Размещено на http://www.allbest.ru/

Тернопільський національний економічний університет

Автореферат

дисертації на здобуття наукового ступеня кандидата технічних наук

МЕТОДИ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ОБРОБКИ ДАНИХ ПАРАМЕТРИЧНИХ СЕНСОРІВ В РОЗПОДІЛЕНИХ КОМП'ЮТЕРНИХ СИСТЕМАХ

Спеціальність: Комп'ютерні системи та компоненти

Турченко Ірина Василівна

Тернопіль, 2008 рік

1. ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Останнім часом все більшого розповсюдження набувають сенсори, вихідний сигнал яких одночасно залежить від декількох фізичних величин, так звані параметричні сенсори (БПС). Це призвело до появи „активних” сенсорно-комп'ютерних систем (Войтович І.), особливістю яких є не тільки складні алгоритми обробки сенсорних даних, але й наявність засобів формування керуючих впливів на досліджуваний об'єкт або процес. Ці засоби задають динаміку та інтенсивність формування керуючих впливів в залежності від отримуваних сенсорних даних для збільшення обсягів, достовірності та покращення обробки інформації. Перевагою БПС є також значне зменшення затрат на створення сенсорно-комп'ютерних систем. Однак при цьому виникає задача визначення (розпізнавання) складових вихідного сигналу БПС, що характеризують окремі фізичні величини. Розробкою методів обробки даних БПС займались Capone S., Zhang H., Llobet E., Ortega A., Martіn M., Shaffer R. та ін. Значні потенційні можливості показали нейромережеві методи розпізнавання значень фізичних величин у сигналах, що поступають від масивів сенсорів. Однак актуальною задачею є дослідження нейромережевих методів обробки вихідних сигналів одиничних БПС.

Важливим є застосування БПС і „активних” сенсорно-комп'ютерних систем для контролю допустимої концентрації небезпечних газів, зокрема, метану СН₄ та чадного газу СО, в шахтних вентиляційних мережах (ШВМ). ШВМ досліджували Абрамов Ф., Фельдман Л., Святний В., Пучков Л., Карпов Е., Бабак Г., які показали, що позиційні керуючі впливи (КВ) призводять до значного перевищення допустимої концентрації метану при перехідному аеро- та газодинамічному процесі. Тому розробка методів формування КВ з метою не перевищення допустимої концентрації метану в ШВМ є також актуальною задачею. Для її вирішення перспективними є нейромережеві методи за рахунок їх добрих узагальнюючих властивостей.

Сенсорно-комп'ютерна система ШВМ має будуватися як ієрархічна розподілена комп'ютерна система (РКС) реального часу високої живучості. РКС з глибокою обробкою сенсорних даних займалися Iyengar S., Lee K., Daponte P., Палагін О., Николайчук Я., Саченко А. Вимоги ШВМ зумовлюють специфіку організації процесу обробки даних БПС, тому його доцільно розглядати як єдиний, цілісний процес, а задачу його вдосконалення - як комплексну задачу підвищення ефективності, яка полягає у підвищенні точності розпізнавання фізичних величин та підвищенні безпеки шахтного середовища за рахунок нових методів обробки вихідних сигналів БПС та формування КВ.

Зв'язок роботи з науковими програмами, планами та темами. Дисертаційна робота виконана в рамках теми ІОСУ-71-05К „Розробка і дослідження технологій розпізнавання вихідного сигналу параметричних сенсорів з використанням штучних нейронних мереж” (2005-2007 рр.), номер держреєстрації 0105U008182, двостороннього україно-італійського науково-дослідного проекту M/79-2004 „Development of WEB-based Instrumentation with Distributed Intelligence” (2004-2006 рр.), номер держреєстрації 0104U006975 та двостороннього україно-американського проекту CRDF CGP#UE2-2534-TE-03 „Investigation of the Intelligent Properties of Re-Configurable Network Capable Application Processor in Adaptive Distributed Instrumentation and Control Systems” (2004-2006 рр.), що виконувалися на кафедрі інформаційно-обчислювальних систем і управління Тернопільського національного економічного університету. Автор була відповідальним виконавцем теми ІОСУ-71-05К та виконавцем проектів M/79-2004 та CRDF CGP#UE2-2534-TE-03.

Мета і завдання дослідження. Метою роботи є підвищення ефективності обробки даних в розподілених комп'ютерних системах за рахунок нейромережевих методів розпізнавання вихідних сигналів параметричних сенсорів та формування керуючих впливів для дільниць шахтної вентиляційної мережі.

Для досягнення мети в роботі вирішуються наступні задачі:

- аналіз характеристик перетворення БПС та методів розпізнавання їх вихідних сигналів;

- аналіз існуючих підходів до формування КВ, архітектури РКС та відповідних їм шляхів підвищення ефективності обробки даних БПС і формування КВ;

- розробка та експериментальні дослідження нейромережевих методів розпізнавання вихідних сигналів БПС;

- розробка та експериментальні дослідження нейромережевого методу формування КВ для дільниці ШВМ;

- створення апаратно-програмних компонентів, що реалізують нейромережеві методи розпізнавання вихідних сигналів БПС та формування КВ.

Об'єкт дослідження - процеси обробки даних параметричних сенсорів в розподілених комп'ютерних системах.

Предмет дослідження - нейромережеві методи розпізнавання вихідних сигналів параметричних сенсорів та формування керуючих впливів.

Методи дослідження. Структурний та функціональний аналіз, чисельний аналіз, методи імітаційного та комп'ютерного моделювання, методи теорії штучних нейронних мереж (НМ), методи теорії вимірювань, систем керування та обчислювальних систем.

Наукова новизна одержаних результатів.

- Вдосконалено метод обробки вихідного сигналу БПС, що відрізняється від відомих розпізнаванням масиву даних, отриманих у різних режимах функціонування одиничного БПС, одномодульною НМ, що дозволило підвищити точність визначення окремих фізичних величин (середнє відносне відхилення розпізнавання в найгіршому випадку не перевищує 2%);

- Отримав подальший розвиток метод обробки вихідного сигналу БПС, що відрізняється від попереднього використанням багатомодульної НМ, кожен модуль якої обробляє окремі діапазони вихідного сигналу БПС, що дозволило додатково підвищити точність розпізнавання при одночасному зменшенні часової складності алгоритму навчання НМ та збільшенні необхідної пам'яті (для тримодульної НМ точність підвищено у 2 рази при зменшенні складності та збільшенні пам'яті у 3 рази);

- Запропоновано новий метод формування КВ для дільниці ШВМ, що відрізняється від відомих імітаційним моделюванням динаміки аеро- та газодинамічного середовища дільниці та знаходженням множини оптимальних навчальних векторів для НМ, яка формує КВ, що дозволило підвищити ефективність обробки даних за рахунок зниження більше ніж на порядок концентрації метану під час перехідного аеро- та газодинамічного процесу при зміні параметрів дільниці у широкому діапазоні.

Практичне значення одержаних результатів полягає у розробці та впровадженні компонентів РКС:

- Апаратного та програмного забезпечення модуля збору, обробки даних і керування нижнього рівня з віддаленим перепрограмуванням для розпізнавання концентрацій CH4 та CO на дільницях ШВМ по проекту M/79-2004;

- Програмного забезпечення сервера верхнього рівня, що взаємодіє з моделюючим сервісним центром, розробленим для вугільної промисловості, для обчислювальної підтримки функціонування модулів нижнього рівня. Теоретичні та практичні результати роботи використані при викладанні дисциплін „Теорія нейронних мереж”, „Вимірювання, контроль, сертифікація комп'ютерних систем”, „Сенсори СКС” на кафедрі інформаційно-обчислювальних систем і управління Тернопільського національного економічного університету.

Особистий внесок здобувача. Усі теоретичні та експериментальні дослідження, розробка методів, моделей, алгоритмічного та програмного забезпечення виконані автором самостійно. Аналіз результатів окремих досліджень, розробка окремих схемних рішень і впровадження результатів дисертаційної роботи проведені у співавторстві згідно з наведеним нижче списком праць, в якому автору дисертаційної роботи належать: варіанти математичних моделей вихідних сигналів БПС, методи розпізнавання вихідних сигналів БПС за допомогою одномодульної та багатомодульної НМ, оцінка обчислювальної складності методів розпізнавання, статична імітаційна модель дільниці ШВМ, імітаційна модель дільниці ШВМ та результати імітаційного моделювання перехідних аеро- та газодинамічних процесів, структура та вимоги до мережевого прикладного процесора РКС.

Апробація результатів дисертації. Результати дисертаційної роботи доповідалися на міжнародних конференціях та симпозіумах: „Мікропроцесорні пристрої та системи в автоматизації виробничих процесів” (Хмельницький, Україна, 2004), „IEEE International Conference on Intelligent Systems IS'2004” (Варна, Болгарія, 2004), „IEEE International Workshop of Intelligent Data Acquisition and Advanced Computing Systems IDAACS'2005” (Софія, Болгарія, 2005), „IEEE Instrumentation and Measurement Technology Conference IMTC/2006” (Сорренто, Італія, 2006), „International Conference “Modern Problems of Radio-Engineering, Telecommunications and Computer Science TCSET'2006” (Львів-Славсько, Україна, 2006), “International Conference on Neural Networks and Artificial Intelligence ICNNAI`2006” (Брест, Білорусь, 2006), „IEEE International Workshop of Intelligent Data Acquisition and Advanced Computing Systems IDAACS'2007” (Дортмунд, Німеччина, 2007).

Публікації. За результатами виконаних досліджень опубліковано 14 робіт загальним об'ємом 110 сторінок, з них 7 статей у фахових журналах (3 одноосібні), 7 праць в збірниках міжнародних науково-технічних конференцій. Структура та об'єм роботи. Дисертація складається з вступу, чотирьох розділів, висновків, викладених на 132 сторінках основного машинописного тексту, списку використаних джерел (138 найменувань). Робота містить 81 рисунок, 15 таблиць та 15 додатків.

2. ЗМІСТ ДИСЕРТАЦІЇ

У вступі обґрунтовано актуальність теми, показано її зв'язок з науковими програмами, сформульовано мету і завдання дослідження, наукову новизну і практичне значення одержаних результатів. Наведено дані про впровадження результатів роботи та їх апробацію, особистий внесок автора та публікації.

У першому розділі проаналізовано структуру та функції „активних” сенсорно-комп'ютерних систем. Показано, що БПС, як один із видів інтелектуальних сенсорів, вимагає складної обробки вихідного сигналу. Проаналізовано види характеристик перетворення (ХП) БПС TGS-813, TGS-822 та обґрунтовано задачу визначення інформації, що міститься у вихідному сигналі БПС, як задачу розпізнавання. Обґрунтовано доцільність побудови математичної моделі вихідного сигналу БПС через складність та трудомісткість отримання великого набору реальних даних для проведення експериментальних досліджень, а також сформульовано вимоги до моделі та попередньо вибрано математичну залежність для її побудови.

Проведено аналіз відомих методів розпізнавання вихідного сигналу БПС. Визначено критерії оцінки методів розпізнавання, по яких доцільно проводити аналіз рішень, зокрема точність, швидкість, простота навчання, вимоги до пам'яті, стійкість до викидів. Проаналізовано відомі методи розпізнавання „найближчого сусіда”, лінійного дискримінантного аналізу Махаланобіса та Байеса, гнучкого незалежного моделювання аналогій класу, штучних НМ на основі багатошарового персептрону, імовірнісної НМ та квантування навчального вектора з використанням якісних та кількісних критеріїв для масиву сенсорів. Показано, що найкращі результати розпізнавання забезпечують методи на основі НМ.

Проаналізовано узагальнену структуру ШВМ та причини перевищення допустимої концентрації метану при перехідному аеро- та газодинамічному процесі на дільниці ШВМ через його не стаціонарність та наявність застійних зон. Показано, що відомі підходи до формування КВ по позиційному, пропорційному та ПІД законах не приводять до безпечного зниження концентрації метану. Експериментально досліджено добрі потенційні можливості НМ для вирішення задачі формування КВ. Обґрунтовано створення імітаційної моделі дільниці ШВМ для проведення подальших досліджень.

Проаналізовано відомі архітектури РКС, що оперують сенсорними даними, та розподіл обчислювальних потужностей по рівнях цих систем. Оцінено архітектури відомих РКС контролю концентрації метану, обґрунтовано доцільність розділення функцій навчання та використання НМ на верхньому та нижньому рівнях РКС і виконання останнього на базі мікро контролерів з метою забезпечення реального часу та живучості. Узагальнено процес обробки даних БПС в такій РКС та визначено складові підвищення ефективності обробки даних, зокрема підвищення точності розпізнавання окремих фізичних величин, підвищення безпеки шахтного середовища за рахунок відповідного формування КВ та забезпечення низької обчислювальної (часової) складності процесів обробки даних БПС. На основі цього сформульовано задачі дисертаційного дослідження.

У другому розділі розроблено математичні моделі вихідного сигналу БПС, методи розпізнавання на основі одномодульної та багатомодульної НМ, проведено їх імітаційне моделювання.

Для побудови математичної моделі вихідного сигналу БПС на основі сенсорів TGS-813 та TGS-822 виділено основні особливості їх ХП: (і) ХП можуть бути описані функціями двох змінних, ХП носять нелінійний характер, між видами ХП в різних режимах роботи існує значний кореляційний зв'язок. Крім досліджень паспортних параметрів ХП БПС, проведених в першому розділі, проведено дослідження індивідуальної ХП БПС шляхом чисельного аналізу результатів функціонування БПС TGS-813 у аерогазовому середовищі шахти Сілезького вугільного басейну (Польща). Вид індивідуальних ХП БПС TGS-813 у двох режимах роботи при напругах живлення 4В і 5В підтверджують наведені вище особливості. Базуючись на отриманих результатах досліджень, запропоновано математичну модель вихідного сигналу БПС у вигляді добутку двох поліномів різного порядку з різними коефіцієнтами:

- Х₁ і Х₂ - концентрації CO і CH₄;

- В, Е - зміщення, що враховують початковий опір БПС;

- k і l - порядок;

- A, B, C, D, E, F, G - коефіцієнти поліномів.

Для експериментальних досліджень методів розпізнавання вихідного сигналу БПС розроблено чотири варіанти імітаційних моделей, що охоплюють всі види комбінацій ХП БПС по різних фізичних величинах. Імітаційна модель представляє собою дві поверхні, верхня поверхня описує ХП БПС у першому режимі роботи, нижня - у другому режимі роботи. Імітаційна модель може описувати роботу одного БПС у різних режимах роботи або роботу двох різних БПС в певних визначених режимах роботи. Розподіл знаків першої та другої похідних поверхонь імітаційних моделей по обох координатах (фізичних величинах) згідно двох режимів роботи представлено в табл. 1.

Таблиця 1. - Розподіл знаків похідних імітаційних моделей вихідного сигналу БПС:

Досліджено метод розпізнавання вихідного сигналу БПС одномодульною НМ. На вхід НМ поступає значення вихідного сигналу БПС у двох режимах роботи. На виході НМ продукує відповідні цим вихідним сигналам значення двох фізичних величин, що поступають на вхід БПС. Тому кількість вхідних та вихідних нейронів НМ дорівнює двом. Обґрунтовано використання багатошарового персептрона 2-N-2 як моделі НМ. Вихідне значення -го нейрону останнього шару.

Аналогічно вихідне значення -го нейрону схованого шару - функція активації нейронів схованого шару, - ваговий коефіцієнт від -го вхідного нейрону до -го нейрону схованого шару, - вхідне значення НМ, - поріг -го нейрону схованого шару. Для навчання НМ використано алгоритм зворотного поширення помилки та алгоритм Левенберга-Марквардта. Експериментальні дослідження по вибору нейронів схованого шару на моделях (i)-(iv) показали, що модель 2-10-2 забезпечує найвищу точність - максимальне відносне відхилення розпізнавання менше 2%. Програмне забезпечення для імітаційного моделювання розроблено в середовищі MATLAB.

Аналіз числових параметрів математичних моделей (і)-(iv) та значень ХП БПС показав значне ускладнення моделей за рахунок збільшення діапазону зміни як вихідного сигналу БПС, так і значень вихідних фізичних величин. Тому діапазон математичних моделей (і)-(iv) доцільно розділити на діапазони і застосувати для кожного діапазону окремий модуль НМ. Використати модульний підхід дозволяє відсутність взаємозв'язку між значеннями вихідного сигналу БПС та фізичними величинами у розділених діапазонах.

Оцінено сумарне відносне відхилення розпізнавання.

Як видно з результатів імітаційного моделювання, метод розпізнавання за допомогою багатомодульної НМ дозволив зменшити максимальне відносне відхилення розпізнавання у 5-10 разів, а середнє відносне відхилення розпізнавання - щонайменше у 2 рази у порівнянні з методом одномодульної НМ в обох режимах роботи БПС при навчанні НМ до значення середньоквадратичної помилки SSE=10^-5.

Таблиця 2. - Порівняння часової складності запропонованих методів:

Із результатів досліджень (табл. 2) видно, що часова складність методу розпізнавання багатомодульною НМ приблизно у три рази менша від методу одномодульної НМ. Разом з тим, метод багатомодульної НМ вимагає збільшення пам'яті вузла обробки даних нижнього рівня пропорційно кількості модулів.

У третьому розділі досліджено імітаційну модель дільниці ШВМ та дію різних КВ, розроблено та досліджено нейромережевий метод формування КВ з використанням імітаційної моделі дільниці ШВМ.

Для побудови імітаційної моделі ШВМ використано одну із найбільш розповсюджених схем провітрювання дільниці з прямим ходом видобутку та систему диференціальних рівнянь, запропоновану науковою школою проф. Святного В.А. з ДонНТУ. Система диференціальних рівнянь описує перехідні аерогазодинамічні процеси формування потоку повітря на вході відкатного штреку та динаміку дебету та витрати метану у виробленому просторі, лаві та вентиляційному штреку:

- коефіцієнт інерційності, де:

- густина повітря;

та - довжина та еквівалентний переріз дільниці.

Імітаційну модель дільниці ШВМ реалізовано у середовищі Simulink пакету MATLAB. Графік перехідного аеро- та газодинамічного процесу зміни концентрації метану у виробленому просторі наведено на рис. 9б при подачі на вхід імітаційної моделі позиційного КВ.

Наявність “застійних зон”, де накопичується метан і суттєва нелінійність перехідних аеро- та газодинамічних процесів в дільниці ШВМ призводять до пікового збільшення концентрації метану при використанні позиційного КВ (різкому піднятті заслінки) у виробленому просторі (до 11%, що у 4.4 рази перевищує норму) та вентиляційному штреку (до 3.5%, що у 1.4 рази перевищує норму).

Встановлено, що змінні параметри дільниці ШВМ та найбільше впливають на перехідні аерогазодинамічні процеси. Визначено задачу формування експоненціального КВ - генерувати параметри , та на основі тільки двох вхідних параметрів дільниці ШВМ і та обґрунтовано архітектуру НМ, що використана для такого формування.

Як основний критерій оптимізації КВ запропоновано нерівність:

Де:

- максимальна концентрація метану під час перехідного аеро- та газодинамічного процесу;

- концентрація в момент початку провітрювання.

Визначено додаткові критерії оптимізації КВ: (і) мінімальне значення часу “повернення”:

Розроблено алгоритм знаходження множини оптимальних навчальних векторів для НМ формування КВ. Алгоритм реалізовано у середовищі MATLAB. По завершенні кожного циклу зміни , та здійснюється сортування отриманих у циклі векторів КВ по значенню мінімального .

Один із 10 кращих векторів, що знаходиться у вершині посортованого списку, інтерпретується як оптимальний для поточних значень та , записується у вихідний файл, і цикл імітаційного моделювання повторюється. З вихідного файлу сформована навчальна вибірка для навчання НМ розміром 77 навчальних векторів. Для досліджень використано багатошаровий персептрон 2-30-3, де кількість нейронів схованого шару визначена експериментальним шляхом. Відносне відхилення формування коефіцієнтів , та на вибірці навчання становило 2.36%, 2.03% та 7.5% для кожного виходу НМ відповідно.

Оцінено результати імітаційного моделювання шляхом порівняння виходу імітаційної Simulink-моделі ШВМ в режимах використання (і) експоненціального КВ, сформованого НМ, та (іі) позиційного КВ. Визначено критерії порівняння:

,

Як такі, що відображають відносне зростання відповідних концентрацій метану з початкового значення (у момент початку провітрювання) до максимального пікового значення, що прийме концентрація у відповідь на застосування відповідного КВ. Тестування НМ формування КВ проведено для 60 векторів з значеннями та , що не входили у вибірку навчання. Аналіз розподілу зростання концентрацій метану при нейромережевому експоненціальному та позиційному КВ показав, що при нейромережевому експоненціальному КВ зростання відповідних концентрацій на порядок нижче.

У четвертому розділі розроблено архітектуру РКС обробки даних БПС для дільниці ШВМ, апаратне забезпечення модулів збору, обробки даних і керування МЗОДіК, структуру, апаратне та програмне забезпечення вузла обробки даних ВОД в рамках проектів M/79-2004 та CRDFCGP#UE2-2534-TE-03. Особливістю розробленого ВОД є його двох-процесорна архітектура та підтримка режиму дистанційного перепрограмування, що дозволяє замінювати програму роботи ВОД з сервера верхнього рівня без переривання його функціонування, забезпечити цілісність процесу обробки даних БПС і високу живучість. Розроблено програмне забезпечення сервера верхнього рівня РКС на мові програмування С++ у середовищі Windows, що здійснює функції формування математичних моделей вихідного сигналу БПС, навчання НМ розпізнавання вихідного сигналу БПС, налаштування імітаційної моделі та вибору параметрів ШВМ, зв'язку з моделюючим сервісним центром МСЦ для вугільної промисловості з метою розрахунку імітаційної моделі ШВМ для генерації навчальної вибірки та навчання НМ формування КВ.

У додатках наведено програми модулів НМ розпізнавання вихідних сигналів БПС та формування КВ на мові MATLAB, імітаційна Simulink-модель дільниці ШВМ, програма оптимізації для генерації навчальної вибірки НМ формування КВ, принципова схема розробленого апаратного забезпечення, код програмного забезпечення верхнього рівня РКС, акти впровадження результатів наукових досліджень.

ОСНОВНІ РЕЗУЛЬТАТИ РОБОТИ ТА ВИСНОВКИ

На основі проведених в дисертації досліджень вирішено актуальну задачу підвищення ефективності обробки даних параметричних сенсорів шляхом застосування нейромережевих методів розпізнавання значень окремих фізичних величин та формування керуючих впливів для дільниці шахтної вентиляційної мережі. В роботі одержано наступні основні результати:

1. Проведено аналіз характеристик перетворення параметричних сенсорів, методів розпізнавання значень окремих фізичних величин, підходів до формування керуючих впливів та архітектури розподілених комп'ютерних систем контролю концентрації небезпечних газів в шахтних вентиляційних мережах, що дозволило визначити процес обробки даних параметричних сенсорів як єдиний цілісний процес та сформувати основні критерії його ефективності;

2. На основі аналізу характеристик перетворення параметричних сенсорів розроблено їх математичну модель та чотири імітаційні моделі, що дозволило дослідити шляхом імітаційного моделювання точність методів обробки вихідного сигналу параметричного сенсора з урахуванням всіх варіантів відхилень характеристик перетворення від номінальної;

3. Вдосконалено метод обробки вихідного сигналу параметричного сенсора, що відрізняється від відомих розпізнаванням масиву даних, отриманих у різних режимах його функціонування, одномодульною нейронною мережею, що дозволило підвищити точність визначення окремих фізичних величин (середнє відносне відхилення розпізнавання в найгіршому випадку не перевищує 2%);

4. Отримав подальший розвиток метод обробки вихідного сигналу параметричного сенсора, що відрізняється від попереднього використанням багатомодульної нейронної мережі, кожен модуль якої обробляє окремі діапазони вихідного сигналу сенсора, що дозволило додатково підвищити точність розпізнавання при одночасному зменшенні часової складності алгоритму навчання нейронної мережі та збільшенні необхідної пам'яті. Для тримодульної нейронної мережі точність підвищено у 2 рази при зменшенні складності та збільшенні пам'яті у 3 рази;

5. Вдосконалено імітаційну модель дільниці шахтної вентиляційної мережі в середовищі Simulink, визначено параметри формування та вплив експоненціального та позиційного керуючих впливів на дільницю, що дозволило дослідити методи формування керуючих впливів шляхом імітаційного моделювання;

6. Запропоновано новий метод формування керуючих впливів для дільниці шахтної вентиляційної мережі, що відрізняється від відомих імітаційним моделюванням динаміки аеро- та газодинамічного середовища дільниці та знаходженням множини оптимальних навчальних векторів для нейронної мережі, яка формує керуючі впливи, що дозволило підвищити ефективність обробки даних за рахунок зниження більше ніж на порядок концентрації метану під час перехідного аеро- та газодинамічного процесу при зміні параметрів дільниці у широкому діапазоні;

7. Розроблено модуль збору, обробки даних і керування нижнього рівня розподіленої комп'ютерної системи, який за рахунок дистанційного перепрограмування забезпечує цілісний процес обробки даних параметричних сенсорів згідно запропонованих методів, а також програмне забезпечення сервера верхнього рівня системи, що забезпечує обчислювальну підтримку функціонування модулів нижнього рівня за рахунок навчання відповідних нейронних мереж.

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Турченко І.В. Підхід до розпізнавання сигналу багатопараметричного сенсора з використанням нейронних мереж / Турченко І.В. // Вісник Технологічного університету Поділля. - 2004. - Ч.1, Т.1. - С. 145-149.

2. Turchenko I. Neural-Based Recognition of Multi-Parameter Sensor Signal Described by Mathematical Model / Turchenko I., Kochan V., Sachenko A. // Computing. - 2004. - Vol. 3, Issue 2. - P. 140-147.

3. Турченко І.В. Підхід до нейромережевого управління об'єктом провітрювання / Турченко І.В. // Журнал Запорізького державного технічного університету "Радіоелектроніка. Інформатика. Управління". - 2005. - Том 2 (14). - С. 95-101. комп'ютерний сенсорний сервер

4. Turchenko I. Simulation Modeling of Neural Control System for Section of Mine Ventilation Network / Turchenko I., Kochan V., Sachenko A. // Computing. - 2006. - Vol. 5, Issue 2. - P. 106-116.

5. Турченко І.В. Нейромережеве управління дільницею шахтної вентиляційної мережі / Турченко І.В., Кочан В.В., Саченко А.О. // Наукові праці Донецького національного технічного університету / Серiя "Проблеми моделювання та автоматизації проектування динамічних систем". - 2006. - Випуск 5 (116). - С. 146-155.

6. Turchenko I. Accurate Recognition of Multi-Sensor Output Signal Using Modular Neural Networks / Turchenko I., Kochan V., Sachenko A. // International Technology and Intelligent Computing. - 2007. - Vol. 2, No. 1. - P. 27-47.

7. Турченко I. Нейромережевий метод формування керуючих впливів в комп'ютерній системі контролю параметрів середовищ / Турченко I. // Комп'ютинг. - 2008. - Том 7, Вип. 1. - С. 58-69.

8. Turchenko I. Simulation Modeling of Multi-Parameter Sensor Signal Identification Using Neural Networks / Turchenko I. // Proceedings of the 2nd IEEE International Conference on Intelligent Systems. - Varna (Bulgaria), 2004. - Vol. 3. - P. 48-53.

9. Turchenko I. Recognition of MPS Output Signal Described by Different Mathematical Models / Turchenko I., Kochan V., Sachenko A. // Proceedings of the 3rd IEEE International Workshop of Intelligent Data Acquisition and Advanced Computing Systems: Technology and Application (IDAACS'05). - Sofia (Bulgaria), 2005. - P. 89-94.

10. Kochan R. Network Capable Application Processor Based on a FPGA / Kochan R., Kochan V., Sachenko A., Maykiv I., Turchenko I., Markowsky G. // Proceedings of the 22nd IEEE Instrumentation and Measurement Technology Conference. - Ottawa (Canada), 2005. - Vol. II. - P. 813-817.

11. Turchenko I. Recognition of Multi-Sensor Output Signal Using Modular Neural Networks Approach / Turchenko I., Kochan V., Sachenko A. // Proceedings of the International Conference “Modern Problems of Radio-Engineering, Telecommunications and Computer Science” TCSET'2006. - Lviv-Slavsko (Ukraine), 2006. - P. 155-158.

12. Turchenko I. Simulation Modeling of Neural-Based Method of Multi-Sensor Output Signal Recognition / Turchenko I., Kochan V., Sachenko A., Kochan R., Stepanenko A., Daponte P., Grimaldi D. // Proceedings of the 2006 IEEE Instrumentation and Measurement Technology Conference (IMTC/06). - Sorrento (Italy), 2006. - P. 1530-1535.

13. Turchenko I. Simulation Modelling of Neural Control System for Coal Mine Ventilation / Turchenko I., Kochan V., Sachenko A. // Proceedings of the 4th International Conference on Neural Networks and Artificial Intelligence (ICNNAI`2006). - Brest (Belarus), 2006. - P. 93-98.

14. Turchenko I. Neural-based Control of Mine Ventilation Networks / Turchenko I., Kochan V., Sachenko A. // Proceedings of the 4th IEEE International Workshop of Intelligent Data Acquisition and Advanced Computing Systems: Technology and Application (IDAACS'07). - Dortmund (Germany), 2007. - P. 219-224.

Размещено на Allbest.ru