WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 7 | 8 || 10 | 11 |   ...   | 15 |

Так, например, профессиональный опыт эксперта оценивался по результатам апостериорных данных о протекании производственного процесса, в котором тот принимал непосредственное участие. Общеизвестно, что в идеальном случае, при соблюдении условий центральной предельной теоремы (взаимонезависимость или слабая зависимость факторов, влияющих на протекание процесса) распределение погрешностей любого производственного процесса распределяется по закону, близкому к нормальному распределению (закону Гаусса). В то же время, участие производственного персонала в процессе принятия решений по управлению производственным процессом, существенно изменяет закон распределения погрешностей данного процесса, в силу привнесения субъективной (качественной) составляющей, свойственной человеческой деятельности.

Следовательно, сравнение апостериорных данных о реальных погрешностях производственного процесса с нормальным законом распределения, позволяет выявить оценку субъективной составляющей экспертного вмешательства в данный процесс и, таким образом, оценить производственный опыт эксперта. В данной работе строилась зависимость между реальными производственными данными, распределенными по произвольному закону и нормальным распределением, свойственным протеканию идеального процесса. Полученный коэффициент корреляции интерпретировался как входное значение функции принадлежности рассматриваемой характеристики к нечетким множествам, определяемых кортежем лингвистической переменной LV.

Для определения теоретической подготовленности эксперта, логических способностей, особенностей памяти, и т.п. воспользовались методами психологической диагностики.

Известно, что психологическая диагностика изучает способы распознавания и измерения индивидуально-психологических особенностей человека (свойств его личности и особенностей интеллекта). Поэтому распознавание и измерение этих компонентов осуществляли с помощью методов психодиагностики.

В данной работе для оценки вышеупомянутых личностных характеристик эксперта применили следующую обобщенную схему (рис. 17).

Выбор методики тестирования для той или иной личностной характеристики эксперта зависел от предметной области рассматриваемой задачи. В частности, при диагностировании теоретической подготовленности экспертов, принимающих участие в доменном производстве, использовались вербальные стандартизированные стимулы с ответами типа выбор.

, Рис. 17. Обобщенная диаграмма процесса тестирования Данное формализованное описание психодиагностических методик и возможность выбора подходящей методики, заложенная в программной реализации процедуры тестирования, позволили произвести оценку той или иной личностной характеристики эксперта посредством наиболее подходящего для данной цели метода. Глубокое исследование данных методов осуществлено ранее в многочисленных публикациях по теории тестирования (тестологии) и психологии.

В результате получаемые оценки личностных характеристик эксперта приводились к единой шкале (принимали значения из интервала [0,1]), а в физическом смысле соответствовали коэффициентам корреляции и использовались в качестве весовых коэффициентов НС.

Необходимо отметить еще некоторые достоинства предложенной системы тестирования:

– реализован гибкий механизм тестирования: в процессе обследования осуществлялся мониторинг текущих данных и корректировка последовательности заданий;

– имелась возможность подключения внешних программ для работы в единой системе совместно с предлагаемыми методиками. В частности для оценки соответствующей личностной характеристики эксперта использовались такие примеры представительных психодиагностических методик, как классические тесты Люшера, Айзенка, Кэттэла, MMPI, Осгуда, шкала самооценки СпилбергаХанина, лучшие их отечественные адаптированные варианты, оригинальные психобиографические методы и т.п.;

– обеспечен удобный интерфейс для разработки и настройки собственных тестов: создания и корректировки вопросов, ответов и шкал, условий и текстов интерпретации.

– осуществлена реализация справочного режима, что позволяет избежать объемных инструкций и работать с системой слабо подготовленному пользователю;

– вся требуемая информация предоставлялась в удобном для восприятия виде (графики, диаграммы и т.д.). По желанию пользователь мог получить количественные характеристики тех или иных показателей.

Таким образом, разработанная система тестирования позволила оценить вышеупомянутые характеристики эксперта посредством применения наиболее подходящей психодиагностической методики.

Как показано ранее, одним из важных этапов оптимальной оценки личностных характеристик эксперта являлось использование адаптивных алгоритмов и процедур прогнозирования. Использование указанных алгоритмов позволяло учитывать такие свойства человеческого мышления, как интуиция и способность обучаться предсказанию.

Основной информацией для прогноза являлся отдельный временной ряд. При краткосрочных прогнозах наиболее важными были последние реализации исследуемого процесса. Тенденция его развития, сложившаяся в среднем на всем периоде предыстории, имеет существенно меньшее значение. Для повышения качества прогнозов необходимо постоянно сопоставлять прогнозные оценки с фактическими данными. Кроме того необходимо предоставлять эксперту информацию, определяющую параметры и предысторию других величин, коррелированных с основным прогнозируемым фактором.

На этой основе для определения указанных характеристик эксперта был разработан алгоритм, реализующий принципы адаптивного прогнозирования, схема которого представлена на рис. 18.

Отметим некоторые особенности программной реализации представленной процедуры прогноза, предлагаемой эксперту.

На первом шаге происходила настройка начальных условий прогноза, которая включала в себя выбор прогнозируемого фактора, определение границ временного окна для динамического ряда и т.п. Кроме того, система предлагала эксперту указать параметры производственного процесса, которые по его мнению наиболее тесно коррелируют с выбранным фактором.

Эксперт анализировал информацию по предыстории протекания технологического процесса и выдавал значение для прогнозируемого фактора.

Система анализировала результаты прогноза и производила расчет ошибки прогнозирования, а также предварительных значений коэффициентов корреляции и относительной погрешности.

Затем эксперту предлагалось выполнить прогноз на следующий момент времени. Процесс продолжался до исчерпания фактических уровней ряда (в нашем случае, в качестве оптимального количества членов динамического ряда для процедуры краткосрочного прогноза принято значение, равное (n=12)).

Получение начальных коэффициентов временного ряда Прогнозирование на один шаг вперед (получение оценки x1(t)) Модификация значений Сравнение прогнозного с учетом ошибки значения с фактическим.

прогнозирования, Вычисление ошибки обновление прогнозирования коэффициентов t+1=x(t+1) – x1(t), динамического ряда Предварительный расчет коэффициентов корреляции и относительной погрешности НЕТ Закончена процедура прогноза (n=12) ДА Окончательная оценка характеристик эксперта (интуиция, способность обучения и т.п.) Рис. 18. Общая схема алгоритма, реализующего принципы адаптивного прогнозирования.

Эксперту предоставлялась возможность в любой момент времени сравнить прогнозируемые им значения с фактическими данными, получить информацию об изменении коррелируемых параметров и, исходя из этого, скорректировать значение производственного фактора на следующем шаге процедуры прогноза. Вся требуемая информация выводилась на экран монитора ПЭВМ в удобном для восприятия виде (графики, диаграммы и т.д.). По желанию эксперт мог получить количественные характеристики тех или иных показателей в любой момент времени. Процесс окончательного выбора прогнозируемого значения решался каждым экспертом персонально.

Получение общей оценки анализируемых характеристик эксперта состоял в нахождении такого значения, которое обеспечивало бы отражение тенденции процесса прогнозирования при одновременной фильтрации случайных отклонений от нее.

Обобщив вышеизложенное, можно заключить, что определение составляющих вектора компетентности в настоящей работе было реализовано с помощью методов, наиболее подходящих для оценки той или иной личностной характеристики эксперта.

Разработанная система предоставила для исследователя широкие возможности выбора методов определения составляющих ВК. К ним относятся: анализ апостериорных данных о протекании производственного процесса; выбор соответствующей психодиагностической методики тестирования; использование адаптивных алгоритмов и процедур прогнозирования и т.п.

3. Практика определения компетентности нейросетевым методом Широкий спектр информационных технологических задач относится к задачам распознавания образов, общей ключевой проблемой которых является выделение полезного сигнала на фоне шума. Информационный шум на производстве возникает вследствие колебаний параметров сырья, флуктуаций в самом технологическом объекте, из-за изменения внешних условий и недостаточной компетентности обслуживающего персонала. Так как нейронные сети более всего похожи на математические модели процессов типа “черного ящика” (но не являются их аналогами!), то их применение прежде всего связано с известными статистическими методами обработки выбросов, определения частоты и числа наблюдений, критериями их классификации. В последних все сводится к вычислению границ распознавания “свой-чужой”, “годен-не годен” и т.п. Если мощность полезного сигнала по сравнению с производственными шумами велика (более 30 дб), то вычисление критериев классификации практически любыми методами не представляет затруднений и распознавание технологической ситуации (ТС) происходит однозначно и с высокой степенью вероятности (более 0,9). Другое дело, если мощность сигнала сравнима с мощностью шума. Например, в статистической радиотехнике рассматривается некоторое пороговое значение отношения мощностей сигнал/шум (С/Ш), равное 1 и характеризующееся величиной корреляционной связи между входным и выходным сигналами, соответствующей 0,707. Доказывается, что ниже этого порога распознавание или обнаружение не гарантируется [10]. Построение для этой цели сложных и дорогих корреляционных фильтров в некоторых случаях повышает указанное соотношение, но одновременно порождает другие проблемы, связанные с необходимостью длительного наблюдения полезного сигнала, параметры которого при наблюдении не должны изменяться. Как правило, технологические процессы в промышленных объектах имеют высокие производственные шумы и по своей природе нестационарны, поэтому проводить на них такие наблюдения не представляется возможным.

Перечисленные особенности полностью переносятся на функционирование нейронных сетей. Хотя нейронные сети в целом устойчивы к шумам, однако у этой устойчивости есть предел. Например, выбросы, т.е. значения, не принадлежащие к выборке исходных данных некоторой переменной, поданной на вход нейросети, могут исказить результаты и вызвать ошибку обучения. По этому поводу академик О.И.

Ларичев [11] отметил, что ошибка ошибке рознь. Особенно опасны те ошибки, которые совершаются у самой границы, так как они меняют её вид.

В экспертных системах классификации на распознавание граничных элементов тратится в 2-3 раза больше времени, чем на классификацию состояния объектов, находящихся внутри класса. Если не предпринимать специальных мер по обработке шумящей информации перед тем как её подавать на входы суммирующих элементов нейросети, то последняя теряет свои преимущества в решении задач распознавания перед обычными статистическими методами.

3.1. Методы моделирования нейропроцессов при распознавании и классификации Известно существенное преимущество человека перед машиной при обнаружении и классификации сигналов в условиях сильных помех [12]. Так речь может быть разборчивой в таких зашумленных помещениях, как салон самолета или кабина такси. Разборчивость сохраняется даже при наличии всего двух уровней сигнала (<0 и >0), когда имеет место явление “клиппирования” речи.

При зрительной идентификации человеком объектов шум иногда играет даже положительную роль. Так глаз имеет повышенную чувствительность к границам участков с одинаковыми уровнями квантования сигнала, например, при передаче таких изображений, как небо, где яркость и цвет меняются плавно. Уменьшить нежелательное влияние таких границ можно путем введения в квантуемое изображение небольшого по уровню шума – “снега”. Хотя полная ошибка квантования при этом увеличивается раза в два, но визуальное восприятие улучшается в результате расплывания границ. Данная методика нечеткой обработки сигнала применена, например, в интеллектуальных модулях телевизионных приемников фирмы “PHILIPS”.

В реальной жизни при распознавании сигналов человеком, пороговая граница соотношения мощностей сигнал/шум снижается до значений, меньших 1. В качестве примера приведем изображение сигналов в виде импульсов прямоугольной (рис. 19, а) и прямолинейной (рис. 19, б) формы при критическом соотношении мощностей сигнал/шум. При рассмотрении этих изображений зрительно без труда устанавливаются наличие импульса между отметками времени, равными 41 и 61 мин и линейная форма тренда, в то время как для математических моделей и систем распознавания без участия оператора эта задача является пока неразрешимой.

а) Соотношение сигнал/шум =, а л а н г и.

с д е а.

д -н 1 11 21 31 4 1 51 61 71 81 9 т у о т и -л п В р ем я, м и н м А б) Соотношение сигнал/шум =, а л а н г.

и с д е.

а н-д т у т о-1 1 11 21 31 41 51 61 71 81 и л п -м -А Время, мин Рис. 19. Примеры типичных сигналов в технологических процессах:

Pages:     | 1 |   ...   | 7 | 8 || 10 | 11 |   ...   | 15 |



© 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.