Интеллектуализация принятия решений в системе управления процессом динамической классификации квазисимметричных объектов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Резуев, Максим Сергеевич

• Резуев, Максим Сергеевич
• кандидат наук
• 2016

Оглавление диссертации кандидат наук Резуев, Максим Сергеевич

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. СИСТЕМАТИЗАЦИЯ СРЕДСТВ ЭБ-ВОССТАНОВЛЕНИЯ, ВИЗУАЛИЗАЦИИ И УПРАВЛЕНИЯ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИЕЙ КВАЗИСИММЕТРИЧНЫХ ОБЪЕКТОВ

1.1. Системный анализ 3D-cиcтeм для визуализации и восстановления квазисимметричных объектов

1.2. Системный анализ интеллектуальных средств восстановления ЭБ-модели и управления классификацией квазисимметричных объектов

1.2.1. Структура системы поддержки принятия решений

1.2.2. Использование генетических алгоритмов для решения задач прогнозирования

1.2.3. Нейронные сети и их классификация

1.3. Системный анализ программных пакетов для обучения и прогнозирования нейронной сети

1.4. Цель работы и задачи исследования 36 ГЛАВА 2. МЕТОДЫ И АЛГОРИТМЫ ИНТЕЛЛЕКТУАЛЬНОГО ПРОГНОЗИРОВАНИЯ И ВОССТАНОВЛЕНИЯ ЭБ-МОДЕЛИ КВАЗИСИММЕТРИЧНЫХ ОБЪЕКТОВ В РЕАЛЬНОМ ВРЕМЕНИ

2.1. Описание и принцип работы экспериментальной установки для управления процессом динамической классификации квазисимметричных объектов в реальном времени

2.2. Описание блока предварительной классификации интеллектуальной поддержки принятия решений

2.3. Использование алгоритма Левенберга-Марквардта с целью обучения нейронной сети

2.4. Обучение нейронной сети в пакете ЗТАТКТГСА 7 для прогнозирования неизвестной координаты

2.5. Выводы

ГЛАВА 3. ПРОГРАММНО- ИНФОРМАЦИОННЫЕ СРЕДСТВА ЭКСПЕРИМЕНТАЛЬНОЙ УСТАНОВКИ ДЛЯ ЗБ-ВИЗУАЛИЗАЦИИ И УПРАВЛЕНИЯ ПРОЦЕССОМ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИИ КВАЗИСИММЕТРИЧНЫХ ОБЪЕКТОВ В РЕАЛЬНОМ ВРЕМЕНИ

3.1. Описание и структура программно-информационного комплекса экспериментальной установки для ЗБ-визуализации, восстановления и управления процессом динамической классификации квазисимметричных объектов

3.1.1. Программная часть специального комплекса визуализации и управления процессом динамической классификации квазисимметричных объектов

3.1.2. Аппаратная часть специального комплекса восстановления, визуализации и управления процессом динамической классификации квазисимметричных объектов

3.2. Разработка структуры взаимодействий экспериментальной и промышленной установок с целью интеллектуализации поддержки принятия решений для процесса динамической классификации квазисимметричных объектов

3.3. Выводы 81 ГЛАВА 4. РАЗРАБОТКА ПРОГРАММНО-АППАРАТНОГО КОМПЛЕКСА ПРОМЫШЛЕННОЙ УСТАНОВКИ ДЛЯ ВИЗУАЛИЗАЦИИ И УПРАВЛЕНИЯ ПРОЦЕССОМ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИИ

КВАЗИСИММЕТРИЧНЫХ ОБЪЕКТОВ В РЕАЛЬНОМ ВРЕМЕНИ

4.1. Проекты, реализованные на основе интеллектуальной системы 3D-восстановления и управления процессом динамической классификации квазисимметричных объектов 88 4.1.1. Программно-аппаратный комплекс для динамической классификации квазисимметричных объектов с датчиками, расположенными перпендикулярно траектории движения объектов

4.1.2. Специальный программно-аппаратный комплекс для динамической классификации квазисимметричных объектов с расположенными по траектории движения объектов датчиками

4.1.3. Программно-аппаратный комплекс для динамической классификации

квазисимметричных объектов по их спектральным характеристикам

4.2. Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

Приложение А. Свидетельства о государственной регистрации программ для ЭВМ

Приложение В. Акт о внедрении результатов исследования в производственную деятельность предприятия

Введение диссертации (часть автореферата) на тему «Интеллектуализация принятия решений в системе управления процессом динамической классификации квазисимметричных объектов»

ВВЕДЕНИЕ

Внедрение современных компьютерных технологий в различные области науки и техники всё чаще заставляет обращаться к вопросам интеллектуальной поддержки принятия решений для управления сложными техническими объектами.

В ряде отраслей (автомобильная, пищевая, горнорудная, химическая и др.) возникает проблема классификации сложнопрофильных почти симметричных (квазисимметричных) объектов. С учетом неполной информации о геометрии объекта возникает проблема восстановления 3D-модели квазисимметричных объектов. Под восстановлением 3D-мoдeли квазисимметричных объектов в реальном времени в данной работе понимается процесс интеллектуального прогнозирования третьей координаты объекта по двум ранее полученным и хранящимся в пополняемой в реальном времени базе данных.

Построение восстановленной 3D-мoдeли из множества объектов (материала) позволяет определять не только геометрические размеры, но и форму объекта. Так, в горнорудной промышленности от формы будет зависеть огранка, в химической промышленности - концентрация отдельного вещества в материале, в пищевой промышленности сферичность зерна определяет его культуру и сорт. Также имея 3D-мoдeль с геометрическими параметрами объекта, можно сформировать управляющий сигнал для последующей классификации. Динамическая классификация квазисимметричных объектов по размерам составляет основу или является составным элементом многих технологических процессов, таких как производство строительных материалов, обогащение полезных ископаемых, разделение зерновых культур.

Интерес к изучению задач 3D-вoccтaнoвлeния, визуализации и управления процессом классификации нашёл своё отражение в работах российских учёных: Э.К. Алгазинов, В.А. Шульгин, М.А. Дрюченко, Д.А. Минаков, Сирота A.A., Г.В. Пахомов, A.B. Соколова, В.Д. Стрыгин, A.A.

Чуриков и др.

Имеющиеся на данный момент системы создания 3В-моделей (ZScanner, ATOS II и др.), как правило, не подходят для восстановления, 3В-визуализации и управления процессом классификации квазисимметричных объектов в динамике, или потока состоящего из мелких частиц. Поэтому актуальной является задача создания интеллектуальной системы управления процессом 3D визуализации и классификации квазисимметричных объектов с использованием программно-аппаратного комплекса и интеллектуальных средств прогнозирования неопределенной координаты.

Для целей интеллектуальной поддержки при принятии управленческих решений подходит применение обучаемой нейронной сети, что позволяет прогнозировать недостающую координату с высокой точностью и возможностью постоянной корректировки прогноза с накоплением данных об объектах в базе данных.

Разработка 3В-моделей высокой точности и алгоритмов интеллектуального управления процессом динамической классификации квазисимметричных объектов в реальном времени является актуальной и востребованной во многих отраслях промышленности.

Тематика диссертационной работы соответствует одному из основных научных направлений ФГБОУ ВО «Воронежский государственный технический университет» «Вычислительные комплексы и проблемно-ориентированные системы управления».

Методы исследования. В качестве теоретической и методологической основы диссертационного исследования использованы методы системного анализа, теории моделирования, теории управления, систем управления базами данных, объектно-ориентированного программирования, компьютерной графики.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- функциональная модель системы (состоящей из экспериментальной и промышленных установок) интеллектуального 3D-вoccтaнoвлeния, визуализации и оптимизации процесса построения квазисимметричного объекта, отличающаяся возможностью прогнозирования неизвестной координаты с применением нейросетевого аппарата;

- алгоритмы управления классификацией квазисимметричных объектов, отличающиеся использованием 2D-мoдeли, БД и аппарата прогнозирования неизвестной координаты и позволяющие проводить оптимизацию скорости восстановления с минимальной потерей точности;

- высокоскоростной алгоритм принятия решений при управлении динамической классификацией квазисимметричных объектов, отличающийся использованием постоянно пополняемых баз данных и работающий в реальном времени;

- структура системы интеллектуальной поддержки принятия решений, позволяющая производить 3D-вoccтaнoвлeниe, визуализацию и управление процессом классификации квазисимметричных объектов в динамике и отличающаяся возможностью прогнозирования неизвестной координаты с высокой точностью и во времени, не превышающем время, необходимое для обработки измерений.

Тематика работы соответствует следующим пунктам паспорта специальности 05.13.01:

- п. 5 «Разработка специального математического и программного обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации»;

- п. 10 «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических, экономических, биологических, медицинских и социальных системах»;

- п. 12 «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации».

Практическая значимость работы. В работе предложен программно-аппаратный комплекс, реализующий информационную систему 3D-визуализации, восстановления квазисимметричных объектов во времени, достаточном для обработки данных и управления процессом классификации объектов путём создания управляющих сигналов. Обеспечивается интеллектуальное прогнозирование неизвестной координаты, осуществляемое с помощью нейросетевого аппарата, которое достигает большей эффективности в ходе обучения нейронной сети с использованием метода Ливенберга-Марквардта.

Реализация и внедрение результатов работы. В рамках диссертационной работы реализованы программные модули «Программное обеспечение процесса 3D-клaccификaции разногабаритного материала», «Модуль управления процессом классификации квазисимметричных объектов» и «Модуль визуализации квазисимметричных объектов». Разработанные средства внедрены в деятельность ООО «Интех» для динамической классификации квазисимметричных объектов. Результаты внедрены в учебный процесс в лабораторный практикум и лекционные курсы по дисциплинам «Компьютерная графика», «Теория информационно-управляющих

вычислительных систем». Зарегистрированы программы для ЭВМ: «Программа для обеспечения процесса классификации 3D моделирования разногабаритных материалов»; «Модуль управления процессом классификации квазисимметричных объектов»; Модуль визуализации квазисимметричных объектов.

Апробация работы. Основные результаты диссертационного исследования докладывались и обсуждались на следующих научных конференциях: Международной конференции «Информационные технологии моделирования и управления» (Воронеж, 201Э) [55]; Международной конференции «Международный научно-исследовательский журнал» (Воронеж, 2014) [58]; Международной конференции «Наука, образование, общество: тенденции и перспективы» (Воронеж, 2014) [60]; Международной конференции

«Антропоцентрические науки: инновационный взгляд на образование и развитие личности» (Воронеж, 2014) [59]; Международной научно-практической конференции «Естественные и технические науки в современном мире» (Москва, 2016) [62].

Публикации. По результатам диссертации опубликовано 13 работ [6, 48,77-79, 81-83, 93], отражающих основные положения исследования, в т.ч. 5 -в изданиях, рекомендованных ВАК РФ, 3 свидетельства о регистрации программ в ФИПС [90-92].

В работах, опубликованных в соавторстве и приведённых в конце диссертации, лично соискателю принадлежат: [76, 78, 81] - разработка алгоритма 3D-вoccтaнoвлeния, визуализации и интеллектуального управления процессом динамической классификации квазисимметричных объектов; [77] -модификация метода Левенберга-Маркварда обучения нейронной сети для прогнозирования неизвестной координаты; [48] - структурная схема взаимодействия экспериментальной и промышленной установок в рамках одной управляющей системы; [6] - организация универсального программного интерфейса информационной системы интеллектуального управления процессом динамической классификации квазисимметричных объектов.

Структура и объём работы. Диссертация изложена на 125 страницах, содержит 53 рисунка, 5 таблиц, состоит из введения, четырёх глав и заключения, перечня библиографических источников и приложений.

Содержание работы. Первая глава посвящена систематизации средств восстановления, визуализации и управления классификацией квазисимметричных объектов. Подготовлен анализ 3D-cиcтeм визуализации квазисимметричных объектов, выявлены преимущества и недостатки существующих систем и определены особенности, необходимые для системы визуализации квазисимметричных объектов в динамике. Проведён анализ средств восстановления 3D модели квазисимметричных объектов в динамике, подходов и возможных решений для повышения точности и уменьшения

времени при восстановлении 3D-мoдeли квазисимметричных объектов в динамике.

Во второй главе рассмотрены методы и алгоритмы интеллектуального прогнозирования неизвестной координаты 3D-мoдeли квазисимметричных объектов в динамике.

В третьей главе приведены программно-информационные средства восстановления, визуализации и управления процессом динамической классификации квазисимметричных объектов, разработаны структура информационной системы, структура система поддержки принятия решений и алгоритм работы программного комплекса восстановления, визуализации и интеллектуального управления процессом динамической классификации квазисимметричных объектов.

В четвёртой главе описана разработка программно-информационной системы 3Б-восстановления, визуализации и интеллектуального управления процессом динамической классификации квазисимметричных объектов в реальном времени.

В заключении сформулированы основные научные и практические результаты диссертационного исследования.

ГЛАВА 1. СИСТЕМАТИЗАЦИЯ СРЕДСТВ 3Б-ВОССТАНОВЛЕНИЯ, ВИЗУАЛИЗАЦИИ И УПРАВЛЕНИЯ ДИНАМИЧЕСКОЙ

КЛАССИФИКАЦИЕЙ КВАЗИСИММЕТРИЧНЫХ ОБЪЕКТОВ

1.1. Системный анализ 3D-cиcтeм для визуализации и восстановления квазисимметричных объектов

Создание математического и программного обеспечения процесса 3Б-моделирования и классификации квазисимметричных объектов является сложной задачей. Задачи создания 3Б-модели квазисимметричных объектов могут быть решены методом 3Б-сканирования. Имеющиеся на данный момент системы сканирования не подходят для 3Б-визуализации моделей динамического квазисимметричного материала, состоящего из частиц размерами от 3 мм. Исходя из этого, возникает необходимость разработать программно-аппаратный комплекс, состоящий из нескольких датчиков, АЦП, программы, поддерживающие функции сбора, обработки, хранения и отображения информации о каждом отдельном объекте и всём материале в целом, и исполнительного механизма.

Систематический процесс определения координат точек, принадлежащих поверхностям сложнопрофильных физических объектов (в частности, деталей) с целью последующего получения их пространственных математических моделей, которые определяются 3D-сканированием и могут быть модифицированы с помощью САБ-систем. 3D-cкaнepы не только упрощают процесс создания 3D-мoдeлeй, но и позволяют решать эту задачу с максимальной степенью достоверности по отношению к исходному оригиналу [1].

Основными потребителями 3D-cкaнepoв являются дизайнерские и кинематографические студии, автомобильные и конструкторские дизайн-бюро, т.к. они используют технологии высокого уровня для решения своих задач. Также 3 Б-сканеры используются в пищевой, горнорудной, химической и

других отраслях.

Задачи создания BD-модели для последующего управления процессом классификации квазисимметричных объектов могут быть решены методом 3D-сканирования. Актуальным решением этой задачи на практике является применение 2D-сканирования из-за высокой цены и сложности реализации процесса 3D-H3MepeH^ объекта. Этот переход может быть осуществлён с помощью 2D-CKaHHpoBaH^ и прогнозирования третьей координаты с помощью математического аппарата.

Для решения задач 3D-BroyanroauHH и 3D-CKaHHpoBaH^ можно использовать множество 3D -программ и систем (ZScanner, ATOS II и другие).

С помощью 3D-сканирования можно оцифровывать культурное наследие, археологические объекты, предметы искусства. Широкое применение 3D-сканирование нашло в медицинском протезировании и цифровом архивировании.

Ручной 3D-CKaHep ZScanner 700 позволяет сканировать различные предметы, обходя и снимая их во многих плоскостях. 3D сканер работает как видеокамера с функцией высокоскоростной съемки, снимая объект со скоростью до 15 поверхностей в секунду. Процесс сканирования объектов сводится к съемке объекта с различных ракурсов. В дальнейшем все эти поверхности объединяются в единую модель с помощью специального программного обеспечения.

Оптическая система ATOS II позволяет с высокой точностью оцифровывать измерения объекта с поверхностью любой сложности и получать его компьютерную 3D-мoдeль. Система применяется в автомобилестроении, машиностроении, авиастроении и космической промышленности (оцифровка наружной поверхности, интерьера и отдельных компонентов), а также в разработках для производства бытовой техники и в медицине [2].

Мобильная координатно-измерительная машина FARO EDGE обладает высокой точностью и универсальностью при сравнительно невысокой цене

и малом весе. Улучшенная конструкция балансира и правильное распределение веса элементов манипулятора позволяют эффективно работать оператору [3].

Мобильная координатно-измерительная машина FARO EDGE обладает рядом датчиков для удобства использования и увеличения точности измерений. Для корректировки результатов измерений машины FARO EDGE имеются температурные датчики. Датчики сдвига позволяют правильно установить координатно-измерительную машину для измерений.

Встроенный сенсорный компьютер с простым программным обеспечением позволяет проводить несложные геометрические измерения без использования ноутбука или стационарного компьютера.

Компактные координатно-измерительные машины TESA MICRO-HITE имеют ряд особенностей. Они занимают среднее положение между ручным инструментом и традиционными координатно-измерительными машинами. Машины TESA MICRO-HITE позволяют обеспечить высокую точность измерений и универсальность их применения, значительно сэкономив на сложном роботизированном приводе [4].

КИМ-750 производства ООО «Лапик» обладает самой высокой точностью среди аналогов.

Конструкция координатно-измерительной машины обеспечивает шесть степеней свободы рабочего органа, шесть одновременно и согласованно управляемых осей перемещения. Измерительная система отделена от силовой, что обеспечивает долговременную стабильность характеристик в повышении точности измерений [5].

На рисунке 1.1 представлен сравнительный анализ точности различных систем сканирования и универсального цифрового измерительного инструмента.

Название системы Возможность обработки результатов Возможность внесения изменений Стоимость Время: 3D измерения Совмести мость с CAD Возможность измерения объектов в динамике Подключав мые средства измерения

ZScanner + - 1 400 000 От 1 МИН + - Специаль ная камера

FARO EDGE + + 1 600 000 От 1 мин + - Специаль ная камера

КИМ-750 + + 1 700 000 От 1 мин + - Специаль ная камера

TESA MICRO- HITE + + 1 700 000 От 1 мин + - Специаль ная камера

Atos II + + 2 000 000 От 1 мин + - Специаль ная камера

Предлагаемый программно -аппаратный комплекс + + 1 000 000 50 мкс + + 3 датчика шторки

Рисунок 1.1 - Сравнительный анализ различных систем сканирования и

3D-визyaлизaции

Системы объемного сканирования могут решать измерительные задачи любой сложности в машиностроении, архитектуре, медицине и множестве других областей.

Данные программно-аппаратные средства 3D-визyaлизaции не могут быть использованы для решения задачи восстановления множества мелких предметов, например, квазисимметричных объектов в динамике, т. к. в одном кубическом метре квазисимметричного материала содержится от 20 до 30 миллионов штук объектов, а просканировать нужно каждую частицу. Из-за большого количества объектов актуальным становится вопрос быстродействия программно-аппаратного комплекса. Из расчётных значений время на измерение одного объекта составляет 10 — 50 мкс. Следовательно, производительность системы должна удовлетворять этим критериям. Для соответствия этим ограничениям становится целесообразным переход от 3D- к 2D-сканированию с помощью систем прогнозирования третьей координаты.

Практический интерес данного перехода продиктован промышленной производительностью и стоимостью программно-аппаратного комплекса (доступностью для потребителя). Стоимость одного датчика (из которых состоит программно-аппаратный комплекс) с оптоволокном и АЦП может достигать до 30 тыс. рублей (по ценам 2016 года), в каждой установке может содержаться до 150-200 датчиков для измерения одного размера, таким образом можно снизить стоимость установки на 3 млн. рублей [6].

Создание математических моделей квазисимметричных объектов в динамике характеризовалось тем, что за образ объектов брались шар, эллипсоид вращения или даже куб, это приводило к невысокой точности математических моделей и далее на производстве к вероятностному характеру управления процессом классификации динамических квазисимметричных объектов. Используя подход, в котором будет измеряться каждая частица, можно разделить по геометрическим показателям весь динамический квазисимметричный материал, например, зерно будет разделено не только по типу злаковой культуры, но также по классу и форме (рисунок 1.2).

Рисунок 1.2 - Измерение частицы квазисимметричного материала в динамике в трёх взаимноортогональных плоскостях: 1, 2, 3 - излучатели; 4 -измеряемый объект; 5, 6, 7 - оптические датчики

3В-сканирование частиц небольшого размера (до 20 мм) также может использоваться для сканирования алмазного сырья. Каждый алмаз имеет уникальную форму, бриллианты, наоборот, изготавливаются по строго определенным правилам. Первая задача, которая возникает, это изготовить из алмаза как можно больший бриллиант. Для этого и потребуется составить 3D-модель материала.

Рисунок 1.3 - Варианты огранки алмаза

После её составления можно увидеть дефекты камня, размеры и остальные характеристики. Разметчик сможет принять оптимальное решение, как расположить бриллиант внутри алмаза и какую огранку выбрать (рисунок 1.3). Необходимо также выбрать расположение и размеры бриллианта. Существует несколько вариантов расположения бриллианта внутри алмаза.

Рисунок 1.4 - Алмаз и варианты расположения в нём бриллиантов

На рисунке 1.4 изображен пример правильной формы алмаза - октаэдр. Шип бриллианта может быть направлен в любой из шести углов октаэдра. При этом масса бриллианта практически не изменится. Алмазы правильной формы встречаются редко, из-за этой особенности будет получаться различная масса бриллианта при различном его расположении в алмазе.

Расположение дефектов внутри алмаза и их количество может сильно повлиять на положение бриллианта. После определения оптимального положения необходимо оценить возможность исключения дефектов в

бриллианте за счёт уменьшения его размеров.

Разметчику необходимо иметь представления об алмазе для принятия решения об отклонении от параметров идеальной огранки и степени отклонения. При отклонении можно получить бриллиант большего размера, но его будет сложнее реализовать и это может отрицательно сказаться на его стоимости. Как правило, алмаз идет на изготовление двух бриллиантов. Для этого разметчик на кристалле наносит линию разметки, по которой рабочий-распиловщик производит распиливание алмаза на две части. Соответственно при изменении положения линии разметки масса и стоимость одного бриллианта увеличивается, а второго - уменьшается. Разметчику нужно найти оптимальный вариант [7].

Также к квазисимметричным объектам относятся многослойные комплексные удобрения в псевдоожиженном слое, который позволяет получать широкий ассортимент удобрений с различным соотношением питательных веществ, снизить гигроскопичность и улучшить их качество, а также уменьшить потери основного сырья, которые особенно ощутимы в результате разложения и нежелательных химических реакций в процессе сушки и гранулирования удобрений.

Вероятность попадания гранул в зону орошения до того, как они выйдут из слоя, увеличивается при удалении друг от друга мест загрузки карбамида и выгрузки продукта. Также на эффективность применения удобрений влияет размер самих гранул, потому что при отклонении от нормы в большую или меньшую сторону растения могут либо не получить достаточную подпитку, либо погибнуть от её переизбытка [8,9].

1.2. Системный анализ интеллектуальных средств восстановления 3D-модели и управления классификацией квазисимметричных объектов

1.2.1. Структура системы поддержки принятия решений

Системы поддержки принятия решений предназначены для решения неформализованных задач, отличающихся ошибочностью, неоднозначностью, неполнотой, противоречивостью и изменчивостью как исходных данных, так и предметной области в целом. Пространство решений таких задач имеет очень большую размерность и перебору не поддаётся.

Отношение программы к категории систем поддержки принятия решений обусловливается рядом признаков:

- обладанием знаниями (или информацией), служит основой, на которой программа принимает решения или получает новую информацию;

- узкоспециализированной направленностью, предполагающей особенную организацию знаний, отношений и принципов построения логических выводов, характерных для данной предметной области;

- решением проблем на основе имеющихся знаний, на которые должна быть ориентирована программа.

Одним из наиболее распространённых определений системы поддержки принятия решений является следующее: "Под системой поддержки принятия решений понимается система, объединяющая возможности компьютера со знаниями и опытом эксперта в такой форме, что система может предложить разумный совет или осуществить разумное решение поставленной задачи. Дополнительно желаемой характеристикой такой системы, которая многими рассматривается как основная, является способность системы пояснять по требованию ход своих рассуждений в понятной для спрашивающего форме" [10,11].

С момента появления систем поддержки принятия решений как самостоятельного направления в системах искусственного интеллекта было проведено множество исследований, посвящённых их структуре. Было предложено множество схем, обеспечивающих выполнение всех необходимых функций, однако все они имели общую основу, незначительно изменяющуюся

в зависимости от конкретной задачи и предметной области. Обобщённая

структура система поддержки принятия решений приведена на рисунке 1.5.

Рисунок 1.5 - Структура системы поддержки принятия решений

Наиболее важными частями любой системы поддержки принятия решений являются база знаний и механизм логических выводов. База знаний или хранилище информации содержит сведения, на основе которых система принимает решения, то есть знания экспертов. Достаточно часто таким хранилищем выступает специальным образом организованная база данных. Механизм логических выводов определяет, как и по каким принципам система поддержки принятия решения будет строить свои предположения и советы, основываясь на знаниях экспертов.

Не менее важную роль играет модуль приобретения знаний, который обеспечивает возможность обучения системы поддержки принятия решений, то есть пополнение её базы знаний и механизмов вывода. Существуют два

основных способа обучения систем принятия решений: приобретение знаний в процессе работы, с помощью собственных выводов и реакции пользователя, а также обучение экспертом, который на основе своего опыта заносит информацию в систему поддержки принятия решений.

В любой системе поддержки принятия решений должен присутствовать модуль, способный давать пользователю советы, пояснения, дополнительную информацию по тому или иному действию экспертной системы на понятном для него языке. Эту функцию выполняет модуль советов и пояснений.

Пользовательский интерфейс обеспечивает взаимодействие с системой поддержки принятия решений пользователей, обращающихся к ней за тем или иным советом, и экспертов, пополняющих базу знаний.

Для интеллектуализации СППР используются средства прогнозирования, обладающие высокой точностью и необходимым быстродействием для решения задачи 3D восстановления в реальном времени.

1.2.2. Использование генетических алгоритмов для решения задач прогнозирования

Для решения задачи прогнозирования неизвестной координаты динамического квазисимметричного объекта в реальном времени, можно использовать генетический алгоритм (ГА), который является эвристическим алгоритмом поиска. Он используется для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе. Является разновидностью эволюционных вычислений, с помощью которых решаются оптимизационные задачи с использованием методов естественной эволюции, таких как наследование, мутации, отбор и кроссинговер [10].

Список литературы диссертационного исследования кандидат наук Резуев, Максим Сергеевич, 2016 год

СПИСОК ЛИТЕРАТУРЫ

1. Борисенко Б., Ярошенко С., 3D-CKaHHpoBaHHe в интересах 3D-моделнровання [Электронный ресурс]. - Режим доступа: URL: http://www.comprice.ru/articles/detail.php?ID=40134 (дата обращения: 13.09. 2015)

2. Обзор производителей оптических измерительных систем и их продукции: часть I [Электронный ресурс]. - Режим доступа: URL: http://mastermodel.ru/articles/obzor-proizvoditeleyopticheskih-izmeritelnyh-sistem-i-ih-produkcii-chast-i (дата обращения: 13.09. 2015).

3. Мобильные координатно-измерительные машины серии FARO Edge Arm [Электронный ресурс]. - Режим доступа: URL: http:// www.tesis.com.ru/equip/kimfaro/edge.php (дата обращения: 13.09. 2015).

4. TESA MICRO-HITE 3D [Электронный ресурс]. - Режим доступа: URL: http://www.soyuzcomru/index.php?page= catalog&tid=100035 (дата обращения: 18.09. 2015).

5. КИМ 750 ООО «Лапик» [Электронный ресурс]. - Режим доступа: URL: http://www.lapic.ru/prod/models/?m1=2 (дата обращения: 18.09. 2015).

6. Резуев, М. С. Программно-аппаратный комплекс 3D-визyaлизaции и управления классификацией квазисимметричных объектов [Текст] / Резуев М. С. // Системы управления и информационные технологии, -2016. -№2(64). - С. 63-66.

7. Дубовенко А. С. Комплекс по сканированию алмазного сырья [Электронный ресурс]. / А. С. Дубовенко. - Режим доступа: URL: http://videoscan.ru/page/712.html (дата обращения: 21.12. 2015).

8. Большая энциклопедия нефти и газа: Гранулирование- удобрение [Электронный ресурс]. - Режим доступа: URL: http://www.ngpedia.ru/id648537p3.html (дата обращения: 21.12. 2015).

9. Справочник химика 21: Производство сложно-смешанных удобрений в виде двухслойных гранул [Электронный ресурс]. - Режим доступа: URL: http://chem21.info/article/640363/ (дата обращения: 21.12. 2015).

10. Назначение систем принятия решений [Электронный ресурс]. -Режим доступа: URL:

http://www.ereading.mobi/chapter.php/99163/83/Bazy_dannyh_konspekt_lekciii.ht

ml (дата обращения: 21.12. 2015).

11. Назначение систем поддержки принятия решений [Электронный ресурс]. - Режим доступа: URL: http://studopedia.ru/3_173131_naznachenie-sistem-podderzhki-prinyatiya-resheniy.html (дата обращения: 21.12. 2015).

12. Рутковская Д.А. Нейронные сети, генетические алгоритмы и нечеткие системы [Текст] / Д.А. Рудковская // Нейронные сети, генетические алгоритмы и нечеткие системы. - 2011. - Т. 44. - №2. - С. 4-8.

13. Пегат, А. Нечеткое моделирование и управление [Текст] / А. Пегат. Москва: Лаборатория знаний, 2013. - С. 789.

14. Каширина, И.Л. Введение в эволюционное моделирование [Текст] / И.Л. Каширина. Воронеж: ИПЦ ВГУ, 2007. — С. 39.

15. Панченко, Т.В. Генетические алгоритмы [Текст] / Т.В. Панченко, Ю. Ю. Тарасевич. Астрахань: Астраханский университет, 2007. — С. 87.

16. Батищев, Д.И. Генетические алгоритмы решения экстремальных задач [Текст] / Д.И. Батищев. Нижний Новгород: Нижегородский госуниверситет. 1995. — С. 62.

17. Исаев, А. Генетические алгоритмы [Электронный ресурс]. - Режим доступа: URL: http://www.algolist.manual.html (дата обращения: 11.01. 2015).

18. Гладков, Л. А. Генетические алгоритмы [Текст] / Л. А. Гладков, В.В. Курейчик, В.М. Курейчик. М.: ФИЗМАТЛИТ, 2006. — С. 320.

19. Кожанов, Р.В. Нейронные сети в решении задачи систем распознавания на основе логистической модели [Текст] / Р.В. Кожанов, А.Д. Артемова, И.М. Ткаченко // Молодой ученый. — 2015. — №10. — С. 219-223.

20. Большая энциклопедия нефти и газа: Выход- нейрон [Электронный ресурс]. - Режим доступа: URL: http://www.ngpedia.ru/id633855p3.html (дата обращения: 11.01. 2015).

21. Портал искусственного интеллекта: Классификация нейронных сетей [Электронный ресурс]. - Режим доступа: URL: http://www.aiportal.ru/articles/neural-networks/classification.html (дата обращения: 11.01. 2015).

22. Goodfellow I., Shlens J., Szegedy C. Explaining and harnessing adversarial examples [Электронный ресурс] - Режим доступа: URL: http://arxiv.org/abs/1412.6572.html (дата обращения: 15.01.2015).

23. Moosavi-Dezfooli S., Fawzi A., Frossard P. DeepFool: a simple and accurate method to fool deep neural networks [электронный ресурс]. - Режим доступа: URL: http://arxiv.org/abs/1511.04599.html (дата обращения: 15.01.2015).

24. A. Krizhevsky, I. Sutskever, and G. E. Hinton. Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (NIPS), 2012. - C. 1097-1105.

25. T. Mikolov, A. Deoras, D. Povey, L. Burget, and J. Cernocky. Strategies for training large scale neural network language models. In IEEE Workshop on Automatic Speech Recognition and Understanding (ASRU), pages 196-201, 2011.

26. Бакало, M.A. Концепция моделей искусственных нейронных сетей [Текст] / М.А. Бакало, В.М. Курейчик // Перспективные информационные технологии и интеллектуальные системы. - 2014. - Т. 10. - №6. - С. 36-39.

27. Тютин, М.В. Моделирование нелинейных процессов с использованием нейронных сетей [Текст] / М.В. Тютин, А.В. Барабанов //

Современные проблемы информатизации в моделировании и анализе сложных систем,- 2007.- №12. - С. 202-203.

28. Freeman, James A. Neural networks : algorithms, applications, and programming techniques [Текст] / James A. Freeman, David M. Skapura // Addison-Wesley Publishing Company. 1991 г. - C. 103-106.

29. Тютин M.B. Аппаратно-программный комплекс для автоматизированного анализа технологических процессов [Текст] / М.В. Тютин, В.Ф. Барабанов, В.Я. Черных // Вестник Воронежского государственного технического университета.- 2007.- Т. 3. -№1. - С. 60-66.

30. LeCun, Y. Scaling learning algorithms towards AI / Y. LeCun, Y. Bengio. Snowbird, Utah: MIT Press, 2007.

31. LeCun, Y. Gradient Based Learning Applied to Document Recognition / Y. LeCun, L. Bottou, P. Haffner. Snowbird, Utah: IEEE Press, 1998. - C.46.

32. Хайкин, С. Нейронные сети: полный курс [Текст] / С. Хайкин. -М.: Вильяме, 2006. - С. 1104.

33. Солдатова, О.П. Применение сверточной нейронной сети для распознавания рукописных цифр [Текст] / О.П. Солдатова, А.А. Гаршин // Компьютерная оптика. - 2010. - Т. 34. - №2. - С. 252-259.

34. Fukushima, K. A Neural Network for Visual Pattern Recognition [Текст] / K. Fukushima. - Computer, 1988. - С. 65-75

35. NeuroSolutions [Электронный ресурс]. - Режим доступа: URL: http://nnm.me/blogs/sam777/neurosolutions_v503_developer_edition (дата обращения: 26.01. 2016).

36. Боровиков, В.М. Нейронные сети. Statistica Neural Networks [Текст] / В.М. Боровиков. СПб. : Питер, 2013. - № 6 - С. 816.

37. IBM Rational Process Advisor: Интеграция процесса разработки ПО при помощи инструментов разработки и тестирования IBM Rational v7/

[Электронный ресурс]. - Режим доступа: URL:

http://www.interface.ru/home.asp?artId=5362 (дата обращения: 26.01. 2015).

38. Большая энциклопедия нефти и газа: нейропакет [Электронный ресурс]. - Режим доступа: URL: http://www.ngpedia.ru/id183242p4.html (дата обращения: 26.01. 2016).

39. Большая энциклопедия нефти и газа: Структура- нейронная сеть [Электронный ресурс]. - Режим доступа: URL: http://www.ngpedia.ru/id489575p1.html (дата обращения: 26.01. 2016).

40. StatSoft Russia [Электронный ресурс]. - Режим доступа: URL: http://www.statsoft.ru/ (Дата обращения 26.01.2016)

41. Сибирские Информационные технологии. Обзор Statistica [Электронный ресурс]. - Режим доступа: URL: http ://www.sibinfox.ru/index/preimushhestva_statistica/0-3157 (Дата обращения 26.01.2016)

42. Серебренников, А. Л., Сравнительный анализ нейросетевых пакетов и место среды Significo среди них. Краткое описание среды [Электронный ресурс] А. Л. Серебрянников. - Режим доступа: URL: http://www.iis.nsk.su/files/articles/sbor_kas_13_serebrennikov_2.pdf (дата обращения: 26.01. 2015).

43. Уоссермен, Ф. Компьютерная техника, теория и практика [Текст] / Ф. Уоссермен. Norwood, 1992.- С. 270.

44. Новиков, И. С., Обзор нейросетевого программного обеспечения [Электронный ресурс] И. С. Новиков. - Режим доступа: URL: http://vlasov.iu4.bmstu.html (дата обращения: 26.01. 2015).

45. Нейронные сети [Электронный ресурс]. - Режим доступа: URL: ole-u.cefb.html (дата обращения: 26.01. 2016).

46. Горбань, А.Н. Нейроинформатика [Текст] / А.Н. Горбань В.Л. Дунин-Барковский, А.Н. Кирдин. Новосибирск: Наука. Сиб. отд-ние РАН, 1998. — 296 с.

47. Быстродействие и вычислительная мощность STATISTICA [Электронный ресурс]. - Режим доступа: URL: http ://www.statsoft.ru/products/overview/performance-of-statistica.php (дата обращения: 26.01. 2016).

48. Барабанов, В. Ф. Программно-аппаратный комплекс для автоматизации процесса классификации разногабаритных компонентов [Текст] / В. Ф. Барабанов, М. С. Резуев, Н. И. Гребенникова // Вестник Воронежского государственного технического университета. -2013.- Т. 9. -№4. - С.93-97.

49. Подвальный, С.Л. Информационно- управляющие системы мониторинга сложных объектов [Текст] / С.Л. Подвальный. Воронеж: Научная книга, 2010. - С.164.

50. Нужный, A.M. Система автоматизированного размещения технологического оборудования с использованием генетического алгоритма [Текст] / A.M. Нужный, Н.И.Гребенникова// Системы управления и информационные технологии. -2008. -№ 4.1 -Т.34. -С. 185-187.

51. Кении, С.Л. Проблемы трансляции графических данных CAD-систем [Текст] / С.Л. Кении, В.Ф. Барабанов, A.M. Нужный, Н.И. Гребенникова // Вестник Воронежского государственного технического университета. -2013. -Т. 9. -№3. С. 4-8.

52. Гунькин, В. А. Зависимость изменчивости длины зерновки пшеницы от ее формы [Текст] / В. Гунькин, Г. Карпиленко, А. Сорокин // Хлебопродукты. - 2009. - № 11. - С. 50-51.

53. Бакуль, В. Н. Число зерен в одном карате - одна из важнейших характеристик алмазного порошка [Текст] / В.Н. Бакуль // Синтетические алмазы. - 1976. - Вып. 4. - С. 22-27.

54. Бакуль, В. Н. Определение числа частиц в одном карате алмазного порошка [Текст] / В.Н. Бакуль. Киев: УкрНИИН-ТИ, 1966. - С. 10.

55. Справочник по алмазной обработке [Текст] / В.Н. Бакуль, И.П. Захаренко, Я.А. Кункин, М.З. Мильштейн.- К.: Техника. -1971. - С. 208.

56. Лавриненко, В. И. Модели формы зерен СТМ [Текст] / В.И. Лавриненко, A.A. Шепелев, Г.А. Петасюк // Сверхтвердые материалы -1994. -№ 5/6. - С. 18-21.

57. Паничкина, В. В. Методы контроля дисперсности и удельной поверхности металлических порошков [Текст] / В.В. Паничкина, И.В. Уварова. -К.: Наук. думка. -1973. - С. 167.

58. Лошак, М. Г. Экспертиза и диагностика сверхтвердых материалов и твердых сплавов [Текст] / М.Г. Лошак // 1нструмен. св1т. - 2002. - № 2(14). -С. 38-40.

59. ДСТУ 3292-95. Порошки алмазш синтетичнг Загальш техшчш умови [Текст] -К.: Вид-во Держстандарту Украши, 1995. - Увед. 01.01.96.

60. Кушка, В.Н. Кубовидный щебень. Девять лет спустя [Текст] / В.Н. Кушка // Строительные материалы. - 2010. - № 6. - С. 20-21.

61. Проблемы развития автодорожного комплекса [Текст] // Инновации. Технологии. Решения. -2007. - № 6. - С. 26-28.

62. Королев, И.В. Пути экономии битума в строительстве [Текст] / И.В. Королев. - М. : Транспорт,1988. - С. 149.

63. Веник, В.Н. Совершенствование расчётного метода оценки удельной поверхности кубовидного щебня [Текст] / В.Н. Веник, О.И. Недавний, С.П. Осипов, A.A. Ковалев // Известия высших учебных заведений. Строительство. - 2011. - № 7. - С. 46-53.

64. Веник, В.Н Экспериментально-расчётный метод оценки площади боковой поверхности кубовидного щебня [Текст] / В.Н. Веник, О.И. Недавний, С.П. Осипов, A.A. Ковалев // Вестник ТГАСУ. - 2011. - № 4. - С. 166-172.

65. Колмогоров, А.Н. Теория вероятности и математическая статистика / А.Н. Колмогоров. - М. : Наука, 1986. - С. 535.

66. Веник, В.Н Математическая модель геометрических параметров щебня для асфальтобетона [Текст] / В.Н. Веник, О.И. Недавний, С.П. Осипов, И.Г. Ядренкин // Вестник ТГАСУ. - 2013. - № 1. - С. 139-148.

67. Корн, Г. Справочник по математике для научных работников и инженеров / Г. Корн, Т. Корн. - М. : Наука, 1974. - С. 832.

68. Кириллов, Ф.Ф. Статистический подход к оценке параметров крупнозернистой составляющей глинистой галечно-гравийной среды / Ф.Ф. Кириллов, С.П. Осипов // Известия высших учебных заведений. Строительство.

- 2007. - № 3. - С. 102-107.

69. Кукин, A.B. О производстве щебня из вскрышных пород [Текст] / A.B. Кукин // Горный информационно-аналитический бюллетень. - 2007. - № 7.

- С. 263-267.

70. Anders, U. Model selection in neural networks [Текст] / U. Anders, O. Korn // Neural Networks. - 1999. - №12. - C. 309-323

71. Тарасов, Ю.Д. Повышение качества щебня исправлением лещадных зёрен [Текст] / Ю.Д. Тарасов, А.Ф. Прялухин, Ю.М. Энкин, В.Г. Бальков // Строительные материалы. - 1999. - № 1. -С. 12-13.

72. Медведев, B.C. Нейронные сети. MATLAB 6. [Текст] / B.C. Мендведев // Диалог- МИФИ, 2002. - С. 496.

73. Обучение нейронных сетей [Электронный ресурс] / URL: http://navneuronet.narod.ru/train.htm (дата обращения: 13.02. 2015).

74. Благовещенский, Ю. Тайны корреляционных связей в статистике [Текст] / Ю. Благовещенский. — М.: Научная Книга, Инфра-М, 2009. — С. 158

75. Баллод, Б. А. Нейронные сети «Интеллектуализация информационных систем» / Б.А. Баллод // Методические указания к

выполнению лабораторных работ по курсу - Ивановский государственный энергетический университет им. В.И. Ленина. - Иваново, 2007. - С. 31-33

76. Барабанов, В.Ф. Разработка структуры программно-аппаратного комплекса для процесса классификации сыпучего материала [Текст] / В.Ф. Барабанов, М.С. Резуев // Информационные технологии моделирования и управления. -2013. -№2(80). - С. 149-153.

77. Барабанов, А. В. Применение нейронных сетей для прогнозирования процесса классификации разногабаритных компонентов [Текст] / A.B. Барабанов, Н.И. Гребенникова, М.С. Резуев // Вестник Воронежского государственного технического университета. -2013. -Т. 9. -№6(1). - С. 28-30.

78. Резуев, М.С. Разработка программно- аппаратной системы для 3D моделирования и прогнозирования размеров разногабаритных компонентов [Текст] / М.С. Резуев, A.B. Барабанов, Н.И. Гребенникова // Вестник Воронежского государственного технического университета. -2014. -Т. 10. -№4 - С. 9-12.

79. Резуев, М.С. Применение нейронных сетей для прогнозирования процесса классификации разногабаритных компонентов [Текст] / М.С. Резуев // Международный научно-исследовательский журнал. -2014. -№1(20) -С. 83-85.

80. Barabanov, A.V., Application of neural networks for predicting the process of classification of different size components / A.V. Barabanov, N.I. Grebennikova, M.S. Rezuev //Антропоцентрические науки: инновационный взгляд на образование и развитие личности. -2014. -№1(10). - С. 572-576.

81. Барабанов, В. Ф. Применение нейронных сетей для прогнозирования процесса классификации разногабаритных компонентов [Текст] / В.Ф. Барабанов, М.С. Резуев // Наука, образование, общество: тенденции и перспективы. -2014. -№4. - С. 90-94.

82. Резуев, М.С. Программно-аппаратный комплекс для 3D моделирования и визуализации динамических квазисимметричных объектов [Текст] / М.С. Резуев // Естественные и технические науки в современном мире: Chronos. -2016. -№1 - С. 13-18.

83. Резуев, М.С. Программно-информационное обеспечение процесса 3-D моделирования и классификации динамических квазисимметричных объектов [Текст] / М.С. Резуев // Материалы для участия международной конференции научного журнала «GLOBUS». -2016. -№5 - С. 27-31.

84. Пат. 2521215 Российская Федерация, МПК B07C5/34, B07B13/00. Оптоволоконный лазерный сортировщик / Чуйко Г. В., Шульгин В. А., Бабишов Э. М., Гольдфарб В. А., Минаков Д.А., Пахомов Г.В., Соколова A.B., Стрыгин В. Д., Чуриков А. А.; заявитель и патентообладатель: Г. В. Чуйко. - № 2012156324/03; заявл. 24.12.12; опубл. 20.08.02, Бюл. № 18-1 с.

85. Алгазинов, Э.К. Методы распознавания элементов зерновых примесей по результатам измерения спектральных характеристик в системах сепарации реального времени [Текст] / Э.К. Алгазинов, М.А. Дрюченко, Д.А. Минаков, Сирота A.A., В.А. Шульгин // Измерительная техника. -2014. -№1. -С. 36-41.

86. Ефименко B.C. Применение нейронных сетей в задачах оптимальной фильтрации / B.C. Ефимен- ко, В.Н. Харисов, Е.Г. Стребков // Радиотехни- ка. - 2000, № 7. - С. 56-61.

87. Сирота A.A. Нейросетевые и статистически оптимальные алгоритмы принятия решений в зада- чах высокоточной координатометрии и обработки изображений / A.A. Сирота, Э.А. Кирсанов, О.В. Маслов // Сборник трудов III Международной конференции «Идентификация систем и задачи управления» - М.: Институт проблем управления им. В.А. Трапезникова РАН, 2004. - С. 1629-1652.

88. Кирсанов Э.А. Обработка информации в пространственно распределенных системах радиомониторинга: статистичекий и нейростевой подходы / Э. А. Кирсанов, A.A. Сирота. - М.: ФИЗМАТЛИТ, 2012, 344 с.

89. Перов А.И. Особенности синтеза устройств обнаружения и оценки параметров сигнала нейросетевыми методами / А.И. Перов, Г.Г. Соколов // Радиотехника. - 2001, № 7. - С. 22-29.

90. Резуев М. С., Барабанов А. В. Программа для обеспечения процесса классификации 3 D-моделирования разногабаритных материалов. - Св-во о гос. регистрации программы для ЭВМ. М.: ФИПС, 2016. № 2014619427 от 24.07.2014.

91. Резуев М. С. Модуль управления процессом классификации квазисимметричных объектов. - Св-во о гос. регистрации программы для ЭВМ. М.: ФИПС, 2016. № 2016615312 от 19.05.2016.

92. Резуев М. С. Модуль визуализации квазисимметричных объектов. -Св-во о гос. регистрации программы для ЭВМ. М.: ФИПС, 2016. № 2016615215 от 18.05.2016.

93. Резуев, М.С. Интеллектуализация принятия решений в системе управления процессом динамической классификации квазисимметричных объектов [Текст] / М.С. Резуев // Экономика и менеджмент систем управления. -2016. - №3.1(21). - С. 191-198.