CC BY
101
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО КОНТРОЛЮ И УПРАВЛЕНИЮ СОСТОЯНИЕМ ОКРУЖАЮЩЕЙ СРЕДЫ
Н.А. Кореневский, Р.А. Крупчатников, Башир Аббас Самаха, Н.С. Климов
Аннотация. В работе рассматриваются вопросы построения интеллектуальной системы поддержки принятия решений решающей задачи классификации экологического состояния окружающей среды, оценки её влияния на состояние здоровья человека и животных и формирования рекомендаций по управлению экологией контролируемых регионов с целью минимизации её влияния на состояние биосистем.
Ключевые слова: экология, система поддержки принятия решений, мониторинг, нечеткая логика.
1. Выбор математического аппарата интеллектуальной системы
С точки зрения современных системных представлений задача контроля и управления состоянием окружающей среды относится к задачам управления сложными системами, не поддающимися точному аналитическому описанию. Это делает малопригодным и малоэффективным традиционный математический аппарат, успешно применяемый в различных научно -технических приложениях.
С другой стороны накоплен огромный опыт в решении плохо формализуемых задач с использованием методологии искусственного интеллекта реализуемого многочисленными экспертными системами и системами поддержки принятия решений (СППР).
Рассматривая задачу контроля состоянием окружающей среды как задачу классификации, с помощью которой определяются различные классы состояний среды, а задачу управления как задачу перевода из одних классов состояния в другие, более экологически благоприятные состояния, в качестве базового математического аппарата исследования и управления целесообразно выбрать теорию распознавания образов и методологию мягких вычислений.
Работами ученых кафедры биомедицинской инженерии Юго-Западного государственного университета показано, что при решении задач оценок состояния и управления сложными социотехническими системами, к которым относится и исследуемый класс систем, хороших результатов удается достичь при объединении методологий классической теории распознавания образов, теории нечеткой логики принятия решений Л. Заде, теории уверенности Е. Шортлифа и разведочного анализа с синтезом гибридных моделей принятия решений в гетерогенномпространстве признаков. Такой тип моделей составляет основу построения базы знаний интеллектуальной системы поддержки принятия решений специалистов экологов (ИСППР). Эта система является ядром интеллектуальной системы, в состав которой входят: подсистема сбора и предварительной обработки данных, состоящая из подвижных и стационарных станций; системапередачи данных и интеллектуальная СППР, решающая задачи выбора рациональных схем размещения стационарных станций наблюденияи рациональных маршрутов передвижения мобильных лабораторий, классификации состояния окружающей среды, оценки риска развития неблагоприятных экологических ситуаций, оценки риска возникновения, развития и рецидивов обострения заболеваний человека и животных вызываемых вредным воздействием экологических факторов, формирования рациональных схем управления экологической обстановкой.
2. Структура системы и её математическое обеспечение
Современные биотехнические технологии, ориентированные на экологические приложения позволяют контролировать состояние окружающей среды с помощью интеллектуальных датчиков (ИД) регистрирующих различные показатели характеризующие степень загрязнения воздуха, воды и почвы. Эти датчики размещаются на стационарных постах (СП) и работают в подвижных лабораториях (ПЛ). «Интеллектуальные» механизмы датчиков обеспечивают их адаптацию к различным условиям измерений, позволяют дать пользователю предварительную информацию о состоянии окружающей среды в наиболее понятной специалистам экологической форме, проводят автоматическую калибровку измерительной части, парируют различные типы перегрузок и неисправностей, готовят информацию для передачи в системы более высокого уровня и т.д.
С учетом сказанного общая структура предлагаемой системы имеет вид приведенный на рисунке 1.
ИД ИД
^ОИД
ИД
Рисунок 1 - Обобщающая структура интеллектуальной системы поддержи принятия решений
Интеллектуальным ядром системы является база знаний (БЗ) ИСППР построенная на основе гибридных нечетких моделей основу которой составляют функции уверенности (принадлежности) к исследуемым классам состояний окружающей среды, которые агрегируются в промежуточные и финальные правила принятия решений с учетом структуры данных характеризующих исследуемую экологическую обстановку [1,2,3,5,7].
В предлагаемой работе задача синтеза гибридных решающих правил рассматривается как задача нечеткого разделения многомерных образов характеризующих разные классы экологического состояния среды и состояние здоровья людей контактирующих с этой средой.
В такой интерпретации функции уверенности (принадлежности) ц (х.) с базовыми переменными по координатам пространства признаков x , описывающих состояние исследуемых образов ц агрегирующееся с
помощью операции логического умножения, описывают в многомерном пространстве признаков нечеткий гиперпараллелепипед, в который «вписан» класс состояний ц . Таким образом, уверенность Ц в классификации ц определяется выражением:
Ц = тт[Цц [xl ),Цц [х2),..., Цц [xj] , С1)
где n - размерность пространства признаков.
Для сложных структур классов точность описания каждого из классов с помощью выражения (1) (аппрок-
симация одним нечетким гиперпараллелепипедом) может оказаться недостаточной с точки зрения качества классификации. Более точной аппроксимации структур исследуемых классов состояний можно достичь, представляя каждый из классов множеством нечетких гиперпараллелепипедов ц [к], где к = 1,...,K. В таком варианте уверенность в отнесении объекта к классу ц определяется выражением:
Ц = тах(Ц [1 ], ц [2], ..Ц [к]), (2)
где каждая составляющая Ц [к] определяется выражением (1).
В работе [2] подробно описан алгоритм определения параметров функций принадлежностей для выражений (1) и (2) минимизирующей число ошибок классификации на объектах обучающей выборки.
При геометрической постановке задачи нечеткой классификации кроме аппроксимации гиперпараллелепипедами можно использовать разделяющие гиперповерхности, относительно которых определяются функции уверенности в классификации ц (d), где базовая
переменная d определяется как расстояние от разделяющей поверхности до объектов многомерного пространства признаков. Например, для линейной разделяющей поверхности базовая переменная d определяется выражением:
n
d• x , (3)
i=1
где а - вектор настраиваемых параметров, определяющий ориентацию разделяющий гиперплоскости в многомерном пространстве признаков.
Механизмы синтеза нечетких решающих правил относительно различных типов разделяющих поверхностей можно найти в работе [7].
С учетом того, что искусственные нейронные сети можно рассматривать как аппроксиматоры многомерных областей они тоже могут быть обучены на нечеткое разделение исследуемых классов экологических состояний и состояний здоровья людей, контактирующих с неблагоприятной средой. Примеры практического использования описанных механизмов синтез нечетких решающих правил для экологических приложений приведены в работе [6].
Полученные показатели качества прогнозирования и диагностики заболеваний, вызываемых экологическими факторами, позволяют рекомендовать предложенный подход к широкому практическому внедрению.
Список использованных источников
1 Воронцов И.М., Шаповалов В.В., Шерстюк Ю.М. Здоровье. Опыт разработки и основание применения автоматизированных систем для мониторинга и скринирующей диагностики нарушений здоровья. - СПб.: ООО «ИПК Коста», 2006. - 432 с.
2 Кореневский, Н.А. Проектирование нечетких решающих сетей настраиваемых по структуре данных для задач медицинской диагностики // Системный анализ и управление в биомедицинских системах. - 2005. - Т.4. - №1. - С.12-20.
3 Кореневский Н.А., Крупчатников Р.А., Горбатенко С.А. Синтез нечетких сетевых моделей обучаемых по структуре данных для медицинских экспертных систем // Медицинская техника. - 2008. - № 2. - С. 18-24.
4 Интерактивный метод классификации в задачах медицинской диагностики / Н.А. Кореневский, С.В. Дегтярев, С.П. Серегин, А.В. Новиков // Медицинская техника. - 2013. -№ 4. - С. 1-3.
5 Кэнал Л. Обзор систем для анализа структуры образов и разработка алгоритмов классификации в режиме диало-
га // Распознавание образов при помощи ЭВМ. - М.: Мир, 1974. - С. 67-82.
6 Прогнозирование и диагностика заболеваний вызываемых вредными производственными и экологическими факторами на основе гетерогенных моделей / Н.А. Кореневский, В.И. Серебровский, Н.А. Коптева, Т.Н. Говорухина. -Курск: Изд-во Курск.гос. с.-х. ак., 2012. - 231 с.
7 Оценка состояния здоровья человека с помощью гетерогенных нечетких правил / В.С. Титов, А.Г. Устинов, И.А. Ключиков, В.Н. Шевякин// Известия Юго-Западного государственного университета. - 2012. - №1, часть 1. - С. 41-55.
Информация об авторах
Кореневский Николай Алексеевич, доктор технических наук, профессор, заведующий кафедрой биомедицинской инженерии, ФГБОУ ВПО «Юго-Западный государственный университет», т. (4712) 58-70-98.
Крупчатников Роман Анатольевич, кандидат сельскохозяйственных наук, доцент кафедры процессов и машин в аг-роинженерии ФГБОУ ВПО «Курская ГСХА».
Башир Аббас Самаха, аспирант кафедры биомедицинской инженерии, ФГБОУ ВПО «Юго-Западный государственный университет», т. (4712) 58-70-98.
Климов Николай Семенович, кандидат технических наук, доцент, заведующий кафедрой процессов и машин в агроин-женерии ФГБОУ ВПО «Курская ГСХА», т. (4712) 39-61-21.
8Q
