Нейросетевая идентификация состояний сложных систем с использованием распределенных информационных объектов

Современный уровень развития сложных систем природного или техногенного происхождения (ПТП), содержащих распределенные физические объекты, вызывает необходимость решения как теоретических, так и практических задач идентификации их состояний. Решение задач идентификации существенным образом определяется уровнем развития современных информационных технологий в области систем мониторинга и контроля, а также теоретических разработок в области описания состояний сложных систем [70]. Структурирование информации необходимо при консолидации данных в различных областях науки и техники: физике, экономике, медицине, геологии и пр. Применяются модели в виде информационных систем с сосредоточенными параметрами, состояние которых в каждый момент времени характеризуется вектором конечной размерности, и в виде распределенных информационных систем, информационные элементы которых характеризуются пространственными координатами.

Проблема идентификации состояний сложных систем ПТП связана" не только с их распределенностью и нелинейностью, но и с возможным отсутствием или неполнотой априорной информации о внутреннем устройстве исследуемой системы и закономерностях ее функционирования. В этом случае основным подходом к построению моделей сложных систем остается использование экспериментальных данных об их функционировании. Таким образом, актуальными являются теоретические исследования и практические разработки в области идентификации состояний сложных систем ПТП.

Системы мониторинга и контроля (СМиК) обеспечивают получение измерительной информации о параметрах физических объектов, входящих в состав сложных систем ПТП. Информация накапливается и структурируется с применением современных методов преобразования информации, при этом образуются достаточно сложные информационные объекты, имеющие обычно топологически распределенную иерархическую структуру. Такие объекты будем называть распределенными информационными объектами (РИО). Существует множество определений информационного объекта. Во-первых [73], это описание некоторой сущности (реального объекта, явления, процесса, события) в виде совокупности логически связанных реквизитов (информационных элементов). Такими сущностями для информационных объектов могут служить физические объекты, образующие сложные системы природного или техногенного происхождения. Во-вторых [72], информационный объект — обобщающее понятие, отражающее структуру информации в информационной системе (элемент, база данных, таблица, гипертекст, гипермедиа).

Основные отношения между информационными объектами подчиняются, в первую очередь, закономерностям синтаксиса и семантики. Известно более ста типов структурообразующих отношений, позволяющих объединять отдельные информационные объекты в единое информационное пространство. Информационная модель сложных систем ПТП с использованием РИО строится посредством нейросетевой идентификации состояний таких систем по результатам мониторинга параметров физических объектов, образующих сложную систему ПТП.

С точки зрения решения задач мониторинга и контроля сложных систем ПТП наибольший интерес представляют совокупности РИО в видё семантических сетейотражающих семантические связи между значениями’параметров физических объектов и состоянием сложной системы ПТП. Для решения задач проектирования СМиК целесообразно использовать машинно-ориентированный вариант семантических сетей в виде диаграмм.

Сложность решения задачи идентификации состояний сложных систем ПТП по результатам мониторинга параметров физических объектов их образующих, определяется сложностью и нелинейностью моделей систем ПТП, физических объектов их образующих, статическими и динамическими погрешностями измерения параметров ПТП и большими объемами вычислений. В работе предлагается применять нейросетевую идентификацию состояний сложных систем ПТП с использованием РИО. Подсистемы идентификации состояний сложных систем ПТП на базе искусственных нейронных сетей (ИНС) обладают свойствами адаптивности, параллелизма вычислений, возможностями обучения, что позволяет сделать вывод об их перспективности при решении задач идентификации состояний сложных систем ПТП.

Первоначально под идентификацией понимался поиск мер сходства и мер различия сигналов, и идентификация являлась частью кластерного анализа. В качестве базового метода использовались метрика Минковского [61], метрика Михалонобиса, методы Уорда [33] и Мак-Куина [77]. Существенным недостатком кластерного анализа явилось отсутствие способности к адаптации, что привело к появлению новых подходов, учитывающих возможность обучения. Из вероятностных методов идентификации неклассифицированных сигналов к описанным классам наиболее известен дискриминантный анализ Фишера [69] и метод Байеса [28,49, 79].

Во второй половине двадцатого столетия появляются методы идентификации, которые основываются на достижениях нейробиологии. Первые резуль- -таты, полученные в этой области, связаны с именами Н. Винера, Ф. Розенблатта [11, 68], М. Минковского [58], Д. Хебба [3], У. Маккалоха, У. Питтса [56].

А.Н. Колмогоровым и В. И. Арнольдом были получены фундаментальные результаты по представлению непрерывных функций нескольких переменных в виде суперпозиции функций одной переменной. А. Н. Колмогоров первым доказал универсальную аппроксимирующую,'способность нейронных сетей по обработке информации и тем самым определилогромную сферу практического применения ИНС. В дальнейшем исследования в области ИНС были направле-. ны на оптимизацию многослойных нейронных сетей [50]. Значимые результаты связаны с именами В. В. Круглова, В. В. Борисова [16], Э. Д. Аведьяна, В. А. Терехова [75], В. А. Головко. Теорему об универсальной аппроксимирующей способности отдельных видов ИНС доказали Г. Цыбенко [1], Дж. Парк и К. Хорник [5], этим они вызвали большой интерес к ИНС.

В области нейронных сетей были проведены исследования Т. Кохоненом [6, 53, 54], Дж. Хопфилдом [4], С. Гроссбергом [2, 13], П.Дж. Вербосом [10], Д. Лове, К. Бишопом. Отличительной особенностью систем идентификации на базе нейронных сетей является реализация процедуры обучения, успех которого существенным образом зависит от обучающей выборки.

Обобщая сказанное, можно сделать вывод о практической важности разработки теоретических и практических вопросов нейросетевой идентификации состояний сложных систем ПТП по результатам мониторинга параметров физических объектов их образующих.

Таким образом, можно сформулировать противоречие между сложностью решения задач синтеза систем мониторинга и контроля сложных систем природного или техногенного происхождения и уровнем проработки теоретических и практических вопросов реализации процедуры идентификации их состояний.

Объект исследования: система мониторинга и контроля сложных систем природного или техногенного происхождения.

Предмет исследования: методы и средства нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

Диссертация выполнена в процессе НИОКР в рамках Федеральной космической программы России на 2006;2015 годы и Государственного контракта № 783-П003/10.

Цель исследования: повышение эффективности нейросетевой иденти- • фикации состояний сложных систем природного или техногенного происхож- ' дения по результатам мониторинга параметров физических объектов их обра-. • зующих... .

Достижение цели диссертации обеспечивается решением актуальной научной задачи: создание и исследование информационных моделей в виде распределенных информационных объектов для решения задач нейросетевой идентификации в системах мониторинга и контроля сложных систем природного или техногенного происхождения.

Научная задача была конкретизирована в виде следующих подзадач:

1. Анализ тенденций совершенствования систем идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов и выявление наиболее перспективных направлений их развития в на основе достижений современной микропроцессорной техники.

2. Идентификация состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

3. Разработка обобщенной процедуры структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов.

4. Синтез обобщенной структуры подсистемы нейросетевой идентификации для системы мониторинга и контроля сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

5. Разработка процедуры аналитического синтеза подсистемы нейросетевой идентификации состояний сложных систем природного или техногенного происхождения, реализующей функции идентификации с использованием распределенных информационных объектов.

Методы исследования включают в себя методы и положения теорий системного анализа, сложных систем, информационных систем, цифровой обработки сигналов, идентификации, искусственных нейронных сетей, графов, — нечетких множествматематической" логики, а также методы математического л имитационного моделирования в среде Ма1ЬаЪ БшиИпк.

Соискателем лично получены следующие научные результаты, изложенные в диссертации и вынесенные на защиту;

1. Модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов и методика идентификации состояний этих систем, основанная на анализе и оптимизации распределенных информационных объектов.

2. Разработанная обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов.

3. Структура подсистемы нейросетевой идентификации для системы мониторинга и контроля сложных систем природного или техногенного происхождения.

4. Процедура аналитического синтеза подсистем нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

Обоснованность полученных научных результатов обеспечивается корректным выбором основных допущений и ограничений, обоснованием критериев и показателей эффективности нейросетевой идентификации состояний сложных систем с использованием РИО.

Достоверность полученных результатов подтверждается результатом имитационного моделирования и экспериментальными данными.

Научная новизна полученных результатов:

1. Модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов отличаются реализацией алгоритмов нейросетевой идентификации.

2. Методика идентификации состояний сложных систем природного или техногенного происхождения, основанная на анализе и оптимизации распределенных информационных-.объектов," позволяет решать в пространстве спитак-1 • сических и-семантических структурных моделей задачи мониторинга и контро- * м.

• ! ¦ I 'ля этих систем." «» * - •'•<.¦ 1 —, у. — - • • т! г,.'-" .

3. Разработанная обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения ¦ в виде совокупности распределенных информационных объектов реализует алгоритмы адаптации и нейросетевую идентификацию.

4. Обобщенная структура подсистемы нейросетевой идентификации для системы мониторинга и контроля сложных систем природного или техногенного происхождения отличается наличием блока интегро-дифференцирующего преобразования, реализующего модифицированный алгоритм Хаара.

5. Процедура аналитического и структурно-параметрического синтеза подсистем нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов обеспечивает повышение вероятности идентификации.

Научная значимость диссертации заключается в развитии прикладных методов аналитического и структурно-параметрического синтеза подсистем нейросетевой идентификации состояний сложных систем ПТП с использованием распределенных информационных объектов как составного элемента систем мониторинга и контроля сложных систем ПТП.

Практическая значимость полученных результатов:

1. Модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов, реализующих процедуры нейросетевой идентификации, учитывают особенности микропроцессорных систем, включающих интеллектуальные датчики, каналы связи и специализированные многоядерные процессоры.

2. Методика идентификации состояний сложных систем природного или техногенного происхождения, основанная на анализе и оптимизации распределенных информационных объектов, позволила разработать элементы алгоритмов для системы мониторинга и контроля технически сложного территориаль-но-распределенного объекта наземной космической инфраструктуры., ,. .

3. Разработанная обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде распределенных информационных объектов позволила разработать адаптивные алгоритмы нейросетевой. идентификации критических состояний^ сложных систем природного или техногенного происхождения. Реализация и внедрение результатов 1.

Результаты диссертационной работы использованы при выполнении НИ-ОКР в рамках Федеральной космической программы России на 2006;2015 годы: «Кипарис-ПГТА», «Датчик РКТ-ПГТА», «Возрождение-ПГТА», выполненных по договорам с ОАО «НИИФИ», а также ОКР «Диагностика-ПГТА» по договору с ОАО «НИИФИ» в рамках Государственного контракта № 783-П003/10. Внедрения результатов подтверждены соответствующими документами.

Апробация работы.

Основные положения и результаты диссертационной работы обсуждены и одобрены на следующих научно-технических конференциях: Всероссийском симпозиуме «Обозрение прикладной и промышленной математики» (г. Москва 2008 г.), международной научно-технической конференции «Современные информационные технологии» (г. Пенза, 2006;2010 г. г.), Международном симпозиуме «Надежность и качество» (г. Пенза, 2009 г.).

Публикации.

По теме диссертации опубликовано 14 печатных работ, в том числе 3 работы в изданиях из перечня ВАК.

Заключение

.

Автор выражает искреннюю благодарность генеральному директору ОАО «Научно-исследовательский институт физических измерений» к.т.н., Дмитри-енко А.Г., начальнику научно-исследовательского комплекса НИК-2, к.т.н. Исакову С. А., начальнику научно-исследовательского отдела Селифановой В. В. и начальникам лабораторий НИК-2 Тюрину М. В. и Новикову В. Н. и начальнику научно-аналитического комплекса Сёмкину А. Н. за постановку задачи исследований, технические консультации.

Структура и объем диссертации

.

Работа состоит из введения, списка сокращений, четырех глав, заключения, списка литературы и приложения. Диссертация содержит 125 страниц основного текста, включая 36″ рисунков, 6таблиц, список литературы из -87 наименований. —¦-." г:'," —: г-:" —, .х: — тлг. г-'Г.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ ПО РАБОТЕ.

Разработаны прикладные методы аналитического и — структурно-параметрического синтеза подсистем нейросетевой идентификации как составного элемента систем мониторинга и контроля сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов.

1. Разработаны модели сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов, отличающихся реализацией алгоритмов нейросетевой идентификации с учетом особенностей специализированных микропроцессорных систем, включающих интеллектуальные датчики, каналы связи и специализированные многоядерные процессоры.

2. Разработана методика идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов, которая позволяет решать в пространстве’синтак-г сических и, семантических структурных-моделей задачи мониторинга .и контроля сложных систем природного или техногенного происхождения. ' —:

3. Разработана обобщенная процедура структурно-параметрического синтеза моделей сложных систем природного или техногенного происхождения в виде совокупности распределенных информационных объектов, реализующих алгоритмы адаптации и нейросетевую идентификацию, которая позволила синтезировать структуру подсистемы нейросетевой идентификации, отличающуюся наличием блока интегро-дифференцирующего преобразования, реализующего модифицированный алгоритм Хаара.

4. Процедура аналитического и структурно-параметрического синтеза подсистемы нейросетевой идентификации состояний сложных систем природного или техногенного происхождения с использованием распределенных информационных объектов позволила разработать и реализовать адаптивные алгоритмы нейросетевой идентификации для системы мониторинга технически сложного территориально-распределенного объекта наземной космической инфраструктуры.

5. На основе разработанных алгоритмов нейросетевой идентификации получены следующие технические решения:

— программно-алгоритмического обеспечения составных частей архитектурно-структурированных систем мониторинга и контроля;

— программное обеспечение многоканального программно-аппаратного комплекса для приема, обработки, регистрации, визуализации и архивирования информации с датчиков различных типов передачи информации по локальным сетям в автоматизированную систему управления технологическими процессами стартовых комплексовархитектура базовых интеллектуальных систем мониторинга и контроля для выбранных типовых технически сложных объектов на основе существующих, модернизируемых и перспективных мониторинговых датчиков физических величин нового поколения (в том числе интеллектуальных, беспроводных). .

V!- ' .-" «/Я.

ПЕРЕЧЕНЬ ПРИНЯТЫХ СОКРАЩЕНИЙ.

АЧХ — амплитудно-частотная характеристика АЦП — аналого-цифровой преобразователь БД — база данных.

БИД — блок интеллектуального датчика БИХ — бесконечная импульсная характеристика БОКН — блок определения координат нулей БО — буфер обмена.

БПЦО — блок предварительной цифровой обработки.

БЦО — блок цифровой обработки.

ИД — интеллектуальный датчик.

ИК — интеллектуальный контроллер

ИНС — искусственная нейронная сеть.

ИН — искусственный нейрон.

ИП — измерительный преобразователь. • ' - г.

ИС — интерфейс связи, •. 1. '.

К ИХ — конечная импульсная характеристика.

КС — канал связи — >

ЛДА — линейно дискриминантный анализ.

ЛС — линейный слой.

НИИФИ — научно-исследовательский институт физических измерений.

НИР — научно-исследовательская работа.

ПИ — подсистема идентификации.

ПКЭ — показатель качества электроэнергии.

ПТП — природного или техногенного происхождения.

РБС — радиально базисный слой.

РИО — распределенный информационный объект.

РС — рекуррентный слой.

СИ — система идентификации.

СНИ — система нейросетевой идентификации.

СМиК — система мониторинга и контроля.

СФВ — сенсор физических величин.

ФНЧ — фильтр нижних частот ФО — физический объект ЦФ — цифровой фильтр

ЦФЭТ — целая функция экспоненциального типа ЭВМ — электронная вычислительная машина.