автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Нейросетевая идентификация состояний сложных систем с использованием распределенных информационных объектов

004613793

ЖАШКОВА Татьяна Валерьевна

НЕЙРОСЕТЕВАЯ ИДЕНТИФИКАЦИЯ СОСТОЯНИЙ СЛОЖНЫХ СИСТЕМ С ИСПОЛЬЗОВАНИЕМ РАСПРЕДЕЛЕННЫХ ИНФОРМАЦИОННЫХ ОБЪЕКТОВ

Специальность 05.13.17 - Теоретические основы информатики

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

2 3 ДЕК 2010

Пенза - 2010

004618793

Работа выполнена в государственном образовательном учреждении высшего профессионального образования "Пензенская государственная технологическая академия" на кафедре "Информационные технологии и системы"

Научный руководитель: доктор технических наук, профессор

Михеев Михаил Юрьевич

Официальные оппоненты: доктор технических наук, профессор

Юрков Николай Кондратьевич

доктор технических наук, доцент Селиванов Евгений Павлович

Ведущая организация: ОАО "Научно-производственное предприятие

"Рубин" (ОАО НЛП "Рубин"), г.Пенза

Защита диссертации состоится 30 декабря 2010 года в 10.00 часов, на заседании диссертационного совета Д 212.337.01 при Пензенской государственной технологической академии по адресу: 440605, г. Пенза, пр. Байдукова / ул. Гагарина 1а/11

С диссертацией можно ознакомиться в библиотеке Пензенской государственной технологической академии.

Автореферат разослан 30 ноября 2010 года.

Ученый секретарь диссертационного совета кандидат технических наук, доцент

Чулков В.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность

Современный уровень развития сложных систем природного или техногенного происхождения (ПТП), содержащих распределенные физические объекты, вызывает необходимость решения как теоретических, так и практических задач идентификации их состояний. Решение задач идентификации существенным образом определяется уровнем развития современных информационных технологий в области систем мониторинга и контроля, а также теоретических разработок в области описания состояний сложных систем. Структурирование информации необходимо при консолидации данных в различных областях науки и техники: физике, экономике, медицине, геологии и пр. Применяются модели в виде информационных систем с сосредоточенными параметрами, состояние которых в каждый момент времени характеризуется вектором конечной размерности, и в виде распределенных информационных систем, информационные элементы которых характеризуются пространственными координатами.

Проблема идентификации состояний сложных систем ПТП связана не только с их распределенностью и нелинейностью, но и с возможным отсутствием или неполнотой априорной информации о внутреннем устройстве исследуемой системы и закономерностях ее функционирования. В этом случае основным подходом к построению моделей объектов сложных систем остается использование экспериментальных данных об их функционировании. Таким образом, актуальными являются теоретические исследования и практические разработки в области идентификации состояний сложных систем ПТП.

Системы мониторинга и контроля (СМиК) обеспечивают получение измерительной информации о параметрах физических объектов, входящих в состав сложных систем ПТП. Информация накапливается и структурируется с применением современных методов преобразования информации, при этом образуются достаточно сложные информационные объекты, имеющие обычно топологически распределенную иерархическую структуру. Такие объекты будем называть распределенными информационными объектами (РИО). Существует множество определений информационного объекта. Во-первых, это описание некоторой сущности (реального объекта, явления, процесса, события) в виде совокупности логически связанных реквизитов (информационных элементов). Такими сущностями для информационных объектов могут служить физические объекты, образующие сложные системы природного или техногенного происхождения. Во-вторых, информационный объект - обобщающее понятие, отражающее структуру информации в информационной системе (элемент, база данных, таблица, гипертекст, гипермедиа).

Основные отношения между информационными объектами подчиняются, в первую очередь, закономерностям синтаксиса и семантики. Известно более ста типов структурообразующих отношений, позволяющих объединять отдельные

информационные объекты в единое информационное пространство. Информационная модель сложных систем ПТП с использованием РИО строится посредством нейросетевой идентификации состояний таких систем по результатам мониторинга параметров физических объектов, образующих сложную систему ПТП.

С точки зрения решения задач мониторинга и контроля сложных систем ПТП наибольший интерес представляют совокупности РИО в виде семантических сетей, отражающих семантические связи между значениями параметров физических объектов и состоянием сложной системы ПТП. Для решения задач проектирования СМиК целесообразно использовать машинно-ориентированный вариант семантических сетей в виде ШЛ-диаграмм.

Сложность решения задачи идентификации состояний сложных систем ПТП по результатам мониторинга параметров физических объектов их образующих, определяется сложностью и нелинейностью моделей систем ПТП, физических объектов их образующих, статическими и динамическими погрешностями измерения параметров ПТП и большими объемами вычислений. В работе предлагается применять нейросетевую идентификацию состояний сложных систем ПТП с использованием РИО. Подсистемы идентификации состояний сложных систем ПТП на базе искусственных нейронных сетей (ИНС) обладают свойствами адаптивности, параллелизма вычислений, возможностями обучения, что позволяет сделать вывод об их перспективности при решении задач идентификации состояний сложных систем ПТП.

Первоначально под идентификацией понимался поиск мер сходства и мер различия сигналов, и идентификация являлась частью кластерного анализа. В качестве базового метода использовались метрика Минковского, метрика Ми-халонобиса, методы Уорда и Мак-Куина. Существенным недостатком кластерного анализа явилось отсутствие способности к адаптации, что привело к появлению новых подходов, учитывающих возможность обучения. Из вероятностных методов идентификации неклассифицированных сигналов к описанным классам наиболее известен дискриминантный анализ Фишера и метод Байеса.

Во второй половине двадцатого столетия появляются методы идентификации, которые основываются на достижениях нейробиологии. Первые результаты, полученные в этой области, связаны с именами Н. Винер, Ф. Розенблатта, М. Минковского, Д. Хебба, У. Маккапоха, У. Питтса.

А.Н. Колмагоровым и В.И. Арнольдом были получены фундаментальные результаты по представлению непрерывных функций нескольких переменных в виде суперпозиции функций одной переменной. А.Н. Колмагоров первым доказал универсальную аппроксимирующую способность нейронных сетей по обработке информации и тем самым определил огромную сферу практического применения ИНС. В дальнейшем исследования в области ИНС были направлены на оптимизацию многослойных нейронных сетей. Значимые результаты связаны с именами В.В. Круглова, В.В. Борисова, Э.Д. Аведьяна, В.А. Терехова, В.А. Головко. Теорему об универсальной аппроксимирующей способности отдельных видов ИНС доказали Г. Цыбенко, Дж. Парк и К. Хорник, этим они выз-

вали большой интерес к ИНС.

В области нейронных сетей были проведены исследования Т. Кохоненом, Дж. Хопфилдом, С. Гроссбергом, П.Дж. Вербосом, Д. Лове, К. Бишопом. Отличительной особенностью систем идентификации на базе нейронных сетей является реализация процедуры обучения, успех которого существенным образом зависит от обучающей выборки.

Обобщая сказанное, можно сделать вывод о практической важности разработки теоретических и практических вопросов нейросетевой идентификации состояний сложных систем ПТП по результатам мониторинга параметров физических объектов их образующих.

Таким образом, можно сформулировать противоречие между сложностью решения задач синтеза систем мониторинга и контроля сложных систем природного или техногенного происхождения и уровнем проработки теоретических и практических вопросов реализации процедуры идентификации их состояний.

Объект исследования: система мониторинга и контроля сложных систем природного или техногенного происхождения.

Предмет исследования: методы и средства нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

Диссертация выполнена в процессе НИОКР в рамках Федеральной космической программы России на 2006-2015 годы и Государственного контракта № 783-П003/10.

Цель исследования: повышение эффективности нейросетевой идентификации состояний сложных систем природного или техногенного происхождения по результатам мониторинга параметров физических объектов их образующих.

Достижение цели диссертации обеспечивается решением

актуальной научной задачи:

создание и исследование информационных моделей в виде распределенных информационных объектов для решения задач нейросетевой идентификации в системах мониторинга и контроля сложных систем природного или техногенного происхождения.

Научная задача была конкретизирована в виде следующих

подзадач:

1. Анализ тенденций совершенствования систем идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов и выявление наиболее перспективных направлений их развития на основе достижений современной микропроцессорной техники.

2. Идентификация состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных

объектов.

3. Разработка обобщенной процедуры структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов.

4. Синтез обобщенной структуры подсистемы нейросетевой идентификации для системы мониторинга и контроля сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

5. Разработка процедуры аналитического синтеза подсистемы нейросетевой идентификации состояний сложных систем природного или техногенного происхождения, реализующей функции идентификации с использованием распределенных информационных объектов.

Методы исследования включают в себя методы и положения теорий системного анализа, сложных систем, информационных систем, цифровой обработки сигналов, идентификации, искусственных нейронных сетей, графов, нечетких множеств, математической логики, а также методы математического и имитационного моделирования в среде МшЬаЪ БгтиИпк.

Соискателем лично получены следующие научные результаты, изложенные в диссертации и вынесенные на защиту:

1. Модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов и методика идентификации состояний этих систем, основанная на анализе и оптимизации распределенных информационных объектов.

2. Разработанная обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов.

3. Структура подсистемы нейросетевой идентификации для системы мониторинга и контроля сложных систем природного или техногенного происхождения.

4. Процедура аналитического синтеза подсистем нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

Обоснованность полученных научных результатов обеспечивается корректным выбором основных допущений и ограничений, обоснованием критериев и показателей эффективности нейросетевой идентификации состояний сложных систем с использованием РИО.

Достоверность полученных результатов подтверждается результатом имитационного моделирования и экспериментальными данными.

Научная новизна полученных результатов:

1. Модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов отличаются реализацией алгоритмов нейросетевой идентификации.

2. Методика идентификации состояний сложных систем природного или

техногенного происхождения, основанная на анализе и оптимизации распределенных информационных объектов, позволяет решать в пространстве синтаксических и семантических структурных моделей задачи мониторинга и контроля этих систем.

3. Разработанная обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов реализует алгоритмы адаптации и нейросетевую идентификацию.

4. Обобщенная структура подсистемы нейросетевой идентификации для системы мониторинга и контроля сложных систем природного или техногенного происхождения отличается наличием блока интегро-дифференцирующего преобразования, реализующего модифицированный алгоритм Хаара.

5. Процедура аналитического и структурно-параметрического синтеза подсистем нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов обеспечивает повышение вероятности идентификации.

Научная значимость диссертации заключается в развитии прикладных методов аналитического и структурно-параметрического синтеза подсистем нейросетевой идентификации состояний сложных систем ПТП с использованием распределенных информационных объектов как составного элемента систем мониторинга и контроля сложных систем ПТП.

Практическая значимость полученных результатов:

1. Модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов, реализующих процедуры нейросетевой идентификации, учитывают особенности микропроцессорных систем, включающих интеллектуальные датчики, каналы связи и специализированные многоядерные процессоры.

2. Методика идентификации состояний сложных систем природного или техногенного происхождения, основанная на анализе и оптимизации распределенных информационных объектов, позволила разработать элементы алгоритмов для системы мониторинга и контроля технически сложного территориаль-но-распределенного объекта наземной космической инфраструктуры.

3. Разработанная обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде распределенных информационных объектов позволила разработать адаптивные алгоритмы нейросетевой идентификации критических состояний сложных систем природного или техногенного происхождения.

Реализация и внедрение результатов

Результаты диссертационной работы использованы при выполнении НИ-ОКР в рамках Федеральной космическая программы России на 2006-2015 годы: "Кипарис-ПГТА", "Датчик РКТ-ПГТА", "Возрождение-ПГТА", выполненных по договорам с ОАО "НИФИИ", а также ОКР "Диагностика-ПГТА" по договору с ОАО "НИФИИ" в рамках Государственного контракта № 783-П003/10. Вне-

дрения результатов подтверждены соответствующими документами.

Апробация работы

Основные положения и результаты диссертационной работы обсуждены и одобрены на следующих научно-технических конференциях: Всероссийском симпозиуме "Обозрение прикладной и промышленной математики" (г. Москва 2008 г.), международной научно-технической конференции "Современные информационные технологии" (г. Пенза, 2006-2010 г.г.), Международном симпозиуме "Надежность и качество" (г. Пенза, 2009 г.).

Публикации

По теме диссертации опубликовано 14 печатных работ, в том числе 3 работы в изданиях из перечня ВАК.

Структура и объем диссертации

Работа состоит из введения, списка сокращений, четырех глав, заключения, списка литературы и приложения. Диссертация содержит 125 страниц основного текста, включая 36 рисунков, 6 таблиц, список литературы из 87 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность выбранной темы, сформулированы цели и задачи исследования, изложены основные положения, выносимые на защиту, показана научная новизна и практическая значимость диссертационной работы.

В первой главе анализируется современное состояние исследований и разработок в области построения сложных систем природного или техногенного происхождения и нейросетевой идентификации их состояний. Показана перспективность построения таких систем с учетом основных тенденций развития современной микропроцессорной техники и возможности реализации в рамках этих архитектур моделей в виде совокупности распределенных информационных объектов, реализующих нейросетевую идентификацию состояний сложных систем ПТП.

Преимущества алгоритмов нейросетевой идентификации базируются на хороших аппроксимирующих способностях и, как следствие, возможности экстраполяции результатов, полученных в процессе обучения, на однородные сигналы. Это свойство определяет перспективность применения искусственных нейронных сетей (ИНС) для идентификации состояний сложных систем природного или техногенного происхождения. Преимуществом применения нейросетевой идентификации является возможность ее реализации в режиме реального времени, что позволяет применять ее в системах мониторинга и контроля сложных систем природного или техногенного происхождения. В результате идентификации получается некая совокупность информации об исследуемой системе, которая наряду с синтаксической имеет семантическую структуру. Предложена модель сложной системы ПТП в виде совокупности взаимодействующих информационных объектов, размещаемых в модулях памяти элементов системы мониторинга и контроля, таких как интеллектуальные датчики и

специализированные контроллеры. Семантическая модель РИО представляется совокупностью вершин графа, отображающих некоторые сущности - объекты, события, процессы, явления и т.д., и дуг, отражающих отношения между сущностями, заданные на множестве вершин. Отличительным признаком РИО является включение в их состав подсистем нейросетевой идентификации, что обеспечивает распараллеливание процедуры идентификации и привязку полученных результатов к элементам исследуемой системы.

Таким образом, разработаны модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов, отличающиеся реализацией алгоритмов нейросетевой идентификации; выявлена обобщенная структурная схема системы нейросетевой идентификации и определены тенденции развития; обобщена структура интеллектуального датчика как элемента интеллектуальной системы мониторинга и контроля сложных систем природного или техногенного происхождения. Показано, что особенностью идентификации распределенных информационных объектов является то, что структура и количество описывающих их параметров априорно не известны.

Определено, что задача нейросетевой идентификации состояний сложных систем ПТП с использованием распределенных информационных объектов решается многочисленными методами, основанными на математической статистике, дискриминантом и кластерном анализе и т.д. Такая задача идентификации очень близка к задаче идентификации сигналов. Существующие методы идентификации сигналов можно разделить на два класса: методы без предварительного обучения и с обучением. Выявлены основные преимущества и недостатки предлагаемых методов и определены пути их совершенствования.

Выявлено, что в условиях априорной неопределенности среди существующих методов идентификации сигналов с предварительным обучением нейросе-тевые методы имеют преимущества: универсальность структурных элементов, топологический и функциональный параллелизм выполнения операций, самостоятельная адаптация к обучающемуся множеству (обучение сети), устойчивость работы, простота реализации как программными, так и аппаратными методами.

Показано, что модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов, реализующих алгоритмы нейросетевой идентификации, учитывают архитектуру микропроцессорных систем, включающую интеллектуальные датчики, каналы связи и специализированные процессоры.

Во второй главе разрабатывается методика идентификации состояний сложных систем ПТП на основе анализа и оптимизации распределенных информационных объектов. Показана перспективность применения методики, основанного на структурно-параметрическом синтезе системы нейросетевой идентификации состояний сложных систем ПТП с использованием РИО. Методика предполагает согласование процедуры нейросетевой идентификации,

структуры ИНС, а также требований к статическим и динамическим параметрам сложных систем ПТП с возможностями аппаратно-программных платформ, что обеспечивается использованием современных методов объектно-ориентированного и имитационного моделирования. Для процедуры объектно-ориентированного моделирования использован язык UML, что позволило обеспечить комплексный подход к представлению нейросетевой системы идентификации состояний сложных систем ПТП в виде совокупности взаимосвязанных диаграмм. В качестве программной платформы (УАЛ-моделнрования использован пакет Enterprise Architect 7.0, а имитационного моделирования -MATLAB Simulink 7.9.

Априорно производится анализ исследуемой сложной системы природного или техногенного происхождения, в процессе которого осуществляется декомпозиция исследуемой системы на подсистемы, свойства которых известны из ранее накопленного опыта, и производится их описание с использованием законов природы, нормативных документов, ранее накопленных экспериментальных данных. Формальное математическое описание этих подсистем становится моделью всей системы. Обычно математическая модель хранится в форме информационной модели, структура которой обычно отражает топологию исследуемой системы. Показана целесообразность построения информационной модели сложных систем природного или техногенного происхождения в виде совокупности семантически взаимосвязанных информационных объектов. Предложено также в функциональную структуру информационного объекта включать не только данные и стандартные процедуры их обработки, но и алгоритмы выделения информативных составляющих на фоне неинформативных, а так же специализированные процедуры идентификации. При этом сам информационный объект получается распределенным, поскольку семантически объединяет топологически распределенные данные (рис. 1).

Оптимизация РИО предполагает оптимизацию его семантической и топологической структуры. Семантическая структура РИО, входящих в состав информационной модели сложной системы ПТП, оптимизируется по критерию максимальной вероятности идентификации нештатных и критических состояний. При оптимизации топологической структуры необходимо максимально эффективно использовать возможности аппаратно-программного обеспечения систем мониторинга и контроля сложных систем ПТП, включающего интеллектуальные датчики, микропроцессорные системы цифровой обработки данных, каналы связи и специализированные процессоры.

Распределенный информационный объект

Специализированная семантическая структура

Специализированные функции

Нейросетевая идентификация

/ Выделение информативных составляющих на фоне неинформативных

Рисунок 1 - Mind mapping diagram структуры распределенного информационного объекта

В соответствии с предложенной методикой идентификации состояний сложных систем ПТП, основанном на анализе и оптимизации семантической и топологической структуры распределенных информационных объектов, функциональная структура которых включает в себя специализированные алгоритмы выделения информативных составляющих на фоне неинформативных и процедуры нейросетевой идентификации, разработана обобщенная процедура структурно-параметрического синтеза информационных моделей сложных систем ПТП в виде совокупности РИО (рис.2).

В общем случае при разработке информационных моделей сложных систем ПТП необходимо решить две основные задачи:

- определение структуры исследуемой сложной системы;

- определение параметров элементов заданной или принятой структуры.

Activ lylnitial

«loop»

Анализ сложной системы Г

Анализ априорных данных

Анализ знаний экспертов

Анализ нормативных документов

«loop»

Структурный синтез информационной модели сложной системы ПТП

Синтез топологической структуры РИО

Синтез функциональной структуры РИО

Синтез семантической структуры РИО

«loop»

Параметрический синтез информационной модели сложной системы ГТГП

Определение параметров топологической структуры РИО

Определение параметров функциональной структуры РИО

Определение параметров семантической структуры

Реализация информационной модели сложных ПТП в рамках СМиК

«loop»

Мониторинг состояний сложной системы ПТП

Сбор измерительной информа^и

Цифровая обработка сигналов

Неросетевая идентификация состояний сложной системы ГТТП

Визуализация результатов мониторинга

ActlvifyFinal

Рисунок 2 - Activity Diagram процедуры структурно-параметрического синтеза моделей сложных систем ПТП в виде совокупности РИО

Соответственно обобщенная процедура структурно-параметрического синтеза информационных моделей сложных систем ПТП в виде совокупности РИО включает в себя два этапа.

На первом этапе по результатам системного анализа сложной системы ПТП строится система мониторинга и контроля ее состояний. При построении моделей учитываются экспертные знания, т.е. знания экспертов в предметной области, аккумулирующие накопленный опыт. Этот тип знаний плохо структурированный, частично противоречивый. Кроме того, при построении моделей анализируются экспериментальные данные. Информационные модели сложных систем ПТП, в общем случае, могут относиться к подклассам логических, алгоритмических, фреймовых, синтаксических и семантических, которые отличаются типами элементов, входящих в модель, и отношений между ними.

В соответствии с предложенным подходом в функциональную структуру распределенного информационного объекта были включены не только данные и стандартные процедуры их обработки, но и алгоритмы выделения информативных составляющих на фоне неинформативных, а так же специализированные процедуры нейросетевой идентификации. При этом сам информационный объект получается распределенным, поскольку семантически объединяет топологически распределенные данные.

На втором этапе в процессе работы системы мониторинга и контроля осуществляется накопление экспериментальных данных, выполняется их идентификация и уточнение исходной модели сложной системы ПТП в виде совокупности распределенных информационных объектов, ее функциональной, топологической и семантической структуры. Задача идентификации состояний сложной системы ПТП формулируется как задача стуктурно-параметрической оптимизации информационной модели по результатам мониторинга. При этом необходимо учитывать, что исследуемая система может находиться под воздействием как известных управляющих воздействий, так и систематических и случайных воздействий внешней среды. ИНС, входящие в состав распределенных информационных объектов, выступают в роли адаптивно, структурно-параметрически подстраиваемых моделей, причем структура ИНС меняется экспертом, а параметры определяются автоматически в процессе обучения. Соответственно аппаратно-программная платформа реализации систем мониторинга и контроля сложных систем ПТП должна обеспечивать дистанционное обновление информационного и программного обеспечения, поэтому параметры обученной ИНС передаются по каналам связи к удаленному устройству, ее реализующему.

Таким образом, предложенная методика нейросетевой идентификации состояний сложных систем ПТП, основанная на анализе и оптимизации распределенных информационных объектов, позволяет решать в пространстве синтаксических и семантических структурных моделей задачи мониторинга и контроля сложных систем природного или техногенного происхождения.

Предложенная методика идентификации состояний сложных систем ПТП, основанная на анализе и оптимизации распределенных информационных объек-

тов, позволила разработать элементы алгоритмов для системы мониторинга и контроля территориально-распределенного объекта.

Разработанная обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов реализует алгоритмы адаптации и нейросетевой идентификации.

В третьей главе разработана обобщенная структура подсистемы нейросетевой идентификации для системы мониторинга и контроля сложных систем ПТП и процедура аналитического и структурно-параметрического синтеза подсистемы нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использование РИО. Обобщенная структура подсистемы нейросетевой идентификации для системы мониторинга и контроля сложных систем ПТП представлена на рис. 3. Обобщенная структура подсистемы идентификации для системы мониторинга и контроля сложных систем ПТП, состоящих из физических объектов (ФОг..ФОп), включает в себя интеллектуальные датчики (И Дг.. ИД и) физических величин, которые обеспечивают сбор информации о параметрах физических объектов, характеризующих состояние сложных систем ПТП. Совокупности интеллектуальных датчиков образуют блоки интеллектуальных датчиков (БИД, ...БИДД В состав интеллектуальных датчиков (рис. 4) входят сенсоры физических величин (СФВ,... СФВп), например, температуры, давления, вибрации, частоты, тока, сила света и т.д., аналого-цифровые преобразователи (АЦП,...АЦПл), преобразующие электрические сигналы в цифровые коды. Структура ИД может включать в себя буферы обмена (Б01...Б0л), накапливающие информацию в интервалы времени между моментами передачи информации, блок предварительной цифровой обработки БПЦО, обеспечивающий предварительную обработку информации, интерфейсы связи (ИС,...ИСл) с проводными и беспроводными каналами.

Для получения целостного представления о процессах и явлениях, протекающих в физическом объекте, система нейросетевой идентификации консолидирует измерительную информацию о нескольких десятках, а иногда сотнях физических величин. Данные поступают в ИНС, происходит идентификация состояний сложных систем. Полученный результат передается в информационный канал (ИК).

Обобщенная структура подсистемы идентификации для системы мониторинга и контроля сложных систем ПТП отличается наличием буфера обмена (БО), то есть, блока интегро-дифференцирующего преобразования, реализующего модифицированный алгоритм Хаара. Накопленная информация через буфер обмена может передаваться параллельно и последовательно.

Сложная система , , Иктеплектуальные Подсистема иейросете0ой • 1 датчики 11 ^ идентификации

ФО,

ИД,

инс,

ФО,

ид.

идт вид,

вид

инс,

ик

и

ФО„

БИДк

Рисунок 3 - Обобщенная структура подсистемы идентификации

I Интеллектуальный датчик п

1 БО,

1 ОФВ, АЦП, ЧШПЬ ИС,

1 1

е 1 СФВ2 ацп2 БО2 5

§ -4- > ад 1 1 о —г ИС,

БО„ С

О | СФВ„ АЦП„ ш

—1—* -ниши

1 —» ИС,

1

I

I й

I К

4-»з

I * К-»

Рисунок 4 - Обобщенная структура интеллектуального датчика

В четвертой главе разработаны алгоритмы нейросетевой идентификации сигналов для распределенных информационных объектов.

Экспериментальные данные поступают от физических объектов и несут информацию по состоянию сложных систем природного или техногенного происхождения. В процессе мониторинга данные накапливаются в базе данных. Данные имеют пространственную и временную структуру; пространственная определяется положениями точек контроля параметров физических объектов слож-

ной системы ПТП, а временная - алгоритмом, определяющим процесс получения информации во времени. Датчики физических величин преобразуют значения физических параметров в электрические сигналы, обычно напряжение м(/), как функцию времени /, или частоту следования импульсов. АЦП преобразует электрический сигнал в цифровую форму и[п], где п - номер отсчета, выполняя операции квантования по уровню и дискретизации по времени. Шаг дискретизации обычно фиксированный. В процессе цифровой обработки реализуются алгоритмы цифровой фильтрации с передаточной функцией где г'1- оператор задержки на один такт дискретизации. В процессе цифровой фильтрации выделяются некоторые спектральные составляющие, которые считаются информативными, устанавливаются граничные значения этих составляющих и по их превышению определяются критические и аварийные ситуации. Недостатком такого подхода служит большое количество обрабатываемой информации, усложнение структуры ИНС без повышения точности идентификации. Предложен подход, основанный на анализе временной структуры сигналов. Действительно, процедура цифровой обработки может рассматриваться как процедура анализа временной структуры сигнала в соответствии с линейными разностными уравнениями вида

м м

у[»]=ЪьАп-1\-Ц,аЛп-'\> (1)

1=0 1=0

Многоканальность систем мониторинга и контроля, обеспечивающая параллельную обработку информации от целого ряда датчиков, учитывает пространственную структуру измерительной информации. Соответственно при идентификации некоторого состояния сложной системы ПТП учет пространственно-временной структуры исходной информации обеспечит более высокий уровень вероятности идентификации.

Как правило, параметры физических объектов в течение времени изменяются относительно медленно. Традиционный способ контроля предполагает снятие отсчетов через интервалы времени, определяемые не столько моделью сложных систем ПТП, сколько быстродействием АЦП и емкостью памяти, при этом информативным является момент времени превышения текущего значения параметра критического уровня.

Используется подход, базирующийся на применении целых функций экспоненциального типа (ЦФЭТ). Выделены два класса математических моделей преобразуемых сигналов:

- сигналы бесконечные во времени, имеющие ограниченный спектр;

- сигналы конечной длительности, спектр которых не ограничен и описывается целыми функциями экспоненциального типа.

Примером ЦФЭТ служит полином

у(1) = а0 + а,/ + а/ +... + а/ +... + а/ , (2)

где а0,а,,а2,...оп - коэффициенты полинома.

В соответствии с теоремой Вейерштрасса полином характеризуется своими корнями. Выражение (2) может быть записано в мультипликативной форме:

(3)

где гр/2,...,?л - корни полинома.

Если допускаются комплексные и кратные корни, то выражение принимает вид с учетом кратности корней:

(4)

где , /2,..., /п - действительные некратные корни, (¡-^ - действительный корень кратности к, ^ - комплексно-сопряженные корни.

Физический смысл действительных корней - пересечение полиномом у(() оси абсцисс, для комплексных и кратных корней — это равенство соответствующих производных нулю. Таким образом, показано, что идентификация координат нулей сигнала может быть эквивалентна идентификации по множеству отсчетов. Технически это означает, что возможен переход от аналого-цифрового преобразования уровня сигнала к определению координат его нулей и соответствующих производных. Соотношение координат нулей сигналов, поступающих по разным измерительным каналам, могут служить важным информативным признаком пространственной структуры сигнала. Задача сводится к определению координат нулей.

С помощью пакета моделирования БтиНпк разработана имитационная модель (рис. 5), позволившая доказать, что вероятность идентификации по координатам нулей полиномиальных сигналов выше, чем вероятность идентификации по текущим значениям. При сравнении вероятности идентификации полиномиальных сигналов использовались ИНС на базе многослойных персептро-нов. Одна ИНС обучалась идентифицировать сигналы по текущим значениям, другая - по координатам нулей. Исследовано влияние белого шума на достоверность идентификации.

XY Graph

Рисунок 5 17

Описание основных блоков приведено в таблице 1. Таблица 1

Наименование Тип блока Назначение

Band-Limited White Noise Генератор белого шума Генерация белого шума

Select Генератор постоянных значений Выбор полиномиального сигнала

Neural Network Подсистема Нейронная сеть, идентифицирующая полиномиальный сигнал по нулевым значениям

Neural Networkl Подсистема Нейронная сеть, идентиф ицирующая полиномиальный сигнал по амплитудным значениям

Zero Подсистема Подсистема, которая определяет нулевые значения.

Amplitude Подсистема Подсистема, которая определяет значение амплитуды

Polinom Подсистема Подсистема, генерирующая полиномиальный сигнал для идентиф икации.

XY Graph Элемент визуализации

Таблица 2

А, Вероятности идентификации ИНС полиномиальных сигналов

ИНС, идентифицирующая сигнал по координатам нулей ИНС, идентифицирующая сигнал по текущим значениям

0,1 1.0 0,87

0,3 0,95 0,90

0,5 0,82 0,67

0,7 0,74 0,54

0,9 0,29 0,32

Экспериментально установлено (таблица 2), что предложенная процедура идентификации полиномиальных сигналов по координатам нулей повышает вероятность идентификации на 20,4% в присутствии помех и увеличивает скорость идентификации.

В приложении приводятся документы о внедрении результатов и дополнительные материалы по исследуемой теме.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

Разработаны прикладные методы аналитического и структурно-параметрического синтеза подсистем нейросетевой идентификации как составного элемента систем мониторинга и контроля сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

1. Разработаны модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов, отличающихся реализацией алгоритмов нейросетевой идентификации с учетом особенностей специализированных микропроцессорных систем, включающих интеллектуальные датчики, каналы связи и специализированные многоядерные процессоры.

2. Разработана методика идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов, которая позволяет решать в пространстве синтаксических и семантических структурных моделей задачи мониторинга и контроля сложных систем природного или техногенного происхождения.

3. Разработана обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов, реализующих алгоритмы адаптации и нейросетевую идентификацию, которая позволила синтезировать структуру подсистемы нейросетевой идентификации, отличающуюся наличием блока интегро-дифференцирующего преобразования, реализующего модифицированный алгоритм Хаара.

4. Процедура аналитического и структурно-параметрического синтеза подсистемы нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов позволила реализовать адаптивные алгоритмы нейросетевой идентификации для системы мониторинга технически сложного территориаль-но-распределенного объекта наземной космической инфраструктуры.

Публикации по теме диссертации

(Издания из перечня ВАК)

1. Жашкова Т.В. Обобщенные структурные модели информационных объектов/ Т.В. Жашкова, А.Б. Щербань, К.Е. Братцев// Известия высших учебных заведений. Поволжский регион. Технические науки №8, 2008г. - Пенза, ПГУ. - С. 12-22.

2. Жашкова Т.В. Семантическая структурная модель к-го порядка / Т.В. Жашкова, А.Б. Щербань // Обозрение прикладной и промышленной математики: Шестой всероссийский симпозиум. - Вып.4. Т. 15. Москва: Редакция журнала "ОПиПМ", 2008. - С.471-472.

3. Жашкова Т.В. Модель /5-анализа сложных физических систем/ Т.В. Жашкова, А.Б. Щербань, К.Е. Братцев // Обозрение прикладной и промышленной математики: Шестой всероссийский симпозиум. - Вып.З. Т. 16. Москва: Редакция журнала "ОПиПМ", 2009. - С.572-573.

(Прочие публикации по теме диссертации)

4. Бученкова Т.В. Использование принципа ситуационно-структурного управления при оценивании альтернатив информационных систем / Т.В. Бученкова, А.Б. Щербань, O.A. Белова // Современные информационные технологии: тр. междунар. научн.-технич. конф. - Пенза, ПТИ, 2004. - С. 119-122.

5. Бученкова Т.В. Постановка задачи оптимизации функциональной структуры как задачи IS-анализа / Т.В. Бученкова, А.Б. Щербань // Современные информационные технологии: тр. междунар. научн.-технич. конф. Вып. III. - Пенза, ПГТА, 2006.-С. 51-53.

6. Бученкова Т.В. Задачи анализа информационных структур обучения / Т.В. Бученкова, А.Б. Щербань // Современные информационные технологии: тр. междунар. научн.-технич. конф. Вып. IV. - Пенза, ПГТА, 2006. - С. 84-86.

7. Жашкова Т.В. Синтез обобщенной информационной модели нейросете-вой идентификации распределенных информационных объектов/ Т.В. Жашкова, М.Ю. Михеев // Современные информационные технологии: тр. междунар. научн.-технич. конф. Вып. 9. - Пенза: ПГТА, 2009. - С. 26-30.

8. Жашкова Т.В. Нейросетевая идентификация оценки качества электрической энергии / Т.В. Жашкова, М.Ю. Михеев, А.Г. Дмитриенко // Надежность и качество: труды Международного симпозиума: в 2х-т./под ред. Н.К. Юркова -Пенза: Информационно издательский центр ПензГУ, 2009. - 1т. -С. 439-442.

9. Жашкова Т.В. Синтез обобщенной информационной модели нейросете-вой идентификации распределенных информационных объектов/ Т.В. Жашкова, М.Ю. Михеев// Надежность и качество: труды Международного симпозиума: в 2х-т./под ред. Н.К. Юркова - Пенза: Информационно издательский центр ПензГУ, 2009. - 1т. -С. 442-444.

10. Жашкова Т.В. Нейросетевая идентификация ультразвуковых сигналов в системах измерения уровня жидкости/ Т.В. Жашкова, М.Ю. Михеев, Н.В. Ада-

ев// Современные информационные технологии: тр. междунар. научн.-технич. конф. Вып. 9. - Пенза: ПГТА, 2009. - С. 23-26.

П.Жашкова Т.В. Разработка обобщенных информационных моделей ней-росетевой идентификации распределенных информационных объектов/ Т.В. Жашкова // Современные информационные технологии: тр. междунар. научн.-технич. конф. Вып. 10.-Пенза: ПГТА, 2010.-С. 181-188.

12. Жашкова Т.В. Нейросетевая идентификация состояний сложных систем природного или техногенного происхождения II Современные информационные технологии: тр. междунар. научн.-технич. конф. - Пенза, ПГТА, 2010. -С. 64-66.

13. Жашкова Т.В. Имитационное моделирование идентификации состояний сложных систем природного или техногенного происхождения // Современные информационные технологии: тр. междунар. научн.-технич. конф. - Пенза, ПГТА, 2010.-С. 67-70.

14. Жашкова Т.В. Структурно-параметрический синтез моделей сложных систем природного или техногенного происхождения // Современные информационные технологии: тр. междунар. научн.-технич. конф. - Пенза, ПГТА, 2010. -С. 70-74.

Компьютерная верстка Д.Б. Фатеева, М.Ю. Куничкина

Сдано в производство 26.11.10. Формат 60x84 '/,6 Бумага типогр. №1. Печать трафаретная. Шрифт Times New Roman Cyr. Усл. печ. л. 1,28. Уч.-изд. л. 1,29. Заказ №1935. Тираж 110.

Пензенская государственная технологическая академия. 440605, Россия, г. Пенза, пр. Байдукова/ ул. Гагарина, 1а/11.

ВВЕДЕНИЕ.

Глава 1 СОВРЕМЕННОЕ СОСТОЯНИЕ ИССЛЕДОВАНИЙ И РАЗРАБОТОК В ОБЛАСТИ ПОСТРОЕНИЯ СИСТЕМ МОНИТОРИНГА И КОНТРОЛЯ СЛОЖНЫХ СИСТЕМ ПРИРОДНОГО ИЛИ ТЕХНОГЕННОГО ПРОИСХОЖДЕНИЯ.

1.1. Основные понятия и определения.

1.2. Анализ методов построения моделей сложных систем природного или техногенного происхождения.

1.3. Разработка моделей сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов.

1.4. Анализ тенденций совершенствования информационных моделей сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов в условиях развития микропроцессорных систем.

1.5. Реализация алгоритмов нейросетевой идентификации состояний сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов.

Современный уровень развития сложных систем природного или техногенного происхождения (ПТП), содержащих распределенные физические объекты, вызывает необходимость решения как теоретических, так и практических задач идентификации их состояний. Решение задач идентификации существенным образом определяется уровнем развития современных информационных технологий в области систем мониторинга и контроля, а также теоретических разработок в области описания состояний сложных систем [70]. Структурирование информации необходимо при консолидации данных в различных областях науки и техники: физике, экономике, медицине, геологии и пр. Применяются модели в виде информационных систем с сосредоточенными параметрами, состояние которых в каждый момент времени характеризуется вектором конечной размерности, и в виде распределенных информационных систем, информационные элементы которых характеризуются пространственными координатами.

Проблема идентификации состояний сложных систем ПТП связана" не только с их распределенностью и нелинейностью, но и с возможным отсутствием или неполнотой априорной информации о внутреннем устройстве исследуемой системы и закономерностях ее функционирования. В этом случае основным подходом к построению моделей сложных систем остается использование экспериментальных данных об их функционировании. Таким образом, актуальными являются теоретические исследования и практические разработки в области идентификации состояний сложных систем ПТП.

Системы мониторинга и контроля (СМиК) обеспечивают получение измерительной информации о параметрах физических объектов, входящих в состав сложных систем ПТП. Информация накапливается и структурируется с применением современных методов преобразования информации, при этом образуются достаточно сложные информационные объекты, имеющие обычно топологически распределенную иерархическую структуру. Такие объекты будем называть распределенными информационными объектами (РИО). Существует множество определений информационного объекта. Во-первых [73], это описание некоторой сущности (реального объекта, явления, процесса, события) в виде совокупности логически связанных реквизитов (информационных элементов). Такими сущностями для информационных объектов могут служить физические объекты, образующие сложные системы природного или техногенного происхождения. Во-вторых [72], информационный объект - обобщающее понятие, отражающее структуру информации в информационной системе (элемент, база данных, таблица, гипертекст, гипермедиа).

Основные отношения между информационными объектами подчиняются, в первую очередь, закономерностям синтаксиса и семантики. Известно более ста типов структурообразующих отношений, позволяющих объединять отдельные информационные объекты в единое информационное пространство. Информационная модель сложных систем ПТП с использованием РИО строится посредством нейросетевой идентификации состояний таких систем по результатам мониторинга параметров физических объектов, образующих сложную систему ПТП.

С точки зрения решения задач мониторинга и контроля сложных систем ПТП наибольший интерес представляют совокупности РИО в видё семантических сетей; отражающих семантические связи между значениями'параметров физических объектов и состоянием сложной системы ПТП. Для решения задач проектирования СМиК целесообразно использовать машинно-ориентированный вариант семантических сетей в виде диаграмм.

Сложность решения задачи идентификации состояний сложных систем ПТП по результатам мониторинга параметров физических объектов их образующих, определяется сложностью и нелинейностью моделей систем ПТП, физических объектов их образующих, статическими и динамическими погрешностями измерения параметров ПТП и большими объемами вычислений. В работе предлагается применять нейросетевую идентификацию состояний сложных систем ПТП с использованием РИО. Подсистемы идентификации состояний сложных систем ПТП на базе искусственных нейронных сетей (ИНС) обладают свойствами адаптивности, параллелизма вычислений, возможностями обучения, что позволяет сделать вывод об их перспективности при решении задач идентификации состояний сложных систем ПТП.

Первоначально под идентификацией понимался поиск мер сходства и мер различия сигналов, и идентификация являлась частью кластерного анализа. В качестве базового метода использовались метрика Минковского [61], метрика Михалонобиса, методы Уорда [33] и Мак-Куина [77]. Существенным недостатком кластерного анализа явилось отсутствие способности к адаптации, что привело к появлению новых подходов, учитывающих возможность обучения. Из вероятностных методов идентификации неклассифицированных сигналов к описанным классам наиболее известен дискриминантный анализ Фишера [69] и метод Байеса [28,49, 79].

Во второй половине двадцатого столетия появляются методы идентификации, которые основываются на достижениях нейробиологии. Первые резуль- -таты, полученные в этой области, связаны с именами Н. Винера, Ф. Розенблатта [11, 68], М. Минковского [58], Д. Хебба [3], У. Маккалоха, У. Питтса [56].

А.Н. Колмогоровым и В.И. Арнольдом были получены фундаментальные результаты по представлению непрерывных функций нескольких переменных в виде суперпозиции функций одной переменной. А.Н. Колмогоров первым доказал универсальную аппроксимирующую,'способность нейронных сетей по обработке информации и тем самым определил- огромную сферу практического применения ИНС. В дальнейшем исследования в области ИНС были направле- . ны на оптимизацию многослойных нейронных сетей [50]. Значимые результаты связаны с именами В.В. Круглова, В.В.Борисова [16], Э.Д. Аведьяна, В.А. Терехова [75], В.А. Головко. Теорему об универсальной аппроксимирующей способности отдельных видов ИНС доказали Г. Цыбенко [1], Дж. Парк и К. Хорник [5], этим они вызвали большой интерес к ИНС.

В области нейронных сетей были проведены исследования Т. Кохоненом [6, 53, 54], Дж. Хопфилдом [4], С. Гроссбергом [2, 13], П.Дж. Вербосом [10], Д. Лове, К. Бишопом. Отличительной особенностью систем идентификации на базе нейронных сетей является реализация процедуры обучения, успех которого существенным образом зависит от обучающей выборки.

Обобщая сказанное, можно сделать вывод о практической важности разработки теоретических и практических вопросов нейросетевой идентификации состояний сложных систем ПТП по результатам мониторинга параметров физических объектов их образующих.

Таким образом, можно сформулировать противоречие между сложностью решения задач синтеза систем мониторинга и контроля сложных систем природного или техногенного происхождения и уровнем проработки теоретических и практических вопросов реализации процедуры идентификации их состояний.

Объект исследования: система мониторинга и контроля сложных систем природного или техногенного происхождения.

Предмет исследования: методы и средства нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

Диссертация выполнена в процессе НИОКР в рамках Федеральной космической программы России на 2006-2015 годы и Государственного контракта № 783-П003/10.

Цель исследования: повышение эффективности нейросетевой иденти- • фикации состояний сложных систем природного или техногенного происхож- ' дения по результатам мониторинга параметров физических объектов их обра- . • зующих. . . .

Достижение цели диссертации обеспечивается решением актуальной научной задачи: создание и исследование информационных моделей в виде распределенных информационных объектов для решения задач нейросетевой идентификации в системах мониторинга и контроля сложных систем природного или техногенного происхождения.

Научная задача была конкретизирована в виде следующих подзадач:

1. Анализ тенденций совершенствования систем идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов и выявление наиболее перспективных направлений их развития в на основе достижений современной микропроцессорной техники.

2. Идентификация состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

3. Разработка обобщенной процедуры структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов.

4. Синтез обобщенной структуры подсистемы нейросетевой идентификации для системы мониторинга и контроля сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

5. Разработка процедуры аналитического синтеза подсистемы нейросетевой идентификации состояний сложных систем природного или техногенного происхождения, реализующей функции идентификации с использованием распределенных информационных объектов.

Методы исследования включают в себя методы и положения теорий системного анализа, сложных систем, информационных систем, цифровой обработки сигналов, идентификации, искусственных нейронных сетей, графов, - нечетких множеств; математической"логики, а также методы математического л имитационного моделирования в среде Ма1ЬаЪ БшиИпк.

Соискателем лично получены следующие научные результаты, изложенные в диссертации и вынесенные на защиту;

1. Модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов и методика идентификации состояний этих систем, основанная на анализе и оптимизации распределенных информационных объектов.

2. Разработанная обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов.

3. Структура подсистемы нейросетевой идентификации для системы мониторинга и контроля сложных систем природного или техногенного происхождения.

4. Процедура аналитического синтеза подсистем нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

Обоснованность полученных научных результатов обеспечивается корректным выбором основных допущений и ограничений, обоснованием критериев и показателей эффективности нейросетевой идентификации состояний сложных систем с использованием РИО.

Достоверность полученных результатов подтверждается результатом имитационного моделирования и экспериментальными данными.

Научная новизна полученных результатов:

1. Модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов отличаются реализацией алгоритмов нейросетевой идентификации.

2. Методика идентификации состояний сложных систем природного или техногенного происхождения, основанная на анализе и оптимизации распределенных информационных-.объектов,"позволяет решать в пространстве спитак-1 • сических и-семантических структурных моделей задачи мониторинга и контро- * м

• ! ■ I 'ля этих систем."""* - •'•<.■ 1 ; , у . - - • • т!г,.'-"

3. Разработанная обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения ■ в виде совокупности распределенных информационных объектов реализует алгоритмы адаптации и нейросетевую идентификацию.

4. Обобщенная структура подсистемы нейросетевой идентификации для системы мониторинга и контроля сложных систем природного или техногенного происхождения отличается наличием блока интегро-дифференцирующего преобразования, реализующего модифицированный алгоритм Хаара.

5. Процедура аналитического и структурно-параметрического синтеза подсистем нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов обеспечивает повышение вероятности идентификации.

Научная значимость диссертации заключается в развитии прикладных методов аналитического и структурно-параметрического синтеза подсистем нейросетевой идентификации состояний сложных систем ПТП с использованием распределенных информационных объектов как составного элемента систем мониторинга и контроля сложных систем ПТП.

Практическая значимость полученных результатов:

1. Модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов, реализующих процедуры нейросетевой идентификации, учитывают особенности микропроцессорных систем, включающих интеллектуальные датчики, каналы связи и специализированные многоядерные процессоры.

2. Методика идентификации состояний сложных систем природного или техногенного происхождения, основанная на анализе и оптимизации распределенных информационных объектов, позволила разработать элементы алгоритмов для системы мониторинга и контроля технически сложного территориаль-но-распределенного объекта наземной космической инфраструктуры. , ,. .

3. Разработанная обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде распределенных информационных объектов позволила разработать адаптивные алгоритмы нейросетевой.идентификации критических состояний^ сложных систем природного или техногенного происхождения. Реализация и внедрение результатов 1

Результаты диссертационной работы использованы при выполнении НИ-ОКР в рамках Федеральной космической программы России на 2006-2015 годы: «Кипарис-ПГТА», «Датчик РКТ-ПГТА», «Возрождение-ПГТА», выполненных по договорам с ОАО «НИИФИ», а также ОКР «Диагностика-ПГТА» по договору с ОАО «НИИФИ» в рамках Государственного контракта № 783-П003/10. Внедрения результатов подтверждены соответствующими документами.

Апробация работы

Основные положения и результаты диссертационной работы обсуждены и одобрены на следующих научно-технических конференциях: Всероссийском симпозиуме «Обозрение прикладной и промышленной математики» (г. Москва 2008 г.), международной научно-технической конференции «Современные информационные технологии» (г. Пенза, 2006-2010 г.г.), Международном симпозиуме «Надежность и качество» (г. Пенза, 2009 г.).

Публикации

По теме диссертации опубликовано 14 печатных работ, в том числе 3 работы в изданиях из перечня ВАК.

Заключение

Автор выражает искреннюю благодарность генеральному директору ОАО «Научно-исследовательский институт физических измерений» к.т.н., Дмитри-енко А.Г., начальнику научно-исследовательского комплекса НИК-2, к.т.н. Исакову С.А., начальнику научно-исследовательского отдела Селифановой В.В. и начальникам лабораторий НИК-2 Тюрину М.В. и Новикову В.Н. и начальнику научно-аналитического комплекса Сёмкину А.Н. за постановку задачи исследований, технические консультации.

Структура и объем диссертации

Работа состоит из введения, списка сокращений, четырех глав, заключения, списка литературы и приложения. Диссертация содержит 125 страниц основного текста, включая 36" рисунков, 6таблиц, список литературы из ;87 наименований. --■;." г:',";-: г-:"--, .х: - тлг.г-'Г

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ ПО РАБОТЕ

Разработаны прикладные методы аналитического и - структурно-параметрического синтеза подсистем нейросетевой идентификации как составного элемента систем мониторинга и контроля сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

1. Разработаны модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов, отличающихся реализацией алгоритмов нейросетевой идентификации с учетом особенностей специализированных микропроцессорных систем, включающих интеллектуальные датчики, каналы связи и специализированные многоядерные процессоры.

2. Разработана методика идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов, которая позволяет решать в пространстве'синтак-г сических и, семантических структурных-моделей задачи мониторинга .и контроля сложных систем природного или техногенного происхождения. ' --:

3. Разработана обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов, реализующих алгоритмы адаптации и нейросетевую идентификацию, которая позволила синтезировать структуру подсистемы нейросетевой идентификации, отличающуюся наличием блока интегро-дифференцирующего преобразования, реализующего модифицированный алгоритм Хаара.

4. Процедура аналитического и структурно-параметрического синтеза подсистемы нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов позволила разработать и реализовать адаптивные алгоритмы нейросетевой идентификации для системы мониторинга технически сложного территориально-распределенного объекта наземной космической инфраструктуры.

5. На основе разработанных алгоритмов нейросетевой идентификации получены следующие технические решения:

- программно-алгоритмического обеспечения составных частей архитектурно-структурированных систем мониторинга и контроля;

-программное обеспечение многоканального программно-аппаратного комплекса для приема, обработки, регистрации, визуализации и архивирования информации с датчиков различных типов передачи информации по локальным сетям в автоматизированную систему управления технологическими процессами стартовых комплексов; архитектура базовых интеллектуальных систем мониторинга и контроля для выбранных типовых технически сложных объектов на основе существующих, модернизируемых и перспективных мониторинговых датчиков физических величин нового поколения (в том числе интеллектуальных, беспроводных). .

V!- ' .-""/Я.!

ПЕРЕЧЕНЬ ПРИНЯТЫХ СОКРАЩЕНИЙ

АЧХ — амплитудно-частотная характеристика АЦП — аналого-цифровой преобразователь БД - база данных

БИД - блок интеллектуального датчика БИХ - бесконечная импульсная характеристика БОКН - блок определения координат нулей БО — буфер обмена

БПЦО - блок предварительной цифровой обработки

БЦО - блок цифровой обработки

ИД - интеллектуальный датчик

ИК - интеллектуальный контроллер

ИНС — искусственная нейронная сеть

ИН - искусственный нейрон

ИП - измерительный преобразователь . • ' - г

ИС - интерфейс связи , • . 1 . '

К ИХ - конечная импульсная характеристика

КС - канал связи - >

ЛДА - линейно дискриминантный анализ

ЛС - линейный слой

НИИФИ - научно-исследовательский институт физических измерений

НИР - научно-исследовательская работа

ПИ - подсистема идентификации

ПКЭ - показатель качества электроэнергии

ПТП - природного или техногенного происхождения

РБС - радиально базисный слой

РИО — распределенный информационный объект

РС - рекуррентный слой

СИ - система идентификации

СНИ — система нейросетевой идентификации

СМиК - система мониторинга и контроля

СФВ - сенсор физических величин

ФНЧ - фильтр нижних частот ФО — физический объект ЦФ - цифровой фильтр

ЦФЭТ — целая функция экспоненциального типа ЭВМ - электронная вычислительная машина

1. Cybenko G. Approximation by superposition of a sigmoidal function. Mathematics of Control, Signals, and Systems, 1989.

2. Grossberg S. 1974. Classical and instrumental learning by neural networks. Progress in theoretical biology, vol. 3, pp. 51-141. New York: Academic Press.

3. Hebb D. O. 1949. Organization of behavior. New York: Science Editions.

4. Hopfield J.J. Neural Networks and physical systems with emergent collective computational abilities//Proc. Nat. Sci. USA. 1982. V.79. P. 2554-2558.

5. HornikK., Stinchcombe M., White H. Multilayer Feedforward Networks are Universal Approximators. Neural Networks. 1989. Vol. 2,. PP. 359 - 366

6. Kohonen T. 1984. Self-organization and associative memory. Series in Information Sciences, vol. 8. Berlin: Springer verlag

7. Leonid Volgin, Andrew Climovsky. Expansion of intelligent opportunities of electric devices // Actual problems of measuring technique "Measurement 98". Proceedings of the International Conference. - Kyiv: (Ukraine) NTUU "KPI", AUS DAAD, 1998. - C.52-53.

8. Patrick L. Walter. Trends in accelerometer design for military and aerospace applications // Sensors. March 1999. Vol. 16. №3.

9. Patterson D.A. Computer Architecture. A Quantitative Approatch. San Francisco California, 1996. - 760 p.

10. Paul J. Werbos, Backpropagation Through Time: What It Does and How to Do It //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992, pp.309-319.

11. Rosenblatt R. 1959. Principles of neurodynamics. Wasington D.C.: Spartan Press, 1961; Перевод с англ. Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1965.

12. Simulink. Dynamic System Simulation for MATLAB. Using Simulink, Version 3, Math Works, Inc. 1999.

13. The Adaptive Brain/ S. Grossberg (Ed.). North-Holland, 1987. V.l. Cognition, Learning, Reforcement, and Rhythm. 498 p. V.2. Vision, Speech, Language, and Motor Control. 514 p.

14. Арлоу Д., Нейштанд A. UML 2.0 и Унифицированный процесс. Практич-ский объектно-ориентированный анализ и проектирование, 2-е издание. -Пер. с англ. СПб: Символ-Плюс, 2007. - 624 е., ил.

15. Белова И.В. Устройства функциональной электроники. Ульяновск: Изд-во УлГТУ, 1998. - 144 с.

16. Боровков A.A. Теория вероятностей. М.: Наука, 1976. 352 с.

17. Волгин Л.И. Непрерывная логика и ее схемотехнические применения. -Ульяновск: УлГТУ, 1996. 108 с.

18. Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. - ХарьковЮснова, 1997.

19. Гайдышев И. Анализ и обработка данных: специальный справочник СПб: Питер, 2001.-752 е.: ил.

20. Глазунов В.Н. Поиск принципов действия технических систем М.: 1990

21. Гнеденко Б.В. Курс теории вероятностей. М.: Наука, 1969 400 с.

22. Головко В А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями -Брест:БПИ, 1999, 260с.

23. ГОСТ Р 22.1.02-95. Безопасность в чрезвычайных ситуациях. Мониторинг и прогнозирование. Термины и определения.

24. ГОСТ 13109-97 Электрическая энергия. Совместимость технических средств электромагнитная. Нормы качества электрической энергии в системах электроснабжения общего назначения.

25. ГОСТ Р 51317.4.30-2008 (МЭК 61000-4-30:2008) Электрическая энергия. Совместимость технических средств электромагнитная. Методы измерения показателей качества электроэнергии.

26. Гублер Е.В. Вычислительные методы анализа и распознавания патологических процессов. Л.:Медицина, 1978. - 296 с.

27. Дробушевич Л. Ф. Визуальное моделирование программных систем с помощью Enterprise Architect 7.0 и UML\ пособие для студентов фак. прикл. математики и информатики

28. Дьяконов В. Simulink 4. Специальный справочник. Питер. 2001

29. Дэйвисон М. Многомерное шкалирование. Методы наглядного представления данных. М.: Финансы и статистика, 1988. - 346 с.

30. Дюран Б., Оделл П. Кластерный анализ. М.: Статистика, 1977. - 128 с.

31. Дюран Б., Одел П. Кластерный анализ. М.:Финансы и статистика 1977. -176 с.

32. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. - Москва, 1998.

33. Жашкова Т.В. Имитационное моделирование идентификации состояний сложных систем природного или техногенного происхождения // Современные информационные технологии: тр. междунар. научн.-технич. конф.- Пенза, ПГТА, 2010. С. 67-70.

34. Жашкова Т.В. Модель /¿"-анализа сложных физических систем/ Т.В. Жашкова, А.Б. Щербань, К.Е. Братцев // Обозрение прикладной и промышленной математики: Шестой всероссийский симпозиум. Вып.З. Т. 16. Москва: Редакция журнала «ОПиПМ», 2009. - С.572-573.

35. Жашкова T.B. Нейросетевая идентификация состояний сложных систем природного или техногенного происхождения // Современные информационные технологии: тр. междунар. научн.-технич. конф. Пенза, ПГТА, 2010.-С. 64-66.

36. Жашкова Т.В. Обобщенные структурные модели информационных объектов/ Т.В. Жашкова, А.Б. Щербань, К.Е. Братцев// Известия высших учебных заведений. Поволжский регион. Технические науки №8, 2008г. Пенза, ПГУ.- С. 12-22.

37. Жашкова Т.В. Семантическая структурная модель к-то порядка / Т.В. Жашкова, А.Б. Щербань // Обозрение прикладной и промышленной математики: Шестой всероссийский симпозиум. Вып.4. Т. 15. Москва: Редакция журнала «ОПиПМ», 2008. - С.471-472

38. Жашкова Т.В. Структурно-параметрический синтез моделей сложных систем природного или техногенного происхождения // Современные информационные технологии: тр. междунар. научн.-технич. конф. Пенза, ПГТА, 2010.-С. 70-74.

39. Журин A.A., Журин A.A. Помехоустойчивость ТСО // Технические средства периметровой охраны, комплексы охранной сигнализации и системы управления доступом: Сб. тез. докл. второй Всерос. науч.-практич. конф.1. Пенза, 1999. С.78.

40. Ицкович Э.Л. Современные интеллектуальные датчики общепромышленного назначения, их особенности и достоинства. Датчики и системы №2, 2002 с.42-47

41. Ким Дж.О., Мьюллер Ч.У, Клекка У.Р. и др. Факторный, дискриминантный и кластерный анализ. М.: Финансы и статистика, 1989. — 215 с.

42. Классификация и кластер / Под ред. Дж. Вэн-Райзина. М.: Мир, 1980. -390 с.

43. Клекка У.Р. Дискриминантный анализ // Факторный дискриминантный и кластерный анализ / Дж. О. Ким, Ч.У. Мюллер, У.Р. Клекка и др. М.: Финансы и статистика, 1989. - 215

44. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных. Докл. АН СССР, 1956. Т. 108, №. 2 С. 179-182

45. Колмогоров А.Н. Теория информации и теория алгоритмов. М.: Наука, 1987.

46. Коновалов А.А Нейросетевые системы идентификации параметрически неопределенных сигналов. Дисс. кан. техн. наук. Н.Новгород, 2006. - 188 с.

47. Кохонен Т. Ассоциативная память. М.: Мир, 1980.

48. Кохонен Т. Ассоциативные запоминающие устройства. М.: Мир, 1982.

49. Курицкий Б. Я. Поиск оптимальных решений средствами Excel 7.0 СПб.: BHV-Санкт-Петербург, 1997.

50. МакКаллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности // Нейрокомпьютер, 1992. №3, 4. С. 40-53.

51. Медведев B.C., Потемкин В.Г., Нейронные сети. MATLAB 6. М.¡ДИАЛОГ-МИФИ, 2002.-496 с.

52. Минский М., Пайперт С, Персептроны. М.: Мир, 1971.

53. Михеев М.Ю., Крысин Ю.М., Сёмочкина И.Ю., Чувыкин Б.В. Информационно-структурные принципы совершенствования средств измерений / Монография. Пенза: Изд-во Пенз. го. ун-та, 1999. - 132 .

54. Олденфердер М.С., Блешфилд Р.К. Кластерный анализ / Факторный, дис-криминантный и кластерный анализ / Дж. О. Ким, Ч.У. Мюллер, У.Р. Клекка и др. М.: Финансы и статистика, 1989. - 215 с.71

55. Отчет по научно-исследовательской работе «Разработка программно-алгоритмического обеспечения составных частей архитектурно-структурированных систем мониторинга и контроля».

56. Пат. 89257 РФ, МПК в 06 Р 15/00, в 05 В 13/00. Распределенная информационно-управляющая система на основе интеллектуальных датчиков.

57. Пат. 68112 РФ, МПК Р 41 А 23/34. Интеллектуальная интегрированная система дистанционного управления охраной и обороной морских границ.

58. Пат. 61443 РФ, МПК в 06 Б 19/00, в 09 В9/00. Интеллектуальная система моделирования и контроля режимов работы теплоэнергетического оборудования

59. Пат. 2237925 РФ, МПК7 в 08 В 25/10, В 60 Я 25/10. Система мониторинга координат и контроля подвижных объектов.

60. Пат. 67740 РФ, МПК О 06 Б 13/00. Система мониторинга состояний терри-ториально-распределенных объектов контроля

61. Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга. М.: Мир, 1965. 480 с

62. Романовский В.И. Математическая статистика. Кн. 2. Оперативные методы математической статистики. Ташкент: Изд-во Академии наук УзССР, 1963.

63. Рорер Р., Введение в теорию систем, пер. с англ., М., 1974.

64. Сайт Большой энциклопедический словарь Электронный ресурс. / Режим доступа: http://www.slovopedia.eom/2/209/262649.html

65. Сайт «Термины информатизации» Электронный ресурс. / Режим доступа: http://www.tgl.ru/inform/new/sprav/glos.htm

66. Сайт «Энциклопедический словарь» Электронный ресурс. / Режим доступа: http://traditio.ru

67. Сайт MicrochipWebSite. Электронный ресурс. / Режим доступа: http//www.microchip.com.

68. Терехов С.А. Нейросетевые информационные модели сложных инженерных систем / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.

69. Толковый словарь русского языка: В 4 т./ Под ред.Д. Н. Ушакова. — М.: Гос. ин-т "Сов. энцикл."; ОГИЗ; Гос. изд-во иностр. и нац. слов., 1935-1940.

70. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978

71. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика.- М: МИФИ, 1992. 184 с. (http://www.neuropower.de/rus).

72. Фишер Р. Статистические методы для исследователей. М: Гостехиздат, 1958

73. Фишер-Криппс А.С. Интерфейсы измерительных систем. Издательский Дом "Технологии", 2007. 336 с.

74. Хей Дж. Введение в методы байесовского статистического вывода

75. Хургин Я.И., Яковлев В.П. Финитные функции в физике и технике.-М.:Наука, 1971.- 408 с.

76. Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968. 400 с.

77. Цыпкин Я.З. Основы теории обучающихся систем. М.: Наука, 1970. 252 с.

78. Черных И. В. Simulink: среда создания инженерных приложений- М.: ДИАЛОГ-МИФИ, 2003.

79. Чувыкин Б.В. Финитные функции. Теория и инженерные приложения // Под ред. Э.К. Шахова. Пенза: Изд-во Пенз. гос. ун-та, 1999. - 100 е.: ил. 10, табл.6, библиогр. 87 назв.