CC BY
113
УДК 681.24; 519.1
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ МОНИТОРИНГА ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ ПРИРОДНОГО И ТЕХНОГЕННОГО ХАРАКТЕРА
В.Н. Ручкин, А.Н. Колесенков, В. А. Фулин, Д.Р. Пикулин
Предлагается использовать технологии киберфизических систем с облачными вычислениями и суперкомпьютерами в задачах трехуровневого наземного, воздушного и дистанционного мониторинга Земли с целью обнаружения, захвата и сопровождения чрезвычайных ситуаций природного и техногенного характера. Разрабатывается информационное, операционное и алгоритмическое обеспечение киберфизической системы на примере мониторинга пожара на потенциально опасном объекте. Исследуются иерархические интеллектуальные телекоммуникационные структуры компонентов киберфизической системы на базе нейропроцессора MB 7707 и современного NM 6407 для снижения риска принятия решений за счет специализированной обработки данных в условиях неопределенности с использованием нечетких множеств. Описывается пользовательский интерфейс системы мониторинга, определяются основные режимы работы всего комплекса.
Ключевые слова: кибер-физическая система, облачные вычисления, суперкомпьютер, наземный, воздушный и дистанционный мониторинги Земли, датчики обнаружения, захвата и сопровождения пожара, риски принятия решений, кластеры, микропроцессорный модуль, интеллектуальная телекоммуникационная структура.
Чрезвычайные ситуации (ЧС) природного и техногенного характера (ПТХ), как показывает практика, происходят неожиданно, развиваются непредсказуемо во времени, пространстве и различных направлениях. В большинстве случаев человек постоянно опаздывает и поэтому чрезвычайные ситуации приводят к катастрофе и тяжелым людским, материальным и разрушительным потерям. Для исключения больших последствий необходимо создавать и постоянно совершенствовать глобальные комплексные средства всестороннего обнаружения, захвата цели, сопровождения и ликвидации очагов и последствий в режиме реального времени. С этой целью в данной работе исследуется использование мобильных Cyber - Physical Systems (CPS) совместно с облачными вычислениями и суперкомпьютерами для современного экспресс мониторинга ЧС ПТХ [2,5,6,11,14] в реальном времени. Это позволит осуществить многие функции выявления надвигающейся опасности по косвенным и прямым признакам вышеуказанным комплексом средств от непосредственных измерений физических параметров до различных дистанционных методов. Для повышения достоверности и правильности принятия управленческих решений целесообразно поступающую информацию обработать соответствующими аппаратными и программными средствами по специальным алгоритмам. Целью работы является создание комплекса информационного, операционного и алгоритмического обеспечения CPS [7-10,12], позволяющего снизить рис-
ки принятия решении по предупреждению чрезвычайных ситуации природного и техногенного характера за счет специализированной обработки в условиях неопределенности с использованием нечетких множеств посредством нейронных сетей [13].
Кроме того, многоуровневая организация наземного, воздушного и дистанционного зондирования и использование высокопроизводительных энергоэффективных, массово параллельных процессоров (MultyProgramm-able on Chip (MPoC)) необходимы для реализации сложного взаимодействия датчиков, обработки видео и иных сигналов.
Работа имеет следующую структуру. В первом разделе описывается многоуровневый кибер-физический подход с использованием предложенных методик и алгоритмов обнаружения, классификации, сопровождения источников ЧС ПТХ. Во втором разделе предлагается иерархическая структура блоков СPS мониторинга, производится описание технологии и алгоритмов слежения и прогнозирования динамики ЧС ПТХ. В третьем разделе описан пользовательский интерфейс системы мониторинга, определяются основные режимы работы всего комплекса. В четвертом разделе указаны особенности и возможности экспериментальных исследований в различных режимах работы информационного, операционного и алгоритмического обеспечения СPS. Пятый раздел в виде заключения завершает статью.
Многоуровневый кибер-физический подход. Синергия информационных, вычислительных и физических компонентов приводит к разработке кибер-физических систем (КФС), обеспечивающих взаимодействие элементов кибернетического и физического пространств [1-4].
Структуру КФС предлагается разделить на информационную (рис. 1, а), операционную (рис. 1, б) и алгоритмическую составляющие (рис. 1, в), соединив их высокоскоростными радио-каналами Wi-Fi и облачными вычислениями с User Datagram Protocol (UDP). В работе особое внимание уделяется разработке алгоритмического обеспечения, т. к. оно определяет основную - интеллектуальную составляющую системы в целом.
а б в
Рис. 1. Иерархическая структура информационного (а), операционного (б) и алгоритмического (в) блоков КФС
12
Предложенная структура имеет преимущества применения КФС в задачах лесопожарного мониторинга (ЛПМ) [2, 5, 8, 11, 13, 14]:
повышение уровня эффективности процессов контроля, мониторинга и управления за счет передачи данных между уровнями системы в реальном времени;
масштабирование и перемещение любого из уровней системы в пространстве в оперативном режиме;
повышение надежности данных о состоянии внешней среды и опасных объектов.
повышение эффективности управления ресурсами за счет оптимизации работы приложений с учетом текущей ситуации.
Совмещая программные и аппаратные ресурсы различного уровня, КФС включают реальные физические устройства и процессы, а также обеспечивают операционный контроль и управление территориально распределенными объектами внешней среды.
Кластеризация предполагаемых источников ЧС ПТХ. Справедлива следующая постановка задачи, которая заключается в классификации, т. е. разбиении з -ой области изображений 1т^ на кластеры образов, обладающих относительно высокой степенью близости на основе определенных характеристик Хк(к) [8-9]. Причем изображения, относящиеся к
одному классу образов, образуют кластер и обладают относительно высокой степенью близости по рассматриваемым характеристикам.
С целью выделения образов и их кластерного представления используется теоретико-множественную модель на основе анализа понятия отношения эквивалентности и выявления основных свойств:
рефлексивность определяет эквивалентность образа самому себе; симметричность устанавливает соответствие между отдельными произвольными образами и их однозначном соответствии;
транзитивность выявляет образы, подобные первоначальному и произвольно взятому.
Разбиение изображений на кластеры эквивалентности однозначно разделяет все множество изображений 1т на классы подобных элементов, что приводит к однозначному принятию решения выбора образа. Результаты операции разбиения изображений на кластеры эквивалентности формируют продукционную модель экспертной системы распознавания образов.
С целью решения задачи кластеризации вводится понятие равенства кластеров СЬ1 и СЬк очагов пожаров СЬ1 = СЬк [8-9] по длине векторов характеристик и совпадение указанных кластеров с точностью до каждой характеристики
Хк(к) = Хк(1) (3)
Любой произвольный кластер очага пожаров CL^ информации,
KS
удовлетворяющий (3), эквивалентен самому себе, т.е. CLj-w—>CLj.
Таким образом, справедливо условие рефлективности любого кластера CL¡ ImJ очага пожара.
Если кластер очага пожара CL¡ равен кластеру CLk и, следовательно, параллельно ему существует, тогда кластер очага пожаров CLk равен кластеру очага пожаров CL1 и, следовательно, одновременно во времени с ним может рассматриваться, т.е.
Im(j) :CLj KS w >CLk;CLk KS w >Щ (4)
Другими словами выполняется условие симметричности любых
двух кластеров CLj,CLk Im(j) выявленных очагов пожара.
Если кластер очага пожаров CL1 равен кластеру очага пожаров CLk, а кластер CLk, в свою очередь, равен CLq, тогда кластер очага пожаров CLi равен и, следовательно, параллелен кластеру очага пожара CLq, т.е.
CL1,CLk,CLq е Im(j); EKSw : CL¡ KSw ) CLk,
CLk KSw , CLq, CLi KSw ) CLq . (5)
Таким образом, справедливо условие транзитивности двух произвольных кластеров CL¡,CLq е Im(j) очагов пожара. Другими словами выделенные кластеры существуют независимо друг от друга и поэтому могут независимо исследоваться, т.е. существуют параллельно.
Поэтому справедливо утверждение о том, что отношение кластерной структуры KSw е S очагов пожара есть отношение эквивалентности.
CLj,CLk е Im(j) : CLt KS - )CLk. (6)
Таким образом, введенное отношение кластерной структуры KSw выявления очагов пожара согласно (3) - (6) ставит в соответствие некоторой j-й области исследуемого пространства изображений Imj совокупность независимых и неравных кластеров очага пожаров CL1, число которых равно числу классов эквивалентности L, а кратность q кластера CLq определяется порядком класса эквивалентности \a1 |:
"j = 1, N ImjSw{fL¡ )q } (7)
"q = 1, ai; "i = 1, L 14
Каждый класс эквивалентности имеет своего представителя кластера CL1 с размерностью вектора характеристик, равного порядку кластера |CL1. Выражение (7) является решением задачи кластерного анализа,
которое задает искомое разбиение исследуемой области пожаров на
кластеры очагов пожара. Выражение (7) является решением задачи кластерного анализа, которое задает искомое разбиение исследуемой области
Im(j) пожаров на кластеры очагов пожара.
Нечеткий подход анализа полученных измерений
Для уточнения решения задачи кластеризации используется следующая методика, позволяющая более точно оценить масштабы кластеров, скорости и направления их перемещения с учетом некоторой встречающейся неопределенности в результате полученных измерений.
Нечеткий подход на основании Fuzzy Logic осуществляет прогнозирование и идентификацию факта нарушения ПТХ на основе решения сложной много критериальной задачи, например как это делается в [ ]. Из всего многообразия полученных изменений ПТХ эксперт на основании обобщенной оценки альтернатив должен выбрать наилучшую по совокупности противоречивых показателей: скорость распространения, площадь нарушения S, направление движения, количество очагов и др. Для конкретизации выбора рассмотренные показатели предлагается ранжировать в порядке значимости в виде кортежа.
Алгоритм слежения и прогнозирования динамики пожара
Алгоритм слежения и прогнозирования динамики пожара основан на совместной комплексной обработке наземных, воздушных и спутниковых снимков и выявлении множества кластеров лесных пожаров в последовательные моменты времени. Это позволяет выявить направление, динамику распространения действующих пожаров и включает следующие этапы.
1) С применением четкой и нечеткой уточняющей искусственной нейронной сети на спутниковом снимке идентифицируются очаги возгорания посредством анализа множества кластеров.
2) На следующем снимке с помощью алгоритма автоматической ко-релляции выбираются N эталонных кластеров заданного размера, направления, скорости с максимальным содержанием легко распознаваемых объектов земной поверхности [9].
3) Вычисляем спектр найденных эталонных кластеров в базисе Ви-ленкина-Кристенсона [10].
4) Находим для каждого эталонного кластера отображение на новом спутниковом снимке и, соответственно, точки совмещения текущего и нового изображения.
5) Выполняем привязку нового и текущего спутникового снимка по найденным точкам совмещения и кластерам.
15
6) С применением нечеткой искусственной нейронной сети выявляем новые очаги возгорания [11].
7) Если очаги возгорания найдены, то проводится сравнение координаты новых очагов пожаров с предыдущими. В противном случае выполнение алгоритма завершается.
8) В зависимости от расстояния между координатами, места расположения очагов друг относительно друга, рельефа местности, направления ветра и местоположения водных ресурсов рассчитывается предполагаемые траектории распространения действующих пожаров [9].
Метод оценки рисков
Оценка рисков в вопросах принятия решений, связанных с обнаружением, моделированием, наблюдением и оценкой пожаров, включает логико-вероятностные вычисления (ЛВВ) [10] с целью обеспечения качественной оценки надежности сложных технологических структур. Это основано на правилах подстановки логических аргументов в функциях логической алгебры с вероятностями их достоверности и подстановке логических операций арифметическими.
Преимущество ЛВВ заключается в том, что он обеспечивает высокую точность и недвусмысленность качественной оценки риска и дает хорошие возможности для анализа того, как каждый элемент способствует надежности и безопасности всей системы.
Логическая функция безопасной работы системы представлена как YБФ = Y(Xi): где Xi - логическая переменная, которая характеризует 1-ую
подсистему; I = 1, п , а также п - количество подсистем в системе.
Полный набор возможных состояний объекта представлен в виде набора векторов:
(1) Исходя из заявлений ЛВВ, мы предлагаем метод оценки минимизации рисков пожара, когда мы используем киберфизическую систему развитой структуры, которая включает:
начальное структурное и логическое моделирование сценария пожара;
вычисление логической функции для безопасной работы объекта; определение оценочной вероятностной модели Рбф = P (Pi ), где рг
- вероятность xl состояния 1-ой подсистемы I = 1,п ;
вычисление вероятности безопасной эксплуатации и вероятностей пожаров с различными входными параметрами.
Использование этой методологии было проверено на сценарии пожарной тревоги, представленной в публикациях [8-10].
1 if the i subsystem is on, 0 if the i subsystem is off, i = 1, n
Пользовательский интерфейс мониторинга. Для управления многоуровневой структурой интеллектуального комплекса авторами разработан пользовательский интерфейс, условно включающий в себя пять частей. В первой части располагается стандартное меню, включающее в себя основные функции работы с приложением: File, Manage, Algorithms, Neuro. Во второй части находится главное меню работы с приложениями: Open AeroSpacelmaging (ASI), Identify Fire, Fire Dynamic, Clusterig Fire, Fuzzy Logic, Neuro Structure, Cloud Computing, Risk Assesment.
Приложение Open ASI позволяет работать с аэрокосмическим изображениями посредством одной их выбранных поисковых систем из стандартного меню. Это изображение вызывается в третью часть интерфейса с командными кнопками: Adress or Place Layers, где возможно изменить ма^таб, выделить нужный уровень или скорректировать исследуемое изображение. Режим Cloud Computing подключает одну из четырех платформ: SaaS, PaaS, IaaS. При этом загружаются необходимое программное обеспечение и необходимые параметры. В этом случае осуществляется подключение соответствующей операционной составляющей всего предлагаемого комплекса.
Приложение Identify Fire включает в себя методы детектирования пожаров и базируется на анализе яркости в отдельных спектральных каналах и основывается на основных процедурах: линейное контрастирование, сегментация, определение характеристик текстуры, привязка координат очагов возгорания. Каждая процедура определяется совокупностью-вектором характеристик Xk(k). Присутствие очага горения в видимом спектре определяется по наличию основного - дымового признака лесных пожаров в виде конуса светло-серого цвета.
Линейное контрастирование осуществляется в результате яркостно-го преобразования изображения, полученного от систем ASI. В результате изменения условий освещенности наблюдаемой сцены такие изображения часто характеризуются малым яркостным диапазоном и являются слабо контрастными. Операция контрастирования позволяет получить изображения с расширенным яркостным диапазоном, вплоть до максимально возможного [2].
Выделение сегментов или сегментация необходима для определения сегментов изображения, соответствующих дымовым шлейфам мест потенциальных пожаров. Для решения этой задачи применяется метод релаксационной разметки для выделения сегмента на изображении, соответствующего дымовому шлейфу [2]. Стоит задача разделения изображения на несколько классов или кластеров по методике приведенной в [14]: Л = {Ц, X2}, где соответственно метки дымового шлейфа и i -х зон
изображения.
Определение характеристик текстуры основаны на том, что перистая и слоистая облачность по своей структуре и яркости могут тоже напоминать дымовые шлейфы лесных пожаров. Поэтому те части снимков видимого спектра, где предварительно обнаружен лесной пожар, просматриваются на соответствие с текстурой дыма. В качестве основных характеристик текстуры предлагаются следующие параметры изображения дымового шлейфа: математическое ожидание, дисперсия, среднее статистическое отклонение, нормированное значение дисперсии, третий момент, однородность, энтропия и др. [3].
Привязка координат очагов возгорания связана с выделенными сегментами и уточнением их координат с помощью линейного дифференци-
дующие обозначения: B(m, n) исходное изображение размерности m = 1, M,n = 1, N с шириной изображения - M и высотой изображения -N. При чем b (m,n) - яркость элемента исходного изображения, d (m,n) -яркость элемента преобразованного изображения, а k и £ - порядок частных производных.
В приложении Clusterig Fire первоначально происходит обнаружение источников ПТХ посредством анализа и классификации, т. е. разбиения j -ой области изображений Imj на кластеры - образы, обладающих относительно высокой степенью близости на основе определенных харак-(k)
теристик Xki ' [8-9].С этой целью для решения задачи кластеризации вводится понятие равенства кластеров CL1 и CLk очагов пожаров CL1 = CLk по длине векторов характеристик и совпадение указанных кластеров с точностью до каждой характеристики
Разбиение изображений на кластеры эквивалентности однозначно разделяет все множество изображений 1т на классы подобных элементов, что приводит к однозначному принятию решения по выбору образа. Результаты операции разбиения изображений на кластеры эквивалентности формируют продукционную модель экспертной системы распознавания образов. В результате происходит захват очага.
Далее на основании захвата система (комплекс) подключается алгоритм слежения и прогнозирования динамики пожара, который основан на обработке спутниковых снимков лесных пожаров в последовательные моменты времени. Это позволяет выявить направление распространения действующих пожаров.
ального оператора Лапласа [2]: d (m,n) = —--—-
ЭZ m dnk - Z
, где приняты сле
Xk(k) = Xk(1)
(3)
Использование нечеткости приложения Fuzzy Logic позволяет моделировать плавное изменение параметров реализаций с учетом качества структурных связей. При этом решение задачи выбора производится параллельно процедуре принятия решения, а применение max/min операций способствует оптимизации принимаемых решений.
Приложении Neuro Structure осуществляет использование нейро-компьютерной обработки в режимах обучения и сомообучения в случаях неопределенности входных сигналов и нечеткости в разбиениях на кластеры.
В четвертой части вызываются три варианта решения задачи: обнаружение и оценка динамики, захват на сопровождение и предварительный прогноз на протекание процесса.
Приложение Fire Dynamic подключает алгоритм оценки динамики техногенной обстановки и лесного пожара, который производит анализ на основе метода второй производной площади пожара по времени. Основная идея разрабатываемого метода состоит в исследовании графика роста площади пожара каждого кластера [18-21]. По перегибам на этом графике можно судить о состоянии пожара. Алгоритм состоит из следующих этапов.
1. Определение площади пожара.
2. Вычисление второй производной по времени каждого кластера.
3. Отнесение состояния пожара каждого кластера к одному из следующих типов: пожар развивается свободно, пожар тушат, пожар локализован.
Состояние пожара выбирается исходя из величины второй производной площади пожара по времени, которая положительна при свободном распространении пожара, отрицательна при тушении пожара и обращаются в нуль при его локализации.
Приложения Identify Fire (алгоритм слежения за очагами пожаров) и Fire Dynamic (алгоритм сопровождения очагов пожаров), основываются на периодической обработке спутниковых снимков лесных пожаров, позволяет рассчитать направление движения действующих очагов пожаров и включает следующие этапы.
1. На спутниковом снимке выявляются очаги пожара на основе кластерного анализа.
2. Если очаги пожара найдены, то происходит сравнение координат новых очагов пожаров с предыдущими. Иначе алгоритм завершается.
3. В зависимости от распределения кластеров пожаров друг относительно друга, направления ветра, расстояния между координатами, местоположения водных ресурсов и рельефа местности рассчитывается траектории возможного распространения действующих очагов пожаров и вероятность этих процессов в виде прогноза.
19
4. Если за определенный промежуток времени не было зафиксировано ни одного очага возгорания или координаты невозможно отнести ни к одному из ранее отмеченных очагов пожара, то считается, что появился новый очаг.
Приложение Neuro Structure осуществляет непосредственное прогнозирование интегральных характеристик пожара с использованием полученных математических моделей и предлагается использование искусственных нейронных сетей. На вход нейронной сети подаются данные, а на выходе получается прогноз прироста площади пройденной огнём и ее скорости.
В пятой части приложение Risk Assesment осуществляет оценки риска конкретной ситуации и приводятся графические зависимости оценок принятия решений.
Экспериментальные исследования. Решение сформулированных задач и реализацию обеспечивает операционная составляющая, включающая в себя суперкомпьютеры, облачную вычислительную среду SaaS, PaaS или IaaS, модули MB 7707 или NM 6407. В результате использования искусственных нейронных сетей в целом комплекс являются интеллектуальным, способным к обучению и самообучению.
Модуль микро компьютерный МВ77.07 (далее микрокомпьютер) предназначен для использования в качестве универсального центрального вычислительного модуля в широком ряде встраиваемых устройств, такие как охранные системы, обучающие системы, системы автоматизации управления зданиями («умный дом») и так далее.
Габаритные размеры платы длина-ширина-высота составляет 80 х 80 х 40 мм.
Модуль микрокомпьютера структурно можно разделить на три части:
центральный процессор;
микросхемы памяти, размещенные на плате;
интерфейсы ввода-вывода.
Далее приводится список характеристик по каждой из частей. В качестве центрального процессора используется микросхема СБИС К1879ХБ1Я разработанная компанией ЗАО НТЦ «Модуль». Микросхема СБИС К1879ХБ1Я выполняет задачи декодирования транспортного и программного потока данных, декодирования видеосигнала, в том числе высокой четкости, по стандартам MPEG4- 10/H.264/AVC HP/L4.1, MPEG2 MP/HL, SMPTE 421M/VC-1 AP/L3, декодирование аудиосигнала по различным стандартам, общее управление системой и поддержку пользовательского интерфейса.
Функциональная схема СБИС К1879ХБ1Я приведена на рис. 1.
Рис. 1. Функциональная схема СБИСДЦТС
Основные характеристики микросхемы СБИС К1879ХБ1Я (см. рисунок 1):
Ядро процессора:
1. Ядро процессора ARM1176JZF-S;
2. Кэш команд - 16КБ и Кэш данных - 16КБ;
3. Сверхоперативные память команд (TCM) - 16КБ и память данных (TCM) - 16КБ;
4. Блок управления памятью MMU;
5. Блок трассировки и отладки ETM11CSSingle;
6. Возможность байтового доступа к памяти;
7. Возможность невыровненного доступа к памяти;
8. Возможность использования Little Endian и Big Endian порядка
байт.
9. Спецификации шины соответствует AMBA 3.0;
10. Система построена на основе блока шинного коммутатора ARM
PL301;
11. 5 шинных коммутаторов ARM PL301;
12. 32-разрядная периферийная шина AXI. Контроллер прерываний:
Векторный контроллер прерываний; IRQ и FIQ генератор для ARM1176JZF-S;
Запрос прерываний максимум 64 каналов (включая 4 канала запроса внешнего прерывания);
Программируемый приоритет прерываний;
Маскирование программируемого приоритета прерываний;
Запрос прерывания от программного обеспечения;
Внешние прерывания по фронту или по уровню.
Блок синхронизации и сброса CRG:
Генерация тактовых сигналов различной частоты;
Режим остановки (все синхронизации останавливаются по запросу от ARM1176JZF-S);
Управляемый программным обеспечением сброс;
Генерация сброса watchdog по внешнему запросу.
Контроллер динамической памяти (DDR2 SDRAM) и поддержка DDR2 SDRAM;
Два контролера DDR2 SDRAM с 16-разрядными внешними шинами;
Частота работы внешней шины до 667 МГц;
До 256 МБ на каждой шине DDR2. - Контроллер Памяти (Flash/SRAM):
Возможность подключения до 256 Мб внешней NAND Flash по 16 разрядному интерфейсу;
Возможность подключения Serial Flash по интерфейсу SPI.
Внутренняя SRAM и 8 Мбит внутренней SRAM на 64 битной AXI
шине;
4 независимых банка внутренней памяти;
Нейромикрокомпьютерный модуль российского производства ЫВ 7707, работающий в широком диапазоне встраиваемых электронных устройств на базе нейросетевой СБИС К 1879ХБ1Я [6] для построении вычислительных систем нового поколения обработки информации, аналогичных работе головного мозга и нервной системы человека. Предложенные в работе алгоритмы смоделированы и реализованы в виде программных продуктов ЫВ 7707 [4,5], ELBRUS, суперкомпьютеров «Ломоносов» (МГУ им. МВ. Ломоносова) и «Лобачевский» (Нижне-Новгородский университет).
Естественные условия окружающей среды в момент ЧС ПТХ являются нестабильными, неопределенными и применение интеллектуальности при обработке данных позволяет значительно улучшить эффективность телекоммуникационных систем, функционирующих в реальном времени. Поэтому для практической реализации предложенных алгоритмов в качестве центрального вычислительного модуля был выбран микрокомпьютерный модуль российского производства ЫВ 7707, работающий в широком диапазоне встраиваемых электронных устройств на базе нейросете-вой СБИС К 1879ХБ1Я [6]. Он может использоваться в качестве базового
при построении вычислительных систем нового поколения, т.к. основой функционирования является моделирование методов обработки информации, аналогичных работе головного мозга и нервной системы человека. Предложенные в работе алгоритмы смоделированы и реализованы в виде программных продуктов многопроцессорной вычислительной телекоммуникационной структуры на базе микрокомпьютерного модуля Mb 7707 [4,5], ELBRUS, суперкомпьютеров «Ломоносов» (МГУ им. МВ. Ломоносова) и «Лобачевский» (Нижне-Новгородский университет).
Cyber Fire Monitor 1.0 Online
Rte Manage ▼ Algorithms Neuro -
About Risk
Open ASl Connect to
Identify fire
Fire Dynamic
Fire.. Neuro structure Neuro Parameters
íraslíoznamensk
. Aprelèvka
Odintspvo :i,'E?>lt;e
Moskovsky
Pad^lsk Bbmolsdqispi
Mösi „
..Москва-;.^- EÜÜMuflliJ'
Ж y| l/uWk ^'--.p-V'.i-'
.'Drfrzhmsky ' ■ •' "••••. ..
Pi Lytkar'— r'. 'i. ' I -.I./ Vidnovë ЛьгткаЕ
' -iierbinka 4!
olodarskogo
KV
4Ifylnsl
ИЛЬИ«
v '.ичнкядо iponuxoe " '
Open in Yajidex.Maps
Рис. 2. Интерфейс программы Cyber Fire Monitor 1.0 Online Заключение
Создание комплекса информационного, операционного и алгоритмического обеспечения CPS позволяет снизить риски принятия решений по предупреждению ЧС ПТХ по данным аэрокосмического, наземного и физического мониторинга, расчета их динамики и построения прогнозируемых контуров. Естественные условия окружающей среды в момент чрезвычайных ситуаций природного и техногенного характера (ЧС ПТХ) являются нестабильными, неопределенными и применение интеллектуальности при обработке данных позволяет значительно улучшить эффективность телекоммуникационных систем, функционирующих в реальном времени. Адаптация разработанных алгоритмов базе программного комплекса
23
«НейроКС» к программному обеспечению серийно-выпускаемого модуля МВ 7707 позволит усовершенствовать и автоматизировать процесс сбора и обработки первичных данных ЛПМ.
Список литературы
1. Современные технологии обработки данных дистанционного зондирования Земли // Под ред. В.В. Еремеева М.: ФИЗМАТЛИТ, 2015. 460 p.
2. Злобин В.К., Еремеев В.В., Кузнецов А.Е. Обработка изображений в геоинформационных системах: учеб. пособие. Рязан. гос. радиотехн. ун-т. Рязань, 2008. 264 с.
3. Воробьев Ю.Л. Лесные пожары на территории России: Состояние и проблемы //Ю.Л. Воробьев, В. А. Акимов, Ю.И. Соколов; под общ. ред. Ю. Л. Воробьева; МЧС России. М.: ДЭКС-ПРЕСС, 2004. 312 с.
4. Гонсалес Р., Вуд Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.
5. Доррер Г. А. Динамика лесных пожаров. Новосибирск: Изд-во СО РАН, 2008. 404 с..
6. Khanin A.A., Chebotarev R. Principles of optical approach in detection of forest fires, In Algorithm of Safety, №1, 2011. P. 103-110.
7. Злобин В.К., Ручкин В.Н. Нейросети и нейрокомпьютеры. СПб.: БХВ — Петербург, 2011. 256 с.
8. Ruchkin V.N., Kostrov B.V., Kolesenkov A.A. Emergencies monitoring and preventing, Proceedings of the 2nd Mediterranean Conference on Embedded Computing MECO, 2013, Montenegro, Budva. P. 89-93.
9. Ruchkin V.N., Kostrov B.V., Kolesenkov A.N., Ruchkina E.V. Anthropogenic Situation Express Monitoring on the Base of Fuzzy Neural Networks, Proceedings of the 3r Mediterranean Conference on Embedded Computing MECO, 2014. Montenegro, Budva. P. 166-169.
10. Романчук В. А., Ручкин В.Н. Разработка программных средств анализа нейропроцессорных систем // Вестник Рязанского государственного радиотехнического университета, 2010. №32. С. 61-67.
11. Merino L., Caballero F., Martinez-de-Dios J.R., Ferruz J., Ollero A. A cooperative perception system for multiple UAVs: Application to automatic detection of forest fires, In Journal of Field Robotics, 2006. 23 (3-4). P.165-184.
12. Kalpoma K.A., Kudoh J.I. A new algorithm for forest fire detection method with statistical analysis using NOAA AVHRR images, In International Journal of Remote Sensing, 2006. 27 (18). P. 3867-3880.
13. Hall R.J., Freeburn J.T., W.J.de Groot, Pritchard J.M., Lynham T.J., Landry R. Remote sensing of burn severity: experience from western Canada boreal fires, In International Journal of Wildland Fire, 2008. 17 (4). P. 476-489.
14. Ruchkin V.N., Kostrov B.V., Kolesenkov A.N., Ruchkina E.V. Algorithms of Fire seat Detection, Modeling Their Dynamics and Observation of Forest Fires via Communication Technologies, In Proceedings of the 4th Mediterranean Conference on Embedded Com- puting MECO. 2015. Montenegro, Budva. P. 254-257.
15. Колесенков А.Н., Костров Б.В., Ручкин В.Н. Методика интеллектуального обнаружения, моделирования и сопровождения пожаров // Известия Тульского государственного университета. Технические науки. Тула: ТулГУ, 2015. Вып. 5. Ч. 2. С. 266-274.
16. Колесенков А.Н., Таганов А.И. Разработка геоинформационной системы аэрокосмического мониторинга чрезвычайных ситуаций на опасных объектах // Космодром «Восточный» и перспективы развития российской космонавтики»: тезисы докладов Всероссийской молодёжной научно-практической конференции. Самара: СГАУ, 2015. С. 189-190.
17. Ahmed S.H., Gwanghyeon Kim, Dongkyun Kim Cyber Physical System: Architecture, applications and research challenges. Wireless Days, 2013 IFIP Conference: 1315 Nov. 2013. P. 1 - 5.
18. Hoang Dat Dac, Hye-Young Paik, Chae-Kyu Kim Serviceoriented middleware architectures for cyber-physical systems // International Journal of Computer Science and Network Security. 2012. P. 79-87.
20. Wu Fang-Jing, Yu-Fen Kao, Yu-Chee Tseng From wireless sensor networks towards cyber physical systems // Pervasive and Mobile Computing. 2011. P. 397-413.
Ручкин Владимир Николаевич, д-р техн. наук, проф., [email protected], Россия, Рязань, Рязанский государственный университет имени С. А. Есенина,
Колесенков Александр Николаевич, канд. техн. наук, доц., [email protected], Россия, Рязань, Рязанский государственный радиотехнический университет,
Фулин Владимир Андреевич, начальник центра дистанционного обучения и мониторинга качества образования, [email protected], Россия, Рязань, Рязанский государственный университет имени С. А. Есенина,
Пикулин Дмитрий Романович, асп., [email protected], Россия, Рязань, Рязанский государственный университет имени С. А. Есенина
INTELLIGENT MONITORING SYSTEMS EMERGENCY SITUA TIONS OF NA TURAL
AND TECHNOGENIC CHARACTERS
V.N. Ruchkin, A.N. Kolesenkov, V.A. Fulin, D.R. Pikulin
It is proposed to use technologies of cyberphysical systems with cloud computing and supercomputers in the tasks of three-level ground, air and remote monitoring of the Earth in order to detect, capture and support emergency situations of natural and man-made character. The informational, operational and algorithmic support of the cyberphysical system is developed on the example of fire monitoring at a potentially hazardous facility. The hierarchical intellectual telecommunication structures of the components of the cyberphysical sys-
25
tem based on the neuroprocessor MB 7707 and the current NM 6407 are studied to reduce the risk of decision making. Due to specialized processing of data under uncertainty conditions using fuzzy sets. The user interface of the monitoring system is described, the main operating modes of the entire complex are determined.
Key words: cyber-physical system, cloud computing, supercomputer, ground, air and remote Earth monitoring, sensors for detecting, capturing and escorting fire, decision-making risks, clusters, microprocessor module, intelligent telecommunications structure.
Ruchkin Vladimir Nikolaevich, doctor of technical sciences, professor, v. ruchkin@rsu. edu. ru, Russia, Ryazan, Ryazan state University namedfor S. A. Yesenin,
Kolesenkov Aleksandr Nikolaevich, candidate of technical sciences, docent, [email protected], Russia, Ryazan state radio engineering University,
Fulin Vladimir Andreevich, head of distance learning Center and monitoring the quality of education, v.fulin@rsu. edu. ru, Russia, Ryazan, Ryazan state University named for S.A. Yesenin,
Pikulin Dmitriy Romanovich, postgraduate, [email protected], Russia, Ryazan, Ryazan state University namedfor S.A. Yesenin
УДК 621.383
ИДЕНТИФИКАЦИЯ МАРКЕРА В СИСТЕМЕ ТРАССИРОВКИ ДВИЖЕНИЯ
А.Ю. Андросов
Исследуется система трассировки движений обучаемого оператора в тренажерах. Показано, что проблема может быть решена за счет размещения маркеров на телеоператора и видеосъемки его работы. Получено решающее правило для идентификации пикселей, относящихся к образу маркера. Предложено для повышения точности оценки координат образа маркера проводить промежуточную медианную фильтрацию изображения. Получены зависимости для расчета координат центра образа маркера по биноризованному изображению.
Ключевые слова: маркер, идентификация, решающее правило, медианная фильтрация, координаты маркера.
Когнитивные технологии в настоящее время широко используются в практике тренажерного обучения [1, 2, 3]. Технологии позволяют в короткое время развивать такие функции обучаемого оператора, как память, внимание, планирование и контроль деятельности, психомоторная координация движений. Тренинг в части психомоторной реакции заключается в том, что после принятия оператором решения по управлению той или иной единицей бортового оборудования, оно должно быть исполнено в течение максимально короткого промежутка времени путем воздействия на имитаторы органов управления.
