CC BY
42
- проведен анализ явления при различных значениях параметров: внешней температуре, температуре жидкой фазы во входном потоке, концентрации субстрата и т. д., в ходе которого определены границы существования этого явления;
- обнаружено, что в периодическом режиме работы биореактора температуры, наблюдаемые в процессе саморегулирования, вполне могут соответствовать температурам, доставляющим максимальную удельную скорость роста используемых микроорганизмов; это обстоятельство позволяет надеяться на возможность практического использования явления саморегулирования;
- поскольку непрерывный биохимический реактор может представлять собой (по крайней мере, в плане температурного режима) упрощенную модель живой клетки [5], полученные выводы с определенной долей вероятности можно экстраполировать и на режимы температурного гомеостаза отдельной живой клетки (например, клетки ткани).
ЛИТЕРАТУРА
1. Arzamastsev A.A., Kristapson M.G. Computer simulation of temperature autostabilization: an analysis of phenomenon // Appl. Microbiol. Biotechnol. 1993. V. 40. P. 77-81.
2. Арзамасцев А.А. Компьютерное моделирование саморегулирования температуры в популяциях микроорганизмов. Сообщение 1: периодический режим // Вестн.Тамб. ун-та. Сер. Естеств. и техн. науки. Тамбов, 1996. Т. 1. Вып. 1. С. 71-77.
3. Arzamastsev A.A. The concept of microbioreactor is a good model for biological tissue phenomena simulation // 7th European Congress on Biotechnology. Abstract Book. Part 3. Wednesday / February 22. Nice, France. Р. 62.
4. Рылкин С.С. и др. Эффект аутотермостатирования микробных популяций и его влияние на рост и газообмен микроорганизмов // Микробиология. 1973. Т. 42. С. 445-451.
5. Arzamastsev A.A. The possibility of polyculture and polysubstrate bioprocess control using self-regulation properties of microorganisms // “ACHEMA-94, International Meeting on Chemical Engineering and Biotechnology, Biotecnology and the DECHEMA-Section Biotechnology 12th Annual Meeting of Biotechnologists”. Frankfurt a/M, Germany, 5-11 June 1994. Р. 46-47.
Поступила в редакцию 24 декабря 2007 г.
АВТОМАТИЗИРОВАННАЯ ТЕХНОЛОГИЯ ПОСТРОЕНИЯ ЭКСПЕРТНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ
© А.А. Арзамасцев, А.В. Неудахин
В различных сферах человеческой деятельности существуют объекты, решение различных задач управления которыми связано с анализом многофакторных зависимостей с трудом поддающихся формализации ввиду недостаточности информации и ее значительной зашумленности. В некоторых случаях специалист в данной предметной области (эксперт) может решать такие задачи, пользуясь значительным опытом, интуицией, прогностической способностью в данной сфере. Однако такие решения являются в значительной степени субъективными. Например, при смене эксперта реализуются уже другие управленческие решения, которые, однако, могут быть не хуже предыдущих.
Таким образом, эксперт заключает в себе некоторую «модель» данной предметной области, реальная формализация которой часто бывает невозможна или сильно затруднена. Отчасти данная проблема, связанная с накоплением знаний об объекте, их обобщением и интерпретацией может быть решена на основе разработки компьютерных экспертных систем (ЭС), которые в настоящее время разрабатываются для различных сфер человеческой деятельности («SIAP» - используется для обнаружения и идентификации различных типов океанских судов (военное дело); «АВТАНТЕСТ» и «МИКРОЛЮШЕР» - используются для определения основных свойств личности по результатам психодиагностического тестирования (психология), «ANGY» -используется для диагностики и терапии сужения коронарных сосудов (медицина); «CRIB» - используется для диагностики неисправностей в аппаратуре и программном обеспечении компьютера (информатика)).
Экспертные системы - специальные программы для ЭВМ, основанные на алгоритмах искусственного интеллекта и предполагающее использование соответст-
вующей информации в предметной области, полученной ранее от экспертов. Основная область использования ЭС - принятие управленческих решений при отсутствии экспертов.
Основной идеей, предлагаемой авторами доклада, является разработка интерактивной ЭС, по мере эксплуатации которой происходит накопление информации об объекте, изменение (наращивание) структуры и переучивание интеллектуальной модели объекта. При этом первоначальное ядро знаний об объекте формируется при совместной работе пользователя объекта, поставляющего исходную информацию, и эксперта, оценивающего ее по некоторым критериям. Предполагается, что такая система будет интегрировать все вводимые данные об объекте и по мере необходимости переучивать свою интеллектуальную модель. При накоплении некоторого критического объема информации сама система может проводить ее классификацию и оценивание. Таким образом, начиная с некоторого момента, роль эксперта может быть постепенно сведена к нулю. Если обобщить теперь полученные знания об объекте с помощью некоторой интеллектуальной модели, то система сама сможет выполнять роль эксперта, принимая или подсказывая управленческие решения даже в ситуациях, которые ранее никогда не возникали, в связи с чем можно ожидать, что со временем такая система будет указывать решения, по крайней мере, не хуже, чем решения, предлагаемые экспертами.
Целью данной работы является выработка методики реализации такой ЭС и обсуждение автоматизированной технологии ее построения.
Решение поставленной задачи предлагается проводить в соответствии со схемой, представленной на рис. 1.
1. Формирование начальной обучающей выборки.
1.1. Через пользовательский интерфейс осуществляется ввод пользователем входных параметров и занесение их в базу данных, с использованием технологии, описанной в [1].
1.2. Оценивание экспертом введенных пользователем параметров и вынесение заключения по данному испытуемому с фиксированием результата в соответствующие строки таблицы базы данных.
2. Автоматизированный ввод обучающей выборки в модуль построения нейронной сети состоит из двух этапов.
2.1. Запрос к базе данных на обучающую выборку.
2.2. Считывание обучающей выборки из таблицы базы данных и распределение ее по входным и выходным параметрам нейронной сети.
3. Построение нейронной сети. Осуществляется по определенному алгоритму.
4. Обучение сети до стабильного состояния погрешности обучения. Фиксирование весовых коэффициентов входных параметров.
4.1. Обучение сети по первоначальным входным данным.
4.2. Добавление обучающей выборки и переобучение сети до стабилизации погрешности обучения. Данный подпункт представляет собой цикл, условием выхода из которого является соответствие значения погрешности обучения на текущей итерации значению на предыдущей. Каждая итерация включает в себя выполнение следующих действий: считывание из базы данных новой информации для обучения; переобучение нейронной сети; сравнение ошибки обучения сети с ошибкой, существовавшей на предыдущей итерации.
4.3. Фиксирование весовых коэффициентов входных параметров.
5. Сравнение погрешности обучения полученной нейронной сети с заданной допустимой погрешностью.
5.1. Если погрешность обучения недопустимая, то происходит возврат к пункту 3 и осуществляется повторное выполнение последующих пунктов.
5.2. Если погрешность обучения допустимая, то осуществляется переход к выполнению последующих пунктов.
6. Сохранение полученной модели сети.
Рис. 1. Схема автоматизированной технологии построения экспертной системы
7. Проверка работоспособности модели. Добавляются экспериментальные данные для анализа согласно последовательности пункта 2. Осуществляется анализ данных с помощью полученной модели нейронной сети.
7.1. Если происходит расхождение результата, полученного моделью, с оценкой эксперта - происходит возврат к пункту 3 и осуществляется повторное выполнение последующих пунктов.
7.2. Если результаты, полученные моделью, сходятся с оценкой эксперта, осуществляется переход к выполнению последующих пунктов.
8. В соответствии с фиксированными весовыми коэффициентами входных параметров происходит анализ их значимости.
8.1. Если выявляются входные параметры с малозначимыми весовыми коэффициентами - осуществляется запрос к базе данных на удаление малозначимых входных параметров из перечня вводимых данных. Далее происходит переход к следующему пункту.
8.2. Если малозначимые параметры не выявляются
- происходит переход к следующему пункту.
9. Система переходит в режим готовности к самостоятельной оценке входных данных.
На данном этапе разработки система способна анализировать входные параметры без участия эксперта на основе обученной нейронной сети.
Во время обучения нейронной сети анализ параметров введенных пользователем осуществляется экс-пертом-профессионалом, и его результат заносится в базу данных.
В результате функционирования предложенной технологии мы получаем экспертную информационную систему, основанную на аппарате искусственной нейронной сети, позволяющей проводить анализ предметной области без участия эксперта-профессионала.
ЛИТЕРАТУРА
1. Неудахин А.В. Разработка сетевой тестирующей системы // Вестн.
Тамб. ун-та. Сер. Естеств. и техн. науки. Тамбов, 2007. Т. 12. Вып.
5. С. 640-645.
Поступила в редакцию 24 декабря 2007 г.
МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ СОЦИАЛЬНЫХ ПРОЦЕССОВ КАК АКТУАЛЬНАЯ ПРАКТИЧЕСКАЯ ЗАДАЧА СОВРЕМЕННОГО ИННОВАЦИОННОГО ПРОЕКТИРОВАНИЯ
© С.Е. Жуликов, О.В. Жуликова
Математическое моделирование как научное направление еще очень молодо, и его эволюция в рамках компьютерно-технологических сдвигов продолжается. Обобщающие публикации и монографии, довольно многочисленные в англоязычных странах, на русском языке появляются довольно редко и порой не успевают за бурным прогрессом модельно-обоснованных методов анализа и управления. Кроме того, основная масса этих публикаций не касается моделирования как общенаучной дисциплины или направления компьютерных технологий и ориентирована на отдельные задачи или области применения. В целом можно сказать, что эти публикации вольно или невольно подводят итог определенным этапам развития моделирования как области научной и практической деятельности человека. Опыт моделирования систем на самых разных направлениях человеческой деятельности позволяет нам как расставить общие акценты на достижениях и особенностях этого направления на пройденных этапах, так и рассмотреть основные тенденции, сложившиеся за последнее время.
Основные черты современного математического моделирования связаны с тем, что в последнее десятилетие математическое моделирование быстро теряет «академические» черты чисто научного и узкопрофессионального направления. Это относится не только к теоретическим вопросам, таким, например, как «типизация» математических моделей (феноменологические модели, системные модели и все более набирающие силу виртуальные модели) или как проблема адекватности моделей, понимаемая в самом широком смысле.
Не менее важны многочисленные проблемы, возникающие при практическом использовании методов и результатов моделирования. В отличие от академической трактовки моделирования (например, как области вычислительной математики), в практике модельных задач большое внимание приходится уделять проблеме взаимоотношения моделирования с «внешним миром». Внешний мир - источник идей и данных для моделирования, в нем живут как заказчики конкретных исследований, так и «конечные потребители» компьютерной продукции.
Математическое моделирование в общем (академическом) виде можно рассматривать как триады «модель
- алгоритм - программа», где под моделью понимается «эквивалент» объекта, отражающий в математической форме важнейшие его свойства - законы, которым он подчиняется, связи, присущие составляющим его частям, и т.д. Выбор вычислительных алгоритмов - следующий этап, а разработка программ, переводящих модель и алгоритм «на понятный компьютеру язык», завершает создание рабочего инструмента исследователя. Готовая триада тестируется в «пробных» экспериментах. На этом этапе посредством цепочки усложнений (иерархии все более полных моделей) обеспечивается ее адекватность. После этого можно переходить к «опытам», дающим все требуемые качественные и количественные свойства и характеристики объекта.
Плодотворность методологии математического моделирования при решении разнообразных задач за прошедшие годы была неоднократно подтверждена многочисленными примерами из области механики,
