Разработка базы данных интеллектуальной информационно-моделирующей системы для прогнозирования последствий загрязнения атмосферного воздуха Текст научной статьи по специальности «Компьютерные и информационные науки»

Рис. 2. Диаграммы распределения скорости в различных сечениях камеры со вторым способом монтажа вентилятора и воздуходувов

Помимо диаграмм распределения скорости в программе была рассчитана средневзвешенная по поверхности примитива скорость, а так же максимальная и минимальная скорости на поверхности примитивов.

На основании данных о скоростях вблизи поверхности примитивов были сделаны выводы о наиболее удачном способе монтажа вентилятора и воздуходувов для сушки объектов, форму и габариты которых можно упростить до куба или шара, а также о наиболее удачном способе монтажа для общего случая.

Результаты проведенной работы позволяют производителям сушильной камеры уже на стадии первоначального проектирования сконструировать камеру оптимально подходящую для сушки и полимеризации лакокрасочного покрытия на поверхности заданного изделия без конструирования экспериментальных моделей и проведения испытаний. Таким образом, полученные результаты позволяют существенно снизить временные и материальные затраты на проектирование и конструирование сушильных камер.

Список литературы

1. Материалы веб-сайта компании ОАО «Научно-исследовательский институт лакокрасочных покрытий с опытным машиностроительным заводом» http://www.niilkp.ru.

2. Meshing in Workbanch Simulation / J. Crawford - Ansys Solution №2,3,4 2005

3. Основы САПР CAD/CAM/CAE / Ли Кунву. - СПб.: Питер, 2004 . - 560 стр.

УДК 004.89:502.175

А.С. Левушкин, С.П. Дударов, А.Ф. Егоров

Российский химико-технологический университет им. Д.И. Менделеева, Москва, Россия

РАЗРАБОТКА БАЗЫ ДАННЫХ ИНТЕЛЛЕКТУАЛЬНОЙ ИНФОРМАЦИОННО-МОДЕЛИРУЮЩЕЙ СИСТЕМЫ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОСЛЕДСТВИЙ ЗАГРЯЗНЕНИЯ АТМОСФЕРНОГО ВОЗДУХА

There is suggested to use database for efficient storage, management and processing of large data volumes in intellectual information and modeling system for forecasting the chemical industry’s atmospheric air pollution consequences in the article. The specifics of developed database is defined by mathematical apparatus included into the information and modeling system, specifically by the executing function of neural network modeling and use of real-coded genetic algorithm as tutorial one.

В работе предлагается использовать базу данных для эффективного хранения, управления и обработки больших объемов данных в интеллектуальной информационно-моделирующей системе для прогнозирования последствий загрязнения атмосферного воздуха химическими производствами. Специфика разрабатываемой базы данных определяется математическим аппаратом, применяемым в информа-ционно-моделирующей системе, а именно выполняемой функцией нейросетевого моделирования и использованием генетического алгоритма вещественного кодирования в качестве алгоритма обучения.

Для решения сложных задач химической технологии, экологии и смежных областей зачастую приходится прибегать к использованию методов искусственного интеллекта. В связи с этим встает проблема разработки специализированных интеллектуальных информационно-моделирующих систем. В одной из таких систем, разрабатываемых на кафедре компьютерно-интегрированных систем в химической технологии РХТУ им. Д.И. Менделеева, в качестве метода обучения искусственной нейронной сети выбран генетический алгоритм вещественного кодирования. Использование данного алгоритма позволяет избежать многих проблем, присущих традиционным алгоритмам обучения нейронных сетей, например, попадания промежуточного решения в локальный минимум целевой функции. Кроме того, данный алгоритм наилучшим образом подходит для поиска оптимального решения в пространстве большого количества переменных, что имеет место при обучении нейронной сети.

Искусственные нейронные сети, в свою очередь, представляют собой эффективный аппарат для решения многомерных задач, а также задач в условиях неполноты и неопределенности исходной информации об исследуемой системе.

В данной работе предлагается использовать базу данных для эффективного хранения, управления и манипулирования большими объемами данных в интеллектуальной информационно-моделирующей системе, позволяющей, в том числе, настраивать и обучать нейронные сети, а также работать с выборками данных различного назначения. Использование системы управления базами данных позволяет упростить процесс разработки программного модуля, поскольку отпадает необходимость разработки собственной системы хранения и манипулирования данными. Кроме того, современные системы управления базами данных обладают высокой скоростью работы и высокоэффективными средствами контроля состояния данных и их резервирования.

Специфика разрабатываемой базы данных определяется математическим аппаратом, применяемым в информационно-моделирующей системе, а именно использованием функций нейросетевого моделирования и генетического алгоритма вещественного кодирования в качестве алгоритма обучения искусственной нейронной сети. Структура базы представлена на рисунке. Таблицы базы сгруппированы в зависимости от их функционального назначения.

15 Вероятность применения ГО 11 Генетический оператор

Вероятность Имя

ГО Комментарий

Правило обучения 4

16 Проект

Имя

Комментарий

п п

I

14 Правило обучения

Проект

Имя

Комментарий

12 Параметр ГО

ГО

Имя

Комментарий

£

13 Значение параметра ГО

Правило обучения Параметр ГО Значение

Нейронная сеть

1 Нейронная сеть 2 Слой

Проект Нейронная сеть

Имя Индекс

Комментарий і L

Обучающее множество

б Обучающее множество

Проект

Имя

Комментарий

б Вход-выход

Проект

Тип

Индекс

Имя

Комментарий

3 Нейрон

Вход-выход

Слой

Индекс

Коэффициент смещения

7 Значение обучающего множества

Обучающее множество

Вход-выход

Индекс

Тип

Значение

4 Весовой коэффициент

Нейрон

Предыдущий нейрон Значение

Функция активации

10 Значение параметра функции активации

Параметр функции активации

Нейрон

Значение

1_

9 Параметр функции активации В Функция активации

Функция активации Имя

Имя параметра Комментарий

Комментарий

Рис. 1. Структура базы данных интеллектуальной информационно-моделирующей системы

В группе таблиц «Нейронная сеть», содержится информация о структурах нейронных сетей: количестве входных и выходных нейронов, скрытых слоях и количе-

стве нейронов в скрытых слоях. Назначение и описание хранящейся в таблицах группы информации представлены в табл. 1.

Таблица 1. Состав группы таблиц «Нейронная сеть»

№№

п/п

Имя таблицы Нейронная

1 сеть

2

3

Слой

Нейрон

Весовой

коэффициент

Вход-выход

Назначение

Идентификация нейронной сети и ее функциональных составляющих Определение количества слоев нейронной сети Определение количества нейронов в слое и параметров нейронов Хранение весовых коэффициентов

Определяет тип нейрона и тип значений обучающей выборки

Хранящаяся информация

Индекс проекта, рабочее имя сети, комментарий пользователя

Собственный индекс, индекс нейронной сети

Собственный индекс, индексы входных и выходных нейронов, индекс слоя, коэффициент смещения Индексы связанных нейронов, значение коэффициента Собственный индекс, индекс проекта, тип нейрона, рабочее имя, комментарий пользователя

Таблица «Нейрон» предназначена для хранения информации о нейроне любого слоя, количестве нейронов в слое и значении коэффициента смещения нейрона. Внешние ключи ссылаются на таблицы «Слой» и «Вход-выход». Первый определяет слой, в котором находится данный нейрон, а второй, является ли данный нейрон входом в сеть или выходом из сети.

Таблица «Весовые коэффициенты» предназначена для хранения значений весовых коэффициентов любого нейрона сети. Два внешних ключа ссылаются на таблицу «Нейрон» для однозначного определения весового коэффициента.

Таблица «Вход-выход» предназначена для хранения данных о входных и выходных нейронах. Она одновременно относится к группе таблиц «Обучающее множество», где однозначно определяет, что собой представляет данное значение обучающего множества: вход или выход.

В трех таблицах, собранных в группу «Обучающее множество» (табл. 2), содержится информация об обучающих множествах, занесенных в программный модуль и используемых для обучения нейронных сетей. Под обучающим множеством понимается набор входных и соответствующих им выходных значений нейронной сети.

Таблица 2. Состав группы таблиц «Обучающее множество»

№№

п/п

6

Имя таблицы

Обучающее

множество

Значение

обучающего

множества

Назначение

Идентификация обучающего множества Определение значений обучающего множества

Хранящаяся информация

Индекс проекта, рабочее имя, комментарий пользователя Собственный индекс, индекс обучающего множества, тип множества, значение переменной

Таблица «Значение обучающего множества» предназначена для хранения значений переменных обучающего множества. Тип множества может принимать следующие значения: «обучающее», «тестовое», «контрольное» и «неопределенное» (временно не используемое). Внешние ключи ссылаются на таблицы «Обучающее множе-

4

5

7

ство» и «Вход-выход». Вторая таблица определяет, что непосредственно представляет собой данное значение: вход или выход из сети, а также к какой нейронной сети относится данное значение обучающей выборки.

В интеллектуальной информационно-моделирующей системе предполагается реализовать возможность использования для каждого нейрона функции активации, имеющей, в общем случае, свой собственный вид и параметры. Для реализации данной возможности необходимо хранить как сам вид функции активации, так и значения ее параметров для каждого нейрона в отдельности. Это стало возможным с вводом в базу данных трех таблиц, объединенных в группу «Функция активации» (табл. 3).

Таблица 3. Состав группы таблиц «Функция активации»

№№

п/п

8

10

Имя таблицы

Функция

активации

Параметр

функции

активации

Значение

параметра

функции

активации

Назначение

Хранение перечня используемых функций активации Хранение списка параметров для настройки функции активации Определяет числовое значение параметра функции активации

Хранящаяся информация

Рабочее имя, комментарий пользователя

Индекс функции активации, название параметра, комментарий пользователя

Индексы параметра функции активации и нейрона, значение параметра функции активации конкретного нейрона

Таблица «Функция активации» предназначена для хранения перечня используемых в программном модуле видов функций активации (например, пороговая функция, линейная, сигмоидная, гиперболический тангенс и т.д.). Данная таблица не связана с таблицами определяющими структуру нейронной сети.

Таблица «Параметр функции активации» предназначена для хранения списка параметров, необходимых для настройки функций активации различных типов. В таблице имеется внешний ключ, ссылающийся на таблицу с типами функций активации, для однозначной идентификации параметров относящихся к данной функции.

Благодаря использованию таблицы «Значение параметра функции активации» предполагается реализовать механизм использования различных функций активации внутри одной нейронной сети. Внешние ключи таблицы ссылаются на таблицу «Нейрон» для определения нейрона в структуре нейронной сети, и таблицу «Параметр функции активации» для получения параметра функции, определенного для данного нейрона.

В разрабатываемой интеллектуальной информационно-моделирующей системе для обучения искусственных нейронных сетей предполагается использовать генетический алгоритм вещественного кодирования. В группе таблиц «Правила обучения» (табл. 4) находятся таблицы, предназначенные для хранения параметров настройки генетического алгоритма обучения. К ним относятся как настройки самих генетических операторов и вероятности применения каждого из них в процессе обучения нейронной сети, так и настройки самого алгоритма обучения (количество эпох обучения, условия остановки работы алгоритма и т.д.). Кроме того, правила описывают дополнительные параметры алгоритма: вероятности применения и набор дополнительных стратегий применяемых в процессе работы алгоритма обучения.

9

п/п Имя таблицы Назначение Хранящаяся информация

11 Г енетический Содержит перечень гене- Рабочее имя, комментарий пользо-

оператор тических операторов вателя

Параметры Содержит перечень пара- Рабочее имя, комментарий пользо-

12 ГО метров генетических операторов вателя, название параметра

Значение Определяет значение па- Индексы правила обучения и гене-

1З параметра раметра генетического тического оператора, значение па-

ГО оператора раметра

14 Правило Идентификация правила Индекс проекта, рабочее имя, ком-

обучения обучения ментарий пользователя

Вероятность Содержит вероятности Индексы генетического оператора и

15 применения применения генетических правила обучения, значение веро-

ГО операторов ятности применения оператора

Таблица «Генетический оператор» (ГО) предназначена для хранения перечня используемых видов генетических операторов (например, различные виды кроссовера, инверсии, мутации и т.д.).

Таблица «Параметр ГО» предназначена для хранения списка параметров, необходимых для настройки генетических операторов. В таблице имеется внешний ключ, ссылающийся на таблицу «Генетический оператор», для однозначной идентификации параметров относящихся к данному оператору.

Таблица «Значение параметра ГО» предназначена для хранения информации, посредством которой осуществляется настройка параметров генетических операторов в соответствии с заданными правилами обучения. Внешние ключи ссылаются на таблицы «Правило обучения» и «Параметр ГО» для однозначной идентификации значения параметра в соответствии с заданным правилом.

Таблица «Вероятность применения ГО» предназначена для хранения вероятностей применения того или иного ГО для определенного правила обучения. Внешние ключи ссылаются на таблицы «Правило обучения» и «Генетический оператор».

Для удобства работы с программным модулем, удобства навигации и структуризации информации предлагается функционально связанные объекты выделять в отдельные проекты. Для этого создана таблица «Проект», позволяющая объединить вместе отдельные структуры нейронных сетей, обучающие выборки и правила обучения.

Разработанная структура базы данных интеллектуальной информационно-мо-делирующей системы реализована в системе управления базами данных MySQL. MySQL имеет высокую скорость работы, проста в обслуживании и поддержке, имеет большое количество свободно распространяемых удобных инструментов разработки, поддержки и обслуживания, является некоммерческим, свободно распространяемым продуктом. Использование разработанной базы данных в интеллектуальной информа-ционно-моделирующей системе позволит увеличить вычислительные возможности системы, ускорить работу программных модулей. Разрабатываемая интеллектуальная информационно-моделирующая система будет использована в лабораторном практикуме по курсу «Использование принципов искусственного интеллекта и экспертных систем в управлении гибкими химическими производствами», а также для учебных и научных исследований при выполнении курсовых, учебных научно-исследовательских, квалификационных и дипломных работ бакалавров, магистров и студентов.