WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 7 | 8 || 10 | 11 |   ...   | 82 |

Известные методы атрибутивного анализа основываются преимущественно на использовании признаковых описаний, характеризующих состояние статических объектов независимо от времени. Для статических объектов предложены методы и средства атрибутивного анализа, ориентированные на различные свойства и характеристики данных, описывающих анализируемые объекты. Разработана и нашла широкое применение система CONFOR [Святогор, 2005], основанная на применении сетевых структур специального типа – растущих пирамидальных сетей [Gladun, 2003], [Гладун, 2002], [Гладун, 2000]. Растущей пирамидальной сетью (РПС) называют ациклический ориентированный граф, в котором нет вершин, имеющих только одну заходящую дугу (пример приведен на рис.1). Вершины, не имеющие заходящих дуг, названы рецепторами, все другие вершины – концепторами. Подграф пирамидальной сети, включающий некоторую вершину a и все вершины, от которых имеются пути к этой вершине, называются пирамидой вершины a. Наличие элементов, образующих подграфы типа «пирамиды», сочетается с иерархической организацией структуры рассматриваемых сетей, при которой вершины - рецепторы образуют нулевой уровень иерархии.

Neural and Growing Networks Рис. В пирамидальной сети входной информацией служат наборы значений признаков, описывающих объекты некоторого множества (обучающей выборки). В качестве таких значений в различных задачах могут рассматриваться имена свойств, отношений, состояний, действий, объектов и т.п. Значения признаков поступают на рецепторы сети. Концепторы разных уровней иерархии представляют конъюнкции значений признаков, представляющих описания отдельных объектов либо пересечения таких описаний.

Пирамидальные сети обладают преимуществами при реализации различных операций ассоциативного поиска. Например, для выбора всех объектов, включающих заданное сочетание значений признаков, необходимо проследить пути вверх от соответствующей вершины до вершин верхнего уровня, соответствующих объектам. Выбор всех объектов, описание которых пересекается с описанием заданного объекта, осуществляется просмотром путей, исходящих из вершин, образующих его пирамиду.

Алгоритм построения РПС [Гладун, 1987], [Gladun, 2003] обеспечивает автоматическое установление ассоциативной близости между объектами по общим элементам их описаний. Для РПС определен алгоритм формирования обобщенных логических определений классов объектов – понятий [Гладун, 1987], [Гладун, 2000], [Гладун, 2004]. В сети понятия представлены ансамблями вершин, в наибольшей степени характеризующих классы объектов, соответствующих понятиям. В результате обеспечивается возможность использования понятий в задачах классификации, диагностики, прогнозирования.

Преимущество РПС по сравнению с другими известными системами атрибутивного анализа состоит в сравнительно высокой точности решения задач обнаружения закономерностей, классификации, диагностики, прогнозирования. Однако отсутствие в РПС возможностей непосредственного учета временных параметров, не позволяет использовать их для анализа динамических объектов. В настоящей работе решение проблемы атрибутивного анализа объектов такого типа основывается на использовании системы CONFOR и представлении данных временными рядами, сформированными в результате наблюдений объекта исследований в различные моменты времени.

XII-th International Conference "Knowledge - Dialogue - Solution" Представление динамических объектов в РПС Применительно к динамическим объектам предполагается, что изменение их состояния во времени является вероятностным (стохастическим) процессом. В реальных объектах могут действовать неизвестные или малоизученные факторы, имеющие случайный характер. В результате точное вычисление будущего состояния объекта в различные моменты времени не представляется возможным.

Однако может быть вычислена вероятность того, что его будущее состояние определяется некоторым интервалом значений известных переменных. В этом случае мгновенное состояние объекта рассматривается как точка некоторого пространства состояний R, а стохастический процесс представляется функцией времени t со значениями из R. Точки выбранного пространства задаются одним или несколькими числовыми параметрами, случайно принимающими различные значения. В настоящей работе временной ряд рассматривается как случайный процесс с дискретным временем, когда t принимает только целочисленные значения.

Известные способы анализа временных рядов основываются преимущественно на использовании численных методов [Бокс, 1972]. Техника обработки данных на основе растущих пирамидальных сетей связана с применением логических моделей, в которых используются различные логические функции: И, ИЛИ, НЕ.

Рассмотрим принципы преобразования исходных данных, представленных точками временного ряда к виду, пригодному для обработки с помощью РПС.

Пусть имеется некоторый динамический объект, информация о состоянии которого считывается некоторыми датчиками. Выход каждого из датчиков представляет замеры амплитуд сигналов, характеризующих состояния соответствующего участка исследуемого объекта и являющихся значениями временного ряда.

Каждый временной ряд, содержащий S замеров, разделим на Z равных отрезков, каждый из которых содержит S Z замеров. Эти информационные отрезки рассматриваются как некоторые объекты, из описаний которых предполагается сформировать обучающую и экзаменационную выборки для РПС.

Выделим признаки, с помощью которых будем описывать полученные объекты.

В качестве характеристик таких объектов могут быть использованы математическое ожидание (среднее значение) EX случайной величины X и дисперсия – мера DX отклонения случайной величины X от ее математического ожидания, определяемая равенством DX = E(X - EX )2. Среднее значение и дисперсию, которые могут быть вычислены с помощью табличного процессора, например, MS Excel, предлагается использовать в качестве признаков для описания динамических объектов, представленных временными рядами.

Разделим Z объектов на V – обучающую выборку и W – экзаменационную выборку, V + W = Z. Таблица данных, содержащая сформированную обучающую выборку, служит основой для построения РПС и последующего ее обучения, а так же для формирования понятий, на основе которых будет выполнена классификация объектов экзаменационной выборки.

Задача распознавания режимов работы динамических объектов, представленных временными рядами Рассмотрим построение таблицы данных и соответствующей РПС применительно к задаче распознавания режимов работы некоторого динамического объекта. В качестве примера такого объекта, в частности, может быть выбран вал двигателя летательного аппарата. Рассматривается два режима работы объекта – с нагрузками, условно обозначенными a8 и a11. Каждый режим представлен замерами амплитуд сигналов на выходе двух вибродатчиков (vibr1,vibr6), установленных в различных местах конструкции летательного аппарата. Для каждого временного ряда S = 48000, Z = 24, V = W = 12.

Фрагменты графиков огибающих кривых замеров амплитуд для нагрузок a8 и a11 показаны на Рис. 2 а,б соответственно.

Neural and Growing Networks Нагрузка aНагрузка aРис. 2 а,б.

Расчетные данные, полученные применительно к каждому из режимов, для временных рядов представлены в таблице 1, в которой объекты 1-12 образуют обучающую выборку, а объекты 13-24 – экзаменационную. Подсчитанные значения дисперсии и среднего значения округлены до 2-х старших разрядов чисел.

Эксперименты проводились на основе программной системы CONFOR [Гладун, 2002], реализующей процессы построения и обучения РПС. Сеть, построенная по данным таблицы 1 в соответствии с правилами, описанными в работе [Гладун, 1987], [Gladun, 2001], [Gladun, 2003], показана на рис. 1.

Обучение сети выполнено по обучающей выборке, представленной в таблице 1, в соответствии с правилами формирования в РПС понятий [Гладун, 1987], [Gladun, 2001], [Гладун, 2000]. В результате получены логические выражения (понятия), определяющие исследуемые классы объектов в режимах, соответствующих нагрузкам а8 и а11.

XII-th International Conference "Knowledge - Dialogue - Solution" Таблица Тип Класс Vibr 1 Vibr 1 Vibr 6 Vibr Объект выборки (нагрузка) DX EX DX EX 1 a8 15 3 9 -2 a8 14 2 8 3 a8 14 2 10 -4 a8 14 1 9 -5 a8 13 2 8 6 a8 13 0 9 -7 a11 20 6 8 -8 a11 13 1 8 9 a11 14 4 8 -10 a11 17 6 8 11 a11 17 5 8 12 a11 24 5 8 -13 a8 15 3 9 14 a8 15 4 9 -15 a8 14 1 9 16 a8 13 3 9 -17 a8 12 1 9 18 a8 13 5 8 19 a11 16 2 9 20 a11 16 6 8 -21 a11 17 3 8 22 a11 19 3 8 23 a11 20 4 8 24 a11 16 3 9 -После формирования таблицы признаков (табл.1) последовательно выполняются этапы связанные с построением и обучением РПС, а именно:

1. Построение РПС по описаниям объектов, представленных в таблице 1. В результате возникает сеть, приведенная на рис. 1.

2. Обучение РПС. В результате в построенной сети выделяются контрольные вершины понятий, определяющие в совокупности понятия, соответствующие нагрузкам a8 и а11. На рис. 1 вершины, соответствующие контрольным вершинам построенных понятий, выделены темным цветом (нагрузка а8) или штриховкой (нагрузка а11).

3. Описание выделенных понятий логическими выражениями. В результате строятся логические выражения, описывающие выделенные классы.

Понятие, соответствующее нагрузке aVibr 1 EX_2 V Vibr 1 DX_14 & ~{Vibr 1 EX_4 & Vibr 6 DX_8 & Vibr 6 EX_-1} V Vibr 6 DX_9 V V Vibr 1 DX_13 & Vibr 1 EX_2 & Vibr 6 DX_8 & Vibr 6 EX_0 V V Vibr 6 DX_8 & Vibr 6 EX_2 & Vibr 1 DX_14 & Vibr 1 EX_Обучающая Экзаменационная Neural and Growing Networks Понятие, соответствующее нагрузке аVibr 6 DX_8 & ~{Vibr 6 EX_2 & Vibr 1 DX_14 & Vibr 1 EX_2} & ~{Vibr 1 DX_13 & Vibr 1 EX_2 & Vibr 6 EX_0} V Vibr 1 DX_14 & Vibr 1 EX_4 & Vibr 6 DX_8 & Vibr 6 EX_-На основе сформированных понятий выполнена классификация объектов экзаменационной выборки (табл. 1). Классификация объектов выполняется путем вычисления значений логических выражений, определяющих понятие соответствующего класса, после подстановки 1 или 0 из описаний классифицируемых объектов на места значений признаков в логических выражениях.

Результаты классификации приведены в табл. 2 и показывают, что распознавание объектов экзаменационной выборки производится с достаточно высокой точностью.

Таблица Объект Класс (нагрузка) Результат классификации 13 a8 a14 a8 a15 a8 a16 a8 a17 a8 a18 a8 а19 а11 a20 а11 а21 а11 а22 а11 а23 а11 а24 а11 aОценка результатов экзамена всего объектов - правильно опознанных – 9 [ 75 % ] неправильно опознанных – 3 [ 25 % ] неопределенных – 0 [ 0,00 % ] Логические выражения, определяющие различные классы объектов и найденные с помощью РПС, объединяются в кластерные базы данных (КБД). КБД содержит информацию о группах объектов (кластерах), специфичных для исследуемой предметной области. На основе КБД решаются задачи классификации, диагностики и прогнозирования. После того, как понятие для некоторого класса объектов сформировано, проблемы прогнозирования и диагностики сводятся к проблеме классификации.

Заключение В целом результаты проведенного эксперимента дают основание полагать, что РПС могут использоваться в качестве эффективного инструмента классификации временных рядов. При этом удовлетворительные результаты получаются при использовании для описания временных рядов их статистических характеристик. Важную роль играет присущее РПС достоинство, состоящее в генерации и использовании различных сочетаний значений признаков, представленных концепторами РПС. Путем сведения к классификации можно успешно решать другие аналитические задачи, связанные с временными рядами, например, такие, как диагностика свойств и прогнозирование событий во временных рядах.

XII-th International Conference "Knowledge - Dialogue - Solution" Литература [Поспелов,1981] Поспелов Д.А. Логико-лингвистические модели в системах управления. Москва: Энергоиздат.- 1981.

[Закревский, 1988] Закревский А.Д, Логика распознавания. - Минск, 1988. - 117с.

[Гладун, 2000] Гладун В.П. Партнерство с компьютером. - Киев: "Port-Royal", 2000. - 128с.

[Гладун, 1987] Гладун В.П. Планирование решений. Наукова думка, Киев, 1987. - 186с.

[Гладун, 2004] Гладун В.П. Растущие пирамидальные сети // Новости искусственного интеллекта.- 2004. - N. с. 30-40.

[Gladun, 2003] Gladun V., Intelligent systems memory structuring. // Proceedings of the X-th International Conference "Knowledge-Dialogue-Solution"(KDS'2003).- Varna, Bulgaria.-2003.- pp.16-20.

[Gladun, 2001] Gladun V., Vashchenko N. Analitical Processes in Pyramidal Network. // Information Theories and Application, Sofia: FOI-COMMERCE, 2001.

[Гладун, 2002] Гладун В.П., Ващенко Н.Д., Величко В.Ю. Прогнозирование на основе растущих пирамидальных сетей // Программные продукты и системы.-2002.-№2.- с.22-26.

[Святогор, 2005] Святогор Л.А. К вопросу о развитии интерфейса «разработчик-заказчик». // Proceedings of the XI-th International Conference "Knowledge-Dialogue-Solution"(KDS'2005).- Varna, Bulgaria.-2005.- pp.371-374 vol.2.

[Бокс, 1972] Бокс Дж., Дженкинс Л. Анализ временных рядов (в 2-х томах). – Москва: Мир, 1972. – 456с.

Информация об авторах Александр Андреев – Национальный авиационный университет. Институт компьютерных технологий. Киев-58, 03058, просп. Космонавта Комарова, Виталий Юрьевич Величко – Ин-т кибернетики им. В.М. Глушкова НАН Украины, Киев-187 ГСП, 03680, просп. акад. Глушкова, 40, e-mail: glad@aduis.kiev.ua Виктор Поликарпович Гладун – Ин-т кибернетики им. В.М. Глушкова НАН Украины, Киев-187 ГСП, 03680, просп. акад. Глушкова, 40,e-mail: glad@aduis.kiev.ua Юрий Лукич Иваськив – Национальный авиационный университет. Институт компьютерных технологий. Киев-58, 03058, просп. Космонавта Комарова, Сергей Сергеевич Чеботарь – Национальный авиационный университет. Институт компьютерных технологий. Киев-58, 03058, просп. Космонавта Комарова, СТРУКТУРНЫЙ АНАЛИЗ КОНТУРОВ КАК ПОСЛЕДОВАТЕЛЬНОСТЕЙ ОТРЕЗКОВ ЦИФРОВЫХ ПРЯМЫХ И ДУГ ЦИФРОВЫХ КРИВЫХ Владимир Калмыков Аннотация: Рассматриваются вопросы сегментации контуров изображений на отрезки цифровых прямых и дуги цифровых кривых. Предлагаются определения отрезков цифровых прямых и дуг цифровых кривых, методы и алгоритмы их выделения в последовательности элементов контура.

Алгоритмы сформулированы в терминах растущих пирамидальных сетей с учетом концептуальной модели памяти и опознавания (Рабинович [4]).

Ключевые слова: контур, отрезки цифровых прямых, дуги цифровых кривых Neural and Growing Networks Введение Структурный анализ контуров изображений как последовательностей отрезков прямых и дуг кривых является одной из задач обработки изображений с целью их интерпретации в системах искусственного интеллекта.

Pages:     | 1 |   ...   | 7 | 8 || 10 | 11 |   ...   | 82 |



© 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.