Коллективные решающие правила в задачах распознавания производственных ситуаций

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

ФГБОУ ВО «Оренбургский государственный университет»

Коллективные решающие правила в задачах распознавания производственных ситуаций

Трипкош В.А., кандидат технических наук, доцент

Шепель В.Н., доктор экономических наук, профессор

Акимов С.С.

При решении проблем, связанных с распознаванием ситуаций, в том числе производственных, важным является необходимость решения задачи отыскания оптимальных решающих процедур (правил, алгоритмов). На практике, при создании систем автоматического распознавания (распознающего автомата), как правило, эту задачу решают на основе известных алгоритмов принятия решений. Однако одни из них основываются на технологиях индивидуального распознавания (распознавания по одному объекту или элементу ситуации) и, соответственно, не отличаются достаточной эффективностью; другие используют весьма затратные и не всегда оправданные на практике технологии, например, нейросетевые. Поэтому тема исследования, связанная с использованием, так называемых коллективных решающих правил, занимающих по критерию сложности и, соответственно, затратности промежуточное положение, при решении задач распознавания производственных ситуаций является актуальной.

Цель настоящей статьи заключается в исследовании различных реализаций коллективных решающих правил в интересах последующей разработки, практически реализуемого в системах автоматического распознавания производственных ситуаций, алгоритма принятия решений.

Выбор методов распознавания во многом определяется тем, для какого уровня автоматизированной информационно-управляющей системы (АИУС) предприятия поставляется информация о текущей производственной ситуации [7]. От этого же фактора зависит выбор алфавита классов ситуаций и словаря признаков.

Обычно в АИУС предприятия решается задача по управлению группой из производственных процессов , причем каждый из процессов может находиться в разных стадиях выполнения и в одном из возможных состояний . Состояние каждого процесса в АИУС контролируется по параметрам, причем для каждого параметра учитывается его измеренное значение .

Совокупность из управляемых со стороны АИУС процессов, находящихся в конкретных состояниях и описываемых конкретными значениями параметров, можно определить как производственную ситуацию [8].

Для осуществления эффективного управления производственными процессами в АИУС необходимо достоверно распознать имеющую место в данный момент ситуацию , принадлежащую множеству из возможных производственных ситуаций.

Таким образом, в терминах теории распознавания образов число определяет алфавит классов, - словарь признаков, а - алфавит производственных ситуаций.

При исследовании различных решающих процедур с точки зрения их вклада в степень достоверности распознавания надо исходить из основного предназначения распознающего автомата, заключающегося в том, чтобы на основе собранной информации определить класс объекта с характеристиками, аналогичными измеренным у распознаваемых объектов. Правильность распознавания зависит от объема различающей информации, содержащейся в измеряемых характеристиках, и эффективности использования этой информации [5].

При использовании коллективов решающих правил в качестве рабочего алгоритма в системе распознавания эффективность учета полученной при измерении характеристик объекта информации заведомо выше, чем у индивидуальных алгоритмов, так как в алгоритме распознавания используется двухуровневая схема. На первом уровне применяются индивидуальные (частные) решающие правила, результаты работы которых объединяются в блоке синтеза на втором уровне.

То есть, в этом случае, для реализации процедуры распознавания и идентификации производственной ситуации необходимо в начале осуществить индивидуальное (частное) распознавание состояния каждого -го процесса, а затем сравнить распознанный по одному состав группы из процессов с одним из допустимых ее составов , что позволит определить класс ситуации .

Для распознавания производственных ситуаций в АИУС предприятия в качестве рабочего алгоритма можно применить целый ряд вариантов реализации коллективных решающих правил, которые позволяют в интересах достоверного распознавания состояний производственных процессов использовать дополнительную информацию, характеризующую ситуацию в целом.

Проведем анализ различных реализаций коллективных решающих правил с учетом их возможного применения их в распознающих автоматах АИУС предприятий.

Адаптивные одношаговые алгоритмы предполагают анализ множества измеренных признаков всех объектов группы, с дальнейшей оценкой числа объектов -го класса в группе из объектов и функций плотности распределения вероятностей значений признаков -го класса в группах вида. Для сокращения записи в дальнейшем функции плотности распределения вероятностей признаков будем называть законами распределения вероятностей (ЗРВ). По завершению анализа множества измеренных признаков осуществляется принятие решения о классах всех объектов в группе за счет замены априорной вероятности наличия объекта -го класса и ЗРВ значений признаков -го класса оценками вероятностей наличия -го класса в группе вида и ЗРВ , соответственно. Оценки составов групп могут быть определены способами, приведенными в публикациях [1, 2].

Решающее правило для адаптивных алгоритмов имеет вид

.

ЗРВ значений признаков могут не совпадать с ЗРВ . В этом случае, расчет не возможен, затруднен, или имеются ограничения по хранению априорных статистик значений признаков для классов объектов и вариантов состава групп, их следует заменить на ЗРВ .

В работе [1] приведены результаты исследований различных разновидностей адаптивных одношаговых алгоритмов, которые свидетельствуют об их хорошей эффективности в условиях больших размеров групп предъявленных к распознаванию объектов, а также когда эти группы достаточно однородны.

С учетом особенностей адаптивных одношаговых алгоритмов их использование в системах распознавания ситуаций в АИУС предприятий может быть ограниченным.

Алгоритмы распознавания, основанные на решении составной байесовской задачи, используют замену классов алфавита множеством вариантов состава группы. Каждому варианту сопоставляется априорная вероятность наличия группы такого состава и определяется процедура нахождения условных ЗРВ группы при наблюдении -го вида ее состава. Распознавание классов всех объектов группы сводится к определению одного из возможных вариантов ее состава

.

Как показано в работе [2] при заданных вероятностных описаниях признаков объектов составной байесовский алгоритм обеспечивает наибольшую достоверность распознавания. Результаты моделирования процессов распознавания производственных ситуаций с использованием составных решающих правил, приведенные в работе [6], полностью подтвердили этот вывод.

Следует отметить, что практическая реализация составных байесовских правил при решении прикладных задач распознавания существенно затруднено в связи с экспоненциальным возрастанием вычисленных и, соответственно, временных затрат при расчете статистик в случае роста числа классов (алфавита классов) и числа объектов в группе (размерности задачи).

С учетом названных особенностей, составные правила можно использовать в качестве рабочих алгоритмов распознавания производственных ситуаций в АИУС, но при условии эффективного решения задачи снижения объема вычислений. Вариант решения этой проблемы на основе использования аппарата граф-схем приведен в работе [7].

Комбинированные алгоритмы распознавания рассмотрены в работах [2, 4]. Они предполагают распознавание объектов в два этапа. На первом этапе определяется число объектов каждого класса в предъявленной группе. В ходе второго этапа используется одна из версий составных байесовских правил. Сложность составных правил, при этом, значительно уменьшается за счет такого уточнения состава группы. В идеале, количество вариантов состава группы может быть снижено с экспоненциального значения до числа сочетаний . Различные версии комбинированных алгоритмов отличаются только способом реализации первого этапа и оценки . Эти способы могут быть такими же, как и при использовании адаптивных одношаговых алгоритмов. Комбинированные алгоритмы в различных условиях позволяют использовать достоинства составных байесовских правил или адаптивных одношаговых алгоритмов [2]. Таким образом, комбинированные алгоритмы позволяют:

- в случае предъявления групп небольших размеров снизить объем вычислений и обеспечить высокую достоверность распознавания за счет составных байесовских правил;

- в случае групп больших размеров обеспечить качество распознавания, соответствующее адаптивным одношаговым алгоритмам.

Комбинированные алгоритмы также как и адаптивные можно лишь ограниченно использовать при распознавании ситуаций в производственных АИУС.

Алгоритмы распознавания с контекстом предполагают учет результатов распознавания ранее предъявленных объектов в ходе распознавания следующих. Практика учета контекста при распознавании в настоящее время рассмотрена недостаточно полно, в работе [3] исследованы лишь некоторые теоретические вопросы. Однако, результаты этих исследований позволяют предположить, что такие алгоритмы могут применяться в АИУС в полном объеме.

Анализ рассмотренных коллективных решающих правил в качестве алгоритмов распознавания ситуаций позволяет сделать следующие выводы:

- коллективные решающие правила позволяют обеспечить более высокое качество распознавания объектов по сравнению с алгоритмами их индивидуальной идентификации, в случае если таких объектов более двух;

- коллективные решающие правила, обычно требуют больших затрат по памяти и объему машинных вычислений, чем индивидуальные процедуры распознавания (особенно при больших размерностях групп);

- каждая из версий коллективных решающих правил, в силу своих особенностей, в различных условиях работают по-разному.

Результаты анализа свидетельствует о том, что выбор нужного алгоритма распознавания в качестве рабочего в АИУС должен осуществляться с учетом ее специфики. Это позволит наилучшим образом использовать преимущества выбранной версии алгоритма.

Так как сложные промышленные АИУС работают в различных режимах, то в качестве рабочего алгоритма в каждом режиме функционирования АИУС в системе распознавания ситуаций могут быть использованы наиболее предпочтительные в этих условиях коллективные решающие правила.

Список литературы

распознавание управление производственный

1. Барабаш, Ю.Л. Коллективные статистические решения при распознавании / Ю.Л. Барабаш. - М.: Радио и связь, 1983. - 224 с.

2. Горелик, А.Л. Селекция и распознавание на основе локационной информации / А.Л. Горелик, Ю.Л. Барабаш, О.В. Кривошеев, С.С. Эпштейн. - Москва: Радио и связь, 1990. - 240 с.

3. Дуда, Р., Харт, П. Распознавание образов и анализ сцен / Р.О. Дуда, П.Е. Харт. Перевод с англ. Г.Г. Вайнштейна и А.М. Васьковского. Под ред. В.Л. Стефанюка. - Москва: Мир, 1976. - 511 с.

4. Кривошеев, О.В. Статистические процедуры распознавания объектов в группах / Кривошеев О.В. // Оценивание и распознавание стохастических систем : материалы науч.-практ. конф. Киев / Институт математики АН УССР. - Киев, 1988. - 50 с.

5. Попова, Л.П. Обзор существующих методов распознавания образов / Л.П. Попова, И.О. Датьев // Информационные технологии в региональном развитии. - Апатиты: Изд-во КНЦ РАН, 2007. - Вып. VII. - С. 93-103.

6. Трипкош, В.А. Моделирование процесса распознавания производственных ситуаций в информационно-управляющих системах предприятий и организаций / В.А. Трипкош // Актуальные проблемы экономической деятельности и образования в современных условиях : Оренбургский филиал РЭУ им. Г.В. Плеханова. - Красноярск: Научно-инновационный центр, 2017. С. 199-204.

7. Трипкош, В.А. Составной граф-схемный алгоритм распознавания ситуаций в информационно-управляющих системах / В.А. Трипкош // Инновационные технологии в науке нового времени: материалы Международной научно-практической конференции: в 2-х частях. Часть 2. Уфа: МЦИИ Омега Сайнс. - Уфа, 2016. С. 34-40.

8. Шепель, В.Н. Алгоритм распознавания производственных ситуаций в информационно-управляющих системах на основе решения составной байесовской задачи / В.Н. Шепель, В.А. Трипкош // Интеллект. Инновации. Инвестиции. - 2017. - № 12/2017. - с. 97-101.

Размещено на Allbest.ru