CC BY
49
Локальные ослабления межсоединений проявляют себя преимущественно при неординарных воздействиях. Реакции на них контролируемого элемента анализируется средствами «диагностического» контроля. Использование такого принципа контроля позволяет прогнозировать стойкость межсоединений к экстремальным воздействиям или к условиям длительной эксплуатации, сопровождающейся во времени глубокими процессами старения материалов, протекающими наиболее быстро по местам не-однородностей - дефектов. Своевременное выявление таких дефектов и последующий ремонт с повторением диагностического контроля позволяет уменьшить уровень дефектности межсоединений.
Физическую основу диагностических методов контроля составляют исследования физических характеристик объекта и обнаружения таким образом несовершенства его структура. Эти методы базируются на результатах исследований физических процессов, приводящих к отказам межсоединений.
Разработка практических методов диагностического контроля соединений и изоляции связана в первую очередь с решением проблемы электрической коммутации многих цепей по специальной програм-
мам, разработанной с использованием средств вычислительной техники, большое число контролируемых цепей в ПП современных и перспективных электронных систем авионики вызывает необходимость использования высокопроизводительных методов теплового возбуждения и выявления реакции элементов соединений на это возбуждение. Требования к высокой достоверности контроля межсоединений и настоятельная необходимость автоматизации операций контроля служит основанием для преимущественного использования электрических методов проверки.
В заключение следует подчеркнуть обязательную необходимость оценки максимальных перегрузок элементов, компоновки печатной платы с точки зрения ЭМС и обеспечения терморежимов силовых ЭРЭ и прецизионных узлов. Необходимо оценить подверженность прецизионных и высокоимпедансных цепей наведенной помехе. Нужно проанализировать стойкость изделия к ударам и вибрациям, в случае сомнений, провести хотя бы прикидочный статический и модальный анализ. Все это позволит повысить надежность изделий ракетно-космической и авиационной техники на ранних стадиях их создания.
ЛИТЕРАТУРА
1. Старосельский, В.И. Физика полупроводниковых приборов микроэлектроники. М.: ЮРАЙТ Высшее образование, 2009 год. - 463 с.
2. Скубилин, М.Д. Электронная техника: производство и применение/ М.Д. Скубилин, В.В. Поляков// ТТИ - ЮФУ, 2010 г. - 375 с.
3. Скворцов, А.А. Особенности электростимулированного разрушения алюминиевой металлизации при наличии диэлектрических ступенек на поверхности кремния/ А.А. Скворцов, В.В. Рыбин, С.М. Зуев//Письма в ЖТФ, 2010, том 36, вып. 6, - С. 73-79.
4. Везенов, В.И. Основы процессно-ориентированного управления проектами информационных систем. / В.И. Везенов, О.Г. Светников, А.И. Таганов. Под ред. проф. Корячко В.П.// - М.: Энергоатомиздат, 2002. - 320 с.
5. Юрков, Н.К. Технология производства электронных средств/Н.К.Юрков//СПб. - 2014. 460 с.
6. Уваров, Б.М Определение показателей надежности электронной аппаратуры при частичных отка-зах/Б.М. Уваров, Ю.Ф. Зиньковский//Наука i техн^а Пов^ряних Сил Збройних Сил Укра!ни.- 2014, - №
2(15).- С. 119 - 126.
7. Медведев А.М., Мылов Г.В. Концепции обеспечения надежности входного контроля материалов и комплектующих, поступающих в производство //Надежность. - 2013. - № 1 - С. 28-36.
8. Методы обнаружения и локализации латентных технологических дефектов бортовой радиоэлектронной аппаратуры (Монография)/ В.Б.Алмаметов, А.В.Затылкин, А.В.Григорьев, И.И. Кочегаров, Н.К.Юрков// Пенза: Изд-во ПГУ, 2013. - 184 с.
9. Производство гибких и гибко-жестких плат. Часть 6. Специальные средства контроля и испытания печатных плат/ Г.В. Мылов и др.//Технологии в электронной промышленности, № 1, 2009 - с. 11-21.
10. Мылов, Г.В. Модели, методы и инструментальные средства автоматизированного проектирования трехмерных электрических межсоединений в системах авионики/ Г.В.Мылов//Докт. диссерт. Рязань, 2017, - 286 с.
УДК 621.396.96
Полтавский1 А.В., Юрков2 Н.К., Нефедьев2 Д.И., Гриншкун1 А.В.
1ФГБОУ ВО «Институт математики, информатики и естественных наук» МГПУ, Москва, Россия 2ФГБОУ ВО «Пензенский государственный университет», Пенза, Россия
ИНФОРМАЦИОННАЯ МОДЕЛЬ РАСПОЗНАВАНИЯ ОБРАЗОВ
В статье предлагается информационная модель и алгоритмы распознавания образов с применением средств цифровой электронной вычисли-тельной техники в структурах информационно-измерительных и управляющих систем робототехнических комплексов
Введение
В настоящий период времени, в задачах информационного моделирования, в частности, структурах информационно-измерительных и управляющих систем (ИИУС) при наблюдениях за различными объектами применятся различные алгоритмы обработки данных по принимаемым входным сигналам с оптических и радиолокационных приемников, радиационных и других электронных датчиков. Эталонами для распознавания объектов устройствами и приборами наблюдения и средства внимания ИИУС являются различные строительные сооружения - здания, аэродромы, капониры, корабли, подводные лодки, танки, БМП, различные ЛА, очаги пожаров и т. д. Само обследование области поиска объектов-целей производится путем организации управления наблюдениями с помощью мониторинговых и поисковых средств обнаружения. Отсюда следует то, что ключевыми задачами для организации процессов управления наблюдениями в многоцелевой ИИУС являются обнаружение и распознавание объектов поиска.
Информационная модель распознавания образов в ИИУС
Многолетняя практика применения моделей и алгоритмов исследований в области ИИУС показывает, что для решения задач поиска и идентификации информационных процессов применяют, в основном, корреляционно-экстремальные системы обнаружения и оценки состояния объектов поиска, а также системы обнаружения и распознавания их, которые основаны на методах признакового распознавания. Идентификация таких процессов наблюдения за объектами оценивается, прежде всего, основными показателями обработки информации - точности измерений при заданных характеристиках для вероятности обнаружения, т. е. вероятности правильного (неправильного) обнаружения при определенной точности измерения координат объекта-цели. Информационная модель процесса обнаружения объекта-цели, по существу, является частным случаем от всего процесса наблюдения и распознавания образов, так как окончательное принимаемое решение
содержит только два логических исхода (суждения): цель и объект обнаружен («да» = 1) или не обнаружен («нет» = 0) - это есть двух альтернативное распознавание образов системой. Источниками информации и данных для принятия решения алгоритмом являются два основных состояния, с вероятностями Р{х±) и Р(х2), т. е. объект и цель присутствуют на сцене (принимаемом в ИИУС сигнале) или объект отсутствует (в частном случае - наблюдается фон). Также при этом Р(х1) + Р(х2) = 1. Сами признаки являются основой для ИИУС в идентификации сообщений, они несут полезную информацию о форме объекта, размерах, координатах и параметрах, уровня распределении яркости, распределения цветов на изображении и др. В то же время, сами же признаки могут быть простыми или сложными. Например, простыми признаками в распознавании образов являются характеристики электромагнитного сигнала - амплитуда, фаза, интенсивность излучения и т. д. Сложным признаками будут - геометрические контуры объекта, значения заданных функций, структурно-лингвистические и синтаксические связи в текстах команд предложении и т. п. Как мы отметили, признаки в ИИУС могут иметь детерминированные или вероятностные значения. Например, к детерминированным признакам можно отнести конкретные числа, а также конкретные размеры объекта-цели и др. А логическими признаками в компьютеризированной среде подготовки принятия управленческих решений (КСППУР) ИИУС, являются элементарные высказывания с двумя значениям их истинности (т. е. «нет-да», или «0»-«1», т. е. «ложь-истина»). Общепринято, что
признаки в нечетких множествах и высказываниях
принимают значения в принятом диапазоне значений 0...1 на основе лингвистической переменной. А вероятностные признаки в ИИУС рассматриваются как случайные величины с конкретными числами. Сам выбор наиболее информативных признаков из их множества составляет основную сложность при реализации алгоритмов и наблюдаемых процессов измерений ИИУС в условиях помех (или воздействия шумов) различной природы. Для принятия решений в компьютерной среде КСППУР необходимо рассматривать определенный векторный набор из признаков, образующих, так называемое, пространство признаков (словарь признаков). Такое пространство признаков разделяется на некоторые области. В свою очередь, каждая из этих областей (словаря) будет соответствовать значениям признаков из конкретного класса наблюдаемых объектов-целей. Отсюда следует то, что при получении значений признаков наблюдаемого объекта необходимо определить к какой именно области они непосредственно относятся, а затем уже принимается решение о принадлежности наблюдаемого объекта к определенному типу и классу. Границу, которая будет разделять это признаковое пространство, общепринято называть решающей границей (применяют термин - решающей поверхностью). Отсюда следует, что определение набора-словаря множества признаков { XI, Х2,..., Хк,..., Хп} является составной частью процесса распознавания образов, а многие признаки, используемые в алгоритмах ИИУС для такой классификации объектов, можно разделить на следующие (см. рис. 1): детерминированные; вероятностные; логические; структурные и комбинированные.
Рисунок 1 - Схематизация систем распознавания образов в ИИУС
Разработчики информационных систем с искусственным интеллектом (ИИ), а также многие специалисты и пользователи компьютером в «рабочий словарь признаков» включают основные признаки с учетом следующих ограничений:
1. Используются только те основные признаки, относительно которых может быть получена априорная полезная информация для объектов-целей ИИУС.
2. Нецелесообразно включать в «рабочий словарь признаков» те признаки, которые будут мало информативны.
3. Некоторые множества из признаков для распознавания не могут быть определены, ввиду отсутствия необходимых датчиков информации.
4. Признаки должны быть инвариантны к аффинным преобразованиям.
Процессы распознавания образов часто носят вероятностный характер, поэтому в основу их исследований положены статистические методы на основе метода максимума апостериорной вероятности с использованием байесовского алгоритма. Идея заключается в следующем. Пусть имеются классы возможных сигналов (набор образов) А1, А2,..., Ам, где символ А± - некоторый 1 - ый класс, а М -общее число наблюдаемых классов. Классы образов А представляются совокупностью признаков из множества {Х1, Х2,..., Хк,..., Хп}, в котором некоторая компонента Хк- определенный к-ый признак, а N -
общее число признаков. Для значений Хк в дискретных точках наблюдаемого процесса можно вы-
k к к
делить возможную градацию x = Xj ,X
4xf
R '
В
k
ней имеется x'¿ - конкретное значение для Xk , R
- общее число градаций признаков Xk., I - текущий номер градации. Совокупность из конкретных значений для наблюдаемых признаков в алгоритмах идентификации объектов-целей составит определенное описание реализаций множества {bi, b2,..., bj,..., Ьт}, где компонента bj - конкретная j - я реализация, Т - общее число неодинаковых реализаций. Условно считаем, что ранее уже известны априорные распределения вероятностей классов Ро(А), а также априорные условные распределения вероятностей признаков Ро (X/A) для каждого из наблюдаемых классов ИИУС. Исходные данные для плотности вероятностей из-за воздействия естественных и искусственных помех системе преобразуются в новые распределения вероятностей Р(А) и P (X/A), они позволяют оценить эффективность распознавания образов. Критерий эффективности распознавания образов (или идентификации объекта-цели) характеризуется относительным или абсолютным увеличением вероятности ошибки распознавания по следующим общепринятым формулам [1,2,3,4]:
8Р(Е) =
Р (Е) - Р(Е)
И АР(Е) = Р (Е) - Р(Е) , (1)
Р (Е)
где Р(Е) - вероятность ошибки распознавания для
случая отсутствия помехи; Р (Е) - вероятность ошибки распознавания образов (объекта-цели) в условиях организованных и естественных помех. Е - ошибка в распознавании объекта.
Алгоритм распознавания образов в ИИУС
Для реализации алгоритма необходимо выполнить следующее:
1. Подготовить исходные данные по классам в виде значений величин М, N, К, Р(А±) , Р(Х1/А±)Г Р(х1/А]. Величины М, К обозначают соответственно числа классов, признаков и значений признака, Р(А^) - апостериорную вероятность появления А - го класса, Р(х±/А±) - апостериорную условную вероятность того события, что 1-е значение к-го признака принадлежит А± - му классу в ИИУС.
2. Определить вероятность появления 1-го значение к-го признака [1,3,4]
м
Р(х1) = £ Р(4 )Р(хк / 4). (2)
1=1
3. Рассчитать (априори] условную вероятность А - го класса при условии, что 1-е значение к-го признака производится для каждого из класса А - го.
4. Оценить информативность каждого из признаков с помощью формулы
м К м
и =-
6. Сравнить вычисленную вероятность ошибки с некоторой минимальной заданной вероятностью Р (е) зад • В том случае, если выполняется условие Р(е)к < Р(е)зад , признак и вероятность ошибки запоминаются; в противном случае - выбирается второй признак в порядке убывания его информативности.
7. Определить по двум признакам условные вероятности для реализаций
Р(Ь / д) = р(х / д. )Р(х* / д)
или
N
(5)
Кк , Кд
£Р(Л)1о§2 Р(А)+£Р«к)£р(4 / ^)1082Р(4 / хк)
Р(Ь/ / д) = П Р(хк / д) к=1
где ] = 1,2,3,.., Т, Т = Кк Кд , а значений к-го и д-го признаков.
8. Рассчитать вероятность для j-й реализации
м
Р(Ь. /д.) = £Р(д)Р(Ь/ /д.). (6)
.=1
9. Определить апостериорную ность вероятности по формуле
Р(Л )Р(Ъ. / Л1) Р(д / Ь.) = --^и.-^
( ' .) Р(Ъ/)
10. Вычислить вероятности ошибок распознавания по реализациям
Т
Р(е\, = %{Р(Ь/)-тах[Р(д.)Р(Ь. /д.)]}. (8)
.=1
11. Сравнить вероятности ошибок распознава-
запомнить при-
условную плот-
7)
при условии Р(е)к „ < Р(е)у>
знаки и значения
Р(е),
к ,д ■
в противном случае до-
Значения по всем признакам обнаруживаются ИИУС в порядке их убывания.
5. Определить вероятность ошибки по наиболее информативному признаку К
Р(е)к = £{Р(хк)-тах[Р(д.)Р(х^ / д.)]}. (4)
бавить (рис. 2] следующий признак по информативности в выражение пункта 7 и произвести вычисления в соответствии с вышеприведенными формулами пунктов 7-10.
Рисунок 2 - Алгоритм распознавания образов
Вычисления вероятности Р(е) в формуле (1) первоначально производятся без учета помех. При учете помех системе вновь подготавливаются исходные данные в пункт 1. В соответствии с пунктами алгоритма 2-11 вычисляются вероятности Р*(е), по формуле (1) определяется эффективность распознавания. Блок-схема алгоритма, представленная на рис. 2 отображает вероятностную модель распознавания при известных априорных плотностях
для вероятностей Р0(А), Р(Х / д). Программа реализации алгоритма была разработана в ВВИА им. проф. Н.Е. Жуковского на языке АЛГОЛ для второго поколения ЭВМ.
Пример. Алгоритм распознавания цветовых классов в системе ИИУС. При разработке программного обеспечения (ПО) в системе ИИУС необходимы алгоритмы для автоматизации распознавания образов по цветовой гамме. Такие алгоритмы призваны определить наиболее эффективный признак цветовых
.=1
.=1
решения определим из выражения как
р = СгР(Ц)Р + С2Р(Ц)Р2 , в котором Р(Ц), Р(Ц) -
априорные вероятности для цветов. Учитывая тот факт, что Р^ = 1 — J /(Х)^% получим формулу поиска
классов и априорное описание их на языке этого признака, а также обеспечить рациональное разделение цветовых классов. Поскольку распределение признаков по классам (цвета) носит стохастический характер, то априорное описание последних можно представить в виде функций условных плотностей вероятностей признака /(ж) по цветовым классам. Пусть первый класс светло-зеленого цвета (например, трава на поле), а второй класс - темно-зеленый (например, БМП на поле), которые подчинены нормальному закону (см. рис. 3)
Рисунок 3
- Схематизация распознавания образов объекта) по цветовой гамме
Задача распознавания образов (цвета объекта-цели) в ИИУС [3,4] сводится к статистической оценке и проверкой гипотез для двух альтернатив 01 и 02 , а алгоритм распознавания для одномерного пространства признака следующий:
Гг Ж>Жо; (9)
[г е^,
где 2 - образ по цвету, поступающий на вход распознающего устройства ИИУС; Жо - решающее правило для идентификации признака. Т. о., само определение алгоритма распознавания образов, по существу, сводится к обоснованию оптимального значения Жо . Разделим значение признака % на
рис. 6) R : Z е Ц, R : Z еЦ
в ИИУС объекта-цели допу-ошибки первого рода -
R
риска:
р = С1Р1 + J [CpQfz) - CpQfzWx .
Решающее правило, которое минимизирует риск, заключается в том, что к области Е.2 относят те цвета, для которых подинтегральное выражение в формуле будет отрицательным, условие
С2Р(&2)Г2(Х) — СРФОГМ) < 0 . Или
Щ) , С1Р(П1)
(11)
/1%) С2(02)
Оптимальное значение признака Жо должно пре вращать формулу в равенство
МХо)_ С) (Ц) _
12)
Полагая
/г( Жо) =
1
/(Жо)
Cl=C2
(Жр- Ж2)2
C2( Q2)
и учитывая,
/(Жо) = "
1
(Жр-Ж1)
2 у[2яо"1
которых (, ( - СКО признака % для соответствующих классов О1 и О2 ; - средние значения алгоритмом обработки информации будет
признаков таким
exp-
(Жо
Ж2)2
2а2
(Ж0 Ж1) 2
.рша
' Р(Ж2)°-1
(13)
Разрешив выражение относительно Жо и подставив ранее известные априорные численные значения для вероятностей цветовых классов получим алгоритм для принятия решения, который обеспечивает
в
две части Я1 и Е.2 (см. . При распознавании стимы два вида ошибок: цвет, принадлежащий классу 01 относится к классу О2; б) ошибки второго рода - это темно-зеленый цвет отнесен к классу О1. Вероятности ошибок определим как
Р = J /)(%>% и Р2 = J /2 (%)с1х ■ (10)
Я Я2
За допущенные ошибки сторона, включающее распознающее устройство, несет убытки, которые еще называют штрафом [1,2,4]. Соответственно этим ошибкам обозначим и штрафы С1 и С2. Причем, если считать в модели ИИУС штрафы за правильное решение равными нулю, тогда сам риск для принятия
минимальный риск Z е Ц2 Ж > Жо * , т.
Р(Ц) = 0,12, Р(Ц) = 0,28 Z еЦ
блоке
распознавания
при
Ж> 0,458,
априорных
(14)
[г еЦ, %< 0,458.
Заключение
Основы математической обработки информации связаны с преобразованием ее формы или содержания. С развитием ЭВМ стало возможным более достоверно контролировать информационные процессы. В то же время, рост объема информации и ее потоков требует постоянно совершенствовать и сами алгоритмы ее обработки.
к задачам автоматического управления.
ЛИТЕРАТУРА
1. Пугачев В.С. Теория случайных функций и ее применение М., Физмат, 1963, 887 с.
2. Казаков И.Е., Мальчиков С.В. Анализ стохастических систем в прост-ранстве состояний.- М.: Наука, 1983.
3. Полтавский А.В. Модель измерительной системы в управлении БЛА // Информационно-измерительные и управляющие системы. 2009. №10. С.73-77.
4. Кибернетика в системах / Ред. В.Н. Захарова. - М.: Воениздат, 1979.- 263 с.
что
УДК 621.396.96:658.274
Медведев1 А.М., Мвтов2 Г.В., Юрков3 Н.К.
1ФГБОУ ВО «Московский авиационный институт», Москва, Россия
2ОА «Государственный Рязанский приборный завод», Рязань, Россия
3ФГБОУ ВО «Пензенский государственный университет», Пенза, Россия
К ПРОБЛЕМЕ СОЗДАНИЯ КРИТЕРИЯ АВТОМАТИЧЕСКОГО КОНТРОЛЯ СОЕДИНЕНИЙ
Проводится анализ существующих видов контроля электронных средств ответственного назначения, таких, как бортовая радиоэлектронная аппаратура ракетно-космической и авиационной техники. Показано, что повышение качества изделий электроники возможно только при полном соблюдении технологических режимов ее производства, при осуществлении контрольных операций, предусмотренных по технологическому процессу, а также в условиях дополнительного допускового контроля латентных (скрытых) дефектов, проявление которых возможно в условиях длительной эксплуатации. Подчеркнута важность осуществления дополнительного контроля элементов печатных узлов, в которых в наибольшей степени проявляется совместное действие механических и температурных нагрузок, значительно снижающих остаточный ресурс изделия Ключевые слова:
контроль, печатный узел, надежность, латентные дефекты
