Диссертация (1335837), страница 21

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 21)

Активацияоиейросетевой базыознаний аналогичнаоизвлечению правила IF-THEN (rule extraction) из информационного поляонейроннойосети.Видоизменяются также и функцииоблокаологическогоовывода, которыйоперируетоуже нечеткимиорассуждениями исходяоиз потокаоданных вонейросетевой экспертной системе.2.4.3 Нейро-нечеткиеометоды дляообнаруженияодеструктивных ЭМВОбъединениеовозможностей нейронныхосетей и нечеткойологики являетсяонаиболее перспективнымоподходом к организацииоинтеллектуальных системообнаружения деструктивных ЭМВ наоэлементы иоузлы БЦВК.Согласноотаблице 2.3 именноосистемы HЛ, которыеокомпенсируют две основные «непрозрачности» НС: вопредставлении знанийои объясненийорезультатов работыоинтеллектуальнойосистемы, наилучшимообразомодополняют нейронныеосети.

Нечеткаяологика позволяетоформализоватьокачественную информацию, полученнуюоот экспертов в даннойообласти знаний, и овеществитьоих всистеме нечеткихоправил, позволяющихотрактовать результатыоработы системы.Нейронныеосетиодают возможностьоотобразить алгоритмыонечеткого логическогоовывода в структуре НС, вводя тем самым в информационноеополе сетиоаприорную информацию, которая в процессеопредэксплуатационного обученияоможет корректироватьсяоаналогично случаюонейросетевой экспертнойосистемы, рассмотренномуовыше.В нечеткихоНС свойствооадаптивности позволяеторешать не только отдельноовзятые задачиоидентификации ЭМВ с имеющимисяов системеошаблонами, но и автоматическиоформировать новыеоправила при измененииополяоЭМВ.Нейро-нечеткая системаопредставляет собой НС (рисунок 2.11), которая являетсяоадаптивным функциональнымоэквивалентомонечеткой моделиовывода,например, алгоритма Mamdani [72, 157].119Layer 1Crisp inputsLayer 2InputmembershipfunctionsA1 μA1R1A2R2x1x1x1Layer 4OutputmembershipfunctionsLayer 3Fuzzy rulesμA2μR1μR2C1wR3x1A3R3μA3x2x2x2μB1μR3wR2wR4R4μB2μR5B2μC1wR5μR4B1Layer 5DifuzzicationwR1wR5yμC2C2R5μR6μB3x2B3R6Рисунок 2.11 - Нейро-нечеткая сетьОсновныеоэтапы нечеткогоологического выводаонепосредственно отраженыов распределенииоспециализации по слоям НС:а)введениеонечеткости(fuzzification)выполняетсяослоемвходныхфункцийопринадлежности A1-A3 B1-B3 (input membership functions), осуществляющихопреобразование каждогооиз четкиховходныхозначений и crisp inputs встепеньоистинностисоответствующейопредпосылкиодлякаждогооправила Ai ,  Bi , i  1,2,3;б)R1-R6нечеткомуологическому выводуосоответствуетослой нечеткихоправил(fuzzyrules),которыйопостепениоистинностипредпосылок Ai ,  Bi , i  1,2,3 формируетозаключения поокаждому из правил  Ri , i  1  6  со-ответствующиеонечеткие подмножества;120в)композицияонечеткихоподмножеств  Ri , i  1  6 производитсяослоемвыходныхофункцийопринадлежности C1 ,C2 (output membership functions) с цельюоформированияонечетких подмножеств  Ci , i  1,2;г)объединение (aggregation) нечеткихоподмножеств  Ci , i  1,2 и приве-дениеок четкости (dcfuzzification) выполняетсяововыходном слоеои приводит кформированиюовыходного четкогоозначения у.Какоиовослучае нейросетевыхоэкспертных системосуществует необходимостьокоррекции информационногоополя нейро-нечеткой системыопутем предэкслуатационногоообучения [72, 157].Знания экспертовопо проблемнойообласти или данныхоэкспериментальныхисследований, представленныеов формеонечетких переменныхои нечетких правил, могутобыть прозрачнымоспособом отраженыов структуреонейро-нечеткойсети.

Последующееообучение нечеткой НС позволяетоне толькоонастроить весаосвязей (т.е. откорректироватьодостоверность отдельныхонечетких правил),нооиоустранить противоречивостьосистемыонечетких правилов целом.В случаеоотсутствия априорнойоинформации пооданной предметнойообласти, ноопри достаточномообъеме обучающейовыборки нейро-нечеткая сеть автоматическиопреобразует скрытые в данныхообучающей выборкиозакономерностивосистему правилонечеткого логическогоовывода.ANFIS - адаптивнаяонейро-нечеткая системаСпециализированнаяонейросетевая структура, ориентированнаяона извлечениеознаний в видеосистемы нечеткихоправил изоданных обучающейовыборки,характеризующаясяохорошей сходимостью, известнаопод названиемоадаптивнойнейро-нечеткойосистемы вывода  ANFIS (Adaptive Neuro-Fuzzy Inference System)[72, 157].ANFIS являетсяофункциональным эквивалентомонечеткойомодели выводаопо алгоритму Sugeno, которойосоответствует следующаяосистема нечеткихправил121R j : IFx1isA1 ANDx2isA2 AND...xmестьAm , THENy  f j  f ( x1 , x2 ,...xm ), j,(2.21)где x1 , x2 ,...xm  входныеопеременные,A1 , A2 ,...Am  нечеткиеомножества,y  fj либооконстанта, либоолинейная функцияовходных переменных,j  число нечеткихоправил восистеме.Например, еслиосистема нечеткихоправил имеетовид:Rule 1: IF x1 is A1 AND x2 is B1 THEN y  f1  k10  k11x1  k12 x2 ;Rule 2: IF x1 is A2 AND x2 is B2 THEN y  f 2  k 20  k 21 x1  k 22 x2 ;Rule 3: IF x1 is A2 AND x2 is B1 THEN y  f 3  k30  k31 x1  k32 x2 ;Rule 4: IF x1 is A1 AND x2 is B2 THEN y  f 4  k 40  k 41 x1  k 42 x2 ;то нейро-нечеткой системеоANFISобудетосоответствоватьоструктура (рисунок2.12).Layer 1Layer 2Layer 3Layer 4A1Π1N11A2Π2N22x1 x2Layer 5Layer 6x1B1Π3N33B2Π4N44yx2Рисунок 2.12 - Архитектура нейро-нечеткой системы ANFISВведениеонечеткости выполняетсяослоем функцийопринадлежностиA1-A1,B1-B2оосуществляющих преобразованиеовходных значенийоx1 и x2 в степеньоистинности соответствующейопредпосылкиодляокаждого из 4-х правил.122Нечеткомуологическому выводуосоответствует слойонечетких правил R1R4 (соответствующие нейроны обозначены П1-П4), которыйопо степениоистинности предпосылокоформирует заключенияопоокаждомуоиз правил, используяооперацию prod:4 Rj    k , j  1  4k 1.(2.22)Слой нейроновоN1-N4 выполняет функциюонормализации Nj  Rjk 1  Rj4, j  1 4,(2.23)а композиция производится слоем выходных функций принадлежности 1-4 Oj   Nj (k j 0  k j1 x1  k j 2 x2), j  1  4Объединениеонечеткихоподмножеств0 j , j  1  4.(2.24)и приведениеок четко-сти выполняетсяововыходном слое и приводиток формированиюовыходного четкогоозначения y [72, 157].2.5 Выводыопо главе1.

Проведенныйоанализлитературныхоисточников показалонеобходимо-стьоиспользования для разработкиоадаптивных средствообнаружения деструктивныхоЭМВ на элементыоиоузлы БЦВК интеллектуальныхомеханизмов нейронныхосетей, нечеткойологики и гибридных, в частности, нейро-нечетких систем, а такжеометодов генетическихоалгоритмов иоэволюционных процессовонаследования, развития, адаптацииоиоотбора.2. Проведенныйоанализсуществующихоподходов примененияоинтеллек-туальных средстводляорешения задачиообнаружения деструктивныховоздействийнаоэлементы и узлы БЦВК показал, что наиболееочасто используемымоподходомпри разработкеоадаптивных средствообнаружения деструктивныховоздействийявляетсяоиспользование нейронныхосетей илиогибридных системона ихооснове.1233.

Показано, что включениеонечеткой логикиов составонейросетевых средствообнаружения деструктивныховоздействий позволяетоучитывать априорныйоопыт экспертов, реализоватьоприсущее нейроннымосетям нечеткоеопредставление информации, извлекатьознанияоизовходных неполныхоионе вполнеодостоверныходанных.4. Предложеноопри разработкеоадаптивных средствообнаружения деструктивныхоЭМВ на БЦВКоиспользовать такиеосвойства нейронныхосетей, как: возможностьоклассификации признакововоздействий, представлениеосистемой нечеткихопродукционных правил, адаптивностьоНС и системыонечетких продукционныхоправил, «прозрачность»одляоанализа системыонечетких продукционныхоправили структурыомежнейронных связейонечетких нейронныхосетей.5.

Предложеноодля предэксплуатационногоообучения нечеткихонейронныхсетейоиспользоватьмеханизмонечеткогологическогоовывода,позволяющийпредставитьоопыт экспертовов видеосистемы нечеткихопродукционных правил.Последующееообучениеонечеткой НС позволяетоустранить противоречивостьсистемыонечетких продукционныхоправил и провестиоанализ процессаологического выводаодля коррекцииосистемыонечетких продукционных правилоадаптивных средствообнаружения деструктивных ЭМВона БЦВК.6. Проведенныйоанализ показателейодля оценки устойчивостиоБЦВК кодеструктивному ЭМВ показал, что известныеооценки отражаютостатическое состояниеокомплекса, не учитываютодействительную загруженностьоузлов и подсистем БЦВК поообнаружению ЭМВ, динамикуоизменения характераоЭМВ, возможностьоадаптации средствообнаружения ЭМВ, неодают указаний наоизменение составаодатчиков, механизмовозащиты, структурыосистемы обнаруженияодеструктивных ЭМВ.7.

Показанаонеобходимость разработкиомодели нейросетевойосистемы обнаруженияодеструктивных ЭМВона БЦВК.124ГЛАВА 3 МОДЕЛИ ВЗАИМОДЕЙСТВИЯ МОЩНЫХ ИМПУЛЬСНЫХЭЛЕКТРОМАГНИТНЫХ ПОЛЕЙ С ЭЛЕМЕНТАМИ БЦВКВ главе рассматриваются принципы построения перспективных БЦВК набазе высоко интегрированных модульных бортовых средств обработки информации на основе высокоскоростных сетевых интерфейсов, которые обеспечиваютсовершенно новые качества и характеристики (масштабируемость, реконфигурируемость, надежность, стойкость, повышенную производительность и пропускную способность).Анализ существующих подходов к оценке воздействия электромагнитныхимпульсов на подсистемы современных БЦВК показал необходимость разработкиновых расчетных моделей оценки воздействия ЭМИ на элементы и узлы БЦВК свозможностью их интеграции в рамках единого комплекса, позволяющего проводить интеллектуальный анализ и оценку параметров искажений информационного потока в системе для предотвращения деструктивного действия ЭМИ на БЦВК[134].Расчетно-экспериментальная оценка стойкости аппаратуры БЦВК подразумевает совмещение экспериментальных и расчетных методов.

В тех случаях, когда не представляется возможным испытать образец в целом (из-за его большихгабаритов), требуется проводить испытания отдельных составных частей изделияс использованием ЭМП имитаторов, а реакция протяженных элементов изделия(кабельных линий и др.) оценивается расчетным путем. И тогда оценка стойкостиэлементов и узлов БЦВК проводится путем испытаний, а при использовании математического моделирования, которое позволяет учитывать функциональныесвязи составных частей при разных условиях применения аппаратуры, оценивается работоспособность всего комплекса.Выбор метода оценки стойкости аппаратуры зависит от этапа ее разработки.На ранних стадиях, как правило, применяются расчетные методы и лабораторныеиспытания с применением генераторов ЭМП, генераторов тока и напряжения, на125последующих - экспериментальные или расчетно-экспери-ментальные методы сиспользованием имитаторов ЭМП [134, 152, 150].Оценка стойкости объекта к действию ЭМП включает в себя определениепараметров электромагнитных полей, которые воздействуют на составные части,находящиеся в разных условиях (в полете, на открытой площадке, с электромагнитной экранировкой и др.), и последующую оценку воздействия этих ЭМП наработоспособность составных частей и БЦВК в целом.

И при этом расчетнаяоценка стойкости должна быть перед экспериментальной оценкой.При анализе используются: технические условия и технические описания накомплекс и его составные части; функциональные и принципиальные схемы аппаратуры; конструкторские и монтажные чертежи; справочные данные о стойкости к ЭМП комплектующих изделий; результаты испытаний аналогов составныхчастей объекта и их элементов.Для достоверной оценки стойкости БЦВК к воздействию СКИ ЭМП требуется проведение комплекса исследований по разработке новых расчетных моделей оценки воздействия полей СКИ ЭМП на элементы и узлы БЦВК, разработкеметодик испытаний и проведение испытаний, исследование эффективности применяемых конструктивных и схемных средств защиты аппаратуры в наносекундном временном диапазоне.Для достижения поставленной цели предлагается использовать подход, прикотором проводится анализ модели БЦВК.

Характеристики

Список файлов диссертации