разработанных в данной работе архитектуры и алгоритмов построения интеллектуальной навигационной тренажерно-обучающей системы реализован программный комплекс по дисциплине «Воздушная навигация» [12,13].

Практическая ценность работы подтверждена победой в конкурсе СПбГУАП по электронным учебникам.

Положения, выносимые на защиту

1. Архитектура и модель интеллектуальной навигационной тренажерно-обучающей системы, осуществляющей генерацию тестовых заданий, контроль, диагностику и оценивание знаний обучаемого и позволяющей реализовать алгоритм интерактивного обучения оператора-навигатора.

2. Способы задания и преобразования символьной информации, поступающей на вход интерфейса системы в естественно-математическом виде, на основе представления символьных данных в памяти компьютера в виде бинарных деревьев.

3. Способ сравнения символьных данных на основе шаблонов, задаваемых в процессе разработки обучающей системы.

4. Алгоритм оценивания действий обучаемого при проведении им расчетов навигационных параметров на основе метода аналогий.

5. Продукционная база знаний, позволяющая моделировать логические рассуждения, а также диагностировать действия и осуществлять контроль знаний оператора-навигатора.

Внедрение результатов работы. Результаты диссертационной работы использованы в учебном процессе:

□ в Военно-Морской академии им. Адмирала Флота Советского Союза Н.Г. Кузнецова;

□ в ФГОУ СПО Выборгский Авиационный технический колледж гражданской авиации;

о в Государственном образовательном учреждении высшего профессионального

образования «Санкт-Петербургский государственный университет аэрокосмического приборостроения»;

□ в Челябинском военном авиационном институте штурманов.

Апробация работы. Основные результаты работы были представлены и обсуждались на научных сессиях аспирантов, семинарах и ежегодных докладах в Государственном образовательном учреждении высшего профессионального образования «Санкт-Петербургский государственный университет аэрокосмического приборостроения», научно-технической конференции «Тренажерные технологии и симуляторы - 2002», на Международном симпозиуме «Аэрокосмические приборные технологии», на научно-практической конференции «Педагогический дизайн», в Балтийском государственном техническом университете.

Личный вклад. В диссертации приведены только те результаты, в получении которых автору принадлежит основная роль.

Результаты научной работы автора были отмечены на конкурсе на соискание грантов для поддержки научно-исследовательской работы аспирантов вузов Федерального агентства по образованию (тема: «Разработка, исследование и внедрение в учебный процесс адаптивных алгоритмов обучения оператора-навигатора»).

Публикации. По материалам и результатам диссертации опубликовано 13 печатных работ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка и 2-х приложений. Общий объем работы -176 стр., в том числе 11 табл. и 42 рис. Библиография включает 106 наименований.

Содержание работы

Во введении отражаются актуальность и постановка задачи исследования, а также прикладная направленность работы на использование в процессе обучения оператора-навигатора.

Первая глава посвящена анализу обучающих систем и основных психолого-педагогических подходов в обучении.

Приведены принципы построения систем обучения и контроля знаний и их классификация: по функциональным характеристикам; в зависимости от структурного построения; по принципам алгоритмического построения; по методам: представления знаний, организации их контроля и оценивания.

На основе анализа классификаций разработана архитектура интеллектуальной навигационной тренажерно-обучающей системы (рис. 2.), основными блоками которой являются: экспертная система по управлению обучением, экспертная система по диагностике ошибок, экспертная система по решению тестовых заданий, модель обучаемого, интеллектуальный интерфейс. Данная архитектура, в отличие от рассмотренных в первой главе аналогов, включает следующие компоненты, позволяющие производить интеллектуальный анализ решений обучаемого: продукционная база знаний, генератор тестовых заданий, блок грамматики для генерации тестовых заданий, хранилище шаблонов заданий, хранилище объектов предметной области, преобразователь математических выражений, анализатор ответа обучаемого, объясняющий компонент, адаптивная система.

Эксперт-предметник

<

Тестовое задание

I

9 управлению обучением

База знаний по процессу обучения

Учебная баг*« знаний

Подсистема Приобретения знаннй

?| £ 3

_ 1 3

^ Обучаемый )

Эксперт-методист

_ Интеллектуальный

внтерфейо

Модель обучаемого

Эксперт-психолог

Экспертная система по диагностике ошибок

Подсистема ернобрегешп званий

Интерпретатор (механизм плода)

База знаний по ошибкам

Экспертная система по решению тестовых заданий

Интерпретатор (механизм выло да)

Хранндшце шаблонов тестовых задании

Хранилище объектов предметной области

Генератор тестовых заданий |-* Анализатор ответа обучаемого

1 Адаптивны система 1

Т

| Продукционная база знаний |—а Преобраю ото ль математических выражения

Грамматика 4_ё для генерации заданий Подсистема приобретении знаний

Рис. 2. Архитектура интеллектуальной навигациошюй тренажерно-обучакмцей системы

Рассмотрены технологии, используемые в обучающих системах (рис. 3.).

На протяжении многих лет поддержка обучаемого в решении задач рассматривается как основное назначение обучающих систем. Выделяют три технологии поддержки в решении задач: интеллектуальный анализ решений обучаемого, интерактивная поддержка в решении задач и поддержка в решении задач на примерах.

Интеллектуальный анализ решений обучаемого имеет дело с конечными ответами обучаемого, как были получены эти ответы — неважно. Чтобы считаться интеллектуальным, анализатор решений должен определить: верно решение или нет, найти, что конкретно неправильно или неполно, и, возможно, определить, какие недостающие или неправильные знания могут быть ответственны за ошибку. Интеллектуальные анализаторы могут предоставлять обучаемым далеко идущую обратную связь и обновлять МО. Именно поэтому при разработке интеллектуальной навигационной тренажерно-обучающей системы на основе задачного подхода учитывалась данная технология поддержки в решении задач.

Далее приводится анализ инструментальных оболочек и конечных курсов, обладающих как определенными преимуществами, так и недостатками. Конечные курсы гораздо проще разрабатывать, но они не обладают достаточной гибкостью. Инструментальные оболочки достаточно гибки, но при их создании используются обобщенные алгоритмы, разработка которых сама по себе чрезвычайно сложна. Кроме того, использование обобщенных алгоритмов может привести к потере информации, специфичной для некоторой предметной области.

В этой же главе проведен анализ известных обучающих систем. Подробное их описание приведено в приложении А к диссертации.

Технологии, используемые в обучающих системах

Рис. 3. Технологии, используемые в обучающих системах

Далее рассмотрены основные проблемы подготовки оператора-навигатора, психолого-педагогические аспекты его обучения. Рассмотрены вопросы когнитивной и инженерной психологии, деятельностный подход в обучении, в том числе обучении операторов-навигаторов (работы Р. Солсо, Стрелкова Ю. А., Красовского А. А., Козарука В. В. и Ребо Я. Ю., Атанова Г. А., Балла Г. А., Гальперина П. Я., Леонтьева А. Н., Машбица Е. И., Рубинштейна С. Л., Талызиной Н. Ф., Фридмана Л. М.).

В конце главы проведен анализ подходов к разработке систем обучения и контроля знаний. На его основе для разработки интеллектуальной навигационной тренажерно-обучающей системы были объединены несколько подходов к представлению знаний в целях наиболее целесообразного использования их преимуществ и консолидации статической и динамической моделей представления знаний. Предлагается модель представления структурно-динамических знаний при помощи семантических сетей, расширенных деревьями И/ИЛИ.

Предложенная унифицированная сетевая модель описывает структурно-динамические знания предметной области при помощи специального вида графа, вследствие чего можно использовать его эффективное представление в памяти компьютера в виде троек; при этом в унифицированном виде окажутся представлены как деревья выражений в условиях и заключениях продукций, так и структурные знания о взаимосвязи объектов и их внутренней природе. При таком едином представлении оказывается возможным описывать алгоритмы логического вывода в терминах некоторой абстрактной машины.

Поскольку сетевая модель, расширенная деревьями И/ИЛИ, близка к графовой, на ее основе можно строить модели обработки знаний, которые сочетали бы в себе декларативные описания с явными правилами продукционного типа.

После проведения анализа психолого-педагогических вопросов обучения, в том числе вопросов подготовки специалистов в области воздушной навигации, а также анализа навигационных задач, решаемых операторами-навигаторами в ходе выполнения полета, для целей обучения был выбран задачный подход, т. к. механизмом осуществления деятельности оператора-навигатора является решение задач.

На основе проведенного анализа была разработана модель интеллектуальной навигационной тренажерно-обучающей системы (рнс. 4.), , где X — состояние среды, влияющей на состояние У обучаемого (объекта управления), Ц,, Г>у - датчики измерения информации о состояниях X и У, Х%, У - объем получаемой информации, V — управляющее воздействие. Как видно, в процессе обучения С/ имеет вид как обучающей информации, так и тестовых заданий, ответы У на которые дакгг возможность оценить степень обученности объекта управления. Поэтому процесс управления сложными объектами может быть использован для организации эффективного обучения.

Использование при разработке модели интеллектуальной навигационной тренажерно-обучающей системы методов нечеткой логики позволяет получить количественную оценку принимаемых решений по их качественным описаниям. Степень истинности ответов обучаемых не может быть однозначно определена как «правильно»/«неправильно». Для подобного рода ответов шкала оценивания может представляться, например, в виде: «правильно» - «не совсем правильно» - «неполно» — «неточно» - «неопределенно» -«неправильно». Так производится введение нечеткости или фаззификация. Степень истинности каждого варианта ответа определяется функцией принадлежности, заданной на лингвистической переменной, значения которой используются в качестве оценочных категорий. В контексте нечеткой логики фаззификация определяет не только отдельный этап выполнения нечеткого вывода, но и собственно процедуру нахождения значений функций принадлежности нечетких множеств на основе четких исходных данных.

Нечеткое определение степени правдоподобия ответов функцией принадлежности не отрицает традиционного двоичного определения истинности по шкале «правилыю»/«неправильно». Переход к ней производится посредством операции дефаззификации, цель которой заключается в том, чтобы получить обычное количественное значение каждой из выходных переменных, которое может быть использовало специальными устройствами, внешними по отношению к системе нечеткого вывода.

Основное содержание выполненного диссертационного исследования представлено во второй и третьей главах.

Во второй главе описаны алгоритмы преобразований символьной информации. Здесь же описаны и некоторые другие алгоритмы, в частности алгоритм преобразования символьных данных, представленных в виде строк символов, во внутреннее представление системы. Действительно, от пользователей системы (обучаемых и разработчиков обучающих курсов) данные могут поступать в виде строк символов, однако использовать такое представление внутри системы неудобно и неэффективно. В качестве внутреннего представления символьных данных используется представление в виде бинарных деревьев.

Для построения бинарных деревьев была реализована иерархия классов, корнем которой является класс Formulaltem, от которого происходят все остальные классы. Экземпляры класса, содержащие ссылки на другие экземпляры этого класса, называются ветвями, не содержащие - листьями, любые экземпляры класса - узлами. Таким образом, экземпляры классов Number (Число) и Variable (Переменная) являются листьями, остальные — ветвями. Классы UnaryPlus (Унарный Плюс) и UnaryMinus (Унарный Минус) содержат по одной ссылке на экземпляры основного класса. Виртуальный класс BinaiyOperation (Бинарная Операция) является базовым классом для целевой группы классов, представляющих бинарные операции: BinaryPlus (Бинарный Плюс), BinaryMinus (Бинарный Минус), Multy (Умножение), Div (Деление), Power (Степень). Этот класс ссылается на два экземпляра основного класса. Это же свойство наследуют и все производные классы. Что касается класса Function (Функция), то он содержит произвольное количество ссылок на экземпляры основного класса в зависимости от числа параметров функции. Так, например, экземпляр класса Function, представляющий функцию sin(jc), ссылается на экземпляр класса Variable, представляющий переменную х. Функция power(2, х) (возведение первого аргумента в степень второго аргумента) ссылается на экземпляр класса Number, представляющий двойку, и на экземпляр класса Variable, представляющий х. На рис. 5. показано, как в памяти компьютера будет представляться формула расчета условного курса UK: UK = IK + (lambdaO - lambdaT) * sin(Fi), где IK - истинный курс, lambdaO - начальная долгота, lambdaT -текущая долгота, Fi - нормальная сферическая широта

Узлы, помеченные символами «ъ>, «-», «*» представляют бинарные операции, и являются экземплярами классов BinaryPlus, BinaryMinus, Multy. Узлы, помеченные символами IK, lambdaO, lambdaT, Fi - экземпляры класса Variable, узел sin - класса Function.

Рис. 5. Представление формулы расчета условного курса иК = 1К + (1атЬааО - 1атЬс1аТ) * 5ш(И)

Для преобразования информации, представленной в виде строк символов, в бинарные деревья, используется теория трансляции. При этом лексический анализатор выделяет из входной строки отдельные лексемы (числа - последовательности цифр, содержащие или не содержащие десятичную точку; переменные, представленные последовательностями букв и цифр, начинающимися с буквы (идентификаторами); знаки арифметических операций: <сЪ>, «-», «*», «/», «■*■»; имена функций - идентификаторы, за которыми непосредственно следует левая круглая скобка; левая и правая круглые скобки; запятая), а синтаксический формирует из них бинарное дерево. При этом оба анализатора осуществляют проверку корректности входной строки. Кроме того, на синтаксический анализатор возложена обязанность по интерпретации отдельных лексем, в частности, он определяет, является ли минус унарным или бинарным. При реализации синтаксического анализатора использовался несколько модифицированный алгоритм преобразования символьных данных в постфиксную (польскую инверсную) запись. Алгоритм использует два стека, в первом стеке формируются поддеревья строящегося бинарного дерева. Второй стек служит буфером для временного помещения лексем, представляющих арифметические операции и левые скобки. На вход алгоритма подается символьная информация в виде строки символов. В случае если строка

корректна, на выходе получаем бинарное дерево, отражающее введенную символьную информацию, представленную на языке естественно-математической записи. Неформальное описание алгоритма синтаксического анализа выглядит следующим образом [4].

1. Получить лексему от лексического анализатора, сделать ее текущей. Если лексический анализатор обработал всю входную строку и больше не возвращает лексем - перейти к н. 6.

2. Если текущая лексема является числом или переменной - поместить ее в качестве узла в первый стек, перейти к п. 1. Если же она является функцией - вызвать данный алгоритм для каждой подстроки, представляющей собой параметр функции, поместить поддерево, представляющее полученную функцию, в первый стек, перейти к п. 1.

3. Если текущая лексема является арифметической операцией, но не степенью, сравнить ее приоритет с приоритетом лексемы на вершине второго стека, если приоритет больше или стек пуст, поместить текущую лексему во второй стек, перейти к п. 1. В противном случае снять лексему с вершины второго стека, выполнить над ней п. 7, после чего вернуться к началу п. 3.

4. Если текущая лексема - левая скобка или степень, поместить ее во второй стек, перейти к п. 1.

5. Если текущая лексема - правая скобка, последовательно снимать с вершины второго стека лексемы и выполнять над ней п. 7, пока на вершине второго стека не окажется левая скобка. Снять с вершины второго стека левую скобку, перейти к п. 1.

6. Пока второй стек не пуст, снимать с его вершины лексемы и выполнять над ними п. 7. Когда второй стек окажется пустым - завершить алгоритм.

7. Снять с вершины первого стека один или два узла (в зависимости от того, над каким узлом выполняется пункт: унарным или бинарным), сделать эти узлы дочерними узла, образованного из лексемы, над которой выполняется пункт, и поместить этот узел в первый стек.

Поскольку одна и та же символьная информация, представленная на языке естественно-математической записи, может быть описана различными семантически эквивалентными выражениями, требуется преобразовать бинарное дерево к стандартному виду, для чего необходимо: исключить все лишние скобки и унарные плюсы; раскрыть скобки, относящиеся к бинарному и унарному минусу; вынести унарный минус из-под знаков умножения и деления; если возможно, раскрыть скобки, охватывающие делитель.

На рис. 6., а - е показаны преобразования некоторых формул к стандартному виду (слева исходное дерево, справа результат символьных преобразований) [7].

При разработке алгоритма приведения бинарных деревьев к стандартному виду учитывались следующие соображения: узлы разных классов требуют разных преобразований, поэтому узлам предоставляется возможность самим производить преобразования, базирующиеся на типе узла; при преобразовании узел ничего не должен знать о своих предках и просматривать свои дочерние узлы на глубину не более единицы; в противном случае сложность алгоритма растет экспоненциально; алгоритм должен выполнять примитивные преобразования, показанные на рис. 6.

Принципиальная схема работы алгоритма выглядит следующим образом.

Перед началом работы алгоритма текущим узлом назначается корень преобразуемого дерева. Поддеревом узла назовем поддерево, корнем которого он является (поддерево может совпасть со всем преобразуемым деревом). Левым (правым) поддеревом узла назовем поддерево его левого (правого) дочернего узла. Алгоритм выполняет следующие действия.

1. Для левого поддерева текущего узла вызывать алгоритм в цикле до тех пор, пока он не возвратит false, что означает, что никакие преобразования над левым поддеревом выполнить уже невозможно. Повторить п. 1 для правого поддерева.

2. Установить в качестве дочерних поддеревьев текущего узла поддеревья, полученные на шаге 1.

3. Если над получившимся в результате поддеревом можно выполнить какое-либо преобразование - выполнить его, возвратить true и ссылку на получившееся в результате преобразований поддерево.

4. В противном случае возвратить false и ссылку на исходное поддерево.

После приведения к стандартному виду бинарное дерево становится иерархически упорядоченным относительно своих операций. Иначе говоря, корнями правых поддеревьев бинарных минусов и плюсов не могут являться бинарные и унарные минусы и плюсы. Корнями правых поддеревьев умножения и деления не могут являться узлы умножения, деления, унарный минус и унарный плюс.

д е

Рис. 6. Некоторые примеры преобразований, осуществляемых над деревьями, представляющими выражения: а)а-(Ь-с);б) в) а/(Ь /с);г), д), е) содержащие унарный

плюс или унарный минус

Поскольку система является оболочкой, разработчику обучающего курса необходимо предоставить возможность задавать набор преобразований, которые осуществляет система. Преобразования задаются в виде обычных математических формул, кроме того, эти формулы могут содержать ключевые слова maskX и numberX, где вместо X может быть подставлено любое натуральное число. Ключевое слово maskX было введено для описания классов преобразований. Преобразование maskl + maskl = 2 * maskl интерпретируется следующим образом: сумма двух одинаковых подвыражений равняется произведению двойки и одного из подвыражений, в то время как преобразование а + а = 2 * а интерпретируется: сумма двух а равняется произведению двойки и а. Если ключевое слово maskX система интерпретирует как произвольное подвыражение, то ключевое слово numberX она интерпретирует как произвольное число.

В процессе работы алгоритма поиска шаблона маски, в случае если в шаблонах используются «maskw-узлы, может возникнуть необходимость возврата в предыдущее состояние. Таким образом, необходимо было разработать два алгоритма: алгоритм поиска подвыражения, соответствующего маске, и алгоритм сравнения подвыражений. Первый алгоритм инициирует проверку (алгоритм А) и, если необходимо, вызывает второй алгоритм (алгоритм В).

Рассмотрим неформальные описания этих алгоритмов.

Алгоритм А.

На вход подается ссылка на шаблон. На выходе - результат применения шаблона (см. п. 5 выше) и ссылка на преобразованное (или не преобразованное) дерево [7].

1. Осуществить обход составляющих преобразуемого дерева: к каждому правому поддереву текущего узла применять алгоритм А. Если применение алгоритма к одному из поддеревьев завершится применением шаблона (не важно, возникла исключительная ситуация или нет, см. п. 5 выше) - вернул, результат применения алгоритма. Если обход завершен, а шаблон не был применен - перейти к п. 2.

2. Начать обход составляющих маски шаблона.

3. Начать обход составляющих преобразуемого дерева.

4. Проверить, задействован ли текущий узел преобразуемого дерева в преобразовании (ссылки на узлы, задействованные в преобразовании, хранятся в списке задействованных узлов). Если пр задействован - перейти к п. 5. В противном случае перейти к следующему узлу, сделать его текущим и повторить п. 4, если текущий узел последний - перейти к п. 6.

5. Если текущие узлы преобразуемого дерева и маски не противоречат друг другу, сделать копию шаблона: применить к их правым поддеревьям алгоритм В.

Если алгоритм был успешно применен - поместить ссылку на текущий узел преобразуемого дерева в список узлов, задействованных в преобразовании; поместить в стек на предварительно сохраненную копию шаблона и ссылки на текущий узел маски, текущий узел преобразуемого дерева и на текущий узел маски.

Перейти к следующему узлу маски, сделать его текущим и вернуться к п. 3.

Если текущий узел маски был последним - применить преобразование и возвратить результат применения преобразования.

Если алгоритм В отработал неуспешно, или вообще не был применен - перейти к следующему узлу преобразуемого дерева, сделать его текущим и перейти к п. 4.

Если текущий узел преобразуемого дерева был последним - перейти к п. 6.

6. Снять с вершины стека шаблон, ссылку на текущий узел преобразуемого дерева и на текущий узел маски, сделать их текущими. Перейти к следующему узлу преобразуемого дерева, сделать его текущим, удалить из списка используемых поддеревьев последний помещенный туда элемент, перейти к п. 4. Если стек пуст - шаблон не может быть применен.

Алгоритм В.

На вход подаются ссылки: на шаблон, на узел маски, на узел преобразуемого дерева. На выходе получается результат проверки на соответствие.

1. Начать обход составляющих маски шаблона, начиная с узла маски, переданного в алгоритм в качестве параметра, причем обходить только узлы с обыкновенными (не являющимися ни «таек» ни «пшпЬег»-узлами) правыми дочерними узлами.

2. Начать обход составляющих преобразуемого дерева, начиная с узла, переданного в алгоритм в качестве параметра

3. Проверить, задействован ли текущий узел преобразуемого дерева в преобразованиях (ссылки на узлы, задействованные в преобразовании, хранятся в списке задействованных узлов). Если узел не задействован - перейти к п. 4. В противном случае перейти к следующему узлу преобразуемого дерева, сделать его текущим и повторить п. 3. Если текущий узел последний - шаблон нельзя применить.

4. Если текущие узлы преобразуемого дерева и маски не противоречат друг другу -применить алгоритм В для их поддеревьев.

Если алгоритм отработал успешно - поместить ссылку на текущий узел преобразуемого дерева в список задействованных узлов; перейти к следующему узлу маски, сделать его текущим, перейти к п. 2. Если алгоритм отработал неуспешно - перейти к следующему узлу исходного дерева, сделать его текущим, перейти к п. 3. Если текущий узел был последним -шаблон нельзя применить.

5. Повторить п.п. 1-4 для «питЬег»-узлов.

6. Если «тавЪьузлов нет - перейти к п. 8. Повторить п.п. 1-4 для «тавкл-узлов, но для самого последнего «тазк»-узла алгоритм не выполнять, перейти к п. 7.

7. Выполнить обход составляющих преобразуемого дерева и выбрать все поддеревья, еще не задействованные в преобразовании, если таких узлов нет - шаблон не может быть применен. Из выбранных узлов собрать дерево и заменить этим деревом последний «mask»-узел. Алгоритм успешно отработал.

8. Выполнить обход составляющих преобразуемого дерева, проверить все ли текущие узлы задействованы в преобразовании, если нет - шаблон не может быть применен. В противном случае алгоритм отработал успешно.

Не все типы узлов нуждаются в полной реализации алгоритмов А и В. Так, например, для проверки узлов класса Power достаточно сравнить их левые и правые поддеревья.

в)

Рис. 7. Изображения бинарных деревьев: а - соответствующего исходному выражению, б -соответствующего маске шаблона, в - полученное в результате работы алгоритма

В качестве примера приведем формулу расчета скорости ветра по углу сноса и путевой скорости, измеренным на контрольном этапе. Формула подкоренного выражения имеет следующий вид [1]:

V2 -2И7созУС (дерево, соответствующее этому выражению, показано на рис. 7., а).

Преобразование имеет вид:

тазк12 - 2 * ша5к1 * тахк2+тазк22 =(тазк1 -та$к2)2 (дерево, соответствующее маске шаблона, показано на рис. 7., б).

Далее происходит запуск алгоритмов преобразований символьных данных: поиска подвыражения, соответствующего маске, и сравнения подвыражений.

В процессе работы алгоритма поиска подвыражения, соответствующего маске, производится конкретизация узлов шаблона (маски и подстановки).

После завершения работы алгоритмов получается дерево, изображенное на рис. 7, в.

По окончании ввода обучаемым всех формул для расчета навигационных параметров в каждой конкретной задаче строится фактический граф действий обучаемого, возникает необходимость нахождения степени сходства (аналогии) между фактическим и эталонным графами, чтобы иметь возможность количественно оценить действия обучаемого при символьном решении навигационной задачи.

Эталонный граф задачи можно представить в следующем виде: С = (Х,и)> где Х- {х,,х,,...,х„} - множество узлов, и = {ы,,ы2,...,«„} - дуги, отражающие взаимосвязи между узлами. Каждому узлу графа ставится в соответствие оценка уровня освоения данного узла //(*,), х, еX, 1 = 1,и, дуги маркируются значением функции принадлежности связи между узлами х, и х]: //4(ху.,х,), к = 1,т, х,,х, вХ и j<i,т. е. ] - узел, используемый ранее, чем узел ¡. В эталонном графе узлы и дуги между ними имеют оценку равную 1. Граф, соответствующий исходному выражению, введенному обучаемым (назовем его фактическим), имеет следующий вид: Н = (Х',и'), где Х'с X, (7'с С/. В данном случае оценки /¿(хг), хг е X' отражают знания обучаемого при использовании узла хг, а оценки //,(*,,*г) дуг и, в I/' отражают умения обучаемого использовать полученные при использовании узла х4 знания, оценки принадлежат интервалу [0, 1]. Факт включения множеств X' и V в множества X и II, Х'с^Х, С/'с1/, обусловлен невозможностью выходить за рамки решаемой задачи. Оценке вершины графа /¿(х,.) соответствует оценка правильности использования узла графа, а значению функции принадлежности связи между узлами ¿1к(х/гх,) соответствует оценка правильности использования другого узла.

Функция принадлежности //(х() - это обобщенная оценка использования узла » (среднее арифметическое оценок, которые вычисляются путем нормирования полученных баллов, исходя из того, что максимальное количество возможных по каждому узлу баллов соответствует 1). Дуги дерева Я маркируются значением функции принадлежности связи между узлами х„х} е X', причем узел у" используется раньше, чем узел / (/<«'): /1к(Х;,х,) - обобщенная оценка использования обучаемым узла у для последующего использования узла

Сформированная таким образом модель отражает реальные знания и умения обучаемого при решении им навигационной задачи.

При установлении аналогии между графами может быть задано пороговое значение /, которое показывает степень их соответствия.

Существует несколько подходов к анализу аналогии между объектами и формализации рассуждений на ее основе, которые можно свести к двум схемам.

Пусть объекты х и у имеют описания С, и б, соответственно. Если С, и С, сходны, то между х и у существует аналогия, выражаемая описанием А, причем А с (7, и А с (72.

Для объекта х с описанием характерно свойство IV*. Пусть объект у имеет описание и является не изученным относительно свойства IV *. Если описания б, и (?2 аналогичны, то объект у обладает свойством IV* со степенью, не большей степени аналогии (?, и

Первая схема связана с поиском аналогии между описаниями объектов, вторая - с выводом по аналогии.

Подход к формализации правдоподобных рассуждений по аналогии на основе структурно-содержательного описания объектов заключается в следующем.

Метод нахождения аналогии между объектами основан на выделении базовых множеств внутренних форм объектов и определении сходства между базовыми множествами. Пусть С? = {У,V) - граф внутренней формы объекта и у,, е V, I е I = {1,...,л} - множество узлов,

е (/, у е У = {1,...,т} - множество помеченных дуг.

Множество дуг {и,1ук}е.и графа <7, инцидентных узлам V, еК' с V. называется базовым множеством, если в результате удаления дуг {и, /уа} происходит разрушение структуры объекта, т. е., по крайней мере, любые два, не смежных узла, оказываются не связанными.

Пусть б, и С2 - графы внутренних форм объектов х и у . Ох = {К,,С/,} и С2 -с базовыми множествами /у,}сУ, и {и^ 1ур) с=1/2 называются сходными, если выполняется одно из условий:

(V* /V*} С Фс, /V,})^({С/с, /V,} 5 {«/ч /V»}), (Рс,/V»} с {Ц^ /V,»/V,} С {£/<. /V,}), для всех у* е Кг, V, е Г2.

Один из возможных подходов к выделению базовых множеств внутренних форм объектов заключается в следующем.

Внутренняя форма объекта представляется слабосвязанным ориентированным нечетким графом С = {К,[/,тег}, где V - конечное множество узлов, V = {ци(у,, )/(у,, ур)}, у,, уеУ - нечеткое множество дуг с функцией принадлежности м.{у1Уур), определяющей степень истинности отношения ие1/ между узлами у,,ур,те1: - функция,

сопоставляющая каждой дуге графа метку / € Ь.

Модель объекта описывается в виде тройки М = {в,IV*,Л}, где й - внутренняя форма объекта, IV* — множество оценок (свойств), определяющих внешнее содержание объекта, а Я: У ->1У* - соответствие между множеством узлов графа (7 и внешним содержанием объекта.

Выделение базовых множеств внутренних форм объектов осуществляется следующим образом. Для каждого узла необходимо определить нечеткий образ Г(у,.) = {//(ы)/уг}, где /у(и) = //11(у,,уг}, уг - множество узлов, смежных у,, при нечетком соответствии Г~{У,У,и). Пусть существует функция /,: где 5 = - семейство

подмножеств, такое что =У5(Г(у1)), 5, = /2(Г(у,),Г(у*)),

=/,№),Г(у*),Г(У,)), ¡*к Фр, ..., = /,(Г(УД...,Г(У,)).

Если 5 образовано посредством функции соответствующей операции пересечения " п " такой что

/,(Г(У,).....Г(у„)) = тт„^ м(и)/уг,

где иу - множество дуг, инцидентных уг , то £ является полугруппой с операцией "п",

В Я выделяется непустое подмножество

где д - число элементов I, ис = {и,} - множество дуг, инцидентных узлу уг , которое обладает следующими свойствами: элементы подмножества 1 образованы не пустым замыканием относительно операции "л" вне зависимости от ориентации дуг слабосвязанного графа б; для любого элемента 5 е 5 и любого элемента »е / 101 = 101

принадлежит I ; среди элементов / нет элементов с узлами, которым инцидентны только выходящие дуги. , '

Определенное таким образом подмножество 1 является базовым множеством графа G. Можно выделить два подмножества I : подмножество узлов Ух ={v'} с V и подмножество дуг IIх с. U, инцидентных Vх. Очевидно, что Vх является множеством внешней устойчивости графа I. Поскольку / отлично от 0, то для любого элемента s eS s ni не пусто. Так как любой /е/ имеет вид ¿i(u)/vr, то удаление и аналогично выполнению условия sГЛ1 = 0. Это означает, что между вершинами графа vk еVх и v,bV\Vx не существует связей, что равносильно разрушению структуры объекта, представленного графом G. Окрестностью базового множества / назовем подмножество узлов графа G, смежных узлам множества Vх.

Второй подход к выделению базовых множеств внутренних форм объектов основан на определении минимального ядра графа Ус и выделении подмножества дуг Uc cz U, инцидентных Vе. Vе называется ядром графа G = {K,£/,met}, если оно является одновременно внутренне и внешне устойчивым множеством графа, т. е.

(VvieKc)Fcnr(vi) = 0, (Vv( £Fc)Fcnr(v,.)*0, где V - квантор общности (читается как «для любого»).

Таким образом, Vе —Vх пУг, где Vх - внешне устойчивое множество графа, У1 -внутренне устойчивое множество графа, т. е. любой узел vf г Vе связан, по крайней мере, с одним узлом из Vе дугой, начало которой лежит в V\VC и при этом никакие два узла из Vе несмежны.

Отыскание ядер графа осуществляется по методу Магу. Алгоритм нахождения максимального внутренне устойчивого множества по методу Магу заключается в следующем.

Пусть задан ориентированный граф G = {V,U} с множеством узлов {v,,v,,...,v,}. Требуется найти его максимальное внутренне устойчивое подмножество S. Подмножество S g V называется внутренне устойчивым, если для любого узла v,. е S выполнено условие S и Г(у, ) = 0. Доказательство алгоритма основано на использовании логики предикатов (приведено в диссертации).

Подмножество узлов, входящих в ядро графа, и инцидентные им дуги определяют базовое множество графа I = (Vе ,UX ).

Пусть G, = (К,,£/() и G2 —(V2,U2) - внутренние формы объектов А и В,, и для них выделены базовые множества 7,, /2. Тогда модели объектов, представленные графами G, и G2, являются сходными, если для элемента ef =Mmgj)/'vp из h найдется элемент ij = MwCi ) / v/ из /, такой что и^ = и^ (или наоборот) и среди дуг и^ нет таких, которые бы отличались по типу (входящие, выходящие) от дуг из и^ .

В G, и G2 выделяются подграфы G\ ={Vi\,Ux),Vll czVt, и G? =(Vv,U2),V2J cV2, и устанавливается соответствие у/ между узлами У1Л и У2Л относительно инцидентных им дуг Ux - U1 с учетом ориентации. Видно, что Vx, и V2 J образованы вершинами базовых множеств и их окрестностями.

Аналогией между графами <7, и G2, сходными относительно своих базовых множеств, называется дерево конъюнкции А = (У,U), где U = Ux - U2, а любой узел v е V образован парой узлов v, еУ1г Vj еУ2, между которыми определено соответствие у/.

Таким образом, аналогия строится на основе операции обобщения узлов базовых множеств и их окрестностей, а соответствие у определяет изоморфное вложение графа в граф (7, (или наоборот).

В том случае, когда значение ¡лн{ук,уу) характеризует степень доверия к высказыванию VJ при наличии факта V,, для отражения фактического сходства степеней доверия изоморфных отношений С/, и IIг (вычисления степени аналогии графов в, и С2) применяется следующая формула:

где у„уу е V,, ии,и2к еС/, к еТ = {1,2,...,/}, г - количество изоморфных отношений, для всех | (у,.,уу.)-|. Данная формула показывает, на какую среднюю относительную величину отличаются степени доверия к отношениям I/, и 1/2.

Из описания сравниваемых моделей видно, что узел х, е X' соответствует узлу в

том случае, когда ¡ = к. То же относится и к дугам графов б и Я: дуга (х,,*,) е (/' соответствует дуге ,х,)е17 в том случае, когда I = к и ] = 1.

Для вычисления степени аналогии по узлам используется следующая формула:

«л, (2)

р »-1

где р - число узлов из множеств узлов моделей Н = {Х ,и ) и II = (Х,и), между которыми установлено соответствие.

Степень аналогии по дугам определяется по формуле: 1 1

<*л. =1—('<.х,)|), (3)

•У

где 5 - число дуг, инцидентных узлам графа аналогии.

Общая оценка степени аналогии аА определяется следующим образом:

аА=тт(аА,аг^). (4)

Алгоритм оценивания действий обучаемого при решении им навигационной задачи на основе рассуждений по аналогии выглядит следующим образом.

1. По результатам вывода обучаемым очередной формулы формируется нечеткий граф (фактический) Я = (Х',и').

2. Определяется эталонный граф <7 = (Х,и).

3. Выделяются базовые множества сравниваемых моделей С = (Х,С7) и Н = (Х',и') - /с

и

4. Определяется сходство базовых множеств в соответствии с условиями (1);

5. Находится граф аналогии А между эталонным и фактическим графами - вложение графа Я = (Х',и ) в граф в = (Х,11) (при этом может быть задано пороговое значение * -степень соответствия множества X' множеству X).

6. Вычисляется степень аналогии по узлам аАх и степень аналогии по дугам а ^ графа

аналогии А, а также общая оценка степени аналогии аА в соответствии с формулами 2-4.

Следуя системе рейтинговых оценок, степени аналогии аА е [0.55,0.70] соответствует оценка «удовлетворительно», аА е [0.70,0.85] соответствует оценка «хорошо», ал е[0.85,1] соответствует оценка «отлично».

Таким образом, в отличие от логических моделей, в которых отношения, существующие между отдельными единицами знаний, выражаются только с помощью тех средств, которые

представляются синтаксическими правилами используемой формальной, системы, эвристические модели (сетевые, продукционные, фреймы) имеют разнообразный набор средств, передающих специфические особенности той или иной предметной области. В нашем случае разработанные алгоритмы подчеркивают специфику воздушной навигации, специфику решения навигационных задач, имеющих алгоритмическую природу.

Третья глава посвящена построению базы знаний разработанной системы, в ней описана. структура экспертной системы по решению тестовых заданий (рис. 2.).

Хранилище объектов предметной области используется для описания объектов. Информация об объекте состоит из следующих элементов: имени объекта и списка полей. Каждое поле из списка имеет имя, тип и область допустимых значений. Объекты предметной области могут быть производными от других объектов, в этом случае они наследуют все поля своего базового объекта, а также объект может выступать в качестве поля другого объекта.

Продукционная база знаний позволяет моделировать логические рассуждения, на ее основе происходит генерация тестовых заданий.

Грамматика для создания заданий необходима для генерации символьной информации, представленной в виде естественно-математической записи. Она позволяет для каждого обучаемого формировать индивидуальные выражения для расчета навигационных параметров. Правила грамматики описываются так же, как и правила формальной грамматики. Кроме того, в правилах грамматики для генерации заданий в качестве терминальных символов могут выступать поля объектов из хранилища предметной области. Это позволяет генерировать формулы, содержащие элементы из некоторого множества.

Поскольку правила продукционной базы знаний написаны на формальном языке, то обучаемому тяжело воспринимать задания, построенные только на основе базы знаний. Для решения этой проблемы используются шаблоны. Сопоставляя задание, сгенерированное на основе продукционной базы знаний, с шаблонами заданий, система преобразует тестовое задание в привычный обучаемому вид.

Адаптивная система хранит информацию о том, насколько успешно обучаемый решает поставленные системой задания, в использовании каких правил и формул допускает ошибки и т. д. Это позволяет системе адаптироваться к текущему уровню знаний обучаемого и предлагать ему тестовые задания, соответствующие этому уровню.

Назначение преобразователя математических выражений - выполнять преобразования символьных данных по заданным формулам. В системе этот модуль выполняет две функции. Во-первых, он осуществляет преобразование формул, порожденных грамматикой для генерации тестовых заданий. Эти формулы являются частью задания, и при выполнении преобразования осуществляется его решение. Во-вторых, преобразователь символьных данных осуществляет преобразование ответов, полученных системой и обучаемым, к стандартному виду. Поскольку символьная информация, представленная в виде естественно-математической записи, может быть описана различными семантически эквивалентными выражениями, необходимо, прежде чем сравнивать два выражения, привести их к стандартному виду. Отметим, что при выполнении преобразований выражения, порожденного грамматикой для выработки тестовых заданий, и при преобразовании ответов модуль параметризуется различными наборами формул, по которым осуществляется преобразование. .

Функция объясняющего компонента - помогать обучаемому, если он не может решить задачу. Анализатор ответа обучаемого призван помочь обучаемому в поиске ошибки, возникшей в ходе решения задания.

Далее приводится объектная модель описания предметной области. Предметная область рассматривается с точки зрения иерархии объектов. Каждый элемент предметной области при ее описании представляется в виде объекта. Каждый объект имеет имя и набор полей. Каждое поле характеризуется именем, типом поля и списком допустимых значений. Поле может быть одного га следующих типов: Int - 32-х разрядное целое число; Double - 64-х

разрядное число с плавающей точкой; String - строка символов; Object - ссылка на другой объект предметной области.

Поле Object используется для агрегации одним объектом другого, это позволяет создавать представление сложного из более простых, таким образом реализуется наследование. Имя объекта является его дескриптором, оно должно быть уникальным. Имя поля также является дескриптором, оно также должно быть уникальным в рамках объекта. Список допустимых значений зависит от типа поля. Так для типов Int и Double список допустимых значений может быть задан в виде некоторого диапазона или перечислением значений, если поле принимает только дискретные значения. Для поля String список допустимых значений задается в виде перечисления строк символов. Для поля типа Object список допустимых значений состоит из единственного имени объекта, на который ссылается данное поле. Объект может быть производным от другого объекта. В этом случае объект наследует все поля своего базового объекта, и область допустимых значений для таких полей может быть разве что сужена.

Продукционная база знаний позволяет моделировать логические рассуждения, на ее основе происходит формирование заданий. Каждое продукционное правило в системе состоит из следующих элементов: имя правша; антецеденту консеквент\ комментарий к правшу', стоимость использования данного правша [10].

Первые три пункта имеют происхождение из классической продукционной модели. Оставшиеся два связаны со спецификой использования продукционных правил в обучении. Комментарий к правилу необходим для предоставления обучаемому информации о правиле: сфере его применения, методах использования и т. д. Стоимость правила отражает объективную сложность использования данного правила обучаемым, благодаря такой модели система вырабатывает задания, соответствующие текущему уровню знаний обучаемого. Антецедент состоит из списка условий. Каждое такое условие состоит из тройки: имя объекта, имя поля, значение поля. Имена объекта и поля должны в точности соответствовать описанию какого-либо объекта предметной области. Значение поля может быть либо из области допустимых значений поля, либо одним их двух ключевых слов: ValueX или GenerateX. Вместо символа X может быть представлено любое натуральное число. Ключевое слово ValueX при генерации тестового задания будет заменено произвольным значением из области допустимых значений данного поля. Ключевое слово GenerateX заменяется выражением, построенным грамматикой для генерации. Консеквенг состоит из списка заключений. Каждое заключение состоит из трех элементов: имени объекта, имени поля, допустимого значения данного поля или ключевого слова Calculate. Ключевое слово Calculate означает, что модуль символьных преобразований должен осуществить преобразования выражения, находящегося в скобках за ключевым словом Calculate. Если в антецеденте находится ключевое слово ValueX или GenerateX, оно может быть помещено в скобки после Calculate, тогда оно будет замещено выражением, полученным в антецеденте, при этом подставленное выражение будет подвергнуто символьным преобразованиям.

Грамматика для создания заданий необходима для построения сложных символьных выражений, являющихся частью тестового задания. Каждое правило грамматики для выработки заданий является контекстно-свободным правилом по классификации Хомского. К каждому правилу относится параметр, определяющий стоимость использования данного правила. Стоимость использования правила отражает объективную сложность использования данного правила обучаемым. Благодаря такой модели, система формирует тестовые задания, соответствующие текущему уровню знаний обучаемого. Правая часть правила грамматики может состоять из нетерминальных и терминальных символов. Кроме того, в правой части правила могут быть ссылки на поля объектов предметной области, которые считаются особыми терминальными символами. При генерации задания все такие ссылки заменяются величинами из области допустимых значений данного поля.

Генератор тестовых заданий предназначен для создания заданий, которые предлагаются для решения обучаемому. Их формирование производится на основе правил продукционной

базы знаний и грамматики для генерации. При выработке заданий,, как на основе продукционной базы знаний, так и на основе грамматики используется одна и та же методика. Она состоит в том, чтобы составить множество наборов правил базы знаний или грамматики, при помощи которых можно создать задания для обучаемого, соответствующие его уровню знаний. Адаптивный компонент выбирает из этого множества один из наборов, основываясь на информации о предыдущей работе обучаемого в системе. При составлении множества наборов правил ключевую роль играет величина, определяющая уровень сложности задания и задаваемая адаптивным компонентом. Эта величина является ограничителем уровня сложности тестового задания, выше которого система не должна вырабатывать задания. Для грамматики реализация этого требования выполнена следующим образом: строится граф И/ИЛИ переходов между символами грамматики. Перемещения по графу соответствуют выбору правил из грамматики. Таким образом, обходя граф, можно строить наборы правил, но при этом необходимо следить, чтобы сумма стоимостей правил не превысила величины, заданной адаптивным компонентом. Алгоритм построения множеств правил продукционной базы знаний тот же самый, однако вместо произвольного графа используется ациклический граф, поскольку, в отличие от грамматики, в базе знаний запрещены циклы. Действительно, наличие циклов в модели знаний говорит о том, что отдельные понятия данной предметной области определены через самих себя. В процессе построения графа роль нетерминальных символов грамматики играют тройки {объект, атрибут, значение}.

В конце главы рассмотрены вопросы, связанные с построением шаблонов заданий. В результате работы генератора тестовых заданий формируется так называемый каркас задания. Каркас содержит неизвестную величину и все данные, необходимые для ее нахождения. Однако он формируется на внутреннем, не подходящем для обучаемого языке системы. Для того чтобы представить его в привычном обучаемому виде, можно использовать следующую технологию: создать некоторые особого вида структуры, состоящие из текста и специальных символов, каждая из которых характеризуется набором исходных данных и неизвестных величин. Тогда, сопоставляя каркас с этой структурой, можно преобразовать его в привычный обучаемому вид. Такие структуры получили название шаблонов. Шаблоны заданий могут состоять из следующих элементов.

1. Тройки {Объект, Атрибут, Значение). Такие тройки используются для сопоставления шаблонов и каркасов, при этом происходит сопоставление всех трех параметров. При отображении шаблона обучаемому, тройки не отображаются. Если после тройки следует вопросительный знак - это означает, что значение этой тройки должен найти обучаемый.

2. Пары {Объект, Атрибут}. Пары также используются для сопоставления с параметризованными тройками каркаса, при этом происходит сопоставление имени объекта и имени поля. При отображении обучаемому пара заменяется значением, построенным генератором заданий. Если после пары следует вопросительный знак - это означает, что значение этой пары должен найти обучаемый.

3. Инстанцированные объекты. Формат задания инстанцированного объекта: имя = Ш51апсе(имя_объекта). Инсталлирование объекта используется, если объект имеет производные объекты. При этом создается представление одного из производных объектов. Под представлением мы понимаем объект, у которого в списке допустимых значений каждого поля оставлено только одно значение. В дальнейшем имя инстанцированного объекта и имена полей могут быть использованы для доступа к этим значениям.

4. Текст. Текстом считается все, что не попадает в первые три категории. При отображении обучаемому текст выводится без измеиений.

Таким образом, грамматика для генерации тестовых заданий необходима для построения символьных выражений, являющихся частью задания. Каждое правило грамматики для генерации задания является контекстно-свободным правилом по классификации Хомского. К каждому правилу относится параметр, определяющий стоимость использования данного правила. Стоимость использования правила отражает объективную сложность использования данного правила обучаемым. Благодаря такой модели система генерирует

тестовые задания, соответствующие текущему уровню знаний обучаемого. За счет этого может быть предложен механизм адаптации интеллектуальной навигационной тренажерно-обучающей системы к текущему уровню знаний обучаемого и способ распределения обязанностей между адаптивным компонентом и другими компонентами системы.

Четвертая глава диссертации посвящена разработке интеллектуальной навигационной тренажерно-обучающей системы в рамках электронного учебника штурмана на основе задачного подхода.

Для ввода формульных выражений расчета навигационных параметров реализован специализированный редактор символьных выражений, позволяющий формировать их на языке, максимально приближенном к языку естественно-математической записи. Ввод и редактирование выражений производится как с помощью клавиатуры и мыши, так и с помощью кнопок ввода основных навигационных и математических конструкций. При вводе каких-либо конструкций появляются специальные места, которые пользователь должен заполнить соответствующими выражениями в ходе формирования вычислительного документа (рис. 8.).

тая

1Ж-131

FUPU-S4 '. *•> . ■ .. i

{й"1мма*«н(роль*ого этапа CW-300 м^.} '. ■ . Э®-51 »

»«•1» ,4.

{Исг»»«явоздуанмС*оросгк.<«0';«)0»1Ач1.) .

•a¿*: .

{Решения} ; :■■ V - '

US-fWH*

W-Sttík» " "

< ¡^ fupii—бЛ ■

fif-ÍS

| v=82e>

"i his^fiipil-uk •

- . Jfc> ' íir~

II - _T—

г lbs ,

^^(w—^V+ti^-ívHtWíi'uj

Рис. 8. Экран задачи «Определение направления и скорости ветра по углу сноса и путевой скорости, измеренным на контрольном этапе»

Для перевода выражений, записанных в редакторе, для их последующего расчета универсальным вычислителем, реализован интерпретатор символьных выражений.

Для реализации основной функции интерпретатор включает в себя: основной алгоритм интерпретации, в котором реализованы алгоритмы, описанные во второй главе диссертации.

Реализована поддержка: основных арифметических операций вычитания (-),сложения (+), умножения (*), деления (/); определения умножения «по умолчанию»; операций возведения в степень (л), извлечения квадратного корня (sqrt), возведения в квадрат (sqr), знака модуля (abs); тригонометрических функций синуса (sin), косинуса (cos), тангенса (tan); произвольных переменных; определения места ошибки в тексте формулы.

Обозначения, используемые при описании правил грамматики: символ «:~» отделяет левую часть правила от правой; нетерминалы обозначаются словами (написанными на русском языке), выражающими их интуитивный смысл, заключаются в угловые скобки «<» и «>»; терминалы - символы, используемые в описываемом языке; каждое правило определяет порождение нескольких альтернативных цепочек, отделяемых друг от друга символом вертикальной черты «¡»; квадратные скобки «[« и «]» означают, что заключенная в них синтаксическая конструкция может отсутствовать; фигурные скобки «{» и «}» означают ее повторение (возможно, 0 раз); сочетание фигурных скобок и косой черты «{/» и «/}» используется для обозначения повторения один и более раз; круглые скобки «(» и «)» используются для ограничения альтернативных конструкций; в кавычках " " заключаются символы: «< > ( ) |», если они используются в качестве терминалов; правила «не чувствительны» к регистру символов.

В процессе обучения нельзя обойтись без специализированных расчетных инструментов, которые и на сегодняшний день используются на борту летательного аппарата в случае отказа основного оборудования, для определения навигационных параметров. Для этого в электронном учебнике штурмана реализована навигационная линейка штурмана HJI-10M. В линейке разработан понятный интеллектуальный интерфейс, позволяющий осуществлять диагностику действий обучаемого при решении задач на линейке, масштабирование шкал и перемещение движка и визирки.

Программа «Электронный учебник штурмана» связана с базой данных MySQL посредством Apache-cepBepa с использованием PHP-технологий. АрасЬе-сервер обеспечивает: инициализацию пользователя; определение режима обучения; фиксирование исходных данных в тестовых заданиях; сбор информации по результатам решения заданий (статистика); визуализацию содержимого базы данных MySQL.

Блок навигационных задач и модуль навигационной линейки реализованы в системе программирования Borland Delphi 7.0. Данное инструментальное средство имеет достаточно широкие возможности по разработке интеллектуального пользовательского интерфейса, по работе с системами управления базами данных, разработке повторно используемых компонентов в рамках ActiveX-технологии.

Электронный учебник штурмана обладает следующими свойствами:

□ в базе данных системы содержатся основные главы дисциплины «Воздушная навигация», по результатам изучения которых осуществляется контроль знаний обучаемого;

□ в модуле тестовых заданий для сравнения эталонного ответа, полученного системой, с ответом, введенным обучаемым, задаются классы эквивалентных символьных выражений;

□ при работе с системой каждый обучаемый получает индивидуальное задание;

□ в случае возникновения затруднений в процессе решения тестового задания или при неправильном его решении обучаемый может обратиться за помощью к системе.

Электронный учебник штурмана облегчает работу преподавателям и является «помощником» при самостоятельной подготовке обучаемых к занятию или зачету. Внедрение учебника предполагает совершенствование процесса преподавания, повышение его эффективности и качества, сокращение времени на изучение учебного материала.

В заключении отмечается, что в процессе работы над диссертацией были получены следующие результаты.

1. Разработаны архитектура и модель интеллектуальной навигационной тренажерно-обучающей системы, основанной на декларативном представлении знаний. Система осуществляет:

□ генерацию тестовых заданий по воздушной навигации на основе построения продукционной базы знаний, позволяющей моделировать логические рассуждения;

□ контроль знаний и диагностику ошибок обучаемого оператора-навигатора в ходе решения навигационных задач.

2. Разработаны алгоритмы:

а преобразования символьной информации, поступающей на вход интерфейса системы в естественно-математическом виде, на основе способа представления символьных данных в памяти компьютера в виде бинарных деревьев;

а сравнения символьных данных на основе шаблонов, задаваемых в процессе разработки обучающей системы. Это позволяет задавать классы семантически эквивалентных символьных преобразований, с учетом семантики и специфики предметной области.

3. Разработан алгоритм оценивания действий обучаемого при проведении им расчетов навигационных параметров на основе метода аналогий.

4. Разработаны:

□ продукционная база знаний, правила которой строятся на основе объектов предметной области;

а грамматика для генерации тестовых заданий.

Предложен способ адаптации системы к текущему уровню знаний обучаемого.

5. Результаты работы оформлены в виде пакета прикладного программного обеспечения, построенного на основе применения PHP-технологий и АрасЬе-сервера для связи программы с базой данных MySQL, что позволило реализовать функционирование системы в локальной сети и в сети Internet.

6. Полученные результаты внедрены в учебном процессе ряда высших и средних учебных заведений.

Публикации

1. Воздушная навигация и элементы самолетовождения. / Мамаев В.Я., Синяков А.Н., Петров К.К., Горбунов ДА; СПбГУАП. СПб., 2002. - 256 с.

2. Горбунов Д.А., Петров К.К. Модель представления учебного материала и методика диагностики ошибок обучаемого в автоматизированной обучающей системе оператора-навигатора// Шестая научная сессия аспирантов ГУ ATI: Сб. доклУ СПбГУАП. СПб., 2003. - С. 19 - 26.

3. Горбунов Д.А., Мамаев В.Я., Петров К.К. Модель представления учебного материала и способ диагностирования ошибок оператора в автоматизированной обучающей системе// Информационно-управляющие системы, СПб, 2003. №5. - С. 51 - 58.

4. Мамаев В.Я., Петров К.К. Контроль знаний обучаемого при выполнении им символьных преобразований в интеллектуальной обучающей системе// Научное приборостроение, СПб, 2006. № 1.-Т.16.-С. 116-120.

5. Мамаев В.Я., Петров К.К., Синяков А.Н. Диагностика ошибок обучаемого в навигационном тренажере штурмана/ Материалы научно-технической конференции «Тренажерные технологии и симуляторы -2002», СПб, Издательство СПбГПУ, 2002. С. 159.

6. Мамаев В.Я., Петров К.К., Тепышев А.Ю. Разработка сетевых электронных учебников для реализации дистанционного обучения авиационных специалистов/ Материалы Всероссийской научно-практической конференции «Информационные технологии и дистанционное образование», Красноярск, КГТУ, 2000. (http://confdo.kgtu.runnet.ru/doc/mamaev/htm).

7. Петров К.К. Алгоритмы символьных преобразований в тестовых заданиях для контроля знаний в электронном учебнике штурмана// Девятая научная сессия аспирантов ГУАП: Сб. докл./ СПбГУАП. СПб., 2006. - С. 63 - 70.

8. Петров К.К. Инструментальные средства разработки интеллектуальной системы обучения оператора транспортного средства/ Материалы научно-практической конференции «Педагогический дизайн», СПб, 26 - 27 октября 2004 г. - С. 166 - 174.

9. Петров К.К. Разработка интеллектуальной системы обучения оператора-навигатора// Седьмая научная сессия аспирантов ГУАП: Сб. докл./ СПбГУАП. СПб., 2004. - С. 47 - 58.

10. Петров К.К. Технология создания адаптивной обучающей системы и применение разработанной методики в электронном учебнике оператора-навигатора// Восьмая научная сессия аспирантов ГУАП: Сб. докл./ СПбГУАП. СПб., 2005. - С. 109 -113.

11. Петров К.К. Диагностика ошибок штурмана в интеллектуальной обучающей системе// Пятая научная сессия аспирантов ГУАП: Сб. докл./ СПбГУАП. СПб., 2002. - С. 57 - 60.

12. Свидетельство на программу для ЭВМ «Электронное учебное пособие «Воздушная навигация и элементы самолетовождения» (DOSHR)» № 2003610194 от 17.01.2003. Мамаев В.Я., Синяков А.Н., Петров К.К., Горбунов Д.А.

13. Свидетельство на программу для ЭВМ «Электронный учебник оператора-навигатора (ETON)» № 2005612096 от 17.08.2005. Горбунов ДА., Мамаев В.Я., Петров К.К.

Формат 60x84 1\16 .Бумага офсетная. Печать офсетная. Тираж 100 экз. Заказ № э56

Редакционно-издательский центр ГУАП 190000, Санкт-Петербург , Б. Морская ул., 67

Введение.

Глава 1. Анализ обучающих систем.

1.1. Анализ принципов построения систем обучения и контроля знаний и их классификация.

1.2. Классификация технологий, используемых в обучающих системах

1.3. Инструментальные оболочки и конечные курсы.

1.4. Анализ известных обучающих систем.

1.5. Основные проблемы подготовки оператора-навигатора.

1.5.1. Классификация навигационных задач.

1.5.2. Особенности деятельности оператора-навигатора в процессе функционирования навигационного эргатического комплекса.

1.5.3. Анализ основных аспектов обучения оператора-навигатора.

1.5.3.1. Задачный подход.

1.5.3.2. Деятельностный подход.

1.6. Построение модели интеллектуальной навигационной тренажерно-обучающей системы на основе рассмотренных подходов.

Результаты по первой главе.

Глава 2. Алгоритмы преобразований символьной информации и оценивания на основе аналогии.

2.1. Алгоритм преобразования символьной информации из строкового представления в бинарные деревья.

2.2. Алгоритм приведения бинарных деревьев к стандартному виду.

2.3. Неформальное описание алгоритма преобразований символьной информации.

2.4. Требования к алгоритму преобразований символьных данных.

2.5. Алгоритмы преобразований символьной информации: поиска подвыражения, соответствующего маске, сравнения подвыражений.

2.6. Алгоритм оценивания на основе метода аналогии.

Результаты по второй главе.

Глава 3. Построение базы знаний.

3.1. Продукционная база знаний.

3.1.1. Диагностика знаний и умений обучаемого в экспертной системе.

3.1.2. Разработка интеллектуальной навигационной тренажернообучающей системы.

3.1.3. Структура экспертной системы электронного учебника штурмана

3.1.4. Хранилище объектов предметной области.

3.1.5. Генерация заданий на основе продукционной базы знаний .Л

3.2. Грамматика для генерации тестовых заданий.

3.3. Генератор тестовых заданий.

3.4. Шаблоны тестовых заданий.

Результаты по третьей главе.

Глава 4. Интеллектуальная навигационная тренажерно-обучающая система

Результаты по четвертой главе.

Проблема создания систем обучения и контроля знаний (СОиКЗ) для обучения персонала в самых разных отраслях техники, технологии и т. д. привлекает внимание специалистов [25]. С одной стороны, обнаруживается острая необходимость в совершенствовании профессиональных навыков персонала, работающего с тем или иным оборудованием и решающего специализированные задачи, требующие особых знаний и навыков в конкретной предметной области. С другой стороны, современный уровень информационных технологий обеспечивает возможность высококачественной реализации всех компонентов системы и процессов обучения (модели процессов и устройств, пользовательские интерфейсы, средства автоматизированного контроля действий обучаемого и т. п.). В то же время многие работы по созданию подобных систем тормозятся из-за отсутствия общей методологии их построения и использования [25]. Основная сложность в разработке интеллектуальных обучающих систем обусловлена широким многообразием целей, методов и средств, используемых в процессе обучения. На рис. В.1. [103] представлена общая структура проблемы создания СОиКЗ, инвариантная относительно конкретных предметных областей. Здесь показана номенклатура основных задач, которые составляют содержание проблемы, определены функциональные связи между задачами и последовательность их решения.

Рис. В.1. Общая структура проблемы создания СОиКЗ Из рис. В.1. видно, что основная сложность в разработке СОиКЗ, независимо от предметной области, заключается в крайней разнохарактерности и синтетичности технологий компьютерного обучения и используемых при этом средств. Для успеха такого обучения каждый компонент должен быть реализован на одинаково высоком уровне.

Актуальность темы. Актуальной задачей является разработка архитектуры подобных систем на основе построения алгоритмов управления обучением с использованием обратной связи на основе детальной диагностики знаний и умений обучаемых, выявления причин возникновения у них ошибок и разработки способов их устранения. Помощь в эффективном решении этой основной задачи могут оказать интеллектуальные методы извлечения, хранения и представления знаний, являющиеся предметом инженерии знаний, одной из ветвей искусственного интеллекта.

Профессиональная подготовка оператора летательного аппарата (JIA) -это трудоемкий и дорогостоящий процесс. Она складывается из курса теоретического обучения, практических тренажерной и летной подготовок. Учитывая то обстоятельство, что оператор летательного аппарата функционирует в экстремальных условиях, и от его деятельности зависят человеческие жизни и успешность выполнения полетного задания, качество подготовки должно быть очень высоким.

В подготовке авиационных специалистов можно выделить три этапа: теоретическое обучение, тренажерную подготовку и подготовку на учебном летательном аппарате. Это соответствует иерархической структуре модели деятельности человека, где на верхнем уровне находятся знания, на среднем - умения, на нижнем - навыки. Причем об эффективности тренажерной подготовки говорят повышение качества подготовки летных экипажей, безопасности и выживаемости.

Как бы ии была сложна структура профессиональной деятельности оператора летательного аппарата, её можно разделить на компоненты, соответствующие различным видам его деятельности. Разделение профессиональной деятельности лётного экипажа (пилот, штурман, бортинженер) позволяет использовать для практической подготовки целую гамму тренажеров: процедурные авиационные тренажеры, специализированные и комплексные.

Важными преимуществами использования процедурных и специализированных перед комплексными тренажерами является распараллеливание процесса предварительной практической подготовки, относительно малая стоимость и простота. Учитывая неуклонное нарастание имитирующих возможностей персональных компьютеров, их применение в качестве процедурных авиационных тренажеров является особенно перспективным. К тому же использование компьютера в качестве процедурного тренажера (так называемые компьютерные тренажеры) позволяет применять их одновременно для теоретической и практической подготовки, при этом устраняется разрыв между ними.

Под компьютерным тренажером понимается тренажер, не содержащий реальной аппаратуры, но использующий механизмы виртуальной реальности. При этом компьютерный тренажер должен обеспечивать формирование как постоянных концептуальных моделей (постоянная часть концептуальной модели, образуемая знаниями и умениями, полученными в предшествующих обучении и профессиональной деятельности), так и оперативных концептуальных моделей, характерных для применения технических средств практической подготовки, то есть собственно тренажеров. Применение компьютерного тренажера уже на этапе теоретической подготовки позволяет повысить мотивацию в изучении теории, ибо показывает её значимость в решении практических задач. Использование компьютерных технологий в обучении в целом и в обучении оператора-навигатора в частности позволяет: индивидуализировать процесс обучения; повысить объективность контроля знаний и качество обучения путем внедрения оптимальных методик и средств обучения; интенсифицировать процесс обучения.

В настоящее время существует три пути индивидуализации обучения [54]. Первый из них характеризуется тем, что выбор обучающих воздействий целиком и полностью определяется компьютером. Второй путь предполагает, что сами обучаемые определяют то управление обучением, которое является для них предпочтительным. Он основывается на предположении, что обучаемые намного лучше, чем компьютер, смогут определить, какая помощь им нужна, сколько учебных задач и какой трудности им надо решить ит. д.

Третий путь предполагает смешанное управление: обучаемому предлагается наметить ту стратегию обучения, которую он считает наиболее приемлемой. Если при этом обнаруживается «сбой», т. е. обучаемые плохо справляются с учебными заданиями, управление процессом обучения компьютер полностью берет на себя. Таким образом, актуальной является задача создания личностно-ориентированных СОиКЗ, использующих модель обучаемого и ориентированных на работу с электронным преподавателем (с оптимальным электронным инструктором по терминологии А. А. Красовского [43]).

На сегодняшний день даже самые современные авиационные тренажеры, такие, как, например, навигационный тренажер штурмана «Рефрен-Н» [И], разработанный с участием автора и находящийся в эксплуатации в одном из летных авиационных училищ России, принадлежат к числу автоматизированных обучающих систем и систем «человек-машина», и, значит, в них имеет место действие человеческий фактор [27], которому подвержен инструктор, являющийся ответственным лицом, отвечающим за обучающие качества авиационного тренажера. То есть нельзя не отметить тот факт, что при контроле инструктором действий обучаемого эффективность контроля является довольно низкой, вследствие того, что инструктор может сам в процессе контроля допустить ошибки. Исследования показали, что в 10 - 50 % случаев инструктор может не заметить допущенных обучаемыми ошибок, а в 15 - 20 % случаев он даже указывает на ложные ошибки [8].

Особенность задачи поддержки принятия решения в системах «человек-машина» состоит в том, что человек-оператор по существу является одноканальной системой, т. е. способен одномоментно осмысливать и осуществлять только одно управление. При параллельном решении задач обучаемым возрастает вероятность ошибок. Поэтому для достижения высоких обучающих качеств авиационный тренажер должен быть снабжен распределенной экспертной системой, выполняющей роль оптимального электронного инструктора. Тем самым автоматизированная обучающая система превращается в интеллектуальную. В отличие от традиционных автоматизированных обучающих систем, интеллектуальные содержат знания о предметной области, обучаемом, о стратегиях обучения и способах его индивидуализации. В результате обеспечивается возможность автоматизации контроля и управления обучением, формирование содержательно-методической базы (сценарии, эталоны пилотирования и т. п.) обучения, а также большей объективности в оценке обученности.

Ряд особенностей, присущих получению естественнонаучного образования, затрудняют использование информационных технологий. Главные из этих особенностей связаны, прежде всего, с тем, что для подобных специальностей принципиально необходима повседневная практическая деятельность в виде регулярно выполняемых лабораторных работ и практических занятий по решению задач. К разряду профессий, связанных с решением задач, относится профессия штурмана.

Цель диссертационной работы - разработка архитектуры и алгоритмов построения интеллектуальной навигационной тренажерно-обучающей системы, ориентированной на обучение операторов-навигаторов (штурмана, летчика в роли штурмана).

Методы исследования. Для решения поставленных задач использовались методы теории графов, теории искусственного интеллекта. В ходе их практической реализации использовались методы дискретной математики, теории алгоритмов, теории компиляторов, теории построения формальных грамматик, объектно-ориентированного программирования.

В ходе выполнения работы использованы психолого-педагогические аспекты деятельностного подхода в обучении операторов-навигаторов.

Научную новизну представляют следующие результаты.

1. Алгоритмы: преобразования символьной информации, поступающей на вход интерфейса системы в естественно-математическом виде, на основе способа представления символьных данных в памяти компьютера в виде бинарных деревьев; сравнения символьных данных на основе шаблонов, задаваемых в процессе разработки интеллектуальной навигационной тренажерно-обучающей системы. Это позволяет задавать классы семантически эквивалентных символьных преобразований, с учетом семантики и специфики предметной области.

Разработанные алгоритмы впервые позволят реализовать интеллектуальный интерфейс при обучении оператора-навигатора решению штурманских задач.

2. Алгоритм оценивания действий обучаемого при проведении им расчетов навигационных параметров на основе метода аналогии.

3. Продукционная база знаний, позволяющая моделировать логические рассуждения и осуществлять диагностику действий и контроль знаний оператора-навигатора.

4. Объектная модель описания предметной области для генерации тестовых заданий.

5. Грамматика для генерации тестовых заданий, включающих в себя символьные преобразования различных навигационных параметров.

6. Архитектура и модель интеллектуальной навигационной тренажерно-обучающей системы, основанной на декларативном представлении знаний.

Практическая и теоретическая ценность работы. На основе предложенных и разработанных в данной работе архитектуры и алгоритмов построения интеллектуальной навигационной тренажерно-обучающей системы реализован программный комплекс по дисциплине «Воздушная навигация» [69, 70].

Практическая ценность работы подтверждена победой в конкурсе СПбГУАП по электронным учебникам.

Положения, выносимые на защиту

1. Архитектура и модель интеллектуальной навигационной тренажерно-обучающей системы, осуществляющей генерацию тестовых заданий, контроль, диагностику и оценивание знаний обучаемого и позволяющей реализовать алгоритм интерактивного обучения оператора-навигатора.

2. Способы задания и преобразования символьной информации, поступающей на вход интерфейса системы в естественно-математическом виде, на основе представления символьных данных в памяти компьютера в виде бинарных деревьев.

3. Способ сравнения символьных данных на основе шаблонов, задаваемых в процессе разработки обучающей системы.

4. Алгоритм оценивания действий обучаемого при проведении им расчетов навигационных параметров на основе метода аналогий.

5. Продукционная база знаний, позволяющая моделировать логические рассуждения, а также диагностировать действия и осуществлять контроль знаний оператора-навигатора.

Внедрение результатов работы. Результаты диссертационной работы использованы в учебном процессе: в Военно-Морской академии им. Адмирала Флота Советского Союза Н.Г. Кузнецова; в ФГОУ СПО Выборгский Авиационный технический колледж гражданской авиации; в Государственном образовательном учреждении высшего профессионального образования «Санкт-Петербургский государственный университет аэрокосмического приборостроения»; в Челябинском военном авиационном институте штурманов.

Апробации работы. Основные результаты работы были представлены и обсуждались на научных сессиях аспирантов, семинарах и ежегодных докладах в Государственном образовательном учреждении высшего профессионального образования «Санкт-Петербургский государственный университет аэрокосмического приборостроения», научно-технической конференции «Тренажерные технологии и симуляторы - 2002», на Международном симпозиуме «Аэрокосмические приборные технологии», на научно-практической конференции «Педагогический дизайн», в Балтийском государственном техническом университете.

Личный вклад. В диссертации приведены только те результаты, в получении которых автору принадлежит основная роль.

Результаты научной работы автора были отмечены на конкурсе на соискание грантов для поддержки научно-исследовательской работы аспирантов вузов Федерального агентства по образованию (тема: «Разработка, исследование и внедрение в учебный процесс адаптивных алгоритмов обучения оператора-навигатора»).

Публикации. По материалам и результатам диссертации опубликовано 13 печатных работ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка и 2-х приложений. Общий объем работы - 176 стр., в том числе 11 табл. и 42 рис. Библиография включает 106 наименований.

5. Результаты работы оформлены в виде электронного учебника штурмана, построенного на основе применения PHP-технологий и Apache-сервера для связи учебника с базой данных MySQL, что позволило реализовать функционирование системы в локальной сети и в сети Internet.

6. Полученные результаты внедрены в учебном процессе ряда высших и средних учебных заведений.

Заключение

В процессе работы над диссертацией были получены следующие результаты.

1. Разработаны архитектура и модель ИНТОС, основанной на декларативных знаниях и применении задачного подхода в обучении. Система осуществляет: генерацию тестовых заданий по воздушной навигации на основе построения продукционной базы знаний, позволяющей моделировать логические рассуждения; контроль знаний и диагностику ошибок обучаемого оператора-навигатора в ходе решения навигационных задач.

2. Разработаны алгоритмы: преобразования математических выражений, вводимых обучаемым в естественно-математическом виде, на основе способа представления их в памяти компьютера в виде бинарных деревьев; сравнения этих выражений на основе шаблонов, задаваемых в процессе разработки обучающей системы. Это позволяет задавать классы семантически эквивалентных выражений, с учетом семантики и специфики предметной области.

3. Разработан алгоритм оценивания действий обучаемого при проведении им расчетов навигационных параметров на основе рассуждений по аналогии.

4. Разработаны: продукционная база знаний, правила которой строятся на основе объектов предметной области; способ использования аппарата формальных грамматик для генерации тестовых заданий.

Предложен способ адаптации системы к текущему уровню знаний обучаемого.

1. Аванесов B.C. Композиция тестовых заданий. Учебная книга для преподавателей вузов, учителей школ, аспирантов и студентов педагогических вузов. -М.: Адепт, 1998.-218 с.

2. Алгоритм нахождения максимального внутренне устойчивого множества (метод Магу) (www.vladiinir-proff.narod.ru).

3. Атанов Г.А. Возрождение дидактики залог развития высшей школы. - Донецк: Изд-во ДОУ, 2003. - 180 с.

4. Атанов Г.А. Деятельностный подход в обучении. Донецк: «ЕАИ-пресс», 2001. - 160 с.

5. Атанов Г.А., Пустынникова И.Н. Обучение и искусственный интеллект, или основы современной дидактики высшей школы. Донецк: Изд-во ДОУ, 2002.-504 с.

6. Ахо А., Сети Р., Ульман Д. Компиляторы: принципы, технологии и инструменты. -М.: Издательский дом «Вильяме», 2003. 768 с.

7. Балл Г.А. О психологическом содержании понятия «задача» // Вопросы психологии, 1970. № 6. С. 21 - 22.

8. Берестов Л.М., Меерович Г.А. Обучающие качества тренажера, как мера его воздействия на человеческий фактор. // ВИНИТИ. Проблемы безопасности полетов. 1995. № 5.

9. Буч Г. Объектно-ориентированный анализ и проектирование с примерами на С++. -М.: Бином, СПб.: Невский диалект, 2001. 560 с.

10. Виды педагогических программных средств (ППС) и общие технологии (http://www.rsvpu.ru/student/mikl/html/indtech.htm), Уральский государственный профессионально-педагогический университет, Сервер дистанционного образования УГППУ.

11. Воздушная навигация и элементы самолетовождения. / Мамаев В.Я., Синяков А.Н., Петров К.К., Горбунов Д.А; СПбГУАП. СПб., 2002.-256 с.

12. Волкова И.А. Руденко Т.В. Формальные грамматики и языки. Элементы теории трансляции. М.: МГУ, 1999. 62 с.

13. Выявление экспертных знаний (процедуры и реализации) / О. И. Ларичев, А. И. Мечитов, Е. М. Мошкович, Е. М. Фуремс. -М.: Наука, 1989. -128 с.

14. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992. - 200 с.

15. Галеев И.Х., Чепегин В.И., Сосновский С.А. МОНАП-II -авторские средства проектирования интеллектуальных обучающих систем// УСиМ, 2002. № 3/4. С. 80 - 86.

16. Гальперин П.Я. Основные результаты исследования по проблеме «Формирование умственных действий и понятий». М.: Изд-во МГУ, 1965. - 52 с.

17. Гамезо М.В., Герасимова B.C. Знаковое моделирование в процессе решения учебных текстовых задач // Психологические проблемы переработки знаковой информации. -М, 1977.-С. 235-252.

18. Гамма Э., Хелм Р., Джонсон Р., Влассидес Дж. Приемы объектно-ориентированного программирования. Паттерны проектирования. СПб.: Питер, 2003.-368 с.

19. Гладун В.П., Ващенко П.Д. Локально-статистические методы извлечения знаний из баз данных// Международная конференция «Знания Диалог - Решение»: Сборник научных трудов. - Ялта, Крым. -1995. -Т. 1. - С. 63 - 73.

20. Глова В.И., Аникин И.В., Аджели М.А. Мягкие вычисления (soft computing) и их приложения. Казань: Издательство КГТУ им. А.Н. Туполева, 2000. - 98 с.

21. Горбунов Д.А., Мамаев В.Я., Петров К.К. Модель представления учебного материала и способ диагностирования ошибок оператора в автоматизированной обучающей системе// Информационно-управляющие системы, СПб, 2003. №5. С. 51 - 58.

22. Горбунов Д.А., Петров К.К. Модель представления учебного материала и методика диагностики ошибок обучаемого в автоматизированной обучающей системе оператора-навигатора// Шестая научная сессия аспирантов ГУАП: Сб. докл./ СПбГУАП. СПб., 2003. С. 19 - 26.

23. Диалоговые системы и представление знаний / Кокорева J1.B., Перевозчикова O.JI., Ющенко E.JL; АН Украины. Ин-т кибернетики. Киев: Наук, думка, 1992. - 448 с.

24. Доблаев Л.П. Смысловая структура учебного текста и проблемы его понимания. -М.: Педагогика, 1982. 176 с.

25. Дозорцев В.М. Компьютерные тренажеры для обучения операторов технологических процессов теория, методология построения и использования. Автореферат диссертации на соискание ученой степени доктора технических наук. - М., ИПУ, 1999. - 36 с.

26. Ездаков A.JT. Экспертные системы! Это так просто?!// Экспертные системы.-М.: Знание, 1990.-48 с.

27. Есин Ю.Ф., Парамонов П.П., Мамаев В.Я., Чернов В.А. Навигационные тренажеры нового поколения. / Тезисы доклада. Третья международная научно-практическая конференция «Пилотируемые полеты в космос». Звездный городок, 11-12 ноября 1997 г. -С. 199-200.

28. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. 1978. - Вып. 33. - С. 5 - 68.

29. Зайцева JT.B. Методы и модели адаптации к учащимся в системах компьютерного обучения.// Educational Technology & Society, 2003. № 6 (4). -С. 204-211.

30. Зайцева J1.B. Модели и методы адаптивного контроля знаний.// Educational Technology & Society, 2004. № 7 (4). С. 265 - 277.

31. Зайцева J1.B., Новицкий Л.П., Грибкова В.А. Разработка и применение автоматизированных обучающих систем на базе ЭВМ. Под ред. Л.В. Ницецкого. - Рига: «Зинатне», 1989. - 174 с.

32. Зигель А., Вольф Дж. Модели группового поведения в системе человек-машина. М.: Мир, 1972. - 264 с.

33. Змитрович А.Н. Интеллектуальные информационные системы. -Минск: НТООО «Тетрасистемс», 1997. -368 с.

34. Искусственный интеллект. В 3 кн. Кн. 2. Модели и методы: Справочник / Под ред. Д. А. Поспелова. - М.: Радио и связь, 1990. - 304 с.

35. Калашникова Т.Г. Применение аналогии для оценки системы знаний. // Перспективные информационные технологии и интеллектуальные системы, 2001. № 1. С. 220 - 232.

36. Карпов Ю.Г. Теория и технология программирования. Основы построения трансляторов. СПб.: БХВ-Петербург, 2005. - 272 с.

37. Касьянов В.Н., Евстигнеев В.А. Графы в программировании: обработка, визуализация и применение. СПб.: БХВ-Петербург, 2003.- 1104 с.

38. Качаровский И.Б. Образ полета или приборный аналог // Авиация и космонавтика, 1976. № 8.-С. 14-15.

39. Кнут Д.Э. Искусство программирования, т. 1. Основные алгоритмы, 3-е изд. М.: Издательский дом «Вильяме», 2000. - 720 с.

40. Когнитивная психология / Р. Солсо. 6-е изд. - СПб.: Питер, 2006. -589 с.

41. Козарук В.В., Ребо Я.Ю. Навигационные эргатические комплексы самолётов. М.: Машиностроение, 1986. - 228 с.

42. Кокорева JI.B., Перевозчикова O.J1. Диалоговые системы и представление знаний. Киев, Наукова думка, 1993. - 446 с.

43. Красовский А.А. Основы теории авиационных тренажеров. М.: Машиностроение, 1995. - 304 с.

44. Леонтьев А.Н. Деятельность, сознание, личность. М.: Политиздат, 1975.-304 с.

45. Леонтьев А.Н. Избранные психологические произведения: В 2 т. -М.: Педагогика, 1983.-Т. 2.-318 с.

46. Лорьер Ж.-Л. Системы искусственного интеллекта: Пер. с франц. -М.: Мир, 1991.-568 с.

47. Любарский Ю.Я. Интеллектуальные информационные системы. -М.: Наука, 1990.-227 с.

48. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. / 4-е издание. М: «Вильяме», 2003 г. - 864 с.

49. Мамаев В.Я., Петров К.К. Контроль знаний обучаемого при выполнении им символьных преобразований в интеллектуальной обучающей системе// Научное приборостроение, СПб, 2006. № 1. Т. 16. - С. 116 - 120.

50. Мамаев В.Я., Петров К.К., Синяков А.Н. Диагностика ошибок обучаемого в навигационном тренажере штурмана/ Материалы научно-технической конференции «Тренажерные технологии и симуляторы 2002», СПб, Издательство СПбГПУ, 2002. С. 159.

51. Машбиц Е.И. Психологические основы управления учебной деятельностью. М.: Педагогика, 1988. - 192 с.

52. Машбиц Е.И. Психологические основы управления учебной деятельностью. К.: Вища школа, 1987. - 224 с.

53. Меньшов А.И., Рыльский Г.И. Человек в системе управления летательными аппаратами. М.: Машиностроение, 1976.- 192 с.

54. Минский М. Фреймы для представления знаний. М.: Энергия, 1979.- 151 с.

55. Петров К.К. Алгоритмы символьных преобразований в тестовых заданиях для контроля знаний в электронном учебнике штурмана// Девятая научная сессия аспирантов ГУАП: Сб. докл./СПбГУАП. СПб., 2006. С. 63-70.

56. Петров К.К. Диагностика ошибок штурмана в интеллектуальной обучающей системе// Пятая научная сессия аспирантов ГУАП: Сб. докл./ СПбГУАП. СПб., 2002. С. 57 - 60.

57. Петров К.К. Инструментальные средства разработки интеллектуальной системы обучения оператора транспортного средства/ Материалы научно-практической конференции «Педагогический дизайн», СПб, 26 27 октября 2004 г.-С. 166- 174.

58. Петров К.К. Разработка интеллектуальной системы обучения оператора-навигатора// Седьмая научная сессия аспирантов ГУАП: Сб. докл./ СПбГУАП. СПб., 2004. С. 47 - 58.

59. Петров К.К. Технология создания адаптивной обучающей системы и применение разработанной методики в электронном учебнике оператора-навигатора// Восьмая научная сессия аспирантов ГУАП: Сб. докл./ СПбГУАП. СПб., 2005.-С. 109-113.

60. Петрушин В.А. Интеллектуальные обучающие системы: архитектура и методы реализации (обзор) // Техническая кибернетика, 1993. №2.-С. 165 188.

61. Петрушин В.А., Ибрагимов О.В. Экспертно-обучающие системы. -Киев: ИК, 1989.-21 с.

62. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. - 288 с.

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

64. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986.-288 с.

65. Представление и использование знаний: Пер. с япон. / Под ред. X. Уэно, М. Исидзука.-М.: Мир, 1989.-220 с.

66. Растригин J1.A. Адаптация сложных систем. Рига: Зинатне, 1981. -375 с.

67. Рубинштейн СЛ. Основы общей психологии: В 2 т. М.: Педагогика, 1989.-Т. 2. -488 с.

68. Свидетельство на программу для ЭВМ «Электронное учебное пособие «Воздушная навигация и элементы самолетовождения» (DOSHR)» № 2003610194 от 17.01.2003. Мамаев В.Я., Синяков А.Н., Петров К.К., Горбунов Д.А.

69. Свидетельство на программу для ЭВМ «Электронный учебник оператора-навигатора (ETON)» № 2005612096 от 17.08.2005. Горбунов Д.А., Мамаев В.Я., Петров К.К.

70. Системное программное обеспечение / Гордеев А.В., Молчанов А.Ю. СПб.: Питер, 2003. - 736 с.

71. Соловов А.В. Дидактика и технология электронного обучения в системе КАДИС// Индустрия образования. М.: МГИУ, 2002. № 6. - С. 54 - 64.

72. Страуструп Б. Язык программирования С++. Специальное издание. М.: Бином, 2005. - 1104 с.

73. Стрелков 10. А. Роль системы отсчета в формировании навигационного образа полета. Сборник научных трудов. М.: ИПАН, 1990. -С. 229-240.

74. Стрелков Ю.А. Инженерная и профессиональная психология. М.: Академия, 2001. - 360 с.

75. Суховиенко Е.А. Информационные технологии педагогической диагностики: теория и практика: Монография. Челябинск-Южно-Уральск, кн. изд-во, 2005. - 238 с.

76. Талызина Н.Ф. Управление процессом усвоения знаний. М.: Издательство МГУ, 1984. - 345 с.

77. Уинстон П. Искусственный интеллект: Пер. с англ. М.: Мир, 1980.-520 с.

78. Уотермен Д. Руководство по экспертным системам: Пер. с англ. -М.: Мир, 1989.-388 с.

79. Фридман JI.M. Логико-психологический анализ школьных учебных задач. М.: Педагогика, 1977. - 206 с.

80. Чхартишвили А.Г. Теоретико-игровое моделирование информационного управления в активных системах // Человеческий фактор в системах управления. М., 2005.-С. 19-24.

81. Чхартишвили А.Г., Новиков Д.А. Активный прогноз. М.: ИПУ РАН, 2002.- 101 с.

82. Шеварев П.Л. О роли ассоциаций в процессе мышления // Исследования мышления в советской психологии. М.: Наука, 1966. - С. 47 - 54.

83. Brusilovsky P. Adaptive and Intelligent Technologies, Rollinger and C. Peylo (eds.), Konstliche Intelligenz. P. 19-25.

84. Brusilovsky P. Methods and techniques of adaptive hypermedia.// User Modeling and User-Adapted Interaction, № 6. P. 87 - 129.

85. Brusilovsky P., Specht M., Stenle F., Weber G. ELM-PE. An Intelligent Learning Environment for Programming, (www.psychologie.unitrier.de: 8000/projects/ELM/elmpe.html).

86. Brusilovsky P., Weber G. World-Wide Intelligent Textbooks. ED-TELECOM'96 World Conference on Educational Telecommunications proceedings. - P. 302 - 307.

87. De Bra P., Aerts A., Smits D., Stash N. AHA! Version 2.0, More Adaptation Flexibility for Authors. Proceedings of the AACE ELearn'2002 conference, October 2002. P. 240 - 246.

88. De Bra P., Stash N. AHA! A General-Purpose Tool for Adaptive Websites. Proceedings of the World Wide Web Conference, Poster Session, May 2002.-P. 381 -384.

89. Encyclopedia of artificial intelligence/ Stuart C. Shapiro, editor-in-chief.-2nd ed. «А Wiley-Interscience publication.» John Wiley&Sons, Inc. NY/ Chichester/Brisbane/Toronto/ Singapore. 1688 p.

90. Fukuhara Y., Ishiuchi S., Koike Y., Maruyama M., Nakabayashi K., Touhei H. An Intelligent Tutoring System on World Wide Web: Towards an Integrated Learning Environment on a Distributed Hypermedia, Proc. of ED-MEDIA95, June 1995.-P. 488-493.

91. Johnson W.L., Lester J.C., Rickel J.W. Animated Pedagogical Agents: Face-To-Face Interaction in Interactive Learning Environments. International Journal of Artificial Intelligence in Education № 11 2000. P. 47 - 48.

92. Johnson W.L., Rickel J.W. Task-Oriented Collaboration with Embodied Agents in Virtual Worlds//Embodied Conversational Agents, J. Cassell, J. Sullivan, and S. Prevost (eds.). Boston: MIT Press, 2000. (http://www.w3.org/pub/Conferences).

93. Johnson W.L., Shaw E., Ganeshan R. Pedagogical agents on the Web. Workshop «WWW-Based Tutoring» at 4th International Conference on Intelligent Tutoring Systems (ITS'98), San Antonio, August 16 19, 1998. (http://www.isi. edu:80/isd/ADE/ITS98-WW.htm).

94. Kinchuk, Patel A. A conceptual framework for Internet based intelligent tutoring systems// Knowledge transfer (volume II), A. Behrooz (ed.), London: pAce.-P. 117-124.

95. Rasch, G. On Specific Objectivity: An Attempt ofFormalizing the Request for Generality and Validity of Scientific Statements / Danish Yearbook of Philosophy. 1977, v. 14, p. 58 94, Munksgaard, Copenhagen. - 216 p.

96. Specht M., Weber G. User Modeling and Adaptive Navigation Support in WWW-based Tutoring Systems// User Modeling, Jameson A., Pans C., Tasso C. (eds.), Wien: Springer-Verlag. P. 289 - 300.

97. Yerkes R., Dodson J. The relation of strength of stimulus to rapidity of habit-formation //j. Сотр. Neurol. Psychol. 1908, N 18. P. 459-482.