CC BY
89
_международный научный журнал «символ науки» №6/2015 issn 2410-700х_
3) Передерий, Г.П. Курс мостов: конструкция, проектирование и расчет. Ч.1: Мосты малых пролетов. Каменные, деревянные и железные / Г. П. Передерий. - 4 изд. - М.: Госиздат, 1929 - 750 с.
4) Пыринов, Б.В. Испытания опытного пролетного строения пешеходного моста из композитных материалов / Б.В. Пыринов, А.Н. Иванов, М.К. Гаврилов // Проектирование и строительство в Сибири. - 2013. - №6 (77). - С. 29-33.
© А.Н. Иванов, А.В. Мартынов, 2015
УДК 004.8
Лавренков Юрий Николаевич
ассистент КФ МГТУ им. Н.Э. Баумана, г. Калуга, РФ,
e-mail: georglawr@yandex.ru Комарцова Людмила Георгиевна доктор техн. наук, профессор КФ МГТУ им. Н.Э. Баумана, г. Калуга, РФ,
e-mail: lkomartsova@yandex.ru
ОЦЕНКА ВНУТРЕННЕГО СОСТОЯНИЯ СЛОЖНЫХ СИСТЕМ НА ОСНОВЕ АНАЛИЗА ИЗМЕНЕНИЯ ДИНАМИКИ КОЛЕБАНИЙ НЕЙРОСЕТЕВОГО ОСЦИЛЛЯТОРА
Аннотация
В статье рассмотрена возможность проведения оценки изменения внутренней динамики системы на основе осциллирующей нейронной сети. Приводится описание основного конструктивного элемента сети -динамического нейронного модуля. Рассмотрен алгоритм функционирования спроектированной системы.
Ключевые слова
Динамические нейронные модули, обратная связь, анализ систем, управление сложными системами.
Базовая идея управления комплексными системами, состоящими из некоторого множества подсистем со специфическими свойствами, базируется на применении динамических сетей. В классической системе контроля с одной петлёй обратной связи состояние объекта управления оценивается с помощью сенсоров. Полученная информация отправляется в контроллер, который определяет управляющее воздействие [1, с.10]. Проектирование управляющих систем необходимо выполнять так, чтобы расхождение состояния системы между реальным и желаемым стремилось к нулю. Как правило, управляемая система содержит множество параметров, контролируя изменение которых становится возможным задать желаемое управляющее воздействие. Для комплексной оценки изменения состояния контролируемой системы предлагается использовать нейронную сеть.
Разработанная нейросетевая структура базируется на применении динамических нейронных модулей (ДНМ), которые представляют собой модели искусственных нейронов с развитой системой обратных связей (ОС) [1, с. 177]. ДНМ со сложной архитектурой включают в себя вычислительные операции для обработки сигнала ОС: функциональные преобразования, умножение на весовые коэффициенты, суммирование с сигналами от различных структур ДНМ. Возможно применение большого количества вариантов нелинейных функциональных преобразований внутри модуля, что делает возможным создание динамических нейросетевых моделей для решения сложных вычислительных задач. В работе предлагается использовать динамические нейронные модули, структура которых соответствует динамическому модулю 5-го класса. Выбор нейросетевых модулей данного класса обусловлен наличием развитой сети комплексных обратных связей, позволяющих строить компактные системы для управления и контроля.
Нейронная сеть для анализа системы строится из модифицированного ДНМ 5-го класса, который показан на рис. 1: fi,f,f - функция гиперболического тангенса, f - функция гиперболического синуса, f - функция синуса, f - функция симметричной гауссовской кривой [2, с.352], которая задаётся формулой:
международный научный журнал «символ науки»
№6/2015
issn 2410-700х
-0,5( x-c)2
/з( x) = е
S2
(1)
где с - максимум функции (с = 0,78); 5 - коэффициент концентрации (5 = 0,95). Весовые коэффициенты - сопоставляются параметрам исследуемой системы. Для коэффициентов, входящих в цепи обратной связи установлены следующие значения: wa = —0,15, Wp = —0,85 , ^ = 0,55 . Кроме
переменных параметров, в состав ДНМ входит группа констант: С1 = 0,15, С2=0,5, необходимых для поддержания работы колебательного режима.
Рисунок 1 - Структура модифицированного ДНМ 5-го класса В модуль были внесены следующие конструктивные изменения:
1. Входной сигнал для ДНМ представляет собой последовательность задержанных входных сигналов. Для осуществления возможности получения такой последовательности в модуль введён банк элементов задержки [2, с. 856].
2. Взвешенный пороговый сигнал сумматора & заменён на произведение значения константы С1, амплитуды входного сигнала и его задержки на 4 такта работы системы. Модификация необходима для адаптивной перестройки состояния ДНМ в зависимости от амплитуды входного сигнала.
3. В рассматриваемом элементе введён дополнительный умножитель М2 для возможности изменения сигнала ОС в зависимости от состояния нейронного модуля. Для этого оценивается амплитуда задержанного на 2 и 4 такта работы системы входного сигнала, выход сумматора Sl и сигнал с функции / на входе элемента. Выбор источников сигналов состояния ДНМ именно в этих точках обусловлен тем, что предложенная архитектура позволяет успешно ввести в разработанную нейронную сеть сигнал глобальной ОС для получения выходного сигнала с заданными характеристиками. При такой конфигурации становится возможным получить сигнал, показанный на рис. 2. Полученный непрерывный сигнал необходимо преобразовать в бинарный сигнал (рис. 3). Выполняем преобразование Y=abs(f^x(X)), гдеX- входной сигнал, /гх(Х) - функция возвращает значение аргумента X с усечением дробной части, abs - абсолютное значение аргумента.
Отсчет времени (в тактах работы системы)
Рисунок 2 - Пример выходного сигнала
международный научный журнал «символ науки»
№6/2015
issn 2410-700х
Отсчет времени (в тактах работы системы)
Рисунок 3 - Сигнал, характеризующий состояние исследуемой системы
Полученный сигнал характеризует состояние объекта управления. На основе оценки выходного сигнала нейронной сети формируются управляющие воздействия на контролируемую систему. Список использованной литературы:
1. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: Учебное пособие для вузов. - 2-е изд., перераб. и доп. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. - 400 с.: ил. - (Информатика в техническом университете.).
2. Хайкин С. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. - М.: Издательский дом «Вильямс», 2008. - 1104 с.
© Ю.Н. Лавренков, Л.Г. Комарцова, 2015
УДК 658.26.012.011.56
Мусаев Андрей Александрович
аспирант, Университет ИТМО г. Санкт-Петербург, РФ E-mail: amusayev1990@gmail.com
ПРИНЦИПЫ ПОСТРОЕНИЯ КОГНИТИВНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ В ЗАДАЧАХ УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ
Аннотация
В данной статье представлены основные принципы, которых следует придерживаться при построении когнитивных - то есть основанных на знаниях - информационных стстем. Рассмотрены основные преимущества и значимость разработки и создания представленой технологии. Большое место в работе занимает обоснование необходимости когнитивных систем в решении задач системы поддержки принятия решений.
Ключевые слова
Когнитивистика, информационные системы, системы управления, технологический процесс, система
поддержки принятия решений.
Центральным элементом когнитивной (или основанной на знаниях) системы управления (СУ) технологическими процессами промышленного предприятия является автоматизированная система поддержки принятия решений (СППР), позволяющая формировать варианты управляющих решений на основе количественных исследований массивов разнородных оперативных и ретроспективных данных.
В основе математической платформы СППР лежит методология когнитивных информационных систем (КИС), включающая в себя математические технологии интеллектуального анализа данных (Data Mining (DM)) [1,2,3,4].
