Робастные модели обнаружения аномальных измерений для мобильного измерительного комплекса лесозаготовительного производства тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Гоголевский, Анатолий Сергеевич

• Гоголевский, Анатолий Сергеевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Гоголевский, Анатолий Сергеевич

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ----------------------------------------------------------------------------------------5

ГЛАВА 1 АНАЛИЗ И ПОСТАНОВКА ЗАДАЧИ ОБНАРУЖЕНИЯ АНОМАЛЬНЫХ ИЗМЕРЕНИЙ В МОБИЛЬНОМ ИЗМЕРИТЕЛЬНОМ КОМПЛЕКСЕ------------------------------------------------------------------------------------12

1.1 Область применения системы обнаружения аномальных измерений------12

1.2 Актуальность и постановка задачи-------------------------------------------------15

1.3 Формальная постановка задачи-----------------------------------------------------16

1.4 Распознавание образов. Классические методы статистического

анализа обнаружения аномальных измерений------------------------------------------18

1.4.1 Классификация. Стандартная постановка задачи классификации------19

1.4.2 Многоклассовая классификация-----------------------------------------------21

1.4.3 Обзор методов решения задач классификации-----------------------------23

1.4.3.1 Байесовский классификатор. Наивный байесовский классификатор-------------------------------------------------------------------------------23

1.4.3.2 Метод к-ближайшего соседа----------------------------------------------------24

1.4.3.3 Метод опорных векторов--------------------------------------------------------25

1.4.3.4 Нейронные сети-------------------------------------------------------------------26

1.5 Кластеризация. Постановка задачи кластеризации-----------------------------29

1.5.1 Алгоритм к-внутригрупповых средних (к-теаш)--------------------------30

1.6 Классические алгоритмы фильтрации---------------------------------------------30

1.6.1 Кусочно-линейная аппроксимация для исключения выбросов----------30

1.6.2 Медианная фильтрация----------------------------------------------------------34

1.6.3 Фильтр Калмана-------------------------------------------------------------------35

1.7 Анализ существующих методов обнаружения аномальных измерений—36 Выводы по первой главе--------------------------------------------------------------------39

ГЛАВА 2 МЕТОД ОБНАРУЖЕНИЯ АНОМАЛЬНЫХ ИЗМЕРЕНИЙ, КАК ЗАДАЧА ОДНОКЛАССОВОЙ КЛАССИФИКАЦИИ НА ОСНОВЕ

ФАЗОВОГО ПРОСТРАНСТВА--------------------------------------------------------------40

2.1 Формальная постановка задачи обнаружения аномальных измерений —40

2.2 Постановка задачи одноклассовой классификации-----------------------------42

2.3 Выбор метода обнаружения аномальных измерений на основе перехода в фазовое пространство---------------------------------------------------------44

2.3.1 Получение дополнительной информации о системе----------------------44

2.3.2 Стандартные методы обнаружения аномальных измерений на

основе перехода в фазовое пространство----------------------------------------------47

2.3.3 Модель обнаружения аномалий Тэкса и Дьюина--------------------------48

2.3.4 Линейная модель обнаружения аномалий Кэмпбела и Беннет----------50

2.3.5 Модель обнаружения аномалий Шелкопфа--------------------------------52

2.4 Анализ и выбор параметра предложенной математической модели--------56

2.4.1 Скользящий контроль или кросс-валидация--------------------------------56

2.4.2 Выбор параметров Гауссова ядра а и С--------------------------------------58

2.4.3 Определение обучающего окна------------------------------------------------67

Выводы по второй главе--------------------------------------------------------------------68

ГЛАВА 3 НОВАЯ РОБАСТНАЯ СТАТИСТИЧЕСКАЯ МОДЕЛЬ ОБНАРУЖЕНИЯ АНОМАЛЬНЫХ ИЗМЕРЕНИЙ МОБИЛЬНОГО ИЗМЕРИТЕЛЬНОГО КОМПЛЕКСА-------------------------------------------------------69

3.1 Формальная постановка задачи робастности------------------------------------69

3.2 Робастная модель е - засорения----------------------------------------------------70

3.3 Существующие робастные модели классификации----------------------------72

3.4 Новая робастная модель обнаружения аномальных измерений на

основе е-засорения----------------------------------------------------------------------------74

3.5 Обобщенная или «осторожная» стратегия выбора оптимального распределения из множества М(у?)-------------------------------------------------------76

3.6 Обобщенная стратегия для робастного метода обнаружения аномальных измерений----------------------------------------------------------------------78

3.7 Метод обучения системы обнаружения аномальных измерений------------81

3.8 Выбор оптимального параметра робастности £--------------------------------84

Выводы по третьей главе--------------------------------------------------------------------93

ГЛАВА 4 РЕАЛИЗАЦИЯ МОДЕЛИ ОБНАРУЖЕНИЯ АНОМАЛЬНЫХ

ИЗМЕРЕНИЙ МОБИЛЬНОГО ИЗМЕРИТЕЛЬНОГО КОМПЛЕКСА---------------94

4.1 Требования, предъявляемые к системе моделирования-----------------------94

4.2 Выбор языка программирования для реализации системы моделирования--------------------------------------------------------------------------------95

4.3 Моделирующий комплекс. Описание модулей----------------------------------95

4.3.1 Описание системы----------------------------------------------------------------96

4.3.3 Подсистема анализа данных--------------------------------------------------100

4.3.4 Подсистема хранения и вывода результатов анализа--------------------102

4.4 Применение новых робастных моделей с реальными данными-----------103

Выводы по четверной главе--------------------------------------------------------------117

ЗАКЛЮЧЕНИЕ--------------------------------------------------------------------------------118

СПИСОК ЛИТЕРАТУРЫ-------------------------------------------------------------------119

ПРИЛОЖЕНИЕ AI---------------------------------------------------------------------------129

ПРИЛОЖЕНИЕ А2---------------------------------------------------------------------------130

ПРИЛОЖЕНИЕ Б-----------------------------------------------------------------------------131

Введение диссертации (часть автореферата) на тему «Робастные модели обнаружения аномальных измерений для мобильного измерительного комплекса лесозаготовительного производства»

ВВЕДЕНИЕ

Актуальность работы

Решение задач рачительного и неистощительного лесопользования напрямую зависит от качества проведения мероприятий технологической подготовки лесозаготовительного производства, влияющих на эффективность производства, уровень трудозатрат, экономических и экологических рисков. Принятие обоснованных решений на этапе технологической подготовки определяет дальнейшую эффективность ведения лесозаготовительной деятельности.

Получение достоверных данных о параметрах лесосеки является важной задачей для построения трасс трелевки с целью принятия решения для ведения лесозаготовительного производства. От качества построения трасс трелевки зависит также, будут ли применены штрафные санкции за не соблюдение размеров площади выделенной для построения этих трасс. Данные санкции регламентируются п.56 приказа Рослесхоза № 337 "Об утверждении правил заготовки древесины" от 1 августа 2011 г.

Задачи, решаемые в ходе технологической подготовки лесозаготовительного производства, объемны и трудно формализуемы. К ним можно отнести: получение достоверных результатов измерений параметров лесосеки в ходе ее исследования; подготовка технологической карты лесосеки на основе реализации устойчивых моделей обнаружения аномальных измерений и выбор средств для освоения лесных участков и т. д.

В ходе исследования лесосеки проводится большой объем работ связанных с измерениями и анализом фактического состояния лесного участка, сбором и передачей информации для расчетов.

Современные информационные технологии и средства позволяют автоматизировать процессы, связанные с различными измерениями и расчетами. Они обеспечивают сокращение сроков подготовки лесосеки к эксплуатации, минимизацию материальных, трудовых, финансовых затрат и

экологических рисков, повышение качества результатов за счет оперативности и точности измерений.

К таким системам относится мобильный измерительный комплекс (МИК), обеспечивающий процесс автоматизации и повышения качества прокладки трелевочных трасс.

Анализ показывает, что автоматизация измерительных процедур, осуществляющих МИКом не гарантирует требуемого уровня достоверности и точности из-за довольно частого возникновения аномальных ситуаций в ходе проведения измерений в реальных условиях, что приводит к неточности построения трелевочных трасс и технологических карт.

Отсутствие эффективных способов управления измерениями и методов выявления аномалий в трудноформализуемых процессах, делает задачу разработки методов и моделей эффективного обнаружения аномальных измерений актуальной.

Цель диссертационной работы

Целью диссертационной работы является разработка новых робастных моделей обнаружения аномальных измерений в мобильном измерительном комплексе, предназначенном для моделирования условий работы лесных машин при исследовании лесосеки в ходе подготовки лесозаготовительного производства.

Задачи, решаемые в работе

Для достижения указанной цели в диссертационной работе поставлены и решены следующие задачи:

1. Разработан метод обнаружения аномальных измерений на основе перехода из временной области в фазовое пространство для построения нормальных и аномальных множеств с применением алгоритмов машинного обучения;

2. Для мобильного измерительного комплекса разработаны робастные модели обнаружения аномальных измерений на основе метода одноклассовой классификации с применённым в ней Гауссовым ядром;

3. Разработаны модели и программный комплекс обнаружения аномальных измерений для МИКа с применением метода обучения, основанного на алгоритме простого скользящего среднего;

4. Проведены исследования и получены результаты моделирования системы обнаружения аномальных измерений мобильного измерительного комплекса с применением разработанных моделей.

Объект исследования

Объектом исследования является мобильный измерительный комплекс моделирования условий работы лесных машин при исследовании лесосеки.

Предмет исследования

Предметом исследования являются методы решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации.

Методы исследования

Для решения указанных задач в работе использованы методы: математического моделирования, теории вероятностей и математической статистики, теории принятия решений, оптимизации, системного анализа в лесозаготовительном производстве.

Научная новизна

1. Разработана робастная модель одноклассовой классификации состояний мобильного измерительного комплекса, использующая классы распределений вероятностей, определенных на обучающей выборке, и

учитывающая малый период предварительных измерений различных параметров лесосеки и треловочной машины.

2. Разработан метод обнаружения аномальных измерений на основе перехода из временной области в фазовое пространство для построения нормальных и аномальных множеств с применением алгоритмов машинного обучения, интегрированный в структуру МИК.

3. Разработан метод обучения системы обнаружения аномальных измерений при исследовании лесосеки основанный на алгоритме простого скользящего среднего.

Практическая значимость работы

1. Разработан программно реализованный моделирующий комплекс обнаружения аномальных измерений для МИК с использованием предложенных в работе моделей.

2. Получены результаты работы системы обнаружения аномальных измерений в различных режимах, которые могут быть использованы при исследовании и подготовке лесосеки.

Программно реализованная система обнаружения аномальных измерений мобильного измерительного комплекса в отличие от известных позволяет повысить вероятность правильной классификации и обнаружения аномалий на 10-18 процентов, что позволяет сократить сроки подготовки лесосеки к эксплуатации, минимизировать материальные, трудовые, финансовые затраты и экологические риски.

Реализация и внедрение результатов работы

Результаты кандидатской диссертационной работы были использованы при разработке системы электротехнического обеспечения и АСУ ИК промышленного объекта по ОКР «Развязка» на предприятии ОАО «Научно-производственное предприятие «Пирамида» расположенное в г. Санкт-Петербурге, что подтверждается актом о внедрении (см. Приложение А1).

Основные результаты внедрены в НИР кафедры информационных систем и технологий СПбГЛТУ, выполненной по договору № 1.6.02.11 х/д «Разработка алгоритмического обеспечения отказоустойчивого прибора комплексирования сигналов навигационно-измерительных датчиков скоростных судов (отказоустойчивого навигационного сервера)» (см. Приложение А2).

Достоверность результатов

Достоверность полученных в диссертационной работе основных сформулированных научных положений и выводов обеспечивается корректностью примененного математического аппарата и используемых методов исследования, их практической реализацией, математической строгостью преобразований при получении доказательств, утверждений и аналитических зависимостей и результатами исследований алгоритмов при помощи моделирующего программного комплекса.

Основные положения, выносимые на защиту

1. Робастная модель одноклассовой классификации состояний мобильного измерительного комплекса, использующая классы распределений вероятностей, определенных на обучающей выборке, и учитывающая малый период предварительных измерений различных параметров лесосеки и трелевочной машины.

2. Метод обнаружения аномальных измерений на основе перехода из временной области в фазовое пространство для построения нормальных и аномальных множеств с применением алгоритмов машинного обучения, интегрированный в структуру МИК.

3. Метод обучения системы обнаружения аномальных измерений при исследовании лесосеки основанный на алгоритме простого скользящего среднего.

4. Программно реализованный моделирующий комплекс обнаружения аномальных измерений для МИК с использованием предложенных в работе моделей.

Апробация работы

Научные результаты диссертации были представлены на различных конференциях:

> XIV, XV и XVI Международные конференции по мягким вычислениям и измерениям (8СМ'2011, 8СМ'2012, 8СМ'2013), проходившие в СПбГЭТУ в г. Санкт-Петербурге: с 23-25 июня 2011 г.; с25-27 июня 2012г.; с 23-25 мая 2013г. - соответственно;

> 8-ая и 9-ая Международные научно-технические конференции «Актуальные проблемы развития лесного комплекса», проходившие в ВоГТУ в г. Вологде: с 7 - 9 декабря 2010 г. и 6 декабря 2011 г. -соответственно;

> научно-практическая конференция в рамках Политехнического фестиваля, проходившего в СПбГПУ в г. Санкт-Петербурге с 16-17 декабря 2012г.;

> ХЫИ научная и учебно-методическая конференция, проходившая в НИУ ИТМО в г. Санкт-Петербурге с 28-31 января 2014 г.;

> XVIII международная научно-методическая конференция «Высокие интеллектуальные технологии и инновации в образовании и науке», проходившая в СПбГПУ в г. Санкт-Петербурге с 17-18 февраля 2011 г.;

> ежегодные научно-технические конференции профессорско-преподавательского состава СПб ГЛТУ имени С.М. Кирова 2010-2013 гг.

> международные научно-практические конференции молодых ученых «Современные проблемы и перспективы рационального лесопользования в условиях рынка», проходившие в СПбГЛТА (СПбГЛТУ) в г. Санкт-Петербурге: с 10-11 ноября 2010-2012 гг.

> шестнадцатая и семнадцатая Санкт-Петербургские ассамблеи молодых учёных и специалистов, проходившей в г. Санкт-Петербурге в 2011-2012 гг.

Основные научные результаты были получены в рамках научных грантов и представлены на следующих конкурсах:

1. Диплом ПСП № 11123 победителя конкурсного отбора 2011 года о присуждении премий Правительства Санкт-Петербурга для студентов, аспирантов вузов и академических институтов, расположенных на территории Санкт-Петербурга, в соответствии с распоряжением Комитета по науке и высшей школе Правительства Санкт-Петербурга от 25.10.2011 №72;

2. Диплом ПСП № 12077 победителя конкурса 2012 года для студентов вузов, расположенных на территории Санкт-Петербурга, аспирантов вузов и академических институтов, расположенных на территории Санкт-Петербурга, в соответствии с распоряжением Комитета по науке и высшей школе от 30.10.2012 №74.

На разработанный программный комплекс получено свидетельство о государственной регистрации программ для ЭВМ № 201461057 «Система обнаружения аномальных измерений «Novelty detection ver. 1.0»» от 15 января 2014 г.(см. Приложение Б).

Публикации

По теме диссертации опубликовано 14 печатных работ. Из них 2 статьи в журналах, рекомендованных ВАК РФ.

Структура и объем работы

Диссертационная работа состоит из введения, четырёх глав, выводов, списка литературы и трех приложений. Работа изложена на 131 страницах печатного текста и содержит 13 таблиц, 34 рисунка. Список литературы содержит 112 наименований.

ГЛАВА 1 АНАЛИЗ И ПОСТАНОВКА ЗАДАЧИ ОБНАРУЖЕНИЯ АНОМАЛЬНЫХ ИЗМЕРЕНИЙ В МОБИЛЬНОМ ИЗМЕРИТЕЛЬНОМ КОМПЛЕКСЕ

Первая глава посвящена описанию области применения методов, разрабатываемых в диссертационной работе. Обоснована актуальность работы. Проведен обзор основных классических методов статистического анализа и методов фильтрации, наиболее часто применяемых на практике. Поставлена задача обнаружения аномальных измерений.

1.1 Область применения системы обнаружения аномальных измерений

Система обнаружения аномальных измерений, разрабатываемая в диссертационной работе, применяется в мобильном измерительном комплексе (МИК) [6].

Этот комплекс является технологическим механизмом, предназначенным для моделирования условий работы трелевочной техники при исследовании лесосеки, измерения ее параметров и характеристик трелевочной машины.

На рисунке 1.1 схематично изображен колесный трелевочный трактор (машина) с установленным мобильным измерительным комплексом. МИК включает в себя:

a) измеритель крутящего момента в трансмиссии трактора;

b) датчик измерения плотности почвы; .

c) устройство для измерения неровностей опорной поверхности;

<Х) датчики измерения угла склона волока и уклона последнего;

е) датчик (унифицированный датчик угловых скоростей ДУСУ) определения извилистости трассы волока в плане.

Рисунок 1.1 - Колесный лесопромышленный трактор (машина), оснащенный мобильным измерительным комплексом.

Условные обозначения:

1 - трактор;

2 - датчик крутящего момента Мкр (динамометрическая карданная передача);

3 - датчик измерения плотности почвы рО;

4 -локационное устройство для измерения неровностей опорной поверхности;

5 - датчик измерения угла склона волока;

6 - датчик измерения угла уклона волока;

7 - стабилизированная платформа;

8 -датчик определения извилистости трассы волока в плане (унифицированный датчик угловых скоростей ДУСУ).

Построение трелевочных волоков входит в подготовительные работы при исследовании лесосек в ходе технологической подготовки лесозаготовительного производства. Подготовительные работы выполняются до начала основных эксплуатационных работ. Они включают: лесосырьевую, технологическую и транспортную подготовки; подготовку территории лесосек; определение лесопогрузочных пунктов и трелевочных волоков на основе полученных измерений параметров в МИКе; подготовку обслуживающих производств (обустройство мастерского участка) и т.п.[17].

В ходе анализа трудозатрат на лесозаготовительные работы установлено [31,53], что на подготовительные работы приходится 35 - 40% от всех трудозатрат.

Объем трудозатрат зависит от:

> принятого технологического процесса;

> таксационных характеристик вырубаемого древостоя;

> используемых машин;

> почвенно-грунтовых и рельефных условий;

> захламленности лесосеки.

Исходя из приведенных результатов анализа трудозатрат на проведение лесозаготовок, можно сделать вывод, что одним из важнейших условий обеспечения высокой эффективности проведения основных эксплуатационных работ по заготовке древесины и, в дальнейшем, условием снижения себестоимости лесозаготовительных работ, является качественное проведение подготовительных работ. Именно на этапе технологической подготовки лесозаготовительного производства решаются

основополагающие задачи, как технологические так и организационные.

От правильности принятия решения в дальнейшем зависит эффективность работы машин и механизмов, удобство и безопасность работы персонала, и, в конечном итоге, себестоимость заготовленной древесины и работ по лесовосстановлению.

Технологическая подготовка предшествует эксплуатационному этапу лесозаготовительного производства. Она заключается в исследовании лесоэксплуатационных условий и построению трасс трелевки; выбора места для размещения погрузочных площадок и мастерского участка; разработка технологического процесса лесозаготовок; составление технологической карты разработки лесосеки.

Важнейшей из перечисленных процедур является задача составления технологической карты, включающей выбор эффективной схемы разработки лесосеки и ее транспортного освоения, для составления которой используются измеренные МИКом параметры. Составляемая технологическая карта должна максимально учитывать особенности конкретной лесосеки.

1.2 Актуальность и постановка задачи

Решение задач рачительного и неистощительного лесопользования напрямую зависит от качества проведения мероприятий технологической подготовки лесозаготовительного производства, влияющих на эффективность производства, уровень трудозатрат, экономических и экологических рисков. Принятие обоснованных решений на этапе технологической подготовки определяет дальнейшую эффективность ведения лесозаготовительной деятельности.

Получение достоверных данных о параметрах лесосеки является важной задачей для построения трасс трелевки с целью принятия решения для ведения лесозаготовительного производства. От качества построения трасс трелевки зависит также, будут ли применены штрафные санкции за не соблюдение размеров площади выделенной для построения этих трасс. Данные санкции регламентируются п.56 приказа Рослесхоза № 337 "Об утверждении правил заготовки древесины" от 1 августа 2011 г [55].

Задачи, решаемые в ходе технологической подготовки лесозаготовительного производства, объемны и трудно формализуемы [31]. К ним можно отнести: получение достоверных результатов измерений параметров лесосеки в ходе ее исследования; подготовка технологической карты лесосеки на основе реализации устойчивых моделей обнаружения аномальных измерений и выбор средств для освоения лесных участков и т. д.

В ходе исследования лесосеки проводится большой объем работ связанных с измерениями и анализом фактического состояния лесного участка, сбором и передачей информации для расчетов.

Современные информационные технологии и средства позволяют автоматизировать процессы, связанные с различными измерениями и расчетами. Они обеспечивают сокращение сроков подготовки лесосеки к эксплуатации, минимизацию материальных, трудовых, финансовых затрат и

экологических рисков, повышение качества результатов за счет оперативности и точности измерений.

К таким системам относится мобильный измерительный комплекс (МИК), обеспечивающий процесс автоматизации и повышения качества прокладки трелевочных трасс [29].

Анализ показывает [23,25,27], что автоматизация измерительных процедур, осуществляющих МИКом не гарантирует требуемого уровня достоверности и точности из-за довольно частого возникновения аномальных ситуаций в ходе проведения измерений в реальных условиях, что приводит к неточности построения трелевочных трасс и технологических карт.

Отсутствие эффективных способов управления измерениями и методов выявления аномалий в трудноформализуемых процессах, делает задачу разработки методов и моделей эффективного обнаружения аномальных измерений актуальной.

На основе этого задача диссертационной работы сформулирована следующим образом: требуется повысить качество функционирования мобильного измерительного комплекса за счет разработки и внедрения робастных моделей обнаружения аномальных измерений основанных на алгоритмах машинного обучения, обеспечивающих качественное проведение подготовительных работ при исследовании и подготовки лесосеки.

1.3 Формальная постановка задачи

Качество мобильного измерительного комплекса определяется достоверностью данных, получаемых от измерительных приборов и датчиков.

Данные, поступающие в МИК, могут содержать аномалии (помехи) двух типов - помехи высокого уровня (выбросы и пропадания сигнала) и помехи низкого уровня (инструментальные и иные погрешности) [56].

Помехи низкого уровня практически всегда присутствуют в системах и определяются статическими и точностными характеристиками датчиков и их измерительных элементов. Для исключения этого класса помех в системах используют различные методы фильтрации. Наибольшее распространение в системах реального времени получили различные модификации фильтров Калмана, в том числе и с учетом аддитивных возмущений, содержащих неизвестную постоянную составляющую [48,49,59].

Помехи высокого уровня (аномалии в измерениях) возникают в результате помех в канале связи, сбоев в работе приемной, передающей или измерительной аппаратуры. Они являются результатом изменения внешних воздействий на систему, таких как провалы напряжения питания, резкое изменение вибрационных или температурных параметров. Эти помехи вносят сложно-компенсируемое искажение в принимаемый сигнал. Однако, их воздействие в большинстве случаев кратковременно.

п

150 100 50 О

-1 -0 8 -0 6 -0 4 -0 2 0 0 2 04 X

Рисунок 1.2 - Гистограмма и функция плотности нормального распределения одного из параметров системы

Наличие в измерениях помех высокого уровня приводит к тому, что выборочная совокупность измерений не может быть отнесена к разряду нормально распределенных случайных процессов. Особенно это заметно на концах функции распределения. На рисунке 1.2 показан пример гистограммы и функции плотности нормального распределения для одного из показателей системы МИК.

Гистограмма и функция плотности нормального распределения

Для исключения этого класса аномалий используют методы робастной локальной регрессии [59,42], методы фильтрации [60,61,63] и широкий набор методик статистического анализа [1,2,16,38]. В диссертационной работе предложен метод обнаружения аномалий на основе машинного обучения при ограниченной обучающей выборке.

Постановка задачи для обнаружения аномальных измерений при ограниченной обучающей выборке может быть сформулирована следующем образом.

Пусть Х„ - обучающее множество состояний МИК, где п - количество состояний. Состояние МИК - это вектор хеЯ, состоящий из параметров, поступающих с измерительных устройств МИК, где И - пространство признаков. Каждый вектор х принадлежит одному из двух классов у: класс нормальных и класс аномальных значений.

Данные в систему поступают с определенным шагом дискретизации, т.е. в строгой последовательности в зависимости от времени.

Требуется найти решающую функцию / по обучающей выборке, решение которой определяет к какому классу относится новое значение х.

Далее в главе производится обзор основных стандартных методов машинного обучения (распознавание образов, методы статистического анализа) и методов фильтрации.

1.4 Распознавание образов. Классические методы статистического анализа обнаружения аномальных измерений

Распознавание образов является направлением, связанным с разработкой принципов и построением систем, предназначенных для определения принадлежности объекта к одному из классов объектов [13,26,33,34,40,65].

Под объектами в распознавании образов понимают: различные предметы, явления, процессы и т.п.

Задача распознавания образов представляют собой задачу, в которой по неполной, нечеткой, искаженной и косвенной информации об объекте требуется отнести его к определенному классу[64].

Другой важной областью применения теории распознавания образов является решение задач прогнозирования. К задачам этого вида относятся задачи технической и медицинской диагностики, геологического прогнозирования, прогнозирования свойств химических соединений и т.д.

Задача распознавания образов возникает и в системах искусственного интеллекта. Например, в понимании естественного языка, символьной обработке алгебраических выражений, экспертных системах и др.

Основные типы задач распознавания образов приведены в таблице 1.1 [38].

Таблица 1.1— Основные типы задач распознавания образов

Типы задач распознавания образов

Тип задачи Примечания

Классификация Отнесение предъявленного объекта (ситуации) по его формализованному описанию к одному из заданных классов.

Кластеризация Разбиение множества объектов (ситуаций) по их формализованным описаниям на систему непересекающихся подмножеств (классов).

Прогнозирование Предсказание значений характеристик или поведения системы в будущем на основании предшествующих и текущих наблюдений.

Аппроксимация функций Поиск функции, наиболее близко соответствующей набору экспериментальных данных.

Оптимизация Поиск эффективного или оптимального решения целевой функции в условиях действия ограничений.

1.4.1 Классификация. Стандартная постановка задачи классификации

На практике чаще всего решается задача бинарной или двоичной классификации. Задача двоичной классификации может быть сформулирована следующим образом [36,46]. Имеется множество эмпирических данных (обучающая выборка)

(х1,71),(х2,у2),...,(хл,у„)еК х{-1,+1},

где х - вектор состояние системы в определенный момент времени, каждому из которых можно поставить в соответствие одно из двух значений зависимой переменной у, определяющей различные классы, например, у = —1 и у = 1, аномальные измерения и нормальные соответственно. Задача двоичной классификации сводится к определению класса по значениям измеряемых значений х на основе обучающей выборки по определенному правилу.

Рисунок 1.3- Координатная плоскость с исходными данными

На рисунке 1.3 изображена координатная плоскость, где по координатным осям отложены два параметра. На плоскость нанесены данные состояния системы, обозначенные в виде точек. Точки красного цвета принадлежат классу нормальных значений, а точки синего цвета - к аномальным. Точка черного цвета - новое состояние системы, и ее требуется отнести к одному из классов с помощью метода бинарной классификации.

Для решения задачи бинарной классификации необходимо определить разделяющую функцию /(х), знак которой определяет соответствующий класс.

На рисунке 1.4 представлен простейший вид разделяющей функции. Ею является линейная функция, изображенная в виде прямой зеленого цвета.

Рисунок 1.4- Изображение линейной разделяющей прямой

Одним из наиболее распространенных способов решения этой задачи является минимизация функционала риска:

Здесь Ь(х,у) - функция потерь, ¥ - совместная функция распределения вероятностей (ФРВ) вектора х и класса у. Минимизация функционала риска осуществляется по функции /(х, \у). Другими словами, функция /(х,\уор{) обеспечивает минимум функционала Д(уу).

Если предположить, что все признаки дискретны и независимы, то функционал риска можно переписать в следующем виде:

Список литературы диссертационного исследования кандидат наук Гоголевский, Анатолий Сергеевич, 2014 год

СПИСОК ЛИТЕРАТУРЫ

1. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: классификация и снижение размерности. — М.: Финансы и статистика, 1989. - 607 с.

2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: исследование зависимостей. — М.: Финансы и статистика, 1985. - 487 с.

3. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. — М.: Наука, 1970. — 320 с.

4. Андрейчиков A.B., Андрейчикова О.Н. Интеллектуальные информационные системы: Учебник. - М.: Финансы и статистика, 2004. - 424 с.

5. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений: Учебное пособие для студентов вузов. - М.: Высшая школа, 1983.-295 с.

6. Анисимов Г.М., Григорьев И.В., Кочнев A.M., Патякин В.И. Иванов В.А. Мобильный измерительный комплекс. Патент на полезную модель № 48052 опубл. 10.09.2005 Бюлл. № 25.

7. Афанасьев А.П., Дзюба С.М. Элементарное введение в теорию экстремальных задач. - М.: Издательство МФТИ, 2008. - 186 с.

8. Ашманов С.А. Линейное программирование. - М.: Наука. Главная редакция физико-математической литературы, 1981. - 340 с.

9. Банди Б. Основы линейного программирования: Пер. с англ. Шихеевой О. В. под ред. Волынского В. А. - М.: Радио и связь, 1989. - 176 с.

10. Барсов A.C. Что такое линейное программирование. Государственное издательство физико-математической литературы. - М.: Наука. Государственное издательство физико-математической литературы, 1959. -104 с.

11. Бессмертный И.А. Искусственный интеллект — СПб:СПбГУ ИТМО, 2010.— 132 с.

12. Ван дер Варден Б.Л. Математическая статистика: Пер. Болынева Л.Н., под ред. Смирнова H.B. - М.: Издательство иностранной литературы, 1960. -435 с.

13. Вапник В. Н., Червоненкис А. Я. Теория распознавания образов. — М.: Наука, 1974.-416 с.

14. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. - М.: Наука, 1979. - 448 с.

15. Вапник В.Н., Червоненкис А.Я. О равномерной сходимости частот появления событий к их вероятностям // ДАН СССР. — 1968. — Т. 181, № 4. — С. 781784.

16. Вероятность и математическая статистика: Энциклопедия/ Под ред. Ю.В. Прохорова. - М.: Большая российская энциклопедия, 2003. - 910 с.

17. Власов Г.Д., Куликов В.А., Родионов C.B. Технология деревообрабатывающих производств. - М.: Гослесбумиздат, 1960. - 566 с.

18. Гоголевский A.C. Интеллектуальная система обнаружения аномальных измерений на основе одноклассовой классификации // Сборник тезисов семнадцатой Санкт-Петербургской Ассамблеи молодых ученых и специалистов - СПб.: Издательство РГГМУ, 2012. - С. 198 - 200.

19. Гоголевский A.C. Метод преобразования данных для обнаружения аномального поведения системы // Материалы международной конференции по мягким вычислениям и измерениям. — СПб: ЛЭТИ, 2013. - С. 164 - 166.

20. Гоголевский A.C. Модель обнаружения аномального поведения динамических систем реального времени на основе алгоритмов машинного обучения // Сборник материалов Политехнического фестиваля для студентов и молодых ученых. — СПб: Издательство «Полторак», 2012. - С. 264 - 267.

21. Гоголевский A.C. Нечеткая байесовская регрессионная модель с зависимыми переменными// Материалы международной конференции по мягким вычислениям и измерениям. — СПб: ЛЭТИ, 2011. - С. 205 - 208.

22. Гоголевский A.C. Постановка задачи выбора рационального варианта лесопользования // Сборник материалов Международной научно-практической конференции молодых ученых, проходившей 11-12 ноября

2008 года в Санкт-Петербургской государственной лесотехнической академии "БИОЛОГИЧЕСКОЕ РАЗНООБРАЗИЕ, ОЗЕЛЕНЕНИЕ, ЛЕСОПОЛЬЗОВАНИЕ"- СПб.: СПбГЛТА, 2008., 164 - 166 с.

23. Гоголевский A.C. Разработка методов и моделей классификации различных объектов лесных систем при ограниченной обучающей выборке // Сборник тезисов шестнадцатой Санкт-Петербургской Ассамблеи молодых ученых и специалистов - СПб.: Издательство РГГМУ, 2011. - С. 198 - 200.

24. Гоголевский A.C., Илющенко В.В. Анализ методов линейной классификации при ограниченной обучающей выборке применительно задачам лесного комплекса // Сборник материалов Международной научно-практической интернет-конференции "Леса России в XXI веке". Октябрь 2010 г. / Под ред. Авторов; Министерство образования и науки РФ Государственная образовательное учреждение высшего профессионального образования "Санкт-Петербургская государственная лесотехническая академия имени С.М. Кирова" - Санкт-Петербург, 2010. - С. 209 - 211.

25. Гоголевский A.C., Уткин Л.В. Метод опорных векторов в задаче классификации объектов лесных систем // Материалы международной научно-технической конференции: «Актуальные проблемы развития лесного комплекса». — Вологда: ВоГТУ, 2011. - С. 3-5.

26. Гоголевский A.C., Уткин Л.В. Постановка задачи классификации различных объектов лесных систем при дистанционном зондировании и малом объеме обучающей выборки // Материалы международной научно-технической конференции: «Актуальные проблемы развития лесного комплекса». — Вологда: ВоГТУ, 2010.-С. 3-5.

27. Гоголевский A.C., Уткин Л.В., Хабаров С.П. Метод обнаружения аномальных измерений в системах реального времени на основе алгоритмов машинного обучения// Известия Санкт-Петербургской лесотехнической академии. - 2014. - Вып. 206. - С. 108-115.

28. Головко В.А. Нейронные сети: обучение, организация и применение. — М.: ИПР-ЖР, 2001.-256 с.

29. Григорьев И.В. Снижение отрицательного воздействия на почву колесных трелевочных тракторов обоснованием режимов их движения и технологического оборудования. - СПб.: Издательство ЛТА, 2006 г. - 236 с.

30. Григорьев И.В., Жукова А.И. Координатно-объемная методика трассирования при освоении лесосек трелевкой // ИВУЗ «Лесной журнал», № 4, 2004.- С. 39 - 44.

31. Григорьев И.В., Тихонов И.И., Куницкая O.A. Технология и машины лесосечных работ: Учебное пособие. - СПб.: СПбГЛТУ, 2013. - 132 с.

32. Джонсон Н., Лион Ф. Статистика и планирование экспериманта в технике и науке. Методы обработки данных. Пер. с англ. под ред. Лецкого Э. К. - М.: Изд-во «Мир», 1980. - 611 с.

33. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер. с англ. Вайнштейна Г.Г. и Васьковского A.M. под ред. Стефанюка В.Л. - М.: Мир, 1976.-511 с.

34. Журавлев Ю.И., Рязанов В.В., Сенько О.В. «Распознавание». Математические методы. Программная система. Практические применения. -М.: Фазис, 2006. - 159 с.

35. Заенцев И.В. Нейронные сети: основные модели. Учебное пособие. -Воронеж: ВГУ, 1999. - 76 с.

36. Золотых Н.Ю. Машинное обучение (Machine Learning). Курс лекций - 2009. -479 с.

37. Илющенко В.В., Гоголевский A.C. Выбор метода линейной классификации при ограниченной обучающей выборке применительно задачам лесного комплекса // Сборник материалов Международной научно-практической интернет-конференции "Леса России в XXI веке". Октябрь 2010 г. / Под ред. Авторов; Министерство образования и науки РФ Государственная образовательное учреждение высшего профессионального образования "Санкт-Петербургская государственная лесотехническая академия имени С.М. Кирова" - Санкт-Петербург, 2010. - С. 198 - 203.

38. Лепский А.Е., Броневич А.Г. Математические методы распознавания образов: Курс лекций. - Таганрог: Изд-во ТТИ ЮФУ, 2009. - 156 с.

39. Лунгу К.Н. Линейное программирование. Руководство к решению задач. -М.: ФИЗМАТЛИТ, 2005. - 128 с.

40. Люггер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. - М.: Издательский дом «Вильяме», 2004. - 864 с.

41. Майстров Л.Е. Теория вероятности. Краткий очерк. - М.: Наука, 1967. - 321 с.

42. Макшанов A.B., Мусаев A.A. Робастные методы обработки результатов измерений: Учеб. пособие. - М.: Оборонгиз, 1980. - 156 с.

43. Матасов А.И. Введение в теорию гарантирующего оценивания. - М.: Изд-во МАИ, 1999.-100 с.

44. Матасов А.И. Метод гарантирующего оценивания. - М.: МГУ, 2009. - 100 с.

45. Матасов А.И. О гарантирующем оценивании параметров при сбоях в измерениях // Космические исследования.- 1991.- Т. 28, № 3. - С. 323-327.

46. Мерков А.Б. Введение в методы статистического обучения. - М.: Эдиториал УРСС, 2011г.-256 с.

47. Местецкий Л.М. Математические методы распознавания образов. Курс лекций. - М.: Ф-т ВМиК МГУ, кафедра ММП.- 2002. - 85 с.

48. Мироновский Л.А., Слаев В.А. Алгоритмы оценивания результата трех измерений. — СПб.: «Профессионал», 2010. — 192 с.

49. Музалевский В.И., Леонов Л.В. Технологические измерения и приборы в лесной и деревообрабатывающей промышленности: Учебник для ВУЗов. -М.: Экология, 1991.-400 с.

50. Наивный байесовский классификатор -www.machinelearning.ru/wiki/index.php ?1Ше=Наивный_байесовский_классификатор

51. Папазов М.Г., Могильный С.Г. Теория ошибок и способ наименьших квадратов. - М.: Недра, 1968. - 302 с.

52. Патрик Э. Основы теории распознавания образов: Пер. с англ. Под ред. Б. Р. Левина. - М.: Сов. радио, 1980. - 408 с.

53. Петровский B.C. Автоматизация лесопромышленных предприятий: Учеб. пособие для студ. сред. проф. образования. Под ред. Втюрина В.А.. - М.: Академия, 2005. - 304 с.

54. Поляк Б.Т. Введение в оптимизацию. - М.: Наука. Главная редакция физико-математической литературы, 1983. - 384 с.

55. Приказ Рослесхоза от 1 августа 2011 г. № 337 "Об утверждении правил заготовки древесины" - www.rosleshoz.gov.ru/docs/leshoz/179/337.pdf

56. Романов В.Н. Теория измерений. Точность средств измерений: Учеб. пособие. - СПб.: СЗТУ, 2003. - 154 с.

57. Романов В.Н., Комаров В.В. Анализ и обработка экспериментальных данных: Учеб. пособие. - СПб.: СЗТУ, 2002. - 127 с.

58. Свидетельство о государственной регистрации программ для ЭВМ № 201461057 «Система обнаружения аномальных измерений «Novelty detection ver. 1.0»» от 15 января 2014 г.

59. Синицын И. Н. Фильтры Калмана и Пугачева. Учебное пособие. -Университетская книга, Логос, 2006. - 640 с.

60. Смагин В.И., Смагин C.B. Фильтрация в линейных дискретных нестационарных системах с неизвестными возмущениями // Вестник Томского государственного университета. Управление, вычислительная техника и информатика,- 2011.- №3 (16). - С. 43-51.

61. Смоляк С.А., Титаренко Б.П. Устойчивые методы оценивания. - М.: Статистика, 1980.-208 с.

62. Старков Ф.А., Старков Е.Ф. Распознавание образов. Учеб. пособие - Курск: Изд-во Курск, гуманит.-техн. ин-т., 2000. - 140 с.

63. Степанов O.A. Основы теории оценивания с приложениями к задачам обработки навигационной информации. - СПб.:ГНЦ РФ ЦНИИ «Электроприбор», 2009. - 496 с.

64. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ. Гуревича И.Б. под ред. Журавлева Ю.И. - М.: Мир, 1978. - 413 с.

65. Устойчивые статистические методы оценки данных / Под ред. JI.P. Лонера, Г.Н. Уилкинсона. - М.: Машиностроение, 1984 - 134 с.

66. Уткин Л.В. Анализ риска и принятие решений при неполной информации. -СПб.: Наука, 2007. - 404 с.

67. Уткин Л.В., Гоголевский A.C. Задача классификации объектов лесных систем при дистанционном зондировании и малом объеме обучающей выборки на основе множеств распределений вероятностей // Известия Санкт-Петербургской лесотехнической академии. - 2011. - Вып. 194. - С. 156-164.

68. Фомин А.Ф., Новоселов О.Н., Плющев A.B. Отбраковка аномальных результатов измерений. - М.: Энергоатомиздат, 1985. - 200 с.

69. Фу К. Структурные методы в распознавании образов. - М.: Мир, 1977. 320 с.

70. Хабаров C.B., Гоголевский A.C. Интеллектуальная система принятия решений для обнаружения аномального поведения на основе одноклассовой классификации // Материалы международной конференции по мягким вычислениям и измерениям — СПб: ЛЭТИ, 2012. — С. 183 - 207.

71. Хампель Ф. Робастность в статистике. - М.: Мир, 1989. - 512 с.

72. Хант Э. Искусственный интеллект. - М.: Мир, 1978. - 560 с.

73. Хачатуров A.A., Афанасьев В.Л., Васильев B.C., и др. Динамика системы дорога-шина-автомобиль-водитель. - М.: Машиностроение. 1976. - 535 с.

74. Хьюбер П. Робастность в статистике. - М.: Мир, 1984. - 304 с.

75. Яценко H.H. Форсированные полигонные испытания грузовых автомобилей. - М.: Машиностроение.- 1984. - 328с.

76. Aqaian S., Astola J., Egiazarian К. Binary Polynomial Transforms and Nonlinear Digital Filters.- 1995. - 329 p.

77. Arce G.R., Gallagher N.C. State Description for the Root Signal Set of Median Filters // IEEE Trans Acoust., Speech and Signal Process.- 1982.- V. ASSP-30, N 6.-P. 894-902.

78. Campbell, C. Kernel methods: a survey of current techniques // Neurocomputing, 2002. - Vol. 48, № 1-4. - Pp. 63 - 84.

79. Astola J., Neuvo Y. An Efficient Tool for Analyzing Weighted Median Filters // IEEE Trans. CAS II: Analog and Digital Processing.- 1994.- V. 41, № 7.- P. 487489.

80. Astola J., Neuvo Y. Optimal Median Type Filters for Exponential Noise Distributions // Signal Process.- 1989.- V. 17, № 2,- P. 95-104.

81. Asuncion A., Newman D. UCI machine learning repository: Tech. rep.: California, Irvine, School of Information and Computer Sciences, 2007.

82. B. Scholkopf and A. J. Smola. Learning with Kernels. MIT Press, 2002.

83. Boser B.E., Guyon I.M., Vapnik V.N. A training algorithm for optimal margin classifiers. Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory. ACM Press, 1992.- P. 144-152.

84. Boser B.E., Guyon I.M., Vapnik V.N. A training algorithm for optimal margin classifiers. Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory. ACM Press, 1992.-P. 144-152.

85. C.-W. Hsu and C.-J. Lin. A comparison of methods for multi-class support vector machines. IEEE Transactions on Neural Networks, 13(2):415-425, March 2002.

86. Cleveland, William S. Robust Locally Weighted Regression and Smoothing Scatterplots // Journal of the American Statistical Association.- 1979.-V. 74, № 368.- P. 829-836.

87. Cortes C., Vapnik V. Support vector networks // Machine Learning.- 1995.-V.20, №3.-P. 273-297.

88. Cox D. R. The regression analysis of binary sequences // Journal of the Royal Statistical Society, Series B (Methodological).- 1958.-V.20, №2.-P. 215-242.

89. Dietz P., Carley L.R. Simple Networks for Pixel Plane Median Filtering // IEEE Trans. CAS, December.- 1993.- V. 40, № 12.- P. 799.

90. DiNardo J., Tobias, J.L. Nonparametric density and regression estimation // Journal of Economic Perspectives.- 2001.-V.15, №4.-P.l 1-28.

91. Duff G. Technology for Delivering High Quality Graded Softwood Product -Practical Applications: Gottstein fellowship report. Clayton South, Australia, 2005.

92. Fitch J.P., Coyle E.J., Gallagher N.C. Root Properties and Convergence Rates of Median Filters // IEEE Trans. Acoust., Speech Signal Process.- 1985.- V. ASSP-33, № 1.- P. 230-240.

93. Gonzalez R.C., Woods R.E. Solutions manual. Digital image processing. 2ed. Pearson Education, 2002.- 209 pp.

94. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning Data Mining, Inference, and Prediction. Second Edition. New York: Springer, 2009.809 pp.

95. Huber P.J. Robust estimation of a location parameter / Ann. Math. Statist. -1964. - № 1.-Vol. 35.-P. 73-101.

96. Kaplan E.L. and Meier P. Nonparametric estimation from incomplete observations //Journal the American Statistical Association.-1958.-V.53, №282.-P.457-481.

97. Mullin M., Sukthankar R. Complete Cross-Validation for Nearest Neighbor Classifiers. — Proceedings of International Conference on Machine Learning. — 2000. —P. 1137-1145.

98. Nelder J.A., Wedderburn R.W.M. Generalized linear models // Journal of the Royal Statistical Society, Series A (General).-1972.-V. 135, №3.-P.370-384.

99. Nello Cristianini, Colin Campbell, Chris Burges.Support Vector Machines and Kernel Methods // Kluwer Academic Publishers.- 2002. - P.444.

100. P. Huber. Robust estimation of location parameter. Annals of Mathematical Statistics.-1964.-V.53, №73 .-P. 101.

101. Robert C.P. The Bayesian Choice. New York: Springer, 1994.- 266 pp.

102. Scholkopf B: Statistical Learning and Kernel Methods, 3-24. In: CISM Courses and Lectures, International Centre for Mechanical Sciences, (Ed) G Delia Riccia, H-J Lenz and R Kruse, Springer, Vienna, (2000).

103. Scott Ferson, Vladik Kreinovich, Lev Ginzburg, David S. Myers, and Kari Sentz, Constructing Probability Boxes and Dempster-Shafer Structures, Sandia National Laboratories, Report SAND2002-4015, January 2003.

104. Tax D. Support vector data description / D. Tax, R. Duin // Machine Learning.-2004.-Vol. 54.-P. 45-66.

105. Tax, D.M.J. Support vector domain description / D.M.J. Tax, R.P.W. Duin. -Pattern Recognition Letters.- 1999. - V. 12. - P. 1191-1999.

106. Utkin L.V. and Coolen F.P.A. On Reliability Growth Models Using Kolmogorov-Smirnov Bounds. International Journal of Performability Engineering.- V.7, № 1.-2011.-P. 5-19.

107. Vapnik V., Chapelle O. Bounds on error expectation for support vector machines // Neural Computation. — 2000. — V. 12,№ 9. — P. 2013-2036.

108. Vapnik V.N. Statistical Learning Theory. New York: John Wiley, 1998.

109. Vapnik V.N. The Nature of Statistical Learning Theory: 2 edition. New York: Springer-Verlag, 2000.- 334pp.

110. Wasserman L. All of Nonparametric Statistics. Springer, New York, 2006

111. Wolfowitz J. Additive partition functions and a class of statistical hypotheses. The Annals of Mathematical Statistics.-1942.-V.13,№3.-P. 247-279.

112. Yakov Ben-Haim. Info-gap decision theory. Decision under severe uncertainty. Second edition. Oxford, 2006.

Открытие Акционерное Общество «Научно-производственное Предприятие «Пирамида»

>.|. Орл-мшики не. ,1.42, С .\мк1-1к и|)Г.1р|, 196143, тел. [phone]О,3'8-бО-бЗ, факс [phone] Г-ш,»Н: |)1гаиш11 а ЫгитиЬ1 сот.г»

«УТВЕРЖДАЮ»

1 "енеральнын директор ОАО «ЛИП «Пирамида»

ОАО «ЛИП «

Г Ль

1

"• Л'"' у» ,/.

Акт о внедрении "

резудьшов кшдидлк-кои Днестр! анионной работы 1 оюлевскою Дилюлпя Сергеевича «Робасшые модели обнаружения аномальных илмерений д 1я мобильного игмершелмшю комплекса лссомтювик'лыкмо произволегва>>

Председатель- Никита Л.Д. шректор ШЦ: члены комиссии:

- Паршенцев Л.11 - нача н.ник о 1 дела С)! 1РД11:

- Р\чнниеи И Г - инженер первой клеюрнн ОПРДП.

Сосыни ш насюяшнй ак1 о юм. чн> ОАО «ШШ "Пирамида» при ра!рлбоп,е снсчечы )лек1ро1ехническою обеспечения и АСУ ИК промышленном» обьекта по ОКР <<Рашяжа>> были исиольмадны ре»чдыаш кандидаткой диссер1а1шошюй работы Гоюлевекою А С., а именно; —-метод обнаружения аномальных тмерений нл основе перехода иI временной области в флчовое пространство:

— мешд обучения системы для »ффекшвиою обнаружения аномалий на основе и меняющеюся сколыяшею окна.

Меюды были нсполыованы при проектировании авгомапнироваиных систем обнаружения аиомд 1Ы1ЫЧ (нмереиии

Председатель комиссии Члены комиссии'

•у;.

„„в»'» *'»«,, > V

«УТВЕРЖДАЮ»

i*- " ректор рПбПГГУ,д.б.н.,г!роф.

1;' -й | И^'У/ Селиховки» A.B.

.йЛ"/ Jjj", ' 20/ч-.

ч -

V \

F

' « < «f

Акт о внедрении

результатов кандидаюкой диссертационной рабош Гоголевского Анатолия Cepi еевнча «Робастные модели обнаружения аномальных измерений для мобильною измерительною комплекса лесозаютовшельиою производства»

Комиссия в составе:

Председатель - Заяц A.M.. к.т.н. проф., заведующий кафедрой информационных систем и технолопш;

члены комиссии:

- Панфилов И.В., дл.н, профессор кафедры информационных спетом и гехноло!ий;

- Шубина М.А.. кл.п., доцеиг кафедры информационных систем и технологий.

Составили настоящий акл о том, что результаты диссергационной работы Гоголевского A.C. внедрены в НИР кафедры информационных систем и юхполо! пй, выполненной по договору X» 1.6.02.11 х/д «Разработка алгоршмичссюи о обеспечения оп<азоустойчивого прибора комнлекенровання сигналов наши ацпопно-измери юльпых да пиков скоростных судов (отказоустойчивого навигационного сервера)», а именно:

1. Модель одноклассовон классификации, использующая классы распределений вероятностей, определенных на обучающей выборке, и учитывающая малый период предвари тольных измерений.

2. Программно реализованный моделирующий комплекс обнаружения аномальных измерений с использованием предложенных в работе новых моделей.

Председатель комиссии J■ ' —5 Заяц A.M.

Члены комиссии Панфилов И.В.

Шубина М.А,

Р О О СЖЪ от,¿-.Я ШЖШ^аЛГЖ я

ш ж ш ш ш

ш

Ш!

ж

Ж

Ш

ш ш ш ш

?л

ш

ш

ш

ш

ш

Ш 12 ш

■Щ

ш

щ

Ш

щщщщшш

СВИДЕТЕЛЬСТВО

о государственной регистрации программы ыя ) ВМ

№ 2014610547

Система обнаружения аномальных измерении "1ЧоуеИу (1е1есНоп \ег. 1.0"

I [ратюо.ш.иис и>. Федеральное государственное бюджетное обра ииштельноеучреждение высшего профессионального образования «Санкт-Петербургский государственный лесотехнический университет имени СМ. Кирова» (ЯI')

Ангоры: Гоголевский Анатолий Сергеевич (КС), Уткин Лев Владимирович (Ш ), Хабаров Сергей Петрович (КI')

заявка V 2013660706

Дат поечлпдения 21 Ноября 2013 Г.

Дат нч:\ дарственной ре: нет рации в Реестре программ ия )В\1 /5 ЯНварЯ 2014 г.

1'\ юнюОнше п> ФЫера 1Ы1011 г а жоы но шипе 1к-ктха п.иой аюспнхииости

Ii.ll. ( илитон

Ш-шта тш шшш ашйшшттЙГЕ2 ШЖттшт%ъшшшшш

т ж

Ш

Ж

Ш Ж № Ш

%

т т ш т ш

и »

ш

т

т