CC BY
163
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №10/2015 ISSN 2410-6070
изменения кровотока на снимке до и после оперативного лечения. Представлена общая структура алгоритма цифровой обработки для выделения объектов на малоконтрастных изображениях. Была проведена обработка реальных малоконтрастных медицинских изображений по разработанным методу и алгоритму и оценена степень изменения кровотока на снимках после оперативного лечения на церебральных артериях.
Список использованной литературы:
1. Виллевальде, А. Ю. Особенности анализа и обработки малоконтрастных медицинских изображений / А. Ю. Виллевальде // Известия СПбГЭТУ «ЛЭТИ» (Известия Государственного электротехнического университета). Сер. Биотехнические системы в медицине и экологии. - 2006. — Вып. 2. — С. 139-143.
2. Введение в контурный анализ и его приложения к обработке изображений и сигналов /Я.А. Фурман, А.В. Кревецкий, И.Л. Егошина и [др]; - 2-е изд., испр. - М.: ФИЗМАТЛИТ, 2003. - 592 с.
© И.Л. Егошина, Д.В. Белобородов, 2015
УДК 681.5
Н.В. Ивановский, к.т.н., доцент Н.П. Сметюх, аспирант Л.Н. Козаченко, аспиарнт Керченский государственный морской технологический университет
г.Керчь, Российская федерация
ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ МОНИТОРИНГА ИНФОРМАЦИОННОАВТОМАТИЗИРОВАННОГО КОМПЛЕКСА ТРАЛОВОГО ЛОВА В УСЛОВИЯХ
НЕОПРЕДЕЛЕННОСТИ
Аннотация
В работе рассматривается информационно-автоматизированный комплекс тралового лова (ИАКТЛ), который понимается как совокупность интегрированных и регулярно взаимодействующих или взаимозависимых элементов, созданную для достижения определенных целей, причем отношения между элементами определены и устойчивы, а общая производительность или функциональность ИАКТЛ лучше, чем у простой суммы элементов.
Ключевые слова
очистка данных, гипотеза, прогнозирование, преобразование, хранилище данных.
1.Введение. Преобладающая часть мировой продукции рыболовства (70-75 млн.т) состоит из морских рыб, добываемых многочисленным рыболовным флотом (1170 тыс. единиц, тоннаж 25,4 млн.т). К 2025 году прогнозируется увеличение морских уловов до 130 млн. тонн и соответствующее увеличение количества рыболовных судов. Современный рыбодобывающий флот превратился в мощный инструмент комплексного воздействия на морские экосистемы, что требует усиления мер по контролю и регулированию промысла с целью одновременного повышения промысловой безопасности и сохранения устойчивой сырьевой базы. На пороге XXI века более 140 прибрежных государств с учетом международных соглашений и нормативных актов полноправно определяют объективно допустимые уловы (ОДУ) в своих 200-мильных зонах и недоиспользуемый их национальным рыболовным флотом остаток ОДУ, который становится объектом рентных отношений чаще всего посредством оплаты другим государством лицензий на право вылова ОДУ в 200-мильной зоне. Однако ряд стран, осознав значимость морепродуктов как гаранта пищевой безопасности, приступает к активной политике по вытеснению иностранных рыбопромысловых флотов из своих зон. В целом можно утверждать, что в XXI веке мировое рыболовство будет развиваться под влиянием следующих основных факторов: - национализация морских биоресурсов и повсеместное зарегулирование рыболовства в открытых районах Мирового океана; - введение международного контроля на промысле; - нарастание
72
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №10/2015 ISSN 2410-6070
природоохранного движения за закрытие для рыболовства различных акваторий Мирового океана. Все выше сказанное относится и к Азово-Черноморскому территориальному региону.
Основным видом океанического промысла в настоящее время является траловый лов, на долю которого приходится 70% добытых морепродуктов, причем на долю разноглубинного тралового лова - 40%. Преобладающая роль разноглубинного тралового лова определяется его высокой эффективностью и селективностью. Кроме того, этот вид промысла оказался экологически более чистым, так как в процессе лова не повреждается субстрат дна. Поэтому можно без преувеличения отметить, что проблема совершенствования разноглубинного тралового лова относится к одной из основных в отрасли, а это значит, что должны повыситься требования к точности прицельного траления на основе дальнейшей автоматизации тралового лова. Именно широкое применение прицельного наведения трала на локальные рыбные скопления, а также переход к автоматизированным рыболовным системам позволит повысить избирательность лова и исключить истребление неполовозрелой молоди и сохранить сырьевую базу [2].
2. Анализ литературных данных и постановка проблемы. Автоматизированный информационноуправляющий промыслово-навигационный комплекс, кроме решения информационных задач, делает подготовку данных для решения задач управления судном, а также обеспечивает автоматическое или полуавтоматическое наведение разноглубинного трала на подвижный косяк в горизонтальной и вертикальной плоскостях. В такие комплексы входят замкнутые подсистемы автоматического регулирования, осуществляющие связь аппаратуры комплекса с органами управления судном и промысловыми механизмами (авторулевым, главной энергетической установкой, винтом регулируемого шага, траловой лебедкой). Автоматизированный управляющий промыслово-навигационный комплекс помимо сбора, обработки и индикации промысловой информации должен полностью выполнять функции управления в соответствии с заданной программой и критериями качества управления. Комплекс представляет собой самонастраивающуюся соответственно изменяющимся условиям плавания и промысла систему. На судоводителя будет возлагаться задача выбора программы управления исходя из условий обеспечения безопасности мореплавания, а также контроль за ее выполнением.
Таким образом, народнохозяйственной проблемой является совершенствование и дальнейшее развитие методов рационального изъятия морских биоресурсов с помощью автоматизированных систем тралового лова, одновременно обеспечивающих безопасное ведение промысла,
3. Цель и задачи исследований. Целью данных исследований является повышение качества принятия решений процесса автоматизированного тралового лова в условиях неопределенности волнения морской среды путем обнаружения, обработки и трансформации пригодных к использованию сведений в крупных наборах данных. Предметная область исследований показана на рис 1.
Рисунок 1 -Предметная область данных исследований
73
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №10/2015 ISSN 2410-6070
Объектом исследований являются данные поступающие из системы информационноавтоматизированного комплекса тралового лова в условиях нечеткой неопределенности волнения морской среды. Нечеткая неопределенность исходной информации в источниках данных состояние внешней среды, режимы поиска и траления, качество топливо-энергетических ресурсов [1-3].
4. Материалы и методы исследований. Методы исследовательского анализа данных приведенных факторов направлены на открытие новых характеристик данных, а методы проверки статистических гипотез - на подтверждение или опровержение существующих гипотез. Прогнозный анализ данных направлен на решение задачи идентификации статистических или структурных моделей для предсказания или классификации, а анализ текстовых данных использует статистические, лингвистические и структурные методы для извлечения и классификации информации из текстовых источников, принадлежащих к неструктурированным данным. Применению методов ИАД должен предшествовать этап интеграции данных, а сам анализ данных тесно связан с визуализацией данных. В ИАД целесообразно использовать методы математического анализа для выявления закономерностей и тенденций, существующих в данных. Обычно такие закономерности невозможно обнаружить при традиционном просмотре данных, поскольку связи слишком сложны, а объем данных является чрезмерным, а также по причине наличия неопределенностей в данных. Тем не менее, выявленные закономерности и тренды можно собрать вместе и определить как модель интеллектуального анализа данных.
5. Результаты исследований. Построение модели ИАД является частью более масштабного процесса, в который входят все задачи, от формулировки вопросов относительно данных и создания модели до развертывания модели в рабочей среде. Данный процесс можно представить как последовательность следующих шести базовых шагов: постановка задачи, подготовка данных, просмотр данных, построение моделей, исследование и проверка моделей, развертывание и обновление моделей. На рис. 2. представлены связи между всеми шагами процесса и методы, которые могут быть использованы для реализации каждого шага. Процесс, представленный на рис.3, является циклическим, то есть создание аналитической модели данных является динамическим и повторяющимся процессом. Выполнив просмотр данных, лицо, принимающее решение (ЛПР) может обнаружить, что данных недостаточно для создания требуемых моделей ИАД, что ведет к необходимости поиска дополнительных данных.
Также может возникнуть ситуация, когда после построения нескольких моделей окажется, что они не дают адекватный ответ на поставленную задачу, и поэтому необходимо поставить задачу по-другому. Может возникнуть и необходимость в обновлении уже развернутых моделей за счет новых поступивших данных [3-5].
Рисунок 2 - Диаграмма связей между шагами процесса ИАД
Для создания модели требуется многократно повторить каждый шаг процесса. На сегодняшний день большие морские предприятия, какие входят в состав рыбного флота России, поступают и обрабатываются огромное количество данных, особенно персональных, собранных со всех структурных подразделений. В каждом из них своя структура БД, и после интеграции в единый источник данных (хранилище данных (ХД)), возникает проблема извлечения достоверных данных по причине разрозненных данных в различном представлении, которые необходимо в дальнейшем использовать для анализа. Такие данные будут низкого качества, так как в них допускались ошибки, и обрабатывать их теряет всякий смысл. Поэтому, для
74
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №10/2015 ISSN 2410-6070
получения реальных выводов из существующих данных, применяют различные методы коррекции, исключению дубликатов и очистки.
Очистку данных выполняют в пять этапов: анализ данных; определение порядка и правил
преобразования данных; подтверждение; преобразование; противоток очищенных данных. [1,4]
На первом этапе подробно анализируют данные, чтобы выявить подлежащие удалению виды ошибок и неточностей. На этом этапе получают метаданные о свойствах и качестве данных. На втором этапе определяется порядок и правила преобразования данных. В зависимости от числа источников данных, степени их неоднородности и загрязненности, данные могут требовать достаточно серьезных преобразований и очистки. Иногда для отображения источников общей модели данных используется трансляция схемы; для ХД обычно используется реляционное представление. Первые шаги по очистке могут уточнить или изменить описание проблем отдельных источников данных, а также подготовить данные для интеграции. Дальнейшие шаги должны быть направлены на интеграцию схемы или данных и устранение проблем множественных элементов, например, дубликатов. Для ХД в процессе работы по ETL должны быть определены методы контроля и поток данных, подлежащий преобразованию и очистке. На третьем этапе определяются правильность и эффективность процесса преобразования путем тестирования и оценивания. При анализе, проектировании и подтверждении может потребоваться множество итераций, например, в связи с тем, что некоторые ошибки становятся заметны только после проведения определенных преобразований. На четвертом этапе осуществляется выполнение преобразований либо в процессе ETL для загрузки и обновления ХД, либо при ответе на запросы по множеству источников. На пятом этапе происходит замена загрязненных данных в исходных источниках на очищенные для того чтобы улучшенные данные попали также в унаследованные приложения и в дальнейшем при извлечении не требовали дополнительной очистки. Для ХД очищенные данные находятся в области хранения данных. Методы и средства очистки данных ТП в разрабатываемой информационной системе делятся на три категории: - очистки простыми методами; -очистки методами, которые основываются на понятиях математической статистики; - очистки средства ETL. Доверительный интервал с вероятностью 95% для большого объема данных, подчиняющихся нормальному закону распределения, определяют по формуле:
_ 1,96х<г _ 1,96 ха
х-----j=— < xi < х л-—
■v/n Vn (1)
где х - исследуемый ряд данных; х - среднее арифметическое значение совокупности данных; а - среднеквадратическое отклонение; n - количество исследуемых данных.
Значения, не попавшие в этот интервал, отмечаются как потенциальные ошибки, их заменяют уже подобранными значениями (например, средней арифметической величиной). Метод применялся для однородных данных.
Выводы. Интеллектуальный анализ данных мониторинга представляет собой процесс обнаружения, обработки и трансформации пригодных к использованию знаний в виде закономерностей и тенденций, существующих в крупных консолидированных наборах данных, которые невозможно обнаружить традиционными методами вследствие сложности связей и чрезмерности объема данных, а также по причине наличия неопределенностей. Выявленные закономерности и тренды вместе определяют модель интеллектуального анализа данных, а процесс интеллектуального анализа данных основан на их агрегации.
Для решения задачи очистки целесообразно использовать концепцию консолидированного крупномасштабного хранилища данных, представляющего собой совокупность методов и средств обработки структурированных и неструктурированных разнотипных динамических данных больших объемов с целью их анализа и использования для поддержки принятия решений.
Список использованной литературы:
1. Черный С.Г., Доровской В.А. Модель оптимизации нечетких процессов принятия решений диагностики морского оборудования Автоматизация процессов управления. 2014. № 3 (37). С. 89-94.
2. Растригин Л.А. Современные принципы управления сложными объектами. - М.:Сов.радио, 1980.- 168 с.
3. Растригин Л.А.Обучение как управление// Техническая кибернетика. - 1993. - №2.- С. 153 - 163.
75
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №10/2015 ISSN 2410-6070
4.Черный С.Г. Информационная составляющая блока координации на примере морского глубоководного предприятия. Научный вестник Воронежского государственного архитектурно-строительного университета. Серия: Информационные технологии в строительных, социальных и экономических системах. 2014. № 2. С. 63-68.
5. Доровской В.А., Черный С.Г. Процесс добычи, обработки и прогнозирования морской технологической информации с использованием SQL SERVER. Современные технологии. Системный анализ. Моделирование. 2014. № 4 (44). С. 118-124.
6. Доровской В.А., Черный С.Г. Модель косвенного измерения температуры нагрева обмоток двигателя привода глубоководной установки Транспорт: наука, техника, управление. 2014. № 10. С. 49-52.
©Н.В. Ивановский, Н.П. Сметюх, Л.Н. Козаченко, 2015
УДК 539.3
С.Л. Косачев
К.ф.-м.н., доцент, МГТУ им. Н.Э. Баумана, г. Москва, Российская Федерация
ПРОДОЛЬНЫЙ СДВИГ ВОЛОКНИСТОГО КОМПОЗИЦИОННОГО МАТЕРИАЛА
Аннотация
В работе представлен аналитический метод расчета напряжений в волокнистом композиционном материале (ВКМ) при продольном сдвиге, основанный на использовании модели регулярно армированного ВКМ, геометрия и напряженное состояние которого полностью определяются микроструктурой фундаментальной ячейки. Приведены результаты расчетов для двух видов композиционного материала. Проведено сравнение полученных результатов с экспериментальными данными.
Ключевые слова
Композиционный материал, продольный сдвиг, прочность, периодические структуры В качестве модели ВКМ примем некоторую 3-мерную изотропную кусочно-однородную среду, упругие и геометрические свойства которой неизменны в направлении хз и имеют двоякопериодический характер в плоскости х1х2. При построении уравнений, описывающих упругое поведение такой структуры, важное значение имеет двоякопериодическое решение, при котором компонента деформации езз не зависит от всех координат, а остальные компоненты деформации - от координаты хз.
Такое напряженное состояние распадается на два линейно независимых - плоскую деформацию и продольный сдвиг [1]. Соответственно этому будем рассматривать плоскую среду X3=const, усиленную двоякопериодической системой инородных включений. Поскольку напряженно-деформированное состояние слоя ВКМ является двоякопериодическим, то достаточно рассмотреть периодический элемент структуры в виде параллелограмма периодов (фундаментальная ячейка) рис.1.
Рисунок 1 - Расчетная модель композиционного материала
76
