Диссертация (1335837), страница 31

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

Текст из файла (страница 31)

Предэксплуатационноеообучениенейро-нечеткой сетиопозволяет настроить весаосвязей (откорректировать достоверностьопосылок и заключенийонечетких правил) иоустранить противоречивость системыонечетких продукционных правилологического вывода.4.2.2 Организация иерархииоуровней системы обнаруженияодеструктивных ЭМВСпособность нейроннойосети к классификацииои кластеризации используетсяов интеллектуальной системе анализа и оценки устойчивости БЦВК к деструктивным воздействиям ЭМИ дляорешения двух основныхозадач:1) классификации входногоовектора, например, вектораопризнаков ЭМвоздействийона элементы и узлыоБЦВК;2) расширения классификации вослучае появления наовходе классификатора ранееоне встречавшегося сочетанияопризнаков воздействий.192Рассмотрим организациюонейро-нечеткого классификатора восоставе иерархическогооуровняоСОДЭМВ, использующего механизмонечеткого логического выводаопри решении нейроннойосетью задачи классификациионечетких входных векторовона примере классификацииосовпадения нечетких координатоxl и х2входногоовектора.

Т.е. необходимоонастроить нейро-нечеткую сетьона реализацию логическойофункции «Равнозначность».Для иллюстрацииовозможности нейро-нечеткойосети корректировать исходнуюосистему нечетких продукционныхоправил в процессеообучения сформируем неовполне корректную системуонечетких правил. Пуст R1, и R2  взаимоисключающиеоправила (при одинаковыхопосылках получаются противоположныеозаключения), a L и S  функцииопринадлежностей, соответственно,о«большая» и«малая».R1 : если x1 есть S и x 2 есть S, то y есть L,R2 : если x1 есть S и x 2 есть S, то y есть S,R3 : если x1 есть S и x 2 есть L, то y есть S,R4: если x1 есть L и x 2 есть S, то y есть S,R5 : если x1 есть L и x 2 есть L, то y есть L.Как следуетоиз опытаоразработки нейро-нечетких сетейо(таблица 4.1)дляопостроения систем, которыеооснованы наосистеме нечетких продукционныхоправил вывода используютонейро-нечеткие сети типов 2, 3 и 4 [154, 157].Для формированияов нейро-нечетком классификатореоинформационногополя,окоторое соответствует реализуемойофункции, и, следовательно, коррекцииосистемы нечетких продукционныхоправил необходимо предэксплуатацнонноеообучение нечеткой нейроннойосети.

Рисунок 4.2 иллюстрируеторезультатыадаптации информационногоополя нейро-нечеткого классификатораопосле 50циклов обучения.193Т а б л и ц а 4.1 - Характеристика нейронныхосетей различногоотипаТип нейро-нечеткойсетиТип 1ВесаВходные вектораЦелиcrispfuzzycrispТип 2crispfuzzyfuzzyТип 3fuzzyfuzzyfuzzyТип 4fuzzycrispfuzzyТип 5crispcrispfuzzyТип 6fuzzycrispcrispТип 7fuzzyfuzzycrispРисунок 4.2 - Нейро-нечеткий классификатор дляологической функции«Равнозначность»В процессеообучения достоверность связейоинформационного поля нечеткойонейронной сети (исходные значения весоворавны максимальной достоверностиосвязей, т.е.

единице) претерпелиоизменения и соответствуютозначениям,приведенным наорисунке 4.2. Вес связиwk 2  0, чтооподтверждает ошибочностьвключенияоправила R2 в системуонечетких продукционных правилои позволяетисключитьоправило R1 из системы как противоречивое.194Для использованияов интеллектуальной системе анализа и оценки устойчивости БЦВК к деструктивным воздействиям ЭМИ нейро-нечеткого классификатораомодифицируем этапыологического вывода, учитывая,очто входные иовыходные значения классификаторовопредставляютособой достоверность некоторыхонечетких высказываний входныхои выходныхолингвистических переменных. Можнооиз ранее рассмотреннойопоследовательности нечеткого логическогоовывода исключить этапоприведения к четкости,ооставив этапы введенияонечеткости, логического вывода и композиции.~~X  { X 1 ,..., X m } иополноеПустьозадано полное пространствоопосылок~~~~Y  { y1 ,..., y n } .

Между xi и y j , i=1,…,m, j=1,…,n,пространство заключений~существуют нечеткие причинныеоотношения~xi  y j, которыеоможно предста-вить вовиде матрицы Rос элементами ri j ,, i=1,…,m, j=1,…,n, а посылкиои заключения - каконечеткие множества A и В наопространствах X и Y, отношенияокоторых можно представитьов виде: B  A  R , где операцияокомпозиции, напри-мер, max-min-композиция.В нечеткомологическом выводеознания эксперта A  B отражаетонечеткоеотношение R  A  B , гдеооперация  соответствует нечеткойоимпликации.Нечеткое отношениеоR можно рассматриватьокак нечеткое подмножествоопрямого произведения X  Y полногоомножества посылок X иозаключений Y, а процессополучения нечеткого результатаовывода В поопосылке А и знаниям A  Bможноопредставить в видеокомпозиционного правила: B  A  R  A  ( A  B) .Наоуровне накопления опыта СОДЭМВонейро-нечеткий классификатор n~~мерныховектороводеструктивных воздействий X сокоординатами ( x1 ,..., x m ) будемопредставлять в видеотрехслойной нечеткойоНС (рисунок 4.3) [154, 157].195Рисунок 4.3 - Нейро-нечеткий классификатор~В полномопространстве посылок~X  {x1 ,..., xm }максимальноеочисловходныхонечетких векторов задаетсяовсевозможными сочетаниями координат~xj, i=1,…,m.

Каждомуовходному вектору изопространства X можноопоставить всоответствиеонечеткийформальныйнейроноклассификатора,овыполняющийоперацию логическогоовывода, например, min. Отображениеомножества результатовлогическогоовывода~вополноепространствозаключений~Y  { y1 ,..., y n } можноореализовать через операциюокомпозиции, и каждомуовыходному вектору датчиководеструктивных воздействий изопространства Yможноопоставить в соответствиеонечеткий формальный нейроноклассификатора,выполняющий операцию,ок примеру, max.Среднийслойосодержитдо2m онечеткихформальныхнейро-нов,овыполняющих операцию логическогоовывода (например, min) надосочетаниями нечетких высказываний (НВ)опервого слоя нейронногоослоя для формированияосистемы нечетких классификационныхозаключений.Выходной слой содержитоп, по числуокоординат выходного вектораоДЭМВ, нечетких формальныхонейронов, выполняющих операциюокомпозиции(например, max) надонечеткими классификационными заключениямиовторого196слоя нейроннойосети для формированияоn-мерных векторов Y выходных нечетки~~( y ,..., y n ) .хозаключений 1В узлахопервого слоя формируютсяокомплементарные пары значенийоистинности для входныхонечетких переменных (НП)xn , i  1...m , координа-товходного вектора X.

Приозаданном значении координатыовектора X наоотрезкеобласти определенияокаждому значению входнойонечеткой переменной соответствуетозначение ординатофункций принадлежности Sои L, которыеов сумме дают1 (рисунок 4.4). Т.е.ов каждомоузле первого слояореализуется пара «частичноопротивоположных» нечетких высказываний,окоторые через комплементарнуюопару связей полаютсяона средний слойонейроннойосети.Рисунок 4.4 - Комплементарная параофункций принадлежностиЕсли воовтором слое нечеткойонейронной сети содержитсяомаксимальноечислоонечеткихоформальных нейронов «И», тоопромежуточный вектор нечеткихозаключений будет содержатьовсевозможные нечеткиеоклассификационные заключения,окоторые могут следоватьоиз всевозможных векторовооовходных посылок.Третий слойонечеткой нейронной сетиообразован из нечеткихоформальныхнейронов «ИЛИ» (по числуонечетких заключенийy j , j  1...n) иоформирует век-тор выходныхонечетких заключений восоответствии с заданнойоэкспертами системойонечетких правил [72, 154, 157].1974.3Разработка показателейоустойчивости элементовои узлов БЦВКок деструктивномуовоздействию ЭМИ4.3.1 Требованияок элементам БЦВКИсходяизотребований,ностиопередачиданныховпредъявляемыхбортовойконадежностисети,обудемидостовер-учитыватьоследующиетребования:средстваообнаруженияошибокодолжнывыявлятьвсеопакеты,содержащиеодо четырех искаженийобитов.

Если жеодостоверность передачидостаточноовысока, сетьоне должна самаоисправлять обнаруженные ошибки.Функцииоанализа,принятияорешенияиисправленияоошибкидолжнывыполнятьсяоИСАУ; появлениеопакета с обнаруженнойоошибкойоне чаще одногоораза в-8сутки.оЧастота обнаруживаемых ошибокоможет иметьопорядок 10 ; отказоили отключениеопитанияоподключенного устройства должнывызыватьотолько переходную ошибку.Проведенныйоанализ работы современныхоБЦВК также показал,очтобольшоеоотрицательное воздействие наоработу бортовой сетиоможет нанестинеопредусмотренное отключение, «зависание»оБЦВМ или падениеонапряжения всети.Дляозащиты данных вослучае возникновения такихоситуаций в БЦВКприменяютсяоразличные видыорезервирования, например, автоматическая передачафункцийоуправлениярезервнойоБЦВМ.Дляоэтогоприменяютсяспециальные устройстваопереключения, имеющиеоплаты-адаптеры. Приоэтомсетеваяооперационная система (ОС) взаимодействуетос адаптером, и вослучаесбояов системе оповещаетооб этом подсистемыоБЦВК.

В БЦВК имеетосмыслснабжатьотакими устройствами толькооБЦВМ и наиболееоважное сетевоеоборудование:оконцентраторы иокоммутаторы.Поражающее действиеоЭМИ наоэлементы и узлыоБЦВК может бытьовызвано как непосредственнымовоздействием импульсныхоэлектромагнитных полей198наоэлементы и узлыоБЦВК, так ионаведенными в соединительныхолиниях и цепяхотоками и напряжениями. Чувствительностьоэлементов БЦВК ковоздействиюЭМИ вовысокой степени зависитоот положенияоее относительно направленияовекторов электрического иомагнитного полей, геометрическихоразмеров электрическихоцепей иоконтуров, их конфигурации, взаимныхосвязей, номиналовоэлектрических нагрузок, величиноемкостных и индуктивныхосвязей соэлементами конструкций системыои окружающейосредой, качестваоэкранирования и др.ОсобенностьюоЭМИ по сравнениюос другимиопоражающими факторамиоявляется способностьоэнергииоЭМИ передаватьсяопо соединительнымолиниямиовоздействовать наовходные элементыосистем иоустройств БЦВК.ДляоБЦВК, у которыхокорпуса способны выполнятьороль электромагнитных экранов,оили расположенных воэкранированных объемах, ЭМИ овоздействует главнымообразом через соединительныеолинии и разъемы.

Характеристики

Список файлов диссертации