автореферат диссертации по кораблестроению, 05.08.03, диссертация на тему:Поддержка принятия решений и проектный анализ при контроле динамики судна на основе методов математического моделирования

УДК 629.12.001.2 УДК 519.7

На правах рукописи

Миат Ниейн Мо

ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ И ПРОЕКТНЫЙ АНАЛИЗ ПРИ КОНТРОЛЕ ДИНАМИКИ СУДНА НА ОСНОВЕ МЕТОДОВ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ

Специальности: 05.08.03 - Проектирование и конструкции судов 05.13.18 - Математическое моделирование, численные методы и комплексы программ (технические науки)

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 4 ДПР 2д71

Санкт-Петербург 2011

4843870

Работа выполнена в ГОУ ВПО «Санкт-Петербургском государственном морском техническом университете»

Научный руководитель - Заслуженный деятель науки РФ, доктор технических наук, профессор Нечаев Юрий Иванович.

Официальные оппоненты;

доктор технических наук, профессор Скороходов Дмитрий Алексеевич, доктор технических наук, профессор Никитин Николай Васильевич

Ведущая организация: ЦНИИМФ, г.Санкт-Петербург.

Защита состоится «03» моя-2011г. в 16-00 на заседании диссертационного совета Д.212.228.01 ГОУ ВПО «Санкт-Петербургский государственный морской технический университет» «ГМТУ» по адресу: 190008, г.Санкт-Петербург, Лоцманская ул., д.З., Актовый зал.

С диссертацией можно ознакомиться в научно-технической библиотеке Санкт-Петербургского государственного морского технического университета.

Отзыв на автореферат в двух экземплярах, с подписями, заверенными гербовой печатью, просим направлять в адрес диссертационного совета.

Автореферат разослан «_»_2011 г.

Ученый секретарь доктор технических наук, профессор

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Разработка методов и моделей интеллектуальной поддержки принятия решений в системах исследовательского проектирования и при функционировании бортовой интеллектуальной системы (ИС) обеспечения безопасности судна в различных условиях эксплуатации является актуальной проблемой в связи с созданием новых типов морских судов Союза Мьянма. Повышение надежности и качества принимаемых решений достигается на основе данных динамических измерений, формализованной системы знаний и математических моделей обработки и интерпретации информации в мультипроцессорной вычислительной среде. Для реализации методов и моделей поддержки принятия решений на основе динамической базы знаний, необходимо выполнить следующие условия:

• разработать механизмы преобразования информации при построении системы поддержки принятия решений по обеспечению безопасности судна в рассматриваемой ситуации;

• выделить структуры, методы и модели, повышающие надежность принятия решений при решении задач исследовательского проектирования по контролю экстремальных ситуаций и при управлении судном в сложных ситуациях;

• разработать модели функционирования интеллектуального интерфейса, обеспечивающего оперативный контроль динамики судна в экстремальных ситуациях при различной интенсивности внешних возмущений.

Анализ и интерпретация информации в задачах исследовательского проектирования и в ИС новых поколений представляют собой одно из важных направлений формирования программной среды для реализации механизма поддержки принятия решений при контроле поведения судна в различных условиях эксплуатации. Методы и модели интеллектуальной поддержки лица, принимающего решения (ЛПР) при функционировании динамической базы знаний позволяют исследовать и интерпретировать с использованием современных средств компьютерной математики динамические процессы взаимодействия судна с внешней средой в условиях неопределенности и неполноты информации.

В диссертации рассматривается подход и технология обработки информации в системе поддержки принятия решений по обеспечению мореходных качеств судов. Основное внимание уделяется контролю поведения судна в сложных ситуациях на базе математического аппарата, разработанного на основе методов анализа альтернатив в нечеткой среде. Эти методы позволяют осуществлять

генерацию решений и анализ при интерпретации информации о поведении судна в рассматриваемой ситуации. Модели обработки информации основаны на конкурирующих вычислительных технологиях, использующих традиционные математические методы, достижения в области проектирования судов, нечеткую логику и искусственные нейронные сети (ИНС).

Целью работы является разработка и исследование модели поддержки принятия решений в задачах исследовательского проектирования и бортовых ИС, обеспечивающей обработку данных о взаимодействия судна с внешней средой в условиях неопределенности и неполноты исходной информации. Для достижения этих целей в диссертации решались следующие основные задачи:

• разработка и обоснование модели поддержки принятия решений на основе принципов обработки информации в мультипроцессорной вычислительной среде;

• разработка алгоритмов функционирования системы поддержки принятия решений при контроле мореходных качеств судов;

• генерация сценариев взаимодействия и моделирование системы поддержки «ЛПР - ИС» при различном уровне внешних возмущений;

• анализ альтернатив, выбор предпочтительной вычислительной технологии и оценка риска принимаемых решений при поддержке принятия решений.

Методы исследования. Для решения поставленных задач в работе были использованы системный анализ, методы математического моделирования, методы вычислительной математики, теория вероятностей и математической статистики, теория графов, теория матриц, теория нейронных сетей, а также методы искусственного интеллекта и прикладного программирования.

Объект исследования. Объектом исследования являются модели взаимодействия судна с внешней средой, реализуемые в системе поддержки принятия решений при анализе и интерпретации сложных ситуаций, возникающих при оценке мореходных качеств в процессе эксплуатации судов Союза Мьянма.

Научную новизну работы составляет:

• модель взаимодействия «ЛПР - ИС», функционирующая на основе принципов обработки информации в мультипроцессорной вычислительной среде;

• методы и алгоритмы поддержки принятия решений по управлению судном в различных условиях эксплуатации на основе конкурирующих вычислительных технологий;

• результаты моделирования экстремальных ситуаций при контроле динамики судна при различном уровне внешних возмущений.

Достоверность научных результатов и выводов подтверждаются строгостью доказательства утверждений, обоснованностью применения математического аппарата, корректностью интерпретации предметной области исследования динамики судна на волнении, результатами экспериментальной проверки разработанных методов интерпретации исследуемой ситуации на основе данных физического моделирования, результатами тестирования алгоритмов и программного обеспечения, а также практическим использованием разработанных в диссертации математических, алгоритмических и программных методов и средств.

программного обеспечения, а также практическим использованием разработанных в диссертации математических, алгоритмических и программных методов и средств.

Основные научные результаты.

• разработаны принципы построения и функционирования модели поддержки принятия решений при анализе и интерпретации информации в сложных ситуациях;

• сформулированы основные задачи и методы обработки информации в процедурах поддержки принятия решений для конкурирующих вычислительных технологий;

• разработаны и исследованы модели взаимодействия судна с внешней средой в сложных ситуациях на основе данных динамических измерений, структурированной базы знаний и математических моделей;.

• предложен алгоритм поддержки принятия решений при анализе альтернатив и выборе предпочтительной вычислительной технологии в рамках концепции мягких вычислений;

• сформулированы критерии оценки эффективности функционирования системы поддержки принятия решений по обеспечению безопасности судна в условиях эксплуатации.

Практическая ценность работы заключается в следующем:

• разработана модель взаимодействия «ЛПР - И С» при поддержке принятия проектных решений по обеспечению мореходных качеств судна в сложных ситуациях;

• разработаны алгоритмы, обеспечивающие решение задач анализа и интерпретации информации при контроле мореходных качеств судов в бортовых И С.

Практическая значимость диссертационного исследования обеспечена прикладной направленностью и созданием конкретных методов, алгоритмов и программных средств в системах поддержки ЛПР при контроле динамики судна в сложных ситуациях в задачах исследовательского проектирования и при контроле мореходных качеств судов в условиях эксплуатации судна.

Внедрение результатов работы:

Разработанные методы, алгоритмы и программные средства внедрены в НПО «Полярная звезда» и используются в учебном процессе СПбГМТУ при проведении лабораторных и курсовых работ по курсу «Инженерия знаний» в рамках магистерской подготовки студентов специальности 220400 «Программное обеспечение вычислительной техники и автоматизированных систем».

Апробация работы. Основные результаты работы докладывались и обсуждались на национальных и международных научно-технических конференциях: Международная конференция МОРИНТЕХ'2005, Санкт-Петербург, 2005; Международные конференции по мягким вычислениям и измерениям SCM-2009 и SCM-2010, Санкт-Петербург,2009,2010; Международной конференции по искусственному интеллекту ИИ-2008. Крым. Кацивели, 2008. Научно-методическая конференция «Телематика-2008».

Основные положения, выносимые на защиту:

1.Модель поддержки принятия решений при контроле сложных ситуаций в задачах обеспечения мореходных качеств судов.

2.Модель взаимодействия судна с внешней средой, функционирующая на основе принципа конкуренции.

3.Результаты моделирования динамики судна при анализе сложных ситуаций в задачах исследовательского проектирования и в бортовых ИС контроля мореходных качеств судов.

Публикации. По теме диссертации опубликовано 8 работ. Из них 3 работы в личном авторстве, доля автора в четырёх 50% и в остальной 33%. В изданиях, определяемых Перечнем ВАК РФ опубликованы 2 статьи. Из них 1 работа в личном авторстве, доля автора в другой 33%.

Объем и структура работы

Работа состоит из введения, четырех глав, заключения и двух приложений. Объем - 177 страниц, в том числе 54 рисунка, 15 таблиц. Список литературы включает 155 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации.

Первая глава содержит анализ особенностей задачи поддержки принятия решений при контроле динамических ситуаций в задачах исследовательского проектирования и в бортовых интеллектуальных системах (ИС). Выработка обоснованных практических рекомендаций и принятие решений при функционировании ИС связано с постоянным усложнением возникающих задач, их комплексностью, а также необходимостью сокращения времени реализации при существенном расширении арсенала применяемых методов и инструментальных средств. Среди них все активнее используются подходы, позволяющие организовать интерфейс «ЛПР - ИС» на основе достижений методов и технологий искусственного интеллекта (ИИ). Аналитический обзор состояния вопроса содержит анализ результатов выполненных исследований в рассматриваемой предметной области, особенно методов и моделей анализа альтернатив и принятия решений, а также формулировку целей и задач исследования.

Вторая глава посвящена разработке концептуальной модели и принципов построения системы поддержки принятия решений в задачах исследовательского проектирования и при функционировании бортовых ИС на основе онкурирующих вычислительных технологий. Рассматриваются особенности руктуры нечеткой базы знаний ИС, обеспечивающей контроль и прогноз ложных ситуаций при оценке мореходных качеств судов в условиях ксплуатации. В основу функционирования ИС положены теоретические ■ринципы обработки измерительной информации в мультипроцессорной ычислительной среде. Особое место при изложении материала этой главы анимают вопросы формализации знаний и модели взаимодействия оператора с С при анализе и интерпретации экстремальных ситуаций (рис.1) на основе остижений компьютерной математики и ИИ.

В процессе исследования была сформулирована информационная среда ализа и интерпретации решений при контроле динамики судна на волнении, оследовательность операций, определяющая методы моделирования, включает нализ и прогноз экстремальных ситуаций, методы численного анализа, нечеткое нейросетевое моделирование, когнитивное и физическое моделирование, азработанные теоретические принципы и концепция построения моделей бработки измерительной информации при контроле поведения судна позволяют редставить структуру системы интеллектуальной поддержки ЛПР и выделить ипичные блоки обеспечения безопасности эксплуатации в штормовых условиях рис.2).

Рис. 1. Интерфейс «Оператор - ИС»

Функциональная модель программной среды Информационная среда анализа альтернат» я принятия решений Модель «убора и реализации решений

0

Концептуальный блок АЛ Интеллектуальная поддержка оператор« С Блок оценки решений

1) О 0

Моделирование упра*яеичес*ои деятельности Факторы оиенки эффективности поддержки оператора Оценка аффетиаюсте решетя

Рис.2. Поток информации при интеллектуальной поддержке оператора, принимающего решения по управлению судном в штормовых условиях

Концентрация информации на приведенной схеме осуществляется в двух основных блоках - концептуальном блоке и блоке оценки решений, которые взаимосвязаны прямыми и обратными связями с блоком интеллектуальной поддержки ЛПР. Концептуальный блок определяет функциональную модель программной среды и обеспечивает моделирование управленческой деятельности ЛПР, а блок оценки решений - модель выбора и реализации решений и оценку их эффективности. Блок интеллектуальной поддержки ЛПР использует информационную среду анализа альтернатив и принятия решений и факторы оценки эффективности интеллектуальной поддержки, предлагаемой в процессе функционирования концептуального блока и блока оценки решений.

Интерпретация динамики судна при интеллектуальной поддержке ЛПР может быть достигнута с помощью кругов Эйлера, определяющих информационные границы по способам формирования управляющих воздействий в зависимости от возникающих ситуаций. Закономерности на множестве информационных объектов по контурам обратной алгоритмической связи в кругах Эйлера

8

Описание динамических сцен

Блок компьютерной анимации

Формирование

динамических сцен +

Блок логического анализа динамических сцен

Интерпретатор

Блок когнитивной графики

Условия деятельности

>

Оператор

>1

Характеристики оператора

(программного, адаптивного управления и контура самообучения системы) составляют новые знания. Логико-семантический базис составляют математические, алгоритмические, информационные и функциональные модели обработки и представления данных с применением методов ИИ в процессах принятия решений.

Концептуальная модель преобразования информации (рис.3) по управлению судном в штормовых условиях при интеллектуальной поддержке ЛПР базируется на алгоритмических принципах автоматизированного управления с переменной структурой системы в зависимости от критичности возникающих ситуаций.

Первый принцип: эталонная модель динамических ситуаций

Концептуальна* модель преобразования информации: множество стратегий адаптивного управления

Второй принцип: управляющая деятельность оператора

Множество элементов оперативной базы данных и »нший

Множество елеиекгов,

реализующих принцип конкуренции

Множество значений вектора входных воздействий

Множество правил обобщения текущей ситуации

Рис.3. Концептуальная модель преобразования информации при управлении судном в штормовых условиях

Указанные на этом рисунке принципы определяют автоматизацию управления по критериям максимальной эффективности и управляющую деятельность ЛПР по предупреждению и устранению экстремальных ситуаций. Интеллектуальный модуль реализует ситуационные цепи обратной алгоритмической связи по способам формирования управляющих воздействий.

Концептуальная модель преобразования информации в ИС имеет вид:

8 = (Р: Т х X х (2 У), (1)

где Б - множество стратегий управления; X - множество элементов оперативной базы данных; Т - множество рассматриваемых моментов времени; С! -множество всех возможных значений вектора входных воздействий (запросов); А= ТхХх() - множество закономерностей в данных; У - множество правил обобщения информации; Р - множество элементов, реализующих принцип конкуренции.

Обратная алгоритмическая связь в концептуальной модели преобразования управленческой информации в задачах исследовательского проектирования и ИС используется для моделирования управляющей деятельности оператора по

9

способам формирования управленческих воздействий в зависимости от критичности возникающих ситуаций и обеспечения взаимодействия естественного и искусственного интеллекта при поддержке принятия решений по критериям максимальной эффективности. Принятие решений при контроле динамики судна в различных условиях эксплуатации осуществляется на основе теории нечетких множеств.

Задачу выбора W решений в условиях неопределенности можно представить в следующем виде:

= <Б(М), ОР>, (2)

где 8(М)={8М1}(1=1,...,п) - множество исходных методов; ОР - принцип оптимальности, задаваемый ЛПР из совокупности требований по допустимости 0* и реальных требований СЫ (критериев), причем

<3 = (}* и Оси, ОР* п ОРск= 0. (3)

На основе соотношений (2) - (3) построены модели принятия решений и обучения оператора с помощью теории нечетких графов и метода нечетких отношений. Большое внимание во второй главе уделяется использованию методов принятия решений в нечеткой среде в задачах исследовательского проектирования, в том числе и при выборе главных размерений судна.

Третья глава посвящена обсуждению вопросов моделирования и принятию решений в задачах исследовательского проектирования и при контроле динамических ситуаций в бортовых ИС. Моделирование, анализ и интерпретация экстремальных ситуаций на основе нечеткой системы знаний осуществляются с привлечением данных физического эксперимента и сценариев, определяющих динамику взаимодействия объекта с внешней средой. Реализация принципа конкуренции позволила повысить надежность принимаемых решений при оценке риска и прогнозе сложного поведения судна в различных условиях эксплуатации, в том числе в нештатных и экстремальных ситуациях.

Общая задача построения модели принятия решений при функционировании ИС в текущей ситуации связана с преобразованием информации, получаемой от датчиков измерительного комплекса (рис.4).

Обработка информации реализуется в режиме реального времени и позволяет «настроить» ИС на решение задач интерпретации текущей ситуации.

Алгоритмы анализа и прогноза ситуации базируются на изобретениях Ю.И.Нечаева, позволяющих восстанавливать текущие характеристики волнения и параметры судна как сложного динамического объекта (ДО) (метацентрическую высоту и аппликату центра тяжести), а также построить фактические значения функций принадлежности (ФП), определяющие логику функционирования динамической базы знаний (оценку опасности ситуации и прогноз ее развития) на основе фактических данных о состоянии внешней среды и динамического объекта.

ю

ИЗМЕРИТЕЛЬНАЯ ИНФОРМАЦИЯ I

■AL. ТГ ^пг

Оценка параметров внешней среды

Обработка сигналов на основе методов идентификации нелинейных динамических систем

Настройка нелинейной

модели оценки параметров волнения

АУАк

Оценка динамических характеристик объекта

Статистическая обработка сигналов с целью выделения текущей (релевантной) информации

Обработка массива выделенной информации о текущем состоянии объекта

Оценка компонент логических моделей

Выделение информации для построения текущих функций принадлежности

Построение функций принадлежности нечеткой системы

Построение сценариев развития шторма

Л£

ВЫРАБОТКА ПРАКТИЧЕСКИХ РЕКОМЕНДАЦИИ АНАЛИЗ АЛЬТЕРНАТИВ И ПРИНЯТИЕ РЕШЕНИЙ

ps -У

ТГ

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ТЕКУЩЕЙ СИТУАЦИИ

2Е

Моделирование элементов исходной системы

2Е

Моделирование

динамики взаимодействия

ZE

л-

Построение сценариев динамики системы

Визуализация результатов моделирования

Рис. 4. Общие принципы использования алгоритмов обработки измерительной информации при оценке динамики внешней среды, параметров объекта, моделировании и визуализации текущей ситуации

Поведение судна как сложной динамической системы описывается вектором состояния x={xj} (i=l,...,n). На систему воздействуют внешние возмущения, характеризуемые вектором W={Wk} (k=I,...,K). Выходные координаты системы у={у,} (j=l»-,т) представляют собой регулируемые величины, зависящие от управляющих воздействий U={uq} (q=l,...,Q), в виде практических рекомендаций по обеспечению без опасности судна. Функционирование ИС, осуществляющей оперативный контроль и выдачу практических рекомендаций Ri ,..., R„ в условиях неопределенности Ui ,..., Uq обеспечивается на основе обработки информации в режиме реального времени.

Рассматриваемая нечеткая модель ИС использует набор лингвистических операторов (правил), задающих конкретные ситуации, связанные с исследуемой проблемной областью - оценкой резонансных режимов качки судна на волнении. Осуществляя преобразование нечетких множеств, такая система функционирует как элементы ассоциативной памяти. Отражая замкнутые входы на замкнутые выходы в рамках рассматриваемого преобразования нечеткой информации, модель И С осуществляет кодирование и параллельную обработку информации в виде набора нечетких правил (Ai —>Bj), ... ,(Am —>Bm). Каждая i-ая ассоциация (правило Ai ->Bj) отображает вход А в выход В„ представляющий собой частично активизированный вариант В. Исходные правила преобразуются к виду, удобному для компьютерной реализации:

< XI еА1 and Х2еА2, then Y> (4)

li

Графическая интерпретация приведенного правила: А1ПА1* и А2пА2*-результат приближенного сопоставления А1 и А2 правила и данных наблюдений А1*. Общий результат нечеткого вывода определяется путем суммирования двух результатов:

А1 П А1* и А2 Л А2* (5)

и представляется нечетким множеством в У. Преобразование этого нечеткого I множества в четкое (дефизификация) дается на последнем шаге графической интерпретации.

Графическое окно «Визуализация динамики взаимодействия» (рис.5) дает представление о физической картине взаимодействия в рассматриваемой ситуации на основе принципа конкуренции с выводом на экран соответствующей динамической ситуации.

Рис.5. Графическое окно «Визуализация динамики взаимодействия»

Система дифференциальных уравнений, обычно используемая в задачах контроля мореходных качеств судов в условиях сильной бортовой и продольной качки имеет вид:

(•1х+мед)6"+ Мк(0') + М(0,ср,1) = Мх(1);

+ ЦззКо" + У&з + + НззХ1\|/'+ (у^у - VoUзз)V +

С1у + + [V; + (Уо^сг2^^' + (ОНу - у02Цзз)¥ + ЦззХ,Со"+

+ УоЦззХд + (Рёв/ + = Ру(0, (6)

где (Тх+|Овв)6", Мк(0'), М(0,фД), Мх(1), Р;^), - инерционная, демпфирующая, восстанавливающая и возмущающие компоненты (обозначения соответствуют принятым в работах по теории корабля.

Вычислительные эксперименты (рис.6) проводилась для транспортного судна Союза Мьянма со следующими характеристиками: длина судна Ь=72 м,

ширина В=10.3 м, высота борта Н=7,2 м, коэффициенты полноты 5=0.44, а=0,781, р=0,794, скорость судна У5=25 уз.

гтщщта АЯИШ Ш

/ у-

Д Е

Рис.6. Временные кривые 8=(1:), производная <10/& и фазовые портреты, характеризующие колебательное движение судна в режиме основного (А),(Б) и параметрического (В),(Г) резонанса при бортовой качке и основного резонанса (Д),(Е) при килевой качки на нерегулярном волнении крутизной ЬЛ/ X = 0,07.

В процессе моделирования исследовались резонансные режимы качки судна на волнении при различном уровне внешних возмущений. Основное внимание обращалось на режимы бортовой и килевой качки на регулярном и нерегулярном волнении в виде последовательности пакетов волн различной формы и интенсивности. Помимо этого исследована задача моделирования хаотической динамики судна в экстремальной ситуации (рис.7).

Рис.7. Хаотическикие колебания (А) и странный аттрактор (Б) системы, содержащей пространственную нелинейную функцию восстанавливающего

момента на волнении

Результаты моделирования позволили представить процесс развития хаотических колебаний во временной области и реализовать на фазовой плоскости соответствующий странный аттрактор.

Нейросетевое моделирование ситуаций при контроле режима | функционирования системы проводилось в программе МАЙ^АВ для различных ситуаций, определяющих взаимодействие судна с внешней средой. Наличие достаточно надежной измерительной информации при функционировании ИС позволяет использовать ИНС для решения задач идентификации, фильтрации и прогноза поведения ДО в экстремальных ситуациях. Конфигурация ИНС | представляла собой многослойную сеть прямого распространения (рис.8).

1прцЛ Hidden СМрШ

У'

X; ОСЛ

« / /\\ • // \ОЪ Уз —О у«

О 10 нейронов

Рис.8. Структура ИНС в задаче контроля измерительной информации Обработка экспериментальных данных в нейросетевом базисе представляется следующим образом:

у*= Ф*(х*, \У(х*), <3(у*)), (7)

где х*еХ* - входные данные; У/(х*) - связи и ограничения; у*е У* - результат; <3(у*) - требования, определяемые качество решения; Ф*(-)еЗ(-) - оператор решения задачи методами традиционной математики; Ф*0: Х*->У*; 3*(-) -множество операторов традиционного решения.

Формирование ИНС для решения задач обработки данных измерений (структурный и параметрический синтез) состоит в построении отображений

Q: Х*-> X, 9Í:Y*—> Y. (8)

Результат ум*еУм* решения прикладной задачи (8) с помощью ИНС определяется с помощью отображения:

3r':Y-»YN*, 9I:Y*-VY. (9)

Нечеткое моделирование динамики судна на волнении при различном уровне внешних возмущений выполнено для экстремальных ситуаций:

• полная потеря остойчивости на попутном волнении (х,);

• резонансные режимы качки судна (х2);

• периодическое снижение остойчивости (валкость) (хз);

• ухудшение остойчивости при положении лагом к волнению (хД

• потеря управляемости (брочинг) (х5);

Пусть Х={хьх2,хз,х4,х5} - вектор, описывающий множество ситуаций, возникновение которых возможно при заданном уровне внешних возмущений.

Для каждой составляющей вектора X на основе обработки результатов измерений и данных математического моделирования определялись величины опрокидывающего момента на волнении Mc(xi),...,Mc(x5) и производилась сравнительная характеристика полученных данных. На основе анализа текущей информации от датчиков измерительной системы (в относительных долях от Мс) представлено нечеткое отношение предпочтения оператора:

R = {1,00|(хь х,); 0,70 | (х,, х2); 0,56 | (хь х3); 0,67 | (х,л); 0,64 | (хьх5);

0,70 | (х2, х,); 1,00 | (х2, х2); 0,65 | (х2, х3); 0,70 | (х2л); 0,71 | (х2,х5);

0.58 | (х3, х,); 0.65 | (х3, х2); 1,00 | (х3, х3); 0,65 | (хзл); 0,63 | (х3,х5);

0,671 (х4,х,); 0,701 (х4,х2); 0,65 | (к,,х3); 1,00 | (х,,^) 0,89 | (ад);

0,64 | (Х5,Х|); 0,71 | (х5,х2); 0,63 | (х5,х3); 0,89 | (х*х<); 1,00 ] (х5,х5)}.

На основе этих данных построена матрица смежности

JTj Xj

x¡ Г 1,00 0,70 0,56 0,67 0,64"

_хг 0,70 1,00 0,65 0,70 0,71

sm~x} 0,56 0,65 1,00 0,65 0,63

0,67 0,70 0,65 1,00 0,89

[0,64 0,71 0,63 0,89 1,00 и соответствующий граф нечетких отношений (рис.9).

Вектор приоритетов, определяемый по формуле

р, 0')=-¿Ji/„('.;)

п Тн

имеет вид

Pr(j) = (0,714; 0,750; 0,698; 0,782; 0,774).

Анализ представленных данных позволяет рассматривать ситуацию Х4 как более предпочтительную для данного уровня внешних возмущений, имеющую наиболее высокое значение функции принадлежности. Окончательный выбор условий штормования на основе приведенных данных осуществляет ЛПР с

15

учетом реальных возможностей обеспечения маневрирования при переходе судна на соответствующий курсовой угол.

Рис.9. Граф нечетких отношений, характеризующий функции принадлежности для различных экстремальных ситуаций, связанных с ухудшением остойчивости

судна на волнении

При оценке адекватности данных моделирования, содержащих входы и выходы моделируемой системы применен подход, который называется trace-driven моделирование. На вход имитационной программы в определенной последовательности подавались реальные входные данные, соответствующие физическому эксперименту. После выполнения имитационной программы производилось сравнение результатов экспериментов с реальными выходами физической системы (рис.10). Процедура сравнения предусматривала только те ситуации, когда обе исследуемые системы изучаются при похожих сценариях.

Рис.10. Экспериментальные данные взаимодействия судна с внешней средой при бортовой качке: сплошная кривая - физический эксперимент, точки -результаты математического моделирования

При оценке риска принимаемых решений в ИС контроля динамики судна использовался подход, состоящий в использовании теории и методов анализа сценариев рисковых ситуаций - исследование сценариев риска очень малой

вероятности, характеризуемого большим ущербом. Основная цель анализа и оценки риска заключается в предоставлении оператору информации об уровне безопасности ситуации. Использование данных моделирования различных сценариев в рассматриваемой ситуации совместно с результатами экспертной информации в задачах оценки риска дает возможность на основе матрицы риска определить уровень безопасности судна в рассматриваемой ситуации.

Результаты оценки риска принятия решений при тестировании базы знаний представлены на рис.11

Рис.11. Матрица риска для экстремальных ситуаций Здесь цифрами 1-5 отмечены расчетные точки, соответствующие трем исследуемым экстремальным ситуациям, связанным с различными значениями крутизны волны. Для 1-й и 4-й точек, соответствующих основному резонансу бортовой качки, соотношение ЬуД составляло 0,05 и 0,06, для 3-й и 5-й точек, соответствующих основному резонансу килевой качки, это соотношение было равно 0,07, а для 5-й (ЬуД=0.09) и для 2-й (1цА=0.11) точек характерно возникновение параметрического резонанса бортовой качки на относительно коротких и крутых волнах. Полученное незначительное расхождение данных для точек 1 и 4 в величине А при ¡1\у/Х=0,05 и Ьч//Х-0,06 объясняется некоторым отклонением данных моделирования длины волны X при Ь\*Л=соп51.

В четвертой главе рассматривается структура программного средства, обеспечивающего контроль и прогноз мореходных качеств в ситуациях, возникающих в практике эксплуатации судов при различном уровне внешних возмущений. Особое внимание уделяется алгоритмам и программному обеспечению задач контроля динамики взаимодействия судна с внешней средой на базе традиционных, нечетких и нейросетевых моделей в рамках принципа конкуренции.

Информационная среда моделирования включает пять функциональных модулей, ориентированных на решение задач обработки информации в нестандартных ситуациях - анализ альтернатив в нечеткой среде, выявление «скрытых» закономерностей в сложных сигналах измерительной информации, выделение и анализ нестандартных ситуаций на основе принципа адаптивного резонанса, оценка риска принимаемых решений. Иерархическая модель, объединяющая функциональные модули прикладных программ обработки информации, позволяет описывать интегрированную систему на различных уровнях абстракции.

Программное средство ориентировано на решение задач анализа и интерпретации нештатных и экстремальных ситуаций на основе многопроцессорного вычислительного комплекса. Система состоит из следующих компонент:

• графического пользовательского интерфейса, предоставляющего доступ к ресурсам управляющего модуля и содержащего графические предметно-ориентированные средства для подготовки и анализа расчетных данных, а также дня предоставления выводов и выдачи практических рекомендаций;

• управляющего модуля, включающего менеджер задач и средства информационного обеспечения вычислительной системы;

• СУБД, обеспечивающей поддержку разработанной методики расширения базы знаний.

Таким образом, разработанный подход к формированию программной среды интерпретации экстремальных ситуаций позволяет реализовать эффективные алгоритмы анализа практических задач оперативного контроля динамики судна в рамках концепции мягких вычислений.

В результате открываются возможности анализа и интерпретации измерительной информации при интеллектуальной поддержке проектных решений и оператора ИС на основе принципа конкуренции, позволяющего выбирать предпочтительную вычислительную технологию в зависимости от особенностей динамики взаимодействия судна с внешней средой.

Тестирование ИС выполнялось на основе результатов математического моделирования, а также данных динамических измерений, полученных во время натурного эксперимента по испытанию ИС «Мореходность». Материалы тестирования представлялись для ситуаций, связанных с непрерывным изменением динамики судна и внешней среды (развитие шторма). Для каждого из рассмотренных вариантов приводились экраны с данными динамических измерений и результатами их обработки и с данными работы системы при оценке рассматриваемой ситуации. В каждом случае использовались короткие записи

бортовой и килевой качки в пределах интервала времени, определенного в соответствии с гипотезой квазистационарности.

В процессе тестирования проверялась работа алгоритма и программного обеспечения системы для монотонного развития шторма в пределах высоты волны 3%-ой обеспеченности от 5,23 до 5,33 м со средней длиной волны приблизительно от ВО до 88 м. и периодом волны 5,69 - 6,43 с. В каждом случае производилась оценка параметров волнения и ее прогноз на 4 и 8 часов.

ЗАКЛЮЧЕНИЕ

Результаты проведенного исследования позволяют сделать следующие основные выводы:

1. Сформулированы теоретические принципы и концепция построения нечетких моделей обработки информации в системах поддержки принятия решений в исследовательском проектировании и при контроле режима функционирования ИС в целях интерпретации экстремальных ситуаций в условиях неопределенности и неполноты исходной информации. Разработана структура нечеткой системы и выделены типичные задачи анализа и прогноза поведения судна и обеспечения мореходных качеств судов. Полученные результаты ориентированы на поддержку ЛПР системы исследовательского проектирования и оператора бортовой ИС. Расширение функциональных возможностей нечеткой модели обработки информации продемонстрировано в задаче выбора главных размерений судна, а использование теории нечетких графов позволило разработать систему обучения ЛПР методам принятия решений в сложных динамических средах.

Информационная среда моделирования включает функциональные модули, ориентированные на решение задач обработки информации в экстремальных ситуациях. Иерархическая модель, объединяющая функциональные модули прикладных программ, позволяет описывать интегрированную систему на различных уровнях абстракции.

2. Разработана модель базы знаний ИС, обеспечивающая анализ экстремальных ситуаций. Формализация этой задачи осуществлена на основе нечеткой системы знаний. Сформулирован общий подход и разработаны теоретические аспекты преобразования информации при функционировании базы знаний. Разработанный подход к формированию программной среды интерпретации экстремальных ситуаций позволяет реализовать эффективные алгоритмы анализа практических задач контроля динамики судна в рамках концепции мягких вычислений. В результате открываются возможности анализа и интерпретации информации на основе принципа конкуренции, позволяющего выбирать предпочтительную вычислительную технологию в зависимости от особенностей динамики взаимодействия судна с внешней средой.

3. Проведено математическое моделирование типичных задач анализа и интерпретации экстремальных ситуаций на основе дифференциальных уравнений, описывающих динамику судна на волнении. В качестве основных приложений рассмотрены типичные случаи взаимодействия судна с внешней средой, выделенные из множества сложных ситуаций, возникающих при эксплуатации судна. Полученные данные математического моделирования можно рассматривать как первый шаг на пути решения задач взаимодействия судна с внешней средой при создании новых типов судов и плавучих технических средств Союза Мьянма.

4. Сформулирован общий подход к формированию программных модулей обработки информации и дается их описание в рамках концепции мягких вычислений. На основе модели риска разработан программный модуль оценки эффективности принимаемых решений при контроле экстремальных ситуаций.

Таким образом, материалы проведенного исследования позволяют реализовать систему поддержки принятия решений в нечеткой среде и осуществлять проектный анализ и данных динамический измерений при функционировании бортовой ИС в экстремальных ситуациях, а также оценить эффективность предлагаемых решений в условиях неопределенности и неполноты исходной информации на основе вычислительных процедур анализа альтернатив в нечеткой среде.

Основное содержание диссертации опубликовано в следующих работах:

В изданиях,рекомендованных Перечнем ВАК РФ

1.Нечаев Ю.И., Петров О.Н., Миат Ниейн Мо. Нейронные сети при обработке измерительной информации в рамках принципа конкуренции // Нейрокомпьютеры: разработка, применение. №3.2009, с. 20 - 28.(автор-33%)

2.Миат Ниейн Мо. Поддержка принятия решений при контроле динамики сложной системы // Морские интеллектуальные технологии. №. 2010, с. 15-19. (автор-100%)

В других журналах и трудах конференций

3.Миат Ниейн Мо, Нечаев Ю.И. Оценка риска принимаемых решений в бортовых интеллектуальных системах // Труды XV Всероссийской научно-методической конференции «Телематика-2008». Санкт-Петербург. 2008.Т.1, с.93 -95. (автор-50%)

4.Миат Ниейн Мо, Нечаев Ю.И. Интеллектуальная поддержка оператора бортовой интеллектуальной системы с использованием имитационного моделирования // Искусственный интеллект. №3.2008, с.462 - 471. (автор-50%)

5.Миат Ниейн Мо, Нечаев Ю.И. Система поддержки принятия решений при функционировании бортовой интеллектуальной системы контроля динамики сложного объекта // Материалы IX международной научно-технической конференции «Искусственный интеллект. Интеллектуальные системы». Т.1. Донецк. ИППИ. 2008, с. 179 - 183. (автор-50%)

6.Миат Ниейн Мо, Нечаев Ю.И. Интеллектуальная поддержка оператора на основе теории нечетких графов и метода нечеткого отношения // Сборник докладов XI Международной конференции по мягким вычислениям и измерениям БСМ-2009. Санкт-Петербург. 2009. Т.1, с.184 - 187. (автор-50%)

7.Миат Ниейн Мо. Информационная поддержка оператора интеллектуальной системы // Сборник докладов ХШ Международной конференции по мягким вычислениям и измерениям 8СМ-2010. Санкт-Петербург. 2010. т.2, с.42 - 46. (автор-100%)

Е.Миат Ниейн Мо. Организация интерфейса при контроле экстремальных ситуаций // Материалы пятой общероссийской конференции молодых ученых и специалистов по морским интеллектуальным технологиями МОРИНТЕХ-ЮНИОР, Санкт-Петербург. 2009, с.73 - 75. (автор-100%)

Изд-во СПбГМТУ, Лоцманская, 10 Подписано в печать 21.03.2011. Зак. 4130. Тир.70. 1,0 печ. л.

ВВЕДЕНИЕ

Глава 1. ОСОБЕННОСТИ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ КОНТРОЛЕ ДИНАМИЧЕСКИХ СИТУАЦИЙ В ЗАДАЧАХ ИССЛЕДОВАТЕЛЬСКОГО ПРОЕКТИ-РОВАНИЯ И В БОРТОВЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ

1.1. Проблемы построения системы поддержки принятия решений в задачах интерпретации сложных ситуаций.

1.2. Теоретические аспекты разработки моделей взаимодействия «ЛПР - ИС» в системах поддержки принятия решений.

1.3. Аналитический обзор.

1.4. Постановка задачи исследования.

1.5. Общая характеристика работы.

Выводы по первой главе.

Глава 2. КОНЦЕПЦИЯ И ПРИНЦИПЫ ПОСТРОЕНИЯ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ЗАДАЧАХ ИССЛЕДОВАТЕЛЬСКОГО ПРОЕКТИРОВАНИЯ И В БОРТОВЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ НА ОСНОВЕ КОНКУРИРУЮЩИХ ВЫЧИСЛИТЕЛЬНЫХ ТЕХНОЛОГИЙ

2.1. Общие принципы построения модели взаимодействия в системах поддержки принятия решений.

2.2. Методы анализа альтернатив при выборе решений в нечеткой среде.

2.3. Обший подход к выбору решений в нечеткой среде в рамках концепции исследовательского проектирования.

2.4. Практическое приложение методов анализа альтернатив при выборе главных размерений.

2.5. Обучение ЛПР при интерпретации текущих ситуаций.

Выводы по второй главе.

Глава 3. МОДЕЛИРОВАНИЕ И ПРИНЯТИЕ РЕШЕНИЙ ПРИ КОНТРОЛЕ ДИНАМИЧЕСКИХ СИТУАЦИЙ В ЗАДАЧАХ ИССЛЕДОВАТЕЛЬСКОГО ПРОЕКТИРОВАНИЯ И В БОРТОВЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ

3.1. Формулировка задачи обработки измерительной информации при поддержке принятия решений в нечеткой среде.

3.2. Организация системы знаний при контроле динамических ситуаций.

3.3. Интерфейс оператора при анализе результатов моделирования.

3.4. Анализ результатов моделирования при контроле динамических ситуаций

3.5. Анализ адекватности математической модели динамики взаимодействия судна с внешней средой.

3.6. Оценка риска принимаемых решений при контроле текущих ситуаций

Выводы по третьей главе.

Глава 4. ПРОГРАММНЫЙ КОМПЛЕКС ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ ПРИНЦИПОВ ОБРАБОТКИ ИНФОРМАЦИИ В МУЛЬТИПРОЦЕССОРНОЙ ВЫЧИСЛИТЕЛЬНОЙ СРЕДЕ

4.1. Общий подход к оценке поведения сложного динамического объекта в рамках принципа конкуренции.

4.2. Алгоритмы контроля измерительной информации и оперативное окно оператора ИС.

4.3. Многопроцессорный вычислительный комплекс.

4.4. Контроль взаимодействия динамического объекта с внешней средой на основе концепции мягких вычислений.

4.5. Тестирование системы.

Выводы по четвертой главе.

Разработка методов и моделей интеллектуальной поддержки принятия решений в задачах исследовательского проектирования и при функционировании бортовой интеллектуальной системы (ИС) обеспечения безопасности судна в различных условиях эксплуатации является актуальной проблемой в связи с созданием новых типов морских судов Союза Мьянма. Повышение надежности и качества принимаемых решений достигается на основе данных моделирования, динамических измерений, формализованной системы знаний и моделей обработки и интерпретации информации в мультипроцессорной вычислительной среде. Для реализации методов и моделей интеллектуальной поддержки на основе базы знаний, необходимо выполнить следующие условия:

• разработать механизмы преобразования информации при построении системы интеллектуальной поддержки и обучения лица, принимающего решения (ЛПР) по обеспечению безопасности судна в рассматриваемой ситуации;

• выделить структуры, методы и модели, повышающие надежность принятия решений по управлению судном в сложных ситуациях;

• разработать модели функционирования интеллектуального интерфейса, обеспечивающего оперативный контроль динамики судна в текущих ситуациях при различной интенсивности внешних возмущений. Анализ и интерпретация информации представляют собой одно из важных направлений формирования программной среды для реализации механизма интеллектуальной поддержки принятия решений при контроле поведения судна в различных условиях эксплуатации. Методы и модели интеллектуальной поддержки ЛПР при функционировании базы знаний позволяют исследовать и интерпретировать с использованием современных средств компьютерной графики динамические процессы взаимодействия судна с внешней средой в условиях неопределенности и неполноты информации.

В диссертации рассматривается подход и технология обработки информации при интеллектуальной поддержке ЛПР при обеспечении мореходных качеств судов. Основное внимание уделяется контролю поведения судна в сложных ситуациях на базе математического аппарата, разработанного на основе методов обработки информации в мультипроцессорной вычислительной среде. Это позволяет в режиме реального времени осуществлять генерацию решений и анализ альтернатив при обработке информации о поведении судна в рассматриваемой ситуации. Модели обработки информации основаны на конкурирующих вычислительных технологиях, использующих традиционные методы, нечеткую логику и искусственные нейронные сети (ИНС).

Выводы по четвертой главе

Программное средство анализа и прогноза текущей ситуации функционирует на основе разработанных принципов обработки информации в мультипроцессорной вычислительной среде, что позволяет:

1. Осуществлять контроль взаимодействия судна с внешней средой с использованием традиционных, нечетких и нейросетевых моделей путем мониторинга рассмотренных экстремальных ситуаций — основной и параметрический резонанс бортовой качки, основной резонанс килевой качки на нерегулярном волнении.

2. Осуществлять контроль взаимодействия судна с внешней средой путем отслеживания ситуаций, связанных с оценкой остойчивости судна на попутном волнении, а также при внезапном налете шквала при положении судна лагом к волнению при различном уровне внешних возмущений.

3. Оценивать поведение судна в рамках принципа конкуренции путем выбора предпочтительной вычислительной технологии в зависимости от особенностей динамики взаимодействия с внешней средой.

ЗАКЛЮЧЕНИЕ

Результаты проведенного исследования позволяют сделать следующие основные выводы:

1. Сформулированы теоретические принципы и концепция построения нечетких моделей обработки информации в системах поддержки принятия решений в исследовательском проектировании и при контроле режима функционирования ИС в целях интерпретации экстремальных ситуаций в условиях неопределенности и неполноты исходной информации. Разработана структура нечеткой системы и выделены типичные задачи анализа и прогноза поведения судна и обеспечения мореходных качеств судов. Полученные результаты ориентированы на поддержку ЛПР системы исследовательского проектирования и оператора бортовой ИС. Расширение функциональных возможностей нечеткой модели обработки информации продемонстрировано в задаче выбора главных размерений судна, а использование теории нечетких графов позволило разработать систему обучения ЛПР методам принятия решений в сложных динамических средах.

Информационная среда моделирования включает функциональные модули, ориентированные на решение задач обработки информации в экстремальных ситуациях. Иерархическая модель, объединяющая функциональные модули прикладных программ, позволяет описывать интегрированную систему на различных уровнях абстракции.

2. Разработана модель базы знаний ИС, обеспечивающая анализ экстремальных ситуаций. Формализация этой задачи осуществлена на основе нечеткой системы знаний. Сформулирован общий подход и разработаны теоретические аспекты преобразования информации при функционировании базы знаний. Разработанный подход к формированию программной среды интерпретации экстремальных ситуаций позволяет реализовать эффективные алгоритмы анализа практических задач контроля динамики судна в рамках концепции мягких вычислений. В результате открываются возможности анализа и интерпретации информации на основе принципа конкуренции, позволяющего выбирать предпочтительную вычислительную технологию в зависимости от особенностей динамики взаимодействия судна с внешней средой.

3. Проведено математическое моделирование типичных задач анализа и интерпретации экстремальных ситуаций на основе дифференциальных уравнений, описывающих динамику судна на волнении. В качестве основных приложений рассмотрены типичные случаи взаимодействия судна с внешней средой, выделенные из множества сложных ситуаций, возникающих при эксплуатации судна. Полученные данные математического моделирования можно рассматривать как первый шаг на пути решения задач взаимодействия судна с внешней средой при создании новых типов судов и плавучих технических средств Союза Мьянма.

4. Сформулирован общий подход к формированию программных модулей обработки информации и дается их описание в рамках концепции мягких вычислений. На основе модели риска разработан программный модуль оценки эффективности принимаемых решений при контроле экстремальных ситуаций.

Таким образом, материалы проведенного исследования позволяют реализовать систему поддержки принятия решений в нечеткой среде и осуществлять проектный анализ и данных динамический измерений при функционировании бортовой ИС в экстремальных ситуациях, а также оценить эффективность предлагаемых решений в условиях неопределенности и неполноты исходной информации на основе вычислительных процедур анализа альтернатив в нечеткой среде.

1.Аверкин А.Н., Батыршин А.Н., Блишун А.Ф., Силов В.Б., Тарасов В.Б.

2. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А.Поспелова. М.- Наука, 1986.

3. Айзерман М.А., Алексеров Ф.Т. Выбор вариантов. Основы теории. М.: Наука, 1990.

4. Александров В.Л., Матлах А.Т., Нечаев Ю.И., Поляков В.И., Ростовцев

5. Д.М. Интеллектуальные системы в морских исследованиях и технологиях. — Санкт-Петербург. ГМТУ, 2001.

6. Ашик В.В. Проектирование судов. Л.: Судостроение, 1985.

7. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях. М.: Мир, 1976.

8. Белозерский Л.А. Классификация и решающие правила логических систем распознавания // Искусственный интеллект. №4. 2002, с.422-427.

9. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. — М.: Мир, 1974.

10. Бородай И.К., Нецветаев Ю.А. Качка корабля на морском волнении. Л.: Судостроение. 1969.

11. Бородай И.К. Нецветаев Ю.А. Мореходность судов. Л.: Судостроение. 1982.

12. Ю.Бортовые интеллектуальные системы. Часть 2. Корабельные системы. — М.: Радиотехника, 2006.

13. П.Вовк С.П. Разработка технологии нечеткого моделирования ситуаций принятия решений в частично формализуемых средах // Программные продукты и системы. №3. 2004, с. 16-22.

14. Воробьева Г.И. Модели выбора оптимальных форматов представления объектов в базах данных удаленного доступа // Труды X Всероссийской конференции «Телематика-2003». Санкт-Петербург. 2003. т.1, с.233-235.

15. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Санкт-Петербург. Питер, 2000.

16. Гайкович А.И. Основы теории проектирования сложных систем. Санкт-Петербург. МОРИНТЕХ, 2001.

17. Геппенер В.В. Деревья решений в распознавании образов // Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM-99 // Санкт-Петербург. 1999. т.2, с. 130-136.

18. Грибова В.В., Клещев A.C. Использование методов искусственного интеллекта для проектирования пользовательского интерфейса // Информационные технологии. №8. 2005, с.58 — 61.

19. Гэри М., Джонсон Д. Вычислительные сложности и труднорешаемые задачи. М.: Мир, 1982.

20. Дмитриев В.И. Прикладная теория информации М.: Высшая школа, 1989.

21. Домрачеев В.Г., Безрукавный Д.С., Калинина Э.В., Ретинская И.В., Скуратов А.К. Нечеткие методы в задачах мониторинга сетевого трафика // Информационные технологии. №3. 2006, с.2 10.

22. Евгеньев Г.Б. Интеграция прикладных систем на основе баз знаний // Программные продукты и системы. №3. 2005, с.42 — 46.

23. Елашкин М. Как оценивать эффективность ИТ? // Открытые системы. №7. 2004, с.38-41.

24. Елизаров С.И. Адаптивные методы нечеткой кластеризации // Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM-2006. Санкт-Петербург. 2006. Т.2, с. 177 180.

25. Еремеев А.П., Куриленко И.Е. Реализация временных рассуждений для интеллектуальных систем поддержки принятия решений реального времени // Программные продукты и системы. №2. 2005, с.8 16.

26. Жданов A.A. Метод автономного адаптивного управления // Известия Академии Наук. Теория и системы управления, 1999, № 5, с. 127-134.

27. ЗО.Зенкин A.A. Когнитивная компьютерная графика. — М.: Наука, 1991.

28. Ивакин Я. А. Введение в проблему компьютерной интерпретации прикладных формализуемых теорий // Информационно-управляющие системы. №1.2003, с.26-31.

29. Караваев М.В., Жданов A.A. Построение нечетких контроллеров по методологии автономного адаптивного управления // Сборник научных трудов VIII всероссийской научно-технической конференции НЕЙРОИНФОРМА-ТИКА-2006. Москва: МИФИ. 2006. 4.1, с.31 37.

30. Карпов A.B. Информационные конфликты в автоматизированных системах //Программные продукты и системы. №3. 2004, с.22-26.

31. Кини Р.Л., Райфа X. Принятие решений при многих критериях. Предпочтения и замещения. — М.: Радио и связь, 1981.

32. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров.- М. Наука, 1977.

33. Костерев В.В., Аверкин А.Н. Формальное описание риска в нечетких системах // Труды международной конференции по мягким вычислениям и измерениям SCM-2001. Т.1. Санкт-Петербург. 2001, с. 170-173.

34. Костерев В.В., Лапшина В.А. Метод экспертной оценки риска с использованием лингвистических переменных // Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM-2003. Санкт-Петербург. 2003. т.2, с. 112-115.

35. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.

36. Круглов В.В., Усков A.A. Два подхода к самоорганизации базы правил системы нечеткого логического вывода // Информационные технологии. №2. 2006, с.14- 18.

37. Кузнецов М. MDA новая концепция интеграции приложений // Открытые системы. №9. 2003, с.48-51.

38. Куклев Е.А. Модели рисков катастроф как маловероятных событий в системах с дискретным состоянием // Труды всероссийской научной конференции «Управление и информационные технологии УИТ-2003. Т.2, с. 158-163.

39. Куприянов A.A., Емельянов A.A. Механизмы и средства поддержки человеко-компьютерного взаимодействия в среде интегрированных комплексов средств автоматизации // Морская радиоэлектроника. №2(8). 2004, с.30 — 34.

40. Ларичев О.И., Машкович Е.М. Качественные методы принятия решений. -М.: Физматгиз, 1996.45Липаев В.В. Верификация и тестирование сложных программных средств // Информационные технологии. №7. 2004, с.42-47.

41. Майника Э. Алгоритмы оптимизации на сетях и графах. М. Мир. 1981.

42. Макаров И.М. Теория принятия решений. — М.: Наука, 1986.

43. Малинецкий Г.Г., Кульба В.В., Косяченко С.А., Шнирман М.Г. и др. Управление риском. Риск. Синергетика. — М.: Наука. 2000.

44. Малышев Н.Г., Берштейн JI.C., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. — М.: Энергоатомиздат, 1991.

45. Маслов Ю.С. «Теория дедуктивных систем и ее применения».- Москва: Радио и связь. 1986.

46. Математические методы в теории систем: новое в зарубежной науке / Под ред А.Н.Колмогорова, С.П.Новикова. — Вып. 14. М. Мир, 1979.

47. Мелихов А.Н., Бернштейн JI.C., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. — М.: Наука, 1990.

48. Месарович М., Такахара Я. Общая теория систем: математические основы. М. Мир, 1978

49. Миат Ниейн Мо, Нечаев Ю.И. Оценка риска принимаемых решений вбортовых интеллектуальных системах // Труды XV ^Всероссийской научноt r f

50. Миат Ниейн Мо, Нечаев Ю.И. Интеллектуальная поддержка оператора бортовой интеллектуальной системы с использованием имитационного моделирования // Искусственный интеллект. №3. 2008, с.462 — 471.

51. Миат Ниейн Мо. Организация интерфейса при контроле экстремальных ситуаций // Материалы пятой общероссийской конференции молодых ученых и специалистов по морским интеллектуальным технологиями МОРИНТЕХ-ЮНИОР, Санкт-Петербург. 2009, с.73 75.

52. Миат Ниейн Мо. Интеллектуальная поддержка оператора бортовой интеллектуальной системы // Сборник докладов ХШ Международной конференции по мягким вычислениям и измерениям 8СМ-2010. Санкт-Петербург. 2010. т. 1, с.42 46.

53. Минский М. Фреймы для представления знаний. М.: Энергия, 1979.

54. Мистров Л.Е. Метод синтеза технических систем // Автоматизация и информационные технологии. 2006. №8, с.31 — 36.

55. Неделько В.Н. Прогнозирование информационных потребностей операторов особо сложных систем управления // Искусственный интеллект. Донецк. №3. 2002, с.420-427.

56. Нечаев Ю.И. Моделирование остойчивости на волнении. Современные тенденции. — Л.: Судостроение. 1989.

57. Нечаев Ю.И. Принципы использования измерительных средств в бортовых интеллектуальных системах реального времени // Тр.5-й Национальной конференции по искусственному интеллекту с международным участием КИИ-1996. Казань. 1996. т.1, с.362-364.

58. Нечаев Ю.И., Сиек Ю.Л., Васюнин Д.А. Концепция мягких вычислений в бортовых интеллектуальных системах реального времени // Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM-1999. Санкт-Петербург. 1999. Т.2, с.64-68.

59. Нечаев Ю.И. Искусственный интеллект: концепции и приложения. -Санкт-Петербург. ГМТУ, 2002.

60. Нечаев Ю.И. Математическое моделирование в бортовых интеллектуальных системах реального времени // Труды 5-й всероссийской научно-технической конференции «Нейроинформатика — 2003». Лекции по нейроинформатике. Часть 2, с. 119-179.

61. Нечаев Ю.И. Нейроаппроксимация и нейропрогноз при контроле динамики сложного объекта // Нейрокомпьютеры: разработка, применение, № 9. 2005, с.22-31.

62. Нечаев Ю.И., Петров О.Н. Информационная поддержка оператора при анализе сложных ситуаций // Труды XIII Всероссийской научно-техническойконференции «Телематика-2006». М.: ГосНИИ ИТ «Информика». 2006, т.1, с.149- 150.

63. Нечаев Ю.И., Петров О.Н. Контроль динамики судна в сложных ситуациях на основе нечеткой системы знаний // Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM-2006. Санкт-Петербург. 2006. т.2, с.50 53.

64. Нечаев Ю.И., Петров О.Н., Тихонов Д.Г. Интеллектуальная система «Мореходность» // Информационно-измерительные и управляющие системы. Бортовые интеллектуальные системы. №9.2006, с.49 60.

65. Нечаев Ю.И. Концептуальные основы создания бортовых интеллектуальных систем // Информационно-измерительные и управляющие системы. Бортовые интеллектуальные системы. №9. 2006, с.4 — 8.

66. Нечаев Ю.И., Петров О.Н. База знаний и механизм логического вывода // Информационно-измерительные и управляющие ' системы. Бортовые интеллектуальные системы. №9. 2006, с.23 — 27.

67. Нечаев Ю.И., Петров О.Н. Моделирование динамики судна в сложных ситуациях // Тезисы докладов научно-технической конференции «проблемы мореходных качеств судов и корабельной гидромеханики (ХЬП Крыловские чтения), Санкт-Петербург. 2006, с.66 67.

68. Нечаев Ю.И. Методологические основы построения системы нейро-нечеткого управления при движении судна во льдах // Нейрокомпьютеры: разработка, применение. №6. 2006, с.31 —42.

69. Нечаев Ю.И., Анищенко О.П. Моделирование и визуализация экстремальных ситуаций // Информационно-измерительные и управляющиесистемы. Бортовые интеллектуальные системы. Корабельные системы. №9. Т.4. 2006, с.39 — 48.

70. Нечаев Ю.И., Петров О.Н. Моделирование сложных ситуаций в интеллектуальных системах ренального времени // Труды XIV Всероссийской научно-методической конференции «Ткелематика-2007». М.: ГосНИИ ИТ «Информика». 2007, с.420 422.

71. Нечаев Ю.И., Петров О.Н. Нечеткие модели при обработке информации в бортовых интеллектуальных системах // Сборник Докладов на X Международной конференции по мягким вычислениям, и измерениям 8СМ2007. Санкт-Петербург. 2007. т.1, с.71 75.

72. Нечаев Ю.И. Нейро-нечеткая система поддержки принятия решений при оценке поведения сложного динамического объекта // Труда Х-й Всероссийской конференции «Нейроинформатика-2008». М.: МИФИ. 2008. Лекции по нейроинформатике. Часть 2, с.97— 164.

73. Нечаев Ю.И., Петров О.Н. Нейро-нечеткие модели контроля динамики сложного объекта в нестандартных ситуациях // Сборник Докладов на XI Международной конференции по мягким вычислениям и измерениям 8СМ2008. Санкт-Петербург. 2008. т.1, с. 175 178.

74. Нечаев Ю.И., Петров О.Н. Ыеиго-Риигу система при анализе и прогнозе динамики сложного объекта // Труды XV Всероссийской научно-методической конференции «Ткелематика-2008». М.: ГосНИИ ИТ «Информика». 2008, Т. 1, с.90 -91.

75. Нечаев Ю.И., Пипченко А.Д. Оперативный контроль мореходных качеств судна в штормовых условиях // Искусственный интеллект. №.4. 2008, с.265— 273.

76. Пападимитриу X., Стайглиц Л. Комбинаторная оптимизация: алгоритмы и сложность. -М.: Мир. 1985.

77. Парфенов И.И. Проблема принятия решений в автоматизированном проектировании сверхбыстрой обработки информации // Докл. РАН. 1995. т.342. №6, с.750-752.

78. Парфенова М.Я., Журавлев В.З., Парфенов И.И. Электронный документооборот в автоматизированном управлении образовательным процессом // Открытое образование. 2003. №5, с.53-60.

79. Парфенова М.Я., Колганов С.К., Парфенов И.И., Иванов В.И.

80. Человеческий фактор в интеллектуальных информационных технологиях для профилактики, предупреждения и устранения аварийных ситуаций // Информационные технологии. 2005.№5, с.21-29.

81. Пашин В.М. Оптимизация судов. Л.: Судостроение, 1983.

82. Петров О.Н. Нечеткая система знаний на основе принципа адаптивного резонанса // Сборник докладов шестой международной конференции «МОРИНТЕХ-2005». Санкт-Петербург. 2005, с.371 373.

83. Петров О.Н. Анализ динамики судна в нештатных и экстремальных ситуациях // Труды конференции молодых ученых м специалистов по морским интеллектуальным технологиям «МОРИНТЕХ-Юниор». Санкт-Петербург. 2006, с.102 104.

84. Петров О.Н. Сборник докладов восьмой международной конференции «МОРИНТЕХ-2008». Санкт-Петербург. 2008.

85. Планирование эксперимента в исследовании технологических процессов / К.Хартман и др. М.: Мир, 1977.

86. ЮЗ.Пойа Дж. Математика и правдоподобные рассуждения. — Наука, 1975. Ю4.Поснелов Г.С. Искусственный интеллект — основа новых информационных технологий. — М.: Наука, 1988.

87. Ю5.Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986.

88. Юб.Поспелов Д.А., Эрлих А.И. Прикладная семиотика — новый подход к построению систем управления и моделирования // Динамические интеллектуальные системы в управлении и моделировании. М.: ЦРДЗ. 1996, с.30-33.

89. Прангишвили И.В. Системный подход и общесистемные закономерности. М.: СИНТЕГ, 2000.

90. Рахманин H.H. Стохастическое описание морской поверхности. СПб., Изд. ЛКИ, 1994.

91. НО.Робертс Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам. — М.: Наука. 1986. Ш.Рыжов А.П. Элементы нечетких множеств и измерения нечеткости. — М.: Диалог МГУ, 1998.

92. Ш.Рябинин H.A. Надежность. Живучесть и безопасность корабельных электроэнергетических систем. — BMA им. Н.Г.Кузнецова. СПб. 1997. 112.Саати Т., Керне К. Аналитическое планирование. Организация систем. -М.: Радио и связь. 1991.

93. ПЗ.Саати Т. Принятие решений. Метод анализа иерархий. — М.: Радио и связь. 1993.

94. Сборннк научных статей. Бортовые интеллектуальные системы. ч.2. Корабельные системы. -М.: Радиотехника, 2006.

95. Советов Б.Я., Яковлев С.А. Моделирование систем. — М.: Высшая школа, 2003.

96. Нб.Соловов A.B. Электронное обучение: проблематика, дидактика, технология. Самара: Новая техника, 2006.

97. Справочник по теории корабля. В 3-х томах. — JI.: Судостроение, 1985.

98. Справочные данные по режиму ветра и волнения Баренцева, Охотского и Каспийского морей. Российский морской регистр судоходства, СПб, 2003.

99. Тихонов А.Н., Самарский A.A. Уравнения математической физики. М.: Наука, 1972.

100. Уидроу Б., Стириз С. Адаптивная обработка сигналов. М.: Радио и связь, 1989.

101. Управление рисками. М.: Наука, 2000.

102. Хакен Г. Синергетика: иерархии неустойчивостей в самоорганизующихся системах и устройствах. М.: Мир, 1985.

103. Хаскинд М.Д. Гидродинамическая теория качки корабля. М., Наука, 1973.

104. Хаяси Т. Нелинейные колебания в физических системах. М.: Мир, 1969.

105. Химмельблау Д. Анализ процессов статистическими методами. М. : Мир, 1973.

106. Царегородцев А.В., Мухин И.Н. Синтез развивающихся информационно-управляющих систем // Автоматизация и современные технологии. 2005. №3, с.22-26.

107. Чалей И.В., Лисицын Н.В., Рябцов М.В. Формальное описание риска при принятии технических решений // Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM-2005. Санкт-Петербург. 2005. т.2, с.70 73.

108. Эйкхофф П. Основы идентификации систем управления. — М.: Мир, 1975.

109. Юсупов И.Ю., Парфенов И.И. и др. Автоматизированное управление ситуациями в АПКУ. Уфа: Башкнигоиздат. 1988

110. Asai K., Sugeno M., Terano T. «Applied fuzzy system», Academic Press, New York, 1994.

111. Balci O. Validation, verification and testing techniques troughout the life cycle of a simulation study. Annals of Operation Research, 1994.

112. Banks J., Carson J.S., Nelson B.L., Nicol D. Discrete-event system simulation. Prentice Hall. New Jersey, 2000.

113. Boehm B.W. A spiral model of software development and enhancement // ACM SIGSOFT Software Engineering Notes. Vol.11. No 4, 1986.

114. Carson J.S. Model verification and validation // Proceedings of the 2002 Winter Simulation Conference. 2001, p.p.52-58.

115. France W., Levadou M., Treakle T.W., Paulling J.R., Michel R.K., Moore K. An investigation of head-sea parametric rolling and its Influence on Container Lashing Systems // SNAME Annual Meeting 2001 Presentation, p.p.l 24.

116. Grandell J. Aspects of risk theory. Berlin, 1991.

117. Inmon W.H. Building data warehouse. John & Sons.Inc, 1996.

118. Kleijnen J.P.C. Validation of models: statistical techniques and data availability. 1999.

119. Kosko B. Fuzzy cognitive maps // International Journal of Man-Machine Studies. 1986. Vol.24, p.p.65 75.

120. Kosko B., Dickerson J.A. Function Approximation with additive fuzzy systems // Theoretical Aspects of fuzzy control / Eds. N.T.Nguyen. John Willey @ Sons. Inc.1995.

121. Kosterev V.V., Averkin A.N. Aggregation of probabilistic and fuzzy information in risk assessment.- Proceedings of the International Conference on Soft Computing and Measurements. St.Petersburg.l999.p.p.l96-199.

122. Lopatoukhin L.J., Rozhkov V.A., Ryabinin V.E., Swail V.R., Boukhanovsky A.V., Degtyarev A.B. Estimation of extreme wave heights. JCOMM Technical Report, WMO/TD. №1041, 2000, p.p.l 12.

123. Schuster H.G. Deterministic chaos. — Physik-Verlag. Weinhein (F.R.G). 1984.

124. VandeIl G. Check-List-CFIT-FSF. Rev.2.2R/500/r-IKAO. Monreal: 1994 (Программа CFIT, ИКАО, циркуляр (методика оценки рисков): 1996.

125. Winston P.N. Artificial intelligence. — Addison Wesley Publishing Company. USA, 1993.

126. Zadeh L. Fuzzy logic, neural networks and soft computing // Commutation on the ASM-1994. Vol.37. №3, p.p. 77-84.