автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Математические модели и алгоритмы функционирования систем распознавания в сканирующей зондовой микроскопии

Московский государственный институт электроники и математики (Технический университет)

□□3432358

На правах рукописи

Тихоглаз Юрий Сергеевич

МАТЕМАТИЧЕСКИЕ МОДЕЛИ И АЛГОРИТМЫ ФУНКЦИОНИРОВАНИЯ СИСТЕМ РАСПОЗНАВАНИЯ В СКАНИРУЮЩЕЙ ЗОНДОВОЙ МИКРОСКОПИИ

05.13.01 - Системный анализ, управление и обработка информации (Приборостроение)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

2 5 ФЕВ 2070

Москва - 2010

003492358

Работа выполнена в Московском государственном институте электроники и математики (Техническом университете).

Научный руководитель: Официальные оппоненты:

Ведущая организация:

доктор технических наук,

профессор

Ивашов E.H.

доктор физико-математических наук,

профессор

Васичев E.H.

кандидат технических наук,

доцент

Зародов А.Ф.

Государственное образовательное учреждение высшего профессионального образования Московский государственный институт радиотехники, электроники и автоматики (технический университет).

Защита состоится «21 » .ИаРТС/ 2010 г. в 12- часов на заседании Диссертационного совета Д212.133.01 при Московском государственном институте электроники и математики (техническом университете) по адресу: 109028, Москва, Б. Трехсвятительный пер., д. 3.

С диссертацией можно ознакомиться в библиотеке МИЭМ.

Автореферат разослан " ^ » 2010 г.

Ученый секретарь

диссертационного совета Д212.133.01, д Кандидат технических наук q ß ßy3HUKOe

Общая характеристика работы

Актуальность работы Микроминиатюризация современных изделий электронной техники и создание автоматизированных комплексов для их производства предполагает создание автономных диагностических систем на основе сканирующей зондовой микроскопии (СЗМ).

Основным недостатком подобных систем является длительность процессов диагностики, что в свою очередь снижает производительность системы в целом. В то же время подобные системы, тем более автономные, не представимы без подсистем распознавания. Таким образом, на фоне длительности диагностических процессов, остро встает вопрос о быстродействии систем распознавания. В особых ситуациях существенную роль играет диалог "исследователь-компьютер", в частности, средства визуализации и "распознавания образов". В настоящее время существуют мощные аппаратно-программные комплексы для решения подобных задач для однопроцессорных и многопроцессорных компьютеров, например, комплекс AL_CMD, созданный в Ames Laboratory. Как правило, эти программные продукты не являются отечественными и предназначены в первую очередь для моделирования.

Особенностью систем распознавания в сканирующей зондовой микроскопии является длительность процессов и большой объем входных данных (распознавание изображений огромного разрешения). В связи с этим остро встает вопрос о производительности систем распознавания для сканирующей зондовой микроскопии.

Создание распределенных систем распознавания невозможно без понимания принципов построения кластерных и распределенных систем обработки информации. Современные средства моделирования, с использованием методов теории графов позволяет создавать предварительные проекты подобных систем. Разработке и системному анализу алгоритмов функционирования, оптимизации и построения систем распознавания и посвящена данная работа. Таким образом, разработка математических моделей и алгоритмов функционирования систем распознавания в сканирующей зондовой микроскопии является задачей актуальной и своевременной.

Цель работы

Целью диссертационной работы является разработка и реализация матемаг тических моделей и алгоритмов функционирования систем распознавания в сканирующей зондовой микроскопии, достаточных для создания элементов системы распознавания. Предложенные математические модели технических средств измерения, объектов исследования и межзондового взаимодейевия в многозондовых устройствах сканирующей зондовой микроскопии позволяют оптимизировать алгоритмы функционирования локальных систем распозна-

вания. Что в свою очередь позволяет оптимизировать алгоритмы функционирования систем распознавания в сканирующей зондовой микроскопии и, как следствие, увеличить их производительность.

Задачи исследования

Для достижения поставленной цели необходимо ировести следующий комплекс исследований:

1. Разработать математические модели объектов распознавания и технических средств измерения;

2. Разроботать математическую модель межзондового взаимодействия в многозондовых устройствах сканирующей зондовой микроскопии;

3. Реализовать алгоритмы функционирования локальных систем распознавания для многозондовых устройств сканирующей зондовой микроскопии;

4. Повести системный анализ архитектуры систем распознавания, сформированной исходя из разработанных алгоритмов;

Методы исследования

Основными методами исследования являются применение математических методов и моделей многоуровневых, сложных систем распознавания, основанных на анализе и моделировании взаимодействия отдельных модулей системы, методах обучения распознающих систем, методах и алгоритмах их функционирования. Моделирование функционирования реальной системы с использованием средств виртуализации.

Научная новизна обусловлена:

1. Разработанными элементами системы распознавания образов для сканирующей зондовой микроскопии, реализующими распределенную обработку данных на уровне локальных систем распознавания;

2. Полученными математическими моделями технических средств измерения и объектов распознавания;

3. Математической моделью межзондового взаимодействия в многозондовых устройствах сканирующей зондовой микроскопии.

Практическая значимость.

1. Предложены варианты технических решений маогозондовых устройств для сканирующей зондовой микроскопии.

2. Разработан вариант реализации многоуровневой системы распознавания для многозондовых диагностических комплексов на основе сканирующей зондовой микроскопии.

3. Реализованы элементы программного обеспечения для локальных систем распознавания входящих в состав многоуровневой системы распознавания сканирующей зондовой микроскопии.

Достоверность результатов

Достоверность проведенных теоретических исследований обеспечивается строгим математическим обоснованием предлагаемых подходов и методов, а так же сравнением с теоретическими данными, известными в литературе и полученными автором.

Реализация и внедрение результатов работы

Теоретические и практические результаты используются в учебном процессе МИЭМ (ТУ) и практике системного конструирования для производства материалов и приборов электронной техники в НИИ микроэлектроники и информационно-измерительной техники, НИИ перспективных материалов и технологий.

Основные положения, выносимые на защиту:

1. Математические модели объектов распознавания и технических средств измерения;

2. Математическая модель межзондового взаимодействия в многозондовых устройствах сканирующей зондовой микроскопии;

3. Алгоритмы функционирования локальных систем распознавания для многоуровневых систем распознавания в сканирующей зондовой микроскопии.

Апробация работы

Основные результаты докладывались и обсуждались на научно-технической конференции МИЭМ для молодых ученых и специалистов 2005,2007,2008; Всероссийской межвузовской научно-технической конференции студентов и аспирантов; Международных конференциях "Опто-, наноэлектроника, нано-технологии и микросхемы" и "ТЫТЕИМАТЮ - 2008".

Публикации

По теме диссертации опубликовано 18 печатных работ, в том числе 6 докладов , 6 патентов на полезную модель и одно авторское свидетельство на программный продукт , 2 статьи и одно методическое указание для студентов вузов . Оиубликованны 2 статьи в изданиях, включенных в Перечень ведущих рецензируемых научных изданий, выпускаемых в Российской Федерации, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученых степеней доктора и кандидата наук.

Объем диссертации Диссертация состоит из введения, четырех глав, общих выводов, заключения, списка литературы и приложения.

Работа изложена на 150 страницах, включая акты о внедрении и приложение.

Основное содержание работы

Во Введении обоснована актуальность диссертационной работы, сформулирована цель и аргументирована научная новизна исследований, показана практическая значимость полученных результатов, представлены выносимые на защиту научные положения.

Первая глава посвящена концепции функционирования систем распознавания в сканирующей зондовой микроскопии, а так же обзорно-аналитическому исследованию ныне существующих систем распознавания, их классификации и анализу их применимости в сканирующей зондовой микроскопии. Так как существует большое количество вариантов реализации и функционирования систем распознавания, в главе приведена классификация, а так же основные понятия и представления о проектировании систем распознавания.

Вторая глава посвящена математическим моделям объектов распознавания в сканирующей зондовой микроскопии. Необходимым условием создания автономных диагностических комплексов является системный анализ алгоритмов функционирования и архитектуры систем распознавания в сканирующей зондовой микроскопии (СЗМ).

Сформулирована задача распознавания объектов в СЗМ. Распознавание сложных объектов и явлений требует создания специальных систем распознавания — сложных динамических систем, совокупности технических средств получения и обработки информации, предназначенной для принятия решения на основе специально сконструированных алгоритмов распознавания соответствующих объектов или явлений. Процесс разработки системы распознавания для СЗМ требует построения математических или физико-математических моделей исследуемой системы распознавания. Только наличие подробной модели позволяет легко реализовать итеративный алгоритм построения

вариантов систем распознавания для сканнирующей зондовой микроскопии, последовательно приближающихся по своим ключевым показателям к оптимальным характеристикам, задаваемым на стадии аванпроектирования.

Модель надежности системы распознавания для сканирующей зондовой микроскопии с избыточностью.

В случае многомодульной сложной системы без избыточности система состоит из набора элементов последовательной обработки. Надежность такой системы оценивается исходя из следущей модели :

п

тахР = ДР; (1)

г=1

Где Р - оценка надежности системы, Р* - оценка надежности г-го модуля; В соответствии с ограничениями

пн

Ху = 1,г = 1,..,п; (2)

П m¡

(3)

¿=1 7=1

Хц = 0,1 i = 1,..., п 3 = 1,..., тщ (4)

где X,-¿-булева неременная, равная 1, если ^'-ое техническое решение выбрано для г-го элемента системы, С^ - "стоимость"^'-го решнения г-го элемента, В - ограничение по "стоимости". Причем оценка надежности г-го элемента

т

= (5)

3=1

В случае использования резервирования за счет избыточности надежность системы оценивается исходя из модели вида:

п

тахР = ДР< (6)

«•=1

в соответствии с ограничениями

.Ху = 0,1 г = 1,..., п у = 1, ...,т,

тщ

> М = 1,«,

7=1 п ТПг

¿=1 ^=1 т;

7=1

Надежность г-го элемента определяется как вероятность того, что по крайней мере одно из т; решений корректно функционирует, а совокупность ограничений гарантирует, что для каждого г-го элемента выбрано хотя бы одно решение.

к

тахР = 5>ПЯ (8)

к=1

В случае многоуровневой сложной системы, в которой один элемент выполняет К функций (без избыточности).

1Щ

= г = 1,..,п; (9)

7=1

п ттц 1=1 7=1

Хц = 0,1 э = 1,..., т,:, г = 1,..., п, (11)

где - набор элементов системы соответствующих функции к. Для каждого элемента г 6 имеется ?л; доступных решений.

В случае многоуровневой сложной системы, в которой один элемент выполняет К функций при разрешенной избыточности и разрешен выбор выбор более чем одного решения для каждого элемента.

к

татсР = ^Яс ДЯ (12)

*=1 ¿е^

при ограничениях

тщ

£Х„>1, г = 1,...,п; (13)

п ГП1

(14)

= = г == 1,..., п, (15)

где Р* задается выражением (7).

Выражение (1 — может быть записано в виде

1 - ВД,; = [0,1], (16)

так как, если Хг] — 0, то (1-Рг])Хг1 = 1. Если Х^ = 1, то (1 = 1—

Следовательно выражение (7) можно переписать в виде:

тп*

д = (17)

7=1

и целевую функцию можно представить как

к

П(1 -РЦХЦ)

Р, = max^Ffc Д fc=i ¿ев*

7=1

(18)

Полученная целевая функция еще не линейна, т.к. включает произведение бинарных переменных.Избыточность для обеспечения надежности функционирования системы распознавания используется, в первую очередь, для контроля и селекции искажений процесса распознавания или данных и для выработки мер по снижению последствий этих аномалий. Основная задача состоит в ограничении или исключении возможности аварийных последствий, соответствующих отказу системы в процессе функционирования. Отличительной особенностью СЗМ является ситуация пропуска данных при исследовании, так как сканирование производится с некоторым шагом. В результате этого оценка решающего правила распознавания записывается в виде

Ш(х) : х G ili, если рАх) — шах р,(:г) (19)

t=l,M

Оптимизация т(х) по коэффициентам размытости с„, и = I, N осуществляется из условия минимума эмпирической ошибки классификации

м

р(а;)=п-1^^/(а«!а(г))1 (20)

где п - объем обучающей выборки V, а(г) - указания учителя, а сг(г) - решение правила :

рц

Третья глава посвящена алгоритмам функционирования кластерных систем распознавания.

В рамках данной главы рассматривается математическая модель функционирования кластерных систем распознавания, алгоритм и метод моделирования состояния подобных систем во времени, а так же метод определения порога функционирования системы с использованием эволюционной стратегии (генетического алгоритма).

Кластер представляет собой целостное техническое решение и функционирует как. единая система. Этот фактор является основным при построении, кластерной системы. В настоящее время кластерные системы распознавания получают все большее распространение в связи с удешевлением их компонентов и, как следствие, остро встает вопрос об управлении качеством функционирования подобных систем.

К основными требованиями, предъявляемыми к кластерным системам, являются:

• Высокй коэффициет готовности;

• Высокая производительность;

• Устойчивость к высоким нагрузкам;

• Масштабируемость;

Кластерная система распознавания описывается:

• Множеством состояний 0 [а1;..., ап\ , гдз а,- € Л* - состояние отдельного элемента системы, А - дискретное множество состояний, которые может принимать г-й элемент системы;

• Целевой функцией

= (22)

где 02 б 0 - некоторое состояние системы, ..., Рт] - вектор целевых показателей, характеризующий систему в целом;

• Архитектурой кластерной системы.

На (рис. 1) представлена структурная схема многозондового СЗМ. Система состоит не менее чем из трех модулей СЗМ и предназначена для параллельного сканирования или одновременного выполнения множественных технологических операций средствами зондовой микроскопии.

Здесь ЛСР - локальная система распознавания; СРВУ - система распознавания верхнего уровня;

Рис. 1. Структурная схема многозондозого СЗМ

ВУ - вычислительный узел СРВУ; КСР - корневая система распознавала; СМ - система мониторинга;

СВ - система вывода информации (пользовательский терминал);

В состав каждого модуля СЗМ входит ЛСР, позволяющая производить предварительную обработку результатов и выявлять "области интереса которые в последствии обрабатываются соответствующей СРВУ. ЛСР не является системой распознавания в полной мере так как не производит сопоставления объектов тому или иному классу, а выявляет области в которых они вероятно находятся.

Архитектура системы находит отражение в целевой функции, т.к. целевые показатели вышестоящих элементов напрямую зависят от показателей нижестоящих элементов. Исходя из этого, состояние и целевые показатели г-го элемента будут являться функциями от состояний и показателей нижестоящих элементов:

а; = е(&ь...А], (23)

где а; - состояние г-го элемента, 0 [61, ...,6п] - функция перехода состояний, учитывающая весовой коэффициент ^'-го элемента, показывающий его важ-

ность для функционирования элемента верхнего уровня и системы в целом:

(24)

где е В - состояние ]-ю элемента нижнего уровня, - весовой коэффициент элемента.

Целевая функция состояния элемента i имеет вид:

где /(^) - целевая функция состояния для элементов нижнего уровня:

Кластерную систему можно охарактеризовать следующими показателями:

• Вероятность ложного срабатывания Ш - это результирующая вероятность программной сшибки в каждом физическом элементе системы.

• Коэффициент доступности (или работоспособности) системы - обусловлен вероятностью полной недоступности системы в связи с аппаратными или программными неполадками. Этот коэффициент выражает количественную меру работоспособности системы.

• Производительность системы - обусловлена временем, которое затрачивается системой на решение эталонного задания.

• Время отклика - это время, необходимое системе на обработку команды оператора или восприятие новой задачи.

Рассмотрим подробнее каждый целевой показатель.

Чтобы оценить эффективность вероятностных систем распознавания на основе математического моделирования, можно использовать метод статистических испытаний. Для проведения таких испытаний может служить математическая модель функционирования системы, принципиальная схема которой представлена на (рис. 2), где БФРО - блок формирования распознаваемых объектов, БООП - блок ошибок определения признаков, БОАОК - блок ошибок априорного описания классов, БООАИ - блок ограничения объема апостериорной информации, БР - блок распознавания, БОПЭ - блок оценки показателя эффективности, ДСЧ - датчик случайных чисел. Для проведения каждого испытания с помощью ДСЧ формируется модель объекта, принадлежность которого к определенному классу заранее известна. Формирование модели объекта производится заданием совокупности числовых значений признаков ху,..., х^ , которые для объектов из класса О; генерируются как реализации многомерной случайной величины с заданным

п

(25)

(26)

законом распределения /¿(жь по одному из известных алгоритмов.

Числовые значения параметров ях,.., зд, представляющие собой обрабатыва-

Рис. 2. Принципиальная схема испытания системы распознавания

емый объект, подвергаются случайному искажению, что имитирует результат воздействия различных помех в процессе определения признаков Ж1,.., хц при использовании соответствующих технических средств с определенными точностными характеристиками. Искаженные значения параметров х'^.^х'^ , представляющие наблюдаемый объект в том виде, в каком его воспринимает система, поступают на вход БР, в котором определяется принадлежность объекта одному из классов ...,(2т . Блок БОПЭ сопоставляет номер класса, к которому отнесен объект блоком распознавания, с «истинным» номером, т.е. с тем, который задавался на первом этане формирования объекта, определяет правильность распознавания и систематизирует соответствующую информацию для подсчета оценок вероятностей верных и ошибочных решений. При обработке объектов из класса А; оценкой рг вероятности получения правильного решения служит отношение количества правильных ответов Лщ) к общему числу испытаний ЛГ' над объектами класса $7,- , т.е.

л;

Тг ■

пр ЛГ«' '

(27)

Число испытаний А" определяется довтельной вероятностью, задаваемой при формулировке задачи исследования. В зависимости от задачи исследования

искажению могут подвергаться также априорные данные о классах объектов, т.е. функции распределения /¡(2:1,.., хы) и Р(£1г) , информация о признаках XI, может урезаться, что соответствует отсутствию некоторых средств определения признаков, и т.п.

Если априорные вероятности Р(П,) появления объектов из разных классов известны, то безусловная вероятность правильного решения задачи распознавания данной системой может быть выбрана в качестве критерия эффективности системы распознавания:

п

IV = 5>Р(П.-). (28)

1=1

Рассмотренная статистическая модель позволяет найти зависимость IV от вида и количества привлекаемых для обработки признаков и точности ах,..., <Т5 технических средств, которыми оснащается система распознавания, т.е.

Цг = \¥(х1,.,.,хк]аи...,а3). (29)

Сведения, содержащиеся в этом равенстве - исходные для задач об определении состава технических средств наблюдений системы распознавания, необходимых точностей их работы, об оптимальном с точки зрения экономических соображений распределения точностей по средствам и т.д. Перейдем к рассмотрению следующего целевого показателя. Коэффициент доступности кластерной системы можно определить с помощью метода соотношений. Суть метода сводится к определению вероятности безотказного функционирования сложной многоуровневой кластерной системы (КС). Структура системы показана на (рис. 1), где Дх,..., Д„ - датчики (устройства ввода информации), ВУ1,..., ВУ„ - вычислительные узлы (устройства распознавания), ЦУ - центральный узел.

Процесс функционирования кластерной системы организован таким образом, что система успешно решает свои задачи при условии, если в исправном состоянии находится хотя бы одно устройство ввода информации, все устройства распознавания и центральный узел. Данное условие выполнения целевой функции системы можно наглядна представить в форме логической функции:

^(КС) = [Р1СД1) V ••• V ^(Дп)| Л ^г(ВУх Л... Л ВУт)] Л Р(ЦУ), (30)

где выражение Р(*) означает, что устройство, указанное в скобках, работает исправно. Представляет интерес также логическая зависимость, описывающая условия не выполнения системой своих целевых функций:

-Р(КС) = -ад А... Л Д„) V -А(ВУХ Л... А ВУт) V -Р(ЦУ). (31)

Последнее выражение может оказаться более удобным для решения поставленной задачи определения коэффициента доступности с учетом того, что:

РИ*)] = 1-РЬР(*)], (32)

где Р [Р(*)] - вероятность истинности условияР(*), а Р [~'Р(*)] - вероятность истинности отрицания истинности данного условия. Перечисленные элементы КС имеют различное фунциональное назначение и соединены так, что надежность каждого из них оказывает непосредственное влияние на работоспособность всей системы в целом. Поэтому в качестве факторов для оценки надежности функционирования КС следует взять вероятности Р, безотказного функционирования устройств в процессе решения системой поставленных задач. В общем случае вероятности Р; могут иметь различные значения. Вероятность Р [Р(КС)] безотказного функционирования КС в целом есть функция от вероятностей безотказного функционирования всех ее элементов, вытекающая из рассмотренных выше логических условий. Следовательно, обобщенная схема математической модели, характеризующей безотказность функционирования КС, имеет вид, показанный на (рис. 3):

л-^апу] дл кс)}

Рис. 3. Схема математической модели для оценки надежности функционирования кластерной системы.

Проблема состоит в том, как из логических условий получить соответствующее выражение для количественного значения вероятности Р [Р( КС)] . Дело в том, что вероятность Р [Р( КС)] определяется на множестве состояний

6^) . Число состояний в данном множестве равно

Т = М, (33)

где тг - число структурных элементов КС. Условие функционирования (30) определяет подмножество состояпий системы, обеспечивающих выполнение системой заданных целевых функций, а условие (31) определяет подмножество состояний, в которых система оказывается неработоспособной. Очевидно, для решения данной задачи таким способом придется осуществить полный перебор всех N состояний системы, или же придумать более эффективный способ определения работоспособных состояний, особенно если учесть, что число состояний системы находится в степенной зависимости от числа ее элементов. Наиболее перспективными методами решения этой проблемы представляются метод имитационного моделирования и формализованный переход от логических функций к соответствующим формулам вероятностей сложных событий.

Рассмотрим производительность систем распознавания. Общая производительность кластерной системы распознавания обусловлена производительностью каждого вычислительного элемента системы и определяется экспериментальным путем. Для этого каждому из элементов вычислительной системы дается эталонное задание и определяется время, затраченное на его решение. Исходя из затраченного на решение задачи времени узлам назначаются весовые коэффициенты, характеризующие вычислительного узла для системы в целом.

В реальных условиях производительность кластерной системы обработки данных зависит не только от производительности вычислительных узлов, но и от надежности и пропускной способности каналов передачи данных. Таким образом, ко времени, затрачиваемому на решение эталонного задания всей системой, добавляется время, необходимое системе на подтверждение принятия задания, и время, затрачиваемое системой на передачу данных между вычислительными узлами к центру.

Производительность систем в реальных условиях можно вычислить следующим образом:

м

П = + 21, (34)

1=1

где П - производительность системы, N - общее количество элементов системы, - количество вычислительных узлов. Ь - время прохождения сигнала по каналам связи, определяемое по формуле:

{Ы-М ^

У^ > . (35)

При известных распределениях значений признаков объектов различных классов и априорных вероятностях появлений этих объектов необходимо но измеренным значениям признаков наблюдаемого объекта принять решение о том, к какому классу он относится.

Четвертая глава посвящена системному анализу архитектурного решения систем распознавания.

При разработке архитектуры кластерной системы обработки информации в первую очередь необходимо определиться с ее типом. Обычно различают следующие основные виды кластеров:

1. Отказоустойчивые кластеры (High-availability clusters, НА);

2. Кластеры с балансировкой нагрузки (Load balancing clusters);

3. Высокопроизводительные кластеры (High-performance clusters, НРС);

Одним из важных параметров, описывающих кластерную систему распознавания, является порог функционирования, т.е. такое значение целевой функции, при переходе через которое система перестает функционировать. Для относительно простых систем распознавания это значение может быть получено экспериментальным или эмпирическим путем. Однако, для систем с большим числом разнородных элементов это представляется затруднительным. Выходом в подобной ситуации может быть моделирование системы с использованием эволюционной стратегии, где критерием отбора будет являться наиболее функциональное состояние системы при максимальном количестве неисправностей.

Мониторинг основных параметров систем распознавания

Кластерная, распределенная СР является сложной системой, выявление и мониторинг сбоев в которой является важной задачей. Для этого в ее состав вводятся средства мониторинга.

Общеизвестно, что мониторинг — это процесс систематического или непрерывного сбора информации о параметрах сложного объекта или процесса. В случае оборудования сканирующей зондовой микроскопии мониторинг представляет из себя некий набор мер и методик по выявлению неисправностей, нештатных ситуаций и изменения ключевых показателей. Качество работы любой системы мониторинга определяется тремя основными показателями :

• Максимальное время реакции - время необходимое системе на то чтобы распознать проблему и оповестить о ней оператора.

• Вероятность ложного срабатывания. (Оповещение оператора о несуществующей или уже завершившейся проблеме).

• Вероятность пропуска аварии. (Ситуация, при которой система не оповещает оператора о существующей проблеме).

В большинстве из существующих систем мониторинга можно выделить три основных части ;

• Объекты мониторинга. Агенты, мониторинга. Другие системы, интегрированные с рассматриваемой.

• Сервер системы мониторинга.

• Средства извещения и нотификации.

При мониторинге чаще всего отслеживается некоторое ограниченное во времени событие. Это может быть например проседание той или иной статистики, срабатывание датчика. Каждое событие может быть активным или завершившимся и иметь при этом некоторый статус:

• (NACK) - не периодическое, не подтвержденное. Присваивается по умолчанию.

• (АСК) - не периодическое, подтвержденное.

• (PACK) - периодическое, подтверждается автоматически.

Помимо статуса исходя из важности каждого объекта мониторинга и влияния того или иного события ему назначают некоторый приоритет исходя из которого оператор определяет очередность обработки событий. Обычно выделяют четыре приоритета событий. Каждый агент мониторинга представляет из ссбя приложение (демон, службу) которое на основании некоторых правил задаваемых конфигурационным файлом или динамически (например пользовательскими командами через протокол ХМРР) генерирует сообщения о начале, окончании или изменении приоритета события. Чаще всего для генерации того или иного события должно выполняться не одно а несколько условий. Например для идентификации пожара не достаточно срабатывания пожарных датчиков, должен так же присутствовать пеерегрев оборудования.

Можно выделить два типа условий на основании которых принимается решение о регистрации события - бинарные и граничные: Для некоторого объекта из правило Hi(w,fl) будет иметь вид

где íl - некоторое множество объектов.

А для некоторого числового показателя ф правило i?2('¡/>,5o,5i) будет иметь вид

!1. 9о<Ф< 9и

О, гр< д0, (37)

О, д1 < -ф.

где д0 и <ji - границы интервала.

Соответственно решение о появлении или завершении события А описываемого набором объектов [wi,..., шп\ и набором интервалов числовых значений [Л = (до, <7i)i, ...,Im = (до, gi)m] при состоянии объекта мониторинга S описываемого набором множеств объектов [fíi,..., Í2„] и набором числовых значений [ipi,..., 1рт] принимается на основании логической функции

Pf= ^(wx.ííiJV.-.VÜa^./i)] А...Л

[R1(u;l,íll)V...VR2(^m¡Im)} [ '

Конфигурация которой, в общем случае, для каждого отслеживаемого события А может быть своя.

Каждый агент так же хранит список активных событий - Current Alarm List или CAL. Если при очередной проверке логическая функция Рд возвращает отрицательное значение, то генерируется сообщение о завершении аварии (полю Ceasing объекта класса Alarm присваивается значение TRUE ) и запись удаляется из CAL агента.

ОСНОВНЫЕ ВЫВОДЫ

Основным результатом диссертационной работы можно считать:

1. Разработанные математические модели и алгоритмы функционирования систем распознавания в сканирующей зондовой микроскопии, достаточные для создания элементов системы распознавания.

2. Предложенные алгоритмы, позволяющие, применять научно обоснованные, технически целесообразные, экономически и технологически выгодные архитектурные решения.

3. Разработаные и реализованые математические модели и алгоритмы функционирования систем распознавания в сканирующей зондовой микроскопии, достаточные для создания элементов системы распознавания.

4. Предложенные математические модели позволяют сформировать начальный набор априорной информации для разработки элементов системы распознавания и создать первоначальные алфавит признаков и

набор классов объектов. Что в свою очередь позволяет приступить к разработке и реализации алгоритмов распознавания и обучения локальных систем распознавания.

5. Разработанные алгоритмы пригодны для вычислений в кластерных вычислительных системах и легко реализуемы на языках высокого уровня в среде UNIX/LINUX. Что в свою очередь позволяет снизить издержки по реализации системы распознавания за счет серверного программного обеспечения и приступит к разработке архитектуры системы распознав вания и реализации ее отдельных элементов.

6. Предложенные архитектурные решения позволяют создавать легко масштабируемую, самообучающуюся систему распознавания. Предпочтительное использование открытых стандартов и систем предоставляет возможность тесной интеграции данной системы распознавания с системами сторонних производителей.

7. Применение Open Source решений позволяет снизить издержки связанные со стоимостью серверного программного обеспечения, а кластерная архитектура системы предоставляет возможность бесперебойной работы системы в непрерывном режиме.

8. Интеграция в систему средств мониторинга и диагностики сбоев обеспечивает оперативное на них реагирование (в том числе и в автономном режиме).

9. Перенос части вычислений на локальные системы распознавания и распараллеливание особо ресурсоемких вычислений между всеми узлами системы позволяет снизить издержки на оборудование.

Таким образом, основным результатом работы ожно считать разработаные и реализованые математические модели и алгоритмы функционирования систем распознавания в сканирующей зондовой микроскопии, достаточные для создания элементов системы распознавания, имеющие существеное значение при разработке систем распознавания объектов и анализа сцен для сканирующей зондовой микроскопии.

Основное содежание диссертации отражено в следующих работах:

1. ТИХОГЛАЗ, Ю. С. Эволюционная стратегия управления в задачах распознавания образов [Текст] / Ю. С. Тихоглаз, И. С. Кравчук, В. Т. Ланг // Системы управления и информационные технологии.- 2008 - Т. 2.3, № 32.- С. 358-360.

2. ТИХОГЛАЗ, Ю. С. Математическая модель и алгоритм управлени качеством в кластерных системах обработки информации [Текст] / Ю. С. Тихоглаз, И. С. Кравчук, Н. Ч. Занг // Системы управления и информационные технологии.- 2008.- Т. 1.2, № 31,- С. 299-303.

3. ТИХОГЛАЗ, Ю. С. Математическая модель и алгоритм управления качеством распознавания образов в кластерных системах обработай информации. [Текст] / Ю. С. Тихоглаз, Е. Н. Ивашов, И. С. Кравчук. -Метод, указания для самостоятельной работы студентов / МИЭМ, М., 2008.- 19 с.

4. ТИХОГЛАЗ, Ю.С. Влияние исиарсшш и дрейфа на создание напом&с-штабных структур [Текст] /Ю. С. Тихоглаз, П. Е. Железов, Б. Е. Юсупов // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ / МИЭМ.- 2005.-25.05.

5. ТИХОГЛАЗ, Ю.С. Надежность хранения и считывания информации в нанотехнологических устройствах памяти [Текст] / Ю. С. Тихоглаз, П. Е.Желсзов , Б. Б. Юсупов // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ / МИЭМ.- 2005.-25.05.

6. ТИХОГЛАЗ, Ю.С. Обработка опытных данных сканирующей зондо-вой микроскопии с применением методов планирования эксперимента [Текст] / Ю. С. Тихоглаз, Б. Б. Юсупов. // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ / МИ-ЭМ.- 2006.-19.02.

7. ТИХОГЛАЗ, Ю.С. Распределенные системы распознавания объектов в сканирующей зондовой микроскопии [Текст] / Ю. С. Тихоглаз. // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ / МИЭМ,- 2008.-19.02.

8. ТИХОГЛАЗ, Ю.С. Устройство памяти на квантовых точках [Текст] / Ю. С. Тихоглаз, Е. Н. Ивашов, Б. Б. Юсупов // Труды VII международной конференции опто-наноэлектроника, нанотехнологии и микросхемы. / УлГУ.- 2005.- 15.05.- С. 240.

9. ТИХОГЛАЗ, Ю. С. Повышение плотности записи в современных устройствах хранения информации. [Текст] / Ю. С. Тихоглаз, Е. Н. Ивашов, Б. Б. Юсупов // Труды VII международной конференции опто- наноэлек-троника, нанотехнологии и микросхемы. Ульяновск. / УлГУ,- 2005.-15.05-С. 240.

10. ТИХОГЛАЗ, Ю. С. Применение методов планирования эксперимента при автоматизированном проектировании нанообъектов /Текст/ / Ю. С. Тихоглаз, Б. Н. Ивашов. // Труды VIII международной конференции опто- наноэлектроника, нанотехнологии и микросхемы; Ульяновск. / УлГУ.- 2006.-15.07,- С. 240.

11. ТИХОГЛАЗ, Ю. С. Математическая модель и алгоритм оптимального функционирования кластерных систем обработки информации [Текст] / Ю. С. Тихоглаз, И. С. Кравчук // Сборник трудов Всероссийской межвузовской научно-технической конференции студентов и аспирантов,-2008.-23.04,- Научн. рук. E.H. Ивашов.

12. тихоглаз, ю. с. Математическая модель управления качеством в кластерных системах сбора и обработки информации [Текст] / Ю. С. Тихоглаз, Е. Н. Ивашов, И. С. Кравчук // Сборник трудов пятой международной конференции - Исследование, разработка и применение высоких технологий в промышленности / Под ред. А.П.Кудинова, Г.Г.Ма,твиенко- 2008.- С. 579.

13. Пат. на полезную модель 42693 Российсая федерация,

МПК7. Устройство для наноперемещений. [Текст] / Ю. С. Тихоглаз, П. Е. Железов, Е. Н. Ивашов, Д. П. Кондратьев, Н. П. Коломейцев, Б. Б. Юсупов / - Патент РФ на пол. мод. № 42693.- 2004.-10.12.- БИ № 21/2007.

14. Пат. на полезную модель 43111 Российсая федерация,

МПК7. Нанотехнологнчсское устройство перемещений. [Текст] / Ю. С. Тихоглаз, П. Е. Железов, Е. Н. Ивашов, Д. П. Кондратьев, Н. П. Коломейцев, Б. Б. Юсупов - Патент РФ на пол. мод. № 43111- 2004.-27.12,-БИ № 36.

15. Пат. на полезную модель 43105 Российсая федерация,

МПК7. Устройство перемещений для нанотехнологии. [Текст] / Ю. С. Тихоглаз, П. Е. Железов, Е. Н. Ивашов, Д. П. Кондратьев, Н. П. Коломейцев, Б. Б. Юсупов - Патент РФ на пол. мод. № 43105.- 2004.-10.12,-БИ № 21/2007.

16. Пат. на полезную модель 47871 Российсая федерация,

МПК7. Нанотехнологическое устройство. [Текст] / Ю. С. Тихоглаз, П. Е. Железов, Е. Н. Ивашов, Д. П. Кондратьев, Н. П. Коломейцев, Б. Б. Юсупов - Патент РФ на пол. мод. № 47871.- 2005.-10.09.

17. Пат. на полезную модель 48109 Российсая федерация,

МПК7. Нанотсхнологический приовод.[Текст] / Ю. С. Тихоглаз, П.

Е. Железов, Е. Н. Ивашов, Д. П. Кондратьев, Н. П. Коломейцев, Б. Б. Юсупов - Патент РФ на пол. мод. № 48109.- 2005.-10.09.

18. Пат. на полезную модель 58791 Российсая федерация,

МПК7. Устройство перемещений для определения микрорельефа я стехиометрии поверхности. [Текст] / Ю. С. Тихоглаз, Е. Н. Ивашов, Б. Б. Юсупов. - Патент РФ на пол. мод. № 58791,- 2006.-27.11.- БИ № 33/2006.

19. Свидетельство 200611798 РФ об официальной регистрации программы для ЭВМ. Обработка опытных данных сканирующей зопдовой микроскопии с применением методов планирования эксперимента. [Текст] / Ю. С. Тихоглаз, Е. Н. Ивашов, Б. Б. Юсупов. - Свидетельство об официальной регистрации программы для ЭВМ №200611798,- 2006.-24.05,- БИ № 33/2006.

Подписано в печать:

18.02.2010

Заказ № 3 300 Тираж - 100 экз. Печать трафаретная. Типография «11-й ФОРМАТ» ИНН 7726330900 115230, Москва, Варшавское ш., 36 (499) 788-78-56 www.autoreferat.ru