CC BY
53
Рис. 4. Зависимость значений функционала от числа его определений в процессе работы алгоритмов для АН и ДОА
Таблица
Число сгенерированных правил АН ДОА
I N I N
1 0.0595 406 0.0595 406
2 0.0196 2079 0.0296 940
3 0.0193 4206 0.0259 1439
4 0.0185 9652 0.0118 1975
5 Процесс обр ывается 0.0111 2403
Результаты моделирования сведены в таблице.
Из таблицы видно, что при увеличении количества правил объем вычислений в алгоритме наращивания лавинообразно возрастает, что приводит к невозможности найти точку глобального минимума за выделенное число итераций и к обрыву процесса (выполнению критерия останова). В ДОА объем вычислений растет приблизительно линейно с ростом количества сгенерированных правил.
На рисунке 4 показаны зависимости значений функционала (1АН - для АН и 1дОА - для ДОА) от
числа его определений в процессе работы алгоритмов.
Видно, что при равном N значения функционала при применении ДОА всегда меньше, чем при применении АН, что показывает преимущество разработанного алгоритма.
Список литературы
1. Мирошник И.В., Никифоров В.О., Фрадков А.Л. Нелинейное и адаптивное управление сложными динамическими системами. - СПб.: Наука, 2000.
2. Федоренко Р.П. Приближенное решение задач оптимального управления. - М.: Наука, 1978.
3. Осовский С. Нейронные сети для обработки информации. - М.: Финансы и статистика, 2002.
4. Омату С., Халид М., Юсоф Р. Нейроуправление и его приложения. Кн.2 / Общ. ред. А.И. Галушкина. - М.: ИРПЖР, 2000.
5. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - М.: Горячая линия - ТЕЛЕКОМ, 2001.
6. Дьяконов В.П., Круглов В.В. Математические пакеты расширения МАТЬАБ: Специальный справочник. - СПб.: Питер, 2001.
ИНФОРМАЦИОННЫЕ МОДЕЛИ НА ОСНОВЕ CASE-СРЕДСТВ ПРОМЫШЛЕННЫХ ОБЪЕКТОВ ДЛЯ ИНФОРМАЦИОННОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
A.B. Вицентий, В.Н. Богатиков, Д.П. Вент, Б.В. Палюх
Наиболее трудоемкими этапами разработки информационных систем (ИС) в настоящее время являются этапы анализа и проектирования, в процессе которых CASE-средства обеспечивают качество принимаемых технических решений и подготовку проектной документации. При этом большую роль играют методы визуального представления информации. Графические средства моделирования предметной области позволяют разработчикам в наглядном виде изучать существующую ИС, перестраивать ее в соответствии с поставленными целями и имеющимися ограничениями.
В данной работе за основу было взято CASE-средство фирмы Rational Software Corporation
(США) - Rational Rose. Главной составляющей Rational Rose является построение различного рода диаграмм и спецификаций, определяющих логическую и физическую структуры модели, ее статические и динамические аспекты [3,5,12,13]. Общий процесс работы над проектом заключается в добавлении на диаграммы соответствующих графических элементов, в установлении отношений между этими элементами, их спецификации и документировании.
При создании информационных систем часто возникает задача оценки текущих состояний системы, с помощью которых принимаются решения по дальнейшему управлению системой. На рисунке 1 приведена обобщенная структура принятия
Рис. 1
решений на основе текущих состояний системы, которая может использоваться для промышленных объектов разных типов. В настоящей работе состояние системы с точки зрения технологической безопасности [1,2,10] определяется состоянием технологического процесса, состоянием оборудования и системы управления. На основе состояния системы принимается решение по управлению промышленным объектом.
В первом блоке рисунка 1 схематично отображается структура объекта управления.
Второй блок содержит формулы, применяемые при оценке состояния технологических процессов и для прогнозирования будущих состояний системы на основе текущих параметров процесса [1,2,4]. Для анализа и прогноза состояния технологических процессов использованы дискретные модели.
В третьем блоке отображены графики функции принадлежности для оценки состояний оборудования и систем управления (СУ), которые обычно определяются на основе экспертных оценок. Обычно состояние этих объектов зависит от сроков эксплуатации, с ростом продолжительности которых, как правило, возрастает вероятность отказа.
Четвертый блок содержит формулы для оценки текущих состояний в целом для всей системы на основе расчета степеней нечеткого включения и нечеткого равенства состояний так назы-
ваемым эталонным состояниям. Текущее состояние системы определяется по алгоритмам оценки состояний на основе степеней включения и степеней нечеткого равенства состояний [6]. Для этих целей в работе было выполнено построение набора алгоритмов, для оценки принадлежности текущих состояний исследуемой системы эталонным состояниям на основе анализа степеней нечеткого включения и нечеткого равенства между ними. Эталонные состояния, в свою очередь, формируются из набора "типовых" состояний, определяемых экспертом в процессе экспертного опроса [6].
В данной работе на примере технологии выпаривания электролитических щелоков производства хлора и каустика рассматривается построение информационной модели системы контроля состояний непрерывных технологических процессов. Понятие информационного моделирования опирается на это понятие, принятое в технологии UML. Структура модели технологической системы выпарной установки дана в виде набора различных диаграмм, реализованных в CASE-сред-стве Rational Rose.
Построение информационной структуры системы контроля состояний непрерывных технологических процессов
При построении информационной модели контроля состояний непрерывных технологиче-
ских процессов были решены две основные задачи:
• построение информационной структуры системы контроля состояний непрерывных технологических процессов на примере выпарной установки для производства хлора и каустика с применением объектно-ориентированного анализа и проектирования (ООАП), унифицированного языка моделирования (UML) и CASE-средства Rational Rose;
• разработка набора алгоритмов определения состояний технологического процесса и объектов установки по производству хлора и каустика
Для построения информационной модели необходимо было провести предварительный анализ предметной области с целью выявления компонентов, необходимых для решения поставленной задачи, то есть концептуализацию предметной области. При этом под компонентой обычно понимают некоторую абстрактную единицу, которая обладает функциональностью. Отдельные компоненты были выбраны так, чтобы при последующей разработке их было удобно представить в форме классов и объектов. Результатом данного этапа работы явилась концептуальная схема, содержащая описание основных компонентов и тех функций, которые они должны выполнять.
Построенная информационная модель представляет собой набор классов, отображающий связи, атрибуты и операции каждого класса. Диаграмма классов (class diagram) служит для представления статической структуры модели системы в терминологии классов объектно-ориентированного программирования. С этой точки зрения диаграмма классов является дальнейшим развитием концептуальной модели проектируемой системы.
Концептуальная модель процесса выпаривания
На основании рассмотрения технологии процесса выпаривания, можно построить следующее дерево объектов: ПРОЦЕСС ВЫПАРИВАНИЯ БАК СЛАБЫХ ЩЕЛОКОВ НАСОС 1 НАСОС 1-1 НАСОС 1-2 ПОДОГРЕВАТЕЛЬ ЭЛЕКТРОЩЕЛОКОВ
ВЫПАРНОЙ АППАРАТ 1 ВЫПАРНОЙ АППАРАТ 2 ВЫПАРНОЙ АППАРАТ 3 БАК СРЕДНИХ ЩЕЛОКОВ НАСОС 2 НАСОС 2-1 НАСОС 2-2 НАПОРНЫЙ БАК ЦЕНТРИФУГА ЦЕНТРИФУГА 1 ЦЕНТРИФУГА 2 СБОРНИК СРЕДНИХ ЩЕЛОКОВ ВЫПАРНОЙ АППАРАТ 4 НАСОС 3 НАСОС 3-1 НАСОС 3-2 БАК КАУСТИКА
БАРОМЕТРИЧЕСКИЙ КОНДЕНСАТОР РЕГУЛЯТОР ДАВЛЕНИЯ
Каждому из выделенных объектов в процессе проектирования был сопоставлен класс на диаграмме классов, описывающий связи объектов друг с другом и их функциональность. На рисунке 2 приведена диаграмма классов, отображающая связи агрегации между выделенными объектами выпарной установки.
Разработка набора алгоритмов определения состояний технологического процесса и объектов установки по производству хлора и каустика
Для разработки набора алгоритмов определения состояний технологического процесса и объектов выпарной установки, кроме описанных выше диаграмм классов, отображающих связи объектов друг с другом и их функциональность, была построена информационная модель процесса
оценки состояний, изображенная на рисунке 3, а также обобщенная модель перехода аппаратов между допустимыми состояниями, приведенная на рисунке 4.
Одним из свойств среды Rational Rose является возможность генерации программного кода после построения модели. Общая последовательность действий, которые необходимо выполнить для этого, состоит из шести этапов.
1. Проверка модели независимо от выбора языка генерации кода.
2. Создание компонентов для реализации классов.
3. Отображение классов на компоненты.
4. Установка свойств генерации программного кода.
5. Выбор класса, компонента или пакета.
6. Генерация программного кода.
Пример сгенерированных шаблонов классов на C++ представлен в таблице.
Алгоритм, приведенный на рисунке 5, служит для непосредственной оценки текущих состояний аппаратов или технологического процесса. Использованный при этом подход основан на методах определения текущего состояния через набор эталонных состояний посредством определения степеней нечеткого включения и степеней нечеткого равенства состояний [3,11,12,14].
Основной целью работы являлось построение информационной модели системы контроля состояний непрерывных технологических про-
цессов на примере выпарной установки для производства хлора и каустика. В процессе выполнения использовались современные средства разработки информационных систем. Применялись ООАП, язык UML, CASE-средство Rational Rose и другие программные продукты.
К основным результатам работы можно отнести следующие:
• концептуализацию предметной области;
• построение информационной модели системы контроля состояний непрерывных технологических процессов на примере выпарной установки по производству хлора и каустика;
• построение информационной модели определения состояний объектов установки по производству хлора и каустика;
• построение обобщенной модели перехода аппаратов в состояния;
• получение набора шаблонов классов на C++ для каждого из рассмотренных объектов в информационной модели системы контроля состояний
Таблица
VA.cpp
#include "c:/MyModels/1/AnsiC++/Va.h"
//##ModelId=3ECA97BB008C
Va::Nevyaskaalkali() {
}
//##ModelId=3ECA99180014
Va::Params() {
}
//##ModelId=3F0616FE0122
Va::Alkali() {
}
VA.h
#ifndef VA_H_INCLUDED_C0F9AC79 #define VA_H_INCLUDED_C0F9AC79 #include "c:/MyModels/1/AnsiC++/Viparka.h" //##ModelId=3EC4BFFF02C6
class Va : public Viparka {
public:
//##ModelId=3ECA97BB008C Nevyaskaalkali(); //##ModelId=3 ECA99180014 Params();
//##ModelId=3 F0616FE0122 Alkali();
//##ModelId=3ECA96F901D6 Alkali;
};
#endif/*VA_H_INCLUDED_C0F9AC79*/
Исходные данные: Х[1], 1=1..^
V
Ввод: N¡1 Х[1], Ы..^
\1/
1=1; К=1
1=1
С
I=N
<г
V
CASE(1.NC[I]),L
Ь=1
V
^ . . . CASE(L..NC[I]),L^)
ST[K]=^L (ХШ)
L=NC[I]
L=1
V
ST[K]=^L (ХШ)
Уев
V
V
ST[K]=ЦL (ХРШ
L=NC[I]
V
ST[K]=ЦL (ХШ)
L=L+1;
Уев
\/
L=L+1; K=K+1
Уев
N0
V
I=I+1
I<N
N0
I=1; K=1; Р1=1
P1=P1&(S[K]^SP[I,K])
Уев
V
> Р2=1; K=1
P2=P2&(SP[I,K]^S[K])
Уев
_У
K=K+1
SNRT[I]=P1&P2; I=I+1
K=K+1
N0
Поиск нечетко равных состояний
Рис. 5
непрерывных технологических процессов на примере выпарной установки по производству хлора и каустика;
• разработку набора алгоритмов определения состояний технологического процесса и объектов установки по производству хлора и каустика.
Список литературы
1. Богатиков В.Н. Построение дискретных моделей непрерывных химико-технологических процессов. Вычислительный эксперимент и моделирование в системах "Технологические процессы - природные комплексы". - Апатиты, 1992. - С.77-86.
2. Богатиков В.Н. Построение дискретных автоматных моделей химико-технологических систем (ХТС). - Апатиты, 1994. - 24 с. - (Препр. ИИМ. Кольский науч. центр РАН).
3. Боггс У., Боггс М. UML и Rational Rose.- М.: ЛОРИ, 2001. - 580с.: ил.
4. Иванов В.А., Кафаров В.В., Палюх Б.В., Бабий И.И. Проблемы обеспечения безопасности и эксплуатационной надежности химических производств. // Итоги науки и техники. Сер. Процессы и аппараты химической технологии. - 1991. -Т. 19. - 189 с.
5. Леоненков А.В. Самоучитель UML.- СПб.: БХВ-Петербург, 2002. - 304с.: ил.
6. Бернштейн Л.С., Коровин С.Я., Мелихов А.Н. Ситуационные советующие системы с нечеткой логикой.-М.: Наука, 1990. - 270 с.: ил.
7. Гринберг А.С., Колосков В.П., Михалев С.Б., Сеге-дов Р.С., Сидоров Ю.И., Шорин В.Г. Автоматизированные системы управления предприятиями (методы создания). Справочное пособие. - М.: Энергия, 1978. - 224с.: ил.
8. Кафаров В.В., Макаров В.В. Гибкие автоматизированные производственные системы в химической промышленности. - М.: Химия, 1990. - 320 с.
9. Глебов М.Б., Кафаров В.В. Математическое моделирование основных процессов химических производств. - М.: Высш. шк., 1991. - 400 с.
10. Богатиков В.Н., Вент Д.П., Гордеев Л.С., Егоров А.Ф., Фридман А.Я. Применение концептуального моделирования к исследованию безопасности химических технологий на примере выпарной установки для производства хлора и каустика. -Апатиты, 2000. - С.44-60.
11. www.interface.ru
12. www.omg.org
13. www.rational.com
14. www.izlabs.com
15. www.citforum.ru
ОЦЕНКА ЭФФЕКТИВНОСТИ ПРОГРАММНЫХ МЕТОДОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ
Е.А. Самойлин
Обработка изображений стала одной из наиболее актуальных проблем, в рамках которой решается множество фундаментальных и прикладных задач. Широко распространенные пакеты прикладных программ (МАТЬАБ, МАТИСАБ и др.) имеют в своем составе самостоятельные модули, позволяющие программно обрабатывать цифровые изображения.
Обработка изображений в различных программных системах осуществляется в два основных этапа: предварительная обработка и анализ (распознавание). На этапе предварительной обработки решаются такие задачи, как фильтрация (то есть подавление шумов, помех) и сегментация (то есть выделение контурных линий и информативных признаков).
Известно достаточно много методов фильтрации и сегментации изображений [1-11]. Столь широкое их многообразие определяется различными факторами возникновения шумов и помех, а также формами представления изображений. Например, известно [2, 3], что для фильтрации белого гаус-совского шума наиболее подходят линейная или нелинейная медианная фильтрация, для подавления низкочастотной составляющей шума эффективны спектральные методы и вейвлет-преобразо-вания [2], для фильтрации высокочастотной составляющей - цифровые фильтры [1], фильтрации фона - согласованные и винеровские фильтры [4] и т.д.
При всем многообразии новых методов обработки возникает проблема выбора решения для
конкретной задачи, так как в большинстве случаев алгоритмы моделируются на простейших тестовых изображениях, и оценка их проводится визуально. Например, в [5] представлены результаты модифицированной медианной фильтрации на примере тестовых прямоугольников и треугольников, пятен произвольной формы, а также карт облачности, но нет строгой количественной оценки полученных результатов. В работе [6] приведены результаты моделирования пространственной фильтрации-сегментации без их математической оценки. В [7] также графически приведены результаты фильтрации-сегментации простейших тестовых изображений однослойной нейронной сетью без численного анализа. Строгая математическая оценка результатов обработки по предлагаемым алгоритмам отсутствует и в [8-10].
Таким образом, при всем многообразии новых методов фильтрации и сегментации изображений отсутствует строгий математический аппарат оценки их качества.
Цель работы - обоснование необходимости введения и выбор универсального целевого функционала для строгой математической оценки эффективности программных методов обработки изображений.
Рассмотрим задачу поиска комплексного целевого функционала для расчета многокритериального показателя, объективно отражающего качество принципиально различных методов и алгоритмов фильтрации-сегментации изображений.
