CC BY
112
4. Нырков А. П. Безопасность информационных потоков в АСУДС / А. П. Нырков, П. В. Викулин // Проблемы информационной безопасности. Компьютерные системы. — 2010. — № 4. —
С. 78-82.
5. Нырков А. П. Алгоритм управления движением судов, идущих пересекающимися курсами / А. П. Нырков, П. В. Викулин // Журнал университета водных коммуникаций. — 2011. — № 1. — С. 100-105.
6. Нырков А. П. Математическая модель резервирующей системы и оптимизация ее работы / А. П. Нырков, Т. В. Дмитриева // Журнал университета водных коммуникаций. — 2011. — № 2. — С. 98-101.
7. Каторин Ю. Ф. Защищенность информации в каналах передачи данных в береговых сетях автоматизированной идентификационной системы / Ю. Ф. Каторин, В. В. Коротков, А. П. Нырков // Журнал университета водных коммуникаций. — 2012. — № 1. — С. 98-102.
8. Соколов С. С. Четырехмерная модель комплектовки груза на судне / С. С. Соколов // Жур-нал университета водных коммуникаций. — 2011. — № 3. — С. 75-78.
9. Соколов С. С. Математическая модель радиационного размещения груза в трюмах судна /
С. С. Соколов // Журнал университета водных коммуникаций. — 2010. — № 3. — С. 89-92.
УДК 004 Н. Г. Левченко,
Морской государственный университет имени адмирала Г.И. Невельского
ОПТИМИЗАЦИЯ СЛАБО ФОРМАЛИЗОВАННЫХ ПРОЦЕССОВ С ИСПОЛЬЗОВАНИЕМ НЕЧЕТКОЙ НЕЙРОННОЙ МОДЕЛИ
OPTIMIZATION OF WEAKLY FORMALIZED PROCESSES USING FUZZY NEURAL MODEL
Предложен метод моделирования слабо формализованного процесса с учетом не только количественных оценок, но и качественных, нечетко заданных, не поддающихся формализации критериев и связей между ними. Модель разрабатывается для последующего исследования этого процесса, прогнозирования его поведения, оптимизации функционирования. Метод базируется на технологии нечетких нейронных сетей. Показан метод оптимизации процесса с использованием факторного анализа.
The proposed modeling method of weakly formalized process regards not only qualitative data, but attribute (descriptive) as well as fuzzy defined non-formalized criterion & their connections. The model is developed for further process of exploration, its behavioral forecasting and operational optimization. The method is based on fuzzy neuron nets technology. The operational optimization method with using of factor analysis is shown.
Ключевые слова: интеллектуальные системы управления, информационная система, моделирование, нейросетевые технологии, нечеткая логика.
Key words: intellectual controlling systems, data system, modeling, neural network technologies, fuzzy logic.
ОПТИМИЗАЦИЯ информационной системы управления предприятием — одно из наиболее актуальных условий повышения эффективности его работы. Именно от оперативности, экономичности и надежности управления зависит эффективность финансово-производственной деятельности предприятий морской отрасли.
Выпуск4
¡Выпуск 4
7-8 апреля 2009 г. при поддержке Государственной Думы РФ и Министерства транспорта РФ прошел первый российский Международный конгресс по интеллектуальным транспортным системам, на котором заместитель министра транспорта России напомнил, что Транспортная стратегия Российской Федерации до 2030 г. включает создание единой информационной среды транспортного комплекса и аналитических информационных систем поддержки процессов управления его развитием.
Единая информационная среда подразделяется на уровни: управленческий (информационная среда Минтранса РФ и находящиеся в его ведении федеральные службы и агентства); технологический (информационная среда различных видов транспорта и участников транспортного процесса, в том числе среда интеллектуальных транспортных систем); пользовательский (информационная среда транспортных услуг и информационного обслуживания клиентов). Как считают российские эксперты, создание и внедрение отечественных ИТС позволят повысить эффективность управления перевозками, сократить непроизводительные затраты на транспортировку грузов, ускорят развитие национальной транспортной, территориальной и информационной инфраструктур, а также обеспечат благоприятный климат для внедрения сервисов на основе глобальных навигационных спутниковых систем [1, с. 70-75].
Основная задача интеллектуального анализа данных состоит в выявлении скрытых правил и закономерностей в массивах данных. Автоматизированный анализ — закономерный этап в развитии информационных технологий.
В настоящее время на многих транспортных предприятиях создана мощная информационная среда, в которую входят и системы сбора данных, и сети передачи, и вычислительная инфраструктура, программное обеспечение, базы данных, информационные хранилища и др.
Однако эти системы не используются в полной мере, так как на руководящих работников обрушивается огромный объем слабо структурированной информации, который человеческий разум не способен своевременно проанализировать, а значит, возникают трудности при принятии оптимальных решений [2, с. 18-21].
В современных условиях руководящим работникам, принимающим решения, необходим мощный интеллектуальный инструмент, который перерабатывал бы данные из информационных систем и выдавал бы адресный анализ — варианты возможных управленческих решений и полномочий для разных должностных лиц:
— анализ ситуации и поведения взаимодействующих элементов системы в реальном масштабе времени;
— обеспечение в динамическом режиме мониторинга и диагностики управленческих решений;
— моделирование реальных событий и процессов;
— прогнозирование и предупреждение критических ситуаций.
Нередко встречаются плохо формализованные задачи, которые не могут быть решены с помощью классических детерминированных методов. Речь идет о задачах анализа, планирования и выработки экономических решений в условиях неопределенности, а также неполноты и нечеткости исходной информации (сведения, которые размыты, смутны, неопределенны, неясны или неточны по своей природе).
Наиболее подходящим и эффективным методом решения таких задач является метод моделирования с применением нечетких нейронных технологий. Основное достоинство этого метода заключается в способности алгоритма подстраивать структуру сети под новые наблюдения (факторы) и выявлять сложные (нелинейные) взаимосвязи между значениями входных и выходных данных [3]. Это гибридные интеллектуальные системы (ГИС), позволяющие использовать преимущества традиционных средств и методов искусственного интеллекта и в то же время преодолевающие некоторые их недостатки, способные решать задачи, нерешаемые отдельными методами искусственного интеллекта [4].
ГИС позволяют более эффективно соединять формализуемые и неформализуемые знания. Они сочетают в себе достоинства нейронных сетей и систем нечеткого вывода. Они позволяют
разрабатывать и представлять наглядные и содержательные модели систем в форме правил нечетких продукций, используя при этом методы нейронных сетей, что является более удобным и менее трудоемким процессом для системных аналитиков [5].
Актуальность разработки модели системы управления таким бизнес-процессом, как процесс обучения, обусловлена как научными целями расширения теоретических представлений о процессах передачи и усвоения знаний, так и практическими целями создания более эффективных методов управления, внедрение которых должно способствовать обеспечению необходимого качества подготовки морских специалистов. Тем более это важно в современных условиях возрастающей интенсивности морских грузоперевозок, усложнения судовых технических средств, а также во исполнение требований национальных образовательных стандартов и норм Международной морской организации (ИМО), международных обязательств по подготовке и дипломированию моряков по несению вахты (МК ПДМНВ-78/95) и руководящих документов по безопасности мореплавания (МППСС-72, КТМ РФ, МКУБ).
Высшее морское учебное заведение в качестве объекта моделирования характеризуется как сложная система с высоким уровнем неопределенности исходной информации и внешней среды. Системный подход к процессу управления качеством образовательных услуг предполагает рассмотрение его как комплекса связанных между собой факторов, воздействующих на систему образовательных услуг, начиная с входа в нее абитуриентов и заканчивая выходом из нее молодых морских специалистов, способных решать практические задачи, например такие, как грамотная организация ходового мостика и обеспечение безопасности мореплавания. Повышение качества обучения студентов сопряжено с совершенствованием материально-технической базы образовательных структур, повышением качества стандартов и образовательных программ, внедрением прогрессивных образовательных технологий, совершенствованием информационного обеспечения.
Так как большая часть факторов относится к категории субъективной, результаты экспериментов не могут быть полностью обработаны инструментами классической математики. В данном случае необходимо воспользоваться средствами обработки нечеткой информации. Чтобы, не разрушая свойства размытости и неточности, формализовать полученные знания, необходимо применить формальный аппарат нечеткой алгебры и нечеткой логики.
При учете различных мнений в ходе экспериментов вводится коэффициент качества оценки, отражающий субъективную степень уверенности эксперта.
Следуя теории нечеткой идентификации для построения модели, прежде всего необходимо:
— определить оценивающие и влияющие на учебный процесс факторы, а также их взаимосвязь. Обычно неизвестно все количество влияющих факторов и не все они явные. Поэтому выделен некоторый набор критериев, который в процессе совершенствования модели может дополняться, не влияя на саму систему (метод решения), зато качественно улучшая «портрет» объекта исследования (изучения);
— определить нечеткие «Если — то» правила взаимодействия всех выявленных факторов;
— составить из экспериментальных данных выборки для обучения нейронной сети;
— создать модель учебного процесса, используя вычислительную среду MatLAB — пакет Fuzzy Logic Toolbox — метод идентификации нечеткими базами знаний;
— составить тестовые выборки из реальных данных и сравнить результаты, используя известные математические методы, например SRME — метод наименьших квадратов.
Итак, на входе системы находится множество оценивающих параметров абитуриента (xi), которые можно разбить на две группы:
учебная успеваемость (х.. — оценки i-го курсанта по предмету j, которые задаются в лингвистической форме: «отлично», «хорошо» или «удовлетворительно», далее оценки по каждому предмету от курса к курсу);
психологический портрет (so. — стремление к обучению, ko. — умение жить и работать в коллективе — коммуникабельность, uo. — уравновешенность (устойчивость к стрессам) и пр. Они
Выпуск 4
¡Выпуск 4
108]
также задаются в лингвистической форме: «отличное», «хорошее» или «удовлетворительное»).
Весь комплект характеристик будущего курсанта неизвестен и не может быть известен по объективным причинам. Однако некоторые данные могут быть получены из результатов тестов, которые проходят абитуриенты перед поступлением на плавательные специальности.
Далее в процессе обучения эти параметры изменяются под действием влияющих факторов. Они также подразделяются на несколько групп: образовательная, финансовая, обеспечивающая образовательный процесс, социальная и пр.
Образовательная группа:
kv — квалификация преподавателя по j-й дисциплине, заданная лингвистически («высокая», «средняя», «низкая»).
Преподаватель может быть: ассистентом, старшим преподавателем, доцентом, профессором.
str_p. — стремление к повышению квалификации и отдача в процессе обучения преподавателя по j-й дисциплине, заданное лингвистически («высокое», «среднее», «низкое»). Оно зависит от возраста преподавателя (age.).
age. — возраст преподавателя по j-й дисциплине, который делится на три периода и задается нечеткой переменной.
Также стремление преподавателя участвовать в образовательном процессе зависит от заработной платы (zp), которая входит в финансовую группу.
str_k.. — стремление х.-го курсанта к получению знаний по j-й дисциплине, заданное линг-
У *
вистически («высокое», «среднее», «низкое»). Оно зависит от престижности профессии (prest. из социальной группы), по мнению курсанта, так как он заинтересован получить такое образование, которое позволит ему трудоустроиться на высокооплачиваемую должность. Мнение курсанта может меняться от курса к курсу.
Финансовая группа:
zpj — заработная плата преподавателя по j-й дисциплине, заданная лингвистически («высокая», «средняя», «низкая»). Зависит от квалификации и возможности администрации вуза достойно оплачивать труд.
fes_k. — стипендия х.-го курсанта, заданная лингвистически («высокая», «средняя», «низкая»).
fes_libj — фонд средств на закупку новой учебной литературы по j-й дисциплине.
fes_equipj — фонд средств на закупку нового учебного оборудования по j-й дисциплине.
Группа, обеспечивающая образовательный процесс:
lib. — обеспечение литературой, заданное лингвистически («высокое», «среднее», «низкое»). Зависит от фонда средств на закупку новой учебной литературы.
equip. - обеспечение оборудованием, заданное лингвистически («высокое = H», «среднее = M», «низкое = L»). Зависит от фонда средств на закупку нового учебного оборудования.
Социальная группа:
comfort_pj — комфортность преподавателя по j-му предмету на рабочем месте (на кафедре, на лекции, лабораторных работах, взаимоотношения с коллективом). Зависит от возраста и квалификации преподавателя и пр.
comfort_k. — комфортность х.-го курсанта в учебном процессе, в общежитии, взаимоотношения с коллективом курсантов, преподавателей, командующим составом.
com_k. — участие х.-го курсанта в общественной жизни вуза (наряды, художественная самодеятельность, спорт, научные конференции).
Построение модели производилось на реальных данных, подготовленных по информации
о выпускниках вуза, предоставленной деканатом судоводительского факультета (СВФ) Морской академии Морского государственного университета им. адм. Г. И. Невельского. В качестве обучающих выборок была выбрана информация по оценкам всех дисциплин с I по V курсы курсантов 12-й роты судоводительского факультета (год поступления — 2002). Данные по преподава-
тельскому составу были взяты реальные — тех лет (согласно БД «Учебные планы»). Верификация и адекватность данной модели проверялась на второй части этой же роты.
С помощью графических средств системы Ма1;ЬАВ был выполнен контроль и настройка параметров функций принадлежности входных переменных. Для выполнения соответствующих операций использовался редактор функций принадлежности (рис. 1).
Рис. 1. График настройки параметров ФП
После окончания обучения гибридной сети был выполнен анализ графика ошибки обучения (рис. 2).
Рис. 2. График ошибки обучения нейронной сети
Выпуск 4
Проверка адекватности построенной нечеткой модели была произведена посредством тестирующей выборки.
п 1 г 3 & & 7 & 9 13 11 12 13 14
1 2 3 І з й. * 5 і-*1 ¡1 Я ч 0 о, в £ В) £ я І® 1 3 £ о і 3 ™ ° х 5 в " 3 £ 'ё г Е І -І її 1 .11 |в 1 ? * 8 £ ® ^ о з а » И «14 я * її 1*1 І « - ® 2 Е і о о »*§ з£§ Е В & і« ? £ ® її £ |І»? 2 ° 1 а я £ с І о т ■о с £ 1 ї' 3 ц о. ч> 0 £ 1 вт 6? Г ч5 А 5 я 2 с !* 5 * Зі & Прс«ер*-а работы системы (средний балл, научная ммзнь, квапи4мкац«<я преподавателя, общественная жизнь возраст преподавателя обеспечение литературой и оборудованием) > попоенные данные
Курсант ФІЮ дайте оценку критериев по двсятибальной шкапо ... ...і О ш ІЗ ш £ О средний начальный балл іпра*ти‘-ес*мйі Оценка по предмету за семестр (лра'ти^иэя
4 ірурс 1 семестр ьС<Г*>0и*-1 3.5 • % Э ь 4 35 ЗЙ4
5 3.5 ¡6 7 *7 V > . л 35 3 99
е 1ЦМУЯ-Т 35 1 7 '6 & '6 ■ 3 35 3 45
7 *Єч /ф©М»'Ті 35 А 7 5 & V & 3 35 2В4
В геогзафі.я-т 3.5 6 7 '5 І '6 е 3 А 35 2 аз
9 1 курс 2 семестр куЛьЛІ;рОГО£иіГ'? 34 • 3 *7 & 'а & ї £ 333 4 33
10 ні» геометры»-2 34 6 3 'Є гє У 6 3 ►- 353 34
11 Физ.еосп сі слсрф-2 34 6 5 '6 '5 '6 3 5 3 39 277
12 і/атема*пчдк9-? 34 5 3 У8 Ь У 8 3 О 3 39 3 23
13 і.г"фооилт±*а? 34 > 3 'з 3 гэ 9 3 59 3 36
14 <рима-2 34 ■3 7 7 'а . ’і X з.гэ '3 09
15 34 ' 3 '5 ^4 6 V 3 X 3.39 2 74
16 управление сгд»ои-2 34 & ’£ к6 і 9 3 у 339 г2 82
17 2курс 3 семестр фь.'юсоФіїЯ-З ■ % 7 "6 6 ’в 4 3.34 4 25
18 е*гл я-гь'х-3 '3 25 % 7 г£ в & 8 3 о 334 '2 92
19 і/апеу.та*-л-3 'З 25 5 ■ ■ V 'б 3 І с 3 34 4 19
20 <ризи*а-3 3 25 5 7 % 7 V 6 4 5 3 34 '3 64
21 теврвлчічес*ая иеял»и*а-3 ' ¡6 7 *7 & '4 3 и 3 31 3 23
22 2*У1* і семестр фо-зео&г исперт-4 36 6 а 7 і 6 9 3 о 3.66 3 18
23 і/а*» Э.6 :з 3 10 г6 7 6 3 5= 3.66 291
24 ¿УХИ»-* 35 3 і 3 >7 & 3 '3 66 '2 59
25 ПІМ ДМиОК’Л 36 ■ 3 4 8 9 4 г4 і ’з Є6 3 ЕЕ
26 ГУС-4 36 а а 10 5 3 9 366 4 92
27 Эле*гл ооемямикв-і 36 5 а 5 б 7 9 4 га 3.66 3 55
23 Заде 5 семестр физ *осп иелср*п-5 3.66 а 5 7 6 в 10 4 га 3 54 4 27
29 •«омкодиа* дспоо*оиоя-5 3 56 з 5 3 г& 7 6 4 о. 3 5-і 3 55
30 ммимиия (Н о Ді-5 3 66 ■5 Ь *7 7 7 7 3 V 354 3 13
31 ГУС-5 '3 6Б £ ■ 8 9 7 д О ЇЗ 64 3 93
32 УґОгЮиичд-Ь 366 6 5 5 10 з 7 3 а. 354 3 Л2
33 МОС-5 ГЭ66 17 5 3 9 4 3 Ь.У Г291
47 4 к>-рс 8 семестр НиП-Я ) 5 9 6 & 6 4 3 34 434
46 ТСС-8 0 5 6 7 в 9 Л Її 61 4 14
лэ мсрсксО в«гтл5с<п.О яаы«-8 6 5 7 3 ■6 9 3 'ЗВ4 3 25
50 мерекая &*!иос4ЛЗл 8 Ї І5 Ъ 5 і 9 3 ’3&4 3 46
51 *пе* и орг иоо пеоевоїдь* гр^гюе-8 а % 7 ъ 10 3 3 34 3 27
52 5гурс 9 семестр ТСС-9 34 '5 6 7 1 а 9 3 3 69 311
53 эвгяомаптизаиыя с\ч?ово>т?іЄ“іь’Я-9 34 6 6 % 7 9 1 э 3 69 26
&4 РНП-9 34 Є 5 7 4 5 4 4 3 69 4 24
55 І Средний балл по итогом всего обучения курсанта (по донным из журнал о успссосмости) 3.69 полученный
56 на практике 3,69
Рис. 3. Фрагмент таблицы с исходными данными и результатами проверки
Левая часть таблицы на рис. 3 содержит набор заранее известных исходных данных по профессорско-преподавательскому составу (квалификация и возраст), лабораторному и учебно-методическому обеспечению и реальные оценки курсанта, взятые из журнала успеваемости ^ (всего 7 факторов). В правой части таблицы содержатся результаты проверки ГИС.
| Сравнивая оценки, полученные системой, с соответствующими оценками тестируемого
а курсанта от курса к курсу, можно констатировать практически точное совпадение этих значе-
¡110] ний, а при округлении до целой части — абсолютное совпадение (в реальности преподаватель выставляет округленные оценки успеваемости).
Полученная среднеквадратическая ошибка среднего арифметического, равная 0.04, показывает, что созданная модель точно описывает реальные процессы, происходящие в системе (рис. 4).
-Оценка по предмету (по журналу)
•Оценка по предмету (тест на модели)
Рис. 4. График результатов проверки модели
Наличие модели позволяет проводить факторный анализ, добиваясь максимальной результативности процесса (рис. 5).
Рис. 5. Фрагмент таблицы результатов факторного анализа
Был проведен факторный анализ I:
1. В рамках имеющихся значений факторов поменяли местами значения факторов высококвалифицированных преподавателей с V курса и низкой квалификации I курса. В итоге оценки курсантов изменились в лучшую сторону (ср. значение 3.59 увеличилось до 3.90).
Выпуск 4
¡Выпуск 4
2. Провели обратный процесс только с преподавателями. В результате оценки курсантов ухудшились (ср. значение до 3.53).
Результаты анализа показаны на графике (рис. 6).
Оценка по предмету [обученная модель)
Оценка го предмету {Квалификация преподавателя. Вариант 1) Оценка го предмету {Квалификация преподавателя. Вариант 2)
Рис. 6. График результатов факторного анализа по квалификации преподавателей
Факторный анализ II:
1. В рамках имеющихся значений факторов поменяли значения факторов лабораторного оборудования и литературы, лучше обеспечивающих учебный процесс, с V курса с устаревшим оборудованием I курса. В итоге оценки курсантов изменились в лучшую сторону (ср. значение 3.59 увеличилось до 3.69).
2. Провели обратную замену оборудования и литературы. Результаты ухудшились (ср. значение 3.43).
Результаты анализа показаны на графике (рис. 7).
1112]
Рис. 7. График результатов факторного анализа по обеспечению оборудованием и литературой
Факторный анализ III:
1. В рамках имеющихся значений факторов поменяли местами значения факторов высококвалифицированных преподавателей, лучше обеспечивающего учебный процесс лабораторного оборудования и литературы с V курса и преподавателей низкой квалификации с устаревшим оборудованием I курса. В итоге оценки курсантов изменились в лучшую сторону (ср. значение 3.59 увеличилось до 3.95).
2. Провели обратную замену преподавателей и обеспечения. Результаты ухудшились (ср. значение 3.37).
Результаты анализа показаны на графике (рис. 8).
Оценка по предмету (обученная модель)
Оценка по предмету (Квалификации преподавателя и оборудование. Вариант 1)
Оценка по предмету (Квалификации преподавателя и оборудование. Вариант 2)
6 5 4 3 2 1 О
Рис. 8. График результатов анализа по двум факторам одновременно
Факторный анализ на данной нечеткой нейронной модели показал, что если обеспечить
I курс высококвалифицированными преподавателями, лучшим тренажерным и прочим оборудованием и хорошей учебно-методической литературой, то, несмотря на плохое обеспечение теми же показателями V курса, успеваемость курсантов увеличивается примерно на полбалла. И наоборот, как бы ни улучшались условия обучения V курса, если плохо усвоены базовые предметы I курса, успеваемость курсантов будет низкой.
Выводы:
Таким образом, в статье приведен один из методов моделирования слабо формализованного процесса с использованием нечетких нейронных технологий. Показан пример построения модели, в которой в качестве слабо формализованного процесса был выбран учебный процесс в морском вузе. Приведенные примеры факторного анализа показывают возможность использования построенной модели для изучения и анализа скрытых сложных закономерностей реального учебного процесса, позволяют апробировать на модели эффективность определенных управляющих воздействий на него, найти способы его оптимизации. Ведь все более высокие стандарты качества подготовки морских специалистов, которые планомерно вводит международное морское сообщество, заставляют постоянно совершенствовать систему морского образования.
Выпуск4
¡Выпуск 4
Список литературы
1. Власова Г. Транспортным процессам требуется интеллект / Г. Власова // Морские порты: информационно-аналитический журнал. — 2009. — № 4/5 (76).
2. Бугулов Э. Р. О построении автоматизированных аналитических систем на транспорте /
Э. Р. Бугулов, В. П. Козлова, О. В. Осокин // Транспорт. Наука, техника, управление: науч. информ. сб. — 2007. — № 6.
3. Круглов В. В. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода / В. В. Круглов, М. И. Дли. — М.: Изд-во Физ.-мат. лит., 2002. — 256 с.
4. Андрейчиков А. В. Анализ, синтез, планирование решений в экономике / А. В. Андрейчиков, О. Н. Андрейчикова. — М.: Финансы и статистика, 2000. — 368 с.
5. Штовба С. Д. Проектирование нечетких систем средствами МаЛАВ / С. Д. Штовба. — М.: Горячая линия-Телеком, 2007. — 288 с.
УДК 681.3.067 А. Е. Журавлев,
СПГУВК,
аспирант
ДИАЛОГ С ИНФОРМАЦИОННОЙ СИСТЕМОЙ ОПЕРАТИВНОГО УЧЕТА СУДОПРОПУСКА В ШЛЮЗОВАННОЙ СИСТЕМЕ НА УСЛОЖНЕННЫХ ЗАПРОСАХ ПОДМНОЖЕСТВА ЕСТЕСТВЕННОГО ЯЗЫКА
DIALOGUE WITH GATEWAY LOCKING OPERATIONAL REGISTRATION INFORMATION SYSTEM BY COMPLICATED QUERIES OF NATURAL LANGUAGE SUBSET
В статье рассматриваются вопросы организации диалога оператора терминала с информационной системой оперативного учета судопропуска в шлюзованной системе на некотором подмножестве естественного языка, содержащего вопросительные и побудительные предложения, усложненные конструкциями различного вида. На основе семантического анализатора рассматриваются примеры таких запросов и их трансляция с естественного языка на SQL-подобный язык запросов информационной системы.
This article is devoted to the questions of organization of terminal operator dialog with the information system of operative account of the process of moving ships in the locked through system on some subset of human language, containing interrogative and incentive suggestions. The translator from a human language to the SQL-similar language of queries of the informative system on the basis of semantic analyzer is offered.
Ключевые слова: семантика, семантический анализ, запрос, базы данных, шлюз, судопропуск.
Key words: semantics, semantic analysis, query, database, gateway, locking.
114]
КАК отмечалось ранее, шлюзованная система на внутренних водных путях, являющаяся частью единой транспортной системы, поддерживается корпоративной компьютерной системой. Для управления такими системами применяются различные технологии и специализированные средства доступа. Средствами реализации, хранения, обработки и анализа данных в распределенных средах чаще всего являются различные ERP и OLAP системы, которые
