CC BY
15
УДК 539.3
ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ЦИФРОВЫХ
И ОЦИФРОВАННЫХ ДАННЫХ В ДИСКРЕТНО-НЕПРЕРЫВНЫХ СТРУКТУРАХ
О. А. Вдовикина, А. Н. Бубляева, К. А. Моисеева
INTELLIGENT AND ANALYSIS OF DIGITAL DIGITIZED DATA IN A DISCRETE-CONTINUOUS STRUCTURE
O. A. Vdovikina, A. N. Bublyaeva, K. A. Moses
Аннотация. Рассматриваются пути исследования эволюционных процессов в сложных системах с дискретно-непрерывной структурой при помощи интеллектуального анализа цифровых и оцифрованных данных.
Ключевые слова: оцифрованные данные, цифровые данные, интеллектуальный анализ данных.
Abstract. This article presents ways to the study of evolutionary processes in complex systems with discrete-continuous structure with intelligent analysis of digital and digitized data.
Key words: digitized data, digital data, data mining.
Цифровые данные в основном являются результатом проведения вычислительных экспериментов для теоретического исследования процессов различной природы в гетерогенных структурах по специально разрабатываемым аналитическим моделям.
Оцифрованные данные могут быть результатом натурных исследований на макетах и испытаний в полевых условиях. При этом оцифрованные данные получают с информационно-измерительных приборов.
Например, при исследовании волновых процессов в гетерогенных структурах чаще всего пользуются сейсмическими датчиками. В сейсмологии используется широкополосная фильтрующая аппаратура, при этом динамические характеристики волн искажаются сейсмоприемным каналом. Характеристики канала в значительной степени зависят от места установки сейсмографов. Упругие свойства гетерогенных структур существенно различаются. Частоты и коэффициенты затухания системы «масса прибора - упругое основание» могут давать погрешности, превосходящие требуемые.
Поэтому нужна разработка алгоритмов и программ интеллектуального анализа оцифрованных данных и отличных от известных в сейсмологии и виброметрии методик регистрации и измерений параметров волновых полей.
Учитывая специфику предметной области, целесообразно использовать многомерную базу данных с тремя измерениями: «объекты», «признаки», «время». При этом все измерения должны иметь иерархическую структуру, обусловленную иерархическим представлением информации в тематическом плане, а также в пространственной и временной организации. Представление информации в виде такого куба позволяет постановщику исследовать различные аспекты деградации и разрушений: изменение значений признаков, описывающих один объект, во времени; различия множества объектов по набору признаков; изменение одного признака во времени и в пространстве на множестве объектов и на множестве интервалов времени [1].
Следующим идет этап очистки данных. Необходимость этого этапа определяется тем, что лишь немногие источники данных обеспечивают удовлетворительный контроль информации. Данный этап особо актуален при использовании средств сканирования и распознавания изображений, которые применяются при вводе информации, имеющейся в печатном виде. В связи с этим была разработана подсистема очистки и форматирования данных, реализованная в виде приложения, взаимодействующего с Microsoft Excel, и предназначенная для устранения различных опечаток и неточностей в табличных данных.
Следующим этапом является занесение информации в хранилище данных. Для этого были разработаны подсистема ввода и редактирования данных, а также подсистема формирования базы данных. Первая предназначена для занесения данных из различных источников в единую реляционную базу данных. Эта подсистема позволяет также редактировать данные, в частности устранять дублирование объектов, имеющих разные названия. Данные можно как импортировать из уже существующих баз данных, так и заносить из таблиц Excel. Во втором случае в рассматриваемой подсистеме нужно выбрать два измерения, соответствующих строкам и столбцам заносимой таблицы (среза данных), а остальные измерения зафиксировать, придав им конкретные значения. Подсистема формирования базы данных взаимодействует с Analysis Services и создает на сервере в соответствии с разработанной структурой МБД и на основе данных из реляционной базы данных многомерный куб.
Далее следует этап интеллектуального анализа данных. Этот этап можно разбить на три подэтапа:
- применение методов Data Mining;
- визуализация результатов Data Mining, в том числе отображение пространственных данных на электронных географических картах;
- интерпретация полученных результатов и генерирование рекомендаций для лица, принимающего решения.
Помимо генерирования рекомендаций, подсистема интеллектуального анализа информации позволяет строить интегральные показатели, а также отображать входные и выходные данные.
При помощи интеллектуального анализа и оцифровки данных проводились исследования разрушений в гетерогенных структурах.
Оцифровка фотоизображений разрушений проводилась по алгоритмам и программам, разработанным на основе среды MathCAD.
Изображение выбоины на асфальте дорожного полотна (рис. 1) получено фотосъемкой.
Рис. 1. Изображение выбоины на асфальте дорожного полотна
Выбоина почти круглой формы с мелко выкрошенными краями. Видимых трещин (радиальных) на снимке не просматривается. В левой части и вверху справа отчетливо виден край нижнего слоя асфальта. В центральной части - подстилающий грунт и остатки щебня, песка, в центре - вода.
Оцифрованное изображение нижней (по снимку) трети выбоины в разных ракурсах (вид из центра) приведено на рис. 2.
2 4
Рис. 2. Оцифрованное изображение
Уровень дороги (уровень верхнего слоя асфальта) соответствует глубине 0 см, уровень нижнего слоя асфальта соответствует глубине минус 10 см, уровень зеркала водной поверхности - минус 15 см, выступающие фрагменты (щебень, гравий) приняты на уровне минус 5 см.
Левая граница фотоснимка (см. рис. 1) соответствует оси 0...8, нижняя граница - оси 0.30 (рис. 2). Направление от левого нижнего угла показано стрелками.
При динамических нагружениях всегда возникают волны по типу Реле-евских [2]. Волновые процессы в дискретно-непрерывных структурах способствуют возникновению колебаний. Наложение продольных волн и волн сдвига приводят к возникновению бегущей волны.
Таким образом, самой общей закономерностью поведения ленточных гетерогенных многослойных структур при динамических нагружениях является закономерность генерирования волн и колебания структур [3].
Для исследования эволюционных процессов в гетерогенных структурах последовательность этапов интеллектуального анализа следующая: построение аналитических математических моделей реальных структур сложных систем на основе вариационных методов и принципов аналитической механики; построение численно-аналитических математических моделей; оценка функционирования сложных эволюционирующих систем и разработка новых методик их проектирования.
Список литературы
1. Методы и модели анализа данных: OLAP и Data Mining / А. А. Барсетян, М. С. Куприянов, В. В. Степаненко, Н. Н. Холод. - СПб. : БХВ-Петербург, 2004. -379 с.
2. Смогунов, В. В. Наноразрушение гетерогенных структур дорог / В. В. Смогунов // Вестник транспорта Поволжья. - 2012. - № 1. - С. 33-40.
3. Вдовикина, О. А. Модели динамики гетерогенных структур непрерывно-дискретных систем / О. А. Вдовикина. - Пенза : Изд-во ПГУ, 2011. - 196 с.
Вдовикина Ольга Анатольевна доцент, кафедра теоретической и прикладной механики, Пензенский государственный университет E-mail: [email protected]
Vdovikina Olga Anatoljevna associate professor, sub-department of theoretical and applied mechanics, Penza State University
Бубляева Анна Николаевна
ассистент, кафедра теоретической и прикладной механики, Пензенский государственный университет E-mail: [email protected]
Моисеева Ксения Алексеевна студентка,
Пензенский государственный университет E-mail: [email protected]
Bublyaeva Anna Nikolaevna assistant,
sub-department of theoretical and applied mechanics, Penza State University
Moiseeva Ksenyja Alekseevna student,
Penza State University
УДК 539.3 Вдовикина, О. А.
Интеллектуальный анализ цифровых и оцифрованных данных в дискретно-непрерывных структурах / О. А. Вдовикина, А. Н. Бубляева, К. А. Моисеева // Модели, системы, сети в экономике, технике, природе и обществе. - 2013. -№ 2 (6). - С. 150-153.
