автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Программно-алгоритмическое и структурное обеспечение систем поддержки принятия решений в чрезвычайных ситуациях на железнодорожном транспорте

На правах рукописи

Цурпков Александр Николаевич

ПРОГРАММНО-АЛГОРИТМИЧЕСКОЕ И СТРУКТУРНОЕ ОБЕСПЕЧЕНИЕ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЯХ НА ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (на транспорте)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

13 НОЯ 2014

Ростов-на-Дону 2014

005554928

005554928

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Ростовский государственный университет путей сообщения» (ФГБОУ ВПО РГУПС) на кафедре «Информатика»

Научный руководитель: доктор технических наук, профессор

Гуда Александр Николаевич

Официальные оппоненты: Целых Александр Николаевич,

доктор технических наук, профессор, заведующий кафедрой «Информационно-аналитические системы безопасности», «Южный федеральный университет» (ЮФУ)

Строгонов Владимир Иванович,

доктор технических наук, профессор, ученый секретарь открытого акционерного общества «Научно-исследовательский и про-ектно-конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте» (ОАО «НИИАС»)

Ведущая организация: Федеральное государственное бюджетное

образовательное учреждение высшего профессионального образования «Московский государственный университет путей сообщения» (МГУПС (МИИТ))

Защита состоится 8 декабря 2014 г. в 13:30 на заседании диссертационного совета Д 218.010.03 в ФГБОУ ВПО «Ростовский государственный университет путей сообщения» по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, д. 2, конференц-зал.

С диссертацией можно ознакомиться в научной библиотеке ФГБОУ ВПО РГУПС по адресу 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, д. 2 и на официальном сайте http://wwvv.rgups.ru.

Автореферат разослан «¿6»2014 г.

Ученый секретарь

диссертационного совета Д 218.010.03, доктор технических наук, профессор

М. А. Бутакова

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Объекты железнодорожного транспорта являются потенциально опасными с точки зрения возникновения чрезвычайных ситуаций (ЧС). Вероятность возникновения ЧС велика на станциях массовой переработки и проследования опасных грузов (ОГ), либо вблизи от них. При возникновении ЧС своевременно принятые управленческие решения по ее ликвидации со стороны лиц, принимающих решения (ЛПР), способствуют минимизации последствий, быстрому восстановлению движения при минимальных потерях.

ЛПР ступени принятия решений линейного пункта (станции) выполняют совокупность операций, составляющих этапы технологического процесса принятия управленческих решений при возникновении ЧС, являющегося частью технологического процесса работы железнодорожной системы, от которых зависит успешная ликвидация ее последствий.

Эффективное выполнение операций столь сложного технологического процесса требует использования автоматизированных информационных систем поддержки принятия управленческих решений (Ci ШУР). В контексте диссертационной работы в рассматриваемых Cl ШУР акцент делается на управленческие решения, принимаемые при возникновении ЧС, информирование и согласование с внешними структурами. Генерация управляющих воздействий на исполнительные объекты, такие как стрелки, сигналы, светофоры, в рассматриваемых системах Cl ШУР не предусматривается.

В настоящий момент на железнодорожном транспорте информационные системы и программно-технические комплексы функционируют в рамках Автоматизированной системы управления железнодорожным транспортом (АСУЖТ). Однако, АСУЖТ, основы которой заложены в 1980-90-е годы, состоит из слабо связанных локальных систем. Создание новых систем в рамках АСУЖТ уже не может дать значительного эффекта.

Сегодня происходит переход от АСУЖТ к Единой интеллектуальной системе управления и автоматизации производственных процессов (ИСУЖТ). По словам президента ОАО «РЖД»: «Новое информационное пространство отрасли должно стать бесшовным, лишенным практики стихийного формирования множества локальных систем».

В рамках проекта ИСУЖТ функционирует несколько пилотных полигонов, внедряются системы, применяющие современные технологии. Однако, Cl ШУР при возникновении ЧС, которую можно интегрировать в ИСУЖТ, пока не создано. Это обуславливает актуальность темы диссертации.

Актуальность темы отмечена на заседании Объединенного ученого совета (ОУС) ОАО «РЖД» (протокол №38, от 23.05.2013), а также поддержана грантом РФФИ 13-08-12151 офи_м.

Степень разработанности проблемы. Отметим работы известных ученых. В области искусственного интеллекта и принятия решений: С.Н. Васильев, М.Г. Гаазе-Рапопорт, А.И. Галушкин, В.М. Глушков, А.Н. Гуда, Д.Ю. Кочин, H.H. Лябах, Д.А. Поспелов, C.B. Соколов, А.Тьюринг и др. В области искусственных нейронных сетей: В.И. Арнольд, С.М. Ковалев, А.Н. Колмогоров, К. Левенбёрг,

Д. Марквардг, Ф. Розенблапт, Д. Рутковская, С. Хайкин, Р. Хехт-Нильсен, J.C. Principe и др. В области обеспечения перевозки опасных грузов: В.Н. Андросюк, И. В иш нив едкий, Л.А.Гребенюк, A.B. Кириченко, И.В. Мартынюк, А.М. Островский, В.М. Рудановский, A.B. Христолюбов и др. В области когнитивной графики: A.A. Зенкин, Д.А. Поспелов, Н. ChernofT и др. В области ликвидации ЧС: В.А. Акимов, Ю.Л. Воробьев, В.Ю. Глебов, С.А. Качанов, Ю.И. Соколов, М.И. Фалеев, С.П. Чумак, С.К. Шойгу и др. В области систем управления и связи на транспорте: A.A. Абрамов, М.А. Бутакова, В.В. Доенин, И.Д. Долгий, В.Н. Иванченко, В.М. Лисенков, Э.А. Мамаев, E.H. Розенберг, И.Н. Розенберг, В.В. Сапожников, Вл. В. Сапожников, В.Н. Таран, A.B. Чернов, А.Н. Шабельников и др. В области информирования о ЧС с помощью мобильных терминалов: N.H. Wienand. В области концептуального моделирования: Г. Буч, Д. Рамбо и др.

Наибольший вклад в России вносят коллективы НИИАС, ВНИИЖТ, а также транспортных ВУЗов (МГУПС (МИИТ), ПГУПС, РГУПС, СГУПС и др.). Большое внимание внедрению современных систем уделяет руководство ОАО «РЖД» во главе с президентом В.И. Якуниным. В области работ, связанных с ликвидацией ЧС, значительную роль играют ученые «Всероссийского научно-исследовательского института по проблемам гражданской обороны и чрезвычайных ситуаций» (ВНИИ ГОЧС).

В качестве объекта диссертационного исследования выступают технологический процесс принятия управленческих решений и автоматизированные информационные системы поддержки принятия управленческих решений в условиях возникновения ЧС на железнодорожном транспорте.

Предметом исследования являются методы поддержки принятия управленческих решений, программно-алгоритмическое обеспечение и структурные решения систем поддержки приняли управленческих решений на железнодорожном транспорте в условиях возникновения ЧС.

Целью диссертации является исследование и разработка методов, программно-алгоритмического обеспечения и структурных решений для автоматизированной информационной системы поддержки принятия управленческих решений на железнодорожном транспорте в условиях возникновения ЧС, с перспективой ее интеграции в систему управления железнодорожным транспортом ИСУЖТ.

Для достижения целей в исследовании решаются следующие задачи:

1. Разработать подход к поддержке принятия решений ЛПР на железнодорожных станциях при возникновении ЧС, путем интеллектуализации решения задач классификации в слабоформализуемых областях, с которыми сталкиваются ЛПР при возникновении ЧС, на основе знаний экспертов.

2. Автоматизировать информирование лиц, участвующих в процессе принятия управленческих решений при возникновении ЧС, на основе мобильных телекоммуникационных технологий.

3. Обеспечить доступ к современным информационным технологиям ЛПР непосредственно на месте ЧС (локомотивные бригады, сопровождающие ОГ и т.д.), первыми принимающих оперативные решения по ликвидации ЧС и ннфор-

мированию ЛПР вышестоящих ступеней управления.

4. Исследовать вопросы реализации СППУР, в том числе предложить структуру основных элементов системы, провести их концептуальное моделирование и рассмотреть перспективы интеграции в рамках ИСУЖТ.

5. Разработать и исследовать прототипы программного обеспечения, реализующего предложенные методы и алгоритмы, и подлежащего использованию в элементах разрабатываемой информационной системы.

Диссертационная работа выполнена в рамках паспорта специальности 05.13.06 - «Автоматизация и управление технологическими процессами и производствами (на транспорте)»: пункты 10,15,16 и 19.

Для решения поставленных задач использован пнструментарно-методологический аппарат, включающий: системный подход, теорию искусственного интеллекта и принятия решений, искусственные нейронные сети (ИНС) и способы их машинного обучения, методы извлечения слабоформализуемых знаний, методы когнитивной графики, теорию кодирования, концептуальное моделирование.

Разработка элементов программного обеспечения выполнена в средах: «Delphi», «Visual Basic for Applications», «Eclipse IDE for Java Developers». ИНС моделировались в виде DLi-модулей в программе-нейропакете «NeuroSolutions». Для концептуального моделирования системы использовались {/Ай-диаграммы.

При разработке обеспечения для мобильных терминалов (МТ) использовались технологии на основе С£А/-связи и ее железнодорожной модификации GSM-II (GSM-Raihvay), SMS-сообщений, спутниковой навигации GPS/ГЛОНАСС, концепции BYOD.

Основные положения, выносимые на защиту:

1. Подход к поддержке принятия управленческих решений ЛПР на железнодорожных станциях при возникновении ЧС, в котором автоматизированное решение интеллектуальной задачи классификации ЧС по масштабу определяет поддержку ЛПР в решении расчетных и информационных задач.

2. Оригинальный эвристический метод обучения ИНС для решения задач классификации на основе слабоформализуемых знаний экспертов, и его алгоритмы, использующий визуальные (когнитивные) образы возможных ситуаций для извлечения знаний эксперта.

3. Структура устройства обучения ИНС, реализующего алгоритмы авторского метода обучения ИНС, которое может быть включено в СППУР в качестве типового блока для обучения ИНС решению задач классификации.

4. Решение задачи автоматизации информирования ЛПР о возникновении ЧС на железнодорожной станции по сетям мобильной цифровой связи GSM/GSM-R с использованием коротких сообщений (5MS), заключающееся в том, что сообщения содержат алфавитно-цифровой код ситуации, а обработку кода из SMS автоматически осуществляет устройство информирования, интегрированное в МТ информируемых ЛПР.

5. Структура устройства информирования ЛПР, интегрируемого в МТ соответствующих ЛПР, осуществляющего автоматическую обработку входящих SMS,

содержащих код ЧС, и выполнение необходимых действий по информированию абонента о ЧС с целью поддержки принятия решений.

6. Схема развертывания СПГГУР, соответствующая иерархической структуре процесса принятия управленческих решений при возникновении ЧС на железной дороге, и содержащая три основных элемента: МТ для JII If ступени принятия решений непосредственно на месте ЧС; стационарный элемент, устанавливаемый на железнодорожной станции; МТ, принадлежащие ЛПР второго уровня, используемые ими для получения информации о ЧС.

7. Концептуальные модели трех основных элементов системы, построенные с использованием диаграмм прецедентов {use case diagram) унифицированного языка моделирования UML, описывающие требования к функциональным возможностям каждого из моделируемых элементов СГТПУР.

8. Структура стационарного элемента СППУР, устанавливаемого на железнодорожной станции, обеспечивающая выполнение требуемых функциональных возможностей, с перспективой инте1рации в ИСУЖТ.

Научная новизна исследования состоит в том, что в диссертации:

1.. Предложен подход к поддержке принятия управленческих решений ЛПР на железнодорожных станциях при возникновении ЧС, позволяющий использовать автоматизированное решение интеллектуальной задачи классификации ЧС по масштабу с помощью ИНС, как основу поддержки принятия решений.

2. Разработан оригинальный авторский метод обучения ИНС, позволяющий обучать ИНС на основе слабоформализуемых знаний экспертов, и его алгоритмы. Новизна метода подтверждается патентом РФ №2504006 на изобретение.

3. Синтезирована структура устройства обучения ИНС, реализующего алгоритмы авторского метода обучения ИНС, которое может использоваться в СППУР, как типовой блок для обучения ИНС. Новизна устройства подтверждается патентом РФ на полезную модель по заявке №2014105841.

4. Предложено автоматизировать информирование ЛПР о возникновении ЧС на железнодорожном транспорте по сетям связи GSM/GSM-R с помощью коротких сообщений (SMS), содержащих алфавитно-цифровой код ЧС. Синтезирована структура устройства, устанавливаемого в МТ абонентов. Новизна подтверждается патентом РФ № 137441 на полезную модель.

5. Предложена структура СППУР, состоящая из трех элементов, соответствующая иерархической структуре процесса принятия управленческих решений при возникновении ЧС на железнодорожной станции, которая может быть интегрирована с системой ИСУЖТ и сетями мобильной связи GSM/GSM-R. Новизна подтверждается патентом РФ на полезную модель по заявке №2014105260.

Практическая значимость результатов исследования подтверждается патентами, авторскими свидетельствами, актами о внедрении. Также результаты диссертации отмечены призовыми местами Первого всероссийского конкурса научных работ среди студентов и аспирантов транспортных ВУЗов, проведенного ОУС ОАО «РЖД», и Городского конкурса праюгико-ориентированных научно-исследовательских работ студентов, аспирантов и молодых ученых, проведенного администрацией г. Ростова-на-Дону в 2013 г. Автором созданы прототипы

обеспечения, которое может быть использовано при построении СППУР.

Внедрение результатов. Результаты работы внедрены в деятельности Южного филиала ВНИИ ГОЧС, использовались в РГУПС при выполнении хоздоговорных работ и грантов РФФИ, апробированы в Научно-внедренческом центре AHO «Международный исследовательский институт».

Апробация работы проходила на: Второй научно-технической конференции «Интеллектуальные системы управления на железнодорожном транспорте» (ИСУЖТ-2013), г. Москва, 2013 г.; Заседании Объединенного ученого совета ОАО «РЖД», г. Москва, 2013 г.; Четырнадцатой научно-практической конференции «Безопасность движения поездов» (БДП-2013), г. Москва, 2013 г.; Научно-практической конференции «Транспорт-2012» и «Транспорт-2013», г. Ростов-на-Дону, 2012 г. и 2013 г.; 2nd International Academic Conference «Applied and Fundamental Studies», St. Louis, Missouri, USA, 2013; V Международной научной конференции «Актуальные проблемы народнохозяйственного комплекса: инновации и инвестиции», г. Москва, 2013 г.; XIII Международной научно-практической конференции «Инновации в науке», г. Новосибирск, 2012 г.; Международной молодежной научно-практической конференции СКФ МТУСИ «ИНФОКОМ-2013», г. Ростов-на-Дону, 2013 г.; VII Всероссийской научной школе-семинаре молодых ученых, аспирантов и студентов «Семантические технологии — 2013. Семантическая интерпретация и интеллектуальная обработка данных и ее приложение в информационном поиске», г. Таганрог, 2013 г; Всероссийской научно-практической конференции «Мониторинг, моделирование и прогнозирование опасных природных явлений и чрезвычайных ситуаций», г. Железногорск, 2013 г.; XV Международной научно-практической конференции «Технические науки — от теории к практике», г. Новосибирск, 2012 г.; I Молодежном инновационном конвенте Южного и Северо-Кавказского федеральных округов в рамках конкурса «Зворыкинская премия», г. Краснодар, 2013 г.

Публикации. По теме диссертации опубликовано 24 работы, из которых 5 в изданиях, рекомендованных ВАК РФ, 5 являются патентами и авторскими свидетельствами и 14 в других изданиях. Еще по 2 заявкам на полезную модель РФ получены положительные решения о выдаче патента.

Структура и объем работы. Диссертация состоит из введения, 4 глав, содержащих 20 разделов, заключения, списка использованных источников из 111 наименований, и приложений, в которые вынесены патенты и свидетельства, а также документы, подтверждающие использование и апробацию результатов. Работа содержит 175 страниц, 32 рисунка, 6 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы и степень разработанности проблемы, определены объект и предмет, инструментарно-методологический аппарат, сформулированы цель и задачи исследования. Перечислены положения, выносимые на защиту, показана новизна и практическая значимость.

В первой главе проведен анализ аспектов технологического процесса принятия управленческих решений на железнодорожном транспорте в условиях вЬз-

никновепия ЧС. Рассмотрены особенности ЧС на железнодорожном транспорте и принятия управленческих решений при их возникновении, определен понятийный аппарат, связанный с ЧС, обязанности ЛПР, участвующих в технологическом процессе принятия решений, и выполняемые ими технологические операции, регламентируемые нормативно-технической документацией (НТД) и местными инструкциями.

В вертикально-структурированной иерархической системе управления железнодорожным транспортом выделены три ступени технологического процесса принятия управленческих решений при возникновении ЧС (рис. 1):

- ступень принятия решений непосредственно на месте ЧС;

- ступень принятия решений линейного пункта (станция, перегон);

- ступень принятия решений железной дороги.

ЛЛ? нереогл уровня:

Сгпрпеи» принятая решений жедезтЯ дорога

днц деу дгпс

ЛПР старого уровня:

Информирования

Взашкде&смвие

Внешние ЛПР

Ступень принятия ранений линейного пункта (станция, перегон)

ЛПР первого уровня: ЛПР второго уровня:

ДС Лнфорлсфоеанш Внешвяв ЛПР

ДСП ДСД Взаимодействие

Сщтеи* приятая решений иеяоерейетееямо на места ЧС

Локомояшнзя бригада Сопрввождающяе ОГ Другие ра&твяш

Рис. 1. Иерархическая структура процесса принятия управленческих решений при возникновении ЧС на железной дороге

В ступенях выделены ЛПР первого и второго уровня, к которым причислены лица, относящиеся к внешним организациям и ведомствам, привлекаемым к ликвидации ЧС на транспорте, а также некоторые сотрудники железных дорог, которые подлежат информированию о возникновении ЧС.

Указано, что возникновение ЧС наиболее вероятно на станциях, обслуживающих составы с ОГ, поэтому интерес вызывает ступень принятия решений линейного пункта (станции), выполняющая этапы технологического процесса, от которых зависит оперативная ликвидация- последствий ЧС. К ЛПР первого уровня на станции отнесены начальник станции (ДС),' дежурный по станции (ДСП), маневровый диспетчер (ДСЦ), на автоматизированные рабочие места (АРМ) которых должно быть направлено внимание при разработке СППУР.

Так же анализ схемы на рис. 1 показал, что ЛПР ступени принятия решений на месте ЧС (локомотивные бригады, сопровождающие ОГ и т.д.) не имеют доступа к современным технологиям поддержки принятия решений. Учитывая распространение компактных вычислительных устройств, предложено рассмотреть возможность создания на их основе элементов СППУР, обеспечивающих доступ

ЛПР на месте ЧС к необходимой информации, с перспективой интеграции устройств с элементами Cl ШУР, устанавливаемыми на станции, и обеспечением связи на основе железнодорожной модификации GSM, известной как GSM-R.

Проведен обзор информационных систем ОАО «РЖД», в том числе и непосредственно связанных с ликвидацией и информированием о ЧС. Указано, что их использование уже не может дать положительного эффекта из-за исчерпания концепции АСУЖТ, в рамках которой они созданы. Показана необходимость создания СППУР, разработанной с учетом технологического процесса работы станций, которая была бы интегрирована в ИСУЖТ, взаимодействовала со специализированными АРМ, обеспечивала поддержку принятия решений ЛПР на станции, содержала средства информирования ЛПР второго уровня.

Все задачи, решаемые ЛПР при возникновении ЧС, условно разделены на расчетные, информационные и интеллектуальные. Указано, что большинство интеллектуальных задач, решаемых при возникновении ЧС, относятся к задачам классификации. Таковы, например: оценка масштаба ЧС; определите круга лиц, подлежащих информированию; оценка метеоусловий и т.д. Приведена математическая постановка задачи классификации в общем виде.

Предложено в СППУР использовать следующий порядок поддержки принятия решений: ввод (и/или автоматическое получение) имеющихся данных о возникшей ЧС —» интеллектуальная оценка масштаба ЧС —► вывод ЛПР актуальной информации о рекомендуемом порядке действий при возникшей ЧС соответствующего масштаба (советов, подсказок).

Т.е. решение интеллектуальной задачи классификации ЧС по масштабу определяет поддержку ЛПР в решении расчетных и информационных задач. Предложено использовать массив НТД в качестве базы для формирования советов, что можно рассматривать, как модификацию метода «таблиц решений».

В результате возможна оперативная выдача ЛПР не только советов по рекомендуемому порядку действий, но и расчетных методик, соответствующих типу и масштабу возникшей ЧС, реализованных в виде компьютерных подпрограмм, а также актуальных списков ЛПР, подлежащих информированию о возникновении ЧС. Т.е. для ЧС каждого типа и масштаба могут быть заранее разработаны алгоритмы принятия решений, проведения расчетов, информирования ЛПР и т.д., которые и будут использоваться при ЧС.

Показано, что существующие телефонные сети являются практически единственным способом доставки информации до ЛПР второго уровня. Ответственные лица используют мобильные GSAi-терминалы для получения звонков или SMS-сообщений с информацией о возникновении ЧС. Однако применяемые ими средства имеют недостатки. Для их преодоления предложено устанавливать дополнительные программы и/или устройства, позволяющие изменить функциональность МТ (смартфонов) при получении сообщений о ЧС.

Сформулированы основные задачи интеллектуализации и автоматизации технологического процесса принятия управленческих решений, по которым следует вести работу далее.

Вторая глава посвящена интеллектуализации поддержки принятия реше-

ний при возникновении ЧС. Указано, что центральное место занимает задача оценки масштаба возникшей ЧС, которую можно рассматривать как основу принятия управленческих решений ЛПР при возникновении ЧС.

Приведена математическая постановка этой задачи. Если принять, что 2 -это множество параметров ЧС, которые могут быть получены ЛПР при ее возникновении, а М — множество классов масштаба ЧС, к которым она может быть отнесена и, при этом, существует неизвестная зависимость г : 2 —* М, значения которой известны только на конечной выборке 1, = {(г^т)}, г = 1,..., к, то необходимо создать систему у.2-+М, способную корректно классифицировать произвольную ЧС масштаба т е М.

Предложено определять рекомендуемый ЛПР набор действий при ЧС, как функцию (соответствие) от масштаба и типа произошедшей ЧС:

Р(М,Т)-+Р, (1)

где М- масштаб ЧС, Г-тип ЧС,

Р - рекомендуемый ЛПР набор действий. При этом в рекомендуемый набор действий входят такие элементы, как:

(8о, Ме, 1п) е Р, (2)

где 8о - советы по рекомендуемому порядку действий, сформированные на основе действующей НТД (фрагменты НТД),

Ме — формализованные расчетные методики, соответствующие типу и масштабу ЧС, реализованные в виде компьютерных подпрограмм,

1п - сценарии информирования внешних ЛПР о возникновении ЧС. Подход позволяет абстрагироваться от различных явлений и процессов, сформировавших возникшую ЧС, и организовать поддержку принятия решений ЛПР на основе ожидаемого масштаба ЧС. При таком подходе для поддержки принятия решений следует использовать знания опытных ЛПР (экспертов). В задаче классификации ЧС определяющими факторами являются опыт и интуиция эксперта (слабоформализуемые знания). Проблемы извлечения таких знаний обусловлены тем, что значительную часть опыта эксперты не могут выразить вер-бально. Задача осложняется тем, что в эту область попадают редко встречающиеся ЧС. Однако именно в таких ситуациях ЛПР. нуждается в интеллектуальной поддержке принятия решений со стороны СППУР.

Проиллюстрируем это графически (рис. 2) на примере классификации ситуаций, описываемых вектором признаков и = [щ, и2]. Эксперт в повседневной практике чаще всего встречается с ситуациями, принадлежащими к областям А / и В¡, находящимся в окрестностях точек ад е Л/ и Ьо е В¡, описывающих «наиболее типичных представителей» каждого класса.

Для областей А/ и В] эксперты могут вербально объяснить правила классификации, которыми они пользуются. Ситуации, принадлежащие к А2 и В2 (и не принадлежащие к А/ и В;) встречаются реже, эксперту сформулировать правила трудно, но возможно. Между А2 и В2 находится область слабоформализуемых знаний. Здесь должна проходить линия решающей границы, но практически невозможно определить, где следует ее провести.

При этом установлено, что эксперты практически всегда способны корректно описать признаки (включая точные числовые значения) «наиболее типичных представителей» каждого исследуемого класса ситуаций. Т.е. всегда можно найти и описать ситуации а0 и Ьо, принадлежащие областям А] и В¡:

3ац, (¡о б А/ и Ьо е 2?; (3)

Это определяет направление интеллектуализации СППУР. Проанализированы проблемы применения технологий для решения задачи. Выбраны ИНС, одно из главных преимуществ которых - возможность обучения. Рассмотрен способ обучения ИНС «с учителем» и модель ИНС типа персептрон. Показано, что обучение «с учителем» не может быть использовано из-за отсутствия необходимого числа векторов для обучения ИНС.

Для преодоления указанных недостатков автором предложен оригинальный эвристический метод обучения ИНС, позволяющий производить обучение ИНС в интерактивном режиме на основе знаний эксперта, в том числе из слабоформали-зуемых областей, так, чтобы ИНС содержала знания эксперта, участвующего в обучении, и имитировала элементы его интеллектуальной деятельности при возникновении ЧС. Это согласуется с известным «тестом Тьюринга». В предложенном методе выявление знаний происходит в процессе интерактивного выполнения практических операций, который близок к реальной деятельности эксперта.

Общая схема предлагаемого метода (патент №2504006) включает в себя следующие этапы: этап формирования массива обучающих пар «стимул-реакция» на основе знаний эксперта; этап обработки массива обучающих пар; этап обучения ИНС. Блок-схемы этапов похазаны на рис. 3 и 4.

Алгоритм этапа формирования массива обучающих пар:

1. Определение числа К обучающих векторов и(п), п = 1,2, ..., К для обучения ИНС, т.е. числа точек на //-мерном пространстве входных векторов и;

2. Указание диапазона изменения входных сигналов ИНС, т.е. ограничение //-мерного пространства входных векторов и некоторой рассматриваемой областью 0\

/ О преде лени а необходимого числа К обучающих векторов и(п), в« 1,2, .... К /

Ограничение диапазона изменения входных сигналов ИНС областью

V

'Указание S векторов, описывающих наиболее типичных представителей у каждого исследуемого класса /

Генерация с помощью генератора псевдослучайных чисел вектора ufo)

Создание визуального образа, описывающего задаваемую вектором и(п) ситуацию

'Демонстрация эксперту вектора и(п) j и вюуального образа /

' Определение экспертом класса, к которому относится вектор и(я) /

©

©

Расширение окрестности точек наиболее типичных представителей классов с шагом Shag

Запись вектора и(п) и эталонного сигнала 4 W в виде пары <и(п), dj(n)> на

носитель информации

НЕТ

©

Рис. 3. Блок-схема алгоритма формирования массива обучающих пар «стимул-реакция»

3. Указание экспертом S векторов, описывающих наиболее типичных представителей каждого из S исследуемых классов ситуаций L¡, L¡, ..-, Lj (J = 1, 2, ..., S), принадлежащих области О;

4. Генерация с помощью генератора псевдослучайных чисел К обучающих векторов и(п), п = I, 2, ..., К входных сигналов ИНС, принадлежащих области О, вблизи окрестности точек, указанных экспертом на шаге 3, т.е. вблизи окрестности точек S векторов, описывающих наиболее типичных представителей каждого из S исследуемых классов L¡, L2, .... L¡, с последовательным равномерным расширением этой окрестности с шагом Shag до указанной ранее области О;

5. Создание компьютерными средствами визуальных (когнитивных) образов, наглядно описывающих ситуации, задаваемые векторами и(п);

6. Демонстрация эксперту сгенерированных обучающих векторов и(п) и визуальных образов, наглядно описывающих ситуации;

7. Определение экспертом, на основе своих знаний, в пределах рассматриваемой области О, одного из S классов, к которому относится каждый из К сгенерированных обучающих векторов и(п) входных сигналов ИНС;

8. Запись векторов и(п) и эталонных сигналов d/n), соответствующих классам Lj(n) ситуаций, к которым, по мнению эксперта, относятся сгенерированные вектора, в виде пар <и(п), d/n)> на носитель информации.

Эксперт в случае затруднения с определением принадлежности любого из К сгенерированных векторов и(п) (этап 7) имеет возможность отказаться от работы с ним и повторно генерировать новые векторы (возврат к этапу 4) без определения их принадлежности до тех пор, пока он не сможет определить принадлежность одного из вновь сгенерированных векторов.

Алгоритм этапа обработки массива обучающих пар (рис. 4) содержит шаги:

1. Разбиение рассматриваемой области О на col подобластей Ос, С = 1,2, ..., col одинакового размера;

2. Подсчет в сохраненном массиве пар <и(п), d/n)> количества пар Uc, обучающие векторы которых и(п) принадлежат каждой подобласти Ос;

3. Удаление из массива тех пар <и(п), d/n)>, количество обучающих векторов которых Uc, принадлежащих каждой подобласти Ос, превышает порог, обеспечивающий обучение ИНС, т.е. Uc > Porog, в случае если все обучающие векторы в подобласти Ос принадлежат к одному классу;

4. Перемешивание массива оставшихся после шага 3 обучающих пар <и(п), dj(n)> с использованием генератора псевдослучайных чисел.

В результате из подобластей, содержащих большое количество обучающих пар, принадлежащих к одному классу, будут удалены пары, которые по сути не несут в себе значимой для обучения информации.

Алгоритм этапа обучения ИНС подобен обучению «с учителем» и показан на рис. 4. Обученная ИНС содержит в себе совокупность формализуемых и сла-боформализуемых знаний эксперта, носителем которых являются установившиеся значения настраиваемых параметров. Далее ИНС может использоваться в виде «черного ящика» без исследования параметров, либо в виде «серого ящика» с возможностью извлечения из нее знаний.

Рис. 4. Блок-схема алгоритма обработки массива обучающих пар (слева) и блок-схема алгоритма обучения ИНС (справа)

Для обеспечения метода синтезирована структура устройства обучения ИНС (патент по заявке №2014105841), которое может быть интегрировано в СППУР в качестве типового модуля. Структура устройства показана на рис. 5.

Рис. 5. Структура устройства обучения ИНС

Создана его программная реализация (свидетельство №2013660803), а ИНС смоделирована в ИЫ,-модуле. С помощью метода обучения ИНС удалось решить задачу, актуальную при ЧС, что подтвердило его работоспособность. Ошибка не превысила 10%. Кривая обучения ИНС показана на рис. 6.

—Mean Squared Error (T) —Mean Squared Егтог (CV)

Рис. 6. Кривая обучения ИНС

Третья глава посвящена автоматизации информирования J11 IP при возникновении ЧС на железнодорожном транспорте. Рассмотрены применяемые методы и их недостатки. Выбрана технология ХМУ-сообщений стандарта GSM для доставки информации до ЛПР второго уровня, которую предложено улучшить тем, что генерируется и пересылается в SMS алфавитно-цифровой код, длина которого не превышает допустимую длину SMS (160 символов), а обработку кода и формирование выводимого ЛПР сообщения, составленного из хранимых в памяти фрагментов информации, осуществляет устройство, установленное в МТ информируемого абонента.

Преимущества достигаются за счет хранения фрагментов информации, используемых для формирования сообщения, в памяти МТ. В результате, нет необходимости пересылать большой объем информации. При этом выводимое на экран МТ сообщение может содержать не только текст, но и графические файлы, например, схемы железнодорожной станции, где возникла ЧС.

Синтезирована структура устройства (патент №137441) для обработки получаемых внешними ЛПР сообщений с кодами ЧС, представленная на рис. 7.

I---------------------------------------1

Рис. 7. Структура устройства информирования, устанавливаемого в МТ ЛПР

Устройство обеспечивает: прием и считывание кода ЧС из SMS; определение местоположения абонента по GPS/ГЛОНАСС и «актуальности» сообщения; извлечение информации из хранимых в устройстве БД; формирование из извлеченной информации сообщения о ЧС; запуск вибросигнала и мелодии для привлечения внимания; выдачу сообщения о ЧС.

Для кодирования текстовых сообщений о ЧС, передаваемых в SMS, предложено использовать «словесное кодирование» (разновидность блочного). Устройство представляет систему, преобразовывающую кодовые цепочки 1(ш> равной длины Nkod в слова и/или словосочетания исходного сообщения

fbxt) jflexl)

Исходный текст сообщения f"x,i состоит из подмножества языка, содержащего 3000 < N,ext < 5000 слов и словосочетаний. Обосновано, что оптимальная длина кодовой цепочки Л^ равна двум символам. При использовании прописных и строчных латинских букв и цифр в каждой позиции кодовой цепочки может быть один из: Ms = 26 * 2 + 10 = 62 (символов). Т.е. каждая пара может нести информацию об одном из: Nux, = = Ö22 = 3844 (слов и/или словосочетаний).

Сообщение максимально может содержать до 160 символов (ограничение на длину SMS). Всего кодовых цепочек в SMS: 160/2 = 80. Под кодирование «служебной информации» выделены первые пять пар, остальные - для текстового сообщения. В блоке служебной информации кодируется: тип сообщения; тип мелодии и вибросигнала для привлечения внимания; координаты места ЧС; номера графических файлов со схемой станции, картой территории и т.д. Пример структуры кодового сообщения показан ниже.

№ Пары 01 02 03 04 05 06 07 08 09 10 11 • • • 76 77 78 79 80

Кодовые символы | а/ | е7 | ЪЗ | g21 %41 eS | а4 | /5 | аЗ | aS \ Ъ2 \ • ■ ■ \d3\j2 \ d7\d9\f4 \

Служебная информация Код текстового сообщения

Роль ключа, используемого при декодировании/кодировании сообщений, выполняют кодовые таблицы (таблицы соответствия), которые хранятся в МТ. Кодовые таблицы можно рассматривать в качестве правила, определяющего отображение (4). Максимально возможную длину передаваемого исходного сообщения Nmaxможно приблизительно оценить по формуле:

Nmax = Nmid * NSMS, (5)

где NmiJ - средняя длина (количество символов) в одном слове или словосочетании исходного текста, кодируемом одной кодовой цепочкой;

Nsms - количество кодовых цепочек для кодирования текста в SMS.

При принятой системе кодирования NSms ~ 75. Средняя длина слова на русском языке N„id = 6,3 символа. Подставив эти значения в формулу (5): Nmx = 6,3 * 75 = 472,5 = 473 (символа).

Таким образом, длину передаваемого текста сообщения удалось увеличить в 472,5/70 = 6,75 раз по сравнению с длиной SMS на русском языке.

Для реализации метода предложено использовать в ОАО «РЖД» концепцию BYOD («Bring Your Own Device» - «Принеси свое собственное устройство»), предполагающую использование сотрудниками собственных мобильных уст-

ройств для доступа к информации предприятия, необходимой им для выполнения служебных обязанностей.

Создание программы (мобильного приложения), загружаемой в память МТ (смартфонов), принадлежащих ЛПР, является доступным способом реализации устройства, изображенного на рис. 7. В качестве целевой платформы выбрана операционная система «Android.». Интерфейсы созданного приложения «RSA» (свидетельство о регистрации программы №2014611447) показаны на рис. 8.

) I

Сопоставлена функциональность элементов мобильного приложения с блоками устройства информирования, структура которого приведена на рис. 7. Рассмотрено обеспечение информационной безопасности в BYOD, указано, что значения кодовых цепочек и содержание кодовых таблиц должны быть известны ограниченному кругу лиц. При этом код можно воспринимать, как шифр, стойкость которого не оценивалась, а кодовые таблицы, как ключ.

В четвертой главе рассматриваются вопросы реализации СППУР. Предложено использовать SMS с алфавитно-цифровыми кодами, несущими информацию о ЧС, и для получения данных от ЛПР ступени принятия решений на месте ЧС. Показано, что для этого необходимо покрытие сигналом GSM/GSM-R значительной части железнодорожных магистралей, что может быть реализовано в ИСУЖТ в относительно отдаленной перспективе (более 5 лет).

Вместе с тем, оснащение ЛПР на месте ЧС МТ обосновано уже сейчас для выполнения с их помощью вспомогательных функций поддержки принятия решений (таких, как экспресс-расчет воздействия поражающих факторов ЧС). МТ могут быть реализованы на основе планшетных компьютеров.

Предложена схема (рис. 9) развертывания СППУР, соответствующая структуре процесса принятия решений при ЧС, ранее приведенной на рис. 1, и содержащая три элемента: МТ для ЛПР непосредственно на месте ЧС; стационарный элемент, устанавливаемый на железнодорожной станции; МТ, принадлежащие внешним ЛПР второго уровня, для получения информации о ЧС. На рис. 9 стрел-

Пришло новое сообщение

Просмотреть

Плзаи*уйст& нйхматгр кнопку "Прошпщогь"

% ä 4:34 ■ 'Л, t 4:34

^Railway SMS Alert aitway SMS Alert

текст ссоёсцешв:

в 10:00 мск на станции 'остов-Главный произошло ¡возгорание и взрыв цистерны

аммиаком, пострадало [более десяти человек, |рилегающая икфраструтура ¡не повреждена. облако распространяется в сторону

¡города, требуется ¡эвакуация населения . вызваны пожарные формирования, скорая помощь, силы МЧС. атмосфера устойчивая, облачность умеренная. скорость ветра один м/с. аварийная карточка груза

Рис. 8. Пользовательские интерфейсы мобильного приложения

ками условно изображены направления передачи информации. Показано, что ЛПР на месте ЧС может по сети С8М-Я с помощью МТ передать в стационарный элемент .ШХ-сообщение с кодом, содержащее информацию о параметрах ЧС.

Построены концептуальные модели трех основных элементов системы с использованием диаграмм прецедентов {use case) унифицированного языка моделирования UML, описывающие требования к функциональным возможностям каждого из моделируемых элементов СППУР. Стационарный элемент имеет 4 режима работы: подготовки и настройки; текущего функционирования; реагирования на ЧС; проверки (тестирования) пользователей. Диаграмма прецедентов, описывающая функционирование стационарного элемента системы в режиме реагирования на ЧС, показана на рис. 10.

Синтезирована блочная структура стационарного элемента СППУР (патент по заявке №2014105260), обеспечивающая выполнение требуемых функциональных возможностей, показанная на рис. 11, где использованы следующие обозначения: 1 - стационарный элемент СППУР, 2 - интерфейс для получения сведений от систем ОАО «РЖД», 3 - интерфейс для передачи данных в системы ОАО «РЖД», 4 - интерфейс беспроводного канала приема и передачи сообщений по сетям GSM/GSM-R, 5 - блок общения входной, 6 - модуль интеллектуальной части устройства, 7 - модуль общедоступных блоков устройства, 8 - модуль подсистемы информирования, 9 - блок общения выходной, 10 - блок обучения и настройки ИНС, 11 - блок оценки масштаба ЧС, 12 - блок оценки метеорологического состояния приземного слоя атмосферы, 13 — блок поиска релевантных фрагментов НТД, 14 - блок поиска сценария информирования внешних ЛПР, 15 -блок поиска подпрограмм, реализующих расчетные методики, 16 — блок формирования и выдачи рекомендуемого набора действий.

Внутри блока 11 под номерами 17, 18, 19 показаны три ИНС, каждая из которых обучена на классификацию ЧС определенного типа. В блоках 13, 14, 15 изображены БД, в которых хранятся, соответственно: фрагменты НТД 20, сценарии информирования 21 и подпрограммы, реализующие расчетные методики 22.

второго уровня

Рис. 10. Диаграмма прецедентов стационарного элемента СППУР в режиме реагирования на ЧС

Получение свса от систем ОАО 2-<

—> 3

Рис. 11. Структура стационарного элемента СППУР

В модуле 8 находятся: 23 — блок декодирования поступающих SMS-сообщений, 24 - блок кодирования •ШЗ'-сообщений, подлежащих отправке, и 25 -блок приема и передачи сообщений по сетям GSM/GSM-R. В модуле 7 размещены: 26 - блок ГИС, 27 - общая БД, 28 - блок автоматизированной проверки (тестирования) знаний и умений пользователей. Каждый из блоков устройства может обращаться к общей БД 27 и к ГИС 26.

Освещены вопросы интеграции СППУР с системами ОАО «РЖД» в рамках ИСУЖТ, проанализированы информационные потоки, представляющие интерес, потоки условно разделены на группы. Изучены аспекты реализации элементов системы, показано, где и как может быть использовано описанное программное и аппаратное обеспечение. Проведено сравнение возможностей СППУР с системами ОАО «РЖД» на примере подсистемы информирования.

В заключении представлены результаты диссертационной работы:

- рассмотрены особенности и ступени технологического процесса принятия решений в системе управления железнодорожным транспортом, разработан подход к поддержке принятия решений ЛПР при возникновении ЧС;

- разработан оригинальный эвристический метод и алгоритмы обучения ИНС для решения задач классификации на основе знаний экспертов, синтезирована структура реализующего устройства обучения ИНС;

- предложено для информирования о ЧС использовать сети мобильной связи GSM/GSM-R и короткие сообщения {SMS), синтезирована структура устройства информирования, интегрируемого в МТ соответствующих ЛПР;

- использовано «словесное кодирование», в результате средняя длина текстового сообщения увеличена в 6,75 раз, предложено внедрить в ОАО «РЖД»

7

1 26 | 27 1 28 |

Ручной ввод параметров ЧС

а

ffil

QU " QU

13 [М]

-Н 12

гЕГЧ*

15 (gj

ЯД!

Получение ведений с месте возня сновенияЧС

>у<* 1 Декодирование I SMS-сообщений

Передача данных оЧС в системы ОАО "РЖД"

Информирование внешних ЛПР второго уровня

Кодирование | jl SMS-еообщсний L

25

t-

Прием и передача SMS-сообшсний по сетям GSM/GSM-R

концепцию BYOD, в качестве целевой платформы выбрана «Android»;

- указано, что SMS с кодами могут использоваться и для получения данных от JII1P с места ЧС, но при условии покрытия дорог сигналом GSM-R, предложено обеспечить ЛПР на месте ЧС МТ стандарта GSM/GSM-R;

- разработана схема развертывания СППУР, соответствующая иерархической структуре управления, и содержащая три основных элемента, созданы их концептуальные модели с использованием [/Ж,-диаграмм;

- синтезирована структура стационарного элемента СППУР, устанавливае-I мого на железнодорожной станции, рассмотрены вопросы интеграции СППУР с ! системами ОАО «РЖД» в рамках ИСУЖТ;

- создана программа, реализующая метод и алгоритмы обучения ИНС «ANN АЕ», создано мобильное приложение «RSA» являющееся прототипом, программно реализующим устройство и метод информирования ЛПР, показано, где и как может использоваться другое программное и аппаратное обеспечение.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК РФ:

1. Цуриков А.Н. Способ обучения искусственной нейронной сети // Вестник Ростовского государственного университета путей сообщения. - № 4 (48), 2012.-С. 91-95.

2. Цуриков А.Н. Принципы построения интеллектуальной советующей системы управления и оповещения при ликвидации последствий чрезвычайных ситуаций на железнодорожном транспорте / А.Н. Цуриков, Н.К. Домницкий, А.Н. Гуда, О.И. Веревкина // Технологии гражданской безопасности. - Т. 10. № 3 (37), 2013.-С. 74-78.

3. Цуриков А.Н. Совершенствование технологии адресного оповещения о чрезвычайной ситуации при помощи SMS-сообщений // Научно-технический вестник Поволжья.-№ 1, 2013.-С. 287-291.

4. Цуриков А.Н. Принципы построения интеллектуальной советующей системы управления и оповещения при ликвидации последствий чрезвычайных ситуаций на железнодорожном транспорте / А.Н. Цуриков, А.Н. Гуда, О.И. Веревкина, Н.К. Домницкий // Проблемы анализа риска. - Т. 10, № 5, 2013. - С. 5665.

5. Цуриков А.Н. Реализация на платформе «Android» мобильного приложения для адресного оповещения о возникновении чрезвычайной ситуации на железнодорожном транспорте // Вестник Ростовского государственного университета путей сообщения. - № 1 (53), 2014.-С. 81-88.

Патенты, авторские свидетельства:

6. Цуриков А.Н. Способ обучения искусственной нейронной сети // Патент на изобретение РФ, RU 2504006 С1, опубликовано 10.01.2014 г.

7. Цуриков А.Н., Домницкий Н.К. Устройство обработки входящих SMS-оповещений о возникновении чрезвычайной ситуации с возможностью отбора актуальных сообщений // Патент на полезную модель РФ, RU 137441 U1, опуб-

ликовано 10.02.2014 г.

8. Цуриков А.Н. Программа формирования обучающих векторов для искусственной нейронной сети на основе знаний эксперта «ANN Atmosphere Expert» (ANN AE) // Свидетельство о государственной регистрации программы для ЭВМ № 2013660803, дата регистрации 19.11.2013 г.

9. Цуриков А.Н. Мобильное приложение для адресного оповещения о возникновении чрезвычайной ситуации на железнодорожном транспорте «Railway SMS Smart Alert» (RSA) // Свидетельство о государственной регистрации программы для ЭВМ № 2014611447, дата регистрации 3.02.2014 г. |

10. Цуриков А.Н. Программа проверки знаний «University-Lyceum» (UL) j // Свидетельство о государственной регистрации программы для ЭВМ № 2012615567, дата регистрации 20.06.2012 г.

Другие издания:

И. Гуда А.Н., Цуриков А.Н. Интеллектуальная информационная система для поддержки принятия решений и рассылки оповещений при ликвидации последствий чрезвычайных ситуаций на железнодорожных станциях // Труды второй научно-технической конференции «Интеллектуальные системы управления на железнодорожном транспорте» (ИСУЖТ-2013), 21-22 октября 2013 г. -Москва, ОАО «НИИАС». - С. 218-221.

12. Цуриков А.Н. Интеллектуальная советующая система управления ликвидацией последствий чрезвычайных ситуаций на железнодорожном транспорте // Бюллетень Объединенного ученого совета ОАО «РЖД». - Москва, 2013. — №3.-С. 70-76.

13. Цуриков А.Н., Гуда А.Н. Разработка интеллектуальной советующей системы управления и оповещения при ликвидации последствий чрезвычайных ситуаций на железнодорожных станциях // Труды четырнадцатой научно-практической конференции «Безопасность движения поездов» (БДП-2013), 24-25 октября 2013 г. - Москва, МИИТ. - Ч. I. - С. 20-21.

14. Цуриков А.Н. Автоматизированная информационная система поддержки принятия управленческих решений и рассылки оповещений в условиях чрезвычайной ситуации на железнодорожной станции // Вагонный парк. - Харьков, из-во «Подвижной состав», 2014 г. -№ 1 (82). С. 41-44.

15. Цуриков А.Н., Веревкина О.И. Перспектива интеграции интеллектуальной советующей системы управления ликвидацией последствий чрезвычайных ситуаций на железнодорожном транспорте с автоматизированными системами компании ОАО «РЖД» // Труды международной научно-практической конференции «Транспорт-2013», апрель 2013 г. - Ч. 2. Технические науки. - Ростов-на-Дону, РГУПС. - С. 96-98.

16. Tsurikov A.N. Application of artificial neural network for identification of stability of bottom layer of atmosphere // Applied and Fundamental Studies: Proceedings of the 2nd International Academic Conference. March 8-10, 2013. - Publishing House «Science and Innovation Center». - St. Louis, Missouri, USA, 2013. - P. 226231.

17. Цуриков А.Н. Обзор проблем транспортировки химически опасных грузов железнодорожным транспортом // Народное хозяйство. Вопросы инновационного развития. - Москва, 2013. — № 1. —С. 123-125.

18. Цуриков А.Н. Способ обучения искусственной нейронной сети на основе знаний эксперта // Инновации в науке. - Новосибирск, 2012. - № 13-1. - С. 6-12.

19. Цуриков А.Н. Перспективы применения технологии ЗМБ-сообщений для адресного оповещения о чрезвычайной ситуации на железнодорожном транспорте // Труды Северо-Кавказского филиала Московского технического университета связи и информатики. - Ростов-на-Дону, 2013. — № 1. - С. 252-255.

20. Цуриков А.Н. Концепция Апс1гоЙ-приложения для адресного оповещения о возникновении ЧС на железнодорожном транспорте // Сборник трудов VII всероссийской научной школы-семинара молодых ученых, аспирантов и студентов «Семантические технологии - 2013. Семантическая интерпретация и интеллектуальная обработка данных и ее приложение в информационном поиске». - Таганрог, изд-во ЮФУ, 2013. - С. 160-164.

21. Цуриков А.Н. О некоторых результатах по разработке интеллектуальной советующей системы управления ликвидацией последствий чрезвычайных ситуаций на железнодорожном транспорте // Материалы всероссийской научно-практической конференции «Мониторинг, моделирование и прогнозирование опасных природных явлений и чрезвычайных ситуаций», 14 июня 2013 г. -Железногорск, Сибирская пожарно-спасательная академия - филиал Санкт-Петербургского университета ГПС МЧС России. - С. 111-113.

22. Цуриков А.Н. Применение нейросетевой технологии для определения класса устойчивости атмосферы II Актуальные проблемы гуманитарных и естественных наук. - Москва, 2013. — № 4. — С. 65-70.

23. Цуриков А.Н. Устройство адресного оповещения о чрезвычайной ситуации с использованием БМБ-сообщений // Технические науки - от теории к практике. - Новосибирск, 2012.-№ 15.-С. 157-161.

24. Цуриков А.Н. Некоторые аспекты разработки интеллектуальной советующей системы управления ликвидацией последствий чрезвычайных ситуаций на железнодорожном транспорте // Труды всероссийской научно-практической конференции «Транспорт-2012», апрель 2012 г. - Ч. 1. Естественные и технические науки. - Ростов-на-Дону, РГУПС. - С. 83-85.

Получены положительные решения по заявкам о выдаче патентов РФ:

- Цуриков А.Н. Устройство обучения искусственной нейронной сети (варианты) // Заявка на полезную модель РФ № 2014105841 от 17.02.2014 г, решение о выдаче патента от 29.07.2014 г.

- Цуриков А.Н. Автоматизированная информационная система поддержки принятия управленческих решений в условиях чрезвычайной ситуации на железнодорожном транспорте // Заявка на полезную модель РФ № 2014105260 от 12.02.2014 г., решение о выдаче патента от 28.08.2014 г.

Личный вклад автора в работах, имеющих соавторов: в [2, 4] предложен подход к интеллектуализации СППУР, способ и устройство информирования, разработана структура и диаграммы функционирования, в [7] разработана структура и схемы работы устройства, в [11] разработана структура и схема взаимодействия элементов системы, в [13, 15] основы интеграции СППУР в ИСУЖТ, сгруппированы информационные потоки.

Цуриков Александр Николаевич

ПРОГРАММНО-АЛГОРИТМИЧЕСКОЕ И СТРУКТУРНОЕ ОБЕСПЕЧЕНИЕ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЯХ НА ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ

Специальность 05.13.06 - Автоматизация и управление технологическими процессами и производствами (на транспорте)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Подписано к печати 29.09.2014 Г. Формат бумаги 60x84/16. Бумага офсетная. Печать офсетная. Усл. печ. л. 1,16. Уч.-изд. л. 1,11. Тираж 100 экз. Заказ№Г642.

Ростовский государственный университет путей сообщения. Ризография РГУПС.

Адрес университета: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, д. 2.