Метод редукции ошибок нечетких решений в продукционных моделях знаний интерактивных тренажеров тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат технических наук Жиряков, Сергей Михайлович

• Жиряков, Сергей Михайлович
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Жиряков, Сергей Михайлович

ВВЕДЕНИЕ.

1. АНАЛИЗ МЕТОДОВ РЕШЕНИЯ СЛАБО ФОРМАЛИЗУЕМЫХ ЗАДАЧ В ИНФОРМАЦИОННЫХ СИСТЕМАХ С КОМПОНЕНТОЙ ОБЪЯСНЕНИЯ.

1.1 Методы, использующие экспертную модель слабо формализуемой задачи.

1.2 Методы, использующие алгоритмы анализа обучающей выборки решений.

1.3 Гибридные методы решения слабо формализуемых задач.

1.4 Краткие выводы.

2. МЕТОД РЕДУКЦИИ ОШИБОК НЕЧЕТКИХ РЕШЕНИЙ В ПРОДУКЦИОННЫХ МОДЕЛЯХ ЗНАНИЙ.

2.1 Методика коррекции решения слабо формализуемых задач.

2.1.1 Редукция ошибок в экспертных системах интерактивных тренажеров.

2.1.2 Формализация зависимостей параметров слабо формализуемой задачи.

2.1.3 Определение переменных и построение продукционных правил модели слабо формализуемой задачи.

2.1.4 Модифицированный алгоритм нечеткого вывода Суджено с автокоррекцией по прецедентам.

2.2 Логико-лингвистическая модель редукции ошибок.

2.2.1 Построение зон решения на основе множества частных решений.

2.2.2 Вычисление поправки в зоне решения.

2.2.3 Определение переменных и построение правил модели редукции ошибок.

2.3 Анализ модифицированного алгоритма нечеткого вывода Суджено.

2.3.1 Оценка асимптотической временной сложности алгоритма.

2.3.2 Оценка асимптотической емкостной сложности алгоритма.

2.3.3 Проверка условий корректности алгоритма.

2.4 Краткие выводы.

3. ПРОГРАММНО-АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ КОРРЕКЦИИ РЕШЕНИЯ СЛАБО ФОРМАЛИЗУЕМЫХ ЗАДАЧ ДЛЯ ИНФОРМАЦИОННЫХ СИСТЕМ

ИНТЕРАКТИВНЫХ ТРЕНАЖЕРОВ.

3.1 Структура разработанного программного обеспечения.

3.2 Модифицированный алгоритм нечеткого вывода решения Суджено с возможностью коррекции по прецедентам.

3.3 Основные алгоритмы учета прецедентов решений в присоединенной модели редукции ошибки.

3.2.1 Алгоритм построения зон поправок решения.

3.2.2 Алгоритм расчета параметров правил присоединенной модели поправки решения.

3.3 Краткие выводы.

4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ РАЗРАБОТАННОГО АЛГОРИТМИЧЕСКОГО И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ.

4.1. Обоснование выбора задачи для проведения вычислительного эксперимента.

4.2. Анализ особенностей формализации задачи выполнения вертикального маневра самолета для преследования цели на вираже.

4.3. Постановка и проведение вычислительного эксперимента.

4.3.1. Определение начальных условий проведения вычислительного эксперимента.

4.3.2.Построение нечеткой логико-лингвистической модели задачи выполнения вертикального маневра самолета для преследования дели на вираже.

4.3.3.Определение показателей качества выполнения вертикального маневра самолета для преследования цели на вираже.

4.3.4.Схема проведения вычислительного эксперимента.

4.3.5.Сравнительный анализ результатов вычислительного эксперимента.

4.4 Краткие выводы.

ВЫВОДЫ.

Введение диссертации (часть автореферата) на тему «Метод редукции ошибок нечетких решений в продукционных моделях знаний интерактивных тренажеров»

В настоящее время для повышения уровня подготовки операторов сложных технических систем все чаще используют интерактивные тренажерные комплексы, позволяющие исключить эксперта-инструктора в процессе тренировки (например, при подготовке летчиков военной и гражданской авиации, операторов ситуационных центров и др.).

Для автоматизированного анализа действий оператора, выявления ошибок и формирования рекомендаций по их устранению интерактивный тренажер содержит экспертную систему, основанную на слабо формализуемых экспертных эвристиках, описывающих на языке, близком к естественному, правила принятия управляющих воздействий и правила анализа действий оператора. В таких условиях функция решения, с которой сравниваются действия оператора, не всегда может быть получена с практически приемлемой погрешностью. Это приводит к возникновению ситуаций, в которых при заданных входных данных экспертная система формирует решение с неприемлемой погрешностью, то есть возникает ошибочный прецедент решения. Поэтому для сохранения адекватности анализа действий оператора на тренажере необходимо редуцировать ошибки вывода экспертной системы. Особенностью экспертных систем интерактивных тренажеров является требование соответствия понятий и правил, используемых в базе знаний, принятой в практике модели предметной области. Неизменность определений понятий и правил базы знаний необходима для сохранения их семантического содержания при взаимодействии с оператором. Поэтому особую актуальность приобретает проблема разработки метода редукции погрешностей в результатах вывода экспертных систем при решении слабо формализуемых задач в условиях неизменности исходных экспертных определений и эвристик.

Широкое практическое применение интерактивных тренажеров, функционально позволяющих заменить инструктора в процессе тренировки, сдерживается отсутствием методов уменьшения погрешности решения слабо формализуемых задач при сохранении начальных экспертных определений и эвристик.

В разработку методов поиска решения в условиях слабой формализации экспертных знаний внесли вклад многие отечественные и зарубежные ученые, такие как Аверкин А.Н, Астанин C.B., Беркинблит Н.Б., Галушкин А.И., Кохонен Т., Круглов В.В., Куинлен Р., Минский М., Недосекин A.A., Попов Э.В, Поспелов Д.А, Усков A.A., Ярушкина Н.Г., Haykin S., Kosko В., Mamdani Е.А., Sugeno M., Tsucamoto Y., Zadeh L.A.

Применение известных методов поиска решения в условиях слабой формализации экспертных знаний при необходимости коррекции результатов решения, как правило, требует обработки обучающей выборки прецедентов решений, определяющих описание ситуации принятия решения и требуемого решения. Однако обработка прецедентов приводит к модификации начальной модели задачи, что при интерактивном анализе действий обучаемого на тренажере приводит к неприемлемому усложнению объяснения решений и интерпретации сообщений тренажера в процессе тренировки. Модификация вводимых экспертом определений понятий и правил поиска решения (эвристик) приводит к потере их семантического содержания и корректности обучения на тренажере.

Поэтому для интерактивных тренажеров актуальна разработка метода коррекции результатов вывода экспертных систем, основанных на слабо структурируемых знаниях, который учитывает контрольные прецеденты решения задачи, но не модифицирует понятия и правила поиска решения, вводимые экспертом в базу знаний тренажера.

Цель и задачи работы

Разработка и исследование метода и алгоритмов редукции ошибок решения слабо формализуемых задач в условиях неизменности начальных экспертных оценок.

Для достижения указанной цели были поставлены следующие основные задачи: провести анализ основных методов решения слабо формализуемых задач и методик снижения погрешности решения в условиях преобладания переменных, измеримых метрической шкалой или шкалой порядка; разработать модель редукции ошибок для учета прецедентов решения слабо формализуемой задачи, дополняющую начальную экспертную модель задачи без изменения ее семантического содержания; разработать алгоритм вывода решения на основе слабо формализуемых знаний, использующий модель редукции ошибок для коррекции результатов вывода в окрестностях точек частных решений; разработать программное обеспечение, реализующее алгоритмы вывода решения, обработки частных решений и построения модели редукции ошибок; провести численные эксперименты с целью подтвержден ия правильности полученных теоретических результатов и проверки разработанных алгоритмов.

Объект и предмет исследования

Объектом исследования являются методы и алгоритмы решения слабо формализуемых задач логико-лингвистической формализации с преобладанием переменных, измеримых порядковой или метрической шкалой.

Предметом исследования являются методики, модели и алгоритмы редукции ошибок решения, полученного на основе слабо формализованных знаний, при условии сохранения начальных экспертных оценок.

Методы исследований

Для достижения поставленной в работе цели применялась теория нечеткой логики и нечетких множеств, методы линейной алгебры, математический аппарат теории множеств, продукционная модель представления знаний.

При разработке алгоритмического обеспечения применялись методы объектно-ориентированного программирования с использованием интегрированной среды разработки Microsoft Visual Studio 2008.

Научная новизна

Научная новизна диссертационной работы заключается в разработке нового метода редукции ошибок нечеткого решения слабо формализуемых задач в условиях неизменности начальных экспертных оценок.

При выполнении диссертационной работы получены следующие основные новые научные результаты, выносимые на защиту:

- предложена нечеткая продукционная модель редукции ошибок, учитывающая требования коррекции решения слабо формализуемой задачи на основе прецедентов решений;

- осуществлена модификация алгоритма нечеткого вывода Суджено, обеспечивающая локальную коррекцию ошибок решения слабо формализуемой задачи в условиях неизменности начальных экспертных оценок;

- разработан алгоритм анализа прецедентов решения слабо формализуемой задачи, обеспечивающий построение обобщенных функций Фабера-Шаудера для локальной поправки решения;

- разработан алгоритм построения продукционных правил модели редукции ошибок, обеспечивающий вычисление поправок на этапе логического вывода модифицированного алгоритма Суджено.

Практическая значимость работы

Практическая значимость диссертационной работы заключается в разработке программной реализации метода редукции ошибок решения слабо формализуемых задач, которая может быть использована при проектировании программного обеспечения интерактивных тренажеров, обеспечивающего анализ и оценку действий обучаемого без привлечения инструктора с использованием слабо формализуемых экспертных эвристик. Предложенный метод адаптации слабо формализуемых (нечетких) знаний экспертов к обучающим прецедентам решения позволяет уменьшать ошибки в выводе экспертных подсистем тренажера без модификации начальных экспертных оценок и изменения модели решаемой задачи. Результаты работы могут быть использованы для реализации новых интерактивных режимов обучения на тренажерах при подготовке летчиков военной и гражданской авиации, операторов ситуационных центров и сложных технических систем.

Апробация и внедрение результатов работы

Результаты работы внедрены в ОАО «Российская самолетостроительная корпорация «МиГ»» в виде программного модуля тренажера самолета МиГ-29К.

Основные результаты работы докладывались и обсуждались на XVI международной конференции по вычислительной механике и современным прикладным программным системам (ВМСППС) (Алушта, 2009 г.), международной конференции «Вычислительная математика, дифференциальные уравнения, информационные технологии» (г.Улан-Удэ, 2009 г.), ХГП научно-практическом семинаре "Новые информационные технологии в автоматизированных системах" (Москва, 2010 г.).

Публикации по теме диссертации

По теме диссертации опубликовано 9 печатных работ (из них 3 статьи в ведущих рецензируемых научных изданиях, рекомендованных ВАК). В работах, выполненных в соавторстве, Жирякову С.М. принадлежат результаты, относящиеся к разработке метода редукции ошибок решения слабо формализуемых задач в условиях неизменности начальных экспертных оценок.

Получено 1 свидетельство об официальной регистрации программы для ЭВМ.

Структура и объем диссертации

Диссертационная работа состоит из введения, четырех глав, заключения, приложения и библиографического списка литературы из 77 наименований. Содержит 177 страниц, 33 рисунка, 17 таблиц, 16 приложений.

Заключение диссертации по теме «Теоретические основы информатики», Жиряков, Сергей Михайлович

Выводы

В результате выполнения диссертационной работы получены следующие основные результаты:

1. Разработан метод редукции ошибок нечетких решений, позволяющий достигать требуемых значений показателей качества решения слабо формализуемой задачи при неизменности начальных экспертных определений в базе знаний;

2. Построена модель редукции ошибок, использующая прецеденты решения задачи и дополняющая ее начальную экспертную модель;

3. Разработана модификация алгоритма нечеткого вывода Суджено, использующая модель редукции ошибок для коррекции результатов нечеткого вывода в окрестностях контрольных точек прецедентов решения;

4. Полученные теоретические результаты и программная реализация разработанных алгоритмов применены для решения практической задачи анализа качественного маневра «верхний двойной вираж» и внедрены в ОАО «РСК «МиГ» в программное обеспечение тренажера самолета МиГ-29К. Применение модели редукции ошибок позволило улучшить значение показателей качества анализа траектории в среднем на 5.20% по сравнению с упрощенным алгоритмом нечеткого вывода и алгоритмом нечеткого вывода Суджено;

5. Разработанный метод редукции ошибок позволяет расширить класс задач подготовки операторов на интерактивных тренажерах без привлечения инструктора за счет использования в лингвистической форме слабо формализуемых экспертных эвристик при анализе действий оператора.

156

Список литературы диссертационного исследования кандидат технических наук Жиряков, Сергей Михайлович, 2011 год

1. Аверкин А.Н., Блишун А.Ф., Батыршин И.В. Приобретение и формализация знаний/ Под ред. Д.А.Поспелова //Искусственный интеллект: Справочник.- М.: Радио и связь, 1990,- Кн.2. Модели и методы.- С.65-76.

2. Айвазян С.А. Прикладная статистика и основы эконометрики М.:Юнити, 2001,- 432с.

3. Алексахин C.B. Прикладной статистический анализ данных. Теория. Компьютерная обработка. Области применения.- М.: ПРИОР, 2002,- 688с.

4. Алещенко В., Зданович С. Сверхманевренность самолетов //Авиация и космонавтика. Вчера. Сегодня. Завтра.- 2000.-№9.-С.1-7.

5. Амосов.А.А. Вычислительные методы для инженеров.-М.:Высшая школа, 1994. -544с.

6. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов/Пер. Слисенко А.О. -М.:Мир,1979. -536с.

7. Борисов А.Н., Алексеев A.B., Крумберг O.A. Модели принятия решений на основе лингвистической переменной.- Рига: Зинатне, 1982 256 с.

8. Борисов А.Н., Крумберг O.A., Федоров П.П. Принятие решений на основе нечетких моделей,-Рига: Зинатне, 1990 184 с.

9. Борисов В.В., Круглов В.В., Федулов A.C. Нечеткие модели и сети-М.:Издательство «Горячая линия Телеком», 2007- 284с.

10. Буч Г., Рамбо Дж., Якобсон А. Язык ЦМЬ.Руководство пользователя.-2-е изд.,стер ,-М.:ДМК Пресс,2004,- 432с.

11. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем,- СПб.: Питер, 2000 .- 384с.

12. Гупал А. М., Пономарев A.A., Цветков A.M. Об одном методе индуктивного вывода с подрезанием деревьев решений// Кибернетика и системный анализ 1993 - № 5-С. 174-178.

13. Джексон П. Введение в экспертные системы -3-е изд.- М.: Издательскийдом «Вильяме», 2001- 624с.

14. Долгополов Ю., Серегин Г. Использование современных интеллектуальных технологий в авиатренажерах // Аэрокосмическое обозрение .- 2005 .- №2 .- С.58-60.

15. Дрейпер Н., Смит Г. Прикладной регрессионный анализ.-М.: Издательский дом «Вильяме», 2007 912с.

16. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. — М.: Мир, 1976 165с.

17. Ильин В., Левин М. Истребители М.: Виктория, ACT, 1996 - 227с.

18. Кашин Б.С., Саакян A.A. Ортогональные ряды- изд.2, доп.— М.:АФЦ,1999.- 560с.

19. Колмогоров А.Н., Драгалин А.Г. Математическая логика,-М.:КомКнига,2006 240с.

20. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных// Докл. АН СССР,- 1956,- Т. 108, No. 2.- С.179-182.

21. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одного переменного и сложения // Докл. АН СССР .- 1957,- Т. 114.- С.953-956.

22. Колмогоров А. Н. Основные понятия теории вероятностей М.: Фазис, 1998.-144с.

23. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры .- 2-е изд.— М.:Издательство МГТУ им. Баумана,2004.^400с.

24. Кормен Т.Х., Лейзерсон Ч.И. Алгоритмы: построение и анализ. -М.:Вильямс, 2005 . 1296с.

25. Краснов.А. Эволюция воздушного боя истребителей// Зарубежное военное обозрение-1997 -№6 -С. 32-38.

26. Краснов А. Б. Секреты неотразимых атак. -М.: Воениздат, 1991. 272с.

27. Круглов В.В., Дли М.И. Нечеткая логика и искусственные нейронныесети.-М.: Физматлит,2001.-224с.

28. Левицкий С. В. Анализ летных характеристик и оценка боевых возможностей истребителя пятого поколения F-22A// Наукоемкие технологии: науч.-техн. журн-2009-Т.10,№ 2.-С.10-18.

29. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой М.: Наука, 1990 - 272с.

30. Медников В.Н., Динамика полета и маневрирование самолета-М.:Монино,1976.-386с.

31. Микони C.B. Взаимодействие БЗ и системы выбора// Интеллектуальное управление: новые информационные технологии в задачах управления,-М.: Наука,1999,-С.68-72.

32. Минский М. Фреймы и представление знаний. М.:Энергия, 1979 150с.

33. Нариньяни А., Яхно Т. Продукционные системы //Представление знаний в человеко-машинных и робототехнических системах,- М.: ВИНИТИ, 1984-Том А. С.136-177.

34. А.И. Орлов. Теория принятия решений М.: Экзамен,2005 - 656с.

35. Осипов Г.С. Приобретение знаний интеллектуальными системами: Основы теории и технологии.- М.:Наука, 1997,- 112с.

36. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. - 344с.

37. Осуга С. Обработка знаний: пер. с япон. М.: Мир, 1989. - 293с.

38. Петров В. Маневрирование в ближнем бою//Зарубежное военное обозрение.- 1985-№1- С.53-57.

39. Поспелов Д.А. Логико-лингвистические модели в системах управления.

40. M.: Энергоиздат, 1981 -232c.

41. Правиц Д. Натуральный вывод. -М.:Лори, 1997. 107с.

42. Рассел С., Норвиг П. Искусственный интеллект: современный подход (AIMA).- 2-е изд.-M.: Издательский дом «Вильяме»,2007 -1408с.

43. Родико В. Ближний воздушный бой никто не отменял //Независимое военное обозрении.-2006.-№10-С.9-13.

44. Романова В.Д., Федунов Б.Е., Юневич Н.Д. Исследовательский прототип БОСЭС «Дуэль» // Изв. РАН. Теория и системы управления -1995 № 5-С.117-121.

45. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы- М.: Горячая Линия -Телеком, 2006 452с.

46. Саати Т. Принятие решений. Метод анализа иерархий.-М. :Радио и связь,1993.-278с.

47. Себер Дж. Линейный регрессионный анализ. -М.: Мир, 1980,- 286с.

48. Селменский Я. Особенности воздушного боя современных истребителей/ЯСрылья Родины 2002.-№ 1.-С.14-19.

49. Сидельников Ю.В. Теория и организация экспертного прогнозирования-М.: ИМЭМО АН СССР, 1990,- 195с.

50. Смирнов В.А.Теория логического вывода: Сборник трудов по теории логического вывода,-М.: РОССПЭН, 1999,- 318с.

51. Смирнов В., Комаров А. Его стихия ближний бой //Красная звезда.-1996,февраль.-С.7-10.

52. Тархов Д.А. Нейронные сети. Модели и алгоритмы.-М.Радиотехника, 2005.-256с.

53. Усков A.A., Круглов В.В. Интеллектуальные системы управления на основе методов нечеткой логики- Смоленск: Смоленская городская типография, 2003,- 177с.

54. Уэно X. Исидзука М.Представление и использование знаний: Пер. сяпон.-М.: Мир, 1989.- 220с.

55. ФоминА. Су-27.-М.:Гончаръ-Ро^оп, 1993-57с.

56. Хайкин С. Нейронные сети: полный курс, 2-е изд.-М.: Вильяме,2010-1104с.

57. Ширяев А.Н. Элементарная теория вероятностей. Математические основания. Предельные теоремы- М.: МЦНМО,2007- 520с-(Вероятность: в 2 т.; т.1).

58. Ширяев А.Н. Суммы и последовательности случайных величин -стационарные, мартингалы, марковские цепи. М.: МЦНМО,2007 .-480с - (Вероятность: в 2 т.; т.2).

59. Ясницкий JI.H. Введение в искусственный интеллект.-М.:Издательский центр «Академия», 2005 .- 176с.

60. Ярушкина Н.Г. Основы теории нечетких и гибридных систем.-М.:Финансы и статистика,2004.-320с.

61. Bonanni P. The Art Of The Kill.- California : Spectrum HoloByte,1993 ,-165p.

62. Breiman L., Friedman J.H. Classification and Regression Trees.-Belmont(Califomia): Wadsworth International Group, 1984.-368p.

63. Castro J.L. Fuzzy Logic Controllers Are Universal Approximators// IEEE Transactions On Systems, Man, And Cybernetics .-1995.- V. 25, №4,- P.629-634.

64. Cybenko G. Approximation by Superpositions of a Sigmoidal Function // Mathematical Control Signals Systems.- 1989.-№2.-P 303-314.

65. Funahashi K.I. On the Approximate Realization of Continuous Mappings by Neural Networks// Neural Networks.- 1989,- V. 2, № 3.- P.l 83-192.

66. Herrera F., Magdalena L. Genetic fuzzy systems Tutorium// IFSA- Prague, 1997.-P. 221-248.

67. Hornick K., Stinchcombe M., White H. Multilayer Feedforward Networks are Universal Approximators//Neural Networks 1989-V. 2, № 5.-P. 359-366.

68. Kohonen T. Self-Organizing Maps(2-nd edition).- Berlin: Springer1. Verlag,1997- 426s.

69. Kosko B. Fuzzy systems as universal approximators I I IEEE Transactions on Computers.- 1994, November.-V. 43, №11-P. 1329-1333.

70. Kruse R., Gebhardt J., Klawonn F. Foundations of Fuzzy Systems-New York: John Wiley and Sons Ltd.,1994,- 278p.

71. Mamdani E.H., Assilian S. An experiment in linguistic synthesis with a fuzzy logic controller// Int. J. Man Mach. Studies.- 1975,- Vol. 7, No. 1.- P. 1-13.

72. Quinlan J.R. Introduction of decision tree// Machine Learning-1986 Vol.1 .P. 81-106.

73. Quinlan J.R. C4.5 : Programs for Machine Learning San Mateo(CA): Morgan Kaufmann Publishers, 1993,- 240p.

74. Shaw L.R.Fighter Combat.The art and science of air-to-air combat-Annapolis: Military & War/Vehicles & Transportation, 1998 460p.

75. Sugeno M., Kang G.T. Structure identification of fuzzy model//Fuzzy Sets Syst 1988 .-Vol. 28, №1.-P. 15-33.

76. Wang L.X. A Course in Fuzzy Systems and Control.-New Jersey:PTR Prentice Hall, 1997.-424p.

77. Zadeh L. Fuzzy Sets // Information and Control- 1965.-June,№8(3).-P.338-353.