Для досягнення поставленої мети необхідно розв'язати такі задачі дослідження:

- провести аналіз існуючих моделей і теоретично обґрунтувати необхідність підвищення ефективності прийняття рішень у МЗ ІУС за рахунок впровадження нейромережевих моделей вибору ефективного методу оцінювання параметрів регресійних моделей при розв'язанні задач управління контролем якості продукції та прогнозування в умовах наявності у вхідних даних лінійної залежності та різного рівня штучних і природних завад;

- розробити метод побудови складеного нейромережевого класифікатора для визначення найефективнішого методу оцінювання параметрів регресійних залежностей на підставі характеристик вхідної інформації досліджуваного процесу;

- розробити узагальнені математичні моделі для визначення ефективності підкласів методів зміщеного оцінювання: гребеневого, стислого, узагальненого гребеневого оцінювання та оцінок дробового рангу;

- розробити систему нейромережевих моделей для задачі вибору найефективнішого класу, підкласу, методу оцінювання параметрів математичної моделі процесу з урахуванням характеристик вхідної інформації серед сукупності методів зміщеного, робасного та класичного регресійного оцінювання;

- розробити алгоритм моделювання вхідних даних процесу, алгоритм створення нейромережевої системи підтримки прийняття рішень з вибору ефективного методу побудови математичної моделі квазістаціонарного процесу при розв'язанні функціональної задачі в ІУС;

- реалізувати розроблені метод, моделі та алгоритми у вигляді програмного комплексу для розв'язання задач прогнозування та управління контролем якості продукції в ІУС.

Об'єктом дослідження є методи та моделі математичного забезпечення ІУС.

Предметом дослідження є нейромережеві моделі вибору ефективного методу оцінювання параметрів математичних моделей квазістаціонарних процесів в умовах наявності у вхідних даних лінійної залежності та різного рівня штучних і природних завад.

Методи дослідження. В роботі використовувались методи теорії випадкових процесів, методи математичного моделювання, методи побудови баз даних, теорії статистичного оцінювання, методи штучного інтелекту.

Наукова новизна отриманих результатів. У ході вирішення поставлених задач були отримані такі результати:

- вперше розроблено метод, який визначає сукупність статистичних характеристик інформації та ознак класифікації і здійснює побудову структури складеного нейромережевого класифікатора відповідно до типу розв'язуваної прикладної задачі. Застосування цього методу дозволило вирішити задачу вибору найефективнішого методу оцінювання параметрів регресійних залежностей серед класів методів зміщеного, робасного та класичного регресійного оцінювання для задач управління контролем якості продукції і прогнозування;

- дістали подальшого розвитку узагальнені математичні моделі, які встановлюють залежність між ефективністю підкласів методів гребеневого, узагальненого, стислого оцінювання та оцінок дробового рангу і сукупністю статистичних характеристик вхідної інформації, забезпечуючи повноту опису властивостей кожного з даних підкласів та дозволяють виявити діапазони їх найбільшої ефективності;

- вперше розроблено систему нейромережевих моделей, які на підставі зазначених вище моделей аналізу статистичних характеристик вхідної інформації відповідно до запропонованої структури нейромережевого класифікатора забезпечують вибір найефективнішого класу та підкласу методів зміщеного, робасного, класичного регресійного оцінювання;

- вперше розроблено нейромережеву модель вибору найефективнішого методу оцінювання параметрів регресійних залежностей в обраному класі, підкласі методів відповідно до максимуму оптимальних значень часткових критеріїв ефективності методів оцінювання параметрів математичних моделей, що дозволяє підвищити точність прогнозу за математичними моделями в умовах наявності у вхідних даних лінійної залежності та різного рівня штучних і природних завад.

Практичне значення отриманих результатів. Запропоновані у дисертаційній роботі метод, моделі та алгоритми реалізовані у вигляді програмного комплексу з вибору ефективного методу оцінювання параметрів математичних моделей квазістаціонарних процесів.

Розроблений програмний комплекс включено до блока математичного забезпечення ІУС ДП “Завод імені Малишева” як засіб підтримки прийняття рішень з визначення найефективнішого методу оцінювання параметрів математичної моделі для розв'язання задач управління контролем якості продукції, що дозволило підвищити точність оцінки рівня впливу факторів зовнішнього середовища на показники надійності дизель-генератора IД80Б, який використовується на тепловозах 2ТЭ116 (акт впровадження від 5.11.2001 р.). Також програмний комплекс включено до автоматизованої системи клінічних досліджень з діагностики захворювань внутрішніх органів за результатами лабораторних аналізів, що дозволило збільшити точність прогнозу захворювання та визначити відповідну методику його лікування (акт впровадження від 29.10.2001 р.). Основні положення та рекомендації, які викладені в дисертаційній роботі, використані в навчальному процесі під час проведення лабораторного практикуму з дисципліни “Ймовірнісні процеси та математична статистика в автоматизованих системах” на кафедрі програмного забезпечення ЕОМ та кафедрі штучного інтелекту Харківського національного університету радіоелектроніки (акт впровадження від 4.12.2001 р.).

Особистий внесок кандидата. Всі основні результати дисертаційного дослідження отримані автором самостійно: у роботі [1] автором запропоновано введення до блока МЗ ІУС інтелектуальної надбудови як засобу автоматизованого вибору методу розробки математичної моделі процесу; у запропонованому в роботі [2] критерії оцінки якості вхідних даних автором визначено вплив чутливості вхідних даних до шуму на точність оцінок параметрів математичної моделі процесу; у роботах [3, 9] запропоновано використання нейронних мереж для розв'язання задачі класифікації процесів в ІУС і відповідних методів побудови їх математичних моделей; у роботі [6] представлено результати моделювання роботи нейронних мереж на наборі специфічних характеристик методів зміщеного оцінювання та критеріїв оцінки їх ефективності; у роботі [7] запропоновано алгоритм моделювання вхідних даних процесу для дослідження ефективності методів зміщеного оцінювання; у роботі [8] розроблено метод побудови складеного нейромережевого класифікатора, призначеного для вибору ефективного методу оцінювання параметрів моделі та запропоновано алгоритм створення нейромережевої експертної системи для побудови нейромережевих моделей вибору ефективного класу методів зміщеного, робасного та класичного регресійного оцінювання, яка є складовою частиною МЗ ІУС.

Апробація результатів дисертації. Основні результати дисертації були викладені на: 2-му Молодіжному форумі “Радиоэлектроника и молодежь в XXI веке” (Харків, 1998 р.); 7-й Міжнародній науково-технічній конференції “Информационные технологии: наука, техника, технология, образование, здоровье” (Харків, 1999 р.); 6-й Українській конференції з автоматичного управління “Автоматика-99” (Харків, 1999 р.); 6-й Міжнародній конференції “Теория и техника передачи, приема и обработки информации” (Харків-Туапсе, 2000 р.); 3-й Науково-практичній конференції з міжнародною участю “Информационные технологии в образовании и управлении” (Нова Каховка, 2001 р.).

Публікації. За матеріалами дисертаційного дослідження опубліковано 9 наукових робіт: 7 статей у фахових виданнях згідно з переліком ВАК України, доповідь і тези доповіді на наукових конференціях.

Структура дисертації. Дисертаційна робота складається зі вступу, п'яти розділів, висновків і додатків. Повний обсяг дисертації становить 174 сторінки і містить 5 додатків на 24-х сторінках, 12 рисунків, 12 таблиць, список використаних літературних джерел, що включає 119 найменувань на 10 сторінках.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтовано актуальність дисертації, сформульовано основну мету і задачі дослідження, наведено відомості про зв'язки обраного напрямку досліджень із планами організації, де виконана робота, відзначено наукову новизну та практичну цінність отриманих результатів.

У першому розділі дисертаційної роботи проведено аналіз методів, засобів і технологій, які використовуються для розробки математичного забезпечення ІУС; зазначено, що при розв'язанні задач прогнозування та управління контролем якості продукції в ІУС переважна більшість процесів одночасно мають лінійну залежність вхідних факторів і різні за структурою та розміром завади; проаналізовано методи зміщеного та робасного оцінювання параметрів моделей, які застосовуються в даних умовах і наголошено на тому, що їх використання дозволяє підвищити точність моделі та в цілому зумовлює ефективність ІУС; визначено, що розмаїття як класів методів зміщеного і робасного оцінювання, різних за своєю ефективністю та підходами до вибору їх фактора деформації, так і структур та ступеней забрудненості інформації, визначає значну проблему вибору ефективного методу побудови моделей для конкретних статистичних характеристик вхідної інформації досліджуваного класу процесів і в цілому представляє актуальну науково-дослідну задачу. Вищеназване обґрунтовує необхідність дослідження не тільки областей ефективності кожного з цих класів методів з урахуванням специфіки досліджуваних процесів, апарата формалізації визначення найбільш точного методу, а й засобів підтримки прийняття рішень при виборі МЗ в ІУС.

Обґрунтована необхідність використання інтелектуальних технологій як засобу підвищення ефективності прийняття рішень щодо вибору методу побудови математичної моделі процесу дослідження при вирішенні функціональних задач, які розв'язуються у підсистемах ІУС, зокрема апарата штучних нейронних мереж.

Вищезазначені задачі дослідження були поставлені на підставі проведеного аналізу, виявлених труднощів і відповідно до мети даної дисертаційної роботи.

У другому розділі дисертаційної роботи показано, що специфіка властивостей класів та підкласів МЗО, МРО та методів класичного регресійного оцінювання (МКР) зумовлює необхідність розробки засобів розв'язання класифікаційних задач, спрямованих на вибір найефективнішого методу оцінювання параметрів математичної моделі відповідно до характеристик вхідної інформації досліджуваного класу процесів. Відповідно до цього було запропоновано метод побудови складеного нейромережевого класифікатора (СНК) , призначеного для вибору ефективного методу оцінювання aA, де А - множина методів на множині класів K*{k₁, k₂,…, k_m} методів оцінювання параметрів математичної моделі досліджуваного процесу для розв'язання функціональної задачі на підставі сукупності критеріїв оцінки ефективності методів L, критеріїв оцінки якості класифікації Q та у відповідності до набору статистичних характеристик вхідної інформації . Цей метод будується як відображення виду {, Z, K, , L, Q}a, що визначає побудову СНК у вигляді послідовності таких етапів:

1. Отримання вибіркових даних у відповідності з властивостями досліджуваного процесу , а також формування за ними підмножини ознак, які відображають параметри вхідної інформації , вибір множини допустимих класів KK^* методів оцінювання та їх потенційних підкласів методів S={S_k}_kK, вибір множини критеріїв L.

2. Формування навчальної множини для нейронної мережі: перетворення даних для подачі на вхід мережі, вибір системи кодування вхідних та вихідних значень.

3. Розробка нейромережевих моделей для розв'язання відповідної класифікаційної задачі: вибір типу, структури, архітектури нейронної мережі, параметрів нейронів, алгоритму навчання нейронної мережі, вибір критеріїв оцінки якості класифікації Q, де інтегральна оцінка якості класифікації визначається лексикографічно, відповідно до порядку окремих критеріїв, заданих користувачем.

Запропонований метод було застосовано для вибору ефективного методу оцінювання параметрів математичної моделі квазістаціонарних процесів з наявністю у вхідних даних лінійної залежності та різного рівня штучних і природних завад.

На першому рівні він забезпечує побудову нейромережевої моделі вибору одного з класів методів оцінювання МЗО, МРО та МКР за допомогою нейронної мережі NS₁ на підставі підмножини статистичних характеристик F і критеріїв оцінки якості класифікації Q: де m - номер класу,. На другому рівні будується нейромережева модель вибору підкласу методів зміщеного оцінювання SS₁ (при m=2,3 розглядаються класи, які співпадають з підкласами) за допомогою нейронної мережі NS₂ на підставі відповідної підмножини характеристик С і критеріїв оцінки якості класифікації Q: . При цьому вибір підкласів для класу МЗО обумовлено тим, що серед досліджуваних класів методів, клас МЗО налічує найбільшу кількість методів - понад 60 і ефективність того чи іншого методу багато в чому визначається належністю його до певного підкласу: гребеневого, стислого, узагальненого гребеневого оцінювання та оцінок дробового рангу. Крім того, поділу на підкласи сприяли різні обчислювальні властивості методів: точність, швидкодія, зсув вектора оцінок, дисперсія оцінок, середньоквадратична помилка моделі, обчислювальна складність, що в свою чергу визначає область використання цих методів для розв'язання конкретних функціональних задач.

На третьому рівні здійснюється остаточний вибір методу a в підкласі S_k за допомогою нейронної мережі NS₃ на підставі підмножини критеріїв L_mL, L_m={L_ij^(m)} оцінки ефективності методів серед k-го підкласу . При цьому інтегральний критерій вибору ефективного методу оцінювання параметрів моделі має вигляд: , де L_ij^(m){0,1}; i - номер методу оцінювання; j - номер критерію оцінки ефективності методу і L_ij^(m)=1 тільки, якщо . Методи з однаковими значеннями інтегрального критерію вважаються еквівалентними за ефективністю.

Для розглядуваного класу прикладних задач досліджено властивості вхідної інформації квазістаціонарних процесів, що дозволило виявити інтервальну підмножину F домінуючих факторів, які є базою для ефективного розподілу класів МЗО, МРО та МКР: f₁=[20; 200] - обсяг вибірки, f₂=[2; 7] - кількість незалежних змінних, f₃=[1; 100] - показник ступеня мультиколінеарності, f₄=[0.01; 1] - дисперсія помилки в залежній змінній, f₅=[2; 15] - співвідношення масштабів “забруднюючого” та основного розподілів помилок моделі, f₆=[0; 0.10] - ступінь забрудненості незалежних змінних, f₇=[0; 1] - якісний параметр, який визначає форму викидів у незалежних змінних, f₈=[10; 50] - довжина хвоста “забрудненого” розподілу незалежних змінних. Отримана підмножина факторів f₁,…,f₈ є вхідним вектором для нейронної мережі NS₁.

Для вибору архітектури нейронної мережі NS₁ вибору класів МЗО, МРО та МКР на підставі навчальної множини {_1j, _2j,...,_8j}_j=1,n, _ijf_i обсягом n, була промодельована робота нейронних мереж, які використовуються для розв'язання задачі класифікації: багатошаровий перцептрон, нейронна мережа зустрічного поширення, ймовірнісна нейронна мережа, мережа радіальної базисної функції. Оптимальність нейронної мережі оцінено за допомогою множини критеріїв Q: сумарної квадратичної помилки, середньої відносної помилки, коефіцієнта впевненості, прогностичної спроможності нейронної мережі. При розв'язанні задачі вибору класу методів оцінювання оптимальний результат за критеріями Q був отриманий нейронною мережею радіальної базисної функції (РБФ).

Виявлення наявності перетину областей ефективності класів МЗО, МРО та МКР обґрунтувало доцільність введення до мережі РБФ додаткового критерію ефективності, що реалізується у вигляді матриці втрат, яка помножується на вектор оцінених ймовірностей, отриманих на вихідному шарі. Кожне спостереження відноситься до того класу, в якого буде найменша оцінка для ціни помилки.

На підставі проведення вичерпної серії експериментів був визначений набір параметрів, які дозволяють з мінімальною помилкою відповідно до характеристик вхідної інформації процесу визначити ефективний підклас МЗО й інтервали зміни цих параметрів: C₁ = [0.0001; 10] - визначник інформаційної матриці X'X, C₂ = [1.5994; 6.8501] - розмах X'X, С₃ = [0,1; 7] - показник обумовленості матриці X'X, С₄ = [0; 1] - дисперсія завад, С₅ = [2.311; 8.4531] - показник норми 1 [6]; С₆ = [1.3869; 5.1052] - показник норми 2 [6], С₇ = [0.4; 0.9] - максимальний коефіцієнт кореляції, С₈ = [4; 10] - кількість незалежних змінних, С₉ = [25; 100] - обсяг вибірки, С₁₀ = [0.004; 15.3] - рівень мультиколінеарності.

Сукупність характеристик C₁,…,C₁₀ є вхідним вектором навчальної множини для нейронної мережі NS₂. Щоб розв'язати задачу вибору підкласів МЗО, промодельована робота відповідних типів нейронних мереж. За критеріями оцінки точності класифікації Q і на підставі навчальної множини {c_1j, c_2j,...,c_10j}_j=1,m, c_ijC_i обсягом m найкращого результату було досягнуто нейронною мережею зустрічного поширення.

На завершальному етапі здійснюється остаточний вибір методу оцінки параметрів моделі a на підставі сукупності середньоквадратичних критеріїв оцінки ефективності методів L, тобто визначається метод, який дозволяє найефективніше оцінити параметри математичної моделі відповідно до статистичних характеристик вхідної інформації, а це в свою чергу забезпечує побудову адекватної моделі досліджуваного процесу. Для розв'язання даної задачі використано принцип рекурентної нейронної мережі (РНМ).

Формування навчальної вибірки для РНМ здійснюється на підставі розрахунку таких критеріїв оцінки ефективності: для класу МЗО - критерію відносної середньоквадратичної помилки; критерію, що характеризує дисперсію оцінок коефіцієнтів моделі; критерію, що характеризує зсув оцінок коефіцієнтів моделі; стандартного критерію середньоквадратичної помилки моделі; критерію максимальної абсолютної координатної помилки методу; критерію максимальної координатної відносної помилки методу. При цьому критеріям оцінки ефективності призначаються коефіцієнти переваги в залежності від типу розв'язуваної функціональної задачі та мети дослідження. Для класу МРО розраховуються значення критерію відносної середньоквадратичної помилки моделі і критерію відносної медіани абсолютних відхилень, для МКР - критерію середньоквадратичної помилки моделі. Вибір методу в кожному класі (підкласі) здійснюється за максимальною кількістю мінімальних значень критеріїв на підставі рекурентної нейронної мережі.

Для оцінки точності СНК на підставі обраного класифікатором методу оцінювання розраховуються оцінки параметрів математичної моделі та отримані оцінки порівнюються з заданими істинними параметрами. Далі перевіряється адекватність отриманої математичної моделі на підставі стандартних статистичних критеріїв.

Третій розділ присвячений розробці нейромережевої системи підтримки прийняття рішень (НСППР) з вибору ефективного методу оцінювання параметрів математичної моделі квазістаціонарного процесу. Ядром цієї системи є запропонований автором складений нейромережевий класифікатор.

Рис. 2. Структура нейромережевої системи підтримки прийняття рішень

Розроблено структуру (рис. 2) та алгоритм функціонування НСППР в рамках МЗ ІУС; процедуру наповнювання бази знань НСППР, яка базується на проведенні серії імітаційних експериментів, що враховують статистичні характеристики вхідних даних квазістаціонарних процесів і задовольняють передумовам використання методів робасного, зміщеного та класичного регресійного оцінювання.

Для розв'язання даних задач запропоновано: алгоритм генерації вибірки незалежних змінних з певними властивостями кореляційної матриці, в основу якого покладена ідея ітераційного звернення матриці з визначенням відповідного кута обертання, а також алгоритм генерації вектора помилок регресійної моделі, структури математичної моделі процесу, вибірки значень залежної змінної, задавання забрудненості, важких хвостів розподілів і шумів.

Функціонування НСППР у рамках МЗ ІУС здійснюється у такий спосіб. На першому етапі за допомогою інтерфейсу користувача вводиться інформація, яка була отримана з об'єкту дослідження; проводиться попередня статистична обробка даних, вибіркові значення записуються до бази даних характеристик процесу; у користувача запитується тип розв'язуваної задачі, а також перевага у виборі розв'язання, наприклад: точність, швидкодія, обчислювальна складність тощо; згідно з розрахованими характеристиками вхідних даних формується вектор, який записується до навчальної множини нейронної мережі РБФ; після проходження характеристик крізь мережу, на виході мережа відтворює результат класифікації, тобто один із класів методів оцінювання: МЗО, МРО або МКР; результат класифікації заноситься до бази знань НСППР.

По закінченні першого етапу НСППР за допомогою модуля порад і пояснень видає користувачу рекомендацію з використання отриманого класу методів і запитує про його подальші дії щодо продовження класифікації для отримання конкретного підкласу в обраному класі методів оцінювання або самостійного вибору користувачем методу в запропонованому класі.

Якщо на етапі класифікації мережа РБФ за обчисленими характеристикам рекомендує для досліджуваного процесу використовувати клас МКР, то будується математична модель процесу на підставі МНК і перевіряється її адекватність. Якщо був отриманий клас методів зміщеного оцінювання, то для визначення ефективного підкласу методів розраховуються параметри C_i, формується вектор вхідних даних, який подається на вхід нейронної мережі зустрічного поширення та користувачу пропонується надати підтвердження цього розв'язання і результати заносяться до бази знань.

Для подальшого вибору найефективнішого методу в підкласі розраховується підмножина критеріїв оцінки ефективності відповідних класу методів. При цьому критеріям оцінки ефективності призначаються коефіцієнти переваги в залежності від типу розв'язуваної задачі та мети дослідження. На підставі розрахованих критеріїв формується вхідний вектор для рекурентної нейронної мережі. В результаті роботи РНМ на виході формується номер методу, який має максимальну кількість мінімальних значень за інтегральним критерієм. Здійснюється оцінка параметрів математичної моделі та за допомогою стандартних статистичних критеріїв перевіряється її адекватність. Отримана математична модель супроводжується рекомендаціями з її подальшого використання для розв'язання певної функціональної задачі.

У четвертому розділі визначено області ефективності кожного класу та підкласу методів у досліджуваних діапазонах варіювання статистичних характеристик вхідної інформації процесу. На підставі проведених досліджень побудовано сукупність математичних моделей залежності між критеріями L і сукупністю параметрів С_i.

У ході проведених експериментів була встановлена залежність між критеріями: відносної середньоквадратичної похибки (L₁), дисперсії оцінок коефіцієнтів моделі (L₂), зміщення оцінок коефіцієнтів моделі (L₃) і статистичними характеристиками вхідної інформації для кожного з підкласів МЗО та побудовані відповідні математичні моделі, на підставі яких проводилось дослідження ефективності вказаних підкласів. Розроблено узагальнені математичні моделі залежності між критеріями оцінки ефективності підкласів гребеневого, узагальненого, стислого оцінювання та оцінок дробового рангу і виділеною сукупністю параметрів, які характеризують вхідні дані процесу.

Для підкласу стислого оцінювання за критеріями L₁, L₂ та L₃, отримані такі узагальнені математичні моделі:

L₁=a_0lp+max |r_ij|(1+a_1lmax |r_ij|+a_2lH₂)+(…)+b₀,

L₂=a_0lp+a_1lmax |r_ij|+(a_2lp+a_3l²)+a_4lnS+(…)+b₀,(1)

L₃=a_1lmax |r_ij|(1+27.5 ²)+(…)+b₀,

де a_0l, a_1l, a_2l - коефіцієнти моделі; l - індекс методу в підкласі; (…) - індивідуальні параметри методу; b₀ - вільний член.

Для підкласу гребеневих оцінок за критеріями L₁, L₂ та L₃ - узагальнені математичні моделі:

L₁=a_0lp+a_1lmax |r_ij|+(a_2lp+a_3l²+(…)+b₀,

L₂=a_0lp+(a_1ln+a_2lp+a_3lc)²+(…)+b₀, (2)

L₃=a_0l²+(a_1lp+a_2l²)+(…)+b₀.

Для підкласу оцінок дробового рангу - узагальнені математичні моделі:

L₁=a_0lmax |r_ij|+(a_1lp+a_2lc+a_3lH₂+a_4lH₁)+(…)+b₀,

L₂=a_0lp+a_1ln+a_3l²+(…)+b₀,(3)

L₃=a_0lnpc+(…)+b₀.

На підставі узагальнених математичних моделей (1-3) була проведена вичерпна серія експериментів з визначення областей ефективності кожного підкласу МЗО.

Встановлено, що при високому ступені лінійної залежності вхідних змінних тенденція зменшення середньоквадратичної похибки методів у підкласах гребеневого і стислого оцінювання більш значна порівняно з підкласами узагальненого гребеневого оцінювання та оцінок дробового рангу. Проведена оцінка ефективності кожного методу у відповідному підкласі МЗО і класі МРО, а також визначені області варіювання характеристик вхідної інформації, які визначають стійкість методу за сукупністю критеріїв оцінки ефективності. Отримані результати дозволили сформувати навчальну множину для рекурентної нейронної мережі, за допомогою якої побудовано класифікаційну модель вибору найбільш ефективного методу оцінювання параметрів математичної моделі.

П'ятий розділ присвячений практичному застосуванню розробленого складеного нейромережевого класифікатора, узагальнених моделей та алгоритмів, що були реалізовані у вигляді програмного комплексу для розв'язання функціональних задач ІУС виробничим підприємством і клінічною лабораторією.

Зокрема програмний комплекс використано у підсистемі управління контролем якості продукції при оцінюванні надійності дизель-генератора IД80Б, який застосовується на тепловозах 2ТЭ116. Для визначення впливу неконтрольованих параметрів зовнішнього середовища на сукупність показників надійності дизель-генератору розроблено математичну модель, оцінка параметрів якої проводилась за допомогою робасного методу ММ-оцінок. На підставі внутрішньої структури вхідної інформації складений нейромережевий класифікатор визначив даний метод як найефективніший у класах МЗО, МРО і МКР. Адекватність отриманої математичної моделі обгрунтовано на підставі сукупності статистичних критеріїв. Виявлено підвищення точності оцінки рівня впливу параметрів зовнішнього середовища на показники надійності дизель-генератора. Це забезпечило підвищення ефективності та надійності прийняття відповідних рішень щодо контролю якості даного виду продукції.

Результати досліджень використано під час розробки автоматизованої системи клінічних досліджень для діагностики захворювань печінки за результатами лабораторних аналізів пацієнтів. Виявлення захворювань на паренхіматозну жовтуху проводилося на підставі розробленої математичної моделі, яка встановлює залежність рівня білірубіну у крові від сукупності біохімічних показників печінки пацієнтів. Оцінювання параметрів моделі проведено за допомогою методу зміщеного оцінювання ERN, який у підкласі гребеневих оцінок за максимальною кількістю мінімальних значень інтегрального критерію визначено як найефективніший, що дозволило підвищити точність прогнозування відповідної функціональної проби.

Вищеназвані результати свідчать про ефективність застосування запропонованого складеного нейромережевого класифікатора та розроблених алгоритмів.

У додатках наведено результати експериментів, які проводилися під час досліджень; математичні моделі залежності між критеріями оцінки ефективності методів підкласів МЗО і сукупністю параметрів; акти про впровадження результатів дисертаційної роботи.

регресивний залежність нейромережевий класифікатор

ВИСНОВКИ

У дисертації наведене теоретичне узагальнення і нове вирішення наукової задачі, яка полягає в розробці нейромережевих моделей вибору ефективного методу оцінювання параметрів регресійних залежностей в рамках математичного забезпечення ІУС. Розв'язання даної задачі полягає в застосуванні розробленого нейромережевого класифікатора, який забезпечує побудову нейромережевих моделей вибору ефективного методу оцінювання параметрів математичної моделі квазістаціонарного процесу в залежності від властивостей вхідної інформації, що дозволить будувати більш точні моделі та як результат забезпечить підвищення надійності рішень, що приймаються за моделями. Ці результати мають важливе наукове і практичне значення для автоматизації вибору методів та алгоритмів розв'язання функціональних задач у рамках МЗ ІУС, що забезпечить підвищення ефективності ІУС в цілому. В зв'язку з цим у дисертаційній роботі:

1. Проаналізовані сучасні методи та моделі вибору математичного забезпечення ІУС для розв'язання задач прогнозування і управління контролем якості продукції та теоретично обґрунтовано необхідність підвищення ефективності прийняття рішень при розробці математичних моделей процесів за рахунок впровадження нейромережевих моделей вибору методів оцінювання параметрів таких моделей.

2. Розроблено метод, який визначає сукупність статистичних характеристик інформації процесу дослідження та ознак класифікації і здійснює побудову структури нейромережевого класифікатора відповідно до типу функціональної задачі. Результатом застосування цього методу є трьохрівневий нейромережевий класифікатор, який дозволив вирішити задачу вибору найефективнішого методу оцінювання параметрів регресійних залежностей серед класів методів зміщеного, робасного та класичного регресійного оцінювання для задач управління контролем якості продукції та прогнозування.

3. Розроблено узагальнені математичні моделі, які встановлюють залежність між критеріями оцінки ефективності підкласів методів гребеневого, стислого, узагальненого гребеневого оцінювання та оцінок дробового рангу і сукупністю статистичних характеристик вхідної інформації квазістаціонарних процесів, що дозволило визначити діапазони ефективності кожного підкласу та забезпечити повноту опису властивостей підкласів методів зміщеного оцінювання.

4. Розроблено систему нейромережевих моделей для розв'язання задач вибору класу методів зміщеного, робасного, класичного регресійного оцінювання, підкласу методів зміщеного оцінювання та ефективного методу у відповідному класі (підкласі) на підставі трьохрівневого нейромережевого класифікатора. Нейромережеві моделі забезпечили вибір найефективнішого методу відповідно до максимуму оптимальних значень часткових критеріїв ефективності методів оцінювання параметрів математичних моделей.

5. Розроблено алгоритм моделювання вхідних даних процесу дослідження, що дозволило виявити домінуючі фактори, які мають вагомий вплив на вибір досліджуваних класів і підкласів методів, а також визначити області ефективності кожного класу або підкласу методів зміщеного, робасного та класичного регресійного оцінювання. На основі модельного експерименту визначено топології нейронних мереж, які забезпечують мінімальні значення критеріїв середньої відносної, сумарної квадратичної помилки та максимальні значення коефіцієнтів впевненості і прогностичної спроможності на кожному з етапів роботи складеного нейромережевого класифікатора.

6. Розроблено алгоритм створення нейромережевої системи підтримки прийняття рішень з вибору ефективного методу побудови математичної моделі квазістаціонарного процесу, яка дозволяє автоматизовано визначити найефективніший метод у залежності від статистичних характеристик вхідних даних досліджуваного процесу і типу розв'язуваної функціональної задачі.

7. Розроблені метод, моделі та алгоритми реалізовано у вигляді програмного комплексу і застосовано на ДП “Завод імені Малишева” для вирішення задач управління контролем якості продукції при визначенні впливу факторів зовнішнього середовища на показники надійності дизель-генератора та у Другій обласній психіатричній лікарні Сумського УОЗ при розробці автоматизованої системи клінічних досліджень з діагностики захворювань внутрішніх органів за результатами лабораторних аналізів, що дозволило збільшити точність прогнозу функціональної проби печінки пацієнта та визначити відповідну методику її лікування. Отримані у роботі результати впроваджені в навчальний процес під час проведення лабораторного практикуму з дисципліни “Ймовірнісні процеси та математична статистика в автоматизованих системах” на кафедрі програмного забезпечення ЕОМ і кафедрі штучного інтелекту Харківського національного університету радіоелектроніки.