CC BY
187
Раздел VI. Вычислительные комплексы нового поколения и нейрокомпьютеры
УДК 004.896
А.Н. Берёза, М.В. Ляшов АППАРАТНАЯ РЕАЛИЗАЦИЯ НЕЧЕТКИХ КОНТРОЛЛЕРОВ НА ПЛИС*
.
встраиваемые (embedded) системы, выполняющие чётко определённые задачи, связанные с обработкой данных в реальном масштабе времени. Обычно встраиваемые системы представляют собой ограниченные в габаритах и энергопотреблении модули, управляемые низкопроизводительным, по сравнению с персональным ком, , , сигнальные процессоры и процессоры персональных компьютеров предыдущих .
требования к надёжности, чётко определенная задача, ограниченность и невозможность расширения вычислительной мощности и объемов оперативной, и постоянной памяти, ограничение размеров печатных плат и энергопотребления. Решение задач в прикладных областях, где используются встраиваемые системы, часто требует обработки неполной, неточной и размытой информации, что приводит к необходимости использования знаний человека-эксперта. Перспективным методом решения таких задач является применение аппарата нечеткой логики, что определяется возможностью реализации произвольного нелинейного преобразования входных данных в сочетании с простотой его лингвистического описания.
Основные положение теории нечетких систем. Аппарат нечетких множеств и нечеткой логики применяется для решения задач, в которых исходные данные являются ненадежными и слабо формализованными [1-7]. Сильные стороны такого подхода:
♦ описание условий и метода решения задачи на языке, близком к естественному;
♦ универсальность: согласно знаменитой теореме FAT (Fuzzy Approximation Theorem), доказанной Б. Коско (B. Kosko) в 1993 г., любая математическая система может быть аппроксимирована системой, основанной на нечеткой логике;
♦ эффективность (связана с универсальностью), поясняемая рядом теорем, аналогичных теоремам о полноте для искусственных нейронных сетей.
Вместе с тем, для нечетких экспертных и управляющих систем характерны и :
♦ исходный набор постулируемых не четких правил формулируется экспер-том-человеком и может оказаться неполным или противоречивым;
* Работа выполнена при поддержке: РФФИ (грант № 08-01-00473), РНП 2.1.2.3193.
♦ вид и параметры фу нкций принадлежности, описывающих входные и выходные переменные системы, выбираются субъективно и могут оказаться не вполне отражающими реальную действительность.
В системе нечеткого вывода можно выделить множество используемых в системе нечетких правил, базу данных, содержащую описания функций принадлежности, а также механизм вывода и агрегирования (суммирования), который формируется применяемыми правилами импликации. В качестве входных и выходных сигналов выступают измеряемые величины, однозначно сопоставляющие входным значениям соответствующие выходные значения. Для обеспечения взаимодействия множеств этих двух видов вводится нечеткая система с так называемыми фуззифи-( ) входе и дефуззификатором (преобр^ователем нечетких множеств в конкретное значение выходной переменной) на выходе. Структура такой системы представлена на рис. 1 [1, 2].
четкое
множество
множество
множество
четкое
множество
Рис. 1. Структура нечеткой системы с фуззификатором и дефуззификатором Фуззификатор преобразует точное множество входных данных в нечеткое , , как дефуззификатор решает обратную задачу - он формирует однозначное решение относительно значения выходной переменной на основании многих нечетких выводов, вырабатываемых исполнительным модулем нечеткой системы. Выходной сигнал этого модуля может иметь вид нечетких множеств, определяющих диапазон изменения выходной переменной. Дефуззификатор преобразует этот диапазон в одно конкретное значение, принимаемое в качестве выходного сигнала всей сис-.
Обобщенная функциональная структура контроллера нечеткой логики, (см. рис. 1), , -
, . 2.
Рис. 2. Структура контроллера нечеткой логики
Поскольку допускается применение множества нечетких правил, в ней также предусмотрен блок агрегирования, чаще всего реализуемый в виде логического
сумматора (оператор Мах). Описываемая система вывода называется системой Мамдани-Заде. Она очень популярна в обычных (неадаптивных) нечетких системах. Как правило, в модели Мамдани-Заде присутствуют следующие операторы:
♦ оператор логического или арифметического произведения для определения результирующего уровня активации, в котором учитываются все компоненты вектора условия х;
♦ оператор логического или арифметического произведения для определения значения функции принадлежности для всей импликации;
♦ оператор логической суммы как агрегатор равнозначных результатов импликации многих правил;
♦ оператор де фуззификации, трансформирующий нечеткий результат в четкое значение выходной переменной у.
Пример системы вывода Мамдани-Заде показан на рис. 3.
Минимум
Рис. 3. Пример системы вывода Мамдани-Заде
Логическое произведение (оператор Min) используется как для агрегирования нечетких правил относительно конкретных переменных x (i = 1,2), образующих
вектор х, так и на уровне импликации В для одиночных правил вывода. Агре, 1 2, логической суммы (оператор Max). В правой нижней части рисунка представлен результат в виде функций принадлежности переменной у. Для получения четкого значения у применяется процедура дефуззификации.
Аппаратная реализация контроллера нечеткой логики. Принципиальная схема контроллера нечеткой логики по системе вывода Мамдани-Заде (см. рис. 3) в файле верхнего уровня, созданная в пакете Quartus II, показана на рис. 4. Контроллер создан с использованием языка проектирования цифровых устройств VHDL и
Quartus II.
x1[7..0]
ax1a_1i[7..0] і
'-ax1b_'ii[7.:0]-j •'ax1a_2i[7.:0r і
'-aXib_2ї[7.:0]-i -axT_Ci[7.:0]" і
x[7..0] a_1[7..0] b_1[15..0] a_2[7..0] b_2[15..0] c[7..0]
f[15..0]
a[15..0] q[15..0]
b[15..0]
a[15..0] q[15..0]
b[15..0]
Рис. 4. Принципиальная схема контроллера нечеткой логики в файле верхнего уровня, созданная в пакете Quartus II
Trin Trap , N-
входной вектор x = [x1,x2,.., xN ] в нечеткое множество А, характеризуемое функцией принадлежности jdA (x) с четкими переменными. Принципиальная схема блока Trin показана на рис. 5.
Блок Тпп реализует треугольную функцию принадлежности (рис. 6,а). На входы а_1, Ь_1 и а_2, Ь_2 подаются значения а и Ь уравнений прямых ( у = ax + Ъ) а1-Ь и Ь-а2, которые образуют функцию принадлежности.
. б. , Trin Trap
Trap . 7 -
. б, .
:...x.[.7...0i.
:.'.'.aJ№..0L"
lO^C
:..a„2[7...0]....
d[7..0]
e[7..0]
dataa[7..0]
datab[7..0]\
^reSUlt^5::0L
^ataa^5
inst
^atab^
dataa[7..0]
inst1
datab[7..0]\
inst4
^ataa^5
^atab^
dataa[7..0]
datab[7..0]a
dataa[7..0]
datab[7..0]a
ult[15.
VCC;
u
d
А+ВІ result[15..0]
data2x[15..01
data1x[15..0]
data0x[15..0]
mux3
result[15..p]
sel[1..0]
inst9
alb datab[]=0
dataa[15..0
siqned compare
comp2
• NAND2•
inst3
inst10
dataC^.^
r-Zerg : |data1x[15..0] |resul
mux1
&
llt[15..0] ’.......................^ • • • •'^•1'5::0] • •
0
A+
result[15..0]
0
0
u2
Puc. 7. Принципиальная схема блока Trap
Изменяя значения входов а_1, b_1 и а_2, b_2 блоков Trin и Trap, можно изменять параметры функций принадлежности во время работы контроллера.
Блок дефуззификатора Defuz трансформирует нечеткое множество в детерминированное значение у в форме выбора максимального из максимальных значе-у.
В результате моделирования работы контроллера нечеткой логики в системе
Quartus II -
лее 40 не. Один модуль сумматора занимает в микросхеме семейства Strarix EP1S10F484C5 фирмы Altera менее 7%.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудин-ского. - М.: Финансы и статистика, 2002. - 344 с.
2. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. - М.: Финансы и статистика, 2004. - 320 с.
3. Новак В., Перфильева И., Мочкорж И. Математические принципы нечеткой логики / Пер. с англ.; Под ред. Аверкина АН. - М.: ФИЗМАТЛИТ, 2006. - 352 с.
4. Берштейн Л.С., Боженюк А.В. Нечеткие графы и гиперграфы. - М.: Научный мир, 2005. - 256 с.
5. Круглов В.В. Нечеткая логика и искусственные нейронные сети. - М.: ФИЗМАТЛИТ, 2001. - 224 с.
6. Прикладные нечеткие системы / Под ред. Т. Тэрано, К. Асаи, М. Сугэно. - Минск: НТООО "ТетраСистемс", 1997. - 367 с.
7. Кофман А. Введение в теорию нечетких множеств: Пер. с франц. - М.: Радио и связь, 1982. - 432 с.
8. Бандман (ХА. Специализированные процессоры для высокопроизводительной обработ-
. - : , 1988. - 204 .
УДК 621.301: 681.32
В.В. Сарычев, М.Г. Ткаченко ПРОЕКТИРОВАНИЕ ЦИФРОВЫХ ФИЛЬТРОВ С ПЕРЕСТРАИВАЕМЫМИ ПАРАМЕТРАМИ
Одной из областей применения перестраиваемых цифровых фильтров являются интеллектуальные системы автоматизированного проектирования канальных процессоров систем сбора и обработки информации. Аппаратура сбора данных при испытании объектов должна поддерживать уровень достоверности и в экстремаль, . -мя, считается, что необходимым условием повышения эффективности информационно-телеметрического обеспечения является ограничение мощности информационных потоков [1]. Следовательно, первичные преобразователи в измерительных каналах должны уметь адаптивно перестраивать свои параметры. И, если технология управления коэффициентом усиления стала традиционной, то частотные параметры фильтров определяются на этапе проектирования из расчета максимальной интенсивности сигнала и остаются неизменными. Современные приемники потоков информации в достаточной степени интеллектуализированы и способны работать в синхронном и асинхронном режимах. Это дает возможность формировать потоки цифровых отсчетов от датчика с переменной частотой дискретизации. При этом и цифровые фильтры должны перестраиваться, поэтому задача проектирования таких фильтров является актуальной.
Одной из задач при проектировании является выбор типа цифрового фильтра, эффективного в плане вычислительных и временных затрат [2]. Несмотря на наличие высокопроизводительных сигнальных процессоров существует ряд приложений цифровой фильтрации, где актуальна проблема снижения вычислительных затрат (число операций на отсчет сигнала). Сократить их в ряде случаев можно путем применения рекурсивных фильтров с конечной импульсной характеристи-( ) , , , -нейную фазовую характеристику. Рекурсивный КИХ-фильтр общего вида может иметь следующую структуру (рис. 1).
Реализация такого фильтра осуществляется следующим образом. Задается исходная КИХ или ее аппроксимация в виде:
§(п) = X §г(п)
к
Г=1
0, иначе,
где gг(n) - отрезки полиномов в общем случае разной степени с разными постоянными коэффициентами 4,р ; г - номер отрезка; Я >1 - число отрезков; п^* < п"^
- .
п;_т +1
п
( ).
Рис. 1. Структура рекурсивного КИХ-фітьтра общего вида
Коэффициенты нерекурсивной части фильтра ат =УРтах +1£(т), где
VРтх^^(т) - (ртах+1)-я обратная конечная разность от КИХ g(m), ртах - максимальная степень отрезков gг(n) для 1 < г < Я. Если учесть, ч тoVРтах +1g(m) = 0 всюду, кроме пГей < т < п^ + р или nГlght < т < nГlght + р, то для отрезков, рас,
Vр-+1Еі(ш),пГ‘ < т < пГ + рП у [VРтах +^-і (т) + VРт!“ +^ (т)] пГ
г=2
1ей < т < п“ + рт
(1)
VРтах +1Бк(т), п 1гі8Ьї < т < п^“ + р
0, иначе.
Для Я = 1 вторая строка формулы игнорируется. Коэффициенты рекурсив-
ной части
[0, иначе,
где СМр+1 - .
Если отрезки полиномов расположены вплотную, вычислительные затраты составляют (Я+2)(ртах+1) сложений и столько же умножений на отсчет сигнала. Выигрыш по затратам в сравнении с нерекурсивными фильтрами с исходной КИХ g(m) будет К > М / [(Я+2)(ртах+1)], где М - длина КИХ g(m). Обычно ртах < 4-6, поэтому при больших М выигрыш получается значительным.
По сравнению со структурами общего вида (рис.1) структуры на интеграторах независимо от Я требуют на ртах умножений меньше (умножение на Ъм = 1 в структуре (рис.1) не учитываем). Однако в структурах на интеграторах разрядность чисел больше из-за усиления высокочастотной части спектра входного сигнала дифференциатором (ртах+1)-го порядка, входящим в нерекурсивную часть. Для структуры (рис.1) такой эффект отсутствует, так как усиление этой части компенсируется одновременным ослаблением ее интегратором (ртах+1)-го порядка (ре).
ат =
возможно меньшей степени (2-3, максимум 4), что, однако, приводит к росту вычислительных затрат (до 30%).
Коэффициенты ат в цепях прямых связей одинаковы как для структуры об, ,
(1) , .
Недостатком предложенного метода является то, что для обеспечения конечности импульсной характеристики и устойчивости фильтров необходимо точное выполнение операций в фильтре.
В случае реализации фильтра в виде каскадного соединения нерекурсивной части (см. рис. 1 для Ьм = 0) и рекурсивной (см. рис. 1 для ао = 1, остальные ат = 0) операции в этих частях должны выполняться точно. Умножение на постоянный коэффициент в цепи соединения частей допускается, но также должно выполнять.
Для устранения этого недостатка предлагается введение в цепь обратной связи интеграторов умножения на постоянный коэффициент а < 1, но а « 1, обеспечивающий затухание ИХ интегратора, а также устойчивость фильтра в целом даже при неточном выполнении операций. Разностное уравнение интегратора с затуханием у(п) = х(п) + ау(п-1), где у(п) - выходной сигнал, х(п) - входной. ИХ рекурсивного фильтра в этом случае будет являться квазиконечной. Под квазиконечностью ИХ понимается наличие малой остаточной бесконечной ИХ (БИХ).
При введении затухания возникает ряд погрешностей. Одна из них - погреш-
- а.
происходит умножение а на содержим ое сумматора, а на следующем такте это произведение снова поступает на сумматор, разрядность содержимого сумматора быстро растет (в основном за счет дробной части). Это приводит к округлению или .
ИХ ^(п) (рис. 2, ИХ Иг(п) при 0 < п < М-1). Третья погрешность выражается в появлении затухающей остаточной БИХ из-за введения затухания в интеграторы (рис. 2, ИХ Иг(п) при п > М). Искажения формы ИХ, а также наличие остаточной БИХ приводят к квазилинейности фазовой характеристики, если фазовая характеристика исходного фильтра (до введения затухания) была линейной.
Рис. 2. Исходная импульсная характеристика Н(п) и импульсная характеристика Иг(п), искаженная после введения затухания
Уровень остаточной БИХ может быть уменьшен до величины, соизмеримой с погрешностью квантования путем компенсации этой БИХ для каждого интегратора. Для этого на вход 1-го интегратора подается входной сигнал фильтра, задержанный на М тактов, умноженный на -Иг 1(М), где 1(п) - отклик 1-го интегратора на единичный импульс (дискретная 5-функция), поданный на вход фильтра (не ). , для ограничения ИХ достаточно из соответствующего весового коэффициента вычесть Иг 1(М).
Для уменьшения разрядности чисел рекомендуется включать интеграторы после нерекурсивной части, так как входящий в эту часть дифференциатор обеспечит отсутствие постоянных составляющих на входе любого интегратора и предотвратит их накопление.
, -
ры общего вида с квазиконечной ИХ. В случае квазисимметричной или квазианти-
симметричной ИХ фазовая характеристика будет квазилинейной. Эксперименты , -
ностями квантования чисел в процессоре (дая процессора Ше1 Репйит - 10-6 и 1015 соответственно для 32- и 64-р^рядных чисел с плавающей точкой). Для ИХ в виде аппроксимации окна Хэмминга двумя отрезками полинома 3-й степени, а = 0.99999, М = 5000, фазовая погрешность на частоте среза составила 0,05°, а среднеквадратическое значение этой погрешности в полосе пропускания - 0,02°.
, -
рования при жестких ограничениях, накладываемых на время перестройки пара, -
конечной импульсной характеристикой.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Воротков В.Л., Лукин Р.П. Повышение эффектавности информационно-
телеметрического обеспечения в условиях риска потерь информации // Приборы и системы. Управление, контроль, диагностика. - 2006, №3.
2. . ., . . -рах информационно-измерительных систем. - М.: Естественные и технические науки. 2008, №1.
УДК 681.324
Ю.А. Цветкова КОМПЛЕКСНЫЙ ПОДХОД К ПОВЫШЕНИЮ ЭФФЕКТИВНОСТИ МНОГОМАШИННЫХ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ
. -
( ) , создания разнообразных аппаратных ускорителей (акселераторов (АК)) вычислительного процесса и вычислительных систем (ВС) [1-5].
Среди ВС наиболее эффективны по набору показателей (производительность /стоимость; широкий класс приложений; надежность; маштабируемость и др.) многомашинные (кластерные) ВС на базе сетевых Switсh-тexнoлoгий, которые в настоящее время широко применяются при построении разнообразных вп^систем [2, 6].
Статья посвящена комплексному подходу к повышению эффективности многомашинной ВС путем эволюции ее структуры (объединение кластера ЭВМ и кластера акселераторов на базе сетевой Switсh-тexнoлoгии) и оптимизация обработки соответствующего этой структуре класса задач. Данная структура ВС позволяет эффективно обрабатывать широкий класс практически важных задач.
1. Условия эффективности обработки задач в ВС. Задача с объемом счета (у) в простых операциях (ОП) может быть выполнена одним процессором (узлом)
с производительностью Р1 [ОП/с] или кластером из N узлов с пиковой производительностью Ркл = Р1 * N , но если узлы зависимы, то Рк (Ы) < Р1 *К Требуемое от ВС число узлов на определенном временном отрезке и логические зависимости по обмену данными задается графом задачи. Если ВС выделяет ресурс точно в требуемый момент (и не раньше и не позже) и в необходимом объеме (не меньше и не
больше), то эффективность обработки г|=1, а Р(^Х), ^=Р1 * N(1). Это режим иде-
( ). -
( ). :
^)=п^), где п(^) - текущий параллелизм задачи, и время обмена Тобм=0. В статическом режиме (СР) Pкл(N)=сonst и всегда г|<1. В статье рассматривается лишь .
обработки, которые определяются только параметрами задачи и числом N (1<№птах), где пмах - наибольший параллелизм задачи. При N > тах величина г| .
ц=Б(Ы)/N=1/(1 + Тизб (Ы)); (1<Ы<птах);
_ (1)
Б(Ы) =Т1/Тсч(Ы), Тиз-(Ы)=Тизб(Ы)/Т1,
где Б(Ы) - ускорение обработки; Тшб(Ы) - избыточный ресурс кластера; Тиз,7 (Ы) - нормированное значение величины Тюб(Ы); Т1, Тсч(Ы) - время счета
программы соответственно одним и N узлами.
Значение Тизб(№)>0 обусловлено только изменением параллелизма задачи п^) в ходе счета (0<< Тсч(Ы)).
По процессу счета можно выбрать оптимальный вариант по выбранным приемлемым значениям ускорения и эффективности (Копт; S(Noпт); г| (Ыопт)).
, (1) , -мизация осуществляется методом целенаправленного подбора N по специальному .
При обработки задачи в реальной ВС к Тсч(К) добавляется время внешнего обмена Тобм(К) и тогда время обработки задачи Тобр(К) < Тсч(К) + Toбм(N).
(<) , требует независимых каналов обмена и достигается установкой коммутаторов. Величина г| снижается дополнительно также из-за несоответствия структур графа задачи и структуры ВС. Необходимость максимального соответствия структур для достижения г|тах доказана практикой [1].
В [2] отмечается, что разброс величины Ркл(К) от пиковой составляет от 90% до 2% и для ВС с N>10 вопрос согласования структур выходит на передний план. Граф является информационным ядром задачи, т.е. содержит информацию о спе-, , . для согласования структур необходимо представлять граф в различных эквива-.
2. Эквивалентные формы представления графа задачи и их использование для повышения эффективности обработки задач в ВС. Математическая модель задачи представляется операторами различного уровня и каждому уровню соответствует свой граф. Каждый последующий уровень получается из предыдущего декомпозицией его операторов (р^ложением). При этом последний включает только самые простые (+, - , * , / ).
Понятие оператора более общее, чем понятие функции и охватывает как про, . ,
при этом сложный оператор может представляться множеством простых [3]. Оператор связывает переменные причинно-следственной связью и может описывать ( , , , ). Практическая реализация операторов может быть программной, аппаратной или -.
Для целей статьи представляют интерес следующие формы эквивалентного представления графа задачи:
1) ( );
2) ( );
3) гомоморфная свертка (ГС) [2].
( ), -раторов графа задачи qi С О (1=1,2,.. I) на три подмножества так, чтобы:
123 123 11
Р и о- и р=о и р П О = О , при этом qi С О будут обрабатываться только
2 2 3 3
универсальными ЭВМ, qi С О - только АК, а qi С О - ЭВМ совместно с АК.
Повышение производительности ЭВМ с помощью АК осуществлялось всегда по мере развития больших интегральных схем (БИС) [3, 4]. АК разгружает центральный процессор ЭВМ от узкоспециализированных операторов, обусловленных спецификой задачи - вычисление элементарных и специальных функций, прямое и обратное преобразование Фурье, операции над матрицами и другие. Ускорение в выполнении операторов аппаратным путем по сравнению с программным может достигать для некоторых операторов до 100 [4]. Для повышения эффективности обработки задачи на кластере из универсальных совместимых ЭВМ объединим его с кластером из АК. Пример двухслойной структуры гетерогенного кластера из четырех ЭВМ с АК и двух коммутаторов К1, К2 представлен на рис. 1. Данная структура обладает новыми качествами. Повышается производительность кластера за счет ускорения счета в обоих слоях и ускорение обмена в слоях и между слоями. Коммутатор образует И/2 независимых каналов обмена, где Я - число портов. По.
Управление обработкой задачи возлагается на одну из ЭВМ. Связь между ЭВМ и ее АК (оформлены в виде отдельной платы) осуществляется по внутренней шине. АК получает задания от ЭВМ, выполняет их самостоятельно (или коллективно в своем слое) и отправляет результаты ЭВМ.
Для выбора оптимального варианта обработки воспользуемся второй и
( , ).
граф задачи в виде групп (подграфов) независимых операторов от начала графа, а гомоморфная свертка - в виде подграфов операторов по их связности в порядке их обработки от начала графа.
Рис. 1. Двухслойная структура гетерогенного кластера
Форма КПФ позволяет определить внутренний параллелизм задачи в группах (пк), где к=1,2,3 . . . Кшах - (число групп) и максимальный параллелизм
задачи пкшах. Общее число узлов в ЭВМ должно быть N > пкшах. КПФ позволяет также с помощью отображения операторов групп на конкретное число узлов ЭВМ ВС составлять расписание их работы по специальным алгоритмам без учета и с учетом обмена, моделировать процесс обмена отдельно. КПФ составляется по матрице смежности графа задачи с помощью ЭВМ, начиная со входных операторов. При этом множество р разбивается на упорядоченные подмножества (группы) рк (к=1,2,3... Кшах) так, что Р1 и Р2 и Рз . . . и ркшах=р и Рз . . . П
ркшах=0. Число “К” есть порядковый номер оператора qi от начала графа по логическим связям qiк С рк (к=1,2,3 . . . кшах). Если некоторому qi соответствует
к, “ операторов” для выбора одного значения. Изложение этого способа не входит в .
( ) -рицей смежности В(1х1), а числом (кшах-1) матриц смежности ВкК+1 (к=1,2,3 . . . (кшах-1)) значительно меньшего размера. Матрицы ВкК+1 связывают смежные
группы операторов рк и рК+1 , а число ‘к’ указывает на последовательность их обработки. Операторы одной группы независимы между собой и могут обрабатываться параллельно или последовательно.
Выбирается оптимальный вариант обработки по счету путем ряда итераций, начиная с №пк шах и постепенно уменьшая число узлов. На каждой итерации осуществляется распределение операторов по ЭВМ. Для этого с помощью третьей
формы (ГС) по матрицам Вкк+1 (к=1,2,3 . . . (кшах-1)) множество Р разделяется
,
,
своем слое с универсальными.
Число вариантов разбиения, как правило, выражается очень большим числом. Из них можно выбрать оптимальный вариант по загрузке ЭВМ и времени внешнего обмена. Распределение подмножеств Ql(I = 1,2,3...Ь) по ЭВМ осуществляется с учетом их производительности. Если р1 соответствует общее число операций
V1 [оп], то каждой ш-ой ЭВМ набирается объем
Р Ь
У. = ТР^ * Т'1 , (2)
ТР. 1='
.=1
где Рш - производительность отдельной ЭВМ (ш=1,2,3 . . . М); М - число ЭВМ;
Ь I
^У1 = V [оп] - общее число операций в задаче; У = , где V - объем от-
I =1 г
дельного оператора qi.
При таком распределении обработка задачи будет закончена всеми ЭВМ .
выполняться для обработки подграфов в ЭВМ, в качестве которых могут выступать 8МР-серверы с различным числом процессоров.
После оптимального распределения объема V по ЭВМ моделируется процесс внешнего обмена между ЭВМ и выбирается оптимальный вариант, при котором Тобм = Тобм шт. При моделировании берутся реальные характеристики коммуникационной системы кластера и сетевой Switch-тexнoлoгии. Моделирование осуществляется по тому же алгоритму, что и для процесса счета. Затем можно выполнять полное моделирование - одновременно для всех процессов счета и обмена, которое проводится по более сложному алгоритму.
3. Применение разработанной структуры ВС. Данная структура может успешно применяться для моделирования процессов в сложных системах, операторы которых разнообразны по своей физической природе и описываются различными системами уравнений большой размерности и специальными уравнениями. Системы уравнений большой размерности для решения разбиваются по всем узлам кластера, включая АК. Структура ВС позволяет осуществлять внешние обмены типа: ЭВМ-ЭВМ, ЭВМ-АК, АК-АК. При решении частных задач они разбиваются по ,
ЭВМ. Кластер комплектуется из готовых элементов - ЭВМ, коммутаторов, линий связи, интерфейса и программного обеспечения. Для АК также существуют программы для широкого класса задач, а при необходимости могут быть выполнены . : проектирования, в технологических и диагностических комплексах; для замены части натурных испытаний сложных объектов испытанием на математических моделях в различных режимах и обработки полученных численных результатов; в качестве тренажерного комплекса для подготовки операторов; для моделирования групповых действий объектов (роботов, боевых машин) - с ЭВМ тогда связываются отдельные объекты, которые взаимодействуют в своем слое.
На основании изложенного можно сделать вывод: объединение кластера ЭВМ и кластера акселераторов, и согласование структур графа задачи и кластера выбором оптимального варианта обработки задачи повышает эффективность предлагаемой структуры кластера на широком классе задач.
.
. -
, -
мального варианта обработки. Изложено содержание процесса оптимизации на основе различных форм эквивалентного представления графа задачи (канониче-
). -стера на основе двухслойной коммутации эффективна на широком классе задач,
так как обладает повышенной производительностью по процессам счета и обмена,
а так же повышенной надежностью.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Пятибратов АЛ., Гудыно Л.П., Кириченко А А. Вычислител ьные системы, сети и телекоммуникации / Учебник 2-е издание. - М.: Финансы и статистика, 2004. - 512 с.
2. Воеводин В.В., Воеводин Вя.В. Параллельные вычисления. - СПб.: БХВ-Петербург, 2004. - 608 с.
3. . . . - / - .: ,
1984. - 376 с.
4. . . . -
ния / Справочник. - Л.: Машиностроение, 1987. - 640 с.
5. . ., . ., . . -
. - .: - , 2002. - 464 .
6. . ., . . . , , /
2- . - .: , 2005. - 864 .
УДК 004.421.6
..
МЕТОДИКА ПОСТРОЕНИЯ КЛАССИФИКАТОРА ТЕКСТА НА ОСНОВЕ ГИБРИДНОЙ НЕЙРОСЕТЕВОЙ МОДЕЛИ
Представленная в данной статье модель нейронной сети является попыткой найти гибридную архитектуру, в которой можно компенсировать недостатки семантической и ассоциативной нейронной сетевых парадигм для решения задачи автоматической классификации текста [1].
Исходя из сравнительного анализа семантических и нейронных сетей [2], , -ходов. Предложенная модель нейронной сети состоит из трех слоев, которые выстроены иерархически, обобщая первоначальные единицы текста (слова) в поня-, , , .
Первый слой содержит нейроны, которым присваиваются значения слов ( в - ). - -ных определений понятий, в которые входят, и имеют прямые связи с соответст-- .
- .
Второй слой включает в себя нейроны как понятия, связанные с нейронами-словами первого слоя, которые входят в его определение, и с нейронами областей знаний (третий слой). Нейроны-иошигш принадлежат различным облас-.
Третий слой составляют нейроны как области знаний. За каждой областью знаний закреплены соответствующие им понятия, которые могут принадлежать одновременно нескольким областям знаний. Третий слой является выходным и , .
, , , знаний. Закрепление за нейроном конкретного значения (слова, понятия, области ) -дому нейрону, которому соответствует закрепленное за ним слово, понятие, об, . слоя создается своя библиотека.
Библиотека первого слоя включает в себя слова, за которыми закреплены , (
).
, , , библиотеке первого слоя и подаются на вход. Библиотеки второго и третьего слоя
, , ,
.
Закрепление отношений между нейронами внутри слоя, и с нейронами верхнего, по отношению к взятому, слоя, реализуется с помощью матриц смежности. Содержанию слоев сети соответствуют библиотеки, нейроны связаны между собой как внутри слоя, так и с нейронами верхнего, по отношению к взятому, слоя.
Построенная сеть представляет собой гибрид семантической и ассоциативной . , - ( -), . -бор смысловых связей и заранее установлены семантические отношения, отражен-
ные в матрицах смежности, приведенных ниже. В данной модели применены семантические сети на начальном этапе обучения ассоциативной нейронной сети [3].
Если структура и принцип построения сети являются семантическими, то способ передачи сигнала нейронами аналогичен ассоциативной нейронной сети [3].
Нейрон первого слоя построенной сети (на начальном этапе) имеет количест-, . -го синапса отражен в матрице весовых коэффициентов. Нейрон может, как прини-, .
Предложенная гибридная модель сети может быть представлена в виде графа, вершинами которого являются нейроны, а ребрами - установленные между ними связи, причем в виде графа представима, как вся сеть, так и отдельный слой. Следовательно, связи между нейронами, как внутри одного слоя, так и между нейронами разных слоев могут быть описаны матрицами смежности. Связи между нейронами первого слоя отражены квадратной матрицей У1 размерности п*п, где п -количество нейронов первого слоя, элемент которой Ур характеризует связь /'-го нейрона с р'-м нейроном. Отношения между нейронами-словшш первого слоя и нейронами-ионяишялш второго слоя представлены матрицей смежности У12 размерности пхда, где п - количество нейронов первого слоя, а т - количество нейронов второго слоя. Элемент матрицы У12 у'у характеризует связь /-го нейрона-слова с р-м нейроном-ионяишаи. Наличие связи между нейронами считается установленным, если У'р= 1.
, - -
ду собой, поэтому матрица У2 не рассматривается. Отношения нейронов-ионяишй (второй слой) и нейронов-облас/ией знаний (третий слой) представлены в матрице У23 аналогичной матрицам У1 и У12.
Матрицы смежности могут быть скорректированы на основе нечетких мно-
,
разным определениям и областям знаний.
Далее на основании матриц смежности создаются матрицы весовых коэффициентов для каждого слоя, отражающие значения синапсов нейронов. Синапсы ( ) ,
, ( ). -даваемой модели входы и выходы равносильны, т.е. нейрон может, как принимать, так и передавать сигнал по своим связям. Каждой связи нейрона соответствует си, -совых коэффициентов для каждого нейрона, равной одному и тому же произвольно заданному числу. Таким образом, наиболее часто встречающиеся слова получают меньшее значение, так как с большой вероятностью являются стоп-словами. Подобный подход индексирования по частоте часто используется в статистических методах распознания и классификации текста.
Значения синапсов связанных между собой нейронов представлены матрицей весовых коэффициентов W1 (р^мерности п*п, где п - количество нейронов первого слоя), элемент которой ч>1р характеризует вес /-го синапса р-го нейрона, где / -номер нейрона, р - номер входа данного нейрона. Элемент матрицы ч>1р отражает силу связи /-го нейрона с р-м нейроном.
Как уже было отмечено, одно и то же слово может входить в определения .
Начальное возбуждение х, подаваемое на вход сети, принимается за единицу, далее сигнал передается с помощью активационной пороговой функции [4], аналогично передаче сигнала в нейронных сетях.
На начальном периоде обучения слова-определения, связанные между собой и входящие в определение одного понятия, зациклены друг на друга и посылают возбуждения соответствующему понятию благодаря не столько подстройке коэффициентов, сколько пороговой функции и самой структуре сети. На третьем этапе, когда осуществляется генерация новых весовых коэффициентов, изменяется коэффициент, влияющий на чувствительность функции, и повышается чувствительность сети к более слабым сигналам. Возбуждение передается по установленным , , сигнал, и весовой коэффициент связи. Сеть построена так, что на начальном этапе весовые коэффициенты минимально влияют на передачу сигнала от нейрона -слова
- - - .
На работу сети влияют также такие параметры, как пороговое значение, при котором нейрон передает возбуждение, количество тактов передачи возбуждения, значение перехода и стабилизации сигнала. В представленной модели данные параметры могут изменяться в процессе работы сети.
Пример работы сети. Понятию «изотоп» ставится в соответствие определение: «Нуклиды(9) с одинаковым(10) числом(11) протонов(12)», где каждое слово пронумеровано, и еще несколько понятий. Понятию «кварки» - определение: « (4) (2) (5), (6) (12)
(13)».
, - - « »(9). -
рон 9 передает свое возбуждение (начшгьное возбуждение равно 1) связанным с ним нейронам 10, 11, 12. На первом такте нейрон 10 передает полу ченное возбуждение на 11 и 12. Полученное возбуждение умножается на вес синапса и суммируется [5], далее преобразуется пороговой активационной функцией /^) и идет на выход. Аналогично с нейронами 11, 12, которые также получили первоначальный сигнал от нейрона 9 и передают возбуждение с вязанным с ними нейронам. Задается пороговая величина Б, при значении /($) >Б сигнал не передается. В данном случае принимается Б = 0,5. На втором такте нейроны 10, 11 и 12 передают возбуждение друг другу, помимо этого нейрон 12 передал возбуждение не связанным с другими нейронам 2, 4, 5. Уже на 3 такте получается зацикливание связанных между собой нейронов друг на друга, в случае такого зацикливания возбуждение переда-2 « ». , 12 1 -2, 4, 5.
Из расчетов передачи сигналов нейронов видно, что активационная функция сильно увеличивает небольшой по значимости сигнал. Поэтому на втором этапе обучения сети ее параметры будут скорректированы, так как возникнет необходимость большего влияния со стороны весовых коэффициентов для сохранения установленных на этапе 1 связей. Если необходимо получить больше «родственных» , ,
.
Таким образом, на 1 этапе обучения (функционирования) сети выявляется количество в тексте специализированных терминов, порождающих зацикливание слов-определений и вызывающих обращение к слою понятий, а далее - к слою областей знаний или тематических разделов.
, -
ластей, в которых существует четкая, сложившаяся терминология, и для смежных
. , -
ется не только классификатором, но и, в некоторой степени, системой, выделяю-
щей ключевые темы, исходя из заложенной в текст терминологии. Эта же черта, а
также способность к выделению неявных ассоциаций [1, 3], отличает ее от классических статистических методов, частично использованных в модели. Отметим , -доемкий процесс обучения нейронной сети. Разработанная методика создания гибридной нейросетевой модели позволяет классифицировать текст на основе заложенной в текст терминологии и выделения неявных ассоциаций. Разработан алгоритм построения и функционирования гибридной нейросетевой модели, структура сети и ключевые параметры сети.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. . .
. - : , 2004.
2. . ., . . -
тивных нейронных сетей // Материалы международ. научн.-практ. конф. «Информационные технологии и информационная безопасность в науке, технике и образовании» «ИНФОТЕХ - 2002» 30 сентября - 5 октября 2002г., Севастополь, Украина.
3. . ., . . -
//
« ». - : , 2004, . 3. - 76 .
4. Круглов В.В., Борисов В.В., Харитонов ЕМ. Нейронные сети: конфигурации, обучение, применение. - Смоленск: Изд-во МЭИ, филиал в г. Смоленске, 1998.
5. . ., . . . / 2- .,
стереотип. - М.: Горячая линия-Телеком, 2002. - 382 с.
Раздел VII. Проблемы образования
УДК 681.3
В.М. Курейчик, В.И. Писаренко, Ю.А. Кравченко
ИННОВАЦИОННЫЕ ОБРАЗОВАТЕЛЬНЫЕ ТЕХНОЛОГИИ В ПОСТРОЕНИИ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ ГРУППОВЫХ
РЕШЕНИЙ*
Введение. Одним из недостатков сложившейся образовательной системы является частое отсутствие в комплексе целей такого компонента, как развитие потенциальных творческих возможностей личности. В результате человек с недостаточно развитым творческим мышлением в дальнейшем испытывает трудности, работая в коллективе, принимая решения в условиях ограниченной информации, устанавливая связи между понятиями и явлениями. В контексте общих интеллектуальных способностей человека творческие способности определены как креативность. С деятельностной точки зрения креативность может проявляться в составляющих познавательной деятельности - в ходе решения творческих задач, участия в проектах и т.д. В рамках познавательной деятельности креативность определяют как дивергентное мышление, которое характеризуется способностью выдвигать множество в равной степени правильных идей при решении некоторой проблемы, нестереотипностью самого мышления. Дивергентное мышление характеризуют быстрота, гибкость, оригинальность и точность [1]. Важными качествами компетентного специалиста являются умения выдвигать максимальное количество разнообразных, нестандартных идей, находить необычные решения, совершенствовать продукт творчества, добавляя детали, стремиться к завершенности. Таким , -точной степени выражены навыки в когнитивном (познавательном), психомоторном и аффективном (эмоциональном) видах деятельности.
Развитию у человека вышеперечисленных качеств во многом способствуют технологии открытого образования. Если рассматривать систему открытого образования (СОО) с технической точки зрения, это - использование принципов открытых систем при создании технологических систем в образовании [1, 2], что обеспечивает адаптивность и мобильность образовательных технологий. В социальном плане
- , , обеспечивающих мобильность и доступность образовательных услуг [4].
Рассматривая метапринципы СОО, а именно - аксиологический, культурологический, гуманистический, герменевтический, синергетический и валеологиче-ский, остановимся на синергетическом метапринципе. Этот принцип требует, чтобы в результате образования обучаемым достигался синергетический эффект, при котором сумма полученных знаний дает дополнительное качество, не присутст-
* Работа выполнена при поддержке: РФФИ (гранты № 07-01-00174). 216
вующее в слагаемых [2]. , - -
воение определенной суммы знаний, но и умение:
♦ действовать в рамках со гласованных целей и задач;
♦ согласовывать свои действия с действием партнера;
♦ самостоятель но развиваться.
,
(групповой) работе, когда рождаются идеи более высокого качества, чем при индивидуальной деятельности тех же обучаемых. Это происходит за счет интерак-. « опылению» [3]. Идея, которая сама по себе может быть отвергнута в силу недостаточной обоснованности или непрактичности, дорабатывается совместными усилиями, додумывается другими и, тем самым, улучшается, становится все более .
Инновационные технологии в групповом обучении. Необходимо отме-
, , чем при индивидуальной мыслительной деятельности тех же личностей. Данный эффект происходит за счет интерактивности процесса принятия решений в группе.
Г оворя об инновационных подходах к организации образовательных процес, , , являются малоизученными дидактическими явлениями, трудно поддающимися классификации и технологизации. Учитывая, что основной парадигмой инновационного обучения является создание модели рефлексивной взаимосвязи обучающего и обучаемого как самоорганизующихся систем, можно сделать вывод о целесообразности разработки групповых инновационных моделей и методов обучения. Так как качество подготовки специалиста в этом случае в большей степени будет определяться не объемом усвоенного им содержания учебного материала, а системой методов его профессиональной подготовки, что и составит приоритет самоорганизации обучения в современном образовании.
С точки зрения теории принятия решений, при самоорганизации и активизации образовательных процессов, обучаемый является равноправным членом группы, принимающей решение, а обучающий, в зависимости от ситуации, может быть владельцем проблемы, несущим ответственность за принятые решения, руководителем активной группы, экспертом-профессионалом или консультантом по принятию решений [12]. Такая модель рефлексивной взаимосвязи обучающего и обучаемых является основой самоорганизации образовательных групп.
На основе предложенной групповой образовательной модели можно эффективно реализовывать основные функции инновационных технологий в образовании:
1. -.
2.
.
3. - .
Расширим спектр рассматриваемых навыков в различных видах деятельности человека с развитым дивергентным мышлением. Согласно современным исследованиям в данной области, личность - комплекс шести сложных систем обработки информации: сенсорной, моторной, когнитивной, аффективной, стилевой (индивидуально-смысловой), ценностной (общественно-значимой) [5]. Таким образом, учитывая необходимость развития всех навыков личности, можно явно проследить переход от информационно-когнитивной тенденции образования к культурноисторической (личностной) педагогике, в основе которой будет лежать самоорга-
. -
нове рефлексии. В них обучаемый рассматривается как рефлексивный (самоорга-низованный на основе прошлого опыта) и рефлексирующий (самоорганизующийся на основе феноменального опыта) субъект. Тогда обучающая деятельность педаго-
- , для принятия решений самому обучаемому в системе трех основных процессов его самоорганизации: самоопределении, самопознании и самоактуализации [5]. Основу интерактивных обучающих систем образует деятельность обучаемого и обучающего как равноправных субъектов образовательного процесса. Интегральный показатель оптимального управления (минимакс) для самоорганизующихся образовательных систем - минимум воздействия и максимум развития.
тия); ti - затраченное на обучение время; zmax - необходимый уровень знаний (р^вития); t0 - допустимое время обучения.
Для достижения положительных результатов применения интерактивных систем группового обучения необходимо развивать их в направлениях адаптации к традиционным формам учебных занятий и организации полного технологического цикла инновационного обучения. Его основными этапами являются:
♦ осмысление будущим специал истом модели своей деятельности;
♦ приобретение и развитие опыта профессиональной самореализации;
♦ подготовка к выполнению функций своей деятельности в обычных и экс-
Можно выделить три основных направления инновационного личностно-: , . Данные направления обеспечат целенаправленное развитие креативности и развитие моральной саморефлексии обучаемого, объединяя, тем самым, три социокуль-: , .
2. . , подразумеваем «^бъект-^бъектный» подход, когда обучаемый воспринимается « » , (« »), -щая собственными характеристиками и психофизиологическими особенностями [10]. С этой точки зрения эффективным методом активации образовательных процессов является интерактивное обучение как способ познания, осуществляемый в формах совместной деятельности обучающихся, т.е. интерактивное обучение -имитация интерактивных видов деятельности: моделирование ситуаций; оценка ;
проблем [11].
Известно, что навыки не передаются, но интерактивные методы обучения позволяют осуществить перенос способов организации деятельности и получить новый опыт общения. В таком виде обучение идет не от теории к практике, а от формирования нового опыта к его теоретическому осмыслению через применение [3].
В рамках решения проблем развития навыков во всех видах деятельности личности обучаемого интерактивное обучение решает задачи развития учебно-
Iи (1г ,и тіп,
(1)
где и (zi, ti) - показатель оптимального воздействия; zi - уровень знаний (р^ви-
.
познавательной, коммуникационно-развивающей и социально-ориентационной составляющих [9]. Также активно развиваются все стороны общения участников : , . -строено на групповом взаимодействии. Группа является центральным понятием . -, : , , кооперация, корпорация и коллектив. Коллектив является самой устойчивой во времени организационной группой людей с совместной общественно полезной ,
отношений [7]. Внутри коллектива может существовать референтная группа -обычно небольшая, занимающая лидирующие позиции. Естественно, что желательным является наличие в референтной (малой) группе, как минимум, по одному представителю с доминирующим развитием навыков одного из видов деятельности личности (аффективный, когнитивный, психомоторныи). С учетом соблюдения данного требования наиболее эффективной малой группой будет триада. На основе принципа модерации [8] как инновационной формы повышения квалификации специалистов различают три уровня организации обучения:
1) ( );
2) ( );
3) ( ).
Исходя из вышесказанного, представим групповую модель обучения навыкам ( . 1).
Участник группы с когнитивной доминантой
Инициирование
Анализ и оценка
Реапизация
Рис. 1. Модель группового обучения навыкам решения творческих задач
Целевой функцией данного процесса группового обучения является максимальная интеграция навыков во всех видах творческой деятельности личности обучаемого. Причём, каждый вид деятельности должен быть обеспечен достаточным уровнем умений. Опишем выражение целевой функции F:
m n z / \
F = £ £ £ W, u Nj и Zk)^ (2)
i=1 j=1 k=1
M, - , -
стника группы; Nj - множество признаков, характеризующих когнитивную доминанту участника группы; Zk - множество признаков, характеризующих психомоторную доминанту участника группы.
Причём, m > mg, n > no, z > z0 где m0,n0,z0 - минимально приемлемые наборы , .
Рассмотрим возможности применения кейс-метода (case study) как техники обучения, использующей описание реальных ситуаций. Кейс-метод - сложная многоаспектная исследовательская аналитическая технология коллективного обучения, которая является синергетической технологией и синергетической разновидностью проектной технологии [3]. В обычной обучающей проектной технологии процесс разрешения имеющейся проблемы осуществляется посредством совместной дея, -
решения происходит на основании кейса, который является одновременно и тех, -
.
По отношению к другим технологиям обучения кейс-метод можно представить как сложную систему, в которую интегрированы другие, более простые мето: ; ; ; эксперимент; методы описания, классификации; игровые методы и др. Проблемы коллективного поведения необходимо рассматривать в контексте теории систем, теории управления и теории игр. Основной идеей системного анализа является применение декомпозиции исходной задачи на более простые. В мультиагентных системах идея декомпозиции воплощается в принцип распределенного решения подзадач с их координацией для получения стратегии коллективного поведения.
Подобную технологию можно положить в основу принципов построения многоаспектной аналитической системы (среды) машинного обучения. Построенные на основе предложенных принципов интеллектуальные системы обучения и контроля качества знаний и уровня понимания позволяют оказывать прямое воздействие на развитие качеств, характеризующих дивергентное мышление. Интеллектуальная мультиагентная система представляет собой множество интеллекту, , -левантных данных, знаний, процедур, решений и кооперируются для достижения поставленных целей [6]. Саморазвиваемость и самоорганизованность основана на идее автоматического развития искусственных, когнитивных структур модели и знаний по результатам взаимодействия программных средств (агентов) с экспертами и испытуемыми. В ходе развития системы предусмотрено создание как индиви-( ), -ванных супер - агентов, которые являются результатом объединения когнитивных структур в единое когнитивное поле. Главная черта такой системы - взаимодействие между агентами, т.е. установление двусторонних и многосторонних динамических отношений между субъектами как необходимое условие формирование вир. -, , .
. , из слагаемых инновационного развития образовательного процесса есть интерактивная технология соединения в образовательном процессе моделей экстенсивного ( ), ( -
), (
стремление к самосовершенствованию) обучения. В статье предложена модель группового обучения навыкам решения творческих задач. Исследования проводились на основе методов активизации обучения. Результаты работы показывают, что применение технологий интерактивного обучения позволяет усилить синергетический эффект образовательного процесса за счет формирования у обучаемых нового опыта и перехода к его теоретическому осмыслению через применение.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. . ., . ., . . -
ориентированного обучения в высшей школе: Учебное пособие / под ред. В.А. Сласте-нина. - М.: Педагогическое общество России, 2004. - 192 с.
2. . . : // ГНУ «Госинформобр». - М.: Янус-К, 2005. - 180 с.
3. . ., . . : -
собие для вузов/ под ред. Т.С. Паниной. - М.: Издательский центр «Академия», 2006. -176 с.
4. . . : .
- М: Издательский центр «Академия», 2007. - 192 с.
5. . ., . . :
пособие. - М.: АПК и ПРО, 2001. - 64 с.
6. . ., . . : Учебник. - М.: Финансы и статистика, 2004. - 424с.
7. Столяренко Л.Д. Основы психологии. - Ростов н/Д, 1997.
8. .
заседаниях // шшш. Ngosnews.ru/nwfa/method/04_skil.htm.- 2004.
9. Кларин М.В. Интерактивное обучение - инструмент освоения нового опыта. - М.: Педа-
, 2000.
10. Загвязинский В.И. Теория обучения: Современная интерпретация: Учебное пособие. -М.: Педагогическое общество России, 2001.
11. Косаткин С.Ф. Техника обратной связи в аудитории. - М.: Новые знания, 2002.
12. Ларичев ОМ. Теории и методы принятия решений: Учебник. - М.: Логос, 2000. - 296с.
УДК 321.3
..
МЕТОДЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ПОСТРОЕНИИ АДАПТИВНЫХ МОДЕЛЕЙ ОБРАЗОВАТЕЛЬНЫХ ПРОЦЕССОВ*
. ,
средствами новых информационных технологий, рассматривается как составная часть среды обучения и выступает как «сложное, многоаспектное образование, своеобразная результирующая всех информационно-знаниевых и коммуникационных потоков, на пересечении которых находится человек» [1]. Значение компьютерного обучения возрастает по мере развития информатизации общества, но по своей эффективности оно отстает от индивидуального обучения с учителем. Этот недостаток порождается малым уровнем интеллектуальности систем обучения в плане выработки эффективных стратегий представления учебного материала. Актуальность данной работы определяется необходимостью повышения эффективности образовательного процесса на основе разработки адаптивных моделей ситуационного управления интеллектуальными компьютерными обучающими система-( ). -нятия решений в условиях неопределенности, обеспечивающие повышение функционирования ИКОС в слабо формализованных предметных областях.
Метод принятия решений по обучению с использованием семантической модели предметной области. Современные системы компьютерного обучения
* Работа выполнена при поддержке: РФФИ (гранты № 07-01-00174).
