Содержание к диссертации
Введение
Глава 1. Проблема прогнозирования в сложных системах
1.1. Задача прогнозирования. Основные понятия и определения . 11
1.2. Выбор и обоснование метода обработки информации для прогнозирования сложных процессов без учета многорежимности генерирующей системы 25
1.3. Выбор и обоснование общего подхода к обработки информации для определения текущего режима функционирования многорежимной системы 53
1.4. Обобщенный алгоритм обработки информации для прогнозирования процесса, генерируемого ДМС 63
1.5. Выводы по главе 66
Глава 2. Гибридные методы обработки информации для определения режима функционирования ДМС
2.1. Описание процедуры построения дискриминатора 68
2.2. Анализ погрешности дискриминации 89
2.3. Нейросетевой классификатор на базе алгоритма «сетки» с радиально-базисными функциями треугольного вида 98
2.4. Выводы по главе 110
Глава 3. Нейросетевые методы обработки информации для прогнозирования выходного процесса ДМС, функционирующей в частных режимах
3.1. Общая методика построения частной модели для прогнозирования процесса, генерируемого ДМС, находящейся в одном из возможных режимов 112
3.2. Частная модель типа нелинейной авторегрессии прогнозирования процесса, генерируемого ДМС, находящейся водном из возможных режимов 126
3.3. Частная модель прогнозирования процесса, генерируемого ДМС, с учетом компонент, отражающих текущий режим функционирования 141
3.4. Выводы по главе 151
Глава 4. Технология программной реализации гибридных методов обработки информации для прогнозирования выходных процессов ДМС
4.1. Общие подходы к созданию программных реализаций гибридных методов обработки информации для прогнозирования выходных процессов ДМС на ПК 153
4.2. Универсальные программные средства 155
4.3. Специализированные программные средства 180
4.4. Пример применения гибридных методов прогнозирования выходного процесса ДМС в виде экспертной системы OnkoEXPERT 181
4.5. Выводы по главе 185
Глава 5. Использование гибридных методов прогнозирования сложных процессов в технических системах
5.1. Автоматизированная система анализа выносливости соединения титановой опоры, шпангоута и панели крыла самолета ЯК-42 187
5.2. Система экспресс-диагностики выносливости части конструкции самолетов ЯК-18Т и СМ-2000 (кронштейн-качалки системы управления) 193
5.3. Диагностические модели на базе программно-аппаратного комплекса «МБН-Нейромиограф» 198
5.4. Автоматизированная система анализа данных 8-канального компьютерного электроэнцефалографа серии «НеЙрон-Спектр-2» и элекгроэнцефалографа-анализатора ЭЭГА-21/26«Энцефалан-131-03» 205
5.5. Выводы по главе 210
Заключение 212
Список литературы 214
Приложения 237
- Задача прогнозирования. Основные понятия и определения
- Описание процедуры построения дискриминатора
- Общая методика построения частной модели для прогнозирования процесса, генерируемого ДМС, находящейся в одном из возможных режимов
- Универсальные программные средства
Введение к работе
Актуальность проблемы. Потребность в прогнозировании сложных процессов различной природы возникает во многих областях человеческой деятельности: технике, экономике, социальной сфере, медицине и т.д. В ряде случаев процедура прогнозирования сводится к предсказанию стохастического процесса, определенного для дискретных моментов времени (обычно с известной предысторией), порождаемого некоторой динамической системой.
В настоящее время в отечественной и зарубежной литературе имеется значительное число публикаций, в которых рассмотрены различные аспекты проблемы прогнозирования сложных процессов. Классическая теория прогнозирования стационарных случайных процессов разработана отечественными математиками А.Н. Колмогоровым, A.M. Ягломом, Ю.А. Розановым, B.C. Пугачевым, а также зарубежными специалистами Н. Винером, Р. Калманом, Р. Бюси, Т. Андерсоном и другими. Некоторые вопросы прогнозирования нестационарных случайных процессов освещены в работах B.C. Пугачева, Дж. Бокса, Г. Дженкинса, Р. Брауна, А.Г. Ивахненко и В.Г. Лапа, Ю.В. Чуева, Ю.Б. Михайлова, В.И. Кузьмина, Р.Л. Раяцкаса и других отечественных и зарубежных ученых. Прогнозирование экономических процессов на основе применения статистических методов обработки информации рассмотрено в работах Е.М. Четыркина, Ю.П. Лукашина, С.А. Айвазяна и B.C. Мхитаряна.
Следует отметить, что большинство известных методов обработки информации применяется для прогнозирования выходных процессов динамических систем, которые могут быть хорошо описаны при помощи системы линейных дифференциальных или разностных стохастических уравнений. Для процессов нелинейного вида (порождаемых нелинейными динамическими системами) в ряде публикаций последних лет предлагается использовать достаточно перспективные для решения указанной задачи нейросетевые или гибридные нейро-нечеткие методы обработки и анализа данных. Однако в данном случае предполагается, что исследуемый случайный процесс генерируется динамиче-
ской системой, которая может быть адекватно описана одной (возможно нелинейной) моделью.
Между тем, в промышленности на практике достаточно распространены сложные динамические системы, поведение которых значительно меняется во времени в зависимости от внешних воздействий. К таким системам относятся, например, многорежимные системы (с переменной структурой, событийно-управляемые или гибридные). Подобные динамические многорежимные системы (ДМС) отличаются различным поведением в разных областях фазового пространства, т.е. их фазовая траектория в зависимости от внешних воздействий постоянно переходит из одной области в другую. К таким системам относятся стохастические динамические системы, чье фазовое пространство разбивается на ячейки с различным поведением, системы, которые описываются дифференциальными уравнениями с разрывными правыми частями, и системы, у которых меняется размерность в различных областях фазового пространства. Адекватное математическое описание ДМС часто не возможно свести к одной конечной системе дифференциальных или разностных уравнений или к одной непараметрической модели. В связи с этим указанные системы с точки зрения математического описания можно также называть многорежимными.
В большинстве случаев процессы, генерируемые ДМС, представляют собой сложные процессы, прогнозирование которых обычно производится в условиях отсутствия или неполноты информации о структуре генерирующей системы. Существующие методы обработки информации в данной ситуации часто не позволяют получить приемлемые по точности и достоверности результаты. Это связано с тем, что известные методы обработки информации, используемые для прогнозирования случайных процессов, не в полной мере учитывают многорежимность ДМС, что приводит к снижению качества прогнозирования.
В связи с изложенным, актуальной научной проблемой, имеющей важное теоретическое и практическое значение, является проблема повышения эффективности прогнозирования сложных процессов в динамических многорежимных системах.
Цель работы: разработка методологического принципа и методов обработки информации для кратко- и среднесрочного прогнозирования выходных процессов сложных динамических систем в промышленности, учитывающих многорежимность их функционирования.
Для реализации указанной цели были поставлены и решены следующие основные задачи:
Разработка методологического принципа обработки информации для прогнозирования сложного стохастического процесса, генерируемого ДМС.
Разработка и исследование гибридных методов идентификации и прогнозирования режимов функционирования ДМС в условиях неполной информации о состоянии системы.
Разработка и исследование гибридных методов обработки информации для прогнозирования выходного процесса ДМС для ее текущего режима.
Разработка технологии программной реализации гибридных методов обработки информации для кратко- и среднесрочного прогнозирования выходных процессов ДМС.
5. Выработка практических рекомендаций по применению гибридных
методов обработки информации и их программных реализаций для исследова
ния состояния сложных технических систем в промышленности.
Методы исследований. В исследовании использованы методы теорий искусственных нейронных сетей, вероятностей и математической статистики, имитационного моделирования, автоматического управления, системного анализа, нечеткой логики.
Достоверность теоретических разработок подтверждена результатами вычислительных экспериментов и экспериментальных исследований реальных промышленных объектов, которые позволяют сделать вывод об эффективности разработанных методов обработки информации.
Обоснованность результатов подтверждается корректным использованием положений теорий системного анализа, вероятностей и математической статистики, искусственных нейронных сетей, автоматического управления.
8 Основные положения, выносимые на защиту:
Методологический принцип обработки информации для прогнозирования сложного стохастического процесса, генерируемого ДМС.
Гибридные методы идентификации и прогнозирования режимов функционирования ДМС.
Нейросетевые методы обработки информации для прогнозирования выходного процесса в частных режимах функционирования ДМС.
Технология программной реализации гибридных методов обработки информации для прогнозирования выходных процессов ДМС в промышленности.
Научная новизна. К наиболее существенным научным результатам относятся следующие.
Предложен методологический принцип прогнозирования сложных процессов, генерируемых ДМС, который позволяет реализовать эффективное, с точки зрения точности и достоверности, прогнозирование состояния многорежимных систем за счет введения дополнительных этапов прогнозирования режима функционирования ДМС и прогнозирования выходного процесса для частных режимов функционирования ДМС с использованием гибридных нейро-сетевых и нейро-нечетких методов обработки информации.
Разработаны и исследованы гибридные нейро-нечеткие методы обработки информации, позволяющие определять текущие режимы функционирования ДМС, которые, в отличие от известных, включают процедуры адаптации базы и параметров решающих нечетких продукционных правил.
Предложены гибридные методы обработки информации для прогнозирования выходного процесса ДМС, функционирующей в одном из возможных режимов, основанные на применении нейросетевого подхода. Разработаны рекомендации по оптимизации структуры нейронной сети (НС), в том числе, с учетом требований к ее устойчивости, определены условия и процедура обучения нейро-нечеткой модели прогнозируемого процесса, позволяющие гарантировать заданную точность и достоверность прогнозирования.
4. Разработана технология создания и применения программных средств, реализующих гибридные методы прогнозирования выходных процессов ДМС, для решения задач прогноза и управления, на основе которой проведено исследование ряда конкретных систем в промышленности. На реальных данных показано, что точность прогнозирования сложных процессов, генерируемых ДМС, с использованием предложенных методов выше, чем при использовании существующих методов.
Практическая значимость. Предложенные модули программно-информационных комплексов для прогнозирования режимов функционирования сложных управляемых систем в промышленности могут быть использованы в качестве программного обеспечения интеллектуальных информационных систем технической диагностики.
Реализация результатов работы. Результаты работы практически использованы в ОАО «Смоленский авиационный завод» и в ООО «Научно-коммерческая фирма «Техноавиа» (Москва) при разработке автоматизированных систем диагностики выносливости частей конструкций самолетов ЯК-42, ЯК-18Т, СМ-2000, что позволило оптимизировать формы технического обслуживания. Разработанные методы использованы также на кафедрах Смоленской государственной медицинской академии и в Московском областном научно-исследовательском клиническом институте (МОНИКИ) при разработке программного обеспечения систем диагностики на базе серийных программно-аппаратных комплексов: электроэнцефалограф-анализатор ЭЭГА-21/26 «Энце-фалан-131-03», «МБН-Нейромиограф», 8-канальный компьютерный электроэнцефалограф серии «Нейрон-Спектр-2», что позволило повысить точность проведения дифференциальной диагностики при использовании компьютерных диагностических комплексов. Методологические и теоретические результаты работы использованы в учебном процессе в Тверском государственном техническом университете, филиале Московского энергетического института в г. Смоленске, Смоленском государственном педагогическом университете.
Апробация работы. Результаты диссертационной работы докладывались и обсуждались на Международных научных конференциях «Математические методы в технике и технологиях ММТТ-14, 15, 16»; Международной научной конференции «Математические методы в интеллектуальных информационных системах ММИИС-2002», Всероссийской научной конференции «Современные информационные технологии в медицине и экологии», II, III и IV Международных научных конференциях «Системы компьютерной математики и их приложения», а также на научных семинарах в Тверском государственном техническом университете, филиале Московского энергетического института в г. Смоленске, Смоленском государственном педагогическом университете, Военном университете общевойсковой ПВО МО РФ.
Публикации. Основные результаты диссертации опубликованы в 42 работах, в том числе в двух монографиях. В работах, написанных в соавторстве, И.В. Абраменковой принадлежат результаты, касающиеся методологических и теоретических концепций разработки и использования гибридных методов обработки информации для прогнозирования сложных процессов, генерируемых ДМС, а также результаты, относящиеся к практической реализации указанных методов в промышленности.
Задача прогнозирования. Основные понятия и определения
Научная новизна. К наиболее существенным научным результатам относятся следующие. 1. Предложен методологический принцип прогнозирования сложных процессов, генерируемых ДМС, который позволяет реализовать эффективное, с точки зрения точности и достоверности, прогнозирование состояния многорежимных систем за счет введения дополнительных этапов прогнозирования режима функционирования ДМС и прогнозирования выходного процесса для частных режимов функционирования ДМС с использованием гибридных нейро-сетевых и нейро-нечетких методов обработки информации. 2. Разработаны и исследованы гибридные нейро-нечеткие методы обработки информации, позволяющие определять текущие режимы функционирования ДМС, которые, в отличие от известных, включают процедуры адаптации базы и параметров решающих нечетких продукционных правил. 3. Предложены гибридные методы обработки информации для прогнозирования выходного процесса ДМС, функционирующей в одном из возможных режимов, основанные на применении нейросетевого подхода. Разработаны рекомендации по оптимизации структуры нейронной сети (НС), в том числе, с учетом требований к ее устойчивости, определены условия и процедура обучения нейро-нечеткой модели прогнозируемого процесса, позволяющие гарантировать заданную точность и достоверность прогнозирования. 4. Разработана технология создания и применения программных средств, реализующих гибридные методы прогнозирования выходных процессов ДМС, для решения задач прогноза и управления, на основе которой проведено исследование ряда конкретных систем в промышленности. На реальных данных показано, что точность прогнозирования сложных процессов, генерируемых ДМС, с использованием предложенных методов выше, чем при использовании существующих методов.
Практическая значимость. Предложенные модули программно-информационных комплексов для прогнозирования режимов функционирования сложных управляемых систем в промышленности могут быть использованы в качестве программного обеспечения интеллектуальных информационных систем технической диагностики.
Реализация результатов работы. Результаты работы практически использованы в ОАО «Смоленский авиационный завод» и в ООО «Научно-коммерческая фирма «Техноавиа» (Москва) при разработке автоматизированных систем диагностики выносливости частей конструкций самолетов ЯК-42, ЯК-18Т, СМ-2000, что позволило оптимизировать формы технического обслуживания. Разработанные методы использованы также на кафедрах Смоленской государственной медицинской академии и в Московском областном научно-исследовательском клиническом институте (МОНИКИ) при разработке программного обеспечения систем диагностики на базе серийных программно-аппаратных комплексов: электроэнцефалограф-анализатор ЭЭГА-21/26 «Энце-фалан-131-03», «МБН-Нейромиограф», 8-канальный компьютерный электроэнцефалограф серии «Нейрон-Спектр-2», что позволило повысить точность проведения дифференциальной диагностики при использовании компьютерных диагностических комплексов. Методологические и теоретические результаты работы использованы в учебном процессе в Тверском государственном техническом университете, филиале Московского энергетического института в г. Смоленске, Смоленском государственном педагогическом университете. Апробация работы. Результаты диссертационной работы докладывались и обсуждались на Международных научных конференциях «Математические методы в технике и технологиях ММТТ-14, 15, 16»; Международной научной конференции «Математические методы в интеллектуальных информационных системах ММИИС-2002», Всероссийской научной конференции «Современные информационные технологии в медицине и экологии», II, III и IV Международных научных конференциях «Системы компьютерной математики и их приложения», а также на научных семинарах в Тверском государственном техническом университете, филиале Московского энергетического института в г. Смоленске, Смоленском государственном педагогическом университете, Военном университете общевойсковой ПВО МО РФ.
Публикации. Основные результаты диссертации опубликованы в 42 работах, в том числе в двух монографиях. В работах, написанных в соавторстве, И.В. Абраменковой принадлежат результаты, касающиеся методологических и теоретических концепций разработки и использования гибридных методов обработки информации для прогнозирования сложных процессов, генерируемых ДМС, а также результаты, относящиеся к практической реализации указанных методов в промышленности.
Описание процедуры построения дискриминатора
Таким образом, к основным результатам, приведенным в данной главе, можно отнести следующие. 1. Определен класс процессов, генерируемых ДМС, Под процессами, генерируемыми ДМС, понимается процесс на выходе в общем случае существенно нелинейной стохастической динамической системы, которая имеет несколько режимов или фаз работы, при этом моменты перехода системы из одного режима в другой заранее неизвестны. Установлено, что такое определение охватывает многие виды реальных технических, экономических, социальных и других процессов. 2. Сформулирована задача прогнозирования для сложных процессов. 3. Проведен сравнительный анализ известных методов прогнозирования с целью выбора наиболее перспективного для решения поставленной задачи прогнозирования выходных процессов ДМС. 4. Рассмотрены возможные подходы к решению задачи прогнозирования процессов без учета многорежимности генерирующей системы. Выделены основные недостатки и достоинства известных методов применительно к поставленной задаче. Установлено, что практически все методы реализуют краткосрочные однократные или среднесрочные многократные прогнозы. В полной мере об учете экспертной информации можно говорить для нейро-нечетких методов, все остальные являются экстраполяционными или моделирующими и такую информацию используют в меньшей степени или не используют вообще. 5. Общих методов долгосрочного прогноза уникальных событий по-видимому не существует. 6. Анализ литературных источников позволяет сделать вывод, что подавляющее число процессов, отражающих функционирование многих технических объектов, являются сложными процессами. Полагается, что сложными также являются такие процессы, которые отражают и биологические явления и т.д. 8. Сформулированы частные задачи, решение которых необходимо для реализации общего метода обработки информации для прогнозирования выходного процесса ДМС. 9. Установлено, что для предложенного гибридного метода обработки информации для прогнозирования выходного процесса ДМС, первая частная задача сводится к задаче классификации или распознавания образов, а вторая является задачей идентификации в общем случае нелинейных динамических объектов. 10. Проведен сравнительный анализ известных методов классификации (распознавания образов) с целью выбора наиболе перспективного для решения поставленной частной задачи дискриминации структур системы прогнозирования. Установлено, что при минимальной априорной информации о характеристиках признаков классов и обучающих выборках небольшого объема (N 20-r30) наиболее перспективной основой для создания требуемого дискриминатора являются методы нечеткой логики с использованием адаптации (оптимизации) структуры и параметров дискриминатора. В главе разработана реализация первого этапа рассматриваемого в первой главе диссертации обобщенного алгоритма обработки информации - метода дискриминации структур обобщенной модели процесса (распознавания текущего режима функционирования ДМС). Предполагается, что в качестве информационных признаков классификации используются компоненты вектора , о вероятностных характеристиках которых информация отсутствует, Рассмотрим возможные подходы к построению метода обработки информации для определения текущего режима ДМС - нечеткого адаптивного распознавателя (дискриминатора структур). Данный метод определения текущего режима функционирования ДМС предполагает два этапа обработки информации: 1) этап адаптации базы (нечетких) правил распознавателя; 2) этап адаптации параметров правил, составляющих сформированную базу правил. Как первый, так и второй этапы могут быть реализованы различными способами. Так, первый возможный вариант процедуры построения распознавателя выглядит следующим образом. 2. Поскольку полная база правил наверняка является избыточной (может содержать противоречащие друг другу правила - с одинаковыми предпосылками и разными следствиями и т.п.), набор правил оптимизируется путем применения того или иного алгоритма сокращения. Это приводит к уменьшению (существенному) количества правил, оставляемых в базе. В сущности, в данном случае данный этап представляет собой этап адаптации базы правил к имеющимся экспериментальным данным (обучающей выборке).
Общая методика построения частной модели для прогнозирования процесса, генерируемого ДМС, находящейся в одном из возможных режимов
Основные положения нейросетевого подхода к прогнозированию значений временного ряда приведем на примере методики такого прогнозирования для одномерного (скалярного) ряда. Такая методика включает в себя реализацию следующих этапов.
Подготовка и предобработка исходных данных. Предполагается, что в распоряжении исследователя имеется достаточно длинная (не менее нескольких десятков) выборка из Л" значений рассматриваемого процесса yt,yt_j,...,yt_tf+j для равноудаленных моментов времени t,t — l,...,t-N + l. Следует отметить, что при нейросетевом подходе тщательная предварительная подготовка и обработка данных может сэкономить массу времени и уберечь от многих ошибок. Рассмотрим некоторые относящиеся сюда вопросы. Заполнение пропусков. На практике нередки ситуации, когда в массиве исходных данных значения ряда для некоторых моментов времени отсутствуют. Наличие пропусков значительно затрудняет процедуру нейросетевого прогнозирования, так как может привести к существенному уменьшению примеров обучающей выборки. При решении задач анализа временного ряда применяются, в основном, следующие два метода заполнения пропуска: а) заполнение по методу ближайших соседей (подставляется среднее арифме тическое двух ближайших присутствующих значений); б) заполнение с помощью регрессии (пропущенные значения оцениваются с помощью регрессии на несколько ближайших присутствующих значений). Более точным, как отмечается в [243], является второй метод (содержательный обзор работ и алгоритмов по заполнению пропусков приведен в монографии [185]). Преобразование данных. Предварительное, до подачи на вход сети, преобразование данных с помощью стандартных статистических приемов может существенно улучшить качество прогнозирования [21]. Например, если исходный ряд имеет отчетливый экспоненциальный вид, то после его логарифмирования получится более простой ряд, и, если в нем имеются сложные зависимости высоких порядков, обнаружить их теперь будет гораздо легче. Типичные способы преобразования - возведение в степень, извлечение корня, взятие обратных величин, экспонент или логарифмов, переход к разностям, выделение трендов и сезонных составляющих [69].
Подобные преобразования зачастую приводят к некоторому преобразованному ряду {zj},i= i,N , для которого удовлетворяются сформулированные выше достаточные условия для выполнения теоремы о полноте. Масштабирование. Рекомендуется проводить масштабирование преобразованного ряда так, чтобы все значения оказались в рамках допустимых значений активности нейронов. Поскольку для наиболее распространенной функции активации - сигмоидальной - это диапазон от 0.1 до 0.9, масштабирование можно осуществлять, например, по формуле: где zmin,zmax - минимальное и максимальное значения преобразованного ряда.
Выбор глубины погружения (порядка модели). Существует много подходов для выбора глубины погружения d в модели (3.2), некоторые из которых основаны на использовании теоретических представлений о свойствах временного ряда, а другие являются чисто эмпирическими (например, подход, основанный на использовании нейросетевых моделей с наращиваемым порядком). Перспективным направлением для определения оптимального значения d представляется использование вэйвлет - преобразования [114Д15].
Задание слишком большой глубины погружения не всегда целесообразно: во-первых, это может привести к ухудшению предсказуемости, когда повышение размерности входов нейронной сети уже не компенсируется увеличением их информативности; во-вторых, задание большого d может привести к дефициту примеров для обучения сети.
Число примеров, правда, можно повысить, используя для этого те или иные априорные соображения об инвариантах динамики временного ряда. Речь идет о генерации искусственных примеров (hints), получаемых из уже имеющихся применением к ним различного рода преобразований.
Поясним основную мысль на примере [115]. Психологически оправдано следующее предположение: игроки финансовых рынков обращают внимание в основном на форму кривой цен, а не на конкретные значения по осям. Поэтому, если немного растянуть по оси котировок весь финансовый (временной) ряд, то полученный в результате такого преобразования ряд также можно использовать для обучения наряду с исходным (т.е. число примеров удваивается за счет использования априорной информации, вытекающей из психологических особенностей восприятия временных рядов участниками рынка). Другой возможный путь для удвоения числа примеров - каждому примеру вида {yt-N+i — yt-i yt) yt+i добавить его симметричный аналог
Составление таблицы примеров для обучения и тестирования нейронной сети. По значениям преобразованного и промасштабированного ряда { ,} составля 117 ется следующая таблица примеров (табл. 3.1) для обучения и тестирования нейронной сети (общее число примеров равно N -d).
Универсальные программные средства
Для программной реализации гибридных методов прогнозирования необходимо наличие средств программирования, позволяющих создавать исполняемые приложения, средств для проектирования GUI-интерфейса и специализированных готовых программных продуктов, в частности, нейропакетов, позволяющих использовать функции обучения, настройки, топологии НС. Следует отметить, что современные средства программирования не позволяют в полной мере реализовать разработанные в диссертационной работе гибридные методы прогнозирования из-за отсутствия одновременной возможности проектирования нейросетевых моделей, обработки многомерных массивов, 3-D графики. Всеми перечисленными возможностями обладают специализированные математические пакеты, однако в большинстве они не позволяют создавать исполняемые приложения. Последнее обстоятельство является в данном случае не приемлемым, особенно для реализации программных модулей специализированного назначения - для использования в программно-аппаратных комплексах (в промышленности и аппаратуре медицинской диагностики), т.к. наряду с самим программным модулем необходимо устанавливать математический пакет со всеми библиотеками и расширениями.
Поэтому для реализации гибридных методов прогнозирования в диссертации предложена технология создания универсальных и специализированных программных средств с помощью математического пакета MATLAB 6.0. Данный пакет позволяет использовать специализированные возможности нейросе-тевых пакетов расширения системы и имеет средства для проектирования GUI-интерфейса. Однако создание исполняемых программных реализаций гибридного метода прогнозирования в системе MATLAB 6.0 затруднено. Поэтому для разрабатываемых программных реализаций предложено использовать внешний компилятор для фрагментов программных модулей, содержащих специализированные функции пакетов расширения Neural Networks и Fuzzy Logic. Создание программных реализаций гибридных методов прогнозирования предлагается проводить в три этапа. На первом этапе разрабатываемые программные модули, использующие встроенные функции (обучения, настройки слоев нейронов, инициализации весов и смещений, создания нейронных сетей, размещения нейронов (топологические функции); функции принадлежности нечеткой логики и т.д.), сохраняются в виде М-файлов. На следующем этапе осуществляется проектирование GUI интерфейса с возможностями графической визуализации результатов прогнозирования в виде 3-D. На третьем этапе осуществляется компиляция (преимущественно для специализированных программных средств) для создания независимых приложений.
Данная технология позволяет также создать специализированный пакет расширения, содержащий программные реализации гибридного метода обработки информации для прогнозирования выходного процесса ДМС в виде подпрограмм-функций с последующим их использованием в виде пакета расширения системы MATLAB. Это позволяет встраивать разработанные программные реализации гибридного метода в виде нового пакета расширения в математическую систему с предоставлением доступа ко всем разработанным подпрограммам-функциям в среде MATLAB.
Предлагаемый общий подход к программной реализации гибридных методов обработки информации для прогнозирования выходных процессов ДМС на ПК применен для создания универсальных и специализированных программных средств, составляющих пакет расширения системы MATLAB. Рассмотрим программные модули каждой группы в отдельности.
К универсальным программным средствам в данном случае относятся программы FuzzyADAPT, DataForm, ObjectCLASS, PredictModel-S, PredictModel-Ext, реализованные в рамках системы Matlab 6.0, а также программа NeuroNetRBF, реализованная в системе Mathcad 2000. Рассмотрим указанные программы подробнее. Программа DataForm. 1. Назначение: формирование обучающей и тестовой выборок для расчета и исследования модельных примеров. Программа содержит окно графической визуализации результатов для создания обучающей и тестовой выборок и сохранения их в виде внешних файлов (с расширениями .obv, и .tsv). 2. Задаваемая входная информация: - для обучающей выборки: математическое ожидание и дисперсия элементов выборки, ее объем Nobv. - для тестовой выборки: математическое ожидание и дисперсия элементов выборки, ее объем Ntsv, 3. Особенности программы и вид выходной информации: программа использует ряд специализированных подпрограмм для проектирования GUI-интерфейса и формирования объектов с двумя случайными, независимыми, распределенными по гауссовому закону и приведенными к одному масштабу признаками 7 и %2 (рис 4.1). Обращение к подпрограммам происходит как к подпрограммам-функциям.
