Состав устройства формирования модели измерения

Уточненная функциональная схема решения задачи формирования ММИ, приведенная на рис. 4.1, определяет состав устройства формирования (УФ) модели измерения, приведенный на рис. 6.1.

II

I

ЛПР

Рациональное решение

Рис.6.1. Функциональная схема формирования решения: 1 – корректировка параметров модели; 2 – выбор нового варианта решения; 3 – пересмотр рассуждений проектировщика

При формировании решения с помощью УФ в соответствии со схемой рис. 6.1 выделим три основных компоненты. К ним относятся:

I – ядро системы, выполняющее функцию, связанную с выбором альтернативных вариантов решений на основе требований к качеству и эффективности формируемой ММИ;

II – компонента, ориентированная на заданную предметную область, выполняющая функции накопления, хранения и модификации знаний;

III – компонента, обеспечивающая анализ и оценку генерируемых вариантов решений для принятия ЛПР окончательного решения.

Функциональная схема, приведенная на рис. 6.1 определяет архитектуру УФ (рис.6.2).

Блок приобретения и накопления знания

БЗ

БД

БД

БЗ

БД

БЗ

НСИ

Спецификация

Стандарты

Блок выбора вариантов решения

	НС- блок

Блок взаимодействия

Топология

Функция активации

Виды нейронов

Алгоритмы обучения

Оценки

Методы фазификации

Методы вывода

Методы дефазификации

	НЛ- блок

НЛ- блок

Методы кодирования

Функция качества

Популяции

Генетические операторы

Блок анализа и оценки

Модели ИМ

		НС-блок
		Критерии
		ГА-блок

Модели ИМ

Модели ИМ

Рис.6.2. Архитектура УФ

Для реализации функций трех выделенных компонент УФ должна включать три основных блока: блок приобретения и накопления знаний (БПНЗ); блок выбора вариантов решений (БВВР); блок анализа, оценки, оптимизации и выбора приемлемых решений (БАО), а также интеллектуального пользовательского интерфейса, обеспечивающего взаимодействие подсистем. Помимо основных подсистем, в УФ должны включаться средства формирования файлов данных, представленных в различных форматах, методы преобразования данных из одного формата в другой, активно использоваться стандартные СУБД для хранения и пополнения данных, возможности современных операционных систем для эффективной организации инструментальных средств. Рассмотрим организацию каждой из подсистем УФ и решаемые ими задачи.

Блок приобретения и накопления знаний. Основная задача БПНЗ – поддержка ЛПР при обработке данных, поступающих из различных источников, для автоматического формирования баз знаний. Источниками данных при проектировании могут быть результаты натурного, полунатурного и имитационного моделирования, стандарты, экспертные оценки и т. д. Для ЛПР важным моментом является получение адекватной модели представления знаний знаниям эксперта, а также возможность пополнения и корректировки БЗ в процессе функционирования УФ. В БПНЗ для различных типов входных данных используются следующие виды БЗ: нейросетевая, нечеткая, база экспертных знаний сценариев предметной области (БЭЗ), представленная в виде связанных таблиц стандартных СУБД.

Построение адекватной модели представления знаний выполняется средствами блока настройки и адаптации (БНА) путем автоматического формирования топологии нейросетевых модулей с помощью генетического алгоритма, обучения и дообучения этих модулей по мере поступления дополнительной проектной информации, устранением избыточности нечеткой базы знаний с помощью генетического алгоритма, формированием генетического алгоритма с заданными свойствами с помощью Конструктора ГА. Повышение уровня доступности знаний для ЛПР обеспечивается за счет разработки средств интерпретации результатов обучения нейросетевых модулей и многомодульной сети, организацией удобного доступа к БЭЗ.

Блок выбора альтернативного варианта решения (БВВР). Основной задачей БВВР является подготовка вариантов возможных решений. Выбор конкретного метода выбора является сложной задачей, решение которой возможно только при участии ЛПР. Необходимо также учитывать ряд факторов: наличие представительной обучающей выборки, объем и качество экспертной информации, опыт проектирования объектов и т.д. В работе используются способы выбора варианта решений с помощью:

– нейронных сетей (НС);

– нечетких нейронных сетей;

– генетических алгоритмов (ГА)

и вывода решений с помощью систем нечеткой логики и нейросетевых нечетких систем.

Для каждого из видов выбора определена последовательность шагов в процедуре получения проектного решения. Успешная работа каждого из методов во многом определяется выбранными значениями параметров инструментов выбора: для НС – это алгоритм обучения, вид функции активации, тип нейрона и др.; для системы вывода на основе нечеткой БЗ – метод вывода (Мамдани, Ларсена, Цукамото и т.д.), метод фазификации и дефазификации и др.; для ГА – вид генетических операторов, размер популяции и др. Поэтому большое значение имеет опыт работы с инструментальной средой, реализующей БВВР при решении конкретных задач.

Блок анализа и оценки БАО. БАО помогает ЛПР промоделировать предлагаемые подсистемой БВВР варианты решения, выявить информативные параметры, оценить варианты, которые практически осуществимы в существующих условиях. На выбор решения влияют следующие факторы:

– размерность модели;

– наличие программных и технических средств моделирования, а также способов оценки и оптимизации предлагаемых проектных решений;

– использование средств визуализации;

– наличие базовых моделей и т.д.

Модели таких сложных систем характеризуются достаточно большим числом параметров и уровней их изменения, из которых лишь небольшая часть может оказывать влияние на выходные характеристики. С целью экономии времени и вычислительных ресурсов, используемых для исследования объекта, необходимо производить отбор информативных параметров (или признаков). Выбор методов, позволяющих отсеивать несущественные параметры, создавать модель системы (новую или из набора базовых), проводить анализ параметров модели и их уровней для определения лучших вариантов, осуществляется ЛПР. Каждому этапу процесса анализа, оценки и оптимизации в БАО соответствует свой набор модулей, реализованных в виде библиотек моделей и методов.

Существующие программные средства для моделирования и оценки получаемых результатов позволяют создавать сложные модели. Хотя такие модели разрабатываются с использованием трудоемких алгоритмов, интерфейс с моделирующей системой должен быть простым и наглядным. Повышение наглядности интерфейса в работе обеспечивается за счет встраивания в моделирующий комплекс средств визуализации процедуры построения имитационной модели. Получение результатов моделирования, оценки и оптимизации должно по возможности занимать как можно меньше времени. Эта задача может быть решена при помощи методов планирования экстремальных экспериментов и введения в состав БАО специального модуля, управляющего имитационным экспериментом и обеспечивающего получение быстрого и удобного для интерпретации результата. Этот модуль выполнен на основе генетического алгоритма с использованием нейронной сети для реализации функции качества.

Окончательный выбор решения осуществляется ЛПР на основе результатов аналитических расчетов, имитационного моделирования и субъективных оценок путем согласования их с требованиями заказчика за счет многоразовой корректировки используемых моделей генерации и анализа. Поэтому процедура принятия решения является итерационным процессом, содержит повторяющиеся этапы, причем завершение этой процедуры находится в компетенции ЛПР.

Дата добавления: 2014-01-05