автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Программный комплекс для формализации экспертных знаний при нечетком (фаззи) моделировании

Список условных обозначений

Введение

1. Программные комплексы и среды синтеза нечетких моделей

1.1. Обзор стандартных программных средств для 13 конструирования нечетких систем

1.1.1. Обзор зарубежного и отечественного рынков ПО 13 разработки фаззи-моделей

1.1.2. Отличительные особенности пакета «Конструктор 16 нечетких моделей»

1.1.3. Область применения пакета

1.2. Стратегии и методы получения знаний и модели их 23 представления в системах ИИ

1.2.1. Достоинства нечетких (фаззи) моделей

1.2.2. Структура нечеткой продукционной модели

1.3. Процесс разработки лингвистических моделей знаний на 35 базе нечеткой логики

1.4. Постановка задачи исследования 36 2. Алгоритмизация процесса приобретения знаний при нечетком моделировании

2.1. Способы построения функции принадлежности

2.2. Алгоритмы машинной поддержки извлечения знаний для 43 нечеткого моделирования

2.3. Алгоритмы верификации прототипов фаззи-моделей и 56 планирования сбора данных об объекте для настройки прототипа и тестирования конечной модели

2.4. Исследование предложенных алгоритмов

2.4.1. Постановка вычислительного эксперимента

2.4.2. Идентификация терм-множеств и функций принадлежности

2.5. Методика идентификации при нечетком моделировании 79 3. Программная реализация алгоритмических разработок и 81 решение практических задач

3.1. Программная реализация алгоритмов

3.1.1.Поиск терм-множеств лингвистической переменной на 81 основе экспериментальных данных - LVTermSets.exe

3.1.2. Автоматизация функций инженера знаний - 86 FuzzyExtractor. ехе

3.1.3. Универсальная оболочка для верификации нечетких 93 моделей и сбора экспериментальных данных

FSViewer.exe

3.2. Решение задачи «Модель процесса хромирования 104 изделий»

3.2.1. Описание процесса

3.2.2. Конструирование системы в FuzzyExtractor

3.2.3. Прикладная оболочка FCrom

3.3. Решение задачи «Модель поведения оператора в 113 контуре управления процессом полимеризации латексов»

3.3.1. Описание процесса

3.3.2. Конструирование системы в FuzzyExtractor

3.3.3. Прикладная оболочка Fuzzy Latex ^ ^

Выводы

В связи с постоянно растущим интересом к задачам прогнозирования, диагностики и классификации, в последние годы в мире разрабатывается большое число программных инструментальных средств для их решения. Ключевой проблемой при построении таких систем является задача представления и использования знаний, которыми обладают эксперты, т.е. люди, имеющие существенный и положительный опыт при решении задач определенного класса. В искусственном интеллекте существует множество формализованных моделей для представления знаний и оперирования ими. Логические, фреймовые, сетевые, продукционные модели, основанные на правилах четкой логики, не всегда способны в полной мере отразить порой существенно нечеткое описание той или иной задачи. Научное направление «нечеткая логика», (fuzzy logic), сформулированное еще в 1965 году американским специалистом в области управления Л.Заде, в последнее время, оправдав свое право на существование, успешно служит для описания знаний посредством систем условных нечетких высказываний или, как их еще называют, нечетких продукционных систем.

Преимущества нечетких продукционных моделей неоспоримы -практически неограниченный круг решаемых задач с использованием априорных знаний экспертов, аналитических моделей и т.п., возможность оперирования нечеткими (размытыми) и четкими числовыми данными одновременно.

Процесс разработки, тестирования и настройки компьютерных моделей, основанных на знаниях, без использования стандартных программных инструментальных средств является слишком дорогостоящим или даже невозможным.

Несмотря на широкий спектр стандартных программных сред для разработки фаззи-систем, имеющиеся на мировом рынке (развитые отечественные продукты на рынке отсутствуют), комплексное решение задачи синтеза нечетких моделей в них не реализовано. Большинство стандартных сред ориентировано на поддержку инженера знаний. Машинная поддержка непосредственно эксперта предметной области отсутствует. Можно констатировать, что важнейшая стадия формализации задачи нечеткого моделирования на языке фаззи-систем проработана слабо как методически, так и алгоритмически.

Вот почему разработка методик и программного инструментария для формализации экспертных знаний и построения моделей, основанных на знаниях в нечеткой среде, является актуальной научной и технической задачей.

В работе приведены разработки, выполненные в рамках НИР при выполнении совместных российско-германских проектов «Получение и уточнение функций принадлежности в нечетких моделях» 1993-1995 гг. (Совместно с Берлинским техническим университетом, фонд Фольксваген); «Разработка программной среды для нейро-нечеткого моделирования в системах управления» 1998-2000 гг. (Совместно с фирмой ГЕЗИП, Берлин, фонд Федерального министерства по науке и технологиям ФРГ).

Целью настоящей диссертационной работы является разработка оригинального программного комплекса как инструментария (среды поддержки) процедуры формализации экспертных знаний при нечетком моделировании основывающегося на новых методиках и алгоритмах приобретения и накопления, представления и хранения, обработки и использования знаний в интеллектуальных технологиях и системах.

Для практической реализации поставленной цели необходимо решить следующие задачи: разработать методы классификаций, позволяющие на основе числовых данных о моделируемом процессе определять терм-множества каждой нечеткой лингвистической переменной;

•S разработать алгоритм диалога машины с экспертом предметной области для фиксации его знаний о причинно-следственных связях в объекте моделирования;

•S разработать алгоритмы тестирования прототипов фаззи-модели и планирования сбора данных об объекте для настройки прототипа и тестирования конечной модели.

Диссертация включает в себя три главы, выводы, список литературы и три приложения.

В первой главе приведено краткое описание известных стратегий и методов извлечения знаний и моделей представления знаний в системах искусственного интеллекта, проведен обзор рынка стандартных программных средств для конструирования нечетких систем.

Рассмотрена принятая за основу в данной работе нечеткая продукционная модель Мамдани, как наиболее близкая к естественному языку. Эта близость позволяет организовать более тесное взаимодействие с экспертом предметной области и строить хорошо понятные, легко интерпретируемые системы логического вывода.

Общим недостатком большинства известных программных средств является их абсолютная ориентация на обслуживание инженера знаний (специалиста по нечеткой логике), а не непосредственно эксперта предметной области. Другое слабое место этих систем - отсутствие функций автоматизации предварительной обработки данных для идентификации нечетких лингвистических переменных.

В главе дана характеристика программного пакета «Конструктор нечетких моделей», в разработке общей концепции которого автор принимал непосредственное участие. Пакет поддерживает все этапы разработки фаззи-моделей как инженером знаний, так и непосредственно экспертом предметной области. Автоматизированная поддержка работы с экспертом и является основной задачей настоящего исследования.

В заключительном разделе главы сформулирована развернутая постановка задачи исследований.

Во второй главе представлены, разработанные автором алгоритмы процесса извлечения знаний при нечетком моделировании и описано исследование предложенных алгоритмов методом вычислительного эксперимента.

Предложена методика идентификации терм-множеств при нечетком моделировании. Основная алгоритмическая идея - предоставление пользователю возможности вручную, в режиме графического интерфейса установить границы термов. Принятие решения осуществляется экспертом или инженером знаний аналогично формальной процедуре кластерного анализа.

Для реализации интерактивной процедуры привлечения знаний у эксперта предметной области в форме правил причинно-следственных связей предложен оригинальный машинный алгоритм.

Приведено алгоритмическое решение этапов тестирования модели, генерации тестовых массивов и создания конечного программного приложения.

Возможность применения описанных выше алгоритмов позволила сформулировать общую методику нечеткого фаззи-моделирования

Для исследования предложенных алгоритмов и методик был проведен вычислительный эксперимент, в основе которого лежит теорема Коско об универсальном аппроксиматоре, заложенном в нечеткой модели Мамдаии.

В результате применения методики и алгоритмов идентификации терм-множеств и функций принадлежности получены модели-прототипы достаточно близко приближенные к эталонам. Это подтверждает корректность и эффективность решений.

Третья глава посвящена описанию разработанного программного комплекса для формализации экспертных знаний при нечетком (фаззи) моделировании:

1. LVTermSets - поиск терм-множеств лингвистической переменной на основе экспериментальных данных или экспертных оценок;

2. FuzzyExtractor - автоматизация функций инженера знаний;

3. FSViewer - универсальная оболочка для тестирования нечетких моделей и сбора экспериментальных данных.

В качестве первого иллюстративного примера решена задача «Модель процесса хромирования изделий».

Процесс хромирования - это процесс электролитического осаждения металлического хрома - Сг на поверхности деталей, изготавливаемых из меди, медных сплавов или стали.

Сложность процессов, протекающих на электродах при электролитическом осаждении хрома, не позволяет считать этот вопрос полностью изученным.

Внешний вид осадков хрома зависит от катодной плотности тока и температуры при электролизе. Изменяя режим электролиза, можно получать так называемые молочные, блестящие и матовые осадки хрома.

Задачей лица, принимающего решения, при управлении процессом хромирования является точный подбор управляющих параметров процесса, влияющих на вид, качество и толщину покрытия.

Вторая задача, служащая подтверждением эффективности программного пакета - «Модель поведения оператора в контуре управления процессом полимеризации латексов».

Процесс эмульсионной полимеризации (ЭП) широко применяется в промышленности для получения синтетических каучуков, латексов, полимеризационных пластмасс и пенорезины.

Задача управления может быть сформулирована как наиболее близкое воспроизведение реакции оператора на текущую ситуацию - актуальный профиль конверсии.

Задачей экспертной системы является разработка рекомендаций по корректировке дозировок компонентов в зависимости от характера кинетики по реакторам, когда конверсия 10 реактора равна заданной.

Обе задачи доведены до уровня прикладных оболочек, которые являются полноценными Windows-приложениями с развитым графическим интерфейсом и с заложенными в них функциями параметрической и структурной перестройки в процессе тестирования и эксплуатации.

В выводах подводятся итоги работы и намечаются возможные направления дальнейших исследований.

В Приложении 1 приведена структура унифицированного формата сохранения моделей FS.

В Приложении 2 приведена структура формата хранения массива обучающих данных LRN.

В Приложении 3 перечислены копии акта внедрения результатов работы, а также полученного авторского свидетельства Роспатента №2000610208 от 23 марта 2000 г.

Основные положения, выносимые на защиту : S структура программного пакета и принципы взаимодействия трех его модулей в процессе построения лингвистических моделей знаний на базе нечеткой логики для непосредственной поддержки эксперта предметной области;

S программа идентификации нечетких лингвистических переменных (НЛП) при различной априорной информации; ■S модуль автоматизированного извлечения (получения) знаний эксперта в пространстве нечетких лингвистических переменных; ■S программа тестирования прототипов фаззи-моделей и планирования сбора данных об объекте для настройки прототипа и тестирования конечной модели;

•S методика создания прототипов нечетких моделей технологических объектов;

S методика создания нечетких моделей поведения субъектов, принимающих решения для управления технологическими объектами.

Для апробации результатов исследований материалы диссертации докладывались и обсуждались на международных научных конференциях: ММТТ-12, г. Новгород 1999г.; ММТТ-2000, г. Санкт-Петербург, 2000г.; ММТТ-14, г. Смоленск, 2001 г.; ММИИС-2002, г. Смоленск, 2002 г., на научно-технических конференциях аспирантов СПбГТИ(ТУ) посвященных памяти М.М. Сычева, г.Санкт-Петербург 1999, 2000, 2001.

Разработанный программный инструментарий используется в качестве учебного пособия по изучению основ нечеткой логики при проведении лабораторных работ по курсу «Нечеткие модели ХТС» для студентов кафедры САПРиУ Санкт-Петербургского государственного технологического института (технического университета).

На программный продукт получено авторское свидетельство Роспатента №2000610208 от 23 марта 2000 г.

По теме диссертационной работы опубликовано 10 работ, в том числе:

1. Гиляров В.Н., Мильто Н.Д., Токмаков А.Н. Комплексные интеллектуальные модели поддержки принятия решений в нечеткой среде. // Тез. докл., MMTT-13, Санкт-Петербург: СПбГТИ(ТУ), 2000. - С. 57-59.

2. Гиляров В.Н., Токмаков А.Н. Формализация знаний в нечетких экспертных системах // Приборы и системы. Управление, контроль, диагностика. №9, 2001. с. 58-61

3. Гиляров В.Н., Токмаков А.Н., Князькова Д.Р. Методика извлечения знаний для программного пакета «Конструктор нечетких (fuzzy) моделей» // Информационный листок №127.32.154.72 (СПбГТИ). - СПб, 2001

4. Князькова Д.Р., В.Н. Гиляров, Токмаков А.Н. Тренажер на базе нечеткой логики для обучения персонала. // Тез. докл., ММТТ-14, Смоленск, 2001. С. 184-186.

12

5. Токмаков А.Н. Автоматизация процесса формализации экспертных знаний в нечетких моделях управления // НТК посвященная памяти М.М. Сычева: Тез. Докл. - СПб., 2000г.

6. Токмаков А.Н., Мильто Н.Д., Гиляров В.Н. Формализация экспертных знаний в нечетких системах диагностики и прогнозирования. // Тез. докл., ММТТ-12, Новгород: НовГУ, 1999. С. 5-6.

7. Токмаков А.Н., Немцов Л.Б. Модель оператора в контуре управления сложными процессами на базе нечектой логики. // НТК посвященная памяти М.М. Сычева: Тез. Докл. - СПб., 1999г.

8. Федотов М.А., Токмаков А.Н., Князькова ДР. Программные средства формализации экспертных знаний // НТК посвященная памяти М.М. Сычева: Тез. Докл. - СПб., 2001 г.

9. Программы для ЭВМ. Базы данных. Топологии интегральных микросхем. - Официальный бюллетень российского агентства по патентам и товарным знакам. Вып. 2; М.:, 2000. - С.165-166.

10. Токмаков А.Н., Гиляров В.Н. Идентификация нечетких лингвистических переменных. // Математические методы в интеллектуальных информационных системах - ММИИС-2002: Сб. трудов Международ, науч. конф./ Смоленский филиал МЭИ(ТУ). Смоленск, 2002 г.

Выводы

Мощь и интуитивная простота нечеткой логики, как методологии решения широкого круга задач поддержки принятия решений, обеспечивают ее успешное использование в системах, основанных на знаниях. Программно-интрументальные комплексы, поддерживающие фаззи-технологию моделирования, позволяют эффективно автоматизировать проектирование таких систем.

В результате анализа литературы, научного поиска и проделанной работы получены следующие основные реззльтаты:

1. На основании анализа рынка программных средств разработки нечетких моделей был выявлен общий недостаток большинства известных программных комплексов - полная ориентация на обслуживание инженера знаний (специалиста по нечеткой логике), а не непосредственно эксперта предметной области. Другое слабое место этих систем - отсутствие функций автоматизации предварительной обработки данных для идентификации нечетких лингвистических переменных;

2. Для комплексного решения задачи разработки моделей, основанных на знаниях, от прототипа до законченного приложения предложена структура из трех взаимосвязанных программных продуктов (инструментов) непосредственно для эксперта предметной области и в рамках программного комплекса осуществлена их реализация: LVTermSets (первичная обработка знаний эксперта с целью идентификации переменных объекта как лингвистических переменных), FuzzyExtractor (интерактивное приобретение знаний эксперта без помощи инженера знаний) и FSViewer (верификация прототипов нечетких моделей любой сложности, сбор данных для настройки и оптимизации);

3. Предложены общие подходы и методы построения лингвистических моделей знаний на базе нечеткой логики в специальной программной среде непосредственно на основе данных и знаний эксперта предметной области;

4. Разработан визуально-интерактивный метод решения задачи идентификации нечетких лингвистических переменных при различной априорной информации;

5. Предложен двухуровневый алгоритм определения терм-множества нечеткой лингвистической переменной в визуально-интерактивном режиме, в котором пользователю предоставляется возможности вручную, в режиме графического интерфейса установить границы термов. Принятие решения осуществляется экспертом или инженером знаний аналогично формальной процедуре кластерного анализа. Второй уровень предоставляет дополнительную статистическую информацию;

6. Сформулирована процедура автоматизированного приобретения знаний эксперта в пространстве нечетких лингвистических переменных, реализовавшаяся в алгоритме активной машинной поддержки диалога с экспертом. Для расширения гибкости и приближения лингвистических форм к естественному языку предложено использование многоместной операции объединения термов и одноместных операций дополнения («отрицания»), «меньше» и «больше»;

7. Разработан алгоритм верификация прототипов фаззи-моделей в режиме предъявления как отдельных ситуаций на входе, так и в режиме массового тестирования. Предусмотрена возможность модификации значений отклика на основе оценок ситуаций экспертов или результатов эксперимента с целью подготовки данных для настройки модели;

8. Для проведения массового тестирования модели предложен метод планирования верификации модели-прототипа. Проведена серия вычислительных экспериментов, подтвердившая работоспособность и эффективность предложенных алгоритмов и методик;

133

9. С применением предложенных алгоритмов и комплекса программ фаззи-моделирования успешно решены практические задачи: V модель процесса хромирования изделий,

S модель поведения оператора в контуре управления процессом, полимеризации латексов Все задачи доведены до уровня прототипов законченных приложений с развитым графическим интерфейсом и с заложенными в них функциями параметрической и структурной перестройки в процессе тестирования и эксплуатации.

1. Аверкин А., Батыршин И. Мягкие вычисления. Новости искусственного интеллекта, 3, 1996, 161-164.

2. Аверкин А.Н. Нечеткое отношение моделирования и его использование для классификации и аппроксимации в нечетких лингвистических пространствах,- Изв. АН СССР Техническая кибернетика, 1982, N 2, с. 215.

3. Аверкин А.Н., Гаазе-Рапопорт М.Г., Поспелов Д.А. Толковый словарь по искусственному интеллекту,- М.:Радио и связь, 1992,- 256 с.

4. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. Справочное издание/Под ред. С.А. Айвазяна.- М.Финансы и статистика, 1989,- 607 с.

5. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Основы моделирования и первичная обработка данных. Справочное изд,-М.:Финансы и статистика, 1983. 471 с.

6. Алиев Р.А., Захарова Э.Г., Ульянов С.В. Нечеткие модели управления динамическими системами//Итоги науки и техники. Сер. Техн. кибернетика.Т. 29.-М.:ВИНИТИ АН СССР, 1990, с. 127-201.

7. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях,- В кн.: Вопросы анализа и процедуры принятия решений,- М.:Мир, 1976. С. 172215.

8. Блишун А.Ф. Сравнительный анализ методов измерения нечеткости,- Изв. АН СССР. Техн. кибернентика.- 1988,- N 5,- С. 152-175.

9. Блишун А.Ф., Знатнов С.Ю. Обоснование операций теории нечетких множеств. В кн.: Нетрадиционные модели и системы с нечеткими знаниями. - М.: Энергоатомиздат, 1991, с. 21-33.

10. Борисов А.Н., Алексеев А.В., Крумберг О.А. и др. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982. -256 с.

11. Борисов А.Н., Алексеев А.В., Меркурьева Г.В. и др. Обработка нечеткой информации в системах принятия решений,- М: Радио и связь. 1989. 304 с.

12. Борисов А.Н., Глушков В.И. Использование нечеткой информации в экспертных системах. Новости искусственного интеллекта, 3, 1991, с. 13 -41

13. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей. Примеры использования,- Рига:3инатне, 1990,- 184 с.

14. Будущее искусственного интеллекта/Под ред. К.Е. Левитина и Д.А. Поспелова,- М.: Наука, 1991. 302 с.

15. Вагин В.Н. Дедукция и обобщение в системах принятия решений. -М.:Наука, 1988,- 384 с.

16. Варосян С.О., Поспелов Д.А. Неметрическая пространственная логика//Известия АН СССР. Техническая кибернетика,- 1982,- N 5. С. 8617