WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 25 | 26 || 28 | 29 |   ...   | 65 |

чем на E', т. е. {1,..., } выполняется условие 6. Адаптивное управление системой.

Описываемые модели решают задачи, каждая из Sup B - BR E. (3) U которых допускает постановку комбинированной задачи. В данной работе рассматривается широкий Левая часть неравенства (3) представляет собой класс СФЗ: классификация объектов системы. Если максимальную ошибку модели R, прямое измерение которой на практике недостижимо, поскольку сис- в системе количество классов неизвестно, возможно темная функция при произвольных значениях аргу- путем проведения кластеризации свести проблему мента неизвестна. Таким образом, значение показате- к задаче классификации.

ля eR оценивается максимальной ошибкой модели R. Постановка задачи классификации внутренних соВ данной работе максимальная ошибка модели R стояний системы: известна принадлежность некотооценивается значением вектора ER, элементы которорого набора объектов {a1, a2,..., am} A к подмножего ER вычисляются по формуле ствам Aj, где j {1,..., M}, M – количество классов;

A1 A2... AM A. Условие A A = выполня ER = max YR -Y, (4) X ется {1,..., M} и {1,..., M}, где.

Математика, механика, информатика V Vnew Vnew Модель СФЗ решения СФЗ решение Y'new Y Ynew Настройка Допустимая Вычисление параметров погрешность E-оценки ошибки модели E' модели Y'new да нет E E' Рис. 1. Структурная схема решения СФЗ Классифицировать набор объектов {am+1, am+2,..., далее нечеткие нейронные сети как пример успешной am+l} A, т. е. k {m + 1, m + 2,..., m + l} опреде- технологии вычислительного интеллекта. Глубинная лить принадлежность объекта ak к одному из подмно- интеграция нечетких систем и нейросетей связана с разработкой новой архитектуры элементов нейросежеств Aj, при условии, что {a1, a2,..., am} {am+1, am+2, ти. Для интеграции двух технологий – нечетких сис..., am+l} =. Каждый объект характеризуется вектотем и нейрокомпьютинга – необходимо предложить ром X, представляющим собой количественное или способ четкого дискретного представления непрерывкачественное описание важнейших ресурсов, признаных функций принадлежности. Один из способов – ков и числом Y {1,..., M}, равным идентификатору выбор максимально большого интервала [х1, х2], соответствующего класса. Решающее правило класв котором представлены все нечеткие множества уссификации может быть описано некоторой (неизвестловных частей правил. Если разбить интервал с равной) вектор-функцией Y = F(X).

ным шагом, то любое нечеткое значение представляЗадачей моделирования является идентификация ется четким вектором. Другой способ представления системы, состоящая в нахождении функционального нечеткого понятия в виде четких данных состоит отношения, алгоритма или системы правил в общей в представлении нечеткого множества в виде совоформе (2), ассоциирующей вектор X с вектором Y' купности -срезов (рис. 2).

таким образом, что Y' и Y близки в некоторой метрике, отражающей цели моделирования.

Допустимая относительная погрешность в значении системной функции B = F(U): E' < 0,5, так как B – целое число. Примем E' = 0,4. Приемлемое решение вырабатывается моделью, для которой выполняется соотношение (5).

Поставленные в данном пункте СФЗ требуют для своего решения методов, адекватных по сложности моделируемому объекту. Идентификация модели СППР, выбор метода и средств идентификации также представляют собой слабо формализованные задачи.

Основой для принятия решения зачастую является а субъективный опыт и интуиция эксперта, следовательно, автоматизация решения СФЗ представляет собой довольно сложную задачу. Решение ее ведется в рамках таких научных направлений, как искусственный интеллект (ИИ) и теория распознавания образов.

Метод решения. Гибридные системы, которые в качестве базовой используют нейронные сети, инб терпретируемые как системы нечеткого вывода, называются нечеткими нейронными сетями. Рассмотрим Рис. 2. -срез, И- и ИЛИ-нейроны Вестник Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева При использовании -срезов каждое i-подмно- тан метод формирования функции принадлежности жество представляется двумя числами – левой и пра- для задачи классификации на основе модифицировой границами: -Lij, а-Rij, где j – номер -среза, ванной нейросети, который заключается в следуюа i – номера точек на его левой и правой границах, щем: для каждого j {1,..., M}, M – количество класт. е. -срезы четко представляют непрерывную функ- сов, формируется модифицированная нейросеть, реацию принадлежности. Модификация модели нейрона 1, если Х j лизующая классификацию Y = для адаптации к нечетким системам касается выбора 0, если Х j. Таким функции активации, реализации операций сложения и образом формируются M модифицированных нейроумножения, так как в нечеткой логике сложение мосетей, которые образуют М функций принадлежности.

делируется любой треугольной конормой (например, Затем формируется логическая схема введения max, a + b – a · b,...), а операция умножения – трев структуру модифицированной нейросети И-, угольной нормой (min, a · b,...).

ИЛИ-нейронов. Таким образом, модифицированная И-нейроном называется нейрон, в котором умнонечеткая нейронная сеть наряду с классическими нейжение веса w на вход х моделируется конормой ронами, являющимися пороговыми суммирующими S(w, x), а сложение – нормой T(w, x).

элементами, включает в себя И-, ИЛИ-нейроны. ДаДля двухвходового И-нейрона справедлива форлее используется механизм нечеткого вывода Мамдамула ни (Mamdani).

Y = T[S(w1, x1),S(w2, x2)].

Результаты эксперимента. Используя разрабоИЛИ-нейроном называется нейрон, в котором умтанный метод построения и функционирования моножение веса w и входа x моделируется нормой T(w, дифицированной нечеткой нейросети, была решена x), а сложение взвешенных весов – конормой S(w, y).

задача принятия решений WCCI 2010 – ORANGE [5].

Для двухвходового ИЛИ-нейрона справедлива форORANGE является маркетинговой набора данных.

мула Управление взаимоотношениями с клиентами являетY = S[T(w1, x1),T(w2, x2)].

ся ключевым элементом современных маркетинговых Если выбрать в качестве T-нормы min, а max – стратегий. Этот набор данных был извлечен из больв качестве S-нормы, то формула преобразования шой базы данных маркетинговых материалов от ИЛИ-нейрона уточняется следующим образом:

французской компании Telecom. Цель состоит в том, чтобы предсказать склонность потребителей сменить max[min(w1, x1), min(w2, x2)].

провайдера (отток), купить новые продукты или услуВ качестве функции активации обычно используют ги (влечение), или купить обновления или дополнения радиальную базисную функцию F(x) = ехр[–b · (x2 – a)].

по более выгодным предложениям (сверхпродажи).

Нечеткой нейронной сетью (ННС) обычно назыТрудности включают гетерогенную интерференцию вают четкую нейросеть, которая построена на основе зашумленных данных (числовые и категориальные многослойной архитектуры с использованием И-, переменные), а также несбалансированное распредеИЛИ-нейронов. Нечеткая нейросеть функционирует ление класса, что характеризует данную задачу как стандартным образом на основе четких действительСФЗ. Категориальные переменные следующие:

ных чисел. Нечеткой является только интерпретация 3 10 16 25 27 32 33 47 49 59 65 73 75 76 79 81 88 результатов.

98 100 105 112 113 121 128 132 138 140 141 148 Системы нечетких продукций строятся на основе 153 154 167 173 181 187 194 209 216.

понятия лингвистической переменной, которой назыДанные задачи ORANGE разделены на части: обувают пятерку объектов: ‹x, T(x), U, G, M›, где x – собчающее множество, зачетное и тестовое. Для наственное имя переменной; T(x) – терминальное мностройки модели использовали обучающее множество жество, т. е. набор значений переменной (нечетких меток); U – множество объектов (или универсум); и входные данные зачетного множества. Сначала получили базу данных, используя численное представG – синтаксические правила употребления; M – селение категориальных переменных. В результате эксмантические правила употребления.

периментов была создана модифицированная нечетПри создании гибридной технологии кроме объекая нейросеть, включающая в свою структуру динения систем по данным можно использовать нейтри модифицированных нейросети, реализующих рокомпьютинг для решения частной подзадачи нечетфункции принадлежности трем классам и одного ких экспертных систем, а именно настройки параметИ-нейрона и двух ИЛИ-нейронов, с помощью проров функции принадлежности. Функции принадлежграммного обеспечения R и пакета MegaNeuro. Исности можно сформировать двумя способами: метопользование разработанной модифицированной недом экспертной оценки; на основе статистики. Гибридные технологии предлагают третий способ: в ка- четкой нейросети позволило повысить рейтинг решечестве функции принадлежности выбирается пара- ния задачи с 7 до 5 по сравнению с результатом нечеткой нейросети [5]. Оценка модифицированной неметризованная функция формы (например, гауссова кривая с параметрами b, a), параметры которой на- четкой нейросети в сравнении с другими методами, страиваются с помощью нейросетей. Настройка пара- успешно примененными к данной задаче (разновидметров может быть получена в рамках алгоритма об- ности деревьев решений и Байесовские нейронные ратного распространения ошибки. Автором разрабо- сети), отражена в таблице.

Математика, механика, информатика Рейтинг решения задачи ORANGE WCCI Рейтинг 1 2 3 4 5 6 7 8 9 Оценка (AUC) 0,810 102 0,721 316 0,813 333 0,787 346 0,787 543 0,788 271 0,788 21 0,787 634 0,787 244 0,813 Таким образом, экспериментально, в сравнении с 2. Анализ данных и процессов / А. А. Барсегян и др.

традиционными математическими и интеллектуаль- СПб. : БХВ-Петербург, 2009.

ными методами, показана целесообразность исполь3. Паклин Н. Б., Орешков В. И. Бизнес-аналитика:

зования и подтверждена высокая точность разрабоот данных к знаниям. СПб. : Питер, 2009.

танной иерархической интеллектуальной системы для 4. Энгель E. A. Модифицированная нейросеть для принятия решений. Показана целесообразность исобработки информации с использованием селекции пользования модифицированной нечеткой нейросети существенных связей : автореферат дис. … канд. техн.

для моделирования систем поддержки принятия ренаук. Красноярск, 2004.

шений.

5. Энгель E. A., Ковалев И. В. Использование интеллектуальных методов для обработки информации Библиографические ссылки на примере решения задач WCCI 2010 // Вестник 1. Технологии анализа данных / А. А. Барсегян и др.

СибГАУ. 2011. Вып. 3 (34). С. 4–9.

СПб. : БХВ-Петербург, 2007.

E. A. Engel MODELS AND METHODS OF INTELLECTUAL SUPPORT IN MANAGEMENT DECISIONS FOR TECHNICAL SYSTEMS Application of classical mathematical methods to solution of decision-making problems is somewhat difficult, but intelligent systems are more effective in such a case since intelligent systems are the synthesis of adaptive and conventional mathematical algorithms. On the basis of analysis of existing methodologies for intellectual support of management decisions, the author justifies the developed modified fuzzy neural network, as one, eliminating the drawbacks of existing methodologies, and being more effective.

Keywords: fuzzy neural network, decision making, intelligent systems.

© Энгель Е. А., Авиационная и ракетно-космическая техника УДК 621.642.А. С. Васильцов, В. Н. Подвезенный ТЕОРЕТИЧЕСКИЕ ОСНОВЫ УДАЛЕНИЯ ЗАГРЯЗНЕНИЙ С ВНУТРЕННЕЙ ПОВЕРХНОСТИ ТОПЛИВНЫХ БАКОВ Описаны причины образования углеводородных загрязнений, виды загрязнений: поверхностные и глубинные.

Рассмотрены теоретические основы процесса удаления загрязнений с помощью жидкого СО2. Приведены формулы количественной оценки углеводородных загрязнений. Предложен механизм удаления углеводородных загрязнений с поверхности и устьев пор с помощью явлений термического «шока» и «газового клина». Рассмотрена эффективность очистки. Выведены уравнение условий непрерывности процесса бластинга топлива из открытых пор металла и формула определения времени процесса удаления загрязнений.

Ключевые слова: удаление загрязнений, глубинные загрязнения, криогенный бластинг, эффективность очистки, время очистки.

Проблемы подготовки (нейтрализация, промывка, В нашей работе глубинные загрязнения принимаобезжиривания) топливных баков летательных аппа- ются как загрязнения устьев пор, так как здесь нахоратов и автомобилей (далее резервуаров), загрязнен- дится основной объем глубинных загрязнений. Угленых нефтепродуктами, является актуальной как с точ- водороды, находящиеся в капиллярных порах, не окаки зрения экологической и пожарной безопасности, зывают значительного влияния на качество очистки так и значительных финансовых и трудовых затрат. поверхности.

Загрязнения резервуаров, предназначенных для При эксплуатации резервуара из объема хранимохранения нефти и нефтепродуктов, характеризуются го нефтепродукта на внутреннюю поверхность резербольшим содержанием асфальто-смолистых веществ, вуара оседают и адгезируются механические примеси, карбенов и карбоидов, представляющих собой твер- продукты разложения топлив и коррозии металлов.

дые эмульгаторы, что создает значительные трудно- Таким образом, после слива из резервуара основсти при их очистке. ного количества нефтепродуктов на его стенках остаОтложения в резервуарах после хранения светлых ются адгезированные, поверхностные и глубинные нефтепродуктов характеризуются большим содержа- загрязнения в виде инородных частиц и остатков нием неорганических соединений, представляющих топлив, находящихся в различных фазовых состоянисобой в основном продукты коррозии и иловые отло- ях. Трудоемкость их удаления зависит от величины жения. сил связи загрязнений с конструкционными материаБольшое влияние на состав нефтеостатков оказы- лами [5].

вают смешение различных сортов нефтепродуктов, Загрязнения, в зависимости от их связи с твердым многократные подогревы и длительные сроки экс- телом, бывают нефиксированными, слабофиксироплуатации резервуаров без периодических очисток, ванными и прочнофиксированными. Адгезированные в этом случае происходит накопление большого ко- загрязнения соответствуют нефиксированным, а поличества осадков, их уплотнение и образование твер- верхностные и глубинные – слабофиксированным дой массы [1]. и прочнофиксированным [6].

Pages:     | 1 |   ...   | 25 | 26 || 28 | 29 |   ...   | 65 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.