Интеллектуальная информационная система диагностики и стоимостной оценки минералов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Абу Суек Атия Ражаб Мохамед

• Абу Суек Атия Ражаб Мохамед
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Абу Суек Атия Ражаб Мохамед

ВВЕДЕНИЕ

1. АНАЛИЗ МЕТОДОВ ДИАГНОСТИКИ И СТОИМОСТНОЙ 9 ОЦЕНКИ МИНЕРАЛОВ. ПУТИ ПОВЫШЕНИЯ ИХ КАЧЕСТВА.

1.1. Актуальность использования компьютерных технологий в геммологическом исследовании

1.2. Анализ свойств минералов и методов их диагностики

1.3. Анализ особенностей ценообразования и определения стоимостной оценки минералов

1.4. Декомпозиция задачи геммологического исследования и ее формализация

1.5. Обзор математических методов диагностики, классификации и аппроксимации применительно к решаемой задаче

1.6. Выводы по главе

2. МОДЕЛИ И АЛГОРИТМЫ ДИАГНОСТИКИ И 58 СТОИМОСТНОЙ ОЦЕНКИ МИНЕРАЛОВ.

2.1. Многоэтапный алгоритм диагностики прозрачных минералов

2.2. Многоэтапный алгоритм диагностики непрозрачных минералов.

2.3. Исследование нейросетевых моделей процедур кластеризации минералов при их стоимостной оценке

2.4. Исследование нейросетевых моделей классификации минералов при их стоимостной оценке

2.5. Исследование нейросетевых моделей процедур аппроксимации стоимостных характеристик минералов

2.6. Выводы по главе

3. АРХИТЕКТУРА ИНТЕЛЛЕКТУАЛЬНОЙ

ИНФОРМАЦИОННОЙ СИСТЕМЫ И МЕТОДИКА ЕЕ

VI ИСПОЛЬЗОВАНИЯ

3.1. Описание функций и структуры ИИС

3.2. Методические аспекты обучения нейронных сетей ИИС 104 3.3 Результаты моделирования и их интерпретация 111 3.4. Выводы по главе 114 ЗАКЛЮЧЕНИЕ

Введение диссертации (часть автореферата) на тему «Интеллектуальная информационная система диагностики и стоимостной оценки минералов»

Применение новых информационных технологий для поддержки различного рода задач принятия решений в ювелирной промышленности является важным фактором повышения ее эффективности. Одной из таких является задача диагностики и стоимостной оценки ювелирных (драгоценных и полудрагоценных) камней - задача геммологического исследования. Качество принимаемых в процессе геммологического исследования решений существенно влияет на эффективность операций по покупке и продаже ювелирных камней. Ошибка на каждом этапе этого процесса может обернуться риском потерь: при покупке — за счет переплаты из—за неверной диагностики или неверной оценки их стоимости, при продаже — за счет недополучения доходов по тем же причинам. Чтобы снизить риск возможных потерь необходимо иметь нормативную базу достаточную для проведения точной диагностики объекта и постоянно проводить тщательный анализ рынка ювелирных камней. При анализе имеющейся информации эксперт (авторизованный оценщик) должен сделать определенные выводы о совершенных ранее продажах, о свойствах проданных объектов, а также о характеристиках, которые могут влиять на изменение их стоимости. Правильность заключения, которое делает эксперт, зависит от его знаний, опыта, квалификации и той информации, которой он располагает по предыдущим продажам.

Существующие методики диагностики и стоимостной оценки ювелирных камней не позволяют провести формальный комплексный анализ, использующий всю доступную информацию, основанную на знаниях о предыдущих продажах. Это объясняется отсутствием моделей представления этих знаний, механизмов извлечения новых знаний, большим объемом обрабатываемой информации и постоянным ее нарастанием. Однако существующие методики могут служить основой для разработки таких моделей и создания на их основе интеллектуальной информационной системы диагностики и стоимостной оценки ювелирных камней, позволяющей, путем обработки больших массивов информации, вырабатывать более качественные решения. Такая система, основанная на знаниях многих экспертов, может служить с одной стороны в качестве советующей системы при принятии решений экспертами, а с другой стороны — в качестве обучающей системы при подготовке авторизованных оценщиков ювелирных камней.

Важным и интенсивно развивающимся направлением искусственного интеллекта является построение компьютерных моделей эксперта, способных близко имитировать поведение специалиста при решении сложных практических задач. Подобные системы позволяют сохранять и воспроизводить знания опытного профессионала.

Во многих практически важных случаях задача создания компьютерной модели опытного специалиста может быть представлена как задача классификации, так как экспертное знание часто состоит в отнесении объектов к классам решений. Таким образом, данное исследование, направленное на разработку математических моделей и методики построения интеллектуальной информационной системы диагностики и стоимостной оценки ювелирных камней, является актуальным.

Цель диссертационной работы состоит в обеспечении более высокого качества принимаемых решений при диагностике и стоимостной оценке ювелирных камней и повышения их эффективности за счет использования интеллектуальной информационной системы.

Научная задача диссертации заключается в разработке математических моделей, алгоритмов и архитектуры интеллектуальной информационной системы диагностики и стоимостной оценки ювелирных камней

Для решения поставленной научной задачи в диссертации проведены:

1. Декомпозиция задачи диагностики и стоимостной оценки ювелирных камней в процессе геммологического исследования;

2. Анализ и классификация методов и показателей количественной оценки свойств минералов;

3. Разработка алгоритмов диагностики ювелирных камней;

4. Разработка и исследование нейросетевых моделей стоимостной оценки ювелирных камней;

5. Разработка архитектуры интеллектуальной информационной системы диагностики и стоимостной оценки ювелирных камней.

Методы исследования. В работе применялись методы теории принятия решений, системного анализа, искусственного интеллекта, искусственных нейронных сетей, численные методы решения экстремальных задач, статистического анализа, инженерии знаний и управления знаниями.

Научная новизна положений и результатов диссертации определяется следующим:

1. На основе отношения доминирования на множестве шкал критериев, используемых для оценки минералов, предложен принцип декомпозиции исходной задачи в виде набора отображений, определяющих последовательность геммалогической экспертизы;

2. Разработан и экспериментально проверен алгоритм многоступенчатой компьютерной диагностики прозрачных минералов, основанный на последовательном сравнении оптических свойств минералов и их рентгеновских спектров, с учетом интервального характера эталонного спектра и погрешности измерения;

3. Разработан и экспериментально проверен алгоритм многоступенчатой компьютерной диагностики непрозрачных минералов, основанный на последовательном сравнении оптических свойств минералов, микротвердости, качественного химического состава и их рентгеновских спектров, с учетом интервального характера эталонного спектра и погрешности измерения;

4. Разработаны и исследованы нейросетевые модели для проведения стоимостной оценки минералов в соответствии с предложенной схемой декомпозиции задачи геммологического исследования, определена их оптимальная структура;

5. Предложена архитектура интеллектуальной информационной системы, базирующейся на использовании информации об основных показателях качества ювелирных минералов, и включающую разработанные алгоритмы и модели в качестве инструментария для проведения комплексного геммологического исследования стоимостной оценки

Достоверность и обоснованность работы подтверждена проведенными теоретическими исследованиями, а также результатами практического использования разработанной методики.

Практическая значимость работы. В результате проведенных в рамках данной диссертационной работы исследований сформирована алгоритмическая и методическая основа компьютерной диагностики и стоимостной оценки минералов на методов искусственного интеллекта. Разработан программный комплекс, реализующий алгоритмы и модели комплексной оценки минералов в I процессе геммалогического исследования ювелирных камней и / I обеспечивающий эффективное решение задач их диагностики и стоимостной I оценки.

Использование программного комплекса позволяет повысить эффективность и оперативность принимаемых решений и снизить риск возможных потерь.

Внедрение результатов работы. Разработанные модели, алгоритмы и программное обеспечение, а также методика его использования внедрены в ООО «Тверьгеологоразведка».

Апробация работы. Основные положения и результаты, полученные в диссертации, докладывались и обсуждались на следующих научных конференциях и семинарах: Международная научно-техническая конференция

Компьютерные технологии в управлении, диагностике и образовании" (3 — 5 декабря, Тверь, ТГТУ. 2002 г.); 3-я Международная научно-техническая конференция "Современные сложные системы управления - НТСБ" (26 - 28 мая, Воронеж, ВГСУ, 2003 г.); Международная научно-техническая конференция ";40 лет биотехнических систем", (12 - 15 марта ЛЭТИ, С.Петербург, 2004 г.); 4-я Международная научно-техническая конференция "Современные сложные системы управления - НТС8" (24 - 27 мая, Тверь, ТГТУ,2004 г.).

Публикации. По результатам исследования опубликовано 7 печатных работ.

Диссертационная работа изложена на 126 страницах и включает в себя введение, три главы основного материала, заключение, приложения, библиографический список из 97 наименований.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Абу Суек Атия Ражаб Мохамед

3.3 Выводы по главе

В соответствии с задачами диссертационной работы разработана архитектура интеллектуальной информационной системы для диагностики и стоимостной оценки минералов.

ИИС реализована в виде программного комплекса в соответствии с требованиями к ее функциональному наполнению, изложенными во второй главе.

Разработаны методические рекомендации по работе с ИТС в части обучения нейронных сетей.

Рассмотрен пример диагностики минералов, иллюстрирующий, возможности автоматического распознавания минералов с помощью разработанной ИИС.

Рассмотрен пример образования однородных групп с различными стоимостными характеристиками для одного минерала (топаз) и дана интерпретация полученного результата в терминах стоимость - вес -качество.

Проведенные исследования продемонстрировали работоспособность ИИС в целом, а также отдельных ее частей.

ЗАКЛЮЧЕНИЕ

В результате проделанной начно-исследовательской работы получены следующие основные результаты работы и общие выводы.

1. Разработаны алгоритмы компьютерной диагностики ювелирных камней, позволяющие повысить надежность и оперативность диагностики прозрачных и непрозрачных минералов за счет возможности последовательного применения диагностических процедур, выбираемых из соотношения затраты-эффективность;

2. Разработана трехэтапная процедура стоимостного анализа ювелирных камней, позволяющая провести декомпозицию исходной задачи и решать ее по частям;

3. Разработаны и исследованы нейросетевые модели, реализующие трехэтапную процедуру стоимостного анализа ювелирных камней;

4. Разработана архитектура интеллектуальной информационной системы и программный комплекс, реализующий алгоритмы диагностики и модели стоимостного анализа ювелирных камней;

5. Предложена методика использования разработанного программного комплекса для проведения комплексного геммологического исследования ювелирных камней

6. Проверена работоспособность ИИС и разработанных в диссертационной работе алгоритмов и нейросетевых моделей

Список литературы диссертационного исследования кандидат технических наук Абу Суек Атия Ражаб Мохамед, 2004 год

1. Автоматизация сбора и обработки геолого-минералогических данных при разведке рудных месторождений./А. С. Гурьевич. Э. Д. Зезюлина, В И Красников и др — 27-й Международный геологический конгресс. Тезисы, 1984, с. 362.

2. Автоматический банк эталонных рентгенографических данных/А. А. Евграфов, И. Г. Иванов, Ю. Г. Котов и др. — Аппаратура и методы рентгеновского анализа, 1979, '№ 22, с. 130.

3. Алгоритм расшифровки дифрактограммы многокомпонентных систем/ /В. Ф. Демченко. И. К. Походня, В. И. Карманов и др. — Кристаллография, 1974. т. 19, вып. 3. с. 639—641.

4. Арнольд В.И. О представлении функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Математическое просвещение, 1989 № 4. с. 41-61.

5. Арнольд В.И. О функциях трех переменных. Докл. АН СССР, 1957. Т. 114, N0. 4. С. 679-681.

6. Бокий Г. Б. О классификации минералов в связи с разработкой информационного языка. — В кн.: Геологическая информация и математическая геология. М., Недра, 1976, с. 78—82.

7. Бонд В.Л. Технология кристаллов. «Недра», 1980. — 375с.

8. Боровиков В. 8ТАТ18Т1СА: искусство анализа данных на компьютере. Для профессионалов. СПб.:Питер, 2001. 636 с.

9. Васильев Е. К., Лиопо В. А. Некоторые вопросы рентгенографического анализа. — Минерал, сб. Львов, ун-та, 1978, № 32/2, с. 27—33.

10. Ю.Витушкин А.Г. О многомерных вариациях. М.: Физматгиз, 1955.

11. П.Гай А. Г. О возможности формальной классификации и диагностики прозрачных минералов. — В кн.: Вопросы кибернетики. Ташкент, 1973, вып. 56, с. 74—81.

12. Гинзбург А. И. Выявление новых видов минерального сырья — важная задача прикладной минералогии.—Минерал, ж., 1980, т. 2, № 1, с. 9—20.

13. И.Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука (Сиб. отделение), 1996. 276 с.

14. М.Загоруйко Н.Г., ЁлкинаВ.Н., Тимеркаев B.C. Алгоритм заполнения пропусков в эмпирических таблицах (алгоритм "ZET") //Вычислительные системы. — Новосибирск, 1975. — Вып. 61. Эмпирическое предсказание и распознавание образов. — С. 3-27.

15. Квасный Р. Нейронные сети ресурс Интернета, http://neural.narod.ru/, 2001.

16. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного. Докл. АН СССР, 1957. Т. 114, No. 5. С. 953-956.

17. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. М.: Горячая линия Телеком, 2002.

18. Короткий С. Нейронные сети. http://lii.newmail.ru/NN/KOROTKY

19. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001. — 382 с.

20. Лазаренко В.К. Курс минералогии. М., «Высшая школа», 1972. 608с.

21. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. — М.: ЗАО "ДИАЛОГ-МИФИ", 2002. 496 с.

22. Информационно-поисковая система для рентгеновского фазового анали-за/Е. М Бупова, Н. П. Жидков, А. Г. Зильберман и др. — Кристаллография, 1977. т. 22,'№ 6, с. 1182—1190.

23. К вопросу о применении ЭВМ в рентгенографии минерального сырья/ /Ю. В. Шиповалов, Ю. М. Путилин, М. А. Матвеец и др. — В кн.: Исследования в области химических и физических методов анализа минерального сырья. Алма-Ата. 1973, вып. 3, с. 167—171.

24. Комков А. И. О рентгеновской методике идентификации метамиктных тантало-ниобатов. — В кн.: Рентгенография минерального сырья и реальное строение минералов. М., 1978.

25. Нахмансон М. С. Автоматизация исследований состава, структуры и свойств веществ на основе применения ЭВМ. М., ЦНИИТЭИприборостроения, 1981.

26. Нахмансон М. С., Черный Ю. А. Система автоматического рентгено-фазового анализа АРФА. ВИНИТИ, 1982, депонент № 497—82.

27. Пантюхина М. Е. Исследование и разработка автоматического кодирования формульной химической инфопмации в автоматизированных информационных системах. Афтореф. канд. дис. М„ ВИНИТИ, 1978, 25 с,

28. Нейронные сети. -http://wAvw.statsoft.ru/home/textbook/modules/stneunet.htm

29. Поваренных A.C. Твердость минералов. Изд-во АН УССР, 1983. 415с.

30. Пшибрам К. Окраска и люминесценция минералов. ИЛ 1969. -237с.

31. Рабочая книга по прогнозированию/Ред. И.В. Бестужев-Лада. — М.,: Мысль, 1982. -430с.

32. Соколов Е. Н., Вайткявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру М.: Наука, 1999.

33. Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей. http://alife.narod.ru/lectures/neural

34. Труды третьего международного симпозиума «Интеллектуальные системы» Псков: 2000.

35. Федюкович Н. И. Нейросети: Учеб. Пособие. Мн.: ООО «Полифакт-Альфа», 1999.

36. Фу К. Последовательные методы в распознавании образов и обучении машин. М.,: Наука, 1971

37. Цыганков В. Д. Нейрокомпьютер и его применение М.: СолСистем, 2000.

38. Шефер X. Топологические векторные пространства. М.: Мир, 1971. 360с.

39. Эндрю А. Искусственный интеллект — М.: Мир, 2002.

40. Бонштедт-Куплетская Э.М. Определение удельного веса минералов. Изд-во АН ССР, 1961. 276с.

41. Чириков Н.В. Применение рентгеноструктурных методов для анализа материалов. Наука, 1986. -440с.

42. Дубров A.M., Мхиторян В.С.Многомерные статистические методы. -М., Финансы и статистика, 1998.

43. Мандель И.Д. Кластерный анализ. М., Финансы и статистика, 1988.

44. Семенов Н.А., Ветров А.Н., Абу Суек Атия Ражаб Мухамед. Интеллектуальная система поддержки принятия решений в геммологическом исследовании // Компьютерные продукты и системы. №2, 2003 С. 28 32;

45. Дмитриев Г.А., Ветров А.Н., Абу Суек А. Р. Использование нейронных сетей для стоимостной оценки объектов. // Сб. трудов Международной научно-технической конференции "40 лет биотехнических систем " С. Петербург, ЛЭТИ, 2004. С.61 - 62;

46. Абу Суек А.Р. Интеллектуальная информационная система диагностики и стоимостной оценки драгоценных камней. // Компьютерные продукты и системы. №3, 2004 С. 43 — 45.

47. Bhagavantam S. Crystal symmetry and physical properties. London, 1966. -387p.

48. Cybenko G. Approximation by superposition of a sigmoidal function. Mathematics of Control, Signals, and Systems, 1989. Vol. 2. PP. 303 314.

49. Gilev S.E., Gorban A.N. On completness of the class of functions computable by neural networks. Proc. of the World Congress on Neural Networks (WCNN'96). Sept. 15-18, 1996, San Diego, CA, Lawrens Erlbaum Accociates, 1996. PP. 984-991.

50. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximators. Neural Networks. 1989. Vol. 2. PP. 359 366.

51. Barron A. R. Approximation and estimation bounds for artificial neural networks. Machine learning. Vol. 14, 1994. - Pp. 115-133.

52. Chui C. K. An introduction to wavelets. N. Y.: Academic Press, 1992.

53. Chauvin Y. A back propagation algorithm with optimal use of hidden units // Advances in NIPS2 / D. Touretzky, Ed. San Mateo: Morgan Kaufmann, 1989.-Pp. 519-526.

54. Chen S., Cowan C.F., Grant P.M. Orthogonal least squares learning algorithm for radial basis function networks // IEEE Trans. Neural Networks, 1991. Vol. 2. -Pp. 302-309.

55. Chen D., Jain C. A robust back propagation learning algorithm for function approximation // IEEE Trans. Neural Networks, 1994. Vol. 5. - Pp. 467479.

56. Cheng Y.H., Lin C.S. Learning algorithm for radial basis function network with the capability of adding and pruning neurons: Proc. 1994 Conf. ICNN. Orlando: 1994. -Pp. 797-801.

57. Chinrungrueng C, Sequin C.H. Optimal adaptive K-means algorithm with dynamic adjustment of learning rate // IEEE Trans. Neural Networks, 1995. Vol. 6.-Pp. 157-169.

58. Demuth H., Beale M. Neural Network Toolbox for use with Matlab. -Natick: The Math Works, Inc., 1992.

59. Denoeux J., Lengalle R. Initializing back propagation networks with prototypes//Neural Networks, 1993. Vol 6. - Pp. 351-363.

60. Diamantaras K., Kung S. Principal component neural networks, theory and applications. N. Y.: Wiley, 1996.

61. Dubois D., Prade H. Fuzzy sets and systems. N. Y.: Academic Press, 1980.

62. Floreen P. The convergence of Hamming memory networks // IEEE Trans. -NeuralNetworks, 1991. Vol. 2. - Pp. 449-457.

63. Geva S.r Sitte J. Progress in supervised neural networks // IEEE Trans. N. N., 1992. -Vol. 3.-Pp. 621-625.

64. Gill P., Murray W., Wright M. Practical Optimization. N.Y.: Academic Press, 1981.

65. Girosi F, Jones M. Poggio T. Regularization theory and neural network architecture//Neural Computation, 1995. - Vol. 7. - Pp. 219-270.

66. HampeI F. R., Rousseeuw P. J., Ronchetti E. M., Stahel W. Robust statistics -the approach based on influence function. N.Y.: Wiley, 1986.

67. Hassibi B., Stork D. Second order derivates for network pruning: Optimal brain surgeon // Advances in NIPS5 / Ed. D. Touretzky, San Mateo: Morgan Kaufmann, 1993 .-Pp. 164-171.

68. Haykin S. Neural networks, a comprehensive foundation. N.Y.: Macmillan CollegePublishing Company, 1994.

69. He Y, Ciringiroglu U. A charge based on-chip adaptation Kohonen neural network //Trans. Neural Networks, 1993. Vol. 4. - Pp. 462-469.

70. He Y, Cilingiroglu Y., Sanchez-Sinencio E. A high density and low power chargebased Hamming network // IEEE Trans. VLSI Systems, 1993. Vol. l.-Pp. 56-62.

71. Hopfield J. Neural networks and physical systems with emergent collective computational abilities // Proc. National Academy of Science USA, 1982. Vol. 79. -Pp. 2554-2558.

72. Hopfield J., Tank D. Neural computations of decisions in optimization problems// Biological Cybernetics, 1985. Vol. 52. - Pp. 141-152.

73. Hopfield J., Tank D. Computing with neural circuits: a model // Science, 1986. Vol.233. - Pp. 625-633.

74. Hornik K., Stinchcombe M., White H. Multilayer feed forward networks are universal approximators // Neural Networks, 1989. Vol. 2. -Pp. 359-366.

75. Hush D., Home B. Progress in supervised neural networks // IEEE Signal Processing Magazine, 1993, January. Pp. 8-39.

76. Jacobs R. A. Increased rates of convergence through learning rate adaptation // Neural Networks, 1988. Vol. 1. - Pp. 295-307.

77. JangJ. S., Sun C. T, Mizutani E. Neuro-fiizzy and soft computing. N.Y.: Prentice Hall, 1997.85133. Riedmiller M., Braun H. RPROP a fast adaptive learning algorithm. Technical Report, Karlsruhe: University Karlsruhe, 1992.

78. Ritter H., Schulten K. On the stationary state of the Kohonen self-organizing sensory mapping // Biological Cybernetics. 1986. Vol. 54. - Pp. 234-249.

79. Rugh W. Nonlinear Systems: a Volterra approach. -N.Y.: J. Hopkins Press, 1981.

80. Rosenblatt F. Principle of neurodynamics. -N.Y.: Spartan, 1992.

81. Widrow B., Bilello M. Nonlinear adaptive signal processing for inverse control// Proc. World Congress on Neural Networks, San Diego 1994.

82. Widrow B., Stearns S. Adaptive signal processing. N.Y.: Prentice Hall, 1985.

83. Williams R, ZipserD. A learming algorithm for continually running fully recurrent neuralnetworks. Neural Computers, 1989. - Vol. 1. - Pp. 270-280.

84. Xue Q., Hu Y, Totnpkins W. Analysis of hidden units of back propagation model by SVD // Proc. IJCNN, 1990, Washington. Pp. 1739-742.

85. Yair E., Zeger K., Gersho A. Competitive learning and soft competition for vector quantizer design // IEEE Trans. Signal Processing, 1992. Vol. 40. -Pp. 294-309.

86. Yamakawa T. A fuzzy interference engine in nonlinear analog made and itsapplication to fuzzy logic control // IEEE Trans. Neural Networks, 1993.-Vol. 4. -Pp. 496-522.

87. Yuceer C, Oflazer K. A rotation, scaling and translation invariant pattern classification system // Pattern Recognition, 1993. Vol. 26. - Pp. 687-710.