Нейросетевое моделирование в бортовых интеллектуальных системах реального времени

Ю.И. Нечаев, С.Г. Каргина, Д.Г. Тихонов

Санкт-Петербургский государственный морской технический университет

Abstract. The task of the control of behaviour of complex system in conditions of continuous change of dynamics of object and external environment is considered. An estimation and forecast of the dynamic object (DO) characteristics is conducted on the basis of the alternatives analysis. The choice of preferable computing technology is carried out with use of a competition principle.

Введение

Функционирование интеллектуальных систем (ИС) реального времени обеспечивается в условиях непрерывного изменения параметров динамического объекта (ДО) и внешней среды. Неопределенность и неполнота исходной информации накладывают дополнительные сложности при решении проблемы вычислительной технологии [1]-[11]. Реализация эффективных алгоритмов анализа и интерпретации данных в бортовых ИС, представляющих собой сложный интегрированный интеллектуальный комплекс, является актуальной задачей использования новых идей и методов, требующих больших вычислительных ресурсов в жестких временных ограничениях. Методологической основой для построения алгоритмических процедур принятия решений в нечетких условиях является концепция оптимальности решения и имеющихся ресурсов (нечеткая цель и ограничения).

Ниже рассмотрена задача контроля поведения сложной системы в условиях непрерывного изменения динамики объекта и внешней среды. Оценка и прогноз характеристик ДО ведется на основе анализа альтернатив. Выбор предпочтительной вычислительной технологии осуществлен с использованием принципа конкуренции.

1.Принципы обработки информации

Повышение достоверности оценки и прогноза развития ситуации достигается с использованием нового подхода к обработке информации, основанного на развитии концепции «мягких вычислений» [11]. Подход предусматривает использование двух теоретических принципов, позволяющих обеспечить рациональную организацию вычислительной технологии обработки данных измерений в задаче анализа и прогноза развития экстремальной ситуации, а также формализовать поток информации при реализации нечеткого логического вывода в мультипроцессорной вычислительной среде (рис.1) [3].

Принцип конкуренции при выборе вычислительной технологии обеспечивает сравнительный анализ результатов оценки ситуации с использованием традиционных алгоритмов и нейросетевых моделей. Используемые процедуры параллельной обработки информации при реализации этого принципа отражают процесс функционирования бортового комплекса – от момента получения информации от датчиков измерительной системы – до процедуры логического вывода и выработки практических рекомендаций. Принцип формализации нечеткой информации в мультипроцессорной вычислительной среде позволяет осуществлять параллельные цепочки нечеткого вывода в непрерывно изменяющихся условиях динамики объекта и внешней среды.

Использование указанных теоретических принципов открывает перспективы программной реализации сложных моделей представления и обработки нечеткой системы знаний и обеспечивает функционирование комплекса в режиме реального времени. В результате повышается эффективность функционирования ИС при непрерывном изменении динамики объекта и внешней среды.

Рис.1.Принципы обработки информации: MS – измерительная система; СТ – конкурирующие технологии; АА – анализ альтернатив; Ф1(×) ,…,Ф(×a) – векторы измерений, подаваемых на стандартный (SA) и нейросетевой (ANN) алгоритмы; a₁b₁,…,a_N b_N - выходные векторы для SAи ANN; F₁(×),…,F_N(×) - функции, определяемые в результате анализа альтернатив

2. Модели оценки и прогнозирования экстремальных ситуаций

Анализ и прогноз развития экстремальных ситуаций при функционировании ИС связан с использованием нечетких моделей базы знаний [1],[3]. Такие модели позволяют организовать вычислительные процедуры анализа процесса взаимодействия «Oператор - ИС» в рамках адаптивного подхода. При этом прогноз вероятности возникновения опасных ситуаций и динамики объекта в этих условиях осуществляется с помощью математических моделей в виде дифференциальных уравнений, а прогноз динамических характеристик в процессе развития ситуации – на основе статистических и нейросетевых моделей. Практика построения моделей прогнозирования показывает, что удовлетворительную модель на основе ИНС можно построить даже в условиях нехватки данных. Такая модель может уточняться по мере того, как становятся доступными новые данные. Это особенно важно в начальной стадии развития экстремальной ситуации, когда исходных данных совершенно недостаточно для решения задачи с использованием традиционных методов анализа и прогноза.

Теоретическая база для использования различных классов нейросетевых моделей заложена в фундаментальных исследованиях по теории ИНС. В этих работах показано, что произвольное многомерное отображение может быть как угодно точно аппроксимировано с помощью нейросетевой модели конечной размерности (с конечным числом слоев и узлов в каждом слое).

При реализации ИНС возникает задача «сжатия» исходной информации, приводящая к упрощению архитектуры сети и сокращению времени ее обучения. Процедуры, положенные в основу решения этой задачи, предусматривают использование методов когнитивной графики [2],[7].

Исходная информация для реализации задач анализа и прогноза формируется в результате имитационного моделирования случайного волнового поля и последующего использования полученных данных для исследования взаимодействия ДО с внешней средой.

Алгоритм прогноза возникновения и опасности экстремальных ситуаций на основе данных математического моделирования реализуется в такой последовательности:

· Генерируется нерегулярное волновое поле заданной интенсивности для различных значений спектральной плотности, охватывающих реальный диапазон изменения характеристик волнения. Моделируется динамика взаимодействия плавучего объекта с внешней средой. Эта процедура повторяется для каждой экстремальной ситуации при различных реализациях волнового поля.

· Производится статистическая обработка полученных массивов экспериментальных данных. Вычисляются значения вероятности реализации конкретной экстремальной ситуации и вероятности потери устойчивости движения (опрокидывания) и соответствующий коэффициент вариации.

· Строится модель прогноза возникновения экстремальных ситуаций, учитывающая результаты статистической обработки с учетом приоритетов, установленных на основе анализа экспериментального массива.

Практическое использование результатов работы алгоритма осуществляется при модификации логических моделей принятия решений динамической базы знаний ИС. При этом большое влияние на эффективность ИС оказывает достоверность вырабатываемых практических рекомендаций.

Сравнительные данные оценки и прогноза параметров внешней среды и ДО содержатся в табл.1. Используемые здесь стандартные алгоритмы основаны на процедурах идентификации, статистического и спектрального анализа. При этом модели прогноза построены на базе адаптивных алгоритмов с базисом переменного размера [1],[3]. Нейросетевые модели (рис.2 и 3) разработаны для многослойных сетей с помощью процедуры обратного распространения (error back propagation) и генетических алгоритмов.

Рис.2. Топология ИНС в задаче идентификации параметров морского волнения (A – входной слой, B – скрытый слой, C – выходной слой)

Рис.3. ИНС в задаче оценки динамических характеристик судна (A – входной слой, B – скрытый слой, C – выходной слой)

Нейронная сеть имеет 30 входных нейронов, 16 нейронов в скрытом слое и два нейрона на выходе, характеризующие параметры спектра (спектр Барлинга).

Нейронная сеть имеет 20 входных нейронов, 10 нейронов в скрытом слое и два нейрона на выходе, характеризующих метацентрическую высоту судна h и инерционный коэффициент С.

Таблица 1. Результаты оценки динамических характеристик в условиях непрерывного изменения параметров внешней среды и ДО

	Исследуемая характеристика	Стандарт-ный алгоритм	Нейросете-вой алгоритм
	Высота волны 3%-й обеспечен-ности, м	3,90 4,85	4,06(4,10) 5,02(5,00)
	Mетацентри-ческая высота, м	0,533	0,535(0,550)
	Инерционный коэффициент, s/м^½	0,538 0,749 0,763	0,537(0,555) 0,750(0,752) 0,767(0,762)
	Равновесное зна-чение осадки, м	9,195	9,444(9,500)
	Равновесное зна-чение угла крена, град.	14,0	14,3(14,5)
	Равновесное зна-чение угла диф-ферента, град.	2,88	2,90(2,93)
(× )- результат измерения

3.Модели анализа динамических сцен

При функционировании бортовых ИС большое внимание уделяется организации интерфейса «Оператор – ИС». Особенно сложной является разработка адекватного диалога, содержащего компоненты, связанные с разработкой, редактированием и генерацией сценариев диалога в нестандартных и экстремальных ситуациях, требующих привлечения графической информации, в том числе и когнитивной компьютерной графики [2],[7]. Формирование сценария диалога и декомпозиция процесса взаимодействия «Оператор – ИС» с учетом механизма адаптации обеспечивает интерфейсу свойства интеллектуальности.

Интеллектуальный интерфейс позволяет решать сложные задачи обнаружения и идентификации ситуации, оценки ее опасности, выдачи практических рекомендаций и их корректировки. Особенно сложно это в нештатных ситуациях, когда ИС испытывает затруднения при реализации логического вывода. В условиях неопределенности и неполноты исходной информации оператору часто приходится самостоятельно принимать решения на основе опыта эксплуатации и данных о фактических характеристиках внешних условий и динамики ситуации. Функции интеллектуального интерфейса в этих условиях заключаются в обеспечении оператора всеми доступными данными, включая результаты имитационного моделирования взаимодействия ДО с внешней средой для различных вариантов при выборе решения [1],[7],[8].

Заключение

Результаты исследования показывает, что рациональное использование нейросетевых технологий в сочетании с традиционными алгоритмами анализа и интерпретации исходной информации позволяет обеспечить гибкость ИС и способность адаптироваться к изменяющимся внешним условиям. При этом сохраняется высокое качество работы и реализация недосягаемого ранее уровня вычислительной мощности. Адаптивные свойства, параллелизм и возможность нелинейного преобразования данных, открывают перспективы практической реализации вычислительной технологии, построенной на основе новых принципов обработки информации в бортовых ИС реального времени.

Литература

1. Александров В.Л., Матлах А.П., Нечаев Ю.И., Поляков В.И., Ростовцев Д.М. Интеллектуальные системы в морских исследованиях и технологиях. – Санкт-Петербург. ГМТУ. 2001.

2. Зенкин А.А. Когнитивная компьютерная графика. – М.: Наука, 1991.

3. Нечаев Ю.И. Нейросетевые технологии в интеллектуальных системах реального времени // Тр.4-й всероссийской конференции «Нейроинформатика-2002». М.: 2002. Лекции по нейроинформатике. Часть 1,с.114-163.

4. Нечаев Ю.И., Дегтярев А.Б. Реализация нечеткого логического вывода в бортовых интегрированных комплексах реального времени // Сб. докл. Международной конференции по мягким вычислениям и измерениям SCM-2002. Санкт-Петербург. 2002. т.1,с.179-184.

5. Haken H. Neural and synergetic computers // Ed. H.Haken. – Berlin Springer. 1988, p.p.2-15.

6. Nechaev Yu. I., Siek Yu.L. Design of ship-board control system based on the soft computing conception // Proc. of 11^th International conference on industrial and engineering applications of artificial intelligence and expert systems IEA-98-AIE. Benicassim. Castellon. Spain. Springer. 1998. Vol.2, p.p.192-199.

7. Nechaev Yu.I., Degtyarev A.B., Boukhanovsky A.V. Cognitive computer graphics in information interpolation in real time intelligence systens // Proc. of International conference «Computational Science-ICCS 2002». Amsterdam. The Netherlands. Part.1. Springer.2002, p.p.683-692.

8. Nechaev Yu.I., Degtyarev A.B., Kirukhin I.A. Complex situation on the basis of neural networks in shipboard intelligence systems // Proc. of International conference «Computational Science-ICCS 2002». Amsterdam. The Netherlands. Part.3. Springer. 2002, p.p.564-573.

9. Nechaev Yu.I. Principle of competition at neural network technologues realizatiom in on-board real-time intelligence systems // Proc. of First international congress on mechanical and electrical engineering and technology «MEET-2002» and Fourth international conference on marine industry «MARIND-2002».Vol.3. Varna. Bulgaria. 2002. p.p.51-57.

10. Nechaev Yu.,I., Degtyarev A.B., Kirukhin I.A., Tikhonov D.G. Supercomputer technologies in problems of waves parameters and ship dynamic characteristics definition // Proc. of First international congress on mechanical and electrical engineering and technology «MEET-2002» and Fourth international conference on marine industry «MARIND-2002».Vol.3.Varna. Bulgaria. 2002. p.p.59-64.

11. Zadeh L. Fuzzy logic, neural networks and soft computing // Сommutation of the ACM-1994.Vol.37.№3.1994.