Содержание к диссертации
Введение
1. Автоматизированные информационные системы, их особенности и применение 9
2 Формализация задач, аналитические и процедурные модели автоматизированной информационной системы 21
2.1 Аналитическая формализация процесса специализированного обучения оператора
2.1.1 Анализ процесса специализированного обучения с системных позиций 23
2.1.2 Выбор математического аппарата для формализации процесса специализированного обучения
2.1.3 Аналитическое описание целей и ограничений процесса специализированного обучения 27
2.1.4 Программа управления процессом специализированного обучения (f/)
2.2 Информационная модель АИС 39
2.3 Подсистема формализации предметной области 2.3.1 Информационный массив знаний 46
2.3.2 Расчетно-логический подсистема 48
2.3.3 Подсистема приобретения знаний 2.4 Обучающая подсистема 52
2.5 Подсистема анализа и классификации 54
2.6 Выводы 64
3 Синтез структуры программных модулей 66
3.1 Задачи синтеза оптимальной структуры программных модулей по общесистемному критерию — 69
3.2 Алгоритм решения задачи синтеза оптимальной структуры программных модулей по общесистемному критерию . 71
3.3 Выводы 76
4 Формализация предметной области 77
4.1 Аналитическая модель предметной области для специализированного обучения 78
4.2 Анализ полученных результатов 92
4.3 Выводы 104
Заключение 106
Список используемых источников 107
Приложение
- Информационная модель АИС
- Подсистема анализа и классификации
- Алгоритм решения задачи синтеза оптимальной структуры программных модулей по общесистемному критерию
- Анализ полученных результатов
Введение к работе
На современном этапе экономического развития страны особое значение приобретают вопросы, связанные с функционированием промышленных предприятий и организаций в условиях рыночной конкуренции. Такая ситуация приводит к необходимости повышения требований, предъявляемых к уровню подготовки или переподготовки персонала в специализированных условиях — высокая оперативность, ограниченные затраты, разные сферы труда при различном начальном уровне подготовки.
Существующие в большом количестве и разнообразии автоматизированные обучающие системы (АОС) не могут быть использованы для указанных целей, так как они ориентированы на однородный по уровню образования состав обучаемых, отрабатывают государственные образовательные стандарты с жесткими сроками обучения и набором дисциплин. К тому же, эти системы не учитывают особенности специализированного обучения, связанные с неоднозначностью, лингвистическим разнообразием, наличием множества дидактических приемов и подходов, слабой формализацией при постановке и решении образовательных задач. Также эти системы не позволяют провести кластеризацию обучаемых по уровню промежуточной подготовки.
Поэтому актуальной является разработка автоматизированных информационных систем (АИС), реализующих специализированное обучение и применяемых для различных сфер профессиональной деятельности.
АИС следует рассматривать не только как имитацию технологического процесса, но и как систему, которая адаптируется к изменению уровня подготовки специалиста, что позволяет создавать комплексы для обучения большого количества людей с различным уровнем начальной подготовки.
Основную трудность при разработке таких АИС представляет создание аналитических и процедурных моделей, как в составе оболочки АИС так и для предметной области, учитывающих особенности решения задач специализированного обучения.
Цель работы. Разработка аналитического и процедурного обеспечения АИС, реализующей созданную модель производственного обучения и описывающую специальную предметную область - подготовку оператора вулканизационного оборудования.
Предмет исследований. Аналитические и процедурные модели АИС и предметной области, методы теории нечетких множеств, задачи оптимизации структуры программного обеспечения и кластеризации в процессе специализированного обучения.
Методы исследования. В работе использовались методы системного анализа, аналитического моделирования, теории нечетких множеств, объектно-ориентированного проектирования, теории оптимального управления, теории информационных систем и процессов.
Научная новизна работы. Аналитически сформулированы характерные задачи специализированного обучения, являющиеся оптимизационными со следующими целевыми функциями: продолжительность обучения, затраты на обучение, конечный уровень подготовки.
Разработана аналитическая модель специализированной подготовки персонала, реализованная обучающей подсистемой АИС, которая построена на основе использования лингвистических переменных и учитывает оценки первоначального уровня подготовки специалиста, его индивидуальные характеристики, выделенные ресурсы и позволяет решать сформулированные характерные задачи.
Разработана процедурная модель, позволяющая оптимальным образом объединить использование программных модулей АИС на базе нечетких множеств.
Разработана процедура решения задач кластеризации, имеющих место в процессе специализированной подготовки.
Разработана аналитическая модель подсистемы «Формализация предметной области» АИС, состоящая из набора лингвистических правил,
проведена оценка их полноты; модель адаптирована для использования в обучающей подсистеме АИС.
Практическая значимость работы. Разработанные аналитические и процедурные модели совместно с моделью предметной области использованы для построения АИС, которая опробована на примере специализированной подготовки операторов процесса вулканизации при местном ремонте шин.
Реализация работы. Элементы АИС реализованы на ОАО «Тамбовмаш», ОАО «Бокинский силикатный завод», в учебно-методических разработках для студентов специальности 071900 «Информационные системы и технологии» и профессионального лицея №17. На отдельные программные продукты получены патенты (список приведен в перечне публикаций).
Апробация работы. Основные результаты работы представлялись и обсуждались на Всероссийских и международных научных конференциях: «Методы кибернетики химико-технологических процессов (КХТП-4)» (Воронеж, 1994 г.), IX Международной конференции «Аналитические методы в химии и химической технологии» (Тверь, 1995), IV научной конференции ТГТУ (Тамбов, 1999 г.), IV Всероссийской межвузовской научной конференции «Формирование специалиста в условиях региона: новые подходы» (Тамбов, 2004 г.), VII Всероссийской научно-технической конференции «Повышение эффективности средств обработки информации на базе аналитического моделирования» (Тамбов, 2004 г.).
Публикации. По теме диссертации опубликовано 23 работ. Структура и объем работы. Диссертация состоит из введения, четырех глав, выводов, списка литературы. Она содержит 127 страниц основного текста, 38 рисунков, 4 таблицы; список литературы включает 235 наименований.
Во введении обоснована актуальность диссертационной работы, приведены научная новизна и практическая значимость, определены объект и предмет исследования, сформулированы основные цель и задачи исследования, представлены методы их решения. Кратко излагается содержание диссертации.
В первой главе «Автоматизированные информационные системы, их особенности и применение» проведен анализ аналитических и процедурных моделей существующих АИС, в том числе обучающих. Показано разнообразие их использования в различных областях человеческой деятельности.
На основе проведенного анализа литературных источников сформулированы цель и задачи исследования.
Во второй главе «Формализация задач, аналитические и процедурные модели автоматизированной информационной системы» рассмотрены вопросы разработки основных компонентов АИС специализированного обучения.
Аналитически сформулированы характерные задачи специализированного обучения, являющиеся оптимизационными со следующими целевыми функциями: продолжительность обучения, затраты на обучение, конечный уровень подготовки.
Разработана процедура решения задач кластеризации, имеющих место в процессе специализированной подготовки.
Разработана аналитическая модель специализированной подготовки персонала, реализованная обучающей подсистемой АИС, которая построена на основе использования лингвистических переменных, учитывает оценки первоначального уровня подготовки специалиста, его индивидуальные характеристики выделенные ресурсы и позволяет решать сформулированные характерные задачи.
В третьей главе «Синтез структуры программных модулей» поставлена и решена задача оптимизации состава и содержания программных модулей (по критерию, обеспечивающему экстремум эффективности АИС) с учетом основных этапов жизненного цикла: проектирование, разработка, эксплуатация.
Разработана процедурная схема решения поставленной задачи.
В четвертой главе «Формализация предметной области» рассмотрены вопросы построения информационной модели и разработки интерфейса программного продукта, обеспечивающего программную подготовку операторов на примере процесса вулканизации при местном ремонте шин.
Для введенных лингвистических переменных выбраны элементы терм множеств и функции принадлежности, для их формализации.
Построена аналитическая модель предметной области для целей подготовки операторов, основанная на использовании правил нечеткого логического вывода.
Выбраны формализации функций принадлежности для локального вывода (по одному правилу) и общего вывода (по модели).
Выполнена оценка полноты набора правил, позволяющая сделать вывод о том, что используемый набор «точно полный».
Предложенные задачи, используемые в обучающей подсистеме, позволяют организовать разноуровневую подготовку операторов.
Приведены элементы разработанной автоматизированной системы.
На защиту диссертации выносятся:
- аналитические формализации характерных задач специализированного обучения,
- аналитическая модель специализированной подготовки персонала, реализованная обучающей подсистемой АИС,
- процедурная модель, позволяющая оптимальным образом объединить использование программных модулей АИС на базе нечетких множеств,
- процедура решения задач кластеризации, имеющих место в процессе специализированной подготовки,
- аналитическая модель подсистемы «Формализация предметной области» АИС.
Информационная модель АИС
Перед АИС ставятся самые различные задачи: первоначальное обучение специалистов, их переучивание и тренировки по поддержанию навыков, профессиональный отбор, решение задач проектирования, исследования оборудования и систем управления объектами, отработка методик управления ими, а также методик и программ подготовки специалистов [142-144]. На основании этого аппаратный и программный составы и структура АИС должны обеспечивать [145]: - принципиальную возможность обеспечения режима коллективного пользования большей частью ее ресурсов; - заданную полноту воспроизведения условий моделируемой обстановки и обеспечения решения самых разнообразных новых задач, направленных на дальнейшее повышение качества подготовки специалистов, достижения более высокой эффективности использования аппаратных и программных средств и сокращения сроков ввода новых АИС; - высокую живучесть программного обеспечения, достаточным уровнем контроля и диагностики. - моделирование в реальном масштабе времени динамики объекта в штатных и нештатных ситуациях, а также логики работы подсистем объекта управления в штатных и нештатных режимах работы; - функционирование различных подсистем объекта управления и факторов внешней среды; - управление процессом специализированного обучения; - автоматизированную объективную оценку деятельности специалистов во время тренировок; - необходимый уровень защиты информации; - создание и ведение архива необходимой информации (БД); - автоматизированный оперативный контроль и регистрацию функционирования программных и аппаратных средств АИС. Сложность проектирования АИС объясняется тем, что она представляет собой совокупность разнородных сложных подсистем. Принципы построения больших систем в наибольшей мере реализуются при проектировании автоматизированных систем управления различного типа. Создание АИС по существу связано с построением большой автоматизированной системы подготовки, которой свойственны на уровне обеспечения конкретных тренировок характерные особенности АСУ технологическими процессами, а на уровне организации работы АИС в целом - черты больших организационных АСУ. С учетом требований к АИС была предложена следующая информационная модель (рис. 2.14) [142-144]. Данная система обладает рядом преимуществ по сравнению с традиционными: 1)в отличие от традиционных систем [145-148] в данной системе разбиение на модули ведется не по категориям пользователей АИС (например, подсистемы "Специалист", "Диспетчер", "Автор" и т.д.), а по функциональным блокам ("Формализация предметной области", "Обучающая подсистема" и т.д.); Формализация предметной области является одной из главных задач в построении АИС. Данная подсистема определяет содержание процесса подготовки, отвечая на вопрос: "Чему учить?". Подсистема формализации предметной области необходима, чтобы формализовать информационный массив по предметной области (используемый обучающей подсистемой), поддерживать активную работу пользователей с информацией, а также обеспечивать решение задач в расчетно-логическом режиме. Информационная модель подсистемы формализации предметной области 1 приведена на (рис. Подсистема приобретения знаний (1), рис. 2.15 осуществляет процесс выявления источников подготовки [142-144], и работа с ними - основная задача при построении предметной области. Основным источником знаний о предметной области является человек-эксперт. Подсистема приобретения подготовки работает с ним в режиме диалога и формирует необходимый объем подготовки и сведений для работы с объектом.
Подсистема советов и объяснений (2), рис. 2.15 поясняет, как именно система получила решение задачи (или почему она не получила решения) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие специалиста к полученному результату.
Пользовательский интерфейс (3), рис. 2.15 ориентирован на организацию дружелюбного общения со всеми категориями пользователей как в ходе решения задач, так и приобретения подготовки, объяснения результатов работы. Интерфейс с обучающей подсистемой обеспечивает удобный доступ к знаниям из обучающей подсистемы.
Совокупность данных в модели предметной области представляет информационный массив системы (4), рис. 2.15, содержание которого определяется аналитической моделью [135].
Информационный массив подготовки предназначен для хранения фактов, описывающих рассматриваемую проблемную область, и правил, описывающих механизм их преобразования и использования.
Информационный массив данных предназначен для хранения исходных и промежуточных данных решаемой в текущий момент задачи. Этот термин совпадает по названию, но не по смыслу с термином, используемым в информационно-поисковых системах и системах управления базами данных для обозначения всех данных, хранимых в системе.
Расчетно-логическая подсистема (5), рис. 2.15 объединяет в себе блок логических выводов и информационный массив данных и знаний, формирует такую последовательность правил, которые позволяют удовлетворить запрос
Модель предметной области представляет собой совокупность правил, фактов и связей между ними, которые принадлежат к определенному типу данных. Здесь под типом данных подразумевается совокупность свойств, в том числе множество допустимых значений, набор операций, которые могут выполняться, и т.д. Между данными в модели предметной области устанавливаются связи (отношения). Характер этих связей разнообразен и в значительной степени определяется семантикой решаемых задач.
Данные в информационном массиве связаны между собой - образуют некоторую структуру. Характер связей между данными определяется при разработке предметной области и обычно не изменяется в процессе функционирования АИС. Будем называть такие связи - связями по определению. Таким образом, связи по определению - это связи, устанавливаемые в информационном массиве при построении модели предметной области.
Подсистема анализа и классификации
Данные подсистемы представляют собой информационные массивы, которые хранят информацию о ситуациях, складывающихся в процессе специализированного обучения и соответствующих ему ошибках. Возникновение различных ситуаций определяется следующими причинами: - различными уровнями первоначальной подготовки специалиста, - индивидуальными характеристиками специалиста, - факторами внешней среды, - задачами обучения, - выделенными ресурсами.
Поэтому актуальной становится задача классификации ситуаций по группам. В общей постановке [161-166] проблема классификации ситуаций (объектов) заключается в том, чтобы всю анализируемую совокупность объектов: О = { 9f} (і = 1, «2), статистически представленную в виде матриц Q или р (геометрическая структура их попарных расстояний (близостей)), разбить на сравнительно небольшое число (заранее известное или нет) однородных в определенном смысле групп или классов.
В данном случае под объектом будем понимать ситуации, которые складываются в процессе обучения.
Для формализации этой проблемы удобно интерпретировать анализируемые объекты в качестве точек в соответствующем признаковом пространстве. Если исходные данные представлены в форме матрицы (Q), то эти точки являются непосредственными геометрическими изображениями геометрических наблюдений Qj,Q2,...,Q„2 в р-мерном пространстве ГР(П) с координатными осями Оа/Х),Оа (2),...,Ои/р).
Тогда проблема классификации состоит в разбиении анализируемой совокупности точек-наблюдений на сравнительно небольшое число (заранее известное или нет) классов таким образом, чтобы объекты, принадлежащие одному классу, находились бы на сравнительно небольших расстояниях друг от друга. Полученные в результате разбиения классы часто называют кластерами (таксонами, образами), а методы их нахождения соответственно кластер-анализом, численной таксономией, распознаванием образов с самообучением. Функции расстояния
Как отмечалось выше, каждая ситуация характеризуется матрицей Q. При классификации групп ситуаций необходимо дать количественную оценку, характеризующая различие этих ситуаций. Для этого введем в рассмотрение функции расстояния.
Евклидова метрика наиболее употребительна [167]. Метрика lx абсолютных значений наиболее проста с вычислительной точки зрения. Сюпремум-норма также легко вычисляется и включает в себя процедуру упорядочения. 1р норма охватывает функции расстояния 1, 2 и 3, соответственно при р = 1,2 и оо.
Расстояние Махаланобиса часто называют обобщенным евклидовым расстоянием. W x обычно обозначает матрицу, обратную к матрице рассеяния. Меры сходства
Многие процедуры при кластеризации совершаются ступенчато [161]. Это означает, что два наиболее близко расположенных объекта Ol и 02 объединяются и рассматриваются как один кластер. Это приводит к тому, что число объектов уменьшается и становится равным п2 -1, причем один кластер будет содержать два объекта, а п2-2 остальных по одному. Процесс можно повторять до тех пор, пока все объекты не сгруппируются в один кластер. В рассмотренной последовательной процедуре пользуются интуитивным представлением о расстоянии между объектом и кластером и расстоянии между двумя кластерами.
Обозначим через і = 1, w,; j = 1, n2) множество всех расстояний. Величину Dl (O.S) = min d\p.t, Лу.) і = 1, nx; j = 1, n2 будем называть минимальным локальным расстоянием между кластерами О и S, соответствующими данной функции расстояния d. Величина
Неотъемлемой частью задачи кластерного анализа является понятие оптимального критерия (целевой функции) [161], которое позволяет установить, когда достигается желательное разбиение. обобщенная внутриклассовая дисперсия Q3(S) является одной из характеристик степени рассеивания многомерных наблюдений одного класса (генеральной совокупности) около своего "центра тяжести". Следуя обычным правилам вычисления выборочной ковариционной матрицы W, [168], отдельно по наблюдениям попавшим в какой-то один класс S,, получаем4/=1 ) где det - "определитель матрицы", а элементы wqm(l) выборочной ковариционной матрицы Wx класса St подсчитывается по формуле где co v - v-я компонента многомерного наблюдения Q,-, а со (/)-среднее значение v -й компоненты, подсчитанное по наблюдениям / -го класса.
Функционалы качества разбиения при неизвестном числе классов В ситуациях, когда исследователю заранее не известно, на какое число классов подразделяются многомерные наблюдения QltQ2,...,Qn, функционалы качества разбиения Q(s) выбирают чаще всего в виде простой алгебраической комбинации (суммы, разности, произведения, отношения) двух функционалов /,() и /2( ) [161], один из которых /, является убывающей (невозрастающей) функцией числа классов и характеризует, как правило, внутри классовый разброс наблюдений, а второй 12 - возрастающей (неубывающей) функцией числа классов к. Под /2 понимается иногда некоторая мера взаимной удаленности (близости) классов, и мера тех потерь, которые приходиться нести исследователю при излишней детализации исследуемого массива исходных наблюдений, и величина, обратная так называемой "мере концентрации" всей структуры точек, полученной при разбиении исследуемого множества наблюдений на к классов. В [161], например, предлагается брать получающихся при разбиении S, а с - некоторая положительная постоянная, характеризующая потери исследователя при увеличении числа классов на единицу.
Описание вычислительной процедуры кластер - анализа Разработанная процедура выявления кластеров имеет некоторое сходство с процедурой, предусматривающей вычисление К внутригрупповых средних [167], поскольку и в этом процедуре центрами кластеров служат выборочные
Алгоритм решения задачи синтеза оптимальной структуры программных модулей по общесистемному критерию
Рассмотрим алгоритм решения задачи синтеза оптимальной структуры программных модулей и информационных массивов по критерию минимума стоимости разработки отладки и эксплуатации системы модулей и информационных массивов.
Пусть W{wx,...,wL) — последовательность процедур, получена в соответствии с правилом построения матрицы Zo [173]. Построим матрицу Zi, проиндексированную по строкам множеством W, столбцы которой разбиты на множество блоков по одному на каждый из элементов множества W, т.е. всего L блоков, в котором есть к-й элемент множества W, но отсутствуют элементы с индексом меньшим к. Алгоритм ф последовательно перечисляет в подмножество W булевых векторов элементы последовательности, соответствующие столбцам матрицы Z\. В процессе работы алгоритма ф блоки отыскиваются последовательно, и формирование к-то блока заканчиваете после того, как каждый элемент войдет в частное решение (рис. 3.1).
Рассмотрим множество информационных элементов V = \vy,y = 1,./) интегрированного графа G и матрицу смежности А графа G.
Определим следующее множество информационных элементов {у, является входным информационным элементом процедуры Wi}. Упорядочим множество информационных элементов Vf следующим образом. Расположим Vvy є V ,l — \,Lпо порядку их обработки процедурами wltl = \,L. Построим матрицу Z2, проиндексированную по строкам упорядоченным множеством Vfx.
Столбцы матрицы, представляющие варианты разбиения множества Vj" на подмножества и являющиеся информационными массивами сгруппируем в \Щ блоков, по одному на каждый элемент, в которых есть у-й элемент, но отсутствуют элементы с индексом, меньшим j. Алгоритм ф в процессе перечисления подмножеств множества W на дереве Дф(б) порождает соответствующие подмножества/-, перечисляемые на дереве Дф(%) В процессе перечисления сокращение обхода дерева поиска обеспечивается за счет исключения тех столбцов из очередного блока матриц Z\ и Z2, в которых множество элементов уже перечислено на предыдущих шагах в силу непересекаемости подмножеств множеств WMV.
Обозначим через х1т — множество переменных, фиксируемых в процессе ветвления на дереве Дф(0), х1т — множество переменных, фиксируемых в процессе ветвления на дереве Дф(х); {х[т} — множество переменных, зафиксированных в S-PL вершине дерева Дф(б); \xjP} — множество переменных, зафиксированных в вершине , поддерева Дф(х) -частичное решение, зафиксированное в процессе ветвления; Н — значение целевой функции для начального разбиения в0; Hs [х ) — значение целевой функции для частного решения, соответствующего 5-й вершине ветвления; Н(х) — нижняя оценка значения целевой функции для переменных, не распределенных по модулям и информационным массивам; Hmin=Hs[x j+Н(х) — нижняя оценка частного решения для s-й вершины
ветвления; W cz W— подмножество процедур, распределенных в модули; V с V — подмножество информационных элементов, распределенным по информационным массивам. Процедура поиска решения состоит из следующих шагов (рис. 3.2). 0. Построение функций принадлежности. 2. Формируется начальное разбиение в0 и соответствующее значение if.
В качестве алгоритма начального разбиения, формирующего перед началом обхода дерева поиска приближенное решение задачи синтеза системы модулей и информационных массивов, был принят эвристический алгоритм, приведенный в [173].
Строится исходная матрица Z\, при этом столбцы в матрице в пределах каждого блока необходимо расположить в порядке возрастания значения функции Н. 4. Определяется значение s = min Если просмотрены все вершины и не удовлетворены условия ветвления, то Л = Н, переход к п. 15. 5. Выбирается подмножество 0 -, такое, что W a) nW= 0. Если \w lm jc W s удовлетворяет системе ограничений, то переход к шагу 8. Если ни одна из вершин не удовлетворяет ограничениям или отсутствуют непросмотренные вершины, переход к шагу 6. 6. Проверяется, является ли зафиксированная вершина корневой. Если да, то переход к шагу 4; если нет, то переход к шагу 7. 7. Осуществляется переход к уровню q — 1. Переход к шагу 5. 8. Для множества переменных {х[т} , зафиксированных в вершине s, строится матрица Z2. 9. Определяется значение j =тту\у( tV\. Если просмотрены все вершины и не удовлетворены условия ветвления, то переход к шагу 5. 10. Выбирается подмножество Р, такое, что удовлетворяет системе ограничений, то переход к шагу 13. Если ни одна из вершин не удовлетворяет ограничениям или просмотрены все вершины — переход к шагу 11. 11. Если зафиксированная вершина — корневая на поддереве Дф(л:), то переход к шагу 9. Если нет, то к шагу 12. 12. Осуществляется переход на предыдущий уровень. Переход к шаге 10. 13. Определяется значение Hs[x lin,x r). Вычисляется значение оценки Н{х): Если Н Hmin, т.е. выполняется условие спуска, то переход к шагу 10, иначе — переход к шагу 15. 1. Поставлена и решена задача оптимизации состава и содержания программных модулей (по критерию, обеспечивающему экстремум эффективности АИС) с учетом основных этапов жизненного цикла: проектирование, разработка, эксплуатация.
Анализ полученных результатов
Результаты, полученные в предыдущих главах: информационная модель специализированной АИС, аналитическая модель процесса производственной подготовки (глава 2), формализация предметной области и решение задачи проектирования оптимальной структуры ПМ (глава 3) по общесистемному критерию, позволили создать автоматизированную информационную систему для управления технологическим процессом вулканизации [232-235].
Специфика обучения с использованием данных в виде нечетких переменных обеспечивается разработанным интерфейсом, фрагменты которого приведены на рис. 4.8-4.18. На рис. 4.8 изображен общий вид. Работа программного продукта начинается с ввода информации об специалисте и выборе задачи подготовки рис. 4.9. На рис 4.10 — 4.15 осуществляется необходимый ввод данных, в частности: рис. 4.10 — типоразмер покрышки, рис. 4.11 - определение ремонтопригодности (ограничение на ремонт - проверка знания ГОСТа), рис. 4.12 — определение места повреждения (выбор указанием курсора мыши или непосредственный ввод), рис. 4.13 - ввод начальных условий (оценки температуры нагревательных плит, качества пластыря, времени вулканизации, тока нагревательных плит). Программа позволяет синтезировать различные виды функций принадлежности для входных данных (рис. 4.14), при достаточной опытности специалиста, проведения моделирующих экспериментов с выбором различных законов изменения тока нагревательных плит (рис. 4.15). Сообщение об оценке качества ремонта и указания на ошибки и их возможные коррекции приведены на рис. 4.16.
В течение всего времени специализированной подготовки имеется возможность наблюдать ее динамику (нижняя зависимость, рис. 4.17), здесь А % — ошибка в выборе обучаемым управляющих воздействий, п — номер шага обучения. Как видно из рис. 4.18, при всех равных условиях — уровень начальной подготовки, количество занятий и др. АИС позволяет снизить погрешности управления (нижняя зависимость), а значит улучшить качество ремонта. Таким образом, в данной главе получены следующие результаты: 1. Предложена информационная модель предметной области на основе использования лингвистических переменных. 2. Для введенных лингвистических переменных выбраны элементы терм множеств и функции принадлежности для их формализации. 3. Построена аналитическая модель предметной области для целей специализированного обучения специалистов, основанная на использовании правил нечеткого логического вывода. 4. Выбраны формализации функций принадлежности для локального вывода (по одному правилу) и общего вывода (по модели). 5. Выполнена оценка полноты набора правил, позволяющая сделать вывод о том, что используемый набор «точно полный». 6. Предложены задачи, используемые в обучающей подсистеме (глава 2, рис. 2.16), позволяющие организовать разноуровневую подготовку специалистов. 1. Аналитически сформулированы характерные задачи специализированного обучения, являющиеся оптимизационными со следующими целевыми функциями: продолжительность подготовки, затраты на подготовку, конечный уровень подготовки. 2. Разработана аналитическая модель специализированного обучения, реализованная обучающей подсистемой АИС, которая построена на основе использования лингвистических переменных и учитывает оценки первоначального уровня подготовки специалиста, его индивидуальные характеристики, выделенные ресурсы и позволяет решать комплекс сформулированных характерных задач. 3. Разработана процедурная модель, позволяющая оптимальным образом объединить использование программных модулей АИС на базе нечетких множеств. 4. Разработана процедура решения задач кластеризации, имеющих место в процессе специализированной подготовки. 5. Разработана аналитическая модель подсистемы «Формализация предметной области» АИС, состоящая из набора лингвистических правил, проведена оценка их полноты; модель адаптирована для использования в обучающей подсистеме АИС.
