Содержание к диссертации
Введение
1. Обработка слабо формализованной информации 16
1.1. Методы, алгоритмы и системы обработки информации 16
1.1.1. Экспертные системы 18
1.1.2. Эвристические методы 18
1.1.3. Приближенные множества 18
1.1.4. Нечеткие множества 19
1.1.5. Нейронные сети 19
1.1.6. Эволюционные алгоритмы 20
1.1.7. Методы группирования данных 22
1.1.8. Нейро-нечеткие структуры 23
1.1.9. Эластичные нейро-сетевые системы 23
1.1.10. Лингво-комбинаторный метод 23
1.2. Слабо формализованная информация 24
1.3. Система совместной обработки слабо формализованной информации 25
1.4. Выводы 27
2. Модели обработки слабо формализованной информации, поступающей от технических систем 29
2.1. Технические системы 29
2.2. Идеология построения обобщенного алгоритма обработки слабо формализованной информации 30
2.3. Распознавание и классификация слабо формализованной информации 33
2.4 . Модели обработки слабо формализованной информации
2.4.1. Обработка видеоинформации 36
2.4.2. Обработка аудиоинформации 38
2.4.3. Обработка информации, поступающей от тактильных датчиков 41
2.4.4. Обработка информации, поступающей от ионных датчиков 42
2.4.5. Сочетания различных вариантов 43
2.4.6. Объекты, изменяющиеся в нескольких классах 43
2.4.7. Сравнение с живыми системами 44
2.5. Оценивание работоспособности системы з
2.5.1. Вероятностный алгоритм оценивания работоспособности системы наблюдения 45
2.5.2. Проверка работоспособности системы наблюдения 51
2.6. Алгоритмы оценивания характеристик поступающей слабо формализованной информации 52
2.6.1. Оценивание достоверности поступающей слабо формализованной информации 52
2.6.2.Оценивание безопасности поступающей слабо формализованной информации 52
2.6.3. Установление связей между фрагментами информации 53
2.6.4. Оценивание вероятности, с которой можно доверять вновь полученной слабо формализованной информации 54
2.7. Выводы 55
3. Алгоритмы обработки слабо формализованной информации ... 56
3.1. Алгоритмы поддержки принятия решений 56
3.1.1. Алгоритмы поддержки принятия решений в классах, выявленных после классификации слабо формализованной информации 56
3.1.2. Оценивание числа связей, подтверждающих правильность принятого решения 58
3.1.3. Выработка устойчивой реакции на поступающую слабо формализованную информацию 59
3.1.4. Обобщенная поддержка принятия решений
3.2. Коррекция связей в хранилище и генерация новой информации 60
3.3. Обобщенный алгоритм обработки слабо формализованной информации 64
3.4. Выводы 66
4. Экспериментальное оценивание полученных результатов 67
4.1. Применение обобщенного алгоритма обработки слабо формализованной информации к различным задачам 67
4.1.1. Падение совокупности предметов на подвижную платформу 67
4.1.2. Выявление областей коры головного мозга с повышенной активностью нейронов 74
4.1.3. Регулирование химической реакции 83
4.1.4. Безопасное движение автотранспорта 92
4.1.5. Колебания длинного стержня 114
4.1.6. Повышение производительности труда 126
4.2. Сравнение методов, используемых в обобщенном алгоритме 133
4.2.1. Методы, используемые в обобщенном алгоритме 133
4.2.2. Сравнение с другими подходами 135
4.3. Выводы 138
Заключение 139
Литература
- Приближенные множества
- . Модели обработки слабо формализованной информации
- Алгоритмы поддержки принятия решений в классах, выявленных после классификации слабо формализованной информации
- Выявление областей коры головного мозга с повышенной активностью нейронов
Приближенные множества
В основе модели представления знаний на основе нечеткого множества лежит понятие нечеткого множества, с помощью которого можно определить многозначные и неточные понятия, которые часто используются в повседневной жизни, например, много денег, молодая женщина, высокая температура и др. Наряду с нечетким множеством вводятся понятия неточного суждения, нечеткого отношения, нечеткого утверждения, нечеткой логики, нечеткого вывода, т.е. вывода на основе нечетких суждений и др. [15, 36, 52].
Формальные логические модели основаны на исчислении предикатов первого порядка [26, 30].
В начале XXI века быстро стали развиваться интеллектуальные технологии и интеллектуальные вычисления, под которыми понимают решение различных задач искусственного интеллекта с помощью компьютеров, осуществляющих вычислительные операции. Интеллектуальные вычисления связаны с использованием следующих технологий: нейронные сети [136], нечеткая логика [15, 51, 135], эволюционные алгоритмы [73], приближенные множества [ПО, 111], неопределенные переменные [60], вероятностные методы [53, 107], а также их различные комбинации, т.е. гибридные технологии [36, 90]. В последние годы обработка слабо формализованной информации в технических системах, с целью поддержки принятия решений, осуществляется различными способами, в частности, разрабатываются детерминистские и вероятностные методы извлечения и обработки информации, экспертные системы и системы поддержки принятия решений [4, 5, 8, 9, 10, 21, 26, 27, 28, 29, 32, 34, 35, 37, 38, 39, 40, 41, 43, 44, 45, 47, 50, 51, 80]. Каждый из перечисленных подходов имеет как свои преимущества, так и недостатки. Рассмотрим основные подходы, используемые при решении задач обработки информации, представлении знаний и поддержки принятия решений.
Под экспертной системой обычно понимают компьютерную программу, применяющей знания и процедуры вывода для решения задач, требующих обращения к эксперту (человеку, обладающему знаниями и опытом в некоторой области деятельности). Обычно экспертные системы накапливают в базе знаний опыт и знания эксперта и на их основе генерируются решения в соответствующей области знания. В последние годы появилось большое количество скелетных экспертных систем, которые представляют собой программы с пустой базой знаний и специальными редакторами, позволяющими записывать в базу знаний правила решения задач, которые нужно решать с помощью разрабатываемой экспертной системы [32, 36].
Эвристические методы решения задач - это методы, позволяющие решать задачи путем эксперимента, методом проб и ошибок, по аналогии и пр. Эвристические методы часто применяют там, где требуются большие вычисления. Иногда из общих (эвристических) соображений можно ограничиться небольшим количество разумных вариантов. Это приводит к существенному сокращению числа вариантов перебора и ускорению расчетов. Эвристические подходы применяются в экспертных системах, при исследовании операций, в системах поддержки принятия решений и др. [32, 36].
Метод приближенных множеств базируется на том, что в мире нет двух совершенно одинаковых предметов (объектов исследования). При уменьшении количества характеристик, описывающих предметы, оказывается, что исследуемые предметы ни чем друг от друга не отличаются и их можно объединять в некоторые группы. Основной вопрос состоит в том, какой нужно взять минимальный набор характеристик, чтобы описать предмет исследования? Такими вопросами занимается теория приближенных множеств. На основе этой теории разрабатывают, например, программы для генерации базы правил, в частности, программы для продажи автомобилей и др.[36, 110, 111].
Важным методом представления знаний является метод, основанный на понятии нечеткого множества. При помощи нечетких множеств можно определить многозначные и неточные понятия, которые часто используются в повседневной жизни, например, много денег, молодая женщина, высокая температура и др. Теория нечетких множеств отлична от теории вероятностей. Если в теории вероятностей вычисляется вероятность того или иного события, то с помощью теории нечетких множеств можно описать неточное суждение. На нечетких множествах определяются алгебраические и теоретико-множественные операции. Одним из основных понятия является понятие нечеткого отношения, которое позволяет описывать нечеткие утверждения, например, значительно меньше, почти равно и др. В теории нечетких множеств вводится понятие нечеткого вывода, т.е. вывода на основе нечетких суждений [15, 36, 52].
Первая математическая модель нейрона была создана МакКаллоком и Питсом [99]. После нее было опубликовано большое количество статей, в частности, Минский и Пейперт [100], Хебб предложил правило обучения сетей [112], Розенблатт разработал персептрон [114], Видроу построил модель нейрона [129, 130, 131], метод обучения многослойных нейронных сетей [115], непараметрические методы оценивания функций плотности и регрессии [36, 61, 70, 77, 107, 109], Спект разработал вероятностные нейронные сети [119, 120], Рутковский применил их при нестационарных распределениях вероятности [36] и др. Нейронным сетям посвящено большое количество работ [58, 65, 71, 78, 79, 85, 87, 96, 113, 136]. В частности, был разработан алгоритм обучения нейронных сетей [76], градиентные методы оптимизации [64, 91], различные нейронные сети [70, 72], сети с самоорганизацией и конкуренцией [94]. А также рассмотрены взаимосвязи нейронных сетей и приближенных множеств [108], компьютерное моделирование нейронных сетей [36], математические модели одиночного нейрона и многослойных нейронных сетей, алгоритмы обучения различных сетей, нейронные сети с обратной связью, сети с самоорганизацией и конкуренцией, вероятностные нейронные сети и др. [36].
В основе эволюционных алгоритмов лежат результаты, полученные генетиками для живых систем, в частности, результаты, связанные с такими понятиями, как наследование, гены, аллели, доминанты, рекомбинации и др. Генетические алгоритмы разрабатываются с 1950 гг. Первая работа в 1957 г. была опубликована А. Фрезером [73]. Позже были опубликованы различные эволюционные алгоритмы и их приложения [36, 74, 122, 132], разработаны различные программы, описаны эволюционные стратегии и эволюционное программирование. [36]. Концепция генетического программирования предложена Д. Коза в 1994 г. [95], рассматриваются теоретические основы функционирования генетических алгоритмов [64. 83], алгоритмы селекции и масштабирования [36, 69], особенности кода Грея и методы скрещивания [68], эволюционное обучение нейронных сетей [117, 128], эволюционное проектирование архитектуры нейронной сети [118, 133, 134], методы кодирования весов нейронных сетей [55, 56, 101], методы кодирования структуры нейронных сетей [92, 93, 117, 133], кодирование весов и связей нейронных сетей [59, 124, 125], использование нечетких систем для контроля эволюции [62], применение нечеткой логики в эволюционных алгоритмах [81, 82], методы кодирования различных функций принадлежности [66, 88, 89], описание классификационных систем и подход Мичигана [66, 123], методы кодирования базы правил [86], методы итерационного обучения [66]. Применение эволюционных алгоритмов довольно широко, в частности, они используются для проектирования электрических машин, для технической диагностики, для оптимизации электрических сетей, для планирования производства и др. [36].
. Модели обработки слабо формализованной информации
После свертки в подсистемах «свертка информации», осуществляется оценивание достоверности (т.е. насколько можно доверять полученной с датчиков слабо формализованной информации) информации в подсистемах «оценивание достоверности информации». Оценивание достоверности полученной информации» осуществляется в каждом из п классов, методом сравнения ее с ранее поступившей информацией. Предполагается, что есть модуль «Хранилище», где хранится ранее поступившая информация. В случае, когда достоверность информации не превышает некоторого, заранее выбранного для каждого из п классов уровня, происходит переход в модуль «Распознавание информации», где информация подвергается повторной обработке и помещается в другой класс (Рис.2.1). Если система работает, то достоверность поступающей информации /д7ж=1- Если система не работает, то 1дпи=0, а если система работает неудовлетворительно (со сбоями), то достоверность поступающей информации 0 Ідпи 1- Значение Ідпи можно оценить следующим образом. Если через систему прогоняем к тестовых заданий и в к1 случаях (к! к) выполняется
Если система не работает или работает неудовлетворительно, т.е. Ідпи 1, то выявляем с помощью вероятностного алгоритма (п. 2.5.1) модули (зрения, слуха, осязания, вкуса и обоняния и т.д.), которые не работают или работают неудовлетворительно следующим образом.
Берем смешанные тесты, т.е. тесты, которые включают несколько модулей (зрения, слуха, осязания, вкуса и обоняния и т.д.), и проверяем, выполняются ли следующие соотношения Nt є (ТІ - є, ТІ + є) для всех / = 1,2, ..., к и некоторого є 0, где (Nj, Nz-.., Nk) - новые результаты свертки, (Ті, Т2,..., Тк) - старые результаты свертки, которые взяты за эталоны.
Если Ni (ТІ - є, ТІ + є) для некоторого / є {1, 2, ..., к) и є 0, то удаляем по одному модулю (зрения, слуха, осязания, вкуса и обоняния и т.д.) и проверяем снова эти соотношения.
Далее удаляем по два модуля, по три модуля и т.д. В конце концов, определяем неработающие модули. После этого с помощью вероятностного алгоритма (п. 2.5.1) определяем причину их неисправности. Это может быть либо сбой в системе, либо целенаправленный вывод системы из строя, т.е. вредительство. В этом случае безопасность поступающей информации ІБПИ меньше 1.
Установление связей между вновь полученной слабо формализованной информацией в каждом из п классов и ранее поступившей информацией, находящейся в модуле «Хранилище», осуществляется следующим образом.
При поступлении нового фрагмента информации, осуществляется его свертка, в результате которой получаем CV (Приложение 1) и сравниваем со свертками (Сі, С2, ...Ск) фрагментов ранее полученной информации, хранящимися в хранилище, следующим образом. Если 8 г= Сдг-Сг- є для некоторого / є {1, 2,..., к) и некоторого є О , то считаем, что фрагмент новой информации с номером N и фрагмент старой информации с номером / между собой связаны (Рис. 2.9).
Далее удаляем модули (зрения, слуха, осязания, вкуса и обоняния и т.д.) по одному и сравниваем свертки нового фрагмента информации со свертками фрагментов информации, хранящимися в хранилище. Если 5 г-= Сдг-Сг є для некоторого і є {1, 2,..., к} и некоторого є 0 , то считаем, что новый фрагмент информации с номером N и старый фрагмент информации с номером / между собой связаны. Рис. 2.9. iV- номер свертки нового фрагмента информации (См), И, і2, ІЗ, і4, і5, іб, і7, і8, ...- номера сверток фрагментов информации (СЦ, Ct2, С із, Ct4, Сц, Ct6, Сп, СІ8, ) хранящихся в хранилище. Маленькая окружность - е\ - окрестность с центром в N и радиусом є 1, которая содержит і4 - одну свертку С фрагмента информации хранящегося в хранилище. Большая окружность - е 2 - окрестность с центром в N и радиусом є 2 , которая содержит ІЗ, і4, і5 - три свертки С ІЗ , Ct4 Сц фрагментов информации хранящихся в хранилище. Аналогично удаляем по два модуля, по три модуля и т.д. Таким образом, получаем набор фрагментов ранее полученной информации, связанной с вновь поступившим фрагментом информации.
Если новая информация связана с какой-либо информацией, хранящейся в хранилище, и, кроме того, модули (зрения, слуха, осязания, вкуса и обоняния и т.д.) совпадают, то в этом случае считаем, что есть связь между новой и старой информацией, хранящейся в хранилище. После установления связей подсчитываем число (М) таких связей.
Оценивание вероятности, с которой можно доверять недавно полученной слабо формализованной информации, в каждом классе осуществляется следующим образом. Если число связей М (п. 2.6.3) меньше некоторой заранее заданной величины М г , специфичной для каждого класса / , то осуществляется переход в модуль «Распознавание информации» (Рис.2.1), где информация повторно обрабатывается и помещается в другой класс. Если М М , то вероятность Р, с которой можно доверять недавно полученной информации Р = 1. В противном случае О Р
Предложена идеология построения обобщенного алгоритма обработки слабо формализованной информации (ОСФИ). Обобщенный алгоритм включает 14 модулей. Функциональные возможности обобщенного алгоритма обработки слабо формализованной информации (ОСФИ) следующие: оценивание достоверности получаемой информации; оценивание безопасности получаемой информации; оценивание вероятности, с которой можно доверять получаемой информации; выработка устойчивой реакции на получаемую информацию и ее запоминание; поддержка принятия решений; генерация новой информации. Предложены алгоритмы распознавания и классификации получаемой слабо формализованной информации, модели обработки слабо формализованной информации, получаемой от видео-, аудио-, ионных и других датчиков, а также различных их сочетаний. Предложены алгоритмы анализа слабо формализованной информации, получаемой от объектов, изменяющихся в нескольких диапазонах (видео-, аудио- и др.) одновременно или последовательно. Проведено сравнение с живыми системами и проведено оценивание работоспособности системы (предложен вероятностный алгоритм оценивания работоспособности системы наблюдения). Предложены алгоритмы оценивания характеристик получаемой информации (достоверности, безопасности, наличия связей между вновь поступившей информацией и информацией, находящейся в хранилище). В следующей главе предложено описание алгоритмов обработки слабо формализованной информации, в частности, алгоритмов поддержки принятия решений, выработки устойчивой реакции на получаемую слабо формализованную информацию, коррекции связей в хранилище, генерации новой информации и обобщенного алгоритма обработки слабо формализованной информации.
Алгоритмы поддержки принятия решений в классах, выявленных после классификации слабо формализованной информации
Сведения о том, что фрагменты информации с номерами /г и 7, связаны, может рассматриваться, как новая информация с номером Д и ее можно направить на этап «Сбор информации» с целью распознавания, классификации информации и т.д. (Рис. 2.1).
Это означает, что, если фрагмент информации с номером It определяется показателями і і, іц, а фрагмент информации с номером Ij - показателями 77, представляющими собой объединение показателей, которыми определяются фрагменты информации с номерами р и Ij. Это означает, что свертка в дальнейшем делается по показателям ij, і2, ..., iu,ji,J2, ..., jji. В нашем случае объединяем две совокупности двух экспериментов и вычисляем в каждом выделенном объеме емкости (8) средние значения концентраций различных ионов, т.е. это означает, что такой вариант средних значений тоже возможен. Это новая информация, которую можно переслать на вход в систему (в модуль «Сбор информации») и прогнать аналогично. В итоге: можно вычислить среднее значение концентраций различных ионов по всем выделенным объемам, дисперсию и среднее квадратичное отклонение. Таким образом, скорость вращения мешалки и количество оборотов вентилей нужно изменить так, чтобы среднее значение концентраций ионов по всем выделенным объемам было близко к постоянной величине (за достаточно большой промежуток времени) или периодически изменялось по определенному закону. Через некоторый интервал времени (когда скорость вращения мешалки и количество оборотов вентилей изменилось, и процесс установился), снова вычисляем среднее значение (математическое ожидание) и т.д. Например, пусть сначала все скорости (В1 - В5, мл / с) подачи реактивов в емкость одинаковые и равны 1,5 мл/с, а скорость (М, об / с) вращения мешалки равна 3 об / с. Если процесс не установился (не достигли желаемого эффекта), то постепенно изменяем В1-В5 и М. Например, М изменяем на второй минуте до 6 об/с, В1 изменяем на третьей минуте до 5 мл/с, В2 изменяем на четвертой минуте до 4,5 мл/с, ВЗ изменяем на четвертой минуте до 4 мл/с, В4 изменяем на шестой минуте до 3 мл/с, В5 изменяем на седьмой минуте до 2 мл/с. Если не достигли желаемого результата, то можно, например, М увеличить до 6, 5 об / с, а В1 понизить до 4,8 мл/с и т.д. В итоге можно достичь желаемого результата (Рис. 4.7).
Возможное применение. Поскольку реакция Белоусова-Жаботинского достаточно сложный процесс, то можно первоначально рассмотреть более простые варианты, а после реакцию Белоусова-Жаботинского.
Первоначально рассматриваются 2 вещества без реакции. Задача состоит в том, чтобы добиться определенных фиксированных концентраций по всему объему емкости. Это осуществляется тремя вентилями, через которые поступают растворы веществ и вода, а также мешалкой, которая их перемешивает. Предполагается, что по объему емкости размещены датчики концентрации веществ.
Предположим, что первое вещество поступает в емкость с концентрацией СП моль/литр а должно иметь концентрацию в емкости после перемешивания C12 моль/литр, а второе - С21 моль/литр и С22 моль/литр, соответственно.
В итоге, для каждого варианта (например, первый вентиль повернули на 2 оборота, второй - на 3 оборота, вентиль воды - на 2 оборота, мешалка совершает 5 оборотов в секунду) получим через некоторое время в емкости некоторые концентрации веществ С1 и С2. Сравниваем полученные концентрации (С J и С2) с теми, которые требуются (С12 и С22 ). Если они отличаются, то переходим к следующему набору (число оборотов 1 вентиля (NJ), число оборотов 2 вентиля (N2), число оборотов 3 вентиля (N3), число оборотов мешалки (N4)). Каждый из наборов (NJ, N2, N3, N4) отличается от предыдущего на некоторый шаг (либо по N1, либо по N2, либо по N3, либо по N4). В итоге, перебирая различные сочетания N1, N2, N3, N4 найдем такие, которые наиболее близки к искомым. Эта информация о количестве оборотов вентилей и мешалки, а также о веществах сохраняется в памяти.
Это подобно тому, что происходит в живых организмах. После этого рассматриваются следующие 2 вещества и т.д. В итоге для двух веществ получим новую информацию, представляющую собой интервалы для N1, N2, N3, N4, попадая в которые, достигаются величины близкие к требуемым. Эти интервалы и представляют собой новую информацию. В случае проведения эксперимента с другими 2 веществами, прежде всего, берем N1, N2, N3, N4 из этих интервалов. Если оптимальный вариант лежит вне этих интервалов, то интервалы могут быть откорректированы.
Аналогично можно сделать для 3 и более веществ. Аналогично можно сделать и для реагентов, которые реагируют в емкости. В этом случае должны быть датчики, позволяющие измерять концентрации в растворе промежуточных и конечных продуктов реакции.
Например, реакция Белоусова-Жаботинского включает 13 реакций с 14 компонентами. За счет 5 вентилей и мешалки можно добиться, чтобы концентрации промежуточных компонент изменялись периодически. При соответствующем подборе реагентов, поступающих в раствор, можно получить следующий результат: цвет раствора изменяется от красного до синего и обратно с периодичностью равной примерно 4 минутам.
Предложено применение обобщенного алгоритма обработки слабо формализованной информации к задаче регулирования неравновесной химической реакции в термостате, в который поступают реагенты. Предполагается, что к емкости, находящейся в термостате, подведены трубочки, по которым поступаю реагенты, а избыток жидкости вытекает из емкости через сток. Скорость поступления реагентов по трубочкам регулируется вентилями, а равномерность концентраций достигается вращением мешалки. Требуется вентили и скорость вращения мешалки отрегулировать таким образом, чтобы в емкости наблюдалась периодическая реакция с заданным периодом. Недостаток слабо формализованной информации, например, может проявляться в том, что не для всех ионов, участвующих в реакции, существуют датчики и с помощью мешалки трудно достичь равномерности концентраций реагентов в растворе (особенно в углах емкости). Применяя обобщенный алгоритм, можно получить на выходе некоторые рекомендации по поддержке принятия решений, в частности, определить, с какой скоростью вращать мешалку и на сколько оборотов повернуть вентили, чтобы достичь желаемого результата. Области возможного применения: химия и др.
Предполагается, что на автомобилях установлены датчики в различных диапазонах (например, видео-датчик, звуковой и ультразвуковой датчики). Если погода хорошая, то видео-датчики позволяют хорошо наблюдать обстановку в окружении автомобиля. Если же погода плохая (туман, снег, дождь и т.д.), то видео-датчики с этой задачей могут не справиться, а совместная работа видео- и аудио-датчиков может привести к желаемому результату. С этих датчиков поступает информация о препятствиях, которые находятся недалеко (постройках, деревьях, других автомобилях, людях и т.д.). Недостаток информации может проявляться, например, в том, что одно препятствие может заслонять другое. Например, человек может находиться за машиной вне зоны видимости.
Задача состоит в том, чтобы не произошло столкновения с каким-нибудь препятствием. Для этого существуют два параметра: скорость и направление движения автомобиля. В случае уменьшения расстояния между одним автомобилем и другим автомобилем или каким-либо препятствием, автомобиль может изменить либо направление движения, либо скорость. Изменяя скорость и направление движения можно достичь безопасного движения автомобиля.
Выявление областей коры головного мозга с повышенной активностью нейронов
Новая информация - набор усредненных расстояний от датчиков в какой-то момент (промежуток) времени. Сравниваем этот набор с наборами, хранящимися в памяти, и ищем наиболее близкий (минимизируем среднее квадратичное отклонение). Если задать некоторый интервал А, то в него может попасть несколько старых вариантов. Число таких вариантов (связей) пусть равно М.
Этап 8. В модулях «Оценивание вероятности» происходит оценка вероятности, с которой можно доверять поступившей информации в каждом из п классов. Оценивание вероятности, с которой можно доверять полученной информации, в нашем случае: если М -М , где М задано, то Р=\. В противном случае переходим на этап «Распознавание информации». Пусть, например, М = 1, иМ= 2. ТогдаМ М и, следовательно, Р=\. Этап 9. В модулях «Поддержка принятия решений» происходит поддержка принятия решений в каждом из п классов. В каждом из п классов поддержка принятия решений происходит следующим образом. Если выполнены следующие условия:
В нашем случае нашу информацию (набор средних расстояний до датчиков в некоторый момент (промежуток) времени) включаем в модуль хранилище, поскольку все 4 условия выполнены. Этап 10. В модуле «Обобщенная поддержка принятия решений» проводится сбор сгенерированных решений из п классов и после этого на их основе осуществляется генерация новой совокупности решений. В нашем случае имеем видео-датчики, т.е. датчики одного вида. Т.е., нашу новую информацию (набор средних расстояний от каждого из датчиков в некоторый момент (промежуток) времени) включаем в модуль хранилище. Этап 11. Сравнение недавно принятого решения с ранее принятыми решениями происходит в модуле «Определение числа связей».
Число связей (подтверждений) подтверждающих правильность принятого решения осуществляется следующим образом. При поступлении новой информации в модуль «Хранилище» осуществляется ее свертка CV (Приложение 1) и сравнение со свертками (Сі, С2, ..., С к) ранее полученной информации, хранящимися в модуле «Хранилище», следующим образом. Если 5 г-= Слт—Сг- є для некоторого і є {1, 2, ..., к} и некоторого є 0 , то считаем, что новая информация с номером N и старая информация с номером / между собой связаны. После установления связей считаем число этих связей ММ. Если ММ ММ для некоторого ММ, то считаем, что вероятность правильности принятого решения Р=\. В противном случае Р \. В нашем случай (на основе предыдущего) Р = 1.
В модуле «Выработка устойчивой реакции» происходит выработка устойчивой реакции на неоднократно поступающую информацию и ее запоминание.
Если для некоторого є 0 среднее квадратичное отклонение между новым вариантом и несколькими старыми вариантами меньше є, то считается, что эти фрагменты информации (набор средних расстояний от датчиков в некоторый момент (промежуток) времени) образуют устойчивую информацию, и их записываем в модуль «Хранилище» с индексом «устойчивая»: Іуи.
Собираем в модуле «Хранилище» все фрагменты информации с индексом «устойчивая». Рассмотрим сеть связей в модуле «Хранилище» для набора устойчивой информации Imt, z—1, , п. Если между фрагментами информации с номерами / и у имеется Q связей и Су С , где С - некоторое число, то считаем, что фрагменты информации с номерами / и j связаны непосредственно (уровень связности Су). (Рис. 3.1).
В модуле «Хранилище» на основе недавно записанной информации и ранее записанной информации генерируется новая информация.
Сведения о том, что фрагменты информации с номерами It и 7, связаны, может рассматриваться, как новая информация с номером h и ее можно направить на этап «Сбор информации» с целью распознавания, классификации информации и т.д. (Рис. 2.1).
Это означает, что, если фрагмент информации с номером It определяется показателями і і, і 2, ..., іц, а фрагмент информации с номером Ij - показателями 77, представляющими собой объединение показателей, которыми определяется фрагмент информации с номерами It и /,. Это означает, что свертка в дальнейшем делается по показателям і і, і 2, ..., Ui,ji,J2, jji. В нашем случае объединяем две совокупности двух экспериментов и вычисляем средние значения расстояний от датчиков, т.е. это означает, что такой вариант средних значений тоже возможен. Это новая информация, которую можно переслать на вход в систему (в модуль «Сбор информации») и прогнать аналогично. Таким образом, можно вычислить среднее значение расстояний для всех датчиков, дисперсию и среднее квадратичное отклонение. Таким образом, платформу нужно передвинуть так, чтобы проекция центра тяжести попадала на проекцию основания стержня. Через некоторый интервал времени (когда стержень изменит свое положение, снова вычисляем среднее значение (математическое ожидание). Снова платформу нужно передвинуть и т.д.
Например, пусть в начальный момент времени центр подвижной платформы имел координату равную 0 см. Если стержень отклонили направо, и он начинает падать направо, то подвижную платформу нужно тоже сдвинуть вправо на столько (например, на 0,5 см), чтобы проекция центра тяжести цилиндра попадала на проекцию основания цилиндра. Если после этого стержень отклоняется налево и начинает падать налево, то подвижную платформу нужно сдвинуть влево (например, на 0,3 см). Если после этого стержень отклоняется направо и начинает падать направо, то подвижную платформу нужно сдвинуть вправо (например, на 0,2 см). Если после этого стержень отклоняется налево и начинает падать налево, то подвижную платформу нужно сдвинуть влево (например, на 0,1 см). Если после этого стержень отклоняется направо и начинает падать направо, то подвижную платформу нужно сдвинуть вправо (например, на 0,05 см). Если после этого колебания стержня не прекратились, то процесс продолжается до тех пор, пока цилиндр не перестанет падать влево или вправо, перестанет качаться и в конце концов остановится (Рис. 4.18).
Возможное применение, это, например, колебания высотных зданий в сейсмоопасных районах. Сначала можно рассмотреть более простые примеры, а затем перейти к более сложным. Возможны варианты: 2-мерная модель или трехмерная модель, а также подвижная платформа может двигаться либо в одном направлении (налево - направо), либо в двух направлениях (налево - направо, вперед - назад), либо в трех направлениях (налево - направо, вперед - назад, вверх - вниз).
