Диссертация (1152200), страница 11
Текст из файла (страница 11)
Локальный режим экспертной системы позволяетпроводить ее обучение в условиях, когда затруднено применение имеющейсясистемы связи.Так, информационный аспект (база данных) отражает обеспечение системыопределенной информацией. В этих условиях необходимо пересмотреть ранееимеющиеся мнения - чем больше база данных, тем более качественным будетрешение.Имеющейсясистемы разрешаеттехнический и технологический потенциалсоздать почтипо разнымэкспертнойвопросам такой объем базы,который за выделенное, обычно весьма короткое время экспертная системапросто не в состоянии использовать.
Следовательно,для выполнения задачнеобходима не просто информация, а только релевантная информация, а именнота, которая достаточно объемно характеризует главные направления проблемы,т.е. не имеет малозначимых подробностей и второстепенных, не относящихся поданной теме сведений.64ПодсистемавводаданныхИнтерфейспользователяПользовательПодсистема генерациивыработок приобретенныхзнанийИнтерфейсуправленияБАЗА ДАННЫХ(БД)оптиковолоконныйспектрометрUSB4000Подсистемауправления даннымиПодсистема расчетапоказателей качествананокристаллическихзащитных метокизмеренийПодсистемаанализа иотображенияданных в БДПодсистемагенерацииотчетовИнтерфейсэкспертаИнженер по знаниям +экспертРисунок 7 - Структура экспертной системы контроляСледует планировать развитие экспертной системы с позиций постепенногоее формированиясистемев соответствии с ее идеальной концепцией при наличии вдостаточносовершеннойэкспертнойтехнологии,чтоустранитвозникающие противоречия в технических заданиях и заказа комплектующих, атакже устранит в подобных случаях ненужные разработки.65В случае несанкционированного вторжения в базы знаний и программноеобеспечение защита осуществляется посредством интеграции в соответствии сразработанными производителями аппаратными и программными средствамизащиты.Если конечные пользователи не обладают специальной подготовкой, то дляэтих целей имеетсяупрощенная версия программного обеспечения, котораяобеспечит работу экспертов.Трансформациясистемыпринастройкеимодификацииперечняконтролируемых значений, а также настройка диапазонов соответствия позволяетприменятьразработаннуюсистемувразличныхкластерахпищевойпромышленности.Диспетчерскаясхемаприменяетсяв тех условиях, при которыхсодержание требуемых данных необходимо при работе большого количестваэкспертов, размещенныхэкспертныхцентрах,во многих частях (например, во всевозможныхкоторыемогуттерриториальных серверах).
Тогдабытьлюбойрасположеныэкспертнаразныхчерез программноеобеспечение компьютера сможет осуществлять обучение в режиме онлайн,используя различные электронные сервисы.При выполнении задач экспертной системы удаленно,база данныхрешаемых задач, поступающих от инженеров по знаниям и экспертов, находитсяв едином реплицируемом хранилище.3.5.
Пользовательский интерфейс автоматизированной системы контролякачества по спектральным характеристикам нанокристаллическихзащитных меток для изделий пищевой промышленностиС учетом физических особенностей защитных нанокристаллических метокпредложен способ постановки задачи, которая основана на формировании базыданных и базы знаний, на непрямых физико-химических значениях защитныхнанокристаллических меток с их спектральными данными.66Отличиемразработаннойтехнологииявляетсяинтеллектуальнаякомпьютерная система идентификации, которая выражена в возможности приобученииновыми данными и знаниями, при распознавании многомерныхспектральных информаций на базе имеющихся теорий распознавания образов,нечетких множеств, экспертных систем[84, 87].Для ЭС были разработаны следующие математические модели, которыепроведены на тестовых экспериментальных данных [52].
Для эксперимента вкачестве тестового примера были выбраны 6 отсчетов 6-ти эталонныхлюминесцентных спектровSk= (Sk1,…..Skm…..,Sk6)T(k=1,2,…,6; m=1,2,…,6), приведенные на рисунке 8.Средняя вариация Var спектров составляет 13%. При этом:∑∑∑⟨ ⟩⟨∑16⟨⟩(1 )⟩Задача заключается в исследовании зависимости ошибки различияэталонных спектров из таблицы 2 от амплитуды аддитивной помехи H.В этом случае наблюдаемый спектр Z выражается как:, где 1,2,3 … , К.(2)Таблица 2Эталонные спектры SСпектрыs1s20,08S119,0010,005,0020,007,0015,000,14S217,0013,009,0018,0011,0013,000,18S316,0014,003,0021,006,0016,000,14S420,009,007,0022,008,0011,000,12S519,0011,005,0017,0011,0015,000,11S621,0011,009,0019,008,0013,00〈〉18,6711,336,3319,508,5013,83Var0,13Varks3s4s5s667Все К эталонных спектров находятся в БД экспертной системы.Необходимо построить решающие правила отнесения неизвестного спектра Z кодному из К эталонных спектров .Рисунок 8 - Эталонные спектры S.В имитационном модельном эксперименте помеха генерировалась, каквектор H = (h1, h2,.., hm)T равномерно распределенных величин:hm=H0*Sm*(1-2*СЛЧИС( )),(3)где СЛЧИС( )- величина, равномерно распределённая в интервале (-1,1), аH0 - максимальное отношение амплитуды помехи к амплитуде полезного сигнала(3).Для различения эталонных спектров в смеси (2) использовались следующиемеры сходства (4) из теории нечетких множеств [87]:µ , ,∑µ , µ ∑∑, (4)∗∗∗ ∑∗11∑̃̃68где и – Гильберт-образы векторов иподбираемые1, а параметрысоответственно, а иn–(в имитационном эксперименте все20).Рассмотрение статистики в различных опытах (событиях) помехи с разнымиданными отношения помеха/сигнал H0 делает вывод, что определять эталонныеспектры значительно проще при применении правила: если хотя бы две мерысходства указывают на один и тот же эталонный спектр, то решаетсяв егопользу.
В остальных случаях принимается решение об ошибке.На рисунке 9 приведена зависимость ошибки различения эталонных спектровот значения отношения помеха/сигнал H0. Как видно из рисунка, что уровеньошибки различения (количество неправильных решений на 100 реализацийпомехи) эталонных спектров зависит нелинейно от значения отношенияпомеха/сигнал H0. При этом ошибка равна нулю при H0 = 9% и достигает 5% приH0=13%.Рисунок 9 - Зависимость ошибки различения эталонных спектровотношения помеха/сигналПри организации любого процесса возникает задача контроля показателей,как самого процесса, так и продукции.
Графическое отображение динамикипроцесса, характера изменения показателей, параметров или любых другиххарактеристик создает решающую сеть (рисунок 10). Основным предназначением69решающей сети является определение контролируемости процесса, что позволяетразличать влияния особых факторов от естественной вариации процесса.Рисунок 10 - Программная реализация решающей сетипо коллективным мерам сходстваВ статусе квазинейронной сети представленадействующаяэксклюзивнаясеть,по принципу «победитель получает все» (Winner-take-all) [5].Структура сети представлена на рисунке 11.В созданной сети каждый из 6-и квазинейронных слотов первого слояхранит эталонные сигналы Sk (k = 1, 2, …, 6), показанные на рисунке 11.
Каждыйиз 6-и квазинейронных слотов последующих слоев хранит отклики всех70квазинейронныхслотовпредыдущихслоевнаэталонныесигналы,последовательно поданные на вход сети в отсутствии помех.Отклик каждого нейрона на любой входной сигнал – вектор X формируетсякак степень косинуса угла между входным вектором X и эталонным вектором S:cos2n(XS).
Для решаемого далее исследованияn = 20, что дает большуюнелинейность – резонансный отклик квазинейронного слота на входной сигнал.Рисунок 11 – Структура нейронной сети, разработанная А.Е. КрасновымМодель идентификации по коллективным мерам сходства с использованиемнейросетевых технологий показана на рисунке 12, где БПКР обозначено как блокпринятия коллективных решений [88].71Решающая сеть Z Нейронная сеть 1БПКРНейронная сеть 2Рисунок 12 - Модель идентификации по коллективным мерам сходства сиспользованием нейросетевых технологийРезультаты проведенного эксперимента отображены на рисунке 13.Рисунок 13 - Ошибки различения эталонных спектровРисунок 13иллюстрирует зависимость ошибки различения эталонныхспектров от значения отношения «Помеха/Сигнал» для многокритериальной инейросетевой технологий, где показаны:- по оси абсцисс – значения (%) отношения «амплитуда помехи /амплитудасигнала»;- по оси ординат – значения (%) ошибки распознавания (различения);72-ромбики–зависимостьдлямногокритериальногоалгоритмараспознавания;- квадратики – зависимость для нейросетевого алгоритма распознавания.Демонстрациярисунканагляднопоказываетстепеньпреимуществанейросетевой технологии различения сигналов на фоне сильных помех.
Так,например, в предлагаемой технологии ошибки различения начинают проявлятьсялишь при отношении «амплитуда помехи /амплитуда сигнала» > 15%, в то времякак при многокритериальном подходе – при отношении «амплитуда помехи/амплитуда сигнала» > 9%Разработанная квазинейросетевая технология различения сигналов, хотя ипроектировалась для создания защитных нанокристаллических меток, но в силусвоей обширности может быть использована для определения любых сигналов,просматриваемых на фоне сильных помех.Таким образом, проведенные исследования показывают, что при созданииразличных нанокристаллических защитных меток необходимо стремиться к тому,чтобы соответствующие им люминесцентные спектральные коды имеливарианты, не менее чем 1,5 раза превышающие уровень возможных различныхпомех.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
