Синтез обобщенной информационной модели нейросетевой идентификации распределенных информационных объектов Текст научной статьи по специальности «Компьютерные и информационные науки»

Михеев М.Ю., Жашкова. Т.В. СИНТЕЗ ОБОБЩЕННОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ НЕЙРОСЕТЕВОЙ ИДЕНТИФИКАЦИИ РАСПРЕДЕЛЕННЫХ ИНФОРМАЦИОННЫХ ОБЪЕКТОВ

Быстрое развитие современных информационных технологий, в том числе средств сбора, преобразования, обработки и накопления информации вызывает необходимость решения сложных как теоретических, так и практических задач, решение которых существенным образом определяет уровень развития современных технологий в самых разнообразных областях человеческой деятельности. При этом информация накапливается и структурируется, образуя достаточно сложные информационные объекты, имеющие обычно распределенную структуру.

В [5] информационный объект это описание некоторой сущности (реального объекта, явления, процесса, события) в виде совокупности логически связанных реквизитов (информационных элементов). Такими сущностями для информационных объектов могут служить: объекты материального мира как природного, так и техногенного происхождения.

В [6] указывается, что информационный объект имеет как бы самостоятельное существование, независимое от реальных предметов.

В работе [ 7] указывается, что информационный объект - обобщающее понятие, описывающее различные виды объектов: простых - звук, изображение, текст, число и комплексных структурированных -

элемент, база данных, таблица, гипертекст, гипермедиа, причем информационные объекты могут описываться непосредственно или в виде алгоритма их порождения.

Под распределенным информационным объектом (РИО) будем понимать информационное отражение объектов материального мира как природного, так и техногенного происхождения, состоящие из взаимосвязанных информационных элементов, имеющие сложную распределенную иерархическую структуру.

РИО встречаются в различных областях науки и техники: физике, экономике, медицине, геологии и пр. В отличие от систем с сосредоточенными параметрами, состояние которых в каждый момент времени характеризуется вектором конечной размерности, для распределенных систем состояние описывается функцией одной или нескольких переменных, обычно интерпретируемых как пространственные координаты. Проблема моделирования и управления такими объектами связана не только с их распределенностью, но и их нелинейностью, а также возможным отсутствием априорной информации о внутреннем устройстве моделируемой системы и закономерностях ее функционирования. В этом случае практически единственным подходом к построению модели объекта остается использование экспериментальных данных о его функционировании.

Под термином «информация» будем понимать сведения или совокупность сведений, которая является отображением объекта материального мира, а также отображением свойств физических объектов в виде физических величин. Информация о значениях физических величин получается посредством датчиков и измерительных преобразователей. Под датчиком понимается средство измерения, представляющее собой, конструктивно завершенное устройство, размещаемое непосредственно в зоне исследуемого объекта. Надо отметить, что наличие датчика дает возможность реализовать важные особенности современных методов измерений, в частности преобразование одних физических величин в другие величины (обычно - электрические), последующее преобразования, хранение и использование.

Опережающее развитие вычислительной техники определило широкое распространение методов цифровой обработки сигналов реализуемое как посредством специализированных вычислителей, зачастую размещаемых непосредственно в датчиках, так и универсальных вычислительных и коммуникационных устройств.

ид, - ИП(

ИД2 игъ БЦО БД

ОММ СНИ

ИД» - ип„

Рисунок 1 - Обобщенная структурная схема систем нейросетевой идентификации РИО

Обобщенная структурная схема систем нейросетевой идентификации РИО представлена на рисунке 1 и включает в себя следующие элементы: интеллектуальные датчики (ИД1...ИДл) физических величин, которые обеспечивают сбор информации об объекте материального мира (ОММ) представляющим собой некоторый природный или техногенный физический объект. Измерительные преобразователи (ИП) преобразуют значения физических величин, характеризующих статическое и динамические состояния объектов в цифровой код, поступающий на блок цифровой обработки (БЦО). Результаты цифровой обработки заносятся в базу данных (БД), которая в общем случае представляет собой реляционную базу данных, объединяющую в единую структуру множество таблиц. Данные из таблиц организуются с точки зрения удобства реализации процедур идентификации. Для получения целостного представления о процессах и явлениях протекающих в физическом объекте системы нейросетевой идентификации (СНИ) консолидирует измерительную информацию о нескольких десятках, а иногда сотнях физических величин.

Структурные свойства системы задают ее структурную связанность, которая является наиболее существенным интегративным свойством системы, т.к. с исчезновением структурной связанности исчезает и сама система, поскольку понятие система, как наличие совокупности элементов находящихся в некотором отношении неразрывно связано с понятием «структура». Структурная связанность системы - это глобальное (интегративное) свойство, причем, в зависимости от способа структурного описания и структурного анализа системы, могут проявляться и использоваться различные ее характеристики. Поэтому актуально исследовать различные проблемы анализа структурной связанности и разработать ряд математических методов их решения. Эти вопросы приобретают особую актуальность в плане попытки исследования распределенных информационных объектов (РИО) и разработки единых универсальных концепций к решению системных задач на основе реализации структурного подхода, т.е. на основе ряда математических методов или единого семантически инвариантного метода анализа структурной связности распределенных информационных объектов. Изучение структурной связности РИО возможно с различных позиций в зависимости от целей анализа системы и в настоящее время сопряжено с рядом трудностей, обусловленных недостаточной теоретической проработанностью. Однако теоретическое обоснование и последующее практическое решение проблем анализа структурной связности позволяет

реализовать концепцию структурного подхода при решении системных задач различной природы и использовать структурный подход, как одну из методологий системного анализа РИО [1].

Успехи вычислительной техники и, в частности, нейроинформатики чрезвычайно повышают актуальность разработки и использования методов ІБ-анализа сложных больших систем, не поддающихся полному аналитическому описанию и характеризующихся, кроме большого количества элементов, наличием различных по типу (неоднородных) связей между элементами. Использование методов ІБ-анализа позволяет решать задачи анализа, синтеза и управления сложными системами для которых с одной стороны, характерны параметрическая неопределенность, трудность использования традиционных математических моделей и методов, а с другой стороны - возможность постановок указанных задач, как задач структурного анализа, синтеза и идентификационно-структурного управления, абстрагируясь от природы и особенностей протекающих процессов, а основываясь лишь на идентификации структурных состояний РИО.

Концептуальную основу структурного подхода и обеспечивающих его реализацию задач и методов ^-анализа предлагается формировать, используя в качестве определения структуры в соответствии, с которым под структурой системы будем понимать «формальную взаимосвязь между наблюдаемыми структурными признаками и свойствами системы» [2].

В качестве базового принципа реализации структурного подхода предложен S-принцип идентификационно - структурного управления и формализованы средства реализации S-принципа. Так же предложен структурный подход к анализу и идентификации сигналов в соответствии с S-принципом. Сформулированы задачи структурной идентификации сигналов в терминах задач ^-анализа. Предложена концепция реализации методов ^-анализа в процессе структурной идентификации сигналов на базе искусственных нейронных сетей.

В настоящем получили широкое распространение так называемые многопараметрические интеллектуальные датчики, структура которых включает в себя сенсоры отдельных физических величин (температура, давление, вибрация, частота, ток, сила света и т.д.), измерительный преобразователь (ИП) преобразующий значение физической величины в электрический сигнал или цифровой код и канал связи. В общем случае, структура ИД представленная на рисунке 2 может включать в себя буфер обмена (БО), накапливающий информацию в интервалы времени между моментами передачи информации.

Рисунок 2 - Структура интеллектуального датчика (ИД)

Каждый датчик физических величин (ДФВ) имеет свою базу данных (БД), которые обмениваются информацией между собой, показанный на рисунке 3.

Рисунок 3

Под системой нейросетевой идентификации (СНИ) распределенных информационных объектов (РИО) будем понимать совокупность объединенных измерительных и вычислительных средств для получения информации о физическом объекте, т.е. его преобразования с целью идентификации.

Процесс идентификации существенно зависит от определенности поведения параметров сигнала. В этом смысле различают детерминированные и стохастические сигналы. Знание значений параметров детерминированного сигнала в некотором интервале времени позволяет полностью определить поведение этих параметров вне этого интервала. В отличие от детерминированных стохастические сигналы характеризуются тем, что знание некоторых значений их параметров на заданном интервале позволяет определить только вероятностные характеристики поведения этих сигналов вне этого интервала.

Задача идентификации усложняется тем, что процесс идентификации протекает в условиях неполноты априорной информации о физическом объекте, обусловленная влиянием помех. В условиях априорной неопределенности процесс идентификации включает в себя процесс адаптации СНИ к текущей информации о физическом объекте.

Таким образом, при адаптивном подходе для восполнения недостающей априорной информации активно используется текущая информация. Адаптивный подход применим в тех случаях, когда неизвестна пере-

даточная функция. Если неизвестен вид сигнала (детерминированный или стохастический), то неизвестны и его характеристики. Следовательно, единственным решением задачи идентификации является использование адаптивного подхода. В этом смысле задача идентификации может быть рассмотрена с той же точки зрения, что и задача методов идентификации сигналов.

В последнее время наблюдается большой интерес к применению современных информационных технологий, в частности, нейросетевой технологии, к задачам моделирования распределенных информационных объектов. Связано это, с целым рядом факторов, среди которых можно отметить: разнообразие практических приложений; трудности применения стандартных методов идентификации вследствие нелинейности моделей, большого объема данных, неточности их измерений; высокая вычислительная сложность классических методов моделирования распределенных информационных объектов.

Литература

1. Щербань А.Б., Жашкова Т.В. Обобщенные структурные модели информационных объектов. Известия высших учебных заведений. Поволжский регион. Технические науки №8, 2008г. - Пенза, ПГУ.

2. Щербань А.Б., Жашкова Т.В. Постановка задачи оптимизации функциональной структуры как задачи Т5-анализа. /Современные информационные технологии: Труды международной научно-технической

конференции. Выпуск III. - Пенза: ПГТА, 2006. - С. 51-53.

3. Вороб 4. Цыпки 5. http эев Е.А. Датчики-преобразователи информации / СПбГУАП. СПб., 2001, 43с. Я.З. Адаптация и обучение в автоматических системах. М. : Наука, 1968. 400 с //synopsis.kubsu.ru/informatic/master/lecture/themes7 2 1.htm

6. http //па1иге-зос1е1у.narod.ru/newpage2.htm

7. http //.humanities.edu.ru/db/msg/84034