автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Методы распознавания и классификация состояний систем управления средствами нейросетевых технологий

Державний комггет зв'язку та шформатизаци Укра'пш Нацюнальна акад&шя наук УкраТни Державний наукопо-дослщнии шститут шформацшноТ ¡нфраструктурн

МЕТОДИ Р03П13НАВАННЯ ТА КЛАСИФ1КАЦН СТАН1В СИСТЕМ УПРАВЛ1ННЯ ЗАСОВАМИ НЕЙРОМЕРЕЖЕВИХ ТЕХНОЛОГИ!

Спе1{'юльшсть 05.13.06 — Автоматизоваш системы управлшня та прогресивш щформацшш технологи

Автореферат

дисертацн па здобуття наукового ступеня кандидата техшчних наук

Б1ЛАС ОРЕСТ еВГЕНОВИЧ

УДК 681.3:612.822

Льв1в - 2004

Дисертащею е рукопис

Робота виконана в Нацюнальному ушверситет1 "Льв1вська полпгехшка' MiHicTepcTBa ocbith i науки Укра'ши та Державному науково-дослщному ¡нститут щформацшно1 ¡нфраструктури Державного комггету зв'язку та ¡нформатизащ УкраТни та HAH Укра'ши

Науковий щЯвник\ Заслужений Д1яч науки i техники, чл.-кор. HAH Укра'ши доктор техшчних наук, професор

Пров1дна установа: Одеський нащональний пол1техшчний ушверсите Мппстерства освпи 1 науки УкраТни, м.Одсса, кафедр автоматизаци теплоенергетичних процес!в.

Захист вщбудеться "¿7 " гр>а~Ьня 2004 р. о {Ч_ год. на засщанш спещал1зованс вченоТ ради Д 35.813.01 в Державному науково-дослщному шститу] шформацшно!' ¡нфраструктури (79601, м. Льв1в, МСП, вул. Тролейбусна, 11).

3 дисертащею можна ознайомитись у б1блютещ Державного Н,Д ¡нформацшноТ ¡нфраструктури (79601, м. Льв^в, МСП, вул. Тролейбусна, 11). Автореферат роз1Сланий "2.6 " к&г-тнл 2004 р.

Вчений секретар

Грицик Володимир Володимирович, Державин! нау ково-доел ¡дни й ¡нститут ¡нформацшноТ ¡нфраструктур] Державного комитету зв'язку та шформатизацй" Укра'ши т. HAH Укра'ши, м.Льв1в, директор

Офщшш опоненти: доктор техшчних наук, ст. наук, сгпвробп ник CiKopa Любомир Степанович,

Державний науково-дослщний ¡нститут ¡нформацшно ¡нфраструктури Державного комггету зв'язку т ¡нформатизацп i НацюнальноТ академй' наук Укра'ши м.Львт, пров. наук. сшвроб1тник

кандидат техшчних наук, доцент Батюк Анатолш бвгенович,

Нащон&чышй ушверситет "Льв1вська полггехшка", доцет

спец1ал130ван01 вченоТ ради, доктор техшчних наук

Бунь P.A.

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальшсть теми. Потреби в управлшш складними процесами та системами сформували ряд науково-техтчних задач в област1 синтезу систем автоматизованого управлшня. Для багатьох задач синтезу систем управлшня характерними е неповнота, нечптасть вихщнпх даних про динашку об'екту управлшня, вплив джерел збурень на шформацшш I технолопчш структури, ¡нформашйна складшсть визначения взаемозв'язгав 1 взасмодп м1ж елементами системи. 1нформацшна розмиткть образ1в динам!чних ситуацщ спричиняс некоректну !х класифжацпо 1 неадекватш до ситуацш процедури прийняття управляючих ршгень. Kлacичнi методи в багатьох ситуащях недостатш для коректноТ оцшки стану об'екту управлшня при ди збурень. Сучасш методи класиф1кац1Т та розтзнавання образ1в засобами нейромережевих технолопй дають можлиВ1Сть ефективно розв'язати задач! класифжаци динам1чних ситуацш у простор! сташв систем управлшня багатопараметричними об'ектами.

У нашш кра'пп зроблено значний виесок у розвиток нейромережевих технологш такими вщомими вченими як: В.Глушков, М.Амосов, 0.1вахненко, С.Коссуль, О.Р13ник, В.Грицик, Н.Айзенберг, А.Шевченко, Р.Ткаченко, Ф.Гече та шшими, 1 в розвиток теори систем управлшня - В.Глушков, В.Кунцевич, Я.Драган, В.Скур1хш, В.Богон, Л.Скора, Т.Вшцюк та шшими.

Подалыш дослщження та розробки забезпечили впровадження нейромережевих технолопй для виршення важливих задач обробки зображень та маашв даних значного об'ему, прогнозування, управлшня та шших сферах. Розробка 1 впровадження нейрокомп'ютер1в та нейротехнолопй е одним з важливих напрямюв розвитку сучасно'1 шформатики. Для пщвищення ефективноси 1 розширення сфери практичного застосування нейрокомп'ютер1В необх1дно ¡стотно скоротити груд0м!стк1сть процеыв навчання нейромереж, застосовувати нов! бшьш сфективш методи прискореного навчання. Розробка метод"1в та алгоритм1в розтзнавання 1 класифжацп образ1В з використанням нейромереж у процесах управлшня е актуальною задачею науки, техтки 1 виробництва, для вирпнення якоТ необхщно виконати комплекс досгпджень, що охоплюе удосконалення архдактур та метод1в навчання, а також методику Ух застосування у прикладних задачах.

Зв'язок роботи з науковими программны, планами та темами. Робота виконувалась в рамках держбюджетних тем ДНД1 шформацшнсп ¡нфраструктури: "1нформацшний вщеоскоп - високоефективна система воображения зображень реального св1ту р1зноманпноТ ф1зичн01 природи" та 'Базов! компонента образного комп'ютера для швидкого адаптивного аналпу, розтзнавання, компресН", арх1ващУ та пошуку аудювщеошформащГ' (контракти

№ОК_2001_21 та №ОК_2001_32 ДН'ГП "Образний комп'ютер", Постанова КМУ вщ 08.11.2000, № 1562; 2001р.); "Фундаментальш основи синтезу багатовим^рних нейромереж на баз! ушверсальних нейронних елеменпв та нейропсцибних систем" (контракт №Ф7/383-2001 з Мшосвки 1 науки Украши; 2001р.); "Створення шформащйно-анаттичноУ системи комплексного розвитку захщного регюну Украши як одного з вар1ашлв типовоТ системи територ1ально-адмшстративного управлшня" (контракт №202-181/4-00 з Державним комггетом зв'язку та шформатизац11 Укра'ши; 2000р.) та Национального ушверситету "Льв1вська полпгехшка" - ДБ/Ланцюг.

Мета та задачг дослгдженчя. Метою робота е розроблення метод ¡в та алгоритм!в розшзнавання 1 класифжацй образ1в — сташв систем управлшня багатопараметричними об'ектами засобами нейромережевих технолопй.

Досягнення мети включало розв'язання таких задач:

- розроблення методу розшзнавання та класиф^ацн ситуацш засобами нейромережевих технолопй в системах керування багатопараметричними об'ектами при дн нестацюнарних збурень;

- розроблення алгоритму оцшки ступеня нелшшност! нейромережевого класифшатора;

- дослщження прогностичних властивостей обраного арх1тектурпого ршешм нейромереж1 в складшй керуючш структур!;

- здшснсння кластерного анашу багатовим1рних даних засобами мап, що самооргашзуються;

- розшзнавання можливих ситуацш у систем! управл1ння вщбором пдроресурс1в на основ1 методу часових вжон.

Об'ектом досл1джения е процеси розшзнавання та класифкацп стан ¡в у системах та процесах управления багатопараметричними об'ектами.

Предметом доаидження е методи розшзнавання та класифшаци сташв систем управлшня засобами нейромережевих технолопй.

Методи дослгдження базуються на теорп систем керування, методах розшзнавання образ1в, методах обробки часових ряд1в, методах кластеризаци та сучасних нейропарадигмах.

Наукова новизна отриманих результатов полягае в наступному:

- введено та обгрунтовано поняття нелшшносп нейромережевого класифшатора;

- вперше запропоновано, обгрунтовано 1 розроблено алгоритм анализу ступеня нелшшнога класифшацп образ1в засобами нейромережевих технолопй та проведено оцшку критер1'1в його якост1;

- розроблено метод розшзнавання та класифжацп сташв систем управлшня засобами нейромережевих технолопй, що полягае в передбаченш значень параметр1в виходу системи та класифжацп, на Ухшй оснот, сташв системи;

- запропоновано та дослщжено метод прогнозування, засобами нейромережевих технолопй, пдрогеолопчних даних з високими показниками точност! для системи класифжацп та управлшня выбором мшеральних вод;

- запропоновано та дослщжено, на основ! мап, що самооргашзуються, метод виявлешш структури та в!зуал!зацп характеристик багатовим1рних даних-показшшв люово! иромисловост! краУн Центрально!" €вропи для проведения оцшки и функцюнування ! управлшня.

Практична цшшсть отриманих результатов. Розроблений алгоритм анал1зу ступеня нелшшност! нейромережевого класиф!катора, який характеризуе яюсть 1 функщональшсть нейромережевого класифжатора та дае змогу тдвищити ¡нформатившсть зворотнього зв'язку системи керування.

Розроблений метод розшзнавання та класифжацй сигуацш, засобами нейромережевих технолопй, у системах управлшня багатопараметричними об'ектами, дозволяе зменшити обчислювальш затрата при обробц! великих обсяпв вхщних даних.

Здшснене прогнозування пдрогеолопчних даних засобами нейромережевих технолопй е необхщним у систем! управлшня выбором водних ресурав. Обчисленш прогнозш дан! характеристик мшеральних вод Трускавецького родовища вщзначаються високою точтстю, дозволяють зменшити витрати ресурав 1 забезпечити !х рацюнальне використання.

Проведений кластерний аналп даних на основ! мап Кохонена для видшення структури та В1зуал1защ1 характеристик стану люово! промисловосп, дозволив здшснити анал1з розвитку ще! галуз! спшьно з науковцями М1жнародного ¡нституту прикладного системного анал1зу (ИАБА, Австр1я). Результата аналЬу представляють собою значну практичну цшшсть для системи управлшня люовою промиелов1СТЮ як окремих кра'ш Центрально! Свропи, так 1 для промисловосп в цтому.

РеалЬащя та впроваджеппл. Експерименталып та теоретичш результата, отримаш в дисертацшнш робо-п, використано в науково-техшчних роботах Державного науково-дослщного ¡нституту шформацшно! шфраструктури та проект! №412 Украшського науково-технолопчного центру "Розробка шформащйних технолопй функцюнування, програмування ! налаштування нейронних систем паралельно! обробки сигнал!в". Запропонован! шдходи кластеризаци та в1зуалЬащ! багатовим^рних даних використаш при здгйснеш анал!зу конкурентноздатност! л!сового сектору промисловосл кра!н Центрально! та Схщно! Свропи в М!жнародному шституп прикладного системного анал!зу

(IIASA, Австрш). В opraHi господарського управления СЕЗ "KypopTonojiic Трускавець" ЗАТ "Трускавецький валеолопчно-пшовацШний центр" впроваджено систему управлшня та прогнозування характеристик родовища мшералышх вод.

Особистий внесок автора. Результата, викладеш у дисертацшнш робот!, отримаш автором самостшно. У друкованих працях, яга опубл!кован! у cnißaBTopcTBi, автору належать: розробка структури та алгоритм розшзнавання стан!в системи керування [1, 15]; схеми систем штелектуального управл!ння [3, 16]; принципи та адаптащя методу класифжацн' для декодування за критер!ем мМмуму в!ддал1 [7, 9]; результати методу кластерного анал1зу та побудова самоорганЬацшних мап для люового сектору промисловост! [14].

Апробацш роботы. Основш положения i результати дисертацшних дослщжень доповщалися та обговорювалися на ряд! м!жнародних та нацюналышх науково-техшчних конференцш, зокрема: П'ятш, Шостш, Сьомш та Восьмш м!жнародних конференщях з автоматичного управл!ння "Автоматика" (м. Кшв, 1998р.; м. Харыв, 1999 р.; м. Льв1в, 2000 р.; м. Одеса, 2001 р.); Першш М!жнародн!й конференцн з !ндуктивного моделювання (Льв1в, 2002); М1Жнароднш науково-техшчнш конференцн" "1нформацшш системи та технолог!!" (Льв1в, 1999); М1жнародн!й науково-практичнш конференцн "Автоматизащя виробничих процеЫв" (Хмельницький, 2002); Третш М!жнародн!й конференцн "1нформацшш технологи друкарства: алгоритми, системи, сигнали" - Друкотехн-2000 (Льв!в, 2000); М1жнародному ceMinapi "IIASA Midsummer Workshop" (Лаксенбург, Австр!я, 2001); П'ятш М1жнародшй конференцп "Pattern Recognition and Information Processing" (Мшськ, Бшорусь, 1999); Мжнародному ccMmapi "Formas Seminar on Systems Analisys and IIASA Young Scientists' Summer Program" (Люнд, Швещя, 2001); Десятш Всеукршнськш науковш конференцн "Сучасн! проблеми прикладно!" математики та шформатики"(Льшв, 2003); М!жнародному KoHrpeci "Проблеми шформатизаци рекреацшно'1 та туристично'1 д1яльност1 Украши: Перспективи культурного та економ!чного розвитку" (Трускавець, 2000, 2003); М1жнароднш науково-практичн!й конференцн "Рег!ональна науково-техн!чна политика: шновацшний розвиток та шформацшний npocTÎp" (Льв!в, 2000).

Публтацп. Основний змкт та результати робота викладено у 17 публ!кац!ях, у тому чишн в 11 статтях у фахових виданнях.

Структура та об'ем роботы. Дисертацшна робота складаеться з вступу, чотирьох роздгшв, висновк!в, списку л^тератури з 166 найменувань. Обсяг дисертацн складае 172 cxopiiiKii, в тому числ! 142 стор!нки основного тексту.

ОСНОВНИЙ ЗМ1СТ РОБОТИ

У встуш обгрунтовано актуальшсть дисертацшноТ роботи, сформульовано и меху 1 задач!, яю необхщно розв'язати, описано основш науков1 результата, 1х новизну та практичну цшшсть, наведено вщомосп про внровадження, апробацно I структуру роботи, подано коротга анотацц роздшв дисертацн.

У першому роздЫ розглянуто принципи застосування нейромережевих технолопй у системах управлшня. На шдстав1 анализу л1тсратурних джерел та в^домих теоретичних положень сформульовано важлив! властивост! нейронних мереж, що визначають дoцiльнicть Ухпього застосування у системах управлшня:

Паралетзм: нейронш мереж1 високо паралелып 1 можуть бути легко реалповаш, використовуючи паралельш агтаратш засоби.

Властиеа нелшттсть: нейронш мереж1 маготь здатшсть моделювати наб1р клаав нелшшннх оператор) в як кусково-пеперервш нелшшш воображения з задании ступенсм точносп, при надежному вибор1 розм^ру 1 параметр1в мереж!.

Здатшсть до навчання: нейронш мереж! навчаються на прикладах, яю вщображають структуру моделей, що дослщжуються.

Можливгсть узагальнення: нейронним мережам властива структурна здатшсть до узагальнення. Нейронш мереж1 здатш вщтворити набагато бшьше ймов1рних ситуацш, шж було використано приклад ¡в для навчання. Тому, вони володноть робастними властивостями до збурень, невизначеностей, неточностей та шум1в.

Стабтътсть: сучасш теоретичш результати доводить, що ¡снують нейромережев! структури управлшня, яю забезпечують стшюсть розв'язгав певних задач нелшшного управлшня.

1Ц характеристики е важливими у зв'язку ¡з зростанням вимог до усе бшын комплексних систем управлшня, що функцюнують в умовах Л11' збурень р1зноУ ф13ично'1 та шформацшноТ природи.

Наведено структури систем керування з використанням нейроуправлшня, зокрема - контрольоване управлшня; пряме шверсшне управлшня; нейромережеве адаптивне управлшня; управлшня з пщсиленим навчанням; пбридне управлшня.

Розглянуто засади побудови та функщонування штучних нейронних мереж. Проведено огляд загальних характеристик вщомих нейромережевих арх1тектур, воображено етапи розвитку неирокомп'ютингу та наведено таксономто нейропарадигм. Детально розглянуто теоретичш засади та функцюнальш характеристики нейромережевоТ парадигми "Функшонал на множит табличних. функцш", запропонованоТ д.т.н. Р.О.Ткаченком.

В основ1 модел! "Функцюнал на множит табличних функций" (ФМТФ)

лсжить представления нейронноТ мереж! довьчьноТ структури, в яйй ва нейрони з'еднаш М1Ж собою повною системою зв'язив, що можуть починатися з виходу дов1льного нейрона або вщ джерел вхщних сигнал!в.

Для кожного нейрона е пх+п входов, де пх - ыльюсть вход ¡в нейромсреж!, а п ~ кшьгасть нейрошв. Ваги синаптичних зв'язшв, що е зайвими для конкретно!' структури, можна приймати нульовими. Проходження сигналу з входу на вихщ вершини графу передбачае обчислення зваженоГ суми та перетворення останньоГ вщповщно до передатно! функцн нейрона. У цьому випадку вичерпним описом навченоГ нейромереж1 е представления структури нейрона та сукупносп ваг зв'язюв (рис. 1), де XI, ..., х„ - вихщш сигнали нейрошв; хп11, ..., х - вхщш сигнали нейромережц ^(г),...,(¡') - вагов1 коефвденти синаптичних зв'язюв г-го нейрона.

Рис. 1. Структурна схема нейронного елемента

Вихщний сигнал ¡'-го нейронного елемента визначаеться через сигнали його вход1в як

ХхЖ(0

Оскшьки для кожного нейрона в процесс задания структури та навчання нейромереж1 встановлюеться свш наб1р синаптичних ваг, вважають, що вони е функщями вщ дискретного аргументу г - номера нейрона. Кр1м того кожному нейрону вщповщае певна передатна функщя Якщо набф вектор1В-реал13ацш, що подаються на входи нейромереж! при навчанш, контрол1 та внкористаши пронумерувати довшьним чином ^ 1, 2,..., Ыщ,..., кожшй реатзащ1 поставити у вцщовщшсть певне число-характеристику, то кожшй характеристик реал1зацП" N буде вщповщати певний сигнал на виход! кожного нейрона, який можна пов'язати з характеристикою реатзацп функционально, тобто

х = /\(1)(Л0,

де 1=1,..., л; N=1, 2.....Ит, ....

Вихщними функциями с функцп в яких аргументами е задаш

характеристики реал!зашй, на вщмпгу вщ звичайних передатних функцш , аргументами яких е зважеш суми по вщповщних входах. Метою налаштовування гетерогенних мереж е встановлення параметр1в передатних функцш нейрошв. Для нейрошв зошпонпх шар1в передатш функцп можуть бути задаш па основ! вщомих моделей сигмоУдних функцш, зокрема, використовують функшю активацп 1к(х) (тангенс ппербол1чний).

Основною перевагою щеУ нейропарадигми для розшзнавання та класифжащУ образш у системах керування е некеращйний алгоритм навчання, що забезпечуе високу швидюсть навчання мережа Показано, що точшсть ввдтворення результатов забезпечуеться шляхом налагодження мережу тобто вибором ТУ параметров.

У другому роздш наведено структуру та опис системи керування у простор! сташв, розглядаються процесн передбачення 1 класифкащУ сташв системи. Способи вщображення шформацн про динам1чний стан в шльовому простор! визначають вид алгоритму шдикацй' режиму вщносно щлей. При цьому спостер!гач будус образ ситуацш, адекватний реальному прот1канню процесу в технолопчшй систем!, за даними, що поступають !з канатв виморювання. Отримана шформацш ошшоеться шляхом ствставлення концептуальноУ ¡нформацшноУ модел1 ! ГУ параметров ¡з моделлю ситуац11, що склалася, спроектованою в простор! сташв. Концептуальна модель формуеться в результат! анал!зу реальноУ ситуащУ !з врахуванням задач, як! повинен виконати оператор (або як1 необх!дно реал!зувати при синтезуванш спецпроцесора). Прийняття р!шення здшснюеться на основ! анал1зу результат ствставлення шформащйноУ! образно-концептуальноУ моделей ситуащУ.

Прийняття р1шень в таких умовах мае складну структуру ! базуеться на розтзнаванш сшуащй виносно обмежень в ().

Розроблено метод визначення сташв системи управл!ння, що базуеться на основ! модел] динам!чноУ системи запропонованоУ д.т.н. Л.Слкорою. 1снуе структура динам!чноУ системи - $1гик1 та модель ц!льового простору динам!чноУ системи - МП*:

ЗАЫх,у^2)г- ■.зу[В81=(х,у,г еШ1*\9(х,у,г)),

де х та у - вхщний та вихщний сигнали в!дпов!дно, г - стан системи, Тп -¡нтервал спостереження.

Управлшня при заданому (г'(с зводиться до пошуку:

де &гаг([//С,.) - стратепя цшьового управления, що дозволяе досягнути цшьового стану системи.

Перевфка ппотсз про стан об'екту yпpaвлiння в заданш ситуащё базуеться на процедурах класифжацн положения траектор^' (рис.2):

Н,: К е « + ^ - У К,=1А,

<

{К,} = <рХЯгШ(и/СЛ е {К.,, де {А-,} - розбиггя на класи штервалу стшкост!; Б1гш(и/См) ~ стратепя управлшня об'ектом А по цш С2 ; де - дискримшантна функщя розбиття штервалу 1Л при заданий стратеги.

Рис. 2. Режим розшзнавання ситуащй

Процедура управлшня базуеться на опиа системи в простор! сташв \ алгоритм! ршення цшьово! задач!, яка визначае стратепю досягнення мети.

Модель прийняття р!шень в систем! управлшня тсхнолопчним процесом в рамках вир!шення щльовоё задач! представляеться у вигляд! схеми зображено'1 на рис.3, де ОПР - особа, що приймае рёшення; БД - база даних; ППР -пристрш, що приймае р!шення; ОУ - об'ект управл!ння; Лга/ - стратепя управлшня; Фю, Феих - потоки ресурс!в на вход! \ виход! системи; БЗ - база знань.

Задания облает! працездатност! системи залежить вщ способу формування обмежень на ресурси:

при заданш стратеги управлшня.

ОПР

С,

БД | ОПР Система-гичш знания {о.

а ^

Формування образгв

ППР лроцесор

Лгаг

БЗ

Яг

Фа, г,х,у Ф.их

V

V;

ОУ

с,- Синтезатор траекторШ Лопчний ! модельний пщходи С2

Образи траскторш В1дб1р 1 класиф1кац1я за результатами спостереження

Алгоритм ршення ПЦЗ

Проблема

Проблемно шльова задача (ПЦЗ)

Рис. 3. Модель прийняття ргаень в систем! управлшня технолопчним ироцесом

Якщо система структурно спостережувана, то задача спостереження зводиться до визначення стану системи за вхщним 1 вих!дним сигналами на штервал! {г е Т} виходячи з1 структури модел! щльового простору: Vx(0 е X

\/у(А(1,у(М),г) = *(/), {г }еТ

де А = - алгоритм оцшювання стану системи, у та I - оцшочш значения

виходу та стану системи, вщповщно.

¡нформащю про поточний стан системи отримуемо як результат вим!р!в у, у контрольних точках. Результати вим1рювання представляемо у вигля/п модели

У = {'>>', ,У2>• ~>У. 1 > У = V (*(0). -*(0 = ФШ Розшзнавання 1 класифкащю сташв системи, внаслщок складностт Ух визначення анаштичним способом, реализовано, застосовуючи ФМТФ нейромереж!. Основною вимогою, що ставилася до нейромереж! е швидюсть перенавчання. Нейропарадигма ФМТФ, завдяки некерацшному алгоритму, забезпечуе швидке навчання та перенавчання мсрежь На основ! оцшкових значень виход1в системи, засобами нейромережевих технологш здшснено передбачення виход1в, за цими значениями визначено стани системи.

У третьему роздип викладено розроблений метод визначення нелшшпост! нейромережевого класифкатора та анал!зу на його основ! якост! класифжаци образ!в з використанням нейромереж. Введено та обгрунтовано поняття нел!н!йност! класифкацП' та побудовано алгоритм для и визначення.

Означення 1. Нелшшшсть класифшащ! N щодо множини даних е ймов1ршстю того, що довшьна точка, однор!дно { л!н!йно !нтерпольована м!ж двома довшьними точками в множин! даних з певною класифжащею мае цю ж класифкащю.

Це визначення нелшшносп стосуеться множили даних, але не залежить вщ ¡стинносТ1 м1ток. Як результат, це визначення також не залежить вщ методу реалЬащУ класифжатора.

Означения 2. (Нелмшшстъ класифкатора Б щодо двох об 'ектгв) Нехай Ь множина об'екпв хи тобто Ь={х],х2,...хр), I нехай IV множима мшж м?^ тобто w¡,w2,...,wif}. Даний класифкатор 5(х), Я1сий призначае кожному об'екту мггку wJ еIV, визначас шдмножини Е таю, що V*еП :5(х)^ы^УР. Нелшшшсть класифжатора 5, щодо хеНхЬ', х - пара {хк,х,) г хк,х, еI':

1 '

п(х)=п((х„,х,))=т-+{\-a)xnxt)da, (1)

IIх*

причому S&(a,b) = <

[0, якщо S(a) = S(b), [1, в шших випадках. ¿'д гарантуе, що представления мшж-клас1В не впливае на визначення п(х). Маючи ,УД, мпки-класи можна представите, налриклад, числами. Необхвдно, щоб [J" L' =Li = 0, ¡накше класифкатор S буде призначати бшьше шж

одну м1тку об'екту на раз. Визначення нелшшносп класифкаци для двох об'аепв можна розширити до нелшшносп класифжатора щодо цшо1 множини об'екпв L. Нелшшшсть класифкаци N(S,L) класифкатора S щодо множини L, визначаеться наступним чином.

Означения 3. (Нелшшшсть класифжатора S щодо множини об'ект1в L) Нехай п(х) - функщя визначена р^внянням (1), нехай L - множина об'екпв i S -класифкатор, який призначае мшсу кожному хеЬ, тод1 N(L,S) визначаеться як

х£| ы uvxii

Нелшшшсть N множини L визначаеться через обчислення окремих п(х) для кожно1 пари в L, що мають однакову мггку. Для знаходження N(L,S), пропонуеться алгоритм, що використовуе метод Монте-Карло. Обчислена сума noTiM нормал1зуеться щодо кшькосп пар у кожному miaci.

Запропоновано алгоритм для обчислення нелшшносп класифжатора N(L,S).

Крок 1. Класиф1куемо Bci об'екти вщповщно до класифкатора S.

Крок2. Вибираемо випадково п об'екпв хк з множини даних L.

Крок 3. Знаходимо для кожного хк певне х, з Tiera ж мггкою класифкаци, тобто створюемо пару х.

Крок 4. Генеруемо п випадкових а, де 0<а<1 (для кожноТ пари вибираемо а).

Крок 5. Поршнюемо класифжацпо 8(ахк + (1-а)х,) з [ вважаемо, що е

нелшшшсть, якщо вони не кпасифжован! в один клас. Робимо це для вс'1х пар х, тдраховуючи юльюсть нелшшностей.

Крок 6. Нелшшшсть N(¿,8) визначаеться як вщношення обчисленоУ юлькост1 випадюв нелшшностей до кшькоси пар п.

Введений зас!б для визначення загальноУ нелппйност! класифкацШноУ функцп, е важливим для доопдження можливостей нейромережевих класиф1катор1В.

Визначення нелшшносп нейромережевого класифжатора на основ! модел! ФМТФ здшснепо на множит з1 1000 точок, навчальна множина становила сто точок. Нелшшшсть нейромережевого класифкатора на основ! модел! ФМТФ становить 0,01, нелшшшсть мереж! прямого поширення, що навчаеться за методом зворотнього поширення похибки 13 двома вхщними нейронами, в!сьмома нейронами у прихованому шар! та одним вихщним нейроном становить в!д 0,02 до 0,01 для р!зноУ кшькост! епох навчання, а середьоквадратична похибка класифшащУ в!д 0,18 до 0,25. Середьоквадратична похибка класифшащУ на дашй множит для класиф!катора на основ! модел! ФМТФ становить 0,12. Це свщчить про меншу нел!н!йн!сть нейромережевого класифкатора на основ! модел! ФМТФ та вщповщно кращу як!сть класиф!кац!У.

Викладено результаты реал!зованого методу кластерного анал1зу багатовим!рних даних засобами мап, що самооргашзуються, який дав можлив!сть виявити структуру та в!зуал!зувати характеристики - показники л!совоУ промисловост! краУн Центрально!" та Сх!дноУ Свропи та провести оцшку и функц!онування для формування управл!нських р!шень (рис.4).

Необробл. деревина (Хв.) ДСП

Необроблена деревина (Лист.)_

Круглий л1сомат. (Лист.) Пашр

Рис. 4. Результата кластерного анал!зу показшшв лково'У промисловост! (Угорщина, 2000)

У четвертому розд!л1 запропоновано нейромережев1 методи для задач класифжацн та прогнозування ймоверннх стаей в об'еешв управления, наведено кондептуальну схему функцюнування нейромереж (рис. 5).

Рис. 5. Концептуальна схема функцюнування нейромереж

Використання нейромереж для виршення задач прогнозування, мабуть, набуло найширшого застосування в пор1вняшп з yciMa шшими практичними задачами. За допомогою нейромережевих технолопй прогнозуються курси валют, акцш, поведшка фезичних систем тощо. Для здшснення прогноив використовують нейромереж! прямого поширення, навчання та функцюнування котрих здшснюеться в режим! часових вкон. У практиш прогнозування часто в!дсутня вичерпна ¡нформащя про об'ект, ознаки якого пов'язаш з часом. Слщ також враховувати можливу неточшеть вхщних даних, вплив випадково'1 складово!', наявшеть пошкоджено!', помилковоУ шформацн.

Даш про поведшку такого об'екта часто представлен! як результата спостережень в piBHOMipHi вщнки часу. Для моментсв часу /= 1, 2, ..., h даш спостережень набувають вигляду часового ряду x{tt), x{t2), ..., x(t/,). Задача прогнозування ¡з застосуванням нейромереж також зводиться до побудови пперповерхн! в1дпов1дно1 складности1нформащя про значения часового ряду до моменту п дозволяс давати оцшки параметра x{th+i), j;(f/,+i), ..., л(4+т).

Прогнозування zidpozeojiozinniix даних нейромережами па основ/ моде/ii ФМТФ. Пдрогеолопчш дан!, що отримують 3i спостережень свердловин мшеральних вод та xiMinmix анал!з!в важлив! з точки зору ефективного управлншя вщбором м!неральних вод, тобто планування об'ему Тхнього використання. Дан! щодо х!м!чного та орган!чного складу гакож iioipiÖHi при проведенн! бюлопчних та медичних експеримент!в. Особлив!сть трускавецьких цшгощих вод полягае в тому, що не оргашчно-мшеральш води, xiMininm та оргашчний склад яких коливаеться пщ впливом р1зних фактор!в. 3 огляду на це важливим е прогнозування дебггу джерел м!неральних вод, "ix х!м1чного та орган!чного складу.

Для обробки пдрогеолопчних даних застосовано штучну нейронну мережу прямого поширення на баз! парадигми "Функц!онал на множит табличних функц!й". Програмна реал1зац1я нейронно! мереж! Neural Net Emulator, розроблена на it ochobi, показала високу точшеть прогнозування та зручшеть у використанш. Основними перевагами програми е висока швидкод!я у режимах навчання та прогнозування, зручний, штуУтивно-зрозумтий штерфейс, швидка переконф!гурац!я нейронноТ мереж!.

Програма функцюнуе у двох фазах. У першш фаз! (фаз1 навчання нейронноТ мереж!) зд!йснюеться шдб1р оптимальних параметр!в нейронноТ мереж! (рис. 6). Контроль якосп навчання проводиться за допомогою в!кна фази навчання шляхом пор!вняння в!дхилення в!д вз1рцевого набору даних (показуеться абсолютна та середньоквадратична величина вщхилешм вщ реальних значень). Це BiKHO дозволяе також окремо проглянути вхщш та вих!дн! набори даних, що використовуються для навчання нейронноТ мереж! у вигляд! граф!к!в або таблиць.

□1 :&\в\ ; А! ^ М III 111РШ1111М 1 |

№ВМ|12 ЫМ5М]5 ^ рш)Г=[ РН2\2 ЯТРМфз 3Ю]2 N№0^12 ; — 0Ь5К88Э8.Ш - :0Ь5К8698.М - > Г" Иоипс)

КР.4|1.2174Д1 КР5|О.ФОООО КР?|О.ЗОООСЮ . КЯ^ШОООО

Рис. 6. Вшю нейромсрсжевого емулятора з визначеними параметрами

У другш фаз! (фаз! прогнозування) нейронна мережа функщонуе в режим! прогнозування у вщповщност1 до набору даних на п входах.

Вивщ результат!В здшснюеться у вшю фази прогнозування. Це вкно мае так! ж функцп, що ! в!кно фази навчання. Результати прогнозування також збер!гаються у фаши. Програмну реал!зац!ю нейронноУ мерою використано для прогнозування деб!ту м! неральноУ води та ГУ мшерал!защУ.

Навчальна виб1рка включала дан! протягом 1983-1998 рр. ГПсля п!дбору оптимально!' конф^уращУ нейронноУ мереж! було досягнуто в!дтворення навчальноУ виб!рки з високою точшетю (рис. 7).

"хГ^'мГжЕ »-I .......1И11ИИ111111 Е|

Рис. 7. Фаза навчання нейромереж!

Отримаш результата передбачень пор1внювались з реальними результатами аналЫв та вим1р1в, що шдтвердило Тх високу точшсть та достов!ршсть. Максимальна похибка передбачення становила 15,08%.

Важливою характеристикою мшеральних вод також е р1вень кислотносп. При налаштованих параметрах нейромереж!, з високою достов^ршстю отримано спрогнозоваш значения р!вня кислотност1 джерела 9Б (рис. 8).

Експлуатащя родовища мшеральних вод курорту Трускавець вимагае проведения постшпого мошторингу для визначення реалыгах параметр1в режим!в експлуатацп джерел мшеральних вод з використанням сучасио! шформащйно-втанрювалыгоУ системи та здшснення прогнозування оцшок стану пдрогеолопчних ресурав з метою Ух ефективного використання. Застосування нейромережевих технолопй обробки гщрогеолопчних даних, як показують отримаш результати дослщжень, е ефективним для прогнозування х!м1чного складу 1 деб1ту джерел мшеральних вод та використання Тх у систем1 управлшня експлуатацп родовища мшеральних вод.

У додатках подано результати здшсненого кластерного анашу показниюв лково'Т промисловост1, наведено основш текста програмних засобш, а також копи акпв про впровадження результате дисертацшних доотджень.

ОСНОВШ РЕЗУЛЬТАТИ РОБОТИ ТА ВИСНОВКИ

У дисерташйшй робот1 розв'язана науково-практична задача - розробка метод1в та алгоритм1в розшзнавання 1 класифжацп сташв систем управлшня засобами нейромережевих технологий. Це дало можливють застосувати нейромережев! технологи для передбачення ймов!рних ситуацш у системах

керування та управлшня багатопарамегричними об'ектами. У результат! цього отримано наступш науков1 результата:

1. Результати анашзу основних нейромережевих apxiTeicryp та метод! в нейромережевого розшзнавання образ1в показали доцшьшсть виршхення задач розшзнавання та прогнозування, зокрема CTaiiiß динам!чно"1 системи управлшня, засобами нейромережевих технолопй.

2. Запропоновано i створено методолопю розшзнавання i класифкацп стан!в систем керування, засобами нейромережевих технологш, що полягае в передбаченш значень параметр1в виход!в системи та, на !хнш основ1, класиф'1кац11 старпв системи.

3. Введено та обгрунтовано дощльшсть поняття нелшшносг! нейромережевого класифшатора для анал1зу функцюналыюсп та якосп робота нейромережевого класифкатора.

4. Розроблено алгоритм анал1зу ступеня нелшшносп нейромережевого класифкатора, що е важливим для визначення можливостей класифкацп образ1в засобами нейромережевих технолопй. Експериментальш дослщження показали менший CTyniHb нелшшносп - 0,01 нейромережевого класифкатора на основ! модел1 "Функщонал на множит табличних функщй" (ФМТФ), шж иейромереж! зворотнього поширення помилки 13 ступенем нелшшносп вщ 0,01 до 0,02 та вщповщно кращу як!сть класифкацп.

5. Реал13овано метод кластерного анал1зу багатовим1рних даних засобами мап, що самооргашзуються, який дав можливють виявити структуру та в!зуал1зувати характеристики - показники лковоТ промисловост! краТн Центрально"! та Схщно! Свропи та провести ощнку ii функцюнування для формування управл!нських ршень.

6. Засобами ФМТФ нейромереж!, на основ! методу часових вкон, ефективно реал!зовано прогнозування гщрогеолопчних даних, зокрема характеристик джерел мшеральних вод Трускавецького родовища, у систем! управл!ння вщбором м!нералышх вод для ефективного Тх використання.

СПИСОК ОПУБЛ1КОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦИ

1. Грицик В.В., Бшас O.G. Нейромережев! засоби штелектуального управл!ння у системах керування // 1нформад!йн! технологи i системи.- 2003.- Т.6.- №1.2.- С. 58-62.

2. Бшас О.е. Нейрокомп'ютери i нейромереж1 та Тх застосування // Шсник Державного ушверситету "Льв1вська пол1техшка": Прикладна математика.-№364,- 1999,- С. 348-351.

3. Бшас О., Томашевський О. 1нтелектуальне управлпшя та нейромережеве розшзнавання сташв системи керування // Вюник Нащонального ушверситету "Льв1всы<а полггехшка": Комп'ютерна шженер1я та ¡нформацшш технологи.- № 481,- 2003 - С. 115-120.

4. Битс O.G. Класифщащя образ1в з допомогою нейромереж та можливкть оцшки и якост1 // Комп'ютерш технологи друкарства.- №4.- 2000.- С.208-213.

5. Бшас O.G. Обробка часових ряд ¡в з допомогою нейромереж // Труды Одесского политехнического университета.- Вып. 3(15).- 2001,- С. 127-130.

6. Бшас O.G. Розшзнавання сташв системи керування засобами нейромереж // Науков1 пращ Донецького нащонального техшчного ушверситету. Сер1я: Обчислювальна техника га автоматизащя,- Вип. 48,- 2002.- С.270-274.

7. Б ¡лас О.С., Томашевський О.М. Нейромережева класифжащя сташв та зашумлених даних у системах керування // BiciniK Технолопчного ушверситету Подшля,- №3.- Т.1 (41).- 2002,- С.185-189.

8. Бшас O.G. Застосування штучних нейромереж на функцюнаш табличних функщй для видшення контур1в // Вестник Харьковского государственного политехнического университета: Системный анализ, управление и информационные технологии.- №97.- 2000,- С. 114-116.

9. Бшас O.G., Томашевський О.М. Застосування класифкацп для декодування шформацй' // BicHHK Нащонального ушверситету "Львшська пол!техшка": Комп'ютерна ¡нженер1я та шформацшш технолопТ.- № 413.- 2000.- С. 84-89.

10.Бшас О. Огляд нейромережевих застосувань // В1сник Державного ушверситету "Льв1вська полкехшка": Комп'ютерна шженер1я та шформацшш технологи.- №386. - 1999.- С. 68-73.

11.Бшас О. Анал1з якосп класифшаци образ1В з використанням нейромереж // В1сник Державного ушверситету "Льв1вська полгсехшка": Комп'ютерна шженер1я та шформацшш технологи.- №392,- 2000.- С. 109-111.

12.Бшас O.G. Взасмозв'язок М1'ж кластеризащею та багатовим1рним масштабуванням з використанням нейромереж / Автоматика-2000: 36ipHHK наукових праць,- Льв1в: ДНД1П, 2000.- Т. 6 - С.40-43.

13.Бшас O.G. Прогнозування пдрогеолопчних даних з допомогою нейромереж // 8-ма М1жнар. конф. з автоматичного управлшня "Автоматика-2001": Тези.-Одеса, 2001.-Т.2.- С. 140.

14.Viitamo Е., Bilas О. Competitiveness of the Forest Sector in the EU Candidate Countries — Cluster Analysis.- International Institute for Applied Systems Analysis, Interim Report: IR-02-012.- Laxenburg, Austria, 2002.- 47 p.

15.Грицик В.В., Бшас O.G. Розшзнавання та класифжац1я стан¡в у системах керування // I-a ГуПжнар. конф. з шдуктивного моделювання: Прац1.- JIbbíb, 2002.- Т. 1,4.2.- С. 303-308.

16.Бшас O.G., Томашевський О.М. 1нтелектуальне управлшня засобами нейромереж // ВсеукраТнська наук. конф. "Сучасш проблеми прикладноУ математики та шформатики": MaTepiaira.- JIbbíb, 2003.- С. 23.

17.Бшас O.G. Задача визначення контурш та IT опис через Булсв1 функцй' // 5-а УкраУнська конф. з автоматичного управлшня "Автоматика-98": Пращ.- КиТв, 1998.- Т.4.- С.28-32.

Б1лас O.G. Мстодн розшзнавання та класнфжащТ сташв систем управлшня засобами нейромережевмх технолопй. - Рукопис.

Диссртащя на здобуття наукового ступеня кандидата техшчних наук за спещапьшстю 05.13.06 - автоматизоваш системи управлшня та прогресивш ¡нформацшш технологи. - Державний науково-дослдаий шститут шформацшноУ шфраструктури, JIbbíb, 2004.

У дисертацшнш po6oTÍ розв'язана науково-практична задача - розробка метод!в та алгоритм]в розшзнавання i класифжащТ образ!в засобами нейромережевих технолопй у системах керування. Це дозволило застосувати нейромерсжсв1 технолог!!' для передбачення ймов'фних сташв у системах керування та управлшня багатопараметричними об'ектами. Розроблений метод визначення нелшшност1 класифжатора дозволяе оцшити можливосп та якють функцюнування нейромережевого класифкатора.

Запропоновано i створено методолопю розтзнавання i класифжацй" стан i в систем керування, засобами нейромережевих технолопй, що полягае в передбаченш значень параметр1в виход1в системи та, на Ухнш ochobí, класифкащУ сташв системи.

Результати роботи знайшли практичне застосування у наукових дослщженнях та систем! управлшня вщбором мшералышх вод в oprani господарського управлшня СЕЗ "Курортополк Трускавець" ЗАТ "Трускавецький валеолопчно шновацшний центр".

Ключов1 слова: система управлшня, штучна нейронна мережа, розшзнавання обратив, класифкащя, передбачення сташв, самооргашзащйна мапа, кластеризац1я.

Билас O.E. Методы распознавания и классификации состояний систем управления средствами нейросетевых технологий. - Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.06 - автоматизирование системы управления и прогрессивные информационные технологии. - Государственный научно-исследовательский институт информационной инфраструктуры, Львов, 2004.

В диссертационной работе решена научно-практическая задача -разработка методов и алгоритмов распознавания и классификации образов средствами нейросетевых технологий в системах управления. Это дало возможность применить нейросетевые технологии для прогнозирования вероятных состояний в системах управления полипараметрическими объектами. Разработанный метод определения нелинейности классификатора даёт возможность оценить качество функционирования нейросетевого классификатора.

Предложено и создано методологию распознавания и классификации состояний систем управления, средствами нейросетевых технологий, который состоит в прогнозировании значений параметров выходов систем и, на их основании, классификации состояний системы.

Результаты работы нашли практическое применение в научных исследованиях и системе управления отбором минеральных вод в органе хозяйственного управления СЭЗ "Курортополис Трускавец" ЗАО "Трускавецкий валеологическо-шшовационный центр".

Ключевые слова: система управления, искусственная нейронная сеть, распознавание образов, классификация, прогнозирование состояний, самоорганизационная карта, кластеризация.

Bilas О. Methods for recognition and classification of the control system states using neural network technologies. - Manuscript.

Dissertation for granting a scientific grade of the Candidate of Technical Sciences in speciality 05.13.06 - automatic control system and progressive information technologies. - State Institute of Informational Infrastructure, Lviv, 2004.

The dissertation resolves scientific-practical problem - creation of pattern recognition and classifications methods by means of neural networks technologies in control systems.

Incompleteness, uncertainty of input data on dynamics of controlled object, disturbing effect on the information and technology structures, information complexity of determination of the interdependencies and interaction between the system elements

are typical for many problems of control system synthesis. Information fuzziness of the dynamic situations results in incorrect classification and inadequate procedures of control decision making. Classical methods are insufficient for correct estimation of control object state under influence of disturbances. Methods for pattern classification and recognition by means of neural network technologies allow solving the problems of classification of dynamic situations in the space of states of the control systems for multiparametric objects.

Methods for recognition and classification using neural network technologies give an opportunity to solve problems of prediction probabilistic states in control systems of polyvalent objects.

The following problems were solved:

- the method of pattern recognition and classifications by means of neural networks technologies in control systems of polyvalent objects with acting of nonstationary influences have been created;

- the algorithm of estimation of neural networks classifier nonlinearity was made;

- the prognostic properties of the selected architectural solution of neural network were investigated;

- the cluster analysis of multidimensional data by means of self-organized maps (using indicators of forest industry) was carried out;

- recognition of probabilistic situations in control system of hydroresources selection on the basis of time windows method was carried out.

The developed method of definition classifier nonlinearity allows to estimate capabilities and quality of performing neural networks classifier.

Results of the created software functioning has been use during researches in governmental grants of the State Scientific and Research Institute of Information Infrastructure, project №412 "An elaboration of information technologies of functioning, programming and adjusting neuron systems for parallel signals processing " of the Science and Technology Center in Ukraine. Proposed approaches were used during fulfillment of analysis of the Central and Eastern European Countries forest sector competitiveness at the International Institute for Applied System Analysis (IIAS A, Austria). The system for control and prognosis of mineral water characteristics introduced at the economic administration organ of the SEZ "Kurortopolys Truskavets" "Truskavets valeological and innovation center" Corporation.

Key words: control system, artificial neural network, pattern recognition, classification, state prediction, self-organizing map, clusterization.