автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Методы автоматизации процессов логического контроля в транспортных системах диспетчерского управления на основе гибридных моделей и генетических алгоритмов

На правах рукописи ¥

ХАТЛАМАДЖИЯН АГОП ЕРВАНДОВИЧ

МЕТОДЫ АВТОМАТИЗАЦИИ ПРОЦЕССОВ ЛОГИЧЕСКОГО КОНТРОЛЯ В ТРАНСПОРТНЫХ СИСТЕМАХ ДИСПЕТЧЕРСКОГО УПРАВЛЕНИЯ НА ОСНОВЕ ГИБРИДНЫХ МОДЕЛЕЙ И ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ

Специальности: 05.13.06 - Автоматизация и управление технологическими

процессами и производствами (на транспорте) 05.13.17 - Теоретические основы информатики

АВТОРЕФЕРАТ

диссертации на соискание учёной степени кандидата технических наук

Ростов-на-Дону 2005

Работа выполнена на кафедре «Автоматика и телемеханика на железнодорожном транспорте» Государственного образовательного учреждения высшего профессионального образования «Ростовский государственный университет путей сообщения» (РГУПС).

Научные руководители: доктор технических наук, профессор

Ковалев Сергей Михайлович

кандидат технических наук, доцент Долгий Игорь Давидович

Официальные оппоненты: доктор технических наук, профессор

Белявский Григорий Исаакович

кандидат технических наук, доцент Тарасов Валерий Борисович

Ведущая организация: Таганрогский государственный радиотехнический университет (ТРТУ).

Защита диссертации состоится « » 2005 г. в 43 ча-

сов в конференц-зале РГУПС на заседании диссертационного совета К218.010.01 при Ростовском государственном университете путей сообщения по адресу: 344038, г. Ростов-на-Дону, пл. Народного ополчения, 2.

С диссертацией можно ознакомиться в библиотеке РГУПС.

Автореферат разослан ¿¿АЛ1 2005 г. Отзывы на авторефе-

рат, в двух экземплярах, заверенные печатью, просим направлять по адресу: 344038, г. Ростов-на-Дону, пл. Народного ополчения, 2, РГУПС, диссертационный совет.

Учёный секретарь диссертационного совета, кандидат технических наук, доцент

М.А. Бутакова

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Современные системы диспетчерской централизации (ДЦ) являются высоко интегрированными технологическими комплексами и включают в себя в качестве важнейших подсистем подсистемы логического контроля, отвечающие за надежность функционирования аппаратуры сигнализации, централизации и блокировки (СЦБ), а, следовательно, и за безопасность движения поездов. В основе существующих технологий обеспечения надежности и безопасности систем ДЦ лежат методы контроля, основанные на использовании традиционных автоматных моделей системы в виде логических уравнений-зависимостей. Однако на пути использования аналитических моделей для решения поставленных задач возникает ряд проблем, связанных со сложностью построения точных аналитических моделей контроля устройств СЦБ, чрезмерно большой размерностью задач логического контроля, недостоверностью информации, поступающей на вход системы и ее недостаточной информативностью для принятия контролирующих решений.

В решении указанных проблем могут помочь современные информационные технологии, в развитии которых, в последнее время, произошли существенные изменения, которые объясняются рядом причин, но, прежде всего, резким увеличением производительности вычислительных устройств, появлением новых компьютерных систем.

Наиболее характерным примером информационных технологий нового поколения являются гибридные информационные технологии. В их основу положена идея использования для решения конкретных практических задач не одного какого-либо метода или модели, а объединения нескольких различных классов моделей, опирающихся на различные принципы представления и обработки информации. Особый эффект достигается в результате интеграции точных аналитических моделей принятия решений, основанных на традиционных методах математического программирования, с интеллектуальными моделями, основанными на знаниях.

Гибридные интеллектуальные технологии ориентированы, главным образом, на решение задач повышенного уровня сложности или, так называемых, информационно-сложных задач, примерами которых являются процессы контроля и диагностирования сложных технических систем и технологических комплексов на железнодорожном транспорте и, в частности, систем диспетчерского управления, предназначенных для автоматизации процессов контроля и управления движением поездов на участках и направлениях железной дороги.

Таким образом, при создании современных систем ДЦ возникает потребность в разработке новых технологий контроля устройств СЦБ, основанных на принципах гибридизации, позволяющих в наиболее полной мере использовать весь потенциал технологичесюм-ананий о системе и законах ее функционирования для целей повышения наЯвН^ММЮкхявнадрости создаваемой системы. I ММиетЕкл (

I ГЕНА I )

I ¿"аад

Степень разработанности проблемы. Большой вклад в развитие теории и практики разработки эффективных систем диспетчерского управления, автоматизированных систем диагностирования и создания на их основе единых центров управления внесли отечественные ученые JI.A. Баранов, Д.В. Гавзов, И.Е. Дмитренко, И.Д. Долгий, O.K. Дрейман, В.Н. Иванченко, В.М. Лисенков, A.A. Поплавский, E.H. Розенберг, И.Н. Розенберг, В.В. Сапожников, Вл. В. Сапожников, Д.В. Шалягин, и др.

Значительный вклад в развитие интеллектуальных технологий и теоретических основ информатики внесли такие ученые как JI.C. Берштейн, Г.И. Белявский, В.Н. Вагин, А.Н. Гуда, А.П. Еремеев, В.В. Емельянов, В.М. Ку-рейчик, С.М. Ковалев, H.H. Лябах, Г.С. Осипов, Э.В. Попов, Д.А. Поспелов, В.Б.Тарасов, Е.М. Ульяницкий, В.К. Финн, И.Б. Фоминых и др.

Цель работы. Целью диссертационной работы является исследование и разработка новых методов автоматизации процессов логического контроля устройств СЦБ в составе систем ДЦ, основанных на использовании динамических зависимостей между телесигналами.

Для достижения поставленной цели требуется решить следующие задачи:

1. Провести комплексный анализ современных систем ДЦ и известных методов логического контроля устройств СЦБ с целью обоснования выбора гибридной модели для поддержки принятия контролирующих решений.

2. Разработать новый класс интеллектуальных поддерживающих моделей для гибридной системы логического контроля в составе систем ДЦ, основанных на использовании структурно-временной информации о функционировании устройств СЦБ.

3. Разработать методы формализации динамических зависимостей между телесигналами, методы оптимизации баз знаний (БЗ) и алгоритмы вывода, в качестве основного механизма поддержки принятия контролирующих решений.

4 Провести экспериментальные исследования, для обоснования эффективности предложенного класса моделей.

Методы исследования. Для решения поставленных задач использовались следующие методы исследований: элементы теории множеств, элементы теории графов и гиперграфов, элементы темпоральной логики, элементы теории искусственных нейронных сетей, элементы теории генетического поиска.

Научная новизна диссертационной работы заключается в следующем.

1. Обоснована возможность применения искусственных нейронных сетей в качестве интеллектуальной модели поддержки процессов логического контроля в системах диспетчерского управления, позволяющей повысить достоверность определения состояния объектов контроля при неполных либо частично недостоверных данных.

2. Для систем диспетчерского управления разработана гибридная модель автоматизации процессов логического контроля, основанная на объединении

теоретико-графовых и нейросетевых моделей и позволяющая учесть влияние динамических зависимостей между телесигналами при принятии контролирующих решений.

3. Предложен метод формализации динамических зависимостей между телесигналами, основанный на объединении темпоральных и нейросетевых моделей, позволяющий при формировании баз знаний использовать линейные нейросети.

4. Для предложенного класса гибридных моделей разработаны методы оптимизации баз знаний и адаптации их параметров на основе генетических алгоритмов, решающие задачи нахождения покрытий в моделирующих графах и оптимизации обучающих выборок для нейросетевых моделей.

Практическая ценность диссертационной работы заключается в следующем:

1. На основе разработанной интеллектуальной модели создаются подсистемы логического контроля как в составе систем ДЦ, так и в других системах диспетчерского контроля и управления.

2. Предложенный способ представления данных об изменениях сигналов ТС в виде темпоральных формул применяется в составе интеллектуальной продукционной модели, и в других системах в качестве метода организации БД.

3. Разработанные генетический алгоритм нахождения покрытий в моделирующих графах и генетический алгоритм оптимизации обучающих выборок для нейросетевых моделей используются для решения широкого круга задач в области автоматизации контроля и диагностирования.

Достоверность и обоснованность научных положений, выводов и результатов, сформулированных в диссертации, подтверждается результатами вычислительных экспериментов на практических и модельных задачах, публикациями и апробацией работы на региональных, отраслевых и внутриву-зовских научно-технических конференциях, а также актами внедрения результатов работы.

Реализация результатов работы. Часть теоретических и практических результатов работы использованы при разработке подсистемы логического обнаружения несоответствия зависимостей устройств электрической централизации (ЭЦ) и автоблокировки (АБ) в составе системы ДЦ-Юг с РКП. На основе теоретических исследований разработан метод обнаружения подпитки повторителей путевых реле средствами системы ДЦ. Результаты работы используются в учебном процессе.

Апробация основных теоретических и практических результатов работы проводилась на научных семинарах (с 2002 по 2004 гг., РГУПС), региональной научно-практической конференции «Актуальные проблемы развития транспорта Черноморского побережья России» (Туапсе, 2004 г.), четвертой, пятой научно-технической конференции «Безопасность движения поездов»

(Москва, 2003 г., 2004 г.), всероссийской научно-практической конференции «Транспорт - 2004» (Ростов-на-Дону, 2004 г.).

Публикации. По теме диссертации опубликовано 9 печатных работ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, и списка использованных источников. Работа содержит 152 стр., включая 34 рис., список использованных источников из 109 наименований, 15 стр. приложений и актов о внедрении.

Во введении обоснована актуальность темы диссертационной работы, сформулированы цели, дано общее описание выполненной работы.

В первой главе выполнен комплексный анализ объекта исследования -подсистемы логического контроля устройств СЦБ в составе системы ДЦ, и предмета исследования - методов автоматизации процессов логического контроля устройств СЦБ в составе системы ДЦ.

Объекты контроля (ОК) системы ДЦ представляют собой совокупность релейно-контактных схем, базовыми элементами которых являются релейные элементы. Функционирование релейно-контактной схемы описывается автоматной моделью А =< Б, К, Г, и >, в которой функция переходов Г устанавливает связь между классами состояний отдельных групп релейных ячеек К, с К и обуславливающими их классами состояний напольного оборудования 5, с: 5 в соответствии с поступающими на вход системы управляющими сигналами и1 е С/ . Процесс логического контроля устройств СЦБ заключается в отслеживании правильности работы всех контролируемых релейных элементов в процессе реализации автоматной модели А.

В силу различных причин не всегда удается в каждом конкретном случае на основании автоматной модели сформировать в явном виде функции контроля, устанавливающие причинно-следственные связи между классами состояний всех контролируемых элементов в текущие моменты времени и обуславливающими их состояниями других групп элементов, входящих аргументами в функции контроля в предшествующие моменты времени. Другая проблема заключается в неполноте информации, поступающей на вход системы, поскольку не для всех групп релейных элементов имеются оперативные данные об их состояниях в каждый из моментов времени. И, наконец, серьезным препятствием на пути практической реализации точных аналитических моделей контроля является отсутствие 100%-но достоверной информации о состояниях релейных элементов по причине возможных сбоев в аппаратуре ТС.

При решении указанных проблем предлагается использование для поддержки процессов логического контроля устройств СЦБ недетерминированных нейросетевых моделей. Однако при их применении необходимо иметь в виду, что результат их работы не будет иметь характер абсолютной истинности.

В результате анализа характера неисправностей в системе ДЦ были отмечены следующие моменты:

1. Для наиболее часто отказывающих устройств СЦБ преобладают постепенные, включая перемежающиеся, отказы. Обнаружение указанных видов неисправностей на ранних этапах сводится к выявлению несоответствия состояния ОК текущей информационной ситуации. Для этой задачи достаточно вероятностной оценки нахождения ОК в каком-либо состоянии.

2. Наиболее часто встречающиеся отказы имеют локальный характер, что говорит о возможности определения состояния какого-либо ОК по состояниям других элементов.

На основании этого сформулирован вывод о возможности и необходимости разработки интеллектуальных методов автоматизации процессов логического контроля устройств СЦБ в составе систем ДЦ.

Во второй главе предложен новый класс интеллектуальных моделей, основанных на использовании структурно-временной информации о функционировании устройств СЦБ и ориентированных на поддержку процессов логического контроля.

Поддерживающая продукционная модель представляет собой стандартную тройку вида:

где £> - база данных, представляющая собой множество фактов вида «ПРИЗНАК = ОПИСАНИЕ»-, П - база продукционных правил вида «Если ПРИЗНАК =

ОПИСАНИЕ, то РЕШЕНИЕ = СОСТОЯНИЕ ОК»-, Я - решающий модуль, реализующий процедуры логического вывода в базе правил (генерации решений).

Особенностью приведенной модели является наличие в ней нескольких типов продукционных правил отличающихся по форме представления антецедентов.

Продукционные правила первого типа (П1) используются для поддержки процессов контроля состояний релейных элементов, опираясь на структурно-логическую информацию. Предусловиями правил типа П1 являются структурно-временные высказывательные формы вида:

В выражении (2) переменные используются для обозначения событий, связанных с переключением г'-го релейного элемента (х* - замыкание, х~ - размыкание). Через <рк обозначены временные отношения темпоральной логики для точечных событий, включающей в качестве базиса семейство темпоральных отношений:

3=<0,П,Я>,

(1)

(2)

ЯТ = {<р0,(ри(рг},

(3)

где <р0 - совпадать во времени, tpt - следовать во времени, (р2 - предшествовать во времени. Выбор точечной темпоральной логики для формализации обобщенных структурно-временных описаний обусловлен теми соображениями, что указанная логика содержит эффективные процедуры вывода, обладающие линейными оценками алгоритмической сложности, что позволяет разрабатывать на ее основе простые в вычислительном плане алгоритмы автоматического формирования классов обобщенных описаний для БЗ.

Динамика изменения состояний релейных элементов е X, обуславливающая состояния контролируемых элементов у е Y, представляет собой

временную последовательность следующих друг за другом телесигналов (ТС) в течение некоторого интервала времени Т. Такую последовательность можно задать в виде временного ряда

S = (хп,xl2,...{х^,х)2,хт) 1 (4)

который представляет собой ряд строго следующих друг за другом точечных временных событий х , связанных с переключением реле, либо подмножеств таких событий {ху1,ху2,...} в предположении, что все события одного подмножества свершились одновременно. Такой временной ряд называется контролируемым временным процессом (КВП). Любая подпоследовательность 5* е 5 называется фрагментов КВП 5.

КВП или любой его фрагмент, заданный в виде временного ряда S, можно представить в виде формулы темпоральной логики

S = &(x,<pkXj), (5)

конъюнктами которой являются элементарные пары временных отношений между событиями, входящими во временной ряд S.

Формирование БЗ для продукционных правил типа П1 сводится к поиску для каждого из контролируемых элементов у е Y таких обобщенных

описаний W в классе выражений вида (2), которые обеспечивают «верный вывод» решений по всем реализациям КВП из множества обучающих данных.

При решении поставленной задачи предлагается использовать ее теоретико-графовую модель. Через 3 = {г,} обозначается множество, элементами которого являются всевозможные пары элементарных временных отношений между сигналами ТС, то есть

3 = {гг = {xtq>kXj)lх, е Х,х, е Х,<рк е RT}. (6)

На основе обучающей выборки примеров формируются два подмножества:

5+ = {.у,+} - подмножество положительных примеров, соответствующих «единичным» состояниям контролируемого элемента,

5" ={я~} - подмножество отрицательных примеров, соответствующих «нулевым» состояниям контролируемого элемента.

Множество 3 интерпретируется в качестве множества вершин некоторого конечного гиперграфа Н. Каждой из реализаций КВП 5 е 5+ и 5" обучающего множества сопоставляется в 3 подмножество вершин 3(5), состоящее из элементарных пар отношений, входящих в реализацию 5. В результате на множестве вершин 3 оказываются сформированными два семейства подмножеств 3(5+) = {З^)/.? е 5+} и 3(5 ") = {3(.у)/.у е 5~}, которые

переобозначиваются 5+ = 3(5+) и 5 " = 3(5") и интерпретируются в качестве ребер гиперграфа Н. В результате получаем моделирующий гиперграф некоторого частного вида Я = (3, 5+ и5~), содержащий ребра двух сортов.

Задача обобщения формулируется следующим образом Для моделирующего гиперграфа Я = (3,5+ и5~) найти такое минимальное семейство вершинных подмножеств, которое является покрытием положительных ребер и одновременно антипокрытием отрицательных ребер в Н.

В приведенной постановке задача обобщения не имеет решения при некорректных обучающих данных, содержащих одинаковые примеры реализаций КВП для которых указаны разные значения контролируемого параметра. Для таких случаев условие задачи "смягчается" и сводится к поиску таких вершинных подмножеств, которые являются покрытиями и антипокрытиями для как можно большего числа обучающих примеров.

Продукционные правила второго типа (П2) используются для поддержки процессов контроля при неполных либо частично недостоверных данных, опираясь на нейросетевые методы обработки информации. В качестве предусловий правил используются модели обобщенных описаний, представленные в виде линейных ИНС (рис.1), реализующих функции нечетких классификаторов состояний контролируемых элементов,

№Т(у)1: 3* -* [О, I]2, (7)

где 3* - некоторое подмножество 3, состоящее из N элементарных пар отношений.

Входными данными нейроклассификатора являются бинарные значения J(x¡<pkx )е{0,1}, характеризующие факты наличия временных отношений между событиями, связанными с переключением релейных элементов. Выходами нейросети являются действительные значения Лу) е [0,1], характери-

зующие возможность нахождения контролируемого элемента у в одном из двух состояний.

Рис. 1. Структура линейного нейроклассификатора

Выбор простейших линейных ИНС в качестве классификаторов обобщенных описаний обусловлен тем соображением, что линейные ИНС, основанные на признаках второго порядка, каковыми являются признаки-отношения, способны обеспечить качество аппроксимации данных аналогии ное тому, которое может быть получено на этих же данных путем применения ИНС с нелинейными функциями активации. В то же время для линейных ИНС существуют эффективные аналитические методы расчета оптимальных значений весовых коэффициентов и-п, что упрощает процедуру обучения и обеспечивает возможность разработки на этой основе эффективных методов автоматического формирования БЗ интеллектуальных моделей.

Продукционные правила третьего типа (ПЗ), также опираются на ней-росетевые методы обработки информации. В качестве предусловий правил используются модели обобщенных описаний, представленные в виде многослойных персептронов (МСП) (рис.2), осуществляющих функции одношаго-вого прогнозирования состояния динамической системы и(Г) на основе информации о ее прошлых состояниях и= (н(г -1), и(/ - 2),...,и(1 - М)}:

МГГ(«( 0)2„: —»[0,1]2, (8)

где н(/) - вектор состояния системы, элементы которого представляют логические значения сигналов ТС в момент времени Г (м; (г) / и] (У) е {0,1}).

I-----1

Рис. 2. Структура нейросети одношагового прогноза

Механизм поддержки принятия решений, представленный в интеллектуальной модели (1) в виде решающего блока /?, организован на основе процедур логического вывода. Процедура вывода реализуется в два этапа: на первом осуществляется интерпретация антецедентов всех правил, входящих в БЗ поддерживающей модели, на втором осуществляется непосредственно вывод путем присвоения полученных в результате интерпретации истинностных оценок антецедентов заключениям правил. Окончательные решения о состояниях тех или иных контролируемых элементов выносятся путем сопоставления данных в БД.

В третьей главе разработаны алгоритмы оптимизации БЗ и их параметров на основе методов генетического поиска.

Генетический алгоритм нахождения минимальных покрытий в моделирующих графах используется в качестве базисного метода при формировании БЗ на основе структурно-временного обобщения.

Особенностью разработанного алгоритма является то, что строки переменной длины А, состоят только из всех «единичных» генов особи д:,, которые соответствуют фактам наличия признаков. Таким образом, любую особь х( можно представить в виде вектора идентификаторов генов.

Формирование начальной популяции происходит следующим образом. Случайным образом генерируются стартовые множества, содержащих ровно по одному признаку К сгенерированным признакам последовательно добавляются новые таким образом, чтобы на каждом шаге максимизировать дис-

криминативнуго способность всей совокупности признаков, сформированной к текущему шагу. Если при формировании особи п раз подряд не наблюдается улучшение ее приспособленности, формирование строки прекращается. Таким образом, формирование каждой особи начальной популяции представляет собой ограниченный спуск к локальному минимуму целевой функции.

Для рекомбинации строк переменной длины применяются операторы CUT и SPLICE, которые производят эффект подобный кроссинговеру стандартного генетического алгоритма (рис. 3).

сит

Експрессия

26 7) 27

16 | 97 | 92

и

£

92 19 28 87 28

38 49 36 26 71

46 41 99 38 49 36 26 73

28 87 28

46 41 99 38 49 36

Рис. 3. Функционирование операторов CUT и SPLICE и процедура экспрессии

Целевая функция в зависимости о г типа искомого подграфа имеет вид:

F+(x,)=^т, (9)

или

= (Ю)

а,

где а*, а~ - коэффициенты, характеризующие частоту вхождения текущего подграфа Л, во множества положительных и отрицательных примеров соответственно.

В разработанном алгоритме также применяется оригинальный оператор мутации, который заключается в случайном добавлении к текущей строке А, факта наличия признака, т.е. идентификатора соответствующего гена.

Генетический алгоритм оптимизации обучающих выборок для нейросе-тевых моделей решает задачу выбора оптимальных наборов признаков, являющихся входными данными для ИНС.

Каждый ген определяет вхождение соответствующего факта наличия признака J(x¡(pkx))e {0,1} во входной вектор ш : «1» - 3(х1<ркх^ е т; «О» -

Формирование начальной популяции происходит также как и в предыдущем алгоритме, за исключением способа ограничения. Здесь вводится новый параметр: максимальное количество единичных генов в особи Л^, определяемый экспертом. Если еще учесть, что рассматриваемая задача имеет ту особенность, что вектор на входе ИНС должен быть немного избыточен, для ее правильной работы при неполных либо частично недостоверных данных, то введения параметра Л^ вполне достаточно и критерий размерности входного вектора можно не использовать в целевой функции.

Для выяснения дискриминативной способности совокупности признаков 3* е 3 при формировании правил типа П2 используется линейная нейросеть, содержащая N входных нейронов, соответствующих элементарным парам отношений из 3*, и один выходной нейрон, определяющий контролирующее решение из Я = {г1}.

Для выяснения дискриминативной способности совокупности признаков II* при формировании правил типа ПЗ используется регрессионная нейронная сеть вИКМ, содержащая N входных нейронов, соответствующих сигналам ТС из V, и М выходных нейронов, предсказывающих состояние рассматриваемой динамической системы в текущий момент времени I. Достоинством сети СЮЧЫ является простота обучения, что существенно уменьшает ресурсоемкость вычисления целевой функции.

При скрещивании вариантов решений в качестве оператора кроссин-говера используется теоретико-множественная операция пересечения отношений, входящих в формируемые наборы признаков. Сгенерированные под-наборы признаков выступают в качестве новых стартовых множеств, которые доформировываются аналогично «жадной стратегии», применяемой в формировании начальной популяции.

Особенностью разработанного алгоритма является отсутствие необходимости применения оператора мутации, т.к. основная функция указанного оператора, реализуется оператором скрещивания на этапе доформирования особей-потомков.

В четвертой главе выполнены экспериментальные исследования, показавшие эффективность разработанных методов и моделей. Показана эффек-

тивность представления данных в виде структурно-временных отношений в практических приложениях.

Генетический алгоритм нахождения минимальных покрытий в моделирующих графах был реализован в компьютерной среде математического моделирования МаНаЬ График процесса нахождения приемлемого покрытия представлен на рис. 4.

Рис. 4. График процесса нахождения приемлемого минимального покрытия в моделирующем графе

Как видно из графика разработанный алгоритм обладает высокой эффективностью.

Генетический алгоритм оптимизации обучающих выборок для нейросе-тевых моделей также был реализован в среде МаЙаЬ. График процесса оптимизации обучающей выборки представлен на рис. 5.

Рассматриваемый алгоритм был аналогичным образом применен для оптимизации обучающей выборки для нейросети одношагового прогноза с использованием в целевой функции регрессионной нейросети вИЧИ и также показал высокую эффективность.

Для обоснования возможности применения линейных нейроклассифика-торов при формировании правил, была создана и обучена линейная нейро-сеть.

Среднеквадратичная ошибка аппроксимации обучающих данных составила 0,07. Если учитывать некоторую зашумленность данных и линейную архитектуру используемой ИНС, это результат можно считать приемлемым.

Работа линейного нейроклассификатора показана на рис.6. Как видно из последнего графика целевой и восстановленный сигнал ТС практически полностью совпадают. Для остальных сигналов ТС получены аналогичные результаты.

а

u.

1

200 400

BOO 1000 1200

Epochs

Рис. 5. График процесса оптимизации обучающей выборки для нейросетевых моделей

Отображение целевого сигнала ТС на обучающей выборке

—ч^

■4- «vA

JU

0 100 200 300 400 500 600 700 600 900 1000

Отображение целевого сигнала ТС на тестовой выборке

Л„.rL.il.........П .

цР^ "" ^'"tV^^'V Ufv

О 100 200 300 400 500 600 700 600 900 1000

Отображение сигнала ТС на тестовой выборке с пороговой функцией

1 j-О 5 с

Л

О 100 200 300 <00 500 600 700 800 300 1000

Рис. 6. Работа линейного нейроклассификатора

Таким образом, можно сделать вывод о возможности формирования правил для интеллектуальной продукционной модели на основе линейных нейроклассификаторов.

Для выяснения возможности применения нейросетей одношагового прогноза для формирования правил был создан и обучен МСП. Погрешность обучения составила 0,019.

Работа нейросети одношагового прогноза на примере одного сигнала ТС показана на рис.7.

Как видно из последнего графика целевой и восстановленный сигнал ТС практически полностью совпадают. Для остальных сигналов ТС получены аналогичные результаты.

Таким образом, можно сделать вывод о возможности формирования правил для интеллектуальной продукционной модели на основе нейросетей одношагового прогноза.

Целевой сигнал ТС на тестовой выборке

11-05L

О 100 200 300 400 S00 600 700 800 900 1000

Восстановленный сигнал ТС на тестовой выборке

о s|-о|-

LH

0 100 200 300 400 500 600 700 800 900 10ОО

Сравнение целевого и восстановленного сигналов ТС на тестовой выборке

Г"

" П

051- I

„|_Ш

rULJUJU

О 100 200 300 400 500 600 700 вОО 000 1000

Рис. 7. Работа нейросети одношагового прогноза на примере одного сигнала ТС

Подсистема логического обнаружения несоответствия зависимостей устройств ЭЦ и АБ в составе ДЦ-Юг с РКП прошла сертификацию в испытательной лаборатории ССБ ЖАТ ПГУПС МПС России, после чего было начато внедрение на реальных ж.д. участках.

В указанной подсистеме КВП используются для идентификации технологических процессов. Разработанный алгоритм, являющийся реализацией продукционных правил типа П1, лишен недостатков, присущих традиционным алгоритмам идентификации технологических процессов, т.к. допускает отсутствие в текущей информационной ситуации нескольких темпоральных отношений.

Метод обнаружения подпитки путевых реле входит в подсистему логического контроля устройств СЦБ в составе системы ДЦ-ЮГ с РКП, основные принципы которого, в соответствии с обозначениями на диаграмме (рис.8), заключаются в следующем.

контакт путевого реле) и х2 (фронтовой контакт повторителя путевого реле)

Для информационных фрагментов:

= , (11) 5* = (х,>2*Г) & (х*2<ргх2), (12)

формируются продукционные правила

ДГ(5,,)>Д/1->г1, (13)

АЩ2*)>Д?2^г2, (14)

где г, - подпитка повторителей путевого реле,

г2 - несрабатывание повторителя путевого реле или неисправность соответствующего датчика.

Достоинством разработанного метода является возможность обнаружения умышленного подпитывания повторителей путевых реле путем установления перемычки на контактах путевого реле или другим способом.

В заключении приводятся основные выводы по результатам выполненных исследований:

1. Предложен новый класс интеллектуальных поддерживающих моделей, основанных на использовании динамических зависимостей между телесигналами.

2. Предложен способ представления БД в виде совокупностей структурно-временных описаний, заданных темпоральными формулами.

3. Предложен механизм формирования БЗ на основе нелинейных нейро-сетей одношагового прогноза состояния динамической системы.

4. Разработаны методы оптимизации баз знаний и адаптации их параметров на основе генетических алгоритмов.

5. Обоснована возможность формирования правил на основе нейросете-вых моделей.

Основные положения диссертации опубликованы в работах:

1. Иванов P.A., Хатламаджиян А.Е. Организация разработки компьютерных программ. // Международный межвузовский сборник научных трудов «Перспективные технологии и технические средства управления перевозками на железнодорожном транспорте», Ростов-на-Дону, 2001. с. 37-41.

2. Криволапое C.B., Хатламаджиян А.Е. Методика проверки программной модели станции // Международный межвузовский сборник научных трудов «Актуальные проблемы развития технических средств железнодорожной автоматики и телемеханики», Ростов-на-Дону, 2002. с. 51-54.

3. Скопин A.A., Кулькин С.А., Хатламаджиян А.Е. Особенности реализации ответственных команд в системе «ДЦ-ЮГ с РКП» // Труды четвертой научно-технической конференции «Безопасность движения поездов», Москва, 2003. с. II-24.

4. Хатламаджиян А.Е. Подсистема логического контроля устройств СЦБ в системах диспетчерского контроля и управления // Актуальные проблемы развития технических средств и технологий железнодорожной автоматики и телемеханики : Междунар. межвуз. сб. науч. тр. / Под ред. И.Д. Долгого. - Ростов-н/Д: РГУПС, 2003. с. 52-56.

5. Хатламаджиян А.Е. Обнаружение подпитки повторителей путевых реле // Актуальные проблемы развития технических средств и технологий железнодорожной автоматики и телемеханики : Междунар. межвуз. сб. науч. тр. / Под ред. И.Д. Долгого. - Ростов-н/Д: РГУПС, 2003. с. 78-82.

6. Долгий И.Д. Хатламаджиян А.Е. Подсистема логического контроля устройств СЦБ в составе микропроцессорных систем ДЦ // Труды всероссийской научно-практической конференции «Транспорт - 2004», Ростов-на-Дону, 2004. с. 4-5.

7. Хатламаджиян А.Е. Дублирование методов обработки информации в системах диспетчерского контроля и управления устройствами электроснабжения на участках железных дорог // Известия ТРТУ. Тематический выпуск «Актуальные проблемы производства и потребления электроэнергии».- Таганрог. Изд-во ТРТУ, 2004. № 7,- с. 5-7.

8. Долгий И.Д. Хатламаджиян А.Е. Гибридные интеллектуальные технологии в системах железнодорожной автоматики и телемеханики // Журнал «Перспективные информационные технологии и интеллектуальные системы»,- Таганрог: Изд-во ТРТУ, 2004. № 3 (19).- с. 82-87.

9. Хатламаджиян А.Е. Интеллектуализация концепции логического контроля устройств СЦБ // Труды пятой научно-технической конференции «Безопасность движения поездов», Москва, 2004. с. II-16.

Хатламаджиян Агоп Ервандович

МЕТОДЫ АВТОМАТИЗАЦИИ ПРОЦЕССОВ ЛОГИЧЕСКОГО КОНТРОЛЯ В ТРАНСПОРТНЫХ СИСТЕМАХ ДИСПЕТЧЕРСКОГО УПРАВЛЕНИЯ НА ОСНОВЕ ГИБРИДНЫХ МОДЕЛЕЙ И ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ

Автореферат диссертации на соискание учёной степени кандидата технических наук

Формат 60x84/16. Бумага офсетная. Печать офсетная. Усл. печ. л. 1,0. Уч.-изд. л. 1,0. Тираж 100. Заказ №

Ростовский государственный университет путей сообщения.

Лицензия ЛР № 65 - 54 от 10.12.1999 г.

Ризография РГУПС. Лицензия ПЛД № 65 - 10 от 10.08.1999 г.

Адрес университета: 344038, г. Ростов н/Д, пл. Народного ополчения, 2.

РНБ Русский фонд

2006-4 9688

ВВЕДЕНИЕ.

Глава 1. АНАЛИЗ ОБЪЕКТА ИССЛЕДОВАНИЯ И СУЩЕСТВУЮЩИХ МЕТОДОВ ЛОГИЧЕСКОГО КОНТРОЛЯ УСТРОЙСТВ СЦБ. ПОСТАНОВКА ЗАДАЧИ.

1.1. Системы диспетчерской централизации.

1.2. Методы логического контроля в системах ДЦ.

1.3. Автоматизация процессов логического контроля в системах

1.4. Выводы.

Глава 2. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ ПРОДУКЦИОННОЙ МОДЕЛИ ЛОГИЧЕСКОГО КОНТРОЛЯ УСТРОЙСТВ СЦБ В СОСТАВЕ СИСТЕМЫ ДЦ.

2.1. Описание интеллектуальной продукционной модели и механизма вывода.

2.2. Базы знаний на основе обобщенных структурно-временных описаний.

2.3. Базы знаний на основе нейросетевых моделей.

2.5. Организация механизма вывода.

2.6. Выводы.

Глава 3. РАЗРАБОТКА МЕТОДОВ ФОРМИРОВАНИЯ БАЗ ЗНАНИЙ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОЙ ПРОДУКЦИОННОЙ МОДЕЛИ ЛОГИЧЕСКОГО КОНТРОЛЯ УСТРОЙСТВ СЦБ В СОСТАВЕ СИСТЕМЫ ДЦ.

3.1. Методы оптимизации при формировании баз знаний.

3.2. Генетический алгоритм оптимизации обучающих выборок для нейросетевых моделей.

3.4. Генетический алгоритм нахождения минимальных покрытий в моделирующих графах.

3.5. Выводы.

Глава 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ОСНОВНЫХ ТЕОРЕТИЧЕСКИХ РАЗРАБОТОК И ИХ ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ

4.1. Результаты экспериментальных исследований.

4.2. Применение темпоральных моделей в подсистеме логического обнаружения несоответствия зависимостей устройств ЭЦ и АБ в составе системы ДЦ-Юг с РКП.

4.3. Обнаружение подпитки повторителей путевых реле с использованием темпоральных метрических отношений.

4.4. Выводы.

Актуальность работы. Современные системы диспетчерской централизации (ДЦ) являются высоко интегрированными технологическими комплексами и включают в себя в качестве важнейших подсистем подсистемы логического контроля, отвечающие за надежность функционирования аппаратуры сигнализации, централизации и блокировки (СЦБ), а, следовательно, и за безопасность движения поездов. В основе существующих технологий обеспечения надежности и безопасности систем ДЦ лежат методы контроля, основанные на использовании традиционных автоматных моделей системы в виде логических уравнений-зависимостей. Однако на пути использования аналитических моделей для решения поставленных задач возникает ряд проблем, связанных со сложностью построения точных аналитических моделей контроля устройств СЦБ, чрезмерно большой размерностью задач логического контроля, недостоверностью информации, поступающей на вход системы и ее недостаточной информативностью для принятия контролирующих решений.

В решении указанных проблем могут помочь современные информационные технологии, в развитии которых, в последнее время, произошли существенные изменения, которые объясняются рядом причин, но, прежде всего, резким увеличением производительности вычислительных устройств, появлением новых компьютерных систем.

Наиболее характерным примером информационных технологий нового поколения являются гибридные информационные технологии [1-3]. В их основу положена идея использования для решения конкретных практических задач не одного какого-либо метода или модели, а объединения нескольких различных классов моделей, опирающихся на различные принципы представления и обработки информации. Благодаря такой интеграции разнотипных моделей в рамках единой технологии удается объединить преимущества различных методов и подходов к принятию решений и одновременно нивелировать их недостатки, что существенно повышает эффективность всей системы принятия решений. Особый эффект достигается в результате интеграции точных аналитических моделей принятия решений, основанных на традиционных методах математического программирования, с интеллектуальными моделями, основанными на знаниях. Такие технологии получили название гибридных интеллектуальных технологий.

Гибридные интеллектуальные технологии ориентированы, главным образом, на решение задач повышенного уровня сложности или, так называемых, информационно-сложных задач. Их характерными признаками являются: неполнота либо недостоверность исходной информации о решаемой задаче; невозможность построения точной аналитической модели принятия решений; отсутствие алгоритмического решения поставленной задачи либо практическая невозможность его получения из-за необходимости использования чрезмерно больших компьютерных ресурсов времени и памяти. Наличие хотя бы одного из перечисленных выше признаков в решаемой задаче позволяет отнести ее к классу информационно-сложных задач [4, 5].

Класс информационно-сложных задач, с которыми приходится сталкиваться специалистам на практике, в последнее время непрерывно расширяется, что обусловлено, вовлечением в сферу автоматизации все более сложных процессов и систем. Наиболее характерными примерами информационно-сложных процессов являются процессы контроля и диагностирования сложных технических систем и технологических комплексов на железнодорожном транспорте и, в частности, систем диспетчерского управления, предназначенных для автоматизации процессов контроля и управления движением поездов на участках и направлениях железной дороги.

Таким образом, при создании современных систем ДЦ возникает потребность в разработке новых технологий контроля устройств СЦБ, основанных на принципах гибридизации, позволяющих в наиболее полной мере использовать весь потенциал технологических знаний о системе и законах ее функционирования для целей повышения надежности и безопасности создаваемой системы.

Степень разработанности проблемы.

Большой вклад в развитие теории и практики разработки эффективных систем диспетчерского управления, автоматизированных систем диагностирования и создания на их основе единых центров управления внесли отечественные ученые JT.A. Баранов, Д.В. Гавзов, И.Е. Дмитренко, И.Д. Долгий, O.K. Дрейман, В.Н. Иванченко, В.М. Лисенков, А.А. Поплавский, Е.Н. Розенберг, И.Н. Розенберг, В.В. Сапожников, Вл. В. Сапожников, Д.В. Шалягин, и др.

Большой вклад в развитие интеллектуальных технологий и теоретических основ информатики внесли такие ученые как JI.C. Берштейн, Г.И. Белявский, В.Н. Вагин, А.Н. Гуда, А.П. Еремеев, В.В. Емельянов, В.М. Курейчик, С.М. Ковалев, Н.Н. Лябах, Г.С. Осипов, Э.В. Попов, Д.А. Поспелов, В.Б.Тарасов, Е.М. Ульяницкий, В.К. Финн, И.Б. Фоминых и др.

Цель работы.

Целью диссертационной работы является исследование и разработка новых методов автоматизации логического контроля устройств СЦБ в составе систем ДЦ, основанных на использовании динамических зависимостей между телесигналами.

Для достижения поставленной цели требуется решить следующие задачи:

1. Провести комплексный анализ современных систем ДЦ и известных методов логического контроля устройств СЦБ с целью обоснования выбора гибридной модели для поддержки принятия контролирующих решений.

2. Разработать новый класс интеллектуальных поддерживающих моделей для гибридной системы логического контроля в составе систем ДЦ, основанных на использовании структурно-временной информации о функционировании устройств СЦБ.

3. Разработать методы формализации динамических зависимостей между телесигналами, методы оптимизации баз знаний (БЗ) и алгоритмы вывода, в качестве основного механизма поддержки принятия контролирующих решений.

4. Провести экспериментальные исследования, для обоснования эффективности предложенного класса моделей.

Методы исследования.

Для решения поставленных задач использовались следующие методы исследований: элементы теории множеств, элементы теории графов и гиперграфов, элементы темпоральной логики, элементы теории искусственных нейронных сетей, элементы теории генетического поиска.

Научная новизна диссертационной работы заключается в следующем:

1. Обоснована возможность применения искусственных нейронных сетей в качестве интеллектуальной модели поддержки процессов логического контроля в системах диспетчерского управления, позволяющей повысить достоверность определения состояния объектов контроля при неполных либо частично недостоверных данных.

2. Для систем диспетчерского управления разработана гибридная модель автоматизации процессов логического контроля, основанная на объединении теоретико-графовых и нейросетевых моделей и позволяющая учесть влияние динамических зависимостей между телесигналами при принятии контролирующих решений.

3. Предложен метод формализации динамических зависимостей между телесигналами, основанный на объединении темпоральных и нейросетевых моделей, позволяющий при формировании баз знаний использовать линейные нейросети.

4. Для предложенного класса гибридных моделей разработаны методы оптимизации баз знаний и адаптации их параметров на основе генетических алгоритмов, решающие задачи нахождения покрытий в моделирующих графах и оптимизации обучающих выборок для нейросетевых моделей.

Практическая ценность диссертационной работы заключается в следующем:

1. На основе разработанной интеллектуальной модели создаются подсистемы логического контроля как в составе систем ДЦ, так и в других системах диспетчерского контроля и управления [6].

2. Предложенный способ представления данных об изменениях сигналов ТС в виде темпоральных формул применяется в составе интеллектуальной продукционной модели, и в других системах в качестве метода организации БД.

3. Разработанные генетический алгоритм нахождения покрытий в моделирующих графах и генетический алгоритм оптимизации обучающих выборок для нейросетевых моделей используются для решения широкого круга задач в области автоматизации контроля и диагностирования.

Достоверность и обоснованность научных положений, выводов и результатов, сформулированных в диссертации, подтверждается результатами вычислительных экспериментов на практических и модельных задачах, публикациями и апробацией работы на региональных, отраслевых и внутривузовских научно-технических конференциях, а также актами внедрения результатов работы.

Реализация результатов работы.

Часть теоретических и практических результатов работы использованы при разработке подсистемы логического обнаружения несоответствия зависимостей устройств электрической централизации (ЭЦ) и автоблокировки (АБ) в составе системы ДЦ-Юг с РКП. На основе теоретических исследований разработан метод обнаружения подпитки повторителей путевого реле средствами системы ДЦ. Результаты работы используются в учебном процессе.

Апробация основных теоретических и практических результатов работы проводилась на научных семинарах (с 2002 по 2004 гг., РГУПС), региональной научно-практической конференции «Актуальные проблемы развития транспорта Черноморского побережья России» (Туапсе, 2004 г.), четвертой, пятой научно-технической конференции «Безопасность движения поездов» (Москва, 2003 г., 2004 г.), всероссийской научно-практической конференции «Транспорт - 2004» (Ростов-на-Дону, 2004 г.).

Публикации.

По теме диссертации опубликовано 9 печатных работ.

Структура и объем работы.

Диссертационная работа состоит из введения, четырех глав, заключения, и списка использованных источников. Работа содержит 152 стр., включая 34 рис., список использованных источников из 109 наименований, 15 стр. приложений и актов о внедрении.

4.4. Выводы

Эксперименты, проведенные в компьютерной среде математического моделирования, а также результаты практического использования элементов теоретических изысканий, представленные в данной работе, позволяют сделать следующие выводы.

1. Разработанный генетический алгоритм нахождения минимальных покрытий в моделирующих графах обладает высокой эффективностью. Формирование начальной популяции с использованием ограниченного локального спуска к локальному минимуму не уступает по эффективности предварительной фазе типового мобильного генетического алгоритма, а также существенно уменьшает время нахождения глобального минимума.

2. Использование в генетическом алгоритме нахождения минимальных покрытий в моделирующих графах в строках переменной длины только «единичных» генов в совокупности с оригинальным оператором мутации также позволяют значительно сэкономить вычислительные ресурсы.

3. Дополнительное использование в разработанном генетическом алгоритме оптимизации обучающей выборки для нейросетевых моделей встроенной градиентной процедуры доформирования частичных наборов признаков обеспечивает дополнительное "ускорение" процессу поиска локального экстремума и повышает эффективность поиска приемлемого решения.

4. Применение в генетическом алгоритме оптимизации обучающей выборки для нейросетевых моделей в целевой функции регрессионной нейросети GRNN (для нейросети одношагового прогноза) позволяет существенно ускорить его выполнение и уменьшить количество требуемых вычислительных ресурсов.

5. Обоснована возможность формирования правил для интеллектуальной продукционной модели на основе линейных нейроклассификаторов.

6. Обоснована возможность формирования правил для интеллектуальной продукционной модели на основе нейронных сетей одношагового прогноза.

7. Показана эффективность представление данных в форме совокупности структурно-временных описаний в виде темпоральных формул на примере алгоритма идентификации технологического процесса «ПРИБЫТИЕ ПОЕЗДА», который применяется в подсистеме логического обнаружения несоответствия зависимостей устройств ЭЦ и АБ в составе системы ДЦ-Юг с РКП. Разработанный алгоритм, являющийся реализацией продукционных правил типа П1, лишен недостатков, присущих традиционным алгоритмам идентификации технологических процессов, т.к. допускает отсутствие в текущей информационной ситуации нескольких темпоральных отношений.

8. Разработанный метод обнаружения подпитки повторителей путевого реле на основе метрических темпоральных отношений, предназначенный для работы в составе системы ДЦ имеет высокую эффективность, а также обладает способностью обнаружения умышленного подпитывания повторителей путевых реле путем установления перемычки на контактах путевого реле или другим способом.

ЗАКЛЮЧЕНИЕ

В результате выполненных теоретических и практических исследований по теме диссертационной работы реализованы следующие научные и практические положения:

1. Для вновь создаваемой гибридной подсистемы логического контроля в составе систем ДЦ предложен новый класс интеллектуальных поддерживающих моделей, основанных на использовании динамических зависимостей между сигналами ТС и ориентированных на поддержку процессов логического контроля устройств СЦБ. Разработанные модели, опираясь на продукционные правила трех типов, отличаются компактностью, а заложенные в них возможности оперировать несколькими различными формами представления и обработки знаний, придают им свойство универсальности и простоту интеграции с традиционными моделями обработки данных. Благодаря интеграции стандартных методов логического контроля, основанных на автоматных моделях, и интеллектуальных моделей, основанных на продукционных правилах, повышается надежность работы системы и ее отказоустойчивость.

2. Предложено представление БД в форме совокупности структурно-временных описаний в виде темпоральных формул, которое позволяет применить эффективный метод формирования БЗ на основе теоретико-графовой модели. Такое представление БД также позволяет использовать при формировании БЗ на основе нейросетевых моделей линейные нейросети, что существенно упрощает структуру разрабатываемых нейроклассификаторов и процедуру их обучения. Указанное обстоятельство особенно актуально, учитывая необходимость построения нейроклассификатора для каждого контролируемого сигнала ТС.

3. Предложен механизм формирования БЗ на основе нелинейных нейросетей одношагового прогноза состояния динамической системы обучающихся на информации о ее прошлых состояниях. Достоинствами этого метода являются то, что одна нейросеть строится для совокупности релейных элементов в рамках замкнутых динамических систем (в нашем случае речь идет о системе ЭЦ), а также большая «глубина погружения» в историю изменения состояния рассматриваемых систем.

4. Разработан генетический алгоритм оптимизации обучающих выборок для нейросетевых моделей, который обладает одним важным достоинством, обусловленным особым способом организации механизма скрещивания, который реализован на основе теоретико-множественной операции пересечения, обеспечивающей механизм наследования признаков, во взаимодействии с детерминированным способом доопределения полученных в результате скрещивания частичных наборов признаков таким образом, чтобы обеспечить максимальную информативность формируемому набору. Использование в указанном алгоритме регрессионной нейронной сети GRNN (для нейросети одношагового прогноза) позволяет существенно ускорить его выполнение и уменьшить количество требуемых вычислительных ресурсов. Введение параметра - максимальное количество единичных генов в особи, определяемого экспертом - позволяет существенно снизить требования к вычислительным ресурсам и не усложнять указанный алгоритм учетом критерия размерности входного вектора в целевой функции.

5. Разработан генетический алгоритм нахождения минимальных покрытий в моделирующих графах со строками переменной длины, в используются только «единичные» гены, что в совокупности с оригинальным оператором мутации также позволяют значительно сэкономить вычислительные ресурсы. Формирование начальной популяции с использованием ограниченного локального спуска к локальному минимуму позволяет уменьшить время нахождения приемлемого решения.

7. Обоснована возможность формирования правил для интеллектуальной продукционной модели на основе линейных нейроклассификаторов.

Обоснована возможность формирования правил для интеллектуальной продукционной модели на основе нейронных сетей одношагового прогноза.

Показана эффективность представление данных в форме совокупности структурно-временных описаний в виде темпоральных формул на примере алгоритма идентификации технологического процесса «ПРИБЫТИЕ ПОЕЗДА», который применяется в подсистеме логического обнаружения несоответствия зависимостей устройств ЭЦ и АБ в составе системы ДЦ-Юг с РКП. Разработанный алгоритм, являющийся реализацией продукционных правил типа П1, лишен недостатков, присущих традиционным алгоритмам идентификации технологических процессов, т.к. допускает отсутствие в текущей информационной ситуации нескольких темпоральных отношений.

Разработан метод обнаружения подпитки повторителей путевого реле на основе метрических темпоральных отношений, предназначенный для работы в составе системы ДЦ. Указанный метод обладает способностью обнаружения умышленного подпитывания повторителей путевых реле путем установления перемычки на контактах путевого реле или другим способом.

1. Фоминых И.Б. Принципы построения гибридных интеллектуальных систем реального времени. Международный конгресс "Искусственный интеллект в XXI веке". Москва: Изд-во Физ.-мат. литер. 2001. с.524-533.

2. Рыбина Г.В. Интегрированные экспертные системы современное состояние , проблемы и тенденции Изв. РАН. ТиСУ. 2002, №3, с. 111-124.

3. Попов Э.В., Фоминых И.Б. Кисель Е.Б. Шапот М.Д. Статические и динамические экспертные системы: Учеб. пособие. М.: Финансы и статистика, 1996. - 320с.

4. Кузин Е.С. Информационно-сложные задачи и технологии их решения Новости искусственного интеллекта, Российская ассоциация ИИ, Москва. 2003, №1 (55), с. 24-29.Е.С.

5. Переборов А.С., Дрейман O.K., Кондратенко Л.Ф. Диспетчерская централизация // Учебник для вузов ж.-д. трансп., Москва, 1989. 303с.

6. Системы диспетчерской централизации: Учебник для вузов ж.-д. трансп. / Д.В. Гавзов, O.K. Дрейман, В.А. Кононов, А.Б. Никитин; Под общей ред. проф. Вл.В. Сапожникова. М.: Издательство «Маршрут», 2002. 407 с.

7. Казаков А.А. Релейная централизация стрелок и сигналов: Учебник для техникумов ж.-д. трансп. М.: Транспорт, 1978. 328 с.

8. Петров А.Ф., Цейко Л.П., Ивенский И.М. Схемы электрической централизации промежуточных станций. М.: Транспорт, 1987. 287 с.

9. Казаков А.А., Бубнов В.Д., Казаков Е.А. Станционные устройства автоматики и телемеханики: Учебник для техникумов ж.-д. трансп. М.: Транспорт, 1990. 431с.

10. Системы железнодорожной автоматики и телемеханики: Учебник для вузов / Ю.А. Кравцов, В.Л. Нестеров, Г.Ф. Лекута и др.; Под ред. Ю.А. Кравцова. М.: Транспорт, 1996. 400с.

11. Станционные системы автоматики и телемеханики: Учебник для вузов ж.-д. трансп. / Вл.В. Сапожников, Б.Н. Елкин, И.М. Кокурин и др.; Под ред. Вл.В. Сапожникова. М.: Транспорт, 1997. 432 с.

12. Швалов Д.В. Автоматизированная система определения технического состояния устройств электрической централизации. Диссертация, Ростов-на-Дону, 2001.

13. Буканов М.А. Безопасность движения поездов (в условиях нарушения нормальной работы устройств СЦБ и связи). М.: Транспорт, 1990. 112 с.

14. Надежность в технике. Основные понятия. Термины и определения. ГОСТ 27.002-89. М.: Изд-во стандартов, 1989. 30 с.

15. Ягудин Р.Ш. Надежность устройств железнодорожной автоматики и телемеханики. М.: Транспорт, 1989. 159 с.

16. Долгий И.Д., Кулькин А.Г., Пономарев Ю.Э., Кузнецов Л.П. «Диспетчерская централизация ДЦ-ЮГ с распределеннымиконтролируемыми пунктами» // Автоматика, связь, информатика №8 2002 с.2.

17. Долгий И. Д. Хатламаджиян А.Е. Подсистема логического контроля устройств СЦБ в составе микропроцессорных систем ДЦ // Труды всероссийской научно-практической конференции «Транспорт 2004», Ростов-на-Дону, 2004.

18. Гавриков В.О., Никифоров Н.А. Микропроцессорная система диспетчерской централизации «Тракт» // Автоматика, телемеханика и связь, 1999. №3. с.23-25.

19. Масайтис Ю.Л., Морозов С.С. Автоматизированная система диспетчерского контроля // Автоматика, телемеханика и связь, 1996. №9. с.32-33.

20. Чернин М.А., Протопопов О.В. Автоматизированная система диспетчерского контроля // Автоматика, телемеханика и связь, 1999. №10. с.48.

21. Гриненко А.В., Пресняков А.И., Варченко В.И. Основные принципы построения диспетчерской системы в АПК-ДК // Автоматика, связь, информатика, 2000. №9. с. 16-18.

22. Горбунов Б.JI. Аппаратные средства диспетчерского комплекса АПК-ДК // Автоматика, связь, информатика, 2000. №9. с. 19-21.

23. Аверкиев С. А., Морозов С.С. Автоматизированная система диспетчерского контроля АСДК «ГТСС-СЕКТОР» // Автоматика, связь, информатика, 2000. №9. с.38-41.

24. Кудрявцев В.В. Автоматизированная система учета отказов устройств автоматики, связи и работы средств контроля подвижного состава//Автоматика, связь, информатика, 2000. №12. с.13-15.

25. Пальчик Л.В., Швалов Д.В. Автоматизация процессов определения технического состояния устройств электрической централизации // Автоматика, связь, информатика, 2000. №5. с.36-37.

26. Аверкиев С.А., Морозов С.С., Мухин В.В. Автоматизированная система диспетчерского контроля «ГТСС-СЕКТОР» // Автоматика, связь, информатика, 2001. №10. с.30-32.

27. Кораблев Е.А., Донцов В.К. Микропроцессорная система технической диагностики электрической централизации крупной станции // Автоматика, телемеханика и связь, 1992. №7. с.8-10.

28. Аракелян В.В., Шмелев Е.В., Харченко В.А., Карпов О.М. Диспетчерская централизация «ЮГ» на базе КП «КРУГ» // Автоматика, связь, информатика, 2002. №1. с.7-10.

29. Гоман Е.А., Сепетый А.А. Интеграция средств автоматизации диагностирования с современными системами ЖАТ // Автоматика, связь, информатика, 2002. №11. с. 13-17.

30. Андреевских А.В., Байдуж А.Н., Доманский В.Т., Киненеев И.И. Микропроцессорная система контроля состояния устройств СЦБ // Автоматика, телемеханика и связь, 1991. №2. с.9-11.

31. Дмитриенко И.Е., Пак А.К., Пунчак А.В., Тихая Т.Я. Микропроцессорная система технической диагностики устройств СЦБ // Автоматика, телемеханика и связь, 1991. №2. с. 11-13.

32. Воронин В.А. Методы выявления ложной занятости рельсовых цепей // Автоматика, телемеханика и связь, 1995. №3. с.24-25.

33. Шацев Н.З., Федотов А.Е. Схемы фиксации перемежающихся и установившихся отказов рельсовых цепей // Автоматика, телемеханика и связь, 1989. №7. с.19-21.

34. Дмитриенко П. А., Исауленко В.И. Исключение подпитки повторителей путевых реле // Автоматика, телемеханика и связь, 1993. №1. с.38.

35. Коноваленко А.А. Схема фиксации кратковременных отказов в устройствах электрической централизации // Автоматика, телемеханика и связь, 1986. №2. с.38-40.

36. Шпигельман Б.И. Блоки фиксации отказов ЭЦ // Автоматика, телемеханика и связь, 1991. №7. с.26-29.

37. Гол охов И.В. Устройство для счета числа переводов стрелки // Автоматика, телемеханика и связь, 1984. №1. с.39.

38. Алгоритмы подсистемы логического обнаружения несоответствия зависимостей устройств ЭЦ и автоблокировки. Технические решения // ЭТТ. ВНИИУП МПС России. 2003.

39. Нормы технологического проектирования устройств автоматики и телемеханики на федеральном железнодорожном транспорте НТП-СЦБ/МПС-99 // Санкт-Петербург, 1999. 76 с.

40. Долгий И.Д. Хатламаджиян А.Е. Гибридные интеллектуальные технологии в системах железнодорожной автоматики и телемеханики // Журнал «Перспективные информационные технологии и интеллектуальные системы»,- Таганрог: Изд-во ТРТУ, 2004. №3 (19).-с. 82-87.

41. Ежкова И.В. Можно ли построить универсальную экспертную систему? // Программные продукты и системы. 1991. №2. с. 19-29.

42. Джексон П. Введение в экспертные системы. М.: Издательский дом «Вильяме», 2001. 624 с.

43. Поспелов Д.А. Моделирование рассуждений. М.: Радио и связь, 1989. 184 с.

44. Пупков К.А., Коньков В.Г., Интеллектуальные системы. М.: Издательство МГТУ им. Н.Э. Баумана, 2003. 348 с.

45. Нильсон Н. Принципы искусственного интеллекта. М.: Радио и связь, 1985. 376 с.

46. Хейес-Рот Ф., Уотерман Д., Ленат Д., Построение экспертных систем. М.: Мир, 1987. 430 с.

47. Рыбина Г.В. Технология проектирования прикладных эксперных систем. М.: МИФИ, 1991. 104 с.

48. Нейлор К. Как построить свою экспертную систему. М.: Энергоатомиздат, 1991. 286 с.

49. Экспертные системы для персонального компьютера: методы, средства, реализации: справочное пособие. Мн.: Выс. шк., 1990. 197 с.

50. Сапожников В.В., Василенко М.Н., Быков В.П., Рубинштейн Н.И. Экспертные системы железнодорожной автоматики и телемеханики // Автоматика, телемеханика и связь, 1992. №6. с.13-16.ъ133

51. Гречин И.В. Приобретение знаний экспертными системами. Известия ТРТУ №2, тематический выпуск «Интеллектуальные САПР».: Таганрог: ТРТУ, 2000. с. 66-69.

52. Маковский В.А. Похлебаев В.И., Базы знаний (экспертные системы). М.: Издательство стандартов, 1993. 37с.

53. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах // Под редакцией Д.А. Поспелова. -Москва, Наука, 1989. 328 с.

54. Дюк В., Самойленко A., Data Mining: учебный курс. СПб.: Питер, 2001,368 с.

55. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы, 1997, №4, с.41-44.

56. КорнеевВ.В., Гареев А.Ф., Васютин С.В., Райх В.В., Базы данных. Интеллектуальная обработка информации. М.: Издательство «Нолидж», 2000 г., 352 с.

57. Поспелов Д.А. Данные и знания. Искусственный интеллект. В 3 кн. Кн. 1.: Радио и связь, 1990 г., 464 с.1 63. Круглов В.В., Борисов В.В. Искусственные нейронные сети.

58. Теория и практика. М.: Горячая линия-Телеком, 2002. - 382с.

59. М. Mimsky and S. Papert, "Perceptrons: An Introduction to Computational Geometry", MIT Press, Cambridge, Mass., 1969.

60. Уоссерман Ф. Нейрокомпьютерная техника / Пер. на русский язык Ю. А. Зуев, В. А. Точенов. М.: Мир, 1992. - 118с.

61. Вагин В.Н. Дедукция и обобщение в системах принятия решений. М.: Наука. - Гл. ред. физ.-мат. лит., 1988. - 384с.

62. Финн В.К. Правдоподобные выводы и правдоподобные рассуждения // Итоги науки и техники. Сер. теория вероятностей,1. V 134математическая статистика и теоретическая кибернетика. Т. 28. -М.: ВИНИТИ, 1988. с. 3 84.

63. Харари Ф. Теория графов. М.: Мир, 1973, 300 с.

64. Уилсон Р. Введение в теорию графов. М.: Мир, 1977. 208 с.

65. Кристофидес Н. Теория графов. Алгоритмический подход. М.: Мир, 1978. 432 с.

66. Оре О. Теория графов. М.: Мир, 1980. 356 с.

67. Зыков А.А. Основы теории графов. М.: Наука, 1987. 384 с.

68. Татт У. Теория графов. М.: Мир, 1988. 424 с.

69. Курейчик В.М. Генетические алгоритмы. Обзор и состояние // Новости искусственного интеллекта. 1998. №3.

70. Gramss, Т. Worterkennung mit einem kunstlichen neuronalen Netzwerk. Dissertation, Universitat Gottingen. 1992.

71. Osowski S., Siwek K. Selforganizing neural networks for short term * load forecasting in power system // Engineering Applications of Neural

72. Networks (EANN), Gibraltar, 1998. Pp. 1583-1596.

73. Хорошевский В.Ф. Механизмы вывода решений в экспертной системе. М.: МИФИ, 1988. 44 с.

74. Ивашко В.Г., Кузнецов С.О. Оценки правдоподобия в продукционных экспертных системах // Экспертные системы: состояние и перспективы. -М.: Наука, 1989. с. 92-103.

75. Осовский С. Нейронные сети для обработки информации / Пер. с , польского И.Д. Рудинского. М.: Финансы и статистика, 2002. 344с.1. V 135

76. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. Серия "Учебники экономико-аналитического института МИФИ" / Под ред. проф. В.В. Харитонова. М.: МИФИ, 1998.-224 с.

77. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985. - 509 с.

78. М. Riedmiller and Н. Braun. A direct adaptive method for faster backpropagation learning: The RPROP algorithm. In H. Ruspini, editor, Proceedings of the IEEE International Conference on Neural Networks (ICNN), pages 586-591, San Francisco, 1993.

79. Y. Lecun, L. Bottou, G. Orr and K. Muller. Efficient BackProp. From Neural Networks: tricks of the trade. Springer, 1998.

80. Thimm G., Fiesler E. Neural Network initialization. From Natural to Artificial Neural Computation. In J. Mira, F. Sandoval. Malaga, 1995. pages 533-542.

81. Hagan M.T., Demuth H.B., Beale M.N. Neural Network Design. Boston, MA: PWS Publishing, 1996.

82. Hagan M.T., Menhaj M. Training feed forward networks with the ' Marquardt // IEEE Transactions on Neural Networks. 1994. Vol.5, № 6.1. P. 989-993.

83. Тихонов A.H. О решении некорректно поставленных задач в методе регуляризации // Доклады АН СССР. Т. 151, №3. 1963.

84. MacKay D.J.C. Bayesian Interpolation// Neural Сomputation. 1992. Vol. 4. №3. P. 415-447.

85. K.Swingler, Applying Neural Networks, A Practical Guide, Academic Press, 1996.

86. Goldberg D. E. Genetic algorithms in search, optimization, and machine learning. Reading, MA: Addison-Wesley. 1989.412 p.136

87. Davis L.D. Handbook of Genetic Algoritms. Van Nostrand Reinold, New York, 1991.

88. Батищев Д.И. Генетические алгоритмы решения экстремальных задач: Учебное пособие. Воронеж, 1995. 69 с.

89. Курейчик В.М. Генетические алгоритмы. Монография. Таганрог, ТРТУ, 1998.

90. Букатова И.Л. Эволюционное моделирование: идеи, основы теории, приложения. Москва, Знание, выпуск 10, 1981.

91. Lueder Е., Optimization of Circuits with a Large Number of Parameters, Archiv f. Elektr. u. Uebertr., Band 44, Heft 2, 1990, pp 131 -138.

92. Moebus D., Algorithmen zur Optimierung von Schaltungenund zur Loesung nichtlinearer Differentialgleichungen, Diss, am Inst, fuer Netzwerk- und Systemtheorie der Univ. Stuttgart, 1990.

93. Storn R. and Price K. Differential Evolution A simple and efficient adaptive scheme for global optimization over continuous spaces, 1995.

94. Батищев Д.И., Коган Д.И. Вычислительная сложность экстремальных задач переборного типа. Нижний Новгород, Нижегородский госуниверситет, 1994.

95. Holland J. Н. Adaptation in natural and artificial systems. Ann Arbor: University of Michigan Press. 1975.

96. Вороновский Г.К., Махотило K.B., Петрашев C.H., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Харьков: ОСНОВА, 1997. 112 с.

97. Kirkpatrick S., Toulouse G. Configuration space analysis of traveling salesman problems. J. de Phys. v46 (1985), pp 1277-1292.

98. Wasserman P.D. Advanced Methods in Neural Computing. New York: Van-Nostrand Reinhold, 1993.

99. Goldberg, D.E., Korb, В., Deb, К., "Messy genetic algorithms: Motivation, analysis, and first results," Complex Systems, 3, pp. 493-530, 1989.

100. Muhlenbein, H., Schomisch, M. and Born, J., "The parallel genetic algorithm as function optimizer," Parallel Computing, Vol. 17, pp. 619632, 1991.

101. Потемкин В.Г. Вычисления в среде MATLAB. М.: ДИАЛОГ-МИФИ, 2004. - 720 с.

102. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6 / Под общ. ред. к.т.н. В.Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. -496с.

103. Дополнения к Эксплуатационно-техническим требованиям к системам ДЦ. Подсистема логического обнаружения несоответствия зависимостей устройств ЭЦ и автоблокировки // ЭТТ. ВНИИУП МПС России. 2002.