автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка нейросетевой модели формирования управлений системами с последействием в условиях информационной неопределенности

На правах рукописи

ЩЕРБАКОВ Максим Владимирович

РАЗРАБОТКА НЕЙРОСЕТЕВОЙ МОДЕЛИ ФОРМИРОВАНИЯ УПРАВЛЕНИЙ СИСТЕМАМИ С ПОСЛЕДЕЙСТВИЕМ В УСЛОВИЯХ ИНФОРМАЦИОННОЙ НЕОПРЕДЕЛЕННОСТИ

Специальность 05.13.01 «Системный анализ, управление и обработка информации»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Волгоград - 2004

Работа выполнена на кафедре «Системы автоматизированного проектирования и поискового конструирования» Волгоградского государственного технического университета.

Научный руководитель:

доктор технических наук, профессор Камаев Валерий Анатольевич.

Официальные оппоненты: доктор технических наук, профессор

Петрова Ирина Юрьевна.

кандидат технических наук, профессор

Кандырин Юрий Владимирович.

Ведущая организация:

МГТУ им. Н.Э.Баумана

Защита диссертации состоится 23 декабря 2004 г. в 14 ч. 00 мин. на заседании диссертационного совета Д 212.028.04 при Волгоградском государственном техническом университете по адресу: 400131 Волгоград, пр. Ленина, 28.

С диссертацией можно ознакомиться в библиотеке Волгоградского государственного технического университета.

Автореферат разослан 23 ноября 2004 г.

Ученый секретарь

диссертационного совета

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность. Проблема эффективного управления системами с последействием в условиях информационной неопределенности является актуальной задачей в различных предметных областях, качество решения которой зависит от сложности объекта и от применяемых методов обработки информации и управления. Неопределенность, характеризуемая отсутствием формальной модели объекта, изменением значений параметров в процессе функционирования и нечетким заданием значений параметров, значительно затрудняет процесс принятия оптимального управленческого решения. Одним из перспективных направлений, повышающих качество управления, является разработка и внедрение систем автоматизации, которые реализуют модели, учитывающие ограничения неопределенности.

Существующие подходы к автоматизации процесса управления, основанные на использовании нейросетевых технологий, предложенные и развитые в работах Глушкова В.М., Цыпкина Я.З., Галушкина А.И., Терехова В.А., Пупкова К.А., Гаврилова А.И., Ефимова Д.В., Тюкина И.Ю., Вербоса (Werbos P.), Нарендры (Narendra К.), Левина (Levin А.), Чена (Chen L.), Ома-ту (Omatu S.), Нарди (Nardi F.), являются эффективными и превосходящими альтернативные методы. Однако проблема применимости этих подходов для управления систем с последействием в условиях функционально — параметрической неопределенности с учетом ограничений на управляющие воздействия и критериев оптимальности не достаточно исследована. Основным недостатком нечетких моделей, изначально учитывающих условия информационной неопределенности, является проблема адаптации моделей к структурному изменению объекта управления, т.к. требуется привлечение знаний экспертов, что не всегда возможно.

Вышеизложенное позволяет заключить, что проблема разработки моделей формирования управлений системами с последействием в условиях информационной неопределенности на основе аппарата искусственных нейронных сетей на современном этапе еще недостаточно решена и требует активного внимания.

Цель и задачи работы. Целью работы является повышение эффективности процесса управления системами с последействием в условиях информационной неопределенности посредством разработки нейросетевой модели формирования управленческих решений.

Для достижения поставленной цели необходимо решить следующие задачи.

1. Формализовать процесс управления системами с последействием в условиях информационной неопределенности, выделить объекты автоматизации и выполнить анализ существующих подходов к автоматизации управления.

2. Разработать нейросетевую модель формирования управлений, вклю-

чающую модель нейросетевые моде-

i шяиотт

ли управляющего объекта с учетом ограничений на параметры управления и критериев оптимальности.

3. Разработать алгоритмы, реализующие предложенную модель, и структуру классов модели с использованием принципов объектно-ориентированного проектирования программных систем.

4. Реализовать автоматизированную информационную систему формирования управлений и проверить достоверность теоретических результатов на решении практических задач.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, теории управления, теории искусственных нейронных сетей, нечеткой логики, искусственного интеллекта, а также применялись положения теории объектно-ориентированного проектирования программных систем, теории проектирования реляционных баз данных.

Научная новизна. Разработана нейросетевая модель формирования управлений системами с последействием в условиях информационной неопределенности, включающая в себя:

1. адаптивную нейросетевую модель идентификации объекта управления, отличающуюся многомодульной организацией рекуррентных нейронных сетей, возможностью обработки информации представленной как в четком виде, так и в виде интервальных переменных, и алгоритмом структурной и параметрической оптимизации, что позволяет использовать для идентификации в условиях изменения информации о структуре и поведении систем с последействием;

2. нейросетевую модель идентификации метасостояний объекта управления, основанную на модели представления знаний в виде нечетких отношений, модифицированной возможностью учитывать изменения значений параметров во времени, что позволяет решить проблему фу нкциональной неопределенности;

3. адаптивную нейросетевую модель управляющего объекта, отличающуюся возможностью формирования управлений в соответствии с целью заданной в виде значений функции уставки, целью заданной в виде конечного многообразия состояний и целью, заданной в виде функциональной зависимости от состояния объекта, с учетом критериев оптимальности и ограничений на управляющие параметры, что позволяет использовать модель при решении проблемы оптимального управления.

Практическая значимость исследования состоит в реализации алгоритмов нейросетевой модели, разработке структуры классов объектов модели с использованием принципов объектно - ориентированного проектирования, в разработке настраиваемой автоматизированной информационной системы формирования управлений, апробации предложенной модели на решении практических задач: задачи управления функциональным состоянием магистралей нижних конечностей человека, задачи управления транспортно -эксплуатационным состоянием автомобильных дорог.

Реализация результатов. Разработанная на базе предложенного подхода настраиваемая автоматизированная информационная система применя-

лась в отделении сосудистой хирургии клиники общей хирургии им. А.А. Полянцева Волгоградского государственного медицинского университета и позволила повысить эффективность управленческих решений, что привело к снижению частоты возникновения неблагоприятных исходов на 4,17% и 1,32%. Представленные в работе подходы реализованы в Автоматизированной системе прогнозирования изменения транспортно-эксплуатационного состояния автомобильных дорог, использующейся в ДСУ № 1 ОГУП «Волго-градавтодор» и Системе управления транспортно-эксплуатационным состоянием автомобильных дорог, внедренной в Волгоградском центре «Росдор-НИИ». Системы позволяют повысить качество управляющих решений, за счет оптимального распределения финансовых средств на проведение ремонтных дорог. Отдельные теоретические и практические результаты внедрены в учебные программы по курсу «Проектирование АСОИУ», «Аналитическое программное обеспечение АСОИУ».

Апробация работы. Основные положения и материалы диссертации докладывались на Международных научных и научно-технических конференциях «Информационные технологии в образовании, технике и медицине» (Волгоград 2000, 2002), «Нейросетевые технологии и их применение» (Краматорск, Украина 2002, 2003), «Экология и развитие общества» (Санкт-Петербург, 2003), «Математическое моделирование в технике и технологиях» ММТТ-16 (Санкт-Петербург, 2003), «Интеллектуальные системы (IEEE AIS'03)» (Дивноморское, 2003), VIII Всероссийской конференции с международным участием «Нейрокомпьютеры и их применение» (ИПУ им. В.А. Трапезникова РАН, Москва 2002), VIII и X Всероссийских семинарах «Ней-роинформатика и её приложения» (Красноярск 2001, 2002), IV, V, VI Региональных конференциях молодых исследователей Волгоградской области (Волгоград, 2000 - 2002)

Публикации. По теме диссертации опубликовано 17 печатных работ, в том числе: 4 публикации в изданиях центральной печати, 7 статей в сборниках научных трудов, 3 статьи в материалах научных семинаров, 3 тезиса докладов различных конференций.

Структура и содержание диссертационной работы. Диссертационная работа состоит из введения, четырех глав, заключения, 2-х приложений и списка литературы. Общий объем диссертации 136 страниц, 35 рисунков, список использованных источников из 118 наименований.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность диссертационной работы, отмечена новизна результатов, их научная и практическая ценность, сформулированы положения, выносимые на защиту.

В первой главе рассмотрена проблема управления системами с последействием в условиях информационной неопределенности, формализована модель процесса управления, сформулирована постановка задачи управления, определены границы применения моделей. Определены требования к

моделям формирования управлений, проведен сравнительный анализ существующих нейросетевых моделей и средств автоматизации процедуры выработки управлений, сформулированы цели и задачи работы.

Характеристика объекта управления и условий информационной неопределенности

К объектам управления в случае относятся: многопараметрические динамические системы, текущее состояние которых зависит от изменения состояний, параметров управления и внешних возмущающих воздействий в прошлом.

Под информационной неопределенностью понимается: отсутствие математической модели объекта управления; изменение значений параметров системы во времени под влиянием воздействий окружающей среды; неполнота в описании поведения, т.е. отсутствие полного описания многообразий поведения объекта при различных значениях его параметров и управляющих воздействий, проблема вариабельности целевых установок.

Рис. 1. Схема процесса управления системами с последействием. Место автоматизированной системы формирования управлений.

Формализованное описание процесса управления.

Процесс управления можно формально представить в виде:

СР= DO.TC.CC,СО),

где ВО - процедура анализа объекта управления, целью которой является получение значений диагностических параметров, характеризующих функциональное состояние системы в текущий момент времени и ретроспективную информацию о поведении системы и характере управляющих воздействий; ТС - процедура выработки цели управления, наиболее эффективной для объекта при данном функциональном состоянии; СС — процедура выработки множества допустимых управлений для достижения поставленной цели управления; СО - процедура задания критериев оптимальности и ограничений на управляющее воздействие и формирования оптимального управленческого решения и А - процедуры реализации управления на объект (рис. 1).

Отметим следующие специфические моменты процесса управления.

1. Процедура анализа объекта управления включает в себя исследование объекта, с целью получения необходимой для принятия решения информации. Если информации недостаточно, то процесс возобновляется. Часто

возникают ситуации, при которых затруднительно, либо невозможно получить информацию, в этом случае осуществляется анализ поведения объектов аналогичного класса и вариантов управления ими.

2. Описанный процесс управления является итерационной процедурой и заканчивается при достижении состояния объекта целевых установок. Как правило, следующим этапом управления является стабилизация состояния объекта управления на заданном уровне. Решения по управлению формируются в зависимости от цели управления.

3. Цель управления может изменяться в соответствии с функциональным состоянием объекта управления.

Требования к модели, формирующей параметры управления.

Для повышения эффективности процесса управления требуется разработать модель формирования управлений, автоматизирующую процедуры Бй, ТС, СС, СО. Основные требования к модели: модель должна учитывать особенности объектов с последействием и ограничения условий неопределенности, модель должна формировать управляющие воздействия при заданных критериях оптимальности и ограничениях на управляющие параметры, модель должна иметь возможность адаптации при изменении информации о структуре объекта управления, модель должна использовать накопленный опыт по управлению объектами класса. На основе сравнительного анализа систем автоматизации процесса формирования управленческих решений, основанных на нейросетевых моделях, сформулированы постановка задачи управления, цель и задачи работы.

Во второй главе рассматривается разработанная на основе системного подхода нейросетевая модель формирования управлений в соответствии с заданными требованиями. Представлены структура модели и алгоритмы формирования дескрипторов, синтеза и оптимизации структуры и параметров модели, процедура формирования решений.

Формальное описание нейросетевой модели формирования управлений

Модель описывается следующим кортежем:

м = : Д и, nn. У, РЮР, РБ, РБ), (1)

где В - дескриптивная модель задачи управления, II - множество значений параметров управления представляемых матрицей вида [и^ ^, где п-1]\ ,к-

количество заданных дискретных временных отсчетов, NN -нейросетевая модельная структура, реализующая отображение £> С/, У - критерий качества управления, PDP - процедура формирования и обработки дескрипторов В, Р8 - процедура синтеза и оптимизации нейросетевой модели в соответствии с критерием качества управления: - процедура формирования управляющих воздействий. Обобщенная структура нейросетевой модели в контуре управления, представлена на рис. 2.

Рис. 2. Контур управления системами с последействием с применением нейросетевой модели.

Модель дескрипторов задачи управления

Дескриптивная модель фактически является описанием исходных данных об объекте и условиях управления, характеризующая структуру модели и ее качество. Модель!) представлена кортежем:

Б = :р8,ОМ8,Ои,ОА , (2)

где ДО - множество дескрипторов структуры объекта управления, БЫ8 -множество дескрипторов метасостояний, Би - множество дескрипторов управлений, БА - множество дескрипторов структуры данных, характеризующих поведение объектов управления. Под метасостоянием будем понимать комбинацию значений подмножества РМа Р, при которых объект управления качественно меняет свое поведение, т.е. изменяется вид дискретного отображения.

Дескрипторы структуры объектов управления определяют входной вектор нейросетевой модели и формализуются в виде:

где Р - параметрическое множество объекта управления, - множество внешних возмущающих (неконтролируемых) воздействий, У - множество функциональных состояний объекта управления.

Дескрипторы метасостояний представимы в виде кортежа: .ОМ? = (Рм, РЬМ, (7, ЛЬ),

где РМ - подмножество параметров системы РМа Р, определяющих метасо-стояния, РЬМ — множество лингвистических переменных, формируемых для РМ , О - множество метасостояний объекта управления, ЯЬ - множество нечетких отношений, устанавливающих отображение значений множества РМ на множество О.

В рамках описания метасостояний предложено расширение модели представления знаний, основанных на нечетких отношениях, которое позволяет формализовать знания экспертов о зависимостях метасостояний и параметров системы с учетом параметра времени. Базовые формализмы динамических нечетких отношений принимают вид:

г1 = (АМ,СЫ,Щ,

где АЫ — множество термов левой части правила, связанных логической операцией «И» (антецедент), СЫ- терм правой части правила (консеквент), Ер -операция нечеткой импликации. Все элементы, входящие во множество ЯЬ связаны логической операцией «ИЛИ». Структура антецедента представима следующим кортежем:

где ? — значение параметра времени из заданного временного интервала для которого определено равенство - квантифи-

катор нечеткого множества терма. Консеквент состоит одного терма, включающего элемент множества О и модификатор. При исключении параметра ? правило принимает вид статического отношения.

Модель дескрипторов управлений включает следующие компоненты:

где и - множество внешних параметров управления, 5 - множество целевых функции управления, БСС- множество дескрипторов ограничений на параметры управления, в виде множества равенств и неравенств, ВО - множество дескрипторов критериев оптимальности управления.

Дескрипторы поведения ВА формализуются в виде множества данных значений параметров системы и имеют следующую структуру:

где - параметр времени (дискретный отсчет), А - множество атрибутов, характеризующих элементы входных и выходных множеств, Т - множество значений атрибутов при (может быть определено не полностью).

Нейросетевая структура модели

Нейросетевая структура NN включает следующие элементы:

NN = ШЫЕ, NN0), (3)

где ЫЫЕ - нейросетевая идентификационная модель объекта управления, ЫЫС- нейросетевая модель управляющего устройства.

Нейросетевая идентификационная модель объекта управления и процедура ее синтеза и оптимизаЦИИ.

Структура NNE представлена кортежем вида: NNE = [NNMS, NNIM, NNG >,

где NNMS - нейросетевая модель идентификации метасостояний, NNIM -множество нейросетевых моделей идентификации объекта управления в рамках метасостояния, NNG - нейросетевая модель получения обобщенного значения состояний объекта управления.

Структура сети NNMS реализует отображение:

NNMS-.\p)]J-*G

и представлена следующим кортежем:

NNMS = 'FRE, FFE, MIE, MDFE-,

где FRE - множество элементов рецепторов, мощность которого определяется произведением числа элементов подмножества P¡ и количества временных отсчетов к, FFE — множество элементов фаззификаторов, рассчитывающих значение функции принадлежности, размер которого равен количеству термов в антецедентах правил, MIE - множество элементов, выполняющих операцию логической í-нормы для каждого терма правила, MIE = RL , MDFE - множество элементов, реализующих операцию 5 - нормы для каждого элемента множества метасостояний, MDFE =G . Множества элементов сети определяется в процессе выполнения процедуры синтеза. Сеть является четырехслойной, элементы каждого типа объединены послойно. Результатом функционирования нечеткой нейронной сети является вероятностная оценка принадлежности входного вектора метасостоя-нию.

Структура сети NNIM представлена множеством многомодульных нейронных сетей NNIMM, адаптированных к метасостоянию, каждый из модулей включает многослойные нейронные сети. Для учета характеристики r¡ и параметров заданных в виде интервальной характеристики в работе разработана математическая модель нейронной сети, оперирующей интервальными переменными, реализующая отображение: NNIMMy при ie[l;'<?] и /е[1;Г;],

т.е. выходное значение состояния определяется согласно: y(t) = <py[y(t-\),.,y(t~ky-\),...p{t),u(t-V),..u(t-ku

глубина параметров регрессии определяется на основе расчета коэффициента Липшица.

Введем параметр <г = -——, характеризующий величину интервала изменения параметров системы, где д > 1. Тогда каждая компонента входного и выходного векторов представляется в виде интервала, где ЗР - середина интервала [У - «г^ЗТ + их] ■ Функционирование нейронов скрытого слоя осуществляется следующим образом:

где а(т) - весовая функция непрерывного аргумента т е[Х, -а/,^ + сг,],/-сигмоидальная функция. Разобьем интервал 2ах на 2т отрезков, с шагом

Д«г = */ , тогда выражение примет вид: х / m

У]=/

и аналогично для нейронов выходного слоя:

У*=/

Ty/OjkPl+fltPl

i**

Îk)

в виде:

(4)

(5)

Структура нейронной сети представляется

NNMS = 'NR, NAIS, NAS, в, В}, (6)

где NR - множество нейронов рецепторов, переводящих входной сигнал в выходной без преобразования, NAIS - множество нейронов адаптивных сумматоров скрытого слоя, функционирующих согласно (4), NAS- множество нейронов адаптивных сумматоров выходного слоя, функционирующих согласно (5), 0 - множество связей (синапсов) между нейронами, включающие прямые и обратные связи, В - множество параметров нейронов.

Для структуры NNIMM разработан конструктивный алгоритм оптимизации, основанный на методе обратного распространения ошибки, в процессе минимизации коитеоия: 1

' G-'Yr\DA

■ ZEÉfa-УьХ ПРИ Я* -<wi„+*,].

ил к=\,*\]=\

позволяющий за счет изменения структуры скрытого слоя избежать проблемы «паралича» сети, возрастания ошибки обучения при фиксированной структуре, проблемы возрастания ошибки обобщения (кросс - проверка на обучающей и тестовой выборках). Принятие решение об адекватности модели осуществляется на основе оценки ошибки обобщения.

Значение состояния объекта управления рассчитывается как аддитивная свертка произведения значений состояний каждого модуля в NNIM и параметра г).

Нейросетевая модель управляющего объекта

Нейросетевая модель управляющего объекта NN0, представлена следующим кортежем:

МС = \NNFR, ШСС, NN0}, (6)

где NNFR - нейросетевая модельная структура формирования цели управления, NN00 - структура формирования управляющего воздействия, NN0 -

нейросетевая модельная структура формирования обобщенного значения управляющего воздействия.

В зависимости от заданной цели управления структура реализует

следующие отображения:

№,

для управления по заданной уставке (в стабилизирующем режиме) ,

в случае управления по конечному многообразию состояний, и

в случае управления заданного в виде функциональной зависимости уставки от состояния системы (модельное управление).

Структура ИИСС аналогична структуре ИШИ, с тем отличием, что реализуется инверсная модель объекта управления, т.е. реализуется отображение:

ШС} :{Р„¥„и,

приуе[1;;с;],

где выходное значение определяется как

Для структуры ИИСС разработан метод условной структурной и параметрической оптимизации, основанный на методе обратного распространения ошибки, в процессе минимизации комплексного критерия: Фс=Ш,У,)+Шпи',)+Р{игк ,и)+Ф0(Щ,

где - функция невязки значений уставочной функции и состояния объекта управления, полученного в результате функционирования идентификационной моделт, и представима в виде:

функция невязки значения управляющего воздействия, рассчитанного моделью, и значением расчетной функции желаемого оптимального управления, Р((,гк,и) - функция штрафа за несоблюдение ограничений на параметры управления, - критерий оптимальности, требующий минимизации.

Процедура формирования дескрипторов их предварительной обработки

В процедуре выполняются следующие операции: формирование дескрипторов Б, субтабуляция данных, при которой в качестве дискретного временного интервала принимается минимальный определенный интервал для множества БА; заполнения пробелов в данных, посредством линейной аппроксимации множества временных рядов, образуемых каждой переменной из БА; операции нормализации данных, с целью приведения значений параметров и переменных к интервалу [0; 1].

Процедура функционирования нейросетевой модели

Обобщенный алгоритм функционирования нейросетевой модели, включающий процедуры постановки задачи управления, синтеза нейросете-

вых структур и выработки параметров управления представлен последовательностью шагов.

Шаг 1.Выполнить процедуру PDP, формирования дескрипторов: DS, DMS, DU (за исключением дескрипторов DT, DO). Таким образом структура объекта управления может быть определена в зависимости от информации об объекте (постановка задачи управления).

Шаг 2. Выполнить процедуру PDP, формирования дескрипторов поведения объекта управления DA при ie[ic;ic -rAi], где tc - текущий момент времени и при других значениях параметров системы.

Шаг 3. Задать значение величины интервала моделирования k и выполнить процедуры синтеза PS(D, NNE) и функционирования модели PF(k, NNE) при заданном значении параметров управления.

Шаг 4. Определить цели управления на к шагов, посредством выполнения процедуры PDP(DT)

Шаг 5. Рассчитать значения параметров управления на заданном интервале, посредством последовательной выполнения процедур PS(D, NNC, NNE) и PF(k, NNC,NNE) и определить управляемость объектом управления. В случае неуправляемости вернуться к Шагу 4.

Шаг 6. Задать критерии оптимальности PDP(DT) и вычислить значения параметров управления на заданном интервале, посредством последовательного выполнения процедур PS(D, NNC) и PF(k, NNE, NNC) с учетом критериев оптимальности.

Предложенная модель может применяться для формирования управлений системами с последействием, т.к. обладает следующими свойствами:

1) Модель реализует процедуру идентификации объекта управления и включает возможность оперирования интервальными переменными, что позволяет говорить о ее применимости в условиях информационной неопределенности. Модель реализует принципы самоорганизации, что снижает степень участия эксперта-постановщика задачи на этапе структурного синтеза модели и оптимизации параметров.

2) Модель способна адаптироваться к объекту управления посредством изменения своей структуры, в зависимости от имеющейся информации о поведении и целях управления, а также учитывать накопленный опыт при управлении объектами аналогичного класса.

3) Модель управления учитывает ретроспективную информацию об объекте управления и парамтерах управления, что является важным для управления системами с последействием. Также модель учитывает ограничения на условия управления и критерии оптимизации управления, что делает ее применимой для решения проблемы оптимального управления.

В третьей главе представлена реализация нейросетевой модели в виде иерархии классов объектов модели и их методов с использованием принципов объектно - ориентированного проектирования. Рассмотрена реализация настраиваемой автоматизированной системы формирования управлений системами с последействием для конкретной задачи управления, на основе разработанных классов.

Структура классов, реализующих предложенную модель

Нейросетевая модель формирования управлений представима абстракцией вида:

clMA СР=(аА UC, aANNCS, аСС; Ш, iFCC, iCCS, iS),

где aAUC - реализация абстракции агента взаимодействия с пользователем постановщиком задачи, aANNCS - экземпляр абстракции адаптивной нейро-сетевой системы формирования управлений, аСС - экземпляр абстракции формализации целей и условий управления, iAI - интерфейс инициализации агента взаимодействия, iFCC - метод формализации целей и условий управления; iCCS_- метод формирования и адаптации нейросетевой системы управления; iS - метод выработки управляющих воздействий.

Абстракция clAUC предназначена для взаимодействия с пользователем (постановщиком задачи управления) целью которой является формальное описание постановки задачи управления. Класс clAUC включает: clA UC=; aF, aMSG, aDB, iSSC),

где aF - реализация класса форм GUI, aMSG - реализации класса сообщений с методами их формирования и обработки, aDB - база данных для хранения информации о структуре задачи управления, iSSC - интерфейс задания характеристик объекта управления и информации о его поведении. Абстракция clANNCS включает следующие элементы: clANNCS = aSP, aMS, aDS, aKB; iFS, iA, iSM ,

где aSP - параметры объекта управления, aMS - список экземпляров мета-состояний объекта управления, aDS - экземпляр класса набора данных, характеризующий поведение объекта управления (дескрипторы DA), аКВ - экземпляр класса базы знаний идентификации метасостояний объекта управления, - метод формирования структуры нейросетевой системы управления, iA - метод адаптации системы управления и анализа по критериям оптимизации, iSM - метод имитации системы управления при заданных условиях и выработка управляющих воздействий.

Класс clMS включает следующие атрибуты и методы: clMS = [aPMS, aDSEx, аЕ, аС, iMSF, iMSA, iMSFN',

где aPMS - экземпляр класса параметров clP, входящих в метасостояние, aDSEx - список экземпляров класса dD характеризующий поведении объекта управления в каждом из наблюдений, аЕ - нейросетевая идентификационная модель объекта управления (нейроэмулятора), аС - множество нейро-сетевых моделей управляющего устройства (нейроконтроллеров), iMSF метод формирования атрибутов класса clMS включающий в себя формирования списка экземпляров aDSEx в соответствии с множеством aPMS, формирование начальной структуры нейроэмулятора и нейроконтроллеров, TMSA - метод адаптации нейроэмулятора и нейроконтроллеров, iMSFN - метод функционирования контура управления и выработка управляющих воздействий. В свою очередь абстракции clE и clC являются потомками абст-

рактного класса «нейросетевая система» €¡NN8, включающей атрибуты и методы:

сШ№ = [аЕШ, аРА, гр5>Ж, 1раш, 1р~МЖ) ,

где aENN - список экземпляров класса нейронных сетей, оперирующих интервальными переменными, размерностью по количеству состояний, определенных в метасостоянии, аРА - объект класса параметров адаптации нейронных сетей, ¡РБЫЫ - метод формирования структуры нейронных сетей, - метод адаптации нейронных сетей, - метод имитации ней-

ронных сетей с заданными условиями моделирования. Класс с1С дополняется атрибутами характеризующими цель управления, критерии оптимального управления, тип функционала оптимизации нейросетевой структуры контроллера и методами, манипулирующими с данными атрибутами.

Целью реализации класса с1КВ является представление в формализованном виде знаний экспертов об идентификации метасостояний объекта управления в виде динамических нечетких отношений. Структура класса с1КВ: ____________

с1КВ = \ aKPS, аЯЬ, аШМ, ЮКРБ, 1РКРБ, Ш, ЁМ81М, ¡РШМ ,

где аКР8 - список параметров, определяющих метасостояние, аЯЬ экземпляр класса списка динамических нечетких отношений, аМ81М - идентификатор метасостояний, реализующий композиционный вывод для динамических нечетких продукционных отношений, ЮКРБ - метод задания списка параметров аКР8, 0?КР8 - метод представления параметров в виде нечетких лингвистических переменных, ¡БЯ - метод задания аЯЬ, методы 18М81М и г¥М81М соответственно методы синтеза и функционирования аМБ1М. В качестве возвращаемого значения метода является указатель на объект класса метасостояний объекта управления. В структуру класса сШЬ входят атрибуты, характеризующие левую аАп и правую - аСп части динамических нечетких отношений.

На основе разработанной библиотеки классов разработана автоматизированная информационная система, способная настраиваться для решения конкретной задачи управления. Структура системы представлена на рис. 3.

Пользователь (постановщик задачи, эксперт)

Исходные данные управления

Подсистема идентификации данные (постановки задачи) у \ Подсистема формирования управлений

уг данные

Подсистема работы с базой данных

Подсистема работы с базой знаний

Рис. 3. Структура автоматизированной системы формирования управлений.

В четвертой главе рассматривается апробация модели на решении двух практических задач из различных предметных областей.

Задача управления функциональным состоянием магистралей нижних конечностей после реконструктивных операций (предметная область - медицина)

Актуальность задачи заключается в уменьшении риска осложнений при лечении в послеоперационном периоде за счет выработки оптимального управления и минимизации риска неблагоприятных исходов после повторных реконструктивных операций посредством эффективного отбора пациентов на операцию. В качестве входных данных выступает параметры, объединенные в следующие группы: данные общеклинических исследований, лабораторные данные, характеризующие гомеостаз человека, данные инструментальных исследований. В качестве выходной характеристики выступают: степень стеноза (сужения) магистрального сосудистого русла в зоне реконструктивных операций и параметр, характеризующий неблагоприятный исход. Управляющие параметры образуют две группы: тип операционного вмешательства и медикаментозное лечение (потребление антикоагулянтов, дезагре-гантов, гемокорректоров и других средств).

Для решения задачи использовалась выборка, представляющая собой клинические наблюдения в отделении сосудистой хирургии клиники общей хирургии им. А.А. Полянцева Волгоградского государственного медицинского университета за период с 1993 по 2003 г общим объемом 872 записи. В качестве метасостояний выбраны типы первичных реконструкций: аорто -подзвдошные и бедренно - подколенные. Внедрение системы автоматизации управления позволило повысить эффективность при решении задачи управления функциональным состоянием магистралей нижних конечностей в зоне реконструкции в результате снизилась частота ранних послеоперационных тромбозов на 4,17%, и послеоперационных кровотечений на 1,32%. Исследования проводились совместно с кафедрой Общей хирургии ВГМУ.

Задача управления транспортно - эксплуатационным состоянием автомобильных дорог (предметная область - экономика дорожного хозяйства)

Актуальность задачи управления заключается в повышении качества состояния автомобильных дорог за счет оптимального распределения средств на проведение основных видов дорожно - ремонтных работ. Объектом управления является транспортно-эксплуатационное состояние автомобильной дороги, характеризуемое интегральным показателем, который в свою очередь включает параметры, установленные отраслевыми дорожными нормами (ОДН218.0.006-2002). В качестве управляющих параметров выступают затраты на проведение работ по ремонту и содержанию. В модель включен интегральный показатель, характеризующий неконтролируемые возмущающие воздействия (погодно-климатические, состав транспортного потока, интенсивность и прирост интенсивности движения). Обучение системы осуществлялось на основе информации о состоянии автомобильных дорог общей протяженностью более 800 км, полученной путем натурных наблюдений, суждений специалистов дорожной отрасли (ДСУ №1 ОГУП «Волгоградавто-

дор), материалов диагностики ходовых дорожных лабораторий (Волгоградский центр «РосдорНИИ»), а также сведений о фактических затратах на ремонт и содержание этих дорог.

Разработанная автоматизированная система способна повысилась эффективность решений по управлению транспортно - эксплуатационным состоянием дорог. Это связанно со снижением денежных и временных затрат на проведение диагностических работ, более оптимальным распределением финансовых средств на проведение ремонтных дорожных работ в рамках заданного лимита. Работа проводилась совместно с кафедрой «Экономики и управления дорожным хозяйством» ВолгГАСУ.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

Основные научные и прикладные результаты диссертационной работы заключаются в следующем:

1. Разработана адаптивная нейросетевая модель идентификации объекта управления, отличающаяся многомодульной организацией рекуррентных нейронных сетей, возможностью обработки информации представленной как в четком виде, так и в виде интервальных переменных, и алгоритмом структурной и параметрической оптимизации, что позволяет использовать модель в условиях изменения информации о структуре и поведении систем с последействием.

2. Разработана нейросетевая модель идентификации метасостояний объекта управления, основанная на модели представления знаний в виде нечетких отношений, модифицированной возможностью учитывать изменения значений параметров во времени, что позволяет решить проблему функциональной неопределенности систем с последействием.

3. Разработана адаптивная нейросетевая модель управляющего объекта, отличающаяся возможностью формирования управлений в соответствии с целью заданной в виде значений функции уставки, целью заданной в виде конечного многообразия состояний и целью, заданной в виде функциональной зависимости от состояния объекта, с учетом критериев оптимальности и ограничений на управляющие параметры, что позволяет использовать при решении проблемы оптимального управления.

4 Разработана структура классов, реализующих нейросетевую модель, позволяющая использовать предлагаемый подход в различных проблемных областях по управлению системами с последействием.

5. На основе структуры классов разработана настраиваемая автоматизированная система, которую возможно адаптировать на определенную задачу управления.

6. С использованием предложенных подходов и средств разработана автоматизированная система формирования управлений функциональным состоянием магистралей нижних конечностей после реконструктивных операций. Реализация позволила повысить эффективность управленческих реше-

ний, что привело к снижению частоты возникновения неблагоприятных исходов на 4,17% и 1,32%.

7. С использованием предложенных подходов и средств разработана автоматизированная система управления транспортно - эксплуатационным состоянием автомобильных дорог, позволяющая повысить качество управляющих решений, за счет оптимального распределения финансовых средств на проведение ремонтных дорог.

ОПУБЛИКОВАННЫЕ РАБОТЫ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Панченко Д.П., Щербаков М.В. Использование нейромоделей для проектирования автоматизированных систем // IV Рег. конф. молодых исследователей Волгоградской обл., Тезисы докладов, РПК "Политехник" Волгоград 2000., С. 131 -132.

2. Панченко Д.П., Щербаков М.В. Система прогнозирования ранних осложнений после реконструктивных операций на магистралях нижних конечностей на основе нейроподобных сетей. // V Рег. конф. молодых исследователей Волгоградской обл., Тезисы докладов, РПК "Политехник" Волгоград 2000., С. 185-186.

3. Прогнозирование ранних послеоперационных осложнений на основе нейроподобных сетей./ Шкурина Г.Л., Мозговой П.В., Панченко Д.П., Щербаков М.В. // Информационные технологии в образовании, технике и медицине. Международная научно - техническая конференция, Сб. научных трудов, Часть 2, РПК "Политехник" Волгоград 2000. С 238 - 240.

4. Шкурина Г.Л., Щербаков М.В. Оболочка системы решения задач прогнозирования в медицине //Нейроинформатика и её приложения: Материалы VIII Всероссийского семинара., Красноярск: ИПЦ КГТУ, 2001, С.202 -203.

5. Шкурина Г.Л., Щербаков М.В. Представление знаний эксперта для решения задачи прогнозирования в медицине. //Нейроинформатика и её приложения: Материалы VIII Всероссийского семинара., Красноярск: ИПЦ КГТУ, 2001, С.201.

6. Шкурина Г.Л., Щербаков М.В. Комплексная прогнозная модель на основе регрессионной и нечеткой нейронных сетей // Информационные технологии в образовании, технике и медицине: Сб. науч. тр. в 2-х ч. Ч.2.- Волгоград, 2002.- 284С.-К!БК 5-230-04047-5.- С.262-264.

7. Шкурина Г.Л., Щербаков М.В. Комплексная модель прогнозирования состояний сложных объектов в медицине, Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» НКП - 2002 с международным участием. М.: ИПУ им. В.А Трапезникова РАН, 2002. С. 684 -687.

8. Щербаков М.В. Извлечение знаний эксперта о предметной области для формирования нейронной сети //VI Рег. конф. молодых исследователей Волгоградской обл., Тезисы докладов, РПК "Политехник" Волгоград 2002 .-С. 161-162.

9. Камаев В.А., Шкурина Г.Л., Щербаков М.В., Реализация нечеткого вывода в нейросетевом базисе, //Нейроинформатика и её приложения: Материалы X Всероссийского семинара, Красноярск: ИПЦ КГТУ, 2002, 60 -61 с.

10.Камаев В.А., Щербаков М.В., Полянцев А.А. Результаты применения моделей прогнозирования ранних осложнений после операций на аорте и магистральных артериях нижних конечностей,. Сб. науч. докладов 8-й меж-дунар. конф. СПб: МАНЭБ, 2003, С. 171-174.

11.Камаев В.А., Шкурина Г.Л., Щербаков М.В., Мозговой П.В. Применение многомодульных нейронных сетей для решения задач моделирования в медицине - ММТТ-16: Сб. трудов XVI Междунар. науч. конф. В 10-ти т. Т.9. СПб: из-во Санкт-Петербургского гос. технолог. ин-та (техн. ун-та). 2003.-С. 139-141.

12.Камаев В. А., Панченко Д. П., Щербаков М.В., Решение задачи классификации поведения сложной системы на основе искусственных нейронных сетей, Труды Междунар. научно-техн. конф. «Интеллектуальные системы (IEEE AIS'03)» и «Интеллектуальные САПР (CAD-2003)». М.: Изд-во Физико-математической литературы, 2003, Т.1. - С. 560-562.

13.Камаев В.А., Щербаков М.В., Панченко Д.П., Рекуррентная нейронная сеть переменной структуры для моделирования сложных динамических систем, Труды Междунар. научно-техн. конф. «Интеллектуальные системы (IEEE AIS'03)» и «Интеллектуальные САПР (CAD-2003)». M.: Изд-во Физико-математической литературы, 2003, Т.1. - С. 562-565.

14.В.А.Камаев, Д.П.Панченко, М.В. Щербаков, Использование нейросетевых технологий для анализа сложных иерархических систем, Вестник БГТУ, №1(1). Брянск, 2004. С. 202 - 208.

15.Камаев В.А., Щербаков М.В. Об одном нейросетевом подходе идентификации сложных систем Вестник компьютерных и информационных технологий, №3, 2004, М.: «Машиностроение», С. 20-24.

16.Камаев В.А., Щербаков М.В., Скоробогатченко Д.В. Автоматизированная система прогнозирования транспортно эксплуатационного состояния дорог. Вестник компьютерных и информационных технологий, №4, 2004, М.: «Машиностроение», С. 2-6.

17.Полянцев А.А, Мозговой П.В., Фролов Д.В., Камаев ВА, Щербаков М.В. Прогнозирование осложнений после реконструктивных операций на аор-топодвзошном сегменте, Хирургия. Журнал им. Н.И. Пирогова, 2004, №4, С.9-12

Р2439*

Подписано в печать 1Ь н .2004 г. Заказ № М9 . Тираж 100 экз. Печ. л. 1,0. Формат 60 х 84 1/16. Бумага офсетная. Печать офсетная.

Типография «Политехник» Волгоградского государственного технического университета 400131, Волгоград, ул. Советская, 35

339

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ, УСЛОВНЫХ ОБОЗНАЧЕНИЙ, СИМВОЛОВ И ТЕРМИНОВ

ВВЕДЕНИЕ

ГЛАВА 1. ПРОБЛЕМА УПРАВЛЕНИЯ СИСТЕМАМИ С ПОСЛЕДЕЙСТВИЕМ В УСЛОВИЯХ

ИНФОРМАЦИОННОЙ НЕОПРЕДЕЛЕННОСТИ

1.1. Введение в проблему управления системами с последействием в условиях информационной неопределенности

1.2. Формальная модель процесса управления системами с последействием. Постановка задачи управления.

1.3. Требования к моделям формирования управлений системами с последействием

1.4. Обзор подходов, автоматизирующих процесс управления системами с последействием в условиях неопределенности.

1.4.1. Подходы основанные на интерпретации знаний и работы с ними. Нечеткая логика

1.4.2. Модели нейросетевого управления

1.4.3. Актуальные проблемы при использовании нейросетевых моделей управления в условиях информационной неопределенности

1.5. Цели и задачи диссертационной работы

ГЛАВА 2. НЕЙРОСЕТЕВАЯ МОДЕЛЬ ФОРМИРОВАНИЯ

УПРАВЛЕНИЙ СИСТЕМАМИ С ПОСЛЕДЕЙСТВИЕМ В УСЛОВИЯХ ИНФОРМАЦИОННОЙ

НЕОПРЕДЕЛЕННОСТИ

2.1. Системный подход к решению задач с использованием аппарата нейронных сетей

2.2. Формальное описание нейросетевой модели формирования управления.

2.3. Описание модели дескрипторов задачи управления

2.3.1. Дескрипторы структуры объекта управления

2.3.2. Дескрипторы метасостояний объектов управления и процедура их формирования

2.3.3. Дескрипторы управления

2.3.4. Дескрипторы поведения объекта управления

2.4. Процедуры формирования дескрипторов и предварительной обработки

2.4.1. Процедура формирования дескрипторов структуры объекта управления

2.4.2. Процедура формирования дескрипторов метасостояний

2.4.3. Процедура формирования дескрипторов управления

2.4.4. Процедура формирования дескрипторов поведения

2.4.5. Процедура предварительной обработки данных

2.5. Нейросетевая структура модели и процедуры ее синтеза и оптимизации

2.5.1. Нейросетевая модельная структура идентификации и процедуры ее синтеза и оптимизации

2.5.2. Нейросетевая структура управляющего объекта процедуры ее синтеза и оптимизации

2.6. Функционирование нейросетевой модели

2.7. Процедура проверки модели на адекватность

Актуальность. Проблема эффективного управления системами с последействием в условиях информационной неопределенности является актуальной задачей в различных предметных областях, качество решения которой зависит от сложности объекта и от применяемых методов обработки информации и управления. Неопределенность, характеризуемая отсутствием формальной модели объекта, изменением значений параметров в процессе функционирования и нечетким заданием значений параметров, значительно затрудняет процесс принятия оптимального управленческого решения. Одним из перспективных направлений, повышающих качество управления, является разработка и внедрение систем автоматизации, которые реализуют модели, учитывающие ограничения неопределенности.

Существующие подходы к автоматизации процесса управления, основанные на использовании нейросетевых технологий, предложенные и развитые в работах Глушкова В.М., Цыпкина 51.3., Галушкина Л.И., Терехова В.Л., Пупкова К.Л., Гаврилова Л.И., Ефимова Д.В., Тюкина И.Ю., Вербоса (Werbos Р.), Нарендры (Narendra К.), Левина (Levin Л.), Чена (Chen L.), Омату (Omatu S.), Нарди (Nardi F.), являются эффективными и превосходящими альтернативные методы. Это обосновано тем, что нейросетевые модели, рассматриваются как естественное развитие традиционной теории линейных систем, методов оптимизации функции многих переменных, раздела математической статистики нелинейного регрессионного анализа. Однако проблема применимости этих подходов для управления систем с последействием в условиях функционально -параметрической неопределенности с учетом ограничений на управляющие воздействия и критериев оптимальности не достаточно исследована. Основным недостатком нечетких моделей, рассмотренных в работах JI Ванга (Wang L.), Дж. Менделя (J Mendel), Б.Коско (Cosco В.), Минаева Ю.Н., изначально учитывающих условия информационной неопределенности, является проблема адаптации моделей к структурному изменению объекта управления, т.к. требуется привлечение знаний экспертов, что не всегда возможно.

Вышеизложенное позволяет заключить, что проблема разработки моделей формирования управлений системами с последействием в условиях информационной неопределенности на основе аппарата искусственных нейронных сетей на современном этапе еще недостаточно решена и требует активного внимания.

Вышеизложенное позволяет заключить, что проблема автоматизации управления сложными системами в нейросетевом логическом базисе, а также проблемы синтеза и реализации методик идентификации и управления классом сложных систем на современном этапе еще недостаточно решены и требуют активного внимания.

Цель и задачи работы. Целью работы является повышение эффективности процесса управления системами с последействием в условиях информационной неопределенности посредством разработки нейросетевой модели формирования управленческих решений.

Для достижения поставленной цели необходимо решить следующие задачи.

1. Формализовать процесс управления системами с последействием в условиях информационной неопределенности, выделить объекты автоматизации и выполнить анализ существующих подходов к автоматизации управления.

2. Разработать нейросетевую модель формирования управлений, включающую модель идентификации объектов управления и нейросетевые модели управляющего объекта с учетом ограничений на параметры управления и критериев оптимальности.

3. Разработать алгоритмы, реализующие предложенную модель, и структуру классов модели с использованием принципов объектно-ориентированного проектирования программных систем.

4. Реализовать автоматизированную информационную систему формирования управлений и проверить достоверность теоретических результатов на решении практических задач.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, теории управления, теории искусственных нейронных сетей, нечеткой логики, искусственного интеллекта, а также применялись положения теории объектно-ориентированного проектирования программных систем, теории проектирования реляционных баз данных.

Научная новизна. Разработана нейросетевая модель формирования управлений системами с последействием в условиях информационной неопределенности, включающая в себя:

1. адаптивную нейросетевую модель идентификации объекта управления, отличающуюся многомодульной организацией рекуррентных нейронных сетей, возможностью обработки информации представленной как в четком виде, так и в виде интервальных переменных, и алгоритмом структурной и параметрической оптимизации, что позволяет использовать для идентификации в условиях изменения информации о структуре и поведении систем с последействием;

2. нейросетевую модель идентификации метасостояний объекта управления, основанную на модели представления знаний в виде нечетких отношений, модифицированной возможностью учитывать изменения значений параметров во времени, что позволяет решить проблему функциональной неопределенности;

3. адаптивную нейросетевую модель управляющего объекта, отличающуюся возможностью формирования управлений в соответствии с целыо заданной в виде значений функции уставки, целыо заданной в виде конечного многообразия состояний и целыо, заданной в виде функциональной зависимости от состояния объекта, с учетом критериев оптимальности и ограничений на управляющие параметры, что позволяет использовать модель при решении проблемы оптимального управления.

Практическая значимость исследования состоит в реализации алгоритмов нейросетевой модели, разработке структуры классов объектов модели с использованием принципов объектно - ориентированного проектирования, в разработке настраиваемой автоматизированной информационной системы формирования управлений, апробации предложенной модели на решении практических задач: задачи управления функциональным состоянием магистралей нижних конечностей человека, задачи управления транспортно - эксплуатационным состоянием автомобильных дорог.

Реализация результатов. Разработанная на базе предложенного подхода настраиваемая автоматизированная информационная система применяется в отделении сосудистой хирургии клиники общей хирургии им. Л.Л. Полянцева Волгоградского государственного медицинского университета и позволила повысить эффективность управленческих решений, что привело к снижению частоты возникновения неблагоприятных исходов на 4,17% и 1,32%. Представленные в работе подходы реализованы в Автоматизированной системе прогнозирования изменения транспортно-эксплуатационного состояния автомобильных дорог, использующейся в ДСУ №1 ОГУП «Волгоградавтодор» и Системе управления транспортно-эксплуатационным состоянием автомобильных дорог, внедренной в Волгоградском центре «РосдорНИИ». Системы позволяют повысить качество управляющих решений, за счет оптимального распределения финансовых средств на проведение ремонтных дорог. Отдельные теоретические и практические результаты внедрены в учебные программы по курсу «Проектирование АСОИУ», «Аналитическое программное обеспечение АСОИУ».

Апробация работы. Основные положения и материалы диссертации докладывались на Международных научных и научно-технических конференциях «Информационные технологии в образовании, технике и медицине» (Волгоград 2000, 2002), «Нейросетевые технологии и их применение» (Краматорск, Украина 2002, 2003), «Экология и развитие общества» (Санкт-Петербург, 2003), «Математическое моделирование в технике и технологиях» ММТТ-16 (Санкт-Петербург, 2003), «Интеллектуальные системы (IEEE AIS'03)» (Дивноморское, 2003), VIII Всероссийской конференции с международным участием «Нейрокомпьютеры и их применение» (ИПУ им. В.А. Трапезникова РАН, Москва 2002), VIII и X Всероссийских семинарах «Нейроинформатика и её приложения» (Красноярск 2001, 2002), IV, V, VI Региональных конференциях молодых исследователей Волгоградской области (Волгоград, 2000 - 2002)

Публикации. По теме диссертации опубликовано 17 печатных работ, в том числе: 4 публикации в изданиях центральной печати, 7 статей в сборниках научных трудов, 3 статьи в материалах научных семинаров, 3 тезиса докладов различных конференций.

Структура и содержание диссертационной работы. Диссертационная работа состоит из введения, четырех глав, заключения, 2-х приложений и списка литературы. Общий объем диссертации 136 страниц, 35 рисунков, список использованных источников из 118 наименований.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

Основные научные и прикладные результаты диссертационной работы заключаются в следующем:

1. Разработана адаптивная нейросетевая модель идентификации объекта управления, отличающаяся многомодульной организацией рекуррентных нейронных сетей, возможностью обработки информации представленной как в четком виде, так и в виде интервальных переменных, и алгоритмом структурной и параметрической оптимизации, что позволяет использовать модель в условиях изменения информации о структуре и поведении систем с последействием.

2. Разработана нейросетевая модель идентификации метасостояний объекта управления, основанная на модели представления знаний в виде нечетких отношений, модифицированной возможностью учитывать изменения значений параметров во времени, что позволяет решить проблему функциональной неопределенности систем с последействием.

3. Разработана адаптивная нейросетевая модель управляющего объекта, отличающаяся возможностью формирования управлений в соответствии с целью заданной в виде значений функции уставки, целью заданной в виде конечного многообразия состояний и целыо, заданной в виде функциональной зависимости от состояния объекта, с учетом критериев оптимальности и ограничений на управляющие параметры, что позволяет использовать при решении проблемы оптимального управления.

4. Разработана структура классов, реализующих нейросетевую модель, позволяющая использовать предлагаемый подход в различных проблемных областях по управлению системами с последействием.

5. На основе структуры классов разработана настраиваемая автоматизированная система, которую возможно адаптировать на определенную задачу управления.

6. С использованием предложенных подходов и средств разработана автоматизированная система формирования управлений функциональным состоянием магистралей нижних конечностей после реконструктивных операций. Реализация позволила повысить эффективность управленческих решений, что привело к снижению частоты возникновения неблагоприятных исходов на 4,17% и 1,32%.

7. С использованием предложенных подходов и средств разработана автоматизированная система управления транспортно - эксплуатационным состоянием автомобильных дорог, позволяющая повысить качество управляющих решений, за счет оптимального распределения финансовых средств на проведение ремонтных дорог.

1. Аншценко B.C. Знакомство с нелинейной динамикой, НИЦ РДХ,143с.

2. Беляков Г.С., Объемы финансирования дорожного хозяйства и эффективность использования финансовых ресурсов // Экон. пробл. трансп. стр-ва в условиях рыноч. отношений. Сб. науч. трудов./ МАДИ (ТУ), М.:-1999г. С. 98- 102.

3. Бенькович Е.С., Колесов Ю.Б., Сениченков Ю.Б. Практическое моделирование динамических систем СПб.: БХВ - Петербург, 2002. - 464 е.: ил.

4. Бокс Дж., Дженкинс Г., Анализ временных рядов, прогноз и управление. М.: Мир, 1974.

5. Буч Г. Объектно ориентированный анализ и проектирование с примерами приложений на С++, 2-е изд./Пер. с англ. - М.: «Издательство Бином», СПб.: «Невский диалект» , 2000. - 560 е., ил.

6. Вавилов А.А., Имаев Д.Х. Машинные методы расчета систем управления. Л.: Изд-во ЛЭТИ, 1979.

7. Васильев А.П., Яковлев Ю.М., Коганзон М.С. Принципы прогнозирования транспортно-эксплуатационного состояния дорог // Автомобильные дороги. 1993. №1. С. 8-10.

8. Введение в оптимальное управление (линейная теория): Учебник/В.И.Благодатских. Под. ред. В.А.Садовничего. М.:Высш. шк., 2001.-239с.: ил.

9. Виннер Н. Кибернетика: Или управление и связь в животном и машине. М.: Наука, 1983. - 344 с.

10. Ю.Волкова В. Н., Денисов А. А. Основы теории систем и системного анализа: Учебник для студентов вузов, обучающихся по специальности

11. Системный анализ и управление». Изд. 2-е, перераб. и доп. СПб.: Изд-во СПб, 2001.-512с.

12. Гавриленко А.В., Лисицкий Д.А., Прогнозирование результатов реконструктивных операций на сосудах нижних конечностей, МНПИ, 2001, -80с.

13. Гаврилов А.И. Нейросетевая реализация процедуры идентификации динамических систем Моск. гос. технич. ун-т им. Н.Э. Баумана М Автореф. дис. канд. техн. наук:05.13.01 , 2000.

14. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2000. - 384с.

15. И.Галушкин А. И. Многослойные системы распознавания образов. -М.: МИЭМ, 1970.

16. Галушкин А.И. Проблема малой выборки // Сб. науч. тр. V Всероссийской конференции «Нейрокомпьютеры и их применение». М.: Радиотехника, 1999.

17. Галушкин А.И. Синтез многослойных систем распознавания образов. -М.: «Энергия», 1974.

18. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов / Общ. ред. А.И.Галушкина. М.: ИПРЖР, 2000. - 416с.

19. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учеб. пособие для вузов / Общ. ред. А.И.Галушкина. М.: ИПРЖР, 2000. - 416с.

20. Галушкин А.И., Томашвич Д.С., Томашвич Н.С., Муромский М.Ю., Шачнев Е.А. Нейросетевые алгоритмы экстраполяции функций и их применение в задачах прогнозирования работы Call центров // Нейрокомпьютеры: разработка и применение, 2000, №№2, 3, 2001, №1.

21. Гилев, Сергей Евгеньевич -Обучение нейронных сетей: Методы, алгоритмы, тестовые испытания, прим. прил.:Дис. . канд. физ.-мат. наук:05.13.16 -1997

22. Гилмор Дж. Ф. Автоматизированное приобретение знаний с помощью нейронных сетей // Техническая кибернетика. 1994. - №5. -С.93-96.

23. Глушков В.М., Введение в АСУ. «Техшка», 1972, 312 с.

24. Головко В.А. Нейронные сети: обучение, организация и их применение. Кн. 4: Учеб. пособие для вузов / Общ. ред. А.И. Галушкина. -М.: ИПРЖР, 2001.-256с.

25. Горбань А.Н. Обучение нейронных сетей. М.: СП "ПараГраф", 1990.- 159 с.

26. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. 256 с.

27. Гордиенко Е.К., Лукьяница А.А. Искусственные нейронные сети. Основные определения и модели // Техническая кибернетика. №5, 1994, С.79 -92.

28. Дрейпер Н., Смит Г. Прикладной регрессионный анализ: В 2-х кн. Кн 1/ Пер. с англ. 2-е изд., перераб. и доп. - М.: Финансы и статистика,1986. 366с., ил. - (Математико-статистические методы за рубежом).

29. Дрейпер Н., Смит Г. Прикладной регрессионный анализ: В 2-х кн. Кн 2/ Пер. с англ. 2-е изд., перераб. и доп. - М.: Финансы и статистика,1987. 351с., ил. - (Математико-статистические методы за рубежом).

30. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике: Пер. с фр. М.: Радио и связь, 1990. -288с.

31. Евгенев Г.Б. Системология инженерных знаний: Учеб. пособие для вузов. М.: Изд-во МГТУ им. Н.Э.Баумана, 2001. - 376с.

32. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, 1998ю - 222с.

33. Заде JI. Лингвистическая переменная. -М: Физматгиз., 1972.

34. Замятин В.В. Консервативное и оперативное лечение больных с синдромом Лериша// Вестн. хирургии.- 1994.- Т.152, .N«1-2.- С. 128-131.

35. Камаев В.Л., Шкурина Г.Л., Щербаков М.В., Реализация нечеткого вывода в нейросетевом базисе, //Нейроинформатика и её приложения: Материалы X Всероссийского семинара., Красноярск: ИПЦ КГТУ, 2002, 60 -61 с.

36. Камаев В.Л., Щербаков М.В., Полянцев А.А. Результаты применения моделей прогнозирования ранних осложнений после операций на аорте и магистральных артериях нижних конечностей,. Сб. науч. докладов 8-й международной конф. СПб: МАНЭБ, 2003, С.171-174.

37. Камаев В.Л., Панченко Д.П., Щербаков М.В., Использование нейросетевых технологий для анализа сложных иерархических систем, «Вестник БГТУ», №1 (1), Брянск 2004. С. 20-24.

38. Камаев В.А., Щербаков М.В. Об одном нейросетевом подходе идентификации сложных систем., Вестник компьютерных и информационных технологий, №3, 2004, Из-во «Машиностроение», С. 20-24.

39. Камаев В.Л., Щербаков М.В., Скоробогатченко Д.В. Автоматизированная система прогнозирования транспортно эксплуатационного состояния дорог. Вестник компьютерных и информационных технологий, №4, 2004, Из-во «Машиностроение», С. 2-6.

40. Клир Джордж. Системология. Автоматизация решения системных задач / Пер. с англ. М. А. Зуева; Под ред. А. И. Горлина. — М.: Радио и связь, 1990. —538 с.

41. Колмановский В.Б., Уравнения с последействием и математическое моделирование, Соровский Образовательный журнал, №4, 1996, С. 122 -127.

42. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: Учеб. пособие для вузов. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 320с.

43. Короткий С., Нейронные сети: алгоритм обратного распространения / Internet: http://www.orc.ru/~stasson/k2.htm

44. Кремер Н.Ш. Теория вероятностей и математическая статистика: Учебник для вузов. М.:ЮНИТИ-ДАНА, 2002. - 543с.

45. Круглов В.В., Борисов В.В., Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001. - 382с.

46. Лапач С.Н., Чубенко А.В., Бабич П.Н., Статистические методы в медико-биологических исследований с использованием Excel. 2-е изд., перераб. и доп. - К.:МОРИОН, 2001. - 408 с.

47. Леоненков А. Самоучитель UML, Второе издание. Издательство: BHV. Серия: Самоучитель. ISBN 5-94157-342-1 432 стр., 2004 г

48. Логовский, Л. С. -Применение искусственных нейронных сетей длярешения задач управления динамическими объектами Моск. физико-технич. ин-т Лвтореф. дис. канд. физ.-мат. наук:05.13.17 , 1998.

49. Малинецкий Г.Г., Потапов А.Б. Современные проблемы нелинейной динамики. Изд. 2-е, исправл. и доп. М.: Едиториал УРСС, 2002. 360 с. (Синегретика: от прошлого к будущему)

50. Малышев Н.Н. Профилактика, диагностика и лечение ранних осложнений после реконструктивных операций на брюшной аорте и подвздошных артериях /Н.Н. Малышев, А.А. Алексеев, В.Н. Чирков и др.// Вести, хирургии.- 1990.- №10.- С. 99-102.

51. Медведев B.C., Потемкин В.Г. Нейронные сети. MATHLAB 6 / Под общ. ред. к.т.н. В.Г.Потемкина. М.: ДИАЛОГ-МИФИ, 2002. - 496с. -(Пакеты прикладных программ; Кн. 4)

52. Медицинские информационные системы. Экспертные системы и базы знаний / Internet/littp://intra.rfbr.ru/pub/vestnik/V499/l14.htm

53. Методы нейроинформатики / Под. ред. А.Н. Горбаня, Красноярск: КГТУ, 1998.-205 с.

54. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник/ Под. ред. Н.Д.Егупова; издание 2-ое, стереотипное.-М.:Из-во МГТУ им. Н.Э.Баумана, 2002. 744 е., ил.

55. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лиес Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. М.: Горячая линия -Телеком, 2003. - 205с: ил.

56. Миркес Евгений Моисеевич Функциональные модели универсального нейрокомпьютера Краснояр. гос. техн. ун-тАвтореф. дис. . д-ра техн. наук:05.13.11, 2001.

57. Мозговой П.В. Исходы реконструктивных операций при хронических окклюзиях артерий нижних конечностей и методы их улучшения: Автореф. дис. канд. мед. наук. Волгоград. 1998 -24с.

58. Мозговой П.В. Тромбогеморрагические осложнения после реконструктивных операций на брюшном отделе аорты и магистральных артериях нижних конечностей (профилактика, диагностика, лечение): Автореф. дис. докт. мед. наук. Волгоград, 2004. - 42с.

59. Нейроинформатика / Горбань А.П., Дунин-Барковский B.JI., Кирдин А.Н. и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. - 296с.

60. Нейрокомпьютеры в системах обработки изображений. Кн. 7: Коллективная монография / Общая ред. А.И. Галушкина. М.:Радиотехника, 2003. - 192с.: ил. (Нейрокомпьютеры и их применение)

61. Нейроматематика. Кн. 6: Учеб. пособие для вузов / Общ. ред. А.И.Галушкина. М.: ИПРЖР, 2002. - 425с.

62. Нейронные сети: история развития теории. Кн. 5: Учеб. пособие для вузов. / Под общей ред. А.И. Галушкина, Я.З. Ципкина. М.: ИПРЖР, 2001. -840с.

63. Нейросетевые системы управления: Учеб. пособие для вузов / В.А. Терехов, Д.В.Ефимоы, И.Ю.Тюкин. М.:Высш. шк. 2002 с. ил.

64. Пантелеев А.В., Численные методы в примерах и задачах / Учеб. пособие. М.: Высш. шк., 2003. - 583 е.: ил.

65. Панченко Д.П., Щербаков М.В. Использование нейромоделей для проектирования автоматизированных систем // IV Региональная конференция молодых исследователей Волгоградской области., Тезисы докладов, РПК "Политехник" Волгоград 2000., С. 131 132.

66. Петровский Б.В. Прогресс современной ангиохирургии // Хирургия.-1991.- Кч\.- С. 9-16.

67. Попов К. В. Основы теории управления. // Электронное издание http://a1ice.stiip.ac.ru/~pkv/htm1/Index.htm

68. Построение экспертных систем. / Под. ред. Ф. Хейес Рота. - М.: Мир, 1987.

69. Правила диагностики и оценки состояния автомобильных дорог (взамен 6 -90). ОДН218.0.006-2002 / Министерство транспорта РФ . Росавтодор. М.: Транспорт. 2002. 137с.

70. Правила диагностики и оценки состояния автомобильных дорог (взамен ВСН 6-90). ОДН 218.0.006-2002 / Министерство транспорта РФ. Росавтодор. М.: Транспорт. 2002. - 137 с.

71. Прогнозирование осложнений после реконструктивных операций на аортоподвзошном сегменте // Полянцев А.А, Мозговой П.В., Фролов Д.В.,

72. Камаев В.Л., Щербаков М.В., Хирургия. Журнал им. Н.И. Пирогова, 2004, ЛН С.9-12

73. Рябинин А.Д., Шквар A.M., Шевченко А.И. Некоторые особенности разностной обработки информации в нейронных сетях // Биологическая медицинская кибернетика и бионика. Вып. 2. К., 1970. - С. 13-26.

74. Сенашова М. Ю. -Погрешности в нейронных сетях Автореф. Дис. .канд. физ.-мат. наук:05.13.16 Красноярск 1998.

75. Скоробогатченко Д.А., Прогнозирование изменения транспортно-эксплуатационного состояния автомобильных дорог при планировании ремонта и содержания, Автореферат на соиск. . канд. техн. наук, ВолгГАСА, Волгоград, 2003.

76. Теория управления в примерах и задачах: Учеб. пособие / А.В. Пантелеев, А.С. Бортаковский. М.: Высш. шк., 2003. - 583с,: ил.

77. Теория автоматического управления. Ч. 1 и 2 / Под ред. А.А. ВороноЕт. М: Высшая школа, 1986.

78. Теория автоматического управления: Учеб. для вузов/ С.Е. Душин, Н.С. Зотов, Д.Х. Имаев и др.; Под ред. В.Б. Яковлева. М.: Высшая школа, 2003.-567 е.: ил.

79. Терехов В.А. Ефимов Д.В. Тюкин И.Ю., Нейросетевые системы управления, Высшая Школа, 2002, 183с.

80. Технические правила ремонта и содержания автомобильных дорог (ВСН 24-88). Минавтодор РСФСР. М.: Транспорт. 1989. 198 с.

81. Указания по оценке эффективности дорожно-ремонтных работ (ВСН 2-80), Минавтодор РСФСР. М.: Транспорт. 1981, 32 с.

82. Уоссермен Ф. Нейрокомпыотерная техника:теория и практика / Пер. с англ. М.: Мир, 1992.- 105с.

83. Управление в сложных нелинейных системах / Под. ред. Цыпкина Я.З., М.: Наука, 1984.

84. Фролов Д.В. Прогнозирование ранних тромботических реокклюзий у больных облитерирующими заболеваниями нижних конечностей: Автореф. дне. канд. мед. наук. Волгоград, 2000. - 27с.

85. Царегородцев, Виктор Геннадьевич, Извлечение знаний из таблиц данных при помощи обучаемых и упрощаемых искусственных нейронных сетей Ин-т вычисл. моделирования СО РАН Автореф. дис. . канд. техн. наук:05.13.16 2000.

86. Цыпкин Я.З. Основы информационной теории идентификации. -М.: Наука, 1984. -520 с.

87. Цыпкин Я.З. Информационная теория идентификации. М.: Наука. Физматлит, 1995.-336с.

88. Шкурина Г.Л., Щербаков М.В. Оболочка системы решения задач прогнозирования в медицине //Нейроинформатика и её приложения: Материалы VIII Всероссийского семинара., Красноярск: ИПЦ КГТУ, 2001, С.202 203.

89. Шевченко Ю.Л., Шихвердиев Н.Н., Оточкин А.В., Прогнозирование в кардиохирургии. СПб: Питер Паблишинг, 1998. - 208с. - (Серия «Практическая медицина»).

90. Шкурина Г.Л., Щербаков М.В. Представление знаний эксперта для решения задачи прогнозирования в медицине. /Шейроинформатика и её приложения: Материалы VIII Всероссийского семинара., Красноярск: ИПЦ КГТУ, 2001, С.201.

91. Щербаков М.В. Извлечение знаний эксперта о предметной области для формирования нейронной сети // VI Региональная конференция молодых исследователей Волгоградской области., Тезисы докладов, РПК "Политехник" Волгоград 2002 . С. 161 - 162.

92. Assilian, S. and Е.Н. Mamdani, «An experiment in linguistic sythesis with a fuzzy logic controller» Int. Journal of Man-Machine Studies, Vol. 7. pp. 1 -13, 1974.

93. Baron A.R. Universal approximation bounds for superposition of sigmoidal function //IEEE Transactions on Information Theory 1993, vol. 39, P -930-954.

94. Barto A.G., Connectionist learning for control, in Neural Networks for control, MIT Press, Cambridge, Massachsets, pp. 5-58, 1990.

95. Cybenko, G. Approximation by superpositions of a sigmoidal function. Mathematics control, Sygnal & System, Vol. 2, pp. 303-314, 1989.

96. Chen L. and Narendra. K.S. Nonlinear adaptive control using neural networks and multiple models. Automatica, special issue on neural network feedback control, 37(8): 1245-1255, 2001.

97. Constantin, N. Dumitrache I. Multimodel Adaptive Control. Proc. Inter. Conf. CSCS11, 1, pp. 259-264, Bucharest. (1997)

98. Nardi Flavio, Neural Network based Adaptive Algorithms for Nonlinear Control PhD Thesis Georgia Institute of Technology, 2002

99. Nicolae Constantin Adaptive Neural Predictive Techniques for Nonlinear Control

100. Kosko, B. Neural Networks and Fuzzy Systems: a dynamical systems approach to machine intelligence. /Prentice Hall, Englewood Cliffs, New Jersey 1991.

101. Levin A., Narendra K.S. Control of nonlinear dynamical systems using neural networks: controllability and stabilization IEEE Transactions on Neural Networks, Vol. 4, No. 2., 192-206 March 1993.

102. Miller W.T. R.S. Sutton, and P.J.Werbos, Neural Networks for control, MIT Press, Cambidge, MA, 1990.

103. Miller W.T. Ill, "Real-Time Neural Network Control of a Biped Walking Robot", IEEE Control Systems magazine, vol. 14, no. 1, pp. 41-48, 1994.

104. Narendra K.S., Parthasarathy K. Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks., l(l):4-27, March 1990.

105. Narendra K.S., Cheng Xiang. Adaptive control of discrete-time systems using multiple models. IEEE Transactions on Automatic Control, 45(9): 1669-1686, September 2000.

106. Neural Systems for Control O.M.Omidvar and D.L.Elliott,editors,Copyright 1997 by Academic Press,ISBN:0125264305 and is posted with permission from Elsevier. http://www.isr.umd.edu/ .delliott/NeuralSystemsForControl.pdf

107. Werbos P.J. Overview of designs and capabilities, Neural Networks of Control, MIT Press, Cambridge, MA, pp. 59-65, 1990.

108. Zadeh L.A. Fuzzy Sets // Inform, a. Control. 1965. - Vol. 8, №3. -P. 338-353.