Содержание к диссертации
Введение
Глава 1 Методы и средства обнаружения пороков нетканых полотен 7
1.1. Традиционньїе подходы к оценке качества нетканого полотна 7
1.2. Современные методы автоматизированного контроля качества нетканых материалов 11
1.3. Информационно-измерительная сеть как система автоматизированной обработки сенсорных данных 16
Выводы по главе 1 32
Глава 2 Автоволновые методы обработки данных 35
2.1. Автоволновые процессы в распределенных динамических системах 35
2.2. Реакционно-диффузионные клеточные нейронные сети как средство моделирования автоволновых процессов 38
2.3. Автоволновые методы обработки сенсорных данных 48
Выводы по главе 2 54
Глава 3. Разработка принципов функционирования реакционно-диффузионной информационно-измерительной сети в задаче распознавания пороков нетканого полотна автоволновым методом 55
3.1. Разработка структуры реакционно-диффузионной информационно-измерительной сети 55
3.2. Разработка клеточно-нейронной модели реакционно-диффузионной информационно-измерительной сети 62
3.3. Компьютерное моделирование процесса распознавания пороков нетканого полотна на основе модели информационно- измерительной сети 64
3.3.1. Выбор критериев эффективности распознавания порока..66
Выводы по главе 3 75
Глава 4. Разработка программного комплекса для моделирования процесса обнаружения порока нетканого полотна реакционно- диффузионной информационно-измерительной сетью 77
4.1. Структурно-фужциональное описание разработанного программного комплекса «Автоволна 1» 77
4.2. Результаты компьютерного моделирования реакционно-диффузионной КНС в задаче обработки и распознавания полутоновых изображений пороков нетканых полотен 94
4.3. Предложения по комплексированию реакционно-диффузионной ИИС и SCADA в составе системы распределенного управления 107
Выводы по главе 4 112
Общие выводы 113
Список литературы 115
Приложения
- Традиционньїе подходы к оценке качества нетканого полотна
- Автоволновые процессы в распределенных динамических системах
- Разработка структуры реакционно-диффузионной информационно-измерительной сети
- Структурно-фужциональное описание разработанного программного комплекса «Автоволна 1»
Введение к работе
В практике современного текстильного производства нетканых полотен актуальными являются задачи по повышению качества и скорости выпускаемой продукции. В связи с этим возникает задача автоматизации процесса поиска пороков в движущихся полотнах нетканых материалов в процессе производства и разработки способов быстрого реагирования механических агрегатов для устранения данных пороков.
Работа посвящена первой части задачи, а именно, автоматизации поиска пороков в движущемся потоке нетканого материала. Для решения этой задачи применяются механические способы регистрации пороков определенных видов, инфракрасные и рентгеновские способы регистрации пороков[2], графические методы обработки цифровых изображений полотен волокнистого материала[70], применяются нейросетевые мето-ды[75], методы математической морфологии для выделения порока по цифровому изображению[74]. Для решения поставленной задачи в данной работе были выбраны нейроноподобные и автоволновые методы как наиболее перспективные по скорости обработки и возможности реализации в виде микрочипа.
В настоящее время микрочипы с клеточно-нейронной архитектурой производятся в промышленных масштабах. Микрочипы способны выполнять заложенную программу очень быстро благодаря своей архитектуре, которая обладает мелокозернистым параллелизмом, но основным их достоинством является возможность моделирования нелинейных и автоволновых процессов. Автоволновые методы анализа данных являются альтернативой применения методов математической морфологии, что позволяет упростить и ускорить обработку данных при обнаружении пороков нетканых материалов в режиме реального времени.
Автоволны в активных средах[10] являются прототипом автоволн в клеточно-нейронных микрочипах, в которых возникают аналогичные процессы. Многие из таких автоволновых систем могут описываться ней-роноподобными моделями [1]. Используя свойства автоволновых процессов, возможно проводить анализ изображений потока волокнистого материала с целью выявления в нем пороков.
Развитие информационных технологий для обработки цифровых изображений открывают большие возможности для создания методов оценки качества нетканых материалов по их изображениям.
Разработка информационно-измерительных систем, автоматизирующих исследования пороков волокнистых материалов по их изображению, является перспективной задачей.
Целью диссертационной работы является исследование автоволновых методов функционирования информационно-измерительных систем (ИИС)[61], предназначенных для обработки сенсорных данных в системе автоматического контроля качества нетканых полотен, а также оценки возможностей этого подхода и разработки методик их применения к задачам обнаружения дефектов на поверхности нетканых материалов. В соответствии с поставленной целью в диссертационной работе решаются следующие задачи:
разработка модели реакционно-диффузионной ИИС на основе клеточного нейросетевого подхода;
разработка методики компьютерного моделирования автоволновых процессов в реакционно-диффузионной ИИС;
применение модели реакционно-диффузионной ИИС в задаче обнаружения сорных примесей и пороков нетканых полотен, выбор критериев для обнаружения этих пороков;
создание программной системы распознавания пороков нетканого материала по полутоновому изображению его поверхности;
оценка эффективности распознавания пороков в структуре нетканого материала с помощью реакционно-диффузионной ИИС;
разработка технических предложений по внедрению реакционно-диффузионной ИИС в состав распределенной системы контроля качества нетканых материалов.В работе были использованы методы математического компьютерного моделирования, методы компьютерной обработки графической информации.
Получены следующие новые научные результаты:
впервые исследованы автоволновые методы анализа полутоновых изображений поверхности нетканого материала с помощью клеточно-нейросетевой модели ИИС;
проведена оценка эффективности распознавания типовых дефектов нетканых материалов с помощью автоволновой ИИС;
предложен способ распознавания дефектов по реакции клеточной нейронной сети;
предложена методика оценки фрактальной размерности контура бинарного изображения нейросетевого отклика рецепторного поля клеточно-нейронной сети на типовой дефект нетканого материала.
Традиционньїе подходы к оценке качества нетканого полотна
Качество нетканых материалов характеризуется содержанием посторонних примесей и пороков. Существующие методы оценки нетканых материалов на содержание сорных примесей и пороков основаны на визуальном контроле и ручном разборе, а методы оценки качества нетканых материалов регламентируются государственными стандартами, в частности, Межреспубликанские технические условия 17-64-65 «Полотна нетканые прошивные. Методы испытаний»[13], ГОСТ 17-234-87 «Полотна нетканые. Термины и определения пороков».
Качество нетканых материалов также как и тканей оценивается по балльной системе. Нетканые полотна выпускаются I и II сортами. Полотно относят к одному из сортов по сумме баллов, определяемой количеством пороков внешнего вида, приходящихся на рулон длиной 30 м. Каждый порок оценивается определенным количеством баллов. В I сорте допускается 12 и менее баллов, во втором — 36. Длина отрезов в куске допускается от 2,8 м и более. Общее количество отрезов в одном куске не должно быть не менее шести.
Наиболее значимым показателем качества нетканого материала является неровнота волокнистой массы, так как оказывает существенное влияние на физико-механические свойства волокнистых холстов, по данным указанным в [70]. Метод оценки качества по неровноте основан на измерении массы проб и вычислении статистических характеристик, таких как коэффициента вариации по длине, ширине и площади, критерия поперечной неоднородности, градиента внешней неровноты, корреляционной функции[70].
Пороки внешнего вида прошивных нетканых материалов возникают из-за использования некачественного сырья, нарушения технологического процесса производства и отделки. Эти дефекты аналогичны соответствующим дефектам тканей и трикотажа. Основные дефекты, возникающие в результате нарушения технологического процесса производства прошивных нетканых материалов, например сетка, закладка, шишковатость, толстые и тонкие места, зауженная ширина, и т.д.
Как указывается в [71], для нетканых прошивных материалов не требуется изменения технологического процесса в подготовительно-раскройном производстве, но работники, производящие оценку качества материалов, должны иметь специальную подготовку. Нетканые прошивные материалы, как и ткани, имеют пороки, которые ухудшают качество и внешний вид готовых изделий. На швейных фабриках необходима контрольная сортировка для отметки тем или иным способом участков нетканых материалов, имеющих пороки.
Пороки нетканых прошивных материалов разделяют на три основные группы в соответствии с их происхождением: 1) сырьевые пороки; 2) пороки технологического процесса производства; 3) пороки отделки. Сырьевые пороки и пороки отделки аналогичны соответствующим порокам тканей, поэтому в [71] не дается разделение их на подгруппы и виды (примеры пороков, по данным компании Cognex[72] см. таблица 1). Таблица 1 Полутоновые изображения типовых пороков поверхностей нетканых полотен
В [71] упоминается, что на швейных фабриках кроме качественной приемки нетканых прошивных материалов по внешнему виду необходима оценка их физико-механических свойств лабораторными методами. Для нетканых полушерстяных прошивных материалов вводится дополнительное испытание по определению условно-остаточной деформации.
Кроме того, для хлопчатобумажных нетканых прошивных материалов обязательно проводят испытание на усадку для выявления притяжки по ширине и усадки по длине.
Обычно, лабораторному анализу по оценке физико-механических свойств должна подвергаться каждая партия нетканых материалов. Дан ные лабораторного анализа затем сообщают конструкторам экспериментального цеха швейной фабрики[71].
Как отмечалось выше, нетканые материалы в зависимости от структуры прошивной сетки, природы волокнистого наполнителя и вида отделки обладают способностью деформироваться, т. е. растягиваться при действии на них растягивающих усилий. Поэтому при подсортировке нетканых материалов в условиях массового раскроя для настила необходимо тщательно подбирать нетканые материалы. При этом необходимо прежде всего обеспечить максимальную однородность нетканых материалов по артикулам, волокнистому составу наполнителя, структуре прошивной сетки, виду отделки, качеству.
Автоволновые процессы в распределенных динамических системах
Одними из наиболее перспективных методов обработки информации являются автоволновые, в частности реакционно-диффузионные методы. В основе автоволнового подхода к обработке данных лежит моделирование процессов, протекающих в нелинейных биологических системах, далеких от состояния термодинамического равновесия. Биология, химия, гидродинамика дают множество примеров неравновесных фазовых переходов от однородных состояний среды к «структурам» [6]. Примерами таких систем являются, в частности, биологические средства формирования и обработки изображения на сетчатке глаза, а также автоколебательные химические реакции Белоусова-Жаботинского.
В результате потери устойчивости однородного состояния в активных средах возможно возникновение пространственно неоднородных структур [21,22] .
В реакционно-диффузионных системах наблюдались различные конфигурации подобных структур, например, сотовые, спиральные, вихревые и кристаллические[64]. Изучение явлений перехода приводит во многих случаях к параболическим или, как их еще называют, диффузионным системам. Эти термины связаны с определенным классом уравнений в частных производных.
Наиболее известными моделями реакционно-диффузионных процессов являются: 1) модель Ходжкина-Хаксли, описывающая распространение нервного импульса вдоль мембраны нейрона[64]; 2) модель ФитцХью-Нагумо, описывает упрощенную абстрактную модель Ходжкина-Хаксли и воспроизводит основные её свойства; 3) модель колебательной реакции Белоусова-Жаботинского, известная как ФКН-модель или упрощенная ФКН модель - Орегонатор. Примерами моделей могут служить концентрационные волны в реакции Белоусова-Жаботинского, волны химической сигнализации в колониях некоторых микроорганизмов, волны в межзвездном газе, приводящие к образованию спиральных галактик. Важный пример активных сред представляют многие биологические ткани. Автоволновую природу имеют такие процессы как распростране ниє нервного импульса (модель ФитцХыо-Нагумо) и возбуждения в сердечной мышце (модель Алиева-Панфилова).
Результаты натурного химического эксперимента с моделью реакции Белоусова-Жаботинского подтвердили возможность использования автоволновой среды для распознавания образов [41]. Установлено [41], что использование реакции Белоусова-Жаботинского для обработки поданного на поверхность реагентов изображения, по своему действию аналогично применению методов математической морфологии.
Процессы, протекающие в реакционно-диффузионных средах, называются автоволновыми .Как указано в [6] автоволна - это волновой процесс, имеющий устойчивые ("самоподдерживающиеся") параметры — скорость, амплитуду, форму импульса. Активной средой называют распределенные биологические систему, обладающую внешним источником энергии и далекую от термодинамического равновесия [20,21]. Такие среды способны к многократному проведению автоволн. После прохождения автоволнового импульса такая среда должна восстановить свои свойства за счет поступающей из вне энергии и подготовиться к проведению следующего импульса. Необходимое для этого восстановления время называется рефрактерным периодом. В течении рефрактерного периода среда не способна к проведению следующего импульса.
Активные среды могут иметь любую размерность. В одномерном случае автоволна представляет собой распространяющийся с некоторой скоростью импульс определенной формы и амплитуды, тогда как в двумерном или трехмерном она характеризуется еще и формой своего фронта. Установлено[6], что наличие рефрактерности делает возможным существование уже в двумерном случае особых режимов, вращающихся автоволн, развивающихся из волновых фронтов со свободным концом. В достаточно больших средах, эти режимы имеют вид вращающихся спиралей, в которых кончик спирали — обрыв волны возбуждения — вращает ся "вокруг самого себя". Различные авторы называют это явление спиральными волнами, ревербераторами, роторами или автоволновыми вихрями. Это явление — пример самоорганизации, поскольку существование и местоположение такого вихря в среде не связаны с какой-либо неоднородностью, а определяются только эволюцией системы. Автоволновые вихри демонстрируют удивительную стабильность своих свойств, они ведут себя "по их собственному усмотрению", и на их поведение могут существенно влиять только те события, которые происходят вблизи центра зарождения вихря.
Моделирование автоволновых процессов подразумевает использование численных методов решения дифференциальных уравнений. Раньше, до эры электронных вычислительных машин, решением дифференциальных уравнений занимались вручную или с помощью механических вычислителей, наподобие арифмометров. Несмотря на несовершенство аппаратного обеспечения того времени, первые попытки распараллеливания вычислительных операций при численном решении ДУЧП предпринимались уже в 50-е годы XX века. В частности, академик А.Самарский предложил нестандартный подход к ускорению расчетов эволюции волны ядерного взрыва на основе устного взаимодействия сотрудников расчетного отдела, каждый из которых сообщал результаты своей локальной задачи на арифмометре[39].
Впоследствии появились ЭВМ, которые ускорили расчеты благодаря высокой скорости работы полупроводниковой электроники и, в частности, центральных процессоров. К сожалению, вся вычислительная мощь универсальных центральных процессоров производства известных компаний, таких как Intel и Amd, не позволяет в настоящее время сравниться им со специализированными устройствами, построенными на параллельных принципах. Вектор развития центральных процессоров для ЮМ PC совместимых компьютеров сместился в сторону развития по линии наращивания числа вычислительных ядер на одном кристалле, поэтому идеи распараллеливания задачи для ускорения расчетов сейчас актуальны как никогда. Одними из таких устройств являются клеточные нейронные сети. Они отличаются от микрочипов простых нейронных сетей более простым устройством не требующим реализацию связей «каждый с каждым».
Клеточно-нейронные сети впервые были предложены L.O. Chua (Чуа Л.О.)[52] в 1988 году, и могут рассматриваться как гибрид клеточных автоматов и искусственных нейронных сетей. Каждый узел такой решетки представлен генератором Чуа (см. рис. 8) [65]. Они представляет собой множество клеток, расположенных в узлах регулярной пространственной решетки (см. рис. 9а, рис. 96, рис. 11).
Время вычисления в такой сети эквивалентно времени установления сигнала в массиве элементов КНС. Это время менее одной микросекунды при использовании чипа КНС сделанного по 1.0-1.5 микронной технологии, содержащего тысячи вычислительных элементов КНС, т.е. пикселей на площади 2см2. При переводе в мощность компьютера это равняется нескольким сотням миллиардов операций в секунду (GigaFlops) (см. Таблица 3). Первый созданный и протестированный чип [34] был основан на дискретной КНС модели, а каждая ячейка сети была совмещена с фотосенсором. Таким образом, эта модель КНС оказалась способна анализировать изображения. Как указывается в [19], с помощью клеточных нейронных сетей также можно решать и другие задачи традиционного применения нейронных сетей.
Разработка структуры реакционно-диффузионной информационно-измерительной сети
Стоящая в заголовке диссертации задача предполагает работу с полотном нетканого материала, движущегося со скоростью до 800 м/мин. Для решения данной задачи целесообразно реализовать реакционно-диффузионную ИИС одним из следующих способов.
Первый способ заключается в связывании беспроводных интеллектуальных устройств между собой в единую вычислительную сеть, прототипом для которой может служить технология GRID. Согласно классификации Флинна (M.Flynn) [39] такая вычислительная сеть может рассматриваться как SIMD(Smgle instruction stream/Multiple Data Stream) архитектура, если предположить, что вместо центральных процессоров IBM PC -совместимых компьютеров используются узкоспециализированные вычислители.
В случае использования в качестве узлов реакционно-диффузионной ИИС специализированных узлов можно подсчитать максимально возможное ускорение по второму закону Амдала. Если, например, число узлов s=2500, число проводимых операций по алгоритму программы N = (14 + 20) + (5 + 20) + (5 + 20) = 84, из них последовательно выполняется п= 44. Подставив значения в (3.1) и (3.2), получим следующие результаты: 0 = 0,52; R=l,9.
Такой распределенный суперкомпьютер (метакомпьютер) обладает достаточной вычислительной мощностью для реализации обработки информации реакционно-диффузионными методами, поэтому к вычислительной сети может быть подсоединена специальная камера (см. выше рис 2), работающая со скоростью до 10000 кадров в секунду.
Например, пусть скорость движения полотна нетканого материала v = 800м/мин. Отсюда, проведя расчеты, можно вывести соотношения для оценки необходимого числа узлов для корректной обработки изображения в реальном масштабе времени.
Переведя скорость в метры в секунду, получим v — 800/60=13,3 м/с. Поэтому будем считать, что за единицу времени t = 1с полотно перемещается на S = 13,3 м (см. рис. 13). Вычисляя на сколько единиц отличаются кадры при к=10000 кадров в секунду, получим: kl=10000 0.00133=1.33 мм/кадр. Таким образом, длина S=13,3 метра делится на 10000 частей, в каждой из которых содержится 1.33 миллиметра.
После включения устройств они автоматически формируют беспроводную информационно-измерительную сеть, работающую по протоколу Zigbee.
Каждое устройство можно программировать на выполнение одного и того же автоволнового алгоритма, что облегчает настройку сети в целом, если алгоритм хорошо распараллеливается. На этой основе можно построить сеть для решения задачи, поставленной в данной диссертации, при этом получается сеть устройств, формирующая распределенный вариант клеточной нейронной сети и выполняющая автоволновую обработку видеоряда нетканого материала, поступающего с высокоскоростной камеры. Приблизительный вид такой реакционно-диффузионной ИИС представлен на рис. 15.
В данной диссертации рассмотрен вариант построения по второму способу, отличающемуся тем, что в системе не используется дорогостоящая высокоскоростная видеокамера, а применены низкоскоростные видеокамеры, объединенные в ИИС, что позволило, как показано в главе 4, провести обнаружение пороков материала без снижения качества распознавания. Рис. 14 Беспроводной интеллектуальный датчик MICA2 производства Crossbow
Рис. 15 Принцип измерения потока нетканого полотна с помощью реакционно-диффузионной ИИС. 1,2 - реакционно-диффузионная ИИС, 3 - движущееся полотно нетканого материала, 4 - пороки. При этом используется устройство типа клеточная нейронная сеть выполненное в виде интегральной микросхемы, вид которой представлен на рис. 16.
При этом каждая камера содержит в себе клеточно-нейросетевой микрочип, который моделирует реакционно-диффузионную среду, используя естественный параллелизм КНС - чипа[80]. Помимо этого, камеры образуют собой сеть, которая используется для передачи сигнала об обнаружении порока второму слою РСУ, где располагаются промышленные компьютеры, которые передадут сигнал далее по цепочке.
Нельзя не упомянуть о том, что есть еще один вариант — это случай, когда сама информационно-измерительная сеть датчиков может быть заменой высокоскоростным камерам, благодаря тому, что функцию чувствительной матрицы могут выполнять клеточные нейросетевые чипы, подобные представленному выше на рис. 16. Как указывает Роска в [40], такие чипы могут содержать в себе многослойную матрицу светочувствительных элементов, одним из слоев которой является слой нелинейных осцилляторов Чуа (см. рис. 8) или подобных ему. Эти дополнительные слои способны добавлять в устройство возможность моделирования авто волновых алгоритмов, благодаря доказанной Чуа возможности использовать КНС в качестве решателя обыкновенных дифференциальных уравнений.
Информационно-измерительные сети представляют собой широкий класс измерительных сетей и включают в себя функции систем измерения, контроля, распознавания и диагностики. Для более удобного использования информационно-измерительных сетей был предложен новый вид информационно измерительной сети. Эта сеть была названа по аналогии с реакционно-диффузионной клеточной нейронной сетью и получила название реакционно-диффузионной информационно измерительной сети (реакционно-диффузионная ИИС). Измерительные приборы в реакционно-диффузионной ИИС представляют собой интеллектуальные датчики со встроенной операционной системой. Каждый датчик может проводить измерения заданного параметра, например, делать полутоновые снимки нетканого материала и проводить анализ этих снимков с помощью реакционно-диффузионных методов.
В качестве модели реакционно-диффузионной ИИС была предложена модель решетки нейронов, которые находятся в автоволновом режиме. Благодаря тому, что клеточная нейронная сеть представляет собой синтез двух известных подходов — клеточно-автоматного (КА) и нейросе-тевого (НС). Она объединяет в себе характерную для КА локальность связей между обрабатывающимися элементами и нейроподобные элементы, как в НС подходе[7]. В [32]указывается, что предложенные проф. Л.О.Чуа, КНС использовались как альтернатива известным нейронным сетям, поэтому подход, использованный в данной работе, актуален.
Структурно-фужциональное описание разработанного программного комплекса «Автоволна 1»
Для разработки программного комплекса использовался объектно-ориентированный подход (ООП), что позволило структурировать программный код с целью упрощения последующей модификации без затрагивания критически важных частей программы.
Реализация этой взаимосвязи не рассматривалась в данной работе, так как основной целью было исследование автоволновых методов обнаружения пороков с помощью реакционно-диффузионной информационно-измерительной сети. На рис. 21 представлена структура разработанного программного комплекса «Автоволна 1», а также, его взаимосвязь с РСУ 1. реакционно-диффузионная информационно измерительная сеть; 2. моделируемая, при некоторых указанных ниже допущениях, реакционно-диффузионная ИИС с использованием реакционно-диффузионной клеточной нейронной сети; 3. блок принятия решений, работающий по алгоритмам схожим с экспертной системой; 4. вебсервис обеспечивает связь со SCADA-системой через интернет; 5. клиентское приложение, обеспечивающее связь с сервером ОРС; 6. система управления и диспетчеризации производства типа SCA-DA и ОРС сервер составе SCADA-системы; 7. база данных с историей событий. В разработанном программном комплексе основным элементом является информационно-измерительная сеть. Данная ИИС может считаться реакционно-диффузионной КНС при условиях, что вычислительные узлы информационно-измерительной сети являются узлами клеточной нейронной сети; соблюдается регулярность в расположении узлов в пространстве близкое к симметричной решетке; расстояние между узлами достаточно близкое для обеспечения надежного соединения, особенно в случае беспроводного варианта. При соблюдении этих условий информационно-измерительная сеть может рассматриваться как клеточная нейронная сеть. Если КНС моделирует уравнения типа «реакция-диффузия», то ИИС можно считать реакционно-диффузионной.
Общая схема программного комплекса Благодаря мелкозернистому параллелизму, присущему клеточным нейронным сетям, каждый элемент сети представляет собой объект, который связывается с соседними элементами и производит вычисления заранее заложенных в него алгоритмов в параллельном режиме. В данной работе не было возможности провести эксперименты с реальной информа ционно-измерительной сетью, поэтому за основу была взята программная модель.
Реакционно-диффузионная ИИС в данной работе представляет собой решетку клеточной нейронной сети с элементами на основе реакци-онно-диффузионых уравнений Хиндмарш-Роуз. Для моделирования КНС было принято решение о создании главного класса CellularNeuralNetwork («Клеточная нейронная сеть» или «КНС»), который бы представлял собой контейнер-массив для такой решетки, каждый элемент которой, в свою очередь так же представлен объектом класса Cell («Клетка»). Кроме того, в состав класса CellularNeuralNetwork входят вспомогательные функции, которые в соответствии с принципами объектно-ориентированного программирования (ООП) скрыты от пользователя класса для того, чтобы при наследовании не отвлекаться на внутреннюю реализацию вычислительной части программы.
Класс «Клетка» состоит из нескольких переменных и функций, основными из которых являются наследуемые от интерфейса IDrawQtiad, функции Draw в пяти экземплярах, различающиеся набором исходных параметров. Благодаря этим функциям, «Клетка» может рисовать себя на заданной поверхности, с заданном координатами, которые вычисляются автоматически на основании известных «Клетке» данных. «Клетка» знает каким цветом рисовать себя определяя это по передаваемому в нее цвету, который вычисляется функцией: GetTemperatureColour-(double v, double vmin, double vmax), где v - вещественной число в диапазоне vmm v vmax. Эта функция-член входит в состав класса «Клеточная нейронная сеть».
Кроме того, от интерфейса ICheckNeiborhood наследуется функция CheckNeighbors, которая позволяет каждой клетке знать своих соседей, которые могут использоваться для получения значений их выходов. Также в «Клетке» есть внутренняя переменная Coordinate, необходимая для определения местоположения клетки в двумерной решетке клеточной-нейронной сети. Помимо этого есть CurrentBrush - кисть которой клетка будет рисовать себя, CurrentPen — экземпляр класса Реп, который позволяет менять тип и цвет контура у кисти, также CurrentPoint — экземпляр класса Point, необходимый для вычисления позиции рисования текущей «Клетки».
Класс «Клеточная нейронная сеть», является главным классом в разработанной программной модели клеточной нейронной сети. В данном классе содержатся основные функции обработки. Работа класса «КНС» начинается с вызова конструктора для определения внутренних переменных. В конструкторе создается рецепторное поле клеточной нейронной сети, представленное внутренним массивом CellGrid типа Cell.
Массив для хранения переменныхkl,... ,k4 в алгоритме Рунге-Кутты 4-гопорядка public doublet,] K; Хранят максимальное и минимальноепервого слоя решетки (высчитываетсяна каждом шаге) public double maximum_X, min-imum_X;
Флаг, определяющий вид граничных условий в задаче Коши, если да, то граница справа объединена с левой, а нижняя граница с верхней, иначе значения, выходящие за пределы не высчитыва-ются public bool edge_if = false; Затем инициализируются все внутренние переменные и массивы, необходимые для начала расчетов модели. Массивы, представляющие собой слои клеточной нейронной сети(Х,У и вспомогательный Z), инициализируются случайными значениями в диапазоне -2 х 0; -10 у 0; 0 z 6; для случая, когда в модели реакционно-диффузионной КИС нужно получить автоколебательный режим в соответствии с классификацией в [10] третий режим, в котором часть пространства совершает автоколебания с амплитудой, близкой к амплитуде точечного генератора, а в другой части пространства наблюдаются вынужденные колебания. Если же в реакционно-диффузионной КНС инициализировать слои как х О; у=0; z=0, то получим второй режим в соответствии с классификацией [10], в котором все точки пространства совершают синхронные колебания с амплитудой колебаний «точечного» генератора.
