автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Математическое и программное обеспечение интеллектуальных процедур идентификации состояния дискретного канала сети передачи данных

Рязанская государственная радиотехническая академия

- Г- I

': 0 "

' ' На правах рукописи

Ямао

БЛАГОДАРОВ Андрей Витальевич

МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ ПРОЦЕДУР ИДЕНТИФИКАЦИИ СОСТОЯНИЯ ДИСКРЕТНОГО КАНАЛА СЕТИ ПЕРЕДАЧИ ДАННЫХ

Специальность 05.13.11 - "Математическое и программное обеспечение вычислительных машин, комплексов, систем и сетей"

Автореферат диссертации на соискание ученой степени кандидата технических наук

Рязань 1999

Работа выполнена на кафедре вычислительной и пpиклaд^ математики Рязанской государственной радиотехнической академии.

Научный руководитель: доктор технических наук,

профессор Пылькин Александр Николаевич

Научный консультант: кандидат технических наук

Миловзоров Александр Владимирович

Официальные оппоненты: доктор технических наук

Золотарев Валерий Владимирович

кандидат технических наук,

доцент Скворцов Сергей Владимирович

Ведущая организация: Научно-исследовательский

и информационный центр систем управления "ЭКОР"

Защита диссертации состоится 4 февраля 2000 г. в часов заседании диссертационного совета Д 063.92.03 в Рязанской государствен] радиотехнической академии по адресу: 390005, г. Рязань, ул. Гагарина, 59/1. С диссертацией можно ознакомиться в библиотеке академии.

Автореферат разослан " 30 " декабря 1999 г.

Ученый секретарь диссертационного совета канд.техн.наук, доцент

И.А.Телю

Ш.ШМ'ОИсНб.О + 3 88А.1

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Важнейшей особенностью современного этапа раз-ития и применения новых информационных технологий является широкое ис-ользование средств электросвязи в составе информационно-вычислительных етей, в том числе глобальных сетей. Наибольшее распространение для органи-ации удаленного взаимодействия пользователей сетей ЭВМ находят сущест-ующие коммутируемые телефонные каналы, что объясняется их всеобщей аспространенностью и низкой арендной стоимостью. Основными особенно-тями используемых коммутируемых телефонных каналов являются сложный рупповой характер ошибок и нестационарность параметров во времени. В свя-и с этим в международных рекомендациях и протоколах (MNP, V42bis, V34, '90 и др.) предусмотрена возможность применения адаптивных методов пере-;ачи и защиты информации от ошибок. Адаптивные методы передачи и защиты «формации от ошибок позволяют эффективно передавать информацию по ка-:алам связи практически по любого качества. Для передачи данных по комму-ируемым телефонным каналам наибольшей популярностью пользуются моде-гы, производимые зарубежными фирмами (ZyXEL, Motorola, US Robotics и p.). Однако качество отечественных коммутируемых телефонных каналов зна-ительно хуже зарубежных, что в ряде случаев затрудняет использование зарубежных модемов и стандартных международных протоколов передачи файлов. Гоэтому разработка адаптивных протоколов различных уровней, учитывающих собенности отечественных телефонных каналов является актуальной задачей.

Важнейшим элементом адаптивных протоколов управления звеном пере-ачи данных являются процедуры идентификации текущего состояния дискрет-юго канала (ДК). Одним из возможных путей улучшения характеристик проце-ур идентификации является разработка интеллектуальных процедур, исполь-ующих аппарат теории нечетких множеств и нейросетевые технологии.

Цель диссертационной работы состоит в разработке и исследовании ффективных интеллектуальных процедур идентификации состояния дискрет-!ого канала сети передачи данных с использованием нейросетевых технологий [ элементов теории нечетких множеств.

Для достижения цели необходимо решить следующие задачи:

1. Провести анализ возможностей использования и приложения адап-ивных методов передачи информации в составе протоколов управления звеном ередачи данных.

2. Выявить целесообразность применения средств искусственного ин-еллекта к решению задачи идентификации состояния дискретного канала.

3. Разработать процедуры идентификации, позволяющие использовать ечеткую априорную информацию о возможных состояниях дискретного кана-а.

4. Разработать методику применения нейросетевых технологий к реше-ию задачи идентификации текущего состояния ДК.

5. Разработать средства программной реализации интеллектуальных ейросетевых процедур идентификации.

6. Разработать средства имитационного моделирования нейросетев процедур идентификации состояний дискретного канала, позволяющие наш но представить процесс функционирования нейросетевых процедур идентис} кации, а также проводить анализ эффективности их работы.

Методы исследования. Разработка и исследование проводилось на < нове теории вероятностей, математической статистики, системного анали теории нечетких множеств, понятий и выводов теории нейронных сетей, ма-матического и имитационного моделирования, технологии объект! ориентированного программирования.

Научная новизна. В рамках диссертационной работы были получе] следующие результаты:

1. На основе анализа современных адаптивных протоколов переда данных различных уровней выявлены возможные пути интеллектуализац процедур идентификации.

2. Разработана модификация Вальдовской процедуры идентификацш двумя нечеткими гипотезами, позволяющая использовать нечеткую априорна информацию о возможных состояниях дискретного канала. Проведен анал эффективности разработанной процедуры с помощью имитационного модел рования.

3. Разработана методика применения нейросетевых технологий к реп нию задачи идентификации состояния дискретного канала.

4. Разработана нейросетевая процедура идентификации состояния д^ кретного канала, предназначенная для работы в составе СПД с адаптацией : длине передаваемого блока и позволяющая эффективно идентифицировать пр извольное количество состояний. В процедуре используется ряд новых рек ний:

• поиск оптимального метода передачи (оптимальной длины блока) ] показателю относительной скорости передачи данных;

• применение искусственной нейронной сети для прогнозирования в роятности искажения блока заданной длины;

• эффективный самообучающийся алгоритм принятия решения о сме текущего метода;

• алгоритм прогнозирования выборки при смене текущего метода пер дачи данных;

• динамическое изменение длины выборки;

• алгоритм масштабирования выборки.

5. Предложен "блочный" подход к программной реализации нейроп добных структур. Разработана библиотека классов на языке С++, реализуют нейронные сети при помощи "блочного" подхода.

6. Разработан пакет программ "Имитационное моделирование инте лектуальных процедур идентификации" (БМАЯТШ) и с его помощью провед< анализ эффективности нейросетевой процедуры идентификации по данны имитационного моделирования.

Практическая ценность работы. Разработана модификация Вальдов-кой процедуры идентификации с двумя нечеткими гипотезами, позволяющая 1сп0льз0вать нечеткую априорную информацию о возможных состояниях дис-:ретного канала.

Предложена принципиально новая интеллектуальная нейросетевая про-[едура идентификации состояния дискретного канала, предназначенная для »аботы в составе СПД с адаптацией по длине передаваемого блока и позволяю-цая эффективно идентифицировать произвольное количество состояний.

Разработана библиотека классов на языке С++, реализующая искусствен-гые нейронные сети и позволяющая встраивать их в любые программы, напи-анные на С++. На основе библиотеки классов разработан пакет программ Имитационное моделирование процедур идентификации состояния ДК с ис-юльзованием нейросетевых технологий (SMARTID)", позволяющий анализи-ювать создаваемые нейросетевые процедуры идентификации.

Внедрение результатов. Результаты диссертационной работы использо-1аны ИЧФ «Лореаль» при создании Глобальной морской системы связи с суда-ш, терпящими бедствие (ГМССБ). Библиотека классов, реализующая искусст-1енные нейронные сети и входящая в состав пакета программ SMARTID, пред-тавленного в диссертации, внедрена в учебный процесс Рязанской государст-1енной радиотехнической академии для студентов специальности 2204 - "Про-раммное обеспечение вычислительной техники и автоматизированных систем" ю курсу "Системный анализ и машинное моделирование".

Апробация работы. Результаты работы докладывались на следующих :онференциях и семинарах:

1. Всероссийская научно-техническая конференция студентов, молодых 'ченых и специалистов "Новые информационные технологии в научных иссле-юваниях радиоэлектроники", 21-24 мая 1997г., г.Рязань.

2. 52-я научная сессия РНТОРЭС им.А.С.Попова, посвященная Дню Ра-дао (секция "Теория и техника передачи дискретных сигналов"), 21-22 мая 997г., г.Москва.

3. Международная научно-техническая конференция "К.Э.Циолковский - 140 лет со дня рождения. Космонавтика. Радиоэлектроника. Геоинформати-:а", 15-18 сентября 1997г., г.Рязань.

4. 2-я Международная научно-техническая конференция "Моделирова-[ие и исследование сложных систем", 10-11 июня 1998г., г.Москва.

5. Всероссийская научно-техническая конференция студентов, молодых ■ченых и специалистов "Новые информационные технологии в радиоэлектро-щке", 20-22 мая 1998г., г.Рязань.

6. 2-я Всероссийской научно-практической конференция "Современные [нформационные технологии в образовании", 13-14 мая 1998г., г.Рязань.

7. 2-я Международная научно-техническая конференция Космонавтика. Радиоэлектроника. Геоинформатика", 30 октября - 1 ноября 998г., г.Рязань.

8. 54-я научная сессия РНТОРЭС им.А.С.Попова, посвященная Дню Р дио (секция "Теория и техника передачи дискретных сигналов"), май 1999] г.Москва.

9. Международный научно-технический семинар "Проблемы переда1 и обработки информации в сетях и системах телекоммуникаций", 27-29 сентя ря 1999 г., Рязань.

Публикации. По теме диссертации опубликовано 11 работ, из них 9 соавторстве. В их числе 1 статья в межвузовском сборнике, 9 тезисов и мат риалов докладов Международных и Всероссийских конференций и семинаро 1 учебно-методическое пособие.

Пакет программ "Имитационное моделирование интеллектуальных пр цедур идентификации (БМАЯТЮ)" зарегистрирован в Российском агентстве I патентам и товарным знакам (свидетельство о регистрации программы для ЭВ1 №990515).

Структура и объем диссертации. Диссертационная работа состоит ] введения, четырех глав и заключения. Содержит 153 страницы, 9 таблиц, ! рисунка. Список литературы состоит из 70 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность выбора темы диссертаци формулируются цель исследований, научная новизна и практическая ценное основных результатов диссертации.

В первой главе "Принципы построения адаптивных систем передач данных" выявляются основные проблемы организации достоверной и своевр' менной передачи информации в сетях ЭВМ при использовании коммутируемь телефонных каналов связи.

Анализ известных протоколов передачи данных различных уровне; применяемых при организации удаленного взаимодействия ЭВМ по коммуп руемому телефонному каналу, показывает, что эффективное управление сисп мами передачи информации во многом обеспечивается применением методе адаптации процесса передачи данных к текущему состоянию дискретного кан; ла. Важнейшей составляющей адаптивных протоколов передачи данных являе-ся процедура идентификации состояния дискретного канала. С точки зрен* удобства и простоты управления процессом передачи данных, контроль состо; ния дискретного канала целесообразно производить по вторичным статистич< ским характеристикам (оценкам вероятности искажения блока, кадра информ; ции, степени группирования ошибок). В настоящее время наибольшее распр< странение получили классические статистические процедуры идентификацш основанные на проверке статистических гипотез. Однако подобного рода прс цедурам присущ ряд серьезных недостатков:

• возможность работы лишь с двумя (реже тремя) состояниями;

• возможность идентификации лишь по одному скалярному параметру;

• необходимость наличия полной априорной информации о возможны состояниях ДК.

Применение различных средств искусственного интеллекта позволяет юлностью или частично устранить перечисленные недостатки. Процедуры щентификации, созданные с помощью методов искусственного интеллекта, югут быть выделены в отдельный класс интеллектуальных процедур.

В диссертации рассматриваются вопросы построения интеллектуальных [роцедур идентификации с использованием нейросетевых технологий и аппара-а теории нечетких множеств. Использование двух различных подходов интел-[ектуализации процедур идентификации обусловлено тем, что каждый из под-:одов позволяет устранить различные недостатки присущие классическим ста-истическим процедурам.

Нечеткие процедуры идентификации способны, в отличие от статистиче-ких процедур, работать в условиях неполной априорной информации о воз-южных состояниях ДК. При этом преимущества достигаются за счет некоторо-о усложнения необходимых вычислений. Нечеткие процедуры идентификации (елесообразно применять в аппаратно реализуемых протоколах коррекции 1Шибок. Нейросетевые процедуры идентификации позволяют устранить все [еречисленные выше недостатки, что, однако, достигается за счет их резкого ■сложнения и потери универсальности. Нейросетевые процедуры могут быть [спользованы в протоколах передачи файлов или в программно реализуемых [ротоколах коррекции ошибок в случае адаптации по длине передаваемого бло-:а.

Во второй главе "Разработка интеллектуальных процедур идентифика-[ии с использованием математического аппарата теории нечетких множеств" 1ассмотрены вопросы использования нечетких множеств при создании проце-1ур идентификации, способных работать в условиях нечеткой априорной ин-юрмации о возможных состояния дискретного канала.

В реальных условиях использование классических статистических про-(едур затруднено, т.к. на этапе проектирования системы передачи данных ста-истическая информация о параметрах ДК обычно является неполной или от-утствует вообще. Возникает необходимость разработки методов идентифика-цш состояния ДК в условиях неполной информации.

Неполнота информации может заключаться в следующем:

• в принципиальной невозможности полного сбора и учета статистиче-кой информации о реальном канале связи;

• в некоторой недостоверности и недостаточности исходной статисти-еской информации о реальном канале связи в условиях эксплуатации;

• в возможности проявления в процессе эксплуатации таких свойств анала связи, существование которых не предполагалось при проектировании.

В связи с этим предлагается отказаться от традиционных требований к идежности измерений, которые были необходимы при математическом анали-е четко определенных систем и процессов, что приводит к возможности ис-юльзования понятий теории нечетких множеств (ТНМ). Применение выводов "НМ позволяет адекватно отразить приблизительное словесное описание со-тояний дискретного канала в тех случаях, когда точная стохастическая модель

отсутствует или является слишком сложной. Нечеткость, обусловленная непо. ными априорными данными, при решении задачи идентификации состояш дискретного канала, может привести к нечеткости относительно проверяемь гипотез, к нечетким границам различения состояний, к нечеткому решающе\ правилу принятия решения, нечеткому алгоритму и т.п.

В диссертации предлагается модификация классической Вальдовскс процедуры идентификации путем замены в ней двух статистических гипотез \ соответствующие нечеткие гипотезы: (Н,: " р = приблизительно р," [Н2: " р = приблизительно р2"

где Н1 - гипотеза, соответствующая первому ("плохому") состоянию, аН2-п потеза, соответствующая второму ("хорошему") состоянию; р - оценка вероя ности искажения блока данных, р! и р2 - вероятности искажения блока, соотве ственно, в 1-м и во 2-м состояниях.

Для нечетких гипотез Н;, функция соответствия может быть определе!

как

где 8 - показатель нечеткости. Вид функции соответствия, а также показате; нечеткости задаются экспертом на основе априорных сведений об использу мом ДК и требований, предъявляемых к точности (четкости) гипотез при уел! вии обеспечения заданных значений ошибок первого <3, и второго рода СЬ-

Границы ц (1 = 1,2) области продолжения испытаний О на плоскост (п, к) , где п - количество принятых блоков, к - количество блоков с обнар; женными ошибками (рис.1), определяются соотношениями:

На практике вычисление аналитических зависимостей затруднено, ш этому следует использовать приближенные методы, например интерполяцию помощью интерполяционного полинома Лагранжа.

Главное достоинство предлагаемой процедуры идентификации - спосо( ность использования нечеткой априорной информации о возможных состояния ДК. Кроме того, область Б продолжения испытаний оказывается замкнутой, чт гарантирует конечность времени принятия решения процедурой.

Б:

1-р2 1-С

Исследование процедуры проводилось с помощью имитационного моде-пирования. При этом был проведен сравнительный анализ разработанной процедуры 1\УР2 с классической Вальдовской процедурой по времени задержки принятия решения. Результаты моделирования при <21 = (32 = 0.1, 8 = 0.1 приведены в табл.1. Как видно из таблицы, применение двух нечетких гипотез позволяет снизить среднее время принятия решения до 15% при идентификации 1-го состояния и до 14% при идентификации 2-го состояния по сравнению с спассической Вальдовской процедурой.

Табл.1.

р1 р2 Из оостсяшя 2 в состсте 1 Изоостсуния 1 в состоите 2

Г^хцздураЦМ Г^оцздура ЛДЪ ПхчедураЛЧ Г^юцедура-МЗ

МГ0 □го М(7) ОСТ) мго 00) МГ0 от

),0001 0,001 2902 1740780 2620 1633730 1896 2419380 1655 2228230

0,001 0,01 292 19436 260 19083 193 24820 169 25065

0,01 0,1 25 21С 23 196 18 229 16 206

0,1 0,15 162 13101 145 13134 156 16056 140 15049

>,0001 0,001 2882 1535390 2602 1558980 1876 2386080 1671 2171720

0,001 0,01 288 17223 258 17024 180 21912 157 19621

0,01 0,1 25 217 22 205 36238 277 17 260

0,1 0,15 174 16011 149 13832 150 14256 133 13674

1,0001 0,001 2906 1804630 2621 1647910 1923 1701 2220430

226377С

0,001 0,01 287 16580 258 15196 186 24682 164 22052

0,01 0,1 26 241 23 201 18 250 16 232

0,1 0,15 169 13664 148 13172 159 16253 134 13470

В третьей главе "Разработка интеллектуальных процедур идентифика ции с использованием нейросетевых технологий" рассмотрены вопросы приме нения нейросетевых технологий при построении процедур идентификации, спо собных эффективно идентифицировать произвольное число состояний в случа адаптации по длине передаваемого блока.

Пусть имеется блоковый канал, для которого допустимы m методов пе редачи, каждый из которых характеризуется длиной n¡ в битах передаваемог блока, т.е. задано множество {n¡}, i = ¡7m. Необходимо определить, какая и возможных длин блока оптимальна в текущий момент, т.е обеспечивает макси мальную эффективную скорость передачи данных. Для оценки эффективно скорости используем показатель относительной скорости передачи данны ц, показывающий, какая часть передаваемых данных является полезной. Тогд эффективная скорость передачи полезных данных V3 определится по формуле:

где V - скорость передачи всего потока данных в бит/с. Тогда задача идентифи кации состояния ДК сводится к проверке гипотез:

Н,: оптимальнадлина блока п,, если тах[ц(п1)]=ц(п1)

Н2: оптимальнадлина блока п2, если max^n,)] = ц(п2)

Hm оптимальнадлина блока nm, если maxfuCn,)] = ц(пт)

i=i

В случае использования алгоритма повторной передачи искаженных блс ков с выборочным перезапросом (SR) относительная скорость определяется п формуле:

Ц(п j) = ¿LÜb] - (l — р, (n j))' nj

где nj - длина передаваемого блока в битах; п^ - постоянное количество би служебной информации в блоке; оценка вероятности искажения блок

длиной п^ Возникает задача прогнозирования вероятности искажения блок заданной длины n¡. Формально задача записывается следующим образом:

Pi(ni) = 9(nj,ni,e1,e2,...,eN), где n¡ - длина блока, используемая в текущий момент, ек - выборка длиной ] результатов декодирования принятых блоков.

{О, блок принят без ошибок _ 1, блок принят с ошибками

На практике аналитическое решение поставленной задачи, как правиле невозможно, т.к. априорно неизвестен характер распределения ошибок в ДК. ] связи с этим, для прогнозирования вероятности искажения блока заданной дгп ны предлагается использовать искусственную нейронную сеть (ИНС).

На входы ИНС (рис.2) подается текущая длина передаваемого блока п длина блока nj, для которой осуществляется прогнозирование, а также совокуг ность параметров, сформированных на основе выборки {еье2,...,ем}. В обще]

Слой 1

Слой 2

Слой 3

1учае исходная выборка разбивается на кт одинаковых подынтервалов, для 1ждого ¡-го из которых находятся оценки вероятности искажения блока данах р; и оценки степени группирования ошибок аг Совокупность получен-ах оценок и представляет собой вектор, подаваемый на вход ИНС. Алгоритм, ;ализующий такое преобразование, получил название алгоритма масштаби-1вания выборки. Необходимость масштабирования обуславливается тем, что ^посредственное использование исходной выборки большого объема приводит недопустимому усложнению ИНС. Кроме того, объем выборки изменяется шамически, в то время как число входов сети должно быть постоянным.

_ и Л А

В простейшем случае параметрами могут являться оценки р и а, наивные на всей длине исходной выборки.

Процесс подготовки исходных данных для обучения ИНС разбивается на два этапа:

1. Выбор наиболее адекватной аналитической модели распределения ошибок в ДК (если это возможно) и предварительное формирование таблицы обучающих наборов с помощью этой модели.

2. Накопление статистики в процессе настройки создаваемой СПД и <ончательное формирование таблицы обучающих наборов по результатам эоведенных экспериментов. В ходе экспериментов передаются тестовые по-1едовательность блоков определенной длины п„ выявляются искаженные биты шных, после чего производится оценка вероятностей искажения блока каждой

I ДЛИН П;.

Обучающий набор представляет собой совокупность входных парамет-)в п., п^ р, а и соответствующего значения выходного параметра. Совокуп-зсть обучающих наборов должна охватить весь диапазон изменения входных фаметров. На практике размер таблицы обучающих наборов составляет )0... 10000, что обеспечивает достаточную точность прогнозирования при при-шемом объеме экспериментов, простоте обучения ИНС и небольшом числе :йронов.

Результаты исследований показали, что для решения поставленной за-1чи можно использовать ИНС послойной архитектуры, обучаемую при помои метода обратного распространения ошибки. При этом ИНС, обладающая ггимальной (в смысле наименьшего количества нейронов и простоты обуче-

Рис.2

ния) структурой, состоит из 2-х скрытых слоев по 8 нейронов в каждом и од1 го нейрона в выходном слое. В качестве активационной функции использует сигмоидальная функция. Максимальная относительная погрешность обучен ИНС, при которой ошибка в вычислениях сети практически не влияет на дост верность идентификации, составляет порядка 5%. Для обучения такой ИНС множестве из 2000 обучающих наборов требуется около 1800 шагов. При эт> каждый шаг подразумевает просмотр всей таблицы обучающих наборов.

Важным моментом является поиск такой минимальной длины контро: ной последовательности {еье2,...,ем}, при которой обеспечивается задана достоверность идентификации. Длину N контролируемой последовательное предлагается изменять динамически, уточняя ее после приема каждого новс блока, из уравнения:

Э2ц

8п,1

•п-1п2-Д] +

1 1 2 а (1 - а) ( [ 1 2Р(1 -Р)

д д а дп1 др Рр N

= 0,

где Д ^ - точность нахождения номера оптимального метода; П; - найденк оптимальная длина блока; р и а - оценки, соответственно, вероятности иа жения блока и степени группирования ошибок; Р- и рй - вероятности того, ч оценки риа превысят требуемую точность. Уравнение решается численны]

методами, например, методом половинного деления.

В классических статистических процедурах идентификации после при! тия решения о смене состояния требуется интервал времени длиной N блок для обновления выборки. В течение этого интервала принятие нового решен невозможно. В диссертации предлагается на основе старой выборки, получе ной при использовании блока длиной П;, сформировать новую выборку, таку которая получилась, если бы раньше использовалась длиной блока В резуг тате, время приостановки идентификации фактически сводится к нулю. Ал1 ритм, реализующий такое преобразование, получил название алгоритма щ гнозирования выборки.

В процессе функционирования процедуры идентификации часто возь кают ложные срабатывания, заключающиеся в кратковременной смене рев мендуемого оптимального метода с последующим возвратом к предыдуще] методу. Ложные срабатывания могут привести к значительным задержкам передаче данных, сводя на нет преимущества от смены метода. Поэтому, пре де чем менять текущую длину блока на найденную оптимальную, следует г дождать некоторое время ^, в течение которого будет выяснено, является .

рекомендация по смене текущей длины блока ложным срабатыванием или н< Для поиска необходимого времени ожидания разработан алгоритм принят, решения о смене текущего метода.

В алгоритме используется понятие прибыли гу, которая показывает отн сительный выигрыш в количестве переданных полезных бит информации в р зультате смены текущего метода 1 на оптимальный метод.]". Зависимость приб ли от времени ожидания имеет вид:

У"«''' — 2/4. \

те р. и д. — оценки средней относительной скорости передачи данных мето-зми 1 и]; - математическое ожидание длительности предложения опти-

ального метода]; ^ - время перехода с одного метода на другой. Оптималь-ое время ожидания соответствует максимальной прибыли, т.е. г„ (0->шах.

Распределение длительности предложения метода ] находится автомати-гски в процессе функционирования системы, что обеспечивает самообучение 1Горитма принятия решения.

Все методики и алгоритмы, рассмотренные в главе 3, нашли отражение в ятеллектуальной нейросетевой процедуре идентификации, структурная схема зторой изображена на рис.3. Процедура неразрывно объединяет в себе сразу за этапа адаптации СПД к меняющимся условиям передачи: собственно иден-

Рис.З

фикацию и решение. На вход процедуры поступают результаты декодирова-[я принятых блоков, а на выходе получается номер оптимального метода пе-дачи данных. Процедура состоит из регистра сдвига, хранящего исходную [борку; блока масштабирования, реализующего алгоритм масштабирования; ока анализа выборки, построенного с помощью ИНС и осуществляющего

оценку относительных скоростей передачи данных для различных методов, г иск оптимального метода, поиск оптимальной длины выборки; блока принят, решения, реализующего алгоритм принятия решения о смене текущего мeтo^ блока прогнозирования, реализующего алгоритм прогнозирования выборки п смене текущего метода.

Процедура реализована программно и исследована с помощью имитаи онного моделирования. Главные достоинства процедуры по сравнению с кл; сическими статистическими процедурами: возможность идентификации про1 вольного числа состояний, возможность работы в условиях неполной априс ной информации о возможных состояниях ДК.

В четвертой главе "Программные средства для создания и моделиро! ния интеллектуальных процедур идентификации" рассмотрены вопросы г строения программного обеспечения, необходимого для программной реали: ции интеллектуальных нейросетевых процедур идентификации, а также для исследования.

Программная реализация нейронных сетей в большинстве случаев пре ставляет собой нейропакеты, являющиеся законченными приложениями, пр« назначенными для исследования и обучения ИНС. Нейросети, создаваемые п помощи таких нейропакетов, не могут быть непосредственно включены в ( став прикладных программ. Поскольку нейронная сеть является лишь част] достаточно сложной процедуры идентификации, реализуемой программно, б ло решено разработать программные средства, позволяющие легко встраивг ИНС в состав программного обеспечения. Кроме того, обращалось внимание универсальность создаваемых средств, под которой понималась возможное построения ИНС любой структуры (необязательно послойной). В качестве яз ка программирования был выбран С++, как наиболее распространенный и мо ный язык объектно-ориентированного программирования. Результатом раз] ботки явилась библиотека классов, реализующая искусственные нейронные < ти.

Иерархия объектов, реализуемых библиотекой классов, изображена рис.4. Основополагающим понятием, используемым при создании библиоте] является блок, представляющий собой объект, способный принимать исходи данные, обрабатывать их по некоторому алгоритму и формировать выходн данные. Блоки связываются между собой при помощи выводов, через котор производится обмен данными с другими блоками. Каждый блок функционир) совершенно независимо от других блоков. Блок, включающий в себя друг блоки, называется корпусом. В случае необходимости соединения одного вьп да блока с несколькими другими выводами используется узел. Для организац многочисленных однотипных связей между несколькими блоками предназна1 на шина. Функцию обмена данными между блоками и основной программ обеспечивает буфер. Совокупность перечисленных объектов образует базов] инструментарий библиотеки.

Создание новых блоковых объектов

Рис.4

На основе базового инструментария строится нейросетевой инструмента-1Й, включающий в себя нейрон обратного распространения, узел обратного (спространения и ИНС обратного распространения.

Нейрон обратного распространения — блок, имеющий п выводов, назы-[емых входами, и один вывод, называемый выходом, массив из п весовых ко-¡>фициентов, каждый из которых соответствует своему входу, и алгоритм рапы, позволяющий в обычном режиме вычислять значение выхода, а в режиме ¡учения уточнять весовые коэффициенты (рис.5) по методу обратного распро-ранения. Узел обратного распространения в обычном режиме обеспечивает :редачу значения выхода нейрона на входы нескольких других нейронов, а в

режиме обучения суммирует значения ошибок, принимаемых с нескольких входов нейронов, и передает ее на выход обучаемого нейрона. ИНС обратного распространения представляет собой корпус с несколькими входами и выходами, в состав которого входят послойно взаимосвязанные нейроны и узлы обратного распространения.

При помощи библиотеки 1Жно строить ИНС с разными парадигмами и различной структуры, в том чис-сети с обратными связями. Использование понятия "блок" при построении ГС получило название "блочного" подхода к созданию ИНС.

Нейрон обратного распространения

Рис.5

На основе нейросетевой библиотеки классов был создан пакет програг "Имитационное моделирование интеллектуальных процедур идентификац (SMARTID)". Пакет представляет собой инструмент для исследования инт« лектуальных нейросетевых процедур идентификации.

Интерфейсная часть разработана с помощью среды Визуального пр граммирования Borland С++ Builder 3.0. Пакет предоставляет широкие возмо ности мониторинга процесса функционирования нейросетевых процедур ид< тификации: в процессе моделирования можно проследить зависимости изме! ния многочисленных параметров процедур. В удобной форме задаются исхс ные данные, и представляется накопленная статистика. Для облегчения noi мания процесса функционирования процедуры, используются элементы ант ции и пошаговый режим моделирования.

ЗАКЛЮЧЕНИЕ

Проведенные исследования позволяют сформулировать основные вьн ды и результаты:

1. Проведен анализ современных адаптивных протоколов передачи д; ных различных уровней. Показано, что наиболее эффективными метода управления передачей данных являются адаптивные методы.

2. Рассмотрены различные категории процедур идентификации сост< ния дискретного канала сети передачи данных. Выявлены недостатки суще' вующих процедур идентификации и определены пути их устранения посред вом использования средств искусственного интеллекта. Определены услоЕ применения различных интеллектуальных процедур идентификации.

3. Разработана модификация Вальдовской процедуры идентификацш двумя нечеткими гипотезами, позволяющая использовать нечеткую априори информацию о возможных состояниях дискретного канала. Проведен анализ эффективности с помощью имитационного моделирования.

4. Предложена нейросетевая процедура идентификации состояния д] кретного канала, предназначенная для работы в составе СПД с адаптацией длине передаваемого блока и позволяющая эффективно идентифицировать п] извольное количество состояний. Процедура объединяет в себе два этапа nj цесса адаптации: идентификацию и решение. В процедуре используется р новых решений:

• поиск оптимального метода передачи (оптимальной длины блока) показателю относительной скорости передачи данных, что обеспечивает ид( тификацию произвольного числа состояний;

• применение искусственной нейронной сети для прогнозирования i роятности искажения блока данных, что позволяет отказаться от необходимое использования полной априорной информации о распределении ошибок в д] кретном канале на этапе создания системы передачи данных;

• эффективный самообучающийся алгоритм принятия решения о сме текущего метода, обеспечивающий защиту от ложных срабатываний;

• алгоритм прогнозирования выборки при смене текущего метода пере-ачи данных, устраняющий задержку идентификации после смены метода пере-ачи;

• динамическое изменение длины выборки, обеспечивающее требуе-[ую достоверность идентификации;

• алгоритм масштабирования выборки, снижающий сложность приме-яемой нейронной сети.

5. Разработана библиотека классов языка С++, реализующая нейронные ети при помощи "блочного" подхода. Предлагаемая библиотека позволяет страивать искусственные нейронные сети в состав любого программного обес-ечения, написанного на языке С++.

6. Разработан пакет программ "Имитационное моделирование интеллек-уальных процедур идентификации" (SMARTID), позволяющий проводить ункциональное и статистическое моделирование интеллектуальных нейросе-гвых процедур идентификации состояния дискретного канала. С помощью па-гта проведено имитационное моделирование рассмотренной в диссертацион-эй работе нейросетевой процедуры идентификации.

ПУБЛИКАЦИИ ПО ОСНОВНЫМ РЕЗУЛЬТАТАМ ДИССЕРТАЦИИ

1. Благодаров A.B., Демидова Л.А. Использование нечеткой логики в за-1чах идентификации состояния дискретного канала передачи данных//Новые «формационные технологии в научных исследованиях радиоэлектроники: Тез. экл. Всероссийской научно-технической конференции студентов, молодых теных и специалистов. - Рязань: РГРТА, 1997. - С.70-72.

2. Благодаров A.B., Пузикова Л.А. Идентификация состояния дискретно канала в условиях нечеткой априорной информации//Тез. докл. LII науч-)й сессии, посвященной Дню Радио. - М.: РНТОРЭС им. А.С.Попова, 1997. -.100-102.

3. Благодаров A.B., Новиков Г.А., Пылькин А.Н. Идентификация квази-ационарных состояний средств телекоммуникационного взаимодействия в тформационных системах//К.Э.Циолковский - 140 лет со дня рождения. Кос-энавтика. Радиоэлектроника. Геоинформатика: Тез. докл. Международной 1учно-технической конференции. - Рязань: РГРТА, 1997. - С. 165-167.

4. Благодаров A.B. Нейросетевое решение задачи идентификации со-ояния дискретного канала передачи данных//Новые информационные техно->гии в радиоэлектронике: Тез. докл. Всероссийской научно-технической конвенция студентов, молодых ученых и специалистов. - Рязань: РГРТА, 1998. -2—4.

5. Благодаров A.B. Применение нейросетевых технологий к решению дачи идентификации состояния дискретного канала передачи дан-1х//Математическое и программное обеспечение вычислительных систем: ежвуз. сб./Под ред. Л.П.Коричнева. - М.: Минобразования России, НИЦ-)ИС, 1998.-С. 142-146.

6. Благодаров A.B., Новиков Г.А., Пылькин А.Н. Пакет программ нейр сетевого моделирования процедур идентификации состояний дискретного Kai ла передачи данныхУ/Космонавтика. Радиоэлектроника. Геоинформатика: Т докл. международной научно-технической конференции. - Рязань, 1998. С.146—148.

7. Благодаров A.B., Новиков Г.А. Идентификация состояний дискрет! го канала передачи данных с использованием нейросетевых TexHOJ гий//Современные информационные технологии в образовании: Тез. докл. Bi российской научно-практической конференции. - Рязань: РИРО, 1998 - С. 13 132.

8. Благодаров A.B., Новиков Г.А., Пылькин А.Н. Моделирование инт( лектуальных процедур идентификации состояний дискретных каналов ci зи//Моделирование и исследование сложных систем. Часть 1. Моделировав систем по заданным критериям качества: Доклады II Международной науч! технической конференции. - М.: МГАПИ, 1998. - С.12-17.

9. Артемкин Д.Е., Благодаров A.B., Новиков Г.А. Методы качественнс анализа и принятия решений: Методические указания к лабораторным ра( там/Под ред. А.Н.Пылькина. - Рязань: РГРТА, 1998. - 32 с.

10. Благодаров A.B., Овечкин Г.В. Нейросетевая процедура идентифи ции состояния канала связи//Тез. докл. LIV научной сессии, посвященной Д] Радио. - М.: РНТОРЭС им. А.С.Попова, 1999. - С.253-254.

11. Благодаров A.B., Овечкин Г.В. Интеллектуальное нейросетевое у ройство идентификации состояния дискретного канала передачи д; ных//Проблемы передачи и обработки информации в сетях и системах телекс муникаций: Тез. докл. Международного научно-технического семинара. — ] зань:РГРТА, 1999.-С.67-68.

ВВЕДЕНИЕ.

ПРИНЦИПЫ ПОСТРОЕНИЯ АДАПТИВНЫХ СИСТЕМ

ПЕРЕДАЧИ ДАННЫХ.

1.1. Адаптивное управление звеном передачи данных.

1.1.1. Структура звена передачи данных.

1.1.2. Методы и процедуры передачи информации.

1.2. Модемные адаптивные протоколы передачи данных.

1.2.1. Адаптивные протоколы модуляции.

1.2.2. Адаптивные протоколы коррекции ошибок.

1.2.3. Адаптивные протоколы передачи'файлов

1.3. Классификация процедур идентификации состояния дискретного канала.

1.4. Интеллектуализация процедур идентификации состояния дискретного канала.

1.4.1. Способы интеллектуализации процедур идентификации

1.4.2. Особенности использования нейробионического подхода к интеллектуализации процедур идентификации.

2. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНЫХ ПРОЦЕДУР

ИДЕНТИФИКАЦИИ С ИСПОЛЬЗОВАНИЕМ

МАТЕМАТИЧЕСКОГО АППАРАТА ТЕОРИИ НЕЧЕТКИХ

МНОЖЕСТВ.,.

2.1. Классическая Вальдовская процедура идентификации.

2.2. Модификация Вальдовской процедуры идентификации с одной нечеткой гипотезой.

2.3. Модификация Вальдовской процедуры идентификации с двумя нечеткими гипотезами.

2.4. Сравнительный анализ классической Вальдовской процедуры и ее модификации с двумя нечеткими гипотезами

3. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНЫХ ПРОЦЕДУР ИДЕНТИФИКАЦИИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ.

3.1. Постановка задачи

3.2. Выбор оптимальной длины передаваемого блока данных по показателю относительной скорости передачи данных

3.3. Методика расчета необходимой длины выборки.

3.4. Алгоритм прогнозирования выборки при изменении длины блока

3.5. Алгоритм масштабирования выборки.

3.6. Алгоритм принятия решения о смене текущего метода.

3.7. Структура нейросетевой процедуры идентификации состояния

4. ПРОГРАММНЫЕ СРЕДСТВА ДЛЯ СОЗДАНИЯ И МОДЕЛИРОВАНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ ПРОЦЕДУР ИДЕНТИФИКАЦИИ

4.1. Библиотека классов, реализующая искусственные нейронные сети .Г.

4.1.1. "Блочный" подход к созданию нейроподобных структур

4.1.2. Иерархия классов библиотеки.

4.2. Пакет программ "Имитационное моделирование интеллектуальных процедур идентификации (ЗМАЯТЮ)"

4.2.1. Общие характеристики и структура пакета программ

4.2.2. Модель интеллектуальной нейросетевой процедуры идентификации.

4.2.3. Интерфейс пользователя.

Актуальность темы. Важнейшей особенностью современного этапа развития и применения новых информационных технологий является широкое использование средств электросвязи в составе информационно-вычислительных сетей, в том числе глобальных сетей. Наибольшее распространение для организации удаленного взаимодействия пользователей сетей ЭВМ находят существующие коммутируемые телефонные каналы, что объясняется их всеобщей распространенностью и низкой арендной стоимостью. Основными особенностями используемых коммутируемых телефонных каналов являются сложный групповой характер ошибок и нестационарность параметров во времени. В связи с этим в международных стандартах (MNP, V42bis, V34, V90 и др.) предусмотрена возможность применения адаптивных методов передачи и защиты информации от ошибок. Адаптивные методы передачи и защиты информации от ошибок позволяют эффективно передавать информацию практически по любым каналам связи. Для передачи данных по коммутируемым телефонным каналам наибольшей популярностью пользуются модемы, производимые зарубежными фирмами (ZyXEL, Motorola, US Robotics и др.). Однако качество отечественных коммутируемых телефонных каналов значительно хуже зарубежных, что в ряде случаев затрудняет использование зарубежных модемов и стандартных международных протоколов передачи файлов. Поэтому разработка новых адаптивных протоколов различных уровней, учитывающих особенности отечественных телефонных каналов является актуальной задачей.

Важнейшим элементом адаптивных протоколов управления звеном передачи данных являются процедуры идентификации текущего состояния дискретного канала. Перспективным классом процедур идентификации являются интеллектуальные процедуры, использующие аппарат теории нечетких множеств и нейросетевые технологии.

Цель диссертационной работы состоит в разработке эффективных процедур идентификации с использованием таких средств искусственного интеллекта, как: нейросетевые технологии и аппарат теории нечетких множеств.

Для достижения цели необходимо решить следующие задачи:

1. Провести анализ принципов использования и мест приложения адаптивных методов передачи информации в составе протоколов управления звеном передачи данных.

2. Выявить целесообразность применения средств искусственного интеллекта к решению задачи идентификации состояния дискретного канала.

3. Разработать процедуры идентификации, позволяющие использовать нечеткую априорную информацию о возможных состояниях дискретного канала.

4. Разработать интеллектуальную нейросетевую процедуру идентификации состояния дискретного канала, предназначенную для работы в составе системы передачи данных (СПД) с адаптацией по длине передаваемого блока и позволяющую эффективно идентифицировать произвольное количество состояний.

5. Разработать средства программной реализации интеллектуальных ней-росетевых процедур идентификации.

6. Разработать средства имитационного моделирования нейросетевых процедур идентификации состояний дискретного канала, позволяющие наглядно показать процесс функционирования нейросетевых процедур идентификации, а также проводить анализ эффективности их работы.

Научная новизна. В рамках диссертационной работы были получены следующие результаты:

1. На основе анализа современных адаптивных протоколов передачи данных различных уровней выявлены возможные пути интеллектуализации процедур идентификации.

2. Разработана модификация Вальдовской процедуры идентификации с двумя нечеткими гипотезами, позволяющая использовать нечеткую априорную информация о возможных состояниях дискретного канала. Проведен анализ ее эффективности с помощью имитационного моделирования.

3. Разработана методика применения нейросетевых технологий к решению задачи идентификации состояния дискретного канала.

4. Предложена нейросетевая процедура идентификации состояния дискретного канала, предназначенная для работы в составе СПД с адаптацией по длине передаваемого блока и позволяющая эффективно идентифицировать произвольное количество состояний. В процедуре используется ряд новых решений:

• поиск оптимального метода передачи (оптимальной длины блока) по показателю относительной скорости передачи данных;

• применение искусственной нейронной сети для прогнозирования вероятности искажения блока заданной длины;

• эффективный самообучающийся алгоритм принятия решения о смене текущего метода;

• алгоритм прогнозирования выборки при смене текущего метода передачи данных;

• динамическое изменение длины выборки;

• алгоритм масштабирования выборки.

5. Предложен "блочный" подход к программной реализации нейроподоб-ных структур. Разработана библиотека классов на языке С++, реализующая нейронные сети при помощи "блочного" подхода.

6. Разработан пакет программ "Имитационное моделирование интеллектуальных процедур идентификации" (БМАЯТШ) и с его помощью проведен анализ эффективности нейросетевой процедуры идентификации по данным имитационного моделирования.

Практическая ценность работы. Разработана модификация Вальдовской процедуры идентификации с двумя нечеткими гипотезами, позволяющая использовать нечеткую априорную информацию о возможных состояниях дискретного канала.

Предложена принципиально новая интеллектуальная нейросетевая процедура идентификации состояния дискретного канала, предназначенная для работы в составе СПД с адаптацией по длине передаваемого блока и позволяющая эффективно идентифицировать произвольное количество состояний.

Разработана библиотека классов на языке С++, реализующая искусственные нейронные сети и позволяющая встраивать их в любые программы, написанные на С++. На основе библиотеки классов разработан пакет программ "Имитационное моделирование процедур идентификации состояния ДК с использованием нейросетевых технологий (8МА11ТГО)", позволяющий анализировать создаваемые нейросетевые процедуры идентификации.

Результаты диссертационной работы использованы ИЧФ «Лореаль» при создании Глобальной морской системы связи с судами, терпящими бедствие (ГМССБ). Библиотека классов, реализующая искусственные нейронные сети и входящая в состав пакета программ 8МАЯТГО, представленного в диссертации, внедрена в учебный процесс Рязанской государственной радиотехнической академии для студентов специальности 2204 - "Программное обеспечение вычислительной техники и автоматизированных систем" по курсу "Системный анализ и машинное моделирование".

Достоверность полученных в диссертационной работе результатов подтверждается:

• использованием выводов теории вероятностей и математической статистики;

• использованием выводов теории нечетких множеств;

• использованием понятий и выводов теории нейронных сетей;

• результатами имитационного моделирования интеллектуальных процедур идентификации состояния дискретного канала.

Апробация работы. Результаты работы докладывались на следующих конференциях и семинарах:

1. Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов "Новые информационные технологии в научных исследованиях радиоэлектроники", 21-24 мая 1997г., г.Рязань.

2. 52-я научная сессия РНТОРЭС им.А.С.Попова, посвященная Дню Радио (секция "Теория и техника передачи дискретных сигналов"), 20-22 мая 1997г., г.Москва.

3. Международная научно-техническая конференция "К.Э.Циолковский -140 лет со дня рождения. Космонавтика. Радиоэлектроника. Геоинформатика", октябрь 1997г., г.Рязань.

4. 2-я Международная научно-техническая конференция "Моделирование и исследование сложных систем", 10-11 июня 1998г., г.Москва.

5. Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов "Новые информационные технологии в радиоэлектронике", 20-22 мая 1998г., г.Рязань.

6. 2-я Всероссийской научно-практической конференция "Современные информационные технологии в образовании", 13-14 мая 1998г., г.Рязань.

7. 2-я Международная научно-техническая конференция "Космонавтика. Радиоэлектроника. Геоинформатика", 30 октября - 1 ноября 1998г., г.Рязань.

8. 54-я научная сессия РНТОРЭС им.А.С.Попова, посвященная Дню Радио (секция "Теория и техника передачи дискретных сигналов"), май 1999г., г.Москва.

9. Международный научно-технический семинар "Проблемы передачи и обработки информации в сетях и системах телекоммуникаций", 27-29 сентября 1999 г., Рязань.

10

Публикации. По теме диссертации опубликовано 11 работ. В их числе 1 статья в межвузовском сборнике, 9 тезисов и материалов докладов Международных и Всероссийских конференций и семинаров, одно учебно-методическое пособие.

Пакет программ "Имитационное моделирование интеллектуальных процедур идентификации (ЗМАЯТЮ)" зарегистрирован в Российском агентстве по патентам и товарным знакам (свидетельство о регистрации программы для ЭВМ №990515).

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав и заключения. Содержит 153 страницы, 9 таблиц, 52 рисунка. Список литературы состоит из 70 наименования.

Основные результаты, полученные в диссертационной работе:

1. Проведен анализ современных адаптивных протоколов передачи данных различных уровней.

2. Выявлены возможные пути интеллектуализации процедур идентификации состояния дискретного канала.

3. Разработана модификация Вальдовской процедура идентфикации с двумя нечеткими гипотезами. Проведен анализ ее эффективности с помощью имитационного моделирования.

4. Разработана методика применения нейросетевых технологий к решению задачи идентификации состояния дискретного канала.

5. Предложена нейросетевая процедура идентификации состояния дискретного канала, предназначенная для работы в составе СПД с адаптацией по длине передаваемого блока и позволяющая эффективно идентифицировать произвольное количество состояний. В процедуре используется ряд новых решений:

• поиск оптимального метода передачи (оптимальной длины блока) по показателю относительной скорости передачи данных;

• применение искусственной нейронной сети для прогнозирования вероятности искажения блока данных;

• эффективный самообучающийся алгоритм принятия решения о смене текущего метода;

• алгоритм прогнозирования выборки при смене текущего метода передачи данных;

• динамическое изменение длины выборки;

• алгоритм масштабирования выборки.

6. Разработана библиотека классов на языке С++, реализующая нейронные сети при помощи "блочного" подхода.

141

7. Разработан пакет программ "Имитационное моделирование интеллектуальных процедур идентификации" (БМАЯТЮ) и с его помощью проведено имитационное моделирование нейросетевой процедуры идентификации.

ЗАКЛЮЧЕНИЕ

1. Протоколы информационно-вычислительных сетей: Справочник/Аничкин С.А., Белов A.C., Бернштейн A.B. и др.; Под ред. И.А.Мизина, А.П.Кулешова. - М.: Радио и связь, 1990. - 504 с.

2. Шварц М. Сети связи: протоколы, моделирование и анализ: В 2-х ч. Ч.1/Пер. с англ. М.: Наука, 1992. - 336 с.

3. Халсалл Ф. Передача данных, сети компьютеров и взаимосвязь открытых систем/Пер. с англ. М.: Радио и связь, 1995. - 408 с.

4. Блэк Ю. Сети ЭВМ: протоколы, стандарты, интерфейсы/Пер. с англ. -М.: Мир, 1990.-506 с.

5. Бертсекас Д., Галлагер Р. Сети передачи данных/Пер. с англ. М. Мир, 1989.-544 с.

6. Зайцев С.С. Описание и реализация протоколов сетей сетей ЭВМ. М.: Наука, 1989.-270 с.

7. Дженнингс Ф. Практическая передача данных. Модемы, сети и протоколы/Пер. с англ. М.: Мир, 1989. - 271 с.

8. Хаусли Т. Системы передачи и телеобработки данных/Пер. с англ. М.: Радио и связь, 1994. - 456 с.

9. Коричнев Л.П., Пылькин А.Н. Распределенные вычислительные системы. Рязань: РГРТА, 1992. - 64 с.

10. Мизин И.А., Уринсон Л.С., Храмешин Т.К. Передача информации в сетях с коммутацией сообщений. М.: Связь, 1977. - 328 с.

11. Элементы теории передачи дискретной информации/Л.П.Пуртов, А.С.Замрий, А.И.Захаров, В.М.Охорзин; Под ред. Л.П.Пуртова. М.: Связь, 1972.-232 с.

12. Коричнев Л.П., Королев В.Д. Статистический контроль каналов связи. М.: Радио и связь, 1981.-240 с.

13. Дмошинский Г.М., Серегин A.B. Телекоммуникационные сети России. Описание. Классификация. Выбор. М.: Архитектура и строительство России, 1993.- 198 с.

14. Общесистемное проектирование АСУ реального времени/С.В.Володин, А.Н.Макаров, Ю.Д.Умрихин, В.А.Фараджев; Под ред. В.А.Шабалина. М.: Радио и связь, 1984. - 232 с.

15. Модемы: Разработка и использование в России. М.: Эко-Трендз Ко, 1995. - 128 с. - (Серия "Технологии электронных коммуникаций").

16. Вильховченко С.Д. Модем 96. Выбор, настройка и использование: Сопутствующий справочник по телекоммуникациям. М.: ABF, 1995. - 284 с.

17. Фролов A.B., Фролов Г.В. Программирование модемов. М.: ДИАЛОГ-МИФИ, 1994. - 178 с.

18. Фролов A.B., Фролов Г.В. Модемы и факс-модемы. Программирование для MS DOS и Windows. М.: ДИАЛОГ-МИФИ, 1995. - 284 с.

19. Пылькин А.Н. Методы, алгоритмы и процедуры адаптивного управления в системах передачи дискретной информации: Диссертация на соискание ученой степени доктора технических наук Рязань, 1994. - 406с.

20. Лагутенко О.И. Модемы. Справочник пользователя. Спб.: Лань, 1997.-368с.

21. Советов Б.Я., Стах В.М. Построение систем передачи информации для автоматизированного управления. Л.: Энергоиздат, 1982. - 120 с.

22. Митряев Е.В., Ростовцев Ю.Г., Рышков Ю.П. Контроль верности информации в морской радиосвязи. Л.: Судостроение, 1979. - 164 с.

23. Рожков Л.И. Контроль и коммутация оборудования в системах передачи данных. М.: Радио, 1979. - 240 с.

24. Грановский В.А., Сирая Т.Н. Методы обработки экспериментальных данных при измерениях. Л.:Энергоатомиздат, 1990. - 288с.

25. Леман Э. Проверка статистических гипотез/Пер. с англ. М.: Наука, 1979.-408 с.

26. Поспелов Д.А. Лекции Всесоюзной школы по основным проблемам искусственного интеллекта и интеллектуальным системам. Минск, Институт технической кибернетики АН БССР, 1990. 104с.

27. Уоссерман Ф. Нейрокомпьютерная техника: Теория и практика/Пер. с англ. М. : Мир, 1992. - 240 с. \

28. Артемкин Д.Е., Благо даров A.B., Новиков Г. А. Методы качественного анализа и принятия решений: Методические указания к лабораторным работам/Под ред.А.Н.Пылькина-Рязань, РГРТА, 1998.- 32с.

29. Гордиенко Е.К., Лукьяница A.A. Искусственные нейронные сети. Основные определения и модели//Изв. АН СССР. Техническая кибернетика. -1994. №5. - С.79-92.

30. Анил К. Джейн, Жианчанг Мао, Моиуддин K.M. Введение в искусственные нейронные сети//Открытые системы. 1997. - №4. - С. 16-24.

31. Клименко C.B., Слободюк Е.А., Самойленко В.Д., Ухов Т.Л. Искусстqвенные нейронные сети в физике высоких энергий // Информационные технологии.^^, 1998, С. 17-24.

32. Власов А.И. Аппаратная реализация нейроадаптивных систем активного управления волновыми полями в промышленном стандарте PC-104 // // Информационные технологии №12, 1998, С. 13-16.

33. Кирсанов Э.Ю. Опытные образцы отечественных нейрокомпьютеров серии "Геркулес" на стандартной элементной базе // Нейрокомпьютер №1-2, 1997, С.49-56.

34. Пузикова J1.A. Разработка и исследование нечетких моделей и процедур идентификации состояния дискретного канала в информационно-вычислительных сетях: диссертация на соискание ученой степени кандидата технических наук. Рязань, 1994. 173с.

35. Вальд А. Последовательный анализ: Пер. с англ. М.: Физматгиз, 960. - 360с.

36. Дубров A.M. Последовательный анализ в статистической обработке информации. -М.: Статистика, 1976. 160с.

37. Уилкс С. Математическая статистика / Пер. с англ. A.M. Кагана и др., под ред. Ю.В. Линника. М.: Наука, 1967.

38. A.c. N 571919 (СССР). Устройство для контроля качества канала связи / Л.П. Коричнев, С.И. Лаврентьев, А.Н. Пылькин. Б.И. -1990. - N 23.

39. Пузикова Л.А., Пылькин А.Н. Имитационная модель процедуры идентификации состояний дискретного канала в адаптивной системе передачи данных / Свидетельство о регистрации программы в Росреестре СССР N 256 от 4.07.91 г.

40. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений / Пер. с англ. М.: Мир, 1976. - 160 с.

41. Пузикова Л.А. Нечеткие гипотезы в процедуре Вальда принятия решения о состоянии канала связи. // Технологии и системы сбора, обработки и представления информации: Тез. докл. междунар. конф Рязань, 1993. - С. 3536.

42. Тихонов А.Н., Васильева А.Б., Свешников А.Г. Дифференциальные уравнения. М.: Наука, 1985. - 232с.

43. Ильин В.А., Позняк Э.Г. Основы математического анализа: Учебник. Ч. 2.-М.: Наука, 1982. 447с.

44. Мантуров O.B. Курс высшей математики. М.: Высшая школа, 1991. -450с.

45. Пузикова JI.A., Пылькии А.Н. Имитационная модель процедуры идентификации состояний дискретного канала в адаптивной системе передачи данных при нечетких гипотезах выбора / Свидетельство о регистрации программы в Росреестре N 940350 от 05.09.94 г.

46. Манина J1.A., Пылькин А.Н., Гаврилов А.Н. Последовательные процедуры идентификации с нечеткими правилами принятия решения о состоянии дискретного канала // Электросвязь. 1996. - №4. - С. 10-14.

47. Благодаров A.B., Пузикова Л.А. Идентификация состояния дискретного канала в условиях нечеткой априорной информации//Тез. докл. LII научной сессии, посвященной Дню Радио. М.: РНТОРЭС им. А.С.Попова, 1997. -С.100-102.

48. Змитрович А.И. Интеллектуальные информационные системы.-Минск: НТОО "Тетра Системе", 1997.- 368с.

49. Благодаров A.B., Овечкин Г.В. Нейросетевая процедура идентификации состояния канала связи//Тез. докл. LIV научной сессии, посвященной Дню Радио. М.: РНТОРЭС им. А.С.Попова, 1999. - С.253-254.

50. Вентцель Е.С. Теория вероятностей. М.: Наука, 1964. - 576с.

51. Вентцель Е.С., Овчаров Л.А. Прикладные задачи теории вероятностей. М.: Радио и связь, 1983. - 416с.148

52. Крамер Г. Математические методы статистики М.:Мир, 1976, - 648с.

53. Липманн С.Б. С++ для начинающих Москва - Рязань - Тамбов: Гэ-лион, 1993, Т. 1,2.

54. Скляров В.А. Язык С++ и объектно-ориентированное программирование. Мн.: Выш. шк., 1997. - 478 с.

55. Каширин И.Ю Объектно-ориентированное проектирование программ в среде С++. Вопросы практики и теории./Под ред. Коричнева Л.П.-М.:НИЦПрИС, 1996.-192с.

56. Председатель методической комиссии факультета вычислительной техники к.т.н., доцент1. Та-^ Таран Ю.А.1. УТВЕРЖДАЮ»1. АКТоб использовании результатов диссертационной работы Благодарова Андрея Витальевича

57. РОССИЙСКОЕ АГЕНТСТВО ПО ПАТЕНТАМ И ТОВАРНЫЙ ЗНАКАМ (РОСПАТЕНТ)1. СВИДЕТЕЛЬСТВО

58. Об официальной регистрации программы для ЭВМ990515

59. Имитационное моделирование интеллектуальных процедур идентификации" (БМАКТЮ)1. Правообл адатель(ли): ,

60. Ълагодаров с&пдрей ЗдиталъевЫ, Овйкип Зенпадий (Владимировы1. Автор(ы):

61. Ълаюдаров сДпдреЖ (Витальевич 0ве1кип Геннадий (Владимировы (ШУ)

62. Страна: Российская Федерацияпо заявке № 990395, дата поступления: 20 мая 1999 г.

63. Зарегистрировано в Реестре программ для ЭВМг. Москва, 20 июля 1999 г.

64. Гсш^амз'нмЛди^штгюр, сЛ.З);. Жо^гш/ги/н