Разработка экспертной системы оценки качества дорожного покрытия (Fuzzy Logic)

Размещено на http://www.allbest.ru/

Введение

Теория нечетких множеств, основные идеи которой были предложены американским математиком Лотфи Заде (Lotfi Zadeh) более 35 лет назад, позволяет описывать качественные, неточные понятия и наши знания об окружающем мире, а также оперировать этими знаниями с целью получения новой информации. Ocнованные на этой теории методы построения информационных моделей существенно расширяют традиционные области применения компьютеров и образуют самостоятельное направление научно-прикладных исследований, которое получило специальное название нечеткое моделирование.

В последнее время нечеткое моделирование является одной из наиболее активных и перспективных направлений прикладных исследований в области управления и принятия решений. Нечеткое моделирование оказывается особенно полезным, когда в описании технических систем и бизнес-процессов присутствует неопределенность, которая затрудняет или даже исключает применение точных количественных методов и подходов.

В области управления техническими системами нечеткое моделирование позволяет получать более адекватные результаты по сравнению с результатами, которые основываются на использовании традиционных аналитических моделей и алгоритмов управления. Диапазон применения нечетких методов с каждым гoдом расширяется, охватывая такие области, как проектирование промышленных роботов и бытовых электроприборов, управление доменными печами и движением поездов метро, автоматическое распознавание речи и изображений.

Нечеткая логика, которая служит основой для реализации методов нечеткого управления, более естественно описывает характер человеческого мышления и ход eгo рассуждений, чем традиционные формально-логические системы. Именно поэтому изучение и использование математических средств для представления нечеткой исходной информации позволяет строить модели, которые наиболее адекватно отражают различные аспекты неопределенности, постоянно присутствующей в окружающей нас реальности.

Первой публикацией по теории нечетких множеств принято считать работу профессора из Университета Беркли (шт. Калифорния, США) Лотфи Заде, которая относится к 1965 г. Понятие нечеткого множества в смысле Л. Заде положило начало новому импульсу в области математических и прикладных исследований, в рамках которых за короткий срок были предложены нечеткие обобщения всех основных теоретико-множественных и формально-логических понятий.

Первые реализации нечетких моделей в промышленности относятся к середине 1970x гг. Именно в этот период в Великобритании Эбрахим Мамдани (Ebrahim Mamdani) использовал нечеткую логику для управления парогенератором.

Решение этой задачи обычными методами было сопряжено с целым рядом трудностей вычислительного характера. Предложенный Э. Мамдани алгоритм, ocнованный на нечетком логическом выводе, позволил избежать чрезмерно большого объема вычислений и был по достоинству оценен специалистами. В этот же период нечеткие модели были применены при управлении печью для обжига цeмента. Тем не менее, эти немногие приложения, использовавшие нечеткую логику, по существу скрывали этот факт, поскольку в них нечеткая логика называлась "многозначной логикой" или "непрерывной логикой".

В начале 1980x гг. нечеткая логика и теория нечетких множеств получили свое дальнейшее развитие в целом ряде программных средств поддержки принятия решений и в экспертных системах анализа данных. Хотя многие из этих программных инструментариев так и не вышли за пределы научно-исследовательских лабораторий и институтов, в ходе их разработки были получены важные эмпирические результаты по моделированию с помощью нечеткой логики процессов человеческих рассуждений и принятия решений.

После первых промышленных приложений в Европе Япония за короткий период времени вышла на первое место в мире по количеству устройств и механизмов, в которых были реализованы нечеткие технологии. Появление микропроцессоров и микроконтроллеров инициировало резкое увеличение бытовых приборов и промышленных установок с алгоритмами управления на основе нечеткой логики.

В настоящее время в Японии запатентовано более чем 3000 соответствующих устройств в этой области. Слово "фаззи" (fuzzy) стало символом популярности и коммерческого успеха новых промышленных изделий в этой стране. /1/

В курсовой работе предусмотрено изучение и подробное рассмотрение одного теоретического вопроса, а именно, концепции нейросетевых технологий, а также, разработка экспертной системы оценки качества дорожного покрытия (Fuzzy Logic).



1. Нейросетевые технологии в системах управления

1.1 Предпосылки создания нейросетевых систем

С момента появления первых реально работающих ЭВМ (приблизительно середина 40-х годов нынешнего столетия) до сегодняшнего дня принято разделять развитие ЭВМ на пять поколений, в соответствии с используемой для них элементной базой. Сейчас можно говорить о развитии нового, шестого поколения ЭВМ, принципиально отличающегося от предыдущих. Речь идет не о смене элементной базы, а об изменении принципа и архитектуры, а также области применения новых ЭВМ, в некоторой степени моделирующих работу человеческого мозга. На пороге третьего тысячелетия появился новый класс ЭВМ -- нейрокомпьютеры. Основные отличия нейрокомпьютеров от традиционной ЭВМ с архитектурой фон Неймана заключаются в следующем:

1. большое число параллельно работающих элементов -- нейронов (от нескольких десятков до 10⁶-Ч0⁸), что обеспечивает колоссальный скачок в быстродействии;

2. вместо программирования используется обучение (воспитание) -- машина учится решать задачи, изменяя параметры нейронов и связи между ними.

Попытки создания ЭВМ, моделирующих работу мозга, предпринимались еще с 40-х годов специалистами по нейрокибернетике. Они стремились разработать самоорганизующиеся системы, способные обучаться интеллектуальному поведению в процессе взаимодействия с окружающим миром, причем компонентами их систем обычно являлись модели нервных клеток. Однако зарождавшаяся в это же время вычислительная техника и связанные с нею науки, особенно математическая логика и теория автоматов, оказали сильное влияние на области исследования, связанные с мозгом.

К концу 50-х годов сформировался логико-символьный подход к моделированию интеллекта. Развитие этого подхода породило такие направления, как эвристическое программирование и машинный интеллект, и способствовало угасанию интереса к нейронным сетям.

Неблагоприятным моментом, затормозившим развитие нейросетевой тематики более чем на два десятилетия, явилось опубликование тезиса, выдвинутого авторитетнейшими учеными 60-х годов М. Минским и С. Пейпертом о невозможности воспроизведения произвольной функции нейронной сетью.

Таким образом, в течение длительного времени основным направлением в развитии искусственного интеллекта являлся логико-символьный подход, который может быть реализован на обычных компьютерах. Было получено решение многих «интеллектуальных» задач из определенных предметных областей.

К концу 70-х годов созрели условия для возрождения интереса к нейросетевым моделям. Это было связано с накоплением новых данных при экспериментальных исследованиях мозга. Кроме того, развитие микроэлектроники и компьютерной техники, создав техническую базу для моделирования сложных нейронных систем, привело к пониманию того, что радикально увеличить производительность можно лишь за счет параллельной обработки данных, которая органически присуща нейронным сетям головного мозга.

На сегодняшний момент сотни фирм и лабораторий занимаются исследованиями в области нейросетевых технологий. Разработаны ряд нейрокомпьютеров и нейромодулей, которые могут работать под управлением обычных ЭВМ и самостоятельно с существенно более высоким быстродействием.

Создание высокоэффективных нейрокомпьютеров требует изучения трех видов моделей нейронных сетей: физических, математических, технологических.

Наиболее важными представляются работы по созданию математических моделей нейросетевых вычислений, которые позволяют отрабатывать и создавать новые принципы организации параллельной работы многих вычислительных элементов -- формальных нейронов.

Большое влияние на разработку теории искусственных нейронных сетей оказал коннекционизм. Это -- раздел искусственного интеллекта, связанный с созданием, исследованием и развитием моделей мозга (мышления) человека. С точки зрения коннекционизма (connection -- «связь»), основу концепции построения нейронных сетей составляет идея о том, что нейроны можно моделировать довольно простыми автоматами, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами.

Каждая связь представляется как простой элемент, служащий для передачи сигнала. При таком подходе для нейросетевой модели характерно следующее:

1. однородность системы (элементы нейронной сети одинаковы и простые, все определяется структурой связи);

2. надежность системы, построенной из ненадежных элементов, за счет избыточного числа связей;

3. «голографичность», предопределяющая, что при разрушении части система сохраняет свои свойства.

Предполагается, что широкие возможности систем связи: демаскирование старых связей и добавление новых -- компенсируют бедность набора элементов, из которых строится модель, их ненадежность, а также возможные разрушения части связей.

На первых этапах развития нейросетевых математических моделей коннекционизм сыграл исключительно важную роль, поскольку были поняты основные механизмы индуктивного вывода, осуществляемого нейронной сетью, позволившие решить большое количество прикладных задач.

Однако для создания математических нейросетевых моделей, адекватных реальным задачам, требуются более глубокие исследования биологических принципов функционирования головного мозга.

1.2 Биологическая параллель нейрокомпьютерам

Информацию об окружающем мире и о внутренней среде организма человек получает с помощью сенсорных систем, названных Павловым анализаторами.

С точки зрения современной нейрофизиологии под сенсорными системами понимаются специализированные части нервной системы, состоящей из периферических рецепторов (органы чувств), отходящие от них нервные волокна (проводящие пути) и клетки центральной нервной системы, сгруппированные вместе в так называемые сенсорные центры.

В сенсорных органах происходит преобразование энергии стимула в нервный сигнал (рецепторный потенциал), который трансформируется в импульсную активность нервных клеток (потенциалы действия). По проводящим путям эти потенциалы достигают сенсорных центров, на клетках которых происходит переключение нервных волокон и преобразование нервного сигнала (перекодировка).

На всех уровнях сенсорной системы одновременно с кодирование и анализом стимулов осуществляется декодирование сигналов (считывание сенсорного кода). Декодирование осуществляется на основе связей сенсорных центров с двигательными и ассоциативными отделами мозга. Нервные импульсы клеток двигательных систем вызывают возбуждение или торможение. Результатом этих процессов является движение или остановка (действие и бездействие). Следует подчеркнуть, что природа носителя информации в сенсорных системах является электрической.

Таким образом, основными функциями сенсорных систем являются: рецепция сигнала; преобразование рецепторного потенциала в импульсную активность проводящих путей; передача первичной активности в сенсорные центры; преобразование первичной активности в сенсорных центрах; анализ свойств сигналов; идентификация свойств сигналов; принятие решения.

Очевидно, центральным звеном в биологических системах управления является мозг, состоящий из более 100 млрд. нервных клеток -- нейронов, каждая из которых имеет в среднем 10 000 связей.

Нейрон имеет тело (сому), дерево входов -- дендритов, и выход -- аксон (рис. 1.1). Длина дендритов может достигать 1 мм, длина аксона -- сотен миллиметров. На соме и дендритах располагаются окончания других нервных клеток. Каждое такое окончание называется синапсом.

Проходя через синапс, электрический сигнал меняет свою амплитуду: увеличивает или уменьшает. Это можно интерпретировать как умножение амплитуды сигнала на весовой (синаптический) коэффициент. Взвешенные в дендритном дереве входные сигналы суммируются в соме, и затем на аксоном выходе генерируется выходной импульс (спайк) или пачка импульсов.

Выходной сигнал проходит по ветви аксона и достигает синапсов, которые соединяют аксон с дендритными деревьями других нейронов. Через синапсы сигнал трансформируется в новый входной сигнал для смежных нейронов. Этот сигнал может быть положительным или отрицательным (возбуждающим или тормозящим), в зависимости от вида синапса. Величина сигнала, генерируемого на выходе синапса, может быть различной даже при одинаковой величине сигнала на входе синапса. Эти различия определяются синаптическим коэффициентом (весом синапса), который может меняться в процессе функционирования синапса.

В настоящее время нейроны разделяют на три большие группы:

1. рецепторные, предназначенные для ввода сенсорной информации в мозг. Они преобразуют воздействие окружающей среды на органы чувств (свет на сетчатку глаза, звук на ушную улитку) в электрические импульсы на выходе своих аксонов;

2. промежуточные, образуют центральную нервную систему и предназначены для обработки информации, полученной от рецепторов и передачи управляющих воздействий на эффекторы;

Рисунок 1.1 - Биологический нейрон

3. эффекторные, передающие приходящие на них электрические сигналы исполнительным органам, например мышцам, также через специальные синапсы своих аксонов.

Головной мозг человека и высших животных состоит из серого и белого вещества. Серое вещество есть скопление дендритов, аксонов и нейронов. Белое вещество образовано волокнами, соединяющие различные области мозга друг с другом, с органами чувств, мускулами. Волокна покрыты специальной миэлинированной оболочкой, играющей роль электрического изолятора.

Связи между сенсорными областями и корой, между различными участками коры физически параллельны. Один слой клеток проецируется на другой, причем проекции состоят из множества разветвляющихся и сливающихся волокон (проекции дивергируют и конвергируют). В настоящее время наиболее изучен ввод в мозг зрительной информации . Возбуждение от сетчатки достигает коры топографически упорядоченным образом, т.е. ближайшие точки сетчатки активируют ближайшие точки коры. По реакции на зрительные стимулы различной сложности различают простые, сложные и гиперсложные нейроны. Имеется тенденция к усложнению рецепторных свойств нейронов по мере удаления от входных областей коры.

Можно предположить, что функциональная роль нейронных структур, примыкающих к органам чувств, включая сенсорные области коры, заключается в преобразовании сенсорной информации путем выделения все более сложных и информативных признаков входных сигналов. Ассоциативная обработка получающихся при этом совокупностей сенсорных признаков осуществляется в ассоциативных зонах коры, куда поступают и другие сенсорные образы.

Приведенное весьма поверхностное описание принципа обработки информации в живой природе позволяет сделать вывод, что техническая кибернетика вплотную подошла к решению задачи управления в реальном времени.

Поэтому будет вполне резонным появление в настоящее время термина «нейроуправление», под которым понимается «область теории управления, занимающаяся вопросами применения нейронных сетей для решения задач управления динамическими объектами...».

Дадим определение нейрокомпьютера: нейрокомпьютером называют ЭВМ (аналоговую или цифровую), основной операционный блок (центральный процессор) которой построен на основе нейронной сети и реализует нейросетевые алгоритмы.

1.3 Задачи, решаемые нейрокомпьютерами

Весь класс задач, которые решают с помощью средств вычислительной техники, удобно разделить на три класса:

1. Формализуемая задача имеет четко сформулированный алгоритм решения. Причем, как правило, этот алгоритм учитывает класс машин, на котором будет решаться задача. Примером таких задач может быть интегрирование кинематических уравнений в бесплатформенных системах инерциальной навигации, вычисление элементарных функций, представленных рядами и т.п;

2. Трудноформализуемая задача имеет алгоритм решения, качество которого трудно оценить или трудно оценить достижимость решения. Этот класс задач возникает из-за большой размерности моделируемых в этой задаче систем (известное выражение «проклятия размерности»). К таким задачам можно отнести моделирование сложных электронных устройств в системах автоматизированного проектирования, задачи интегрированной подготовки производства и т.д;

3. Неформализуемая задача имеет в своей постановке неявно заданные функции и параметры. К этому классу относят задачи распознавания образов, кластеризации, идентификации информативных признаков и т.п.

На рисунке 1.2 представлена структурная схема абстрактного нейрокомпьютера. Такую схему можно назвать обобщенной потому, что она поясняет принцип работы любого НК независимо от его конкретного конструктивного исполнения.

Рисунок 1.2 - Структурная схема абстрактного нейрокомпьютера

В работе абстрактного нейрокомпьютера различают два главных режима работы НК: режим обучения и рабочий режим.

Для того чтобы НК решал требуемую задачу, его нейронная сеть должна пройти обучение на эту задачу.

Суть режима обучения заключается в настройке коэффициентов межнейронных связей на совокупность входных образов этой задачи. Установка коэффициентов осуществляется на примерах, сгруппированных в обучающие множества. Такое множество состоит из обучающих пар, в которых каждому эталонному значению входного образа соответствует желаемое (эталонное) значение выходного образа.

При первой подаче очередного эталонного входного образа выходной сигнал отличается от желаемого. Блок обучения оценивает величину ошибки и корректирует коэффициенты межнейронных связей с целью ее уменьшения. При второй и последующих подачах этого же эталонного входного образа величина ошибки продолжает уменьшаться.

Процесс продолжается до тех пор, пока ошибка не достигнет требуемого значения. С математической точки зрения процесс обучения является решением задачи оптимизации. Целью оптимизации является минимизация функции ошибки (или невязки) на данном множестве примеров путем выборки коэффициентов межнейронных связей. Рассмотренный пример обучения называют контролируемым обучением, или обучением с учителем. В рабочем режиме блок обучения, как правило, отключен. На вход НК подаются сигналы, требующие распознавания (отнесения к тому или иному классу). На эти сигналы (входные образы), как правило, наложен шум. Обученная нейронная сеть фильтрует шум и относит образ к нужному классу.

1.4 Разновидности топологий нейронных сетей

В основу искусственных НС положены следующие особенности биологических нейронных сетей:

1. простой обрабатывающий элемент -- нейрон;

2. очень большое число нейронов участвует в обработке информации;

3. один нейрон связан с большим числом других нейронов;

4. изменяющиеся веса связей между нейронами;

5. параллельная обработка информации.

Графическую иллюстрацию соединения нейронов между собой в сети принято называть топологией. По виду топологии различают однослойные и многослойные сети.

В однослойных сетях нейроны могут соединятся либо по принципу каждый с каждым, либо регулярно. В многослойных сетях нейроны группируются по слоям. Классическим является связь нейрона одного слоя с каждым нейроном другого слоя. Внутри слоя нейроны между собой связей не имеют. Два внешних слоя многослойной сети принято называть входным и выходным слоями.

Внутренние слои принято называть скрытыми слоями. Число скрытых слоев неограниченно. Известна практика применения также двухслойных сетей, у которых только входной и выходной слои.

Работает сеть следующим образом. На нейроны входного слоя подаются входные сигналы (входной вектор (х₁,х₂,...,х_n), кодирующее входное воздействие или образ внешней среды путем активации нейронов этого слоя. Выходы нейронов выходного слоя являются выходами сети. Множество выходных сигналов у_х,...,у_к называют вектором выходной активности или паттерном активности нейронной сети. Веса связей нейронов сети удобно представлять в виде матрицы А, где а_ij -- вес связи между i-м и j-ми нейронами. В процессе функционирования (эволюции состояний) сети осуществляется преобразование входного вектора в выходной.

Конкретный вид выполняемого сетью преобразования информации обуславливается не только характеристиками нейронов, но и особенностями ее архитектуры, т.е. той или иной топологией межнейронных связей, выбором определенных подмножеств входных и выходных нейронов и т.д.

На рис. 1.3 представлена однослойная сеть с ортогональными связями между нейронами. В этой сети любой из нейронов может быть входным и любой может быть выходным.

Рисунок 1.3 - Однослойная ортогональная сеть

На рис. 1.4 представлена сеть с прямыми связями. Характерной особенностью такой сети является равенство числа входов, выходов и нейронов в каждом из двух слоев сети, а также наличие так называемых латеральных связей между нейронами 1-го и 2-го слоев.

Рисунок 1.4- Двухслойная сеть с прямыми связями

На рис. 1.5 показана многослойная, в частности трехслойная сеть. Число скрытых слоев в общем случае может быть несколько. В многослойных сетях, как правило, нейроны одного слоя имеют функцию активации одного типа.

Рисунок 1.5- Трехслойная сеть

На рис. 1.6 представлена нейронная сеть с перекрестными связями. Число связей может быть и больше, чем показано на рисунке

Рисунок 1.6 - Нейронная сеть с перекрестными связями

Топологию сети с обратными связями иллюстрирует рис. 1.7. Обратные связи могут быть как с выходного слоя на входной, так и с внутренних (скрытых) слоев на входной.

Нетрудно отметить, что при конструировании сети разработчик имеет в качестве исходных данных:

1. размерность вектора входного сигнала (ов);

2. размерность вектора выходного сигнала (ов);

3. формулировку решаемой задачи;

4. точность решения задачи.

Рисунок 1.7 - Нейронная сеть с обратными связями

При этом разработчик должен выбрать:

1. тип топологии сети;

2. общее число нейронов в сети и число нейронов по слоям;

3. функции активации нейронов;

4. способ задания коэффициентов синаптической связи;

5. метод доказательства работоспособности новой сети.

В работе А.И. Галушкина разработана методология синтеза многослойных НС, как адаптивных систем определенного вида.

Общая задача синтеза топологии многослойных НС в настоящее время не решена. Предлагаются некоторые частные методики. В обычной практике построения нейронных сетей следуют следующим рекомендациям :

1. число слоев в выходном слое равно числу классов;

2. все входные сигналы подаются всем нейронам;

3. вариант топологии сети определяется на основе априорных знаний о задаче;

Для улучшения характеристик сети используются комбинированные многослойные сети, каждый слой которой представляется различной топологией и обучается по определенному алгоритму.

1.5 Классификация нейронных сетей

Нейронные сети классифицируют по способу решения задач. С точки зрения этого признака сети делят на формируемые, сети с формируемой матрицей связи и обучаемые.

1. Формируемые сети. Сети этого класса проектируются для формализуемых задач, имеющих четко сформулированный в нейросетевом базисе алгоритм решения конкретной задач;

2. Сети с формируемой матрицей связей. Сети этого класса применяются для трудноформализуемых задач. Как правило, эти сети имеют одинаковую структуру и различаются лишь матрицей связи. Примером таких сетей является сеть Хопфилда. Достоинством таких сетей является их наглядность в работе.

3. Обучаемые сети. Этот класс сетей используют для решения неформализуемых задач. В процессе обучения сети автоматически изменяются такие ее параметры, как коэффициенты синоптической связи, а в некоторых случаях и топология. Серьезным препятствием в широком применении нейрокомпьютеров все еще остается большое время обучения сети. Поэтому выбор или разработка алгоритма обучения является ключевой задачей разработчика нейронных систем.

Для сетей с формируемой матрицей связи и обучаемых характерным является процедура обучения. Рассмотрим принцип этой процедуры.

Обучение нейронных сетей. В процессе функционирования нейронная сеть формирует выходной сигнал Y в соответствии с входным сигналом X, реализуя некоторую функцию g : Y = g(X). Если архитектура сети задана, то вид функции g определяется значениями весов связей (синаптических весов) между нейронами w_ij и смещений нейронов в сети (b).

Обозначим буквой G множество всех возможных функций g, соответствующих заданной архитектуре сети.

Пусть решение некоторой задачи -- функция F:Y = F(X), заданная парами входных и выходных данных (x_l,y_l), (x₂,y₂),...,(х_m,у_m), для которых

уj.= F(xj), j = , (1.1)

и пусть Е -- функция ошибки, показывающая для каждой из функций g степень близости к F.

Решить поставленную задачу с помощью нейронной сети заданной архитектуры -- это значит построить (синтезировать) функцию, подобрав параметры нейронов (синоптические веса и смещения) таким образом, чтобы функционал качества являлся оптимальным для всех пар (х_m,у_m).

Задача обучения определяется совокупностью пяти элементов: <X,Y,G,F,E>, где X и Y -- вход и выход нейронной сети соответственно, F -- функция, определяющая желаемый результат обучения (в задаче обучения по примерам функция F задается парами входных и выходных данных: (x_l,y_l), (x₂,y₂),...,(х_m,у_m), для которых у_j.= F(x_j), j = , при этом архитектура связей нейронной сети считается заданной до начала обучения и определяет множество функций G), Е -- функция ошибки, показывающая для каждого входного вектора степень близости реализуемой функции к F.

Обучение состоит в поиске (синтезе) функции F, оптимальной по Е. Обучение -- это итерационная процедура, причем на каждой итерации происходит уменьшение значения функции ошибки Е до заранее заданной величины. В общем случае такая задача при ограниченном наборе входных данных имеет бесконечное множество решений.

Таким образом, результатом обучения нейронной сети должно явиться отображение

F: XY, (1.2)

которое на каждый возможный входной сигнал формирует правильный выходной сигнал Y, если используется единственный выход сети, то Y является скаляром.

Отображение задается конечным набором пар «вход-известный выход». Число таких пар (обучающих примеров) существенно меньше общего числа возможных сочетаний значений входных и выходных сигналов. Совокупность всех обучающих примеров носит название обучающей выборки. В результате построения отображения необходимо добиться того, чтобы:

1. обеспечивалось формирование правильных выходных сигналов в соответствии со всеми примерами обучающей выборки;

2. обеспечивалось формирование правильных выходных сигналов в соответствии со всеми возможными входными сигналами, которые не вошли в обучающую выборку.

Второе требование связано с необходимостью реализации процедуры предсказания значения выхода в зависимости от входного сигнала.

Иными словами, необходимо построить такое отображение (14.2), реализуемое нейронной сетью, которое при подаче входного вектора X на выходе сети определяло бы значение одного или нескольких правильных выходных сигналов.

Решение этой задачи в значительной степени зависит от качества обучающей выборки. Формализация процедуры формирования обучающей выборки в общем виде в настоящее время не решена и требует дальнейшей проработки.

Применение нейронных сетей представлено в таблице 1.1

Таблица 1.1

Описание системы	Основные задачи	Входы системы	Выходы системы
Системы распознавания текста	Распознавание печатных или рукописных букв и цифр	Сканируемое изображение	ASCII-коды символов
Автопилот автомобиля	Автоматическое управление автомобилем	Расстояние между задним бампером и машиной, идущей сзади; скорость впереди идущей машины изгиб дороги, место расположения машины	Команды изменения скорости, смены ряда, команда углового поворота руля
NETtalk	Синтез речи	Коды символов алфавита	Команды генерации фонем
Нейронная система управления технологическим процессом сварки	Предсказание качества сварного соединения на основе анализа параметров сварки	Сварочные параметры (напряжение, ток, скорость перемещения электрода)	Протокол качества сварного соединения
NET	Многофункциональная система разработки нейроконтроллеров	Произвольные	Произвольные

Вывод. Одним из факторов, который определяет необходимость применения нейросетевых технологий является разнородность свойств, параметров и т.д. Многие свойства объектов трудно характеризуются с помощью чисел или вообще не описываются численно, значит методы математики с ними работать не могут.

нечеткий логический качество дорожный



2. Разработка экспертной системы оценки качества дорожного покрытия(Fuzzy logic)

Постановка задачи. Разработать экспертную систему оценки качества дорожного покрытия в пакете MATLAB, исходя из данных (тип дорожного покрытия, коэффициент сцепления, срок службы). Fuzzy Logic - это пакет прикладных программ, входящих в состав среды MATLAB. Он позволяет создавать системы нечеткого логического вывода и нечеткой классификации. /3/

2.1 Анализ методов и подходов к решению данной задачи

2.1.1 Общая оценка качества дорожного покрытия

Оценку состояния дорог и дорожных сооружений выполняют с целью определения степени соответствия их транспортно-эксплуатационных показателей предъявляемым требованиям и рационального планирования видов и объемов работ по ремонту и содержанию. Работы по оценке состояния дорог и дорожных сооружений включают: текущие осмотры, выполняемые инженерно-техническими работниками низового звена (прорабами, мастерами и др.); периодические осмотры, осуществляемые руководителями первичного звена дорожно-эксплуатационной службы (например, главным инженером ДРСУ, ДЭУ и др.); сезонные осмотры, выполняемые комиссиями, назначаемыми руководством дорожных организаций (автодоров, автомобильных дорог и т.п.); специальные или детальные обследования, выполняемые специализированными организациями (дорожно-испытательными, мостоиспытательными станциями, проектными, научно-исследовательскими организациями и т.п.), а также комиссиями, назначаемыми дорожными министерствами или другими вышестоящими органами. Осмотры выполняют, как правило, визуально, используя при необходимости простейший мерный инструмент и портативные приборы. Обследования ведут с применением специального оборудование и передвижных лабораторий. /4/

2.1.2 Тип дорожного покрытия

Большую роль, в первую очередь, на оценку качества дорожного покрытия оказывают характеристики материала, из которого оно сделано. Рассмотрим основные:

Асфальтобетонная смесь - рационально подобранная смесь минеральных материалов [щебня (гравия) и песка с минеральным порошком или без него] с битумом, взятых в определенных соотношениях и перемешанных в нагретом состоянии. Асфальтобетон - уплотненная асфальтобетонная смесь. /5/

Щебень из горных пород - неорганический зернистый сыпучий материал с зернами крупностью св. 5 мм, получаемый дроблением горных пород, гравия и валунов, попутно добываемых вскрышных и вмещающих пород или некондиционных отходов горных предприятий по переработке руд (черных, цветных и редких металлов металлургической промышленности) и неметаллических ископаемых других отраслей промышленности и последующим рассевом продуктов дробления. /6/

Гравий из горных пород - неорганический зернистый сыпучий материал с зернами крупностью св. 5 мм, получаемый рассевом природных гравийно-песчаных смесей. /6/

Все выше перечисленные материалы используется в дорожном строительстве. Рассматривая каждый из них как верхний конструктивный слой дорожной одежды, исходя также из их характеристик, самым прочным является асфальтобетон, так как он есть сочетание щебня или гравия с песком и минеральным порошком или без него. После, можно назвать, менее прочным щебень, затем гравий.



2.1.3 Оценка ровности и сцепных качеств дорожных покрытий

При оценке ровности и сцепных качеств покрытий применяют сплошной или выборочный контроль. Сплошной контроль предназначен для обследования участков дорог протяженностью более 1 км, выборочный - менее 1 км. Выборочный контроль ровности и скользкости осуществляют также при обследовании опасных участков дорог, выяснении причин дорожно-транспортных происшествий и т.д. При сплошном контроле ровность оценивают с помощью передвижной установки ПКРС-2у или установленного в автомобиле-лаборатории толчкомера типа ТХК-2.Ровность покрытия оценивают проездом автомобиля-лаборатории по каждой полосе движения со скоростью 50 км/ч с допустимым отклонением +- 2 км/ч.

Для оценки ровности покрытий на особо опасных участках, где коэффициент безопасности движения менее 0,4, а итоговый коэффициент аварийности более 20, рекомендуется применять суммирующий толчкомер ХАДИ с приставкой для подсчета числа толчков или универсальный толчкомер КАДИ. Выборочный контроль ровности осуществляют на захватках (участках) длиной 300 м на обследуемом километре дороги путем измерения просветов под 3-метровой рейкой. Захватки выбирают на самых неблагоприятных по ровности участках, установленных визуальным осмотром.

При измерении просветов под рейкой последнюю укладывают в продольном направлении через каждые 30 м дороги в трех местах: на оси и в 1 м от кромок. Просветы под рейкой измеряют в пяти контрольных точках, расположенных на расстоянии 0,5 м одна от другой и от концов рейки.

Сцепные качества дорожных покрытий характеризуют величиной коэффициента сцепления шин автомобиля с увлажненной поверхностью проезжей части. Величину коэффициента сцепления определяют с помощью установки ПКРС-2у или других приборов, показания которых должны быть приведены к показаниям ПКРС-2. Коэффициент сцепления измеряют на каждой полосе движения при скорости автомобиля-лаборатории 60 км/ч путем полного затормаживания измерительного колеса прицепного прибора. В момент измерения коэффициента сцепления толщина водной пленки на покрытии должна быть не менее 1 мм. При проведении измерений коэффициента сцепления необходимо фиксировать температуру воздуха и получаемые значения приводить к расчетной положительной температуре 20°C путем введения следующей поправки:

Температура воздуха, °C 0 5 10 15 20 25 30 35 40

Поправки. -0,06 -0,04 -0,03 -0,20 0 +0,01 +0,01 +0,02 +0,02

Среднюю глубину впадин шероховатости следует оценивать методом

"Песчаное пятно". Оценка прочности дорожных одежд. Ограничение движения грузовых автомобилей по осевым нагрузкам. Полевые испытания дорожных одежд осуществляют в соответствии с действующими методическими и нормативными документами. При испытаниях в расчетный (наиболее неблагоприятный по условиям увлажнения) период года продолжительность периода испытания Т-р (сут) для II-IV дорожно-климатических зон следует принимать в соответствии с действующими нормативными документами (например, с Инструкцией по проектированию дорожных одежд нежесткого типа). За расчетный период в V дорожно-климатической зоне принимают: в орошаемой зоне - март, май - август (дополнительно при дождливых зимах и отсутствии устойчивых отрицательных температур воздуха - ноябрь - февраль); в неорошаемой зоне - март, апрель (дополнительно при отсутствии устойчивых отрицательных температур - ноябрь - февраль). /4/

2.1.3. Срок службы дорожного покрытия оценивают по критерию сцепных свойств или износа поверхности покрытия, по критерию прогиба конструкций от действия расчетной нагрузки. Нормативные значения сроков службы используют также для решения задач, связанных с повышением несущей способности (усилением) дорожных конструкций, Усиление осуществляют при достижении дорожной одеждой расчетного уровня надежности и соответствующего ему предельного состояния покрытия по ровности. Планирование пятилетних и годовых объемов ремонтных работ, ассигнований и материально-технических ресурсов на уровне низовых дорожно-ремонтных или эксплуатационных организаций (ДРСУ, ДЭУ и др.) должно осуществляться на основе оценки фактического состояния дорог с указанием конкретных участков (адресов ремонтов), видов и объемов необходимых ремонтных работ.

В перспективных планах дорожно-ремонтных работ могут устанавливаться целевые задания областным, краевым, автономно-республиканским управлениям дорог, автомобильным дорогам и подведомственным им организациям по повышению капитальности дорожных одежд, замене деревянных мостов на капитальные искусственные сооружения, усилению и уширению мостов, по повышению безопасности и удобства движения (уширение проезжей части, устройства дополнительных полос, укрепление обочин, устройство шероховатой поверхностной обработки, установка ограждений и другого инженерного оборудования).

Перспективные планы реализуются путем составления и выполнения текущих (годовых, квартальных и месячных) планов, являющихся этапами в решении задач, намеченных перспективным планом в пределах ассигнований, выделяемых на данный год.

Основным документом текущего планирования, в котором находит отражение план производственной и финансовой деятельности дорожной службы на планируемый год, является ремстройфинплан. Он составляется по установленным формам низовыми подразделениями дорожной службы, рассматривается и утверждается вышестоящими управлениями, которые на основе ремстройфинпланов хозяйств составляют сводные ремстройфинпланы в целом по управлению.

На основе ремстройфинплана разрабатывают квартальные месячные, декадные, суточные планы. Оперативное планирование должно довести плановые показатели до всех звеньев низовой дорожно-эксплуатационной службы.

При годовом планировании для рационального использования выделяемых ресурсов конкретные объемы ремонтов дорог устанавливают на основе технико-экономического анализа. /4/

2.1.4 Методы контроля

1. Сцепление и ровность покрытия следует оценивать приборами ПКРС, ППК-МАДИ-ВНИИБД, 3-метровой рейкой с клином в соответствии с прилагаемыми к ним инструкциями по эксплуатации.

2. Контроль линейных параметров, характеризующих техническое состояние дорог и улиц, следует осуществлять с помощью линейки или рулетки. Контроль других параметров, не имеющих количественной оценки, осуществляется визуально.

3. Свето- и цветотехнические характеристики дорожной разметки следует определять по ГОСТ 13508, сигналов дорожных светофоров - по ГОСТ 25695, дорожных знаков - по ГОСТ 10807. /7/

2.1.5 Входные и выходные параметры

Зададим входные параметры:

1) TP - тип покрытия [1-5] (асфальтобетон (AB), щебень (SH), гравий (G) )

2) KC - коэффициент сцепления [0.1-0.8] (низкий (N), средний (CR), высокий(V) )

3) СС - срок службы [5 50] (низкий (N), средний (CR), высокий (V) Выходной параметр:

1) KDP - качество дорожного покрытия [1-5] (очень низкое(ON), низкое (N), среднее (CR), достаточно высокое(V), высокий(V) )

Определим базу знаний для оценки качества дорожного покрытия

1. If (TP is AB) and (KC is N) and (CC is N ) then (KDP is N) (1)

2. If (TP is AB) and (KC is N) and (CC is CR ) then (KDP is N) (1)

3 .If (TP is AB) and (KC is N) and (CC isV ) then (KDP is N) (1)

4 .If (TP is AB) and (KC is CR) and (CC is N ) then (KDP is CR) (1)

5 .If (TP is AB) and (KC is CR) and (CC is CR ) then (KDP is CR) (1)

6. If (TP is AB) and (KC is CR) and (CC is V ) then (KDP is DV) (1)

7. If (TP is AB) and (KC is V) and (CC is N ) then (KDP is DV) (1)

8. If (TP is AB) and (KC is V) and (CC is CR ) then (KDP is DV) (1)

9. If (TP is AB) and (KC is V) and (CC is V ) then (KDP is DV) (1)

10. If (TP is SH) and (KC is N) and (CC is N) then (KDP is ON) (1)

11. If (TP is SH) and (KC is N) and (CC is CR) then (KDP is ON) (1)

12. If (TP is SH) and (KC is N) and (CC is V) then (KDP is ON) (1)

13. If (TP is SH) and (KC is CR) and (CC is N) then (KDP is CR) (1)

14. If (TP is SH) and (KC is CR) and (CC is CR) then (KDP is CR) (1)

15. If (TP is SH) and (KC is CR) and (CC is V) then (KDP is CR) (1)

16. If (TP is SH) and (KC is V) and (CC is N) then (KDP is DV) (1)

17. If (TP is SH) and (KC is V) and (CC is CR) then (KDP is V) (1)

18. If (TP is SH) and (KC is V) and (CC is V) then (KDP is V) (1)

19. If (TP is G) and (KC is N) and (CC is N) then (KDP is ON) (1)

20. If (TP is G) and (KC is N) and (CC is CR) then (KDP is N) (1)

21. If (TP is G) and (KC is N) and (CC is V) then (KDP is CR) (1)

22. If (TP is G) and (KC is CR) and (CC is N) then (KDP is CR) (1)

23. If (TP is G) and (KC is CR) and (CC is CR) then (KDP is DV) (1)

24. If (TP is G) and (KC is CR) and (CC is V) then (KDP is DV) (1)

25. If (TP is G) and (KC is V) and (CC is N) then (KDP is CR) (1)

26. If (TP is G) and (KC is V) and (CC is CR) then (KDP is DV) (1)

27. If (TP is G) and (KC is V) and (CC is V) then (KDP is V) (1)

2.2 Реализация системы оценки качества дорожного покрытия в пакете Fuzzy Logiс

Запустим MATLAB и для загрузки основного fis -редактора напечатаем слово fuzzy в командной строке. После этого откроется новое графическое окно, показанное на рисунке 2.2.1.

Программа автоматически создала безымянный файл, и выбрала систему типа mamdani, также программа автоматически добавила один входной и один выходной параметры, и присвоила им имена соответственно input 1 и output 1.

Рисунок 2.2.1 - Окно редактора FIS-Editor

Для реализации выбора оценки качества дорожного покрытия добавим еще два входных параметра. Для этого в меню Edit выбираем команду Add Variable...Input два раза. После чего получим:

Перейдем в редактор функций принадлежности. Для этого сделаем двойной щелчок левой кнопкой мыши на блоке тип дорожного покрытия(TP). Зададим диапазон изменения переменной TP. Введем бальный диапазон 1 5 в поле Range и нажмем Enter. Зададим функции принадлежности переменной TP.

Для лингвистической оценки этой переменной будем использовать три терма с гауссовскими функциями принадлежности. Для этого в меню Edit выберем команду Add MFs.

Рисунок 2.2.3 - Входные и выходная переменные

В появившемся диалоговом окне выбираем тип функции принадлежности gaussmf в поле MF type и три терма в поле Number of MFs Также зададим названия термов переменной TP. Для этого делаем один щелчок левой кнопкой мыши по графику первой функции принадлежности. Затем вводим наименование терма - асфальтобетон(AB) в поле Name и нажмем Enter. После делаем один щелчок левой кнопкой мыши по графику второй функции принадлежности, и вводим наименование терма - щебень(SH) в поле Name и нажимаем Enter. Еще раз делаем один щелчок левой кнопкой мыши по графику третьей функции принадлежности и вводим наименование терма - гравий(G) в поле Name и нажимаем Enter. В результате получаем графическое окно, изображенное на рисунке 2.2.4.

Зададим функции принадлежности переменной коэффициент сцепления(KC). Для лингвистической оценки этой переменной будем использовать три терма также с гауссовскими функциями принадлежности. Для этого активизируем переменную KC с помощью щелчка левой кнопкой мыши на блоке KC.



Рисунок 2.2.4 - Функции принадлежности переменной TP

Зададим диапазон изменения переменной. Коэффициент сцепления измеряется в диапазоне от 0,1 (лед) до 0.8 (сухой асфальт), впишем эти значения в поле Range, а также названия терм: низкий (N), средний (CR), высокий (V) и нажмем Enter (рисунок 2.2.5).

Рисунок 2.2.5 - Функции принадлежности переменной KC

Аналогично разработаем третью входную переменную срок службы (СС) с диапазоном от 5 до 50 лет. (рисунок 2.2.6).

Рисунок 2.2.6 - Функции принадлежности переменной СС

Зададим функции принадлежности выходного параметра качество дорожного покрытия(KDP). Для лингвистической оценки этой переменной будем использовать три терма с гауссовскими функциями принадлежности. Для этого активизируем переменную качество дорожного покрытия(KDP) с помощью щелчка левой кнопкой мыши на блоке KDP. Зададим диапазон изменения переменной KDP. Для этого напечатаем от 1 до 5 баллов в поле Range и нажмем Enter. Затем в меню Edit выберем команду Add MFs…

В появившемся диалоговом окне выбираем пять термов в поле Namber of MFs. После этого нажимаем Enter.Обозначаем каждую терму: очень низкое (ON), низкое (N), среднее (СR), достаточно высокое (DV), высокое (М) (рисунок 2.2.7). Перейдем в редактор базы знаний RuleEditor. Для этого выберем в меню Edit команду Edit rules. Введем набор правил в базу знаний (рисунок 2.2.8). Для этого необходимо выбрать в меню нужное сочетание команд и нажать Add rule.

Рисунок 2.2.7 - Функции принадлежности переменной KDP

Число, приведенное в конце в скобках представляет собой весовой коэффициент для соответствующего правила.

Рисунок 2.2.8 - База знаний в RuleEditor

На рисунке 2.2.9 приведено окно визуализации нечеткого логического вывода. Это окно активизируется командой View rules…меню View.



Рисунок 2.2.9 - Визуализация нечеткого логического вывода в RuleViewer

На рисунке 2.2.10, 2.2.11, 2.2.12 отображены поверхности «входы-выход», соответствующие синтезированной нечеткой системе

Рисунок 2.2.10 - Поверхность «входы (СС, KC), выход (KDP)»

Проанализируем первую полученную поверхность. При увеличении коэффициента сцепления, увеличивается и качество дорожного покрытия. Срок службы незначительно увеличивает выходной параметр.

Рисунок 2.2.11 - Поверхность «входы (TP, СC), выход (KDP)»

При изменение типа дорожного покрытия, увеличивается и его качество. Лучшим является асфальтобетон. Срок службы незначительно увеличивает выходной параметр.

Рисунок 2.2.11 - Поверхность «входы (TP, KC), выход (KDP)»

При увеличении коэффициента сцепления, увеличивается и качество дорожного покрытия. Изменение типа дорожного покрытия, также его увеличивает.

Вывод. Таким образом, из разработанной экспертной системы следует, что для увеличения качества дорожного покрытия нужно использовать материалы, характеристики которых соответствуют стандартам вязкости, прочности ударостойкости и т.д., а именно асфальтобетон. Также увеличить коэффициент сцепления, который оценивается шероховатостью покрытия /8/.



Заключение

В первой части данной курсовой работы были рассмотрены нейросетевые технологии в системах управления, а именно: предпосылки создания нейросетевых систем, биологическая параллель нейрокомпьютерам, задачи, решаемые нейрокомпьютерами, разновидности топологий нейронных сетей, а также их классификация.

Во второй части было представлено решение практической задачи: разработки экспертной системы определения оценки качества дорожного покрытия в пакете Fuzzy logic - программы Matlab.



Список литературы

1. Леоненков, А. Нечеткое моделирование в среде Matlab и Fuzzy TECH / А. Леоненков. - Санкт-Петербург: БХВ-Петербург, 2005.-720 с.

2. Электронный ресурс.

3. Борщенко Я.А. Методические указания к выполнению курсовой работы для студентов специальности 240400 - «Организация и безопасность движения» / Я.А. Борщенко. - Курган 2004.

4. ВСН 24-88 «Технические правила ремонта и содержания автомобильных дорог»

5. ГОСТ 9128-97 «Смеси асфальтобетонные, аэродромные и асфальтобетон»

6. ГОСТ 8267-93 «Щебень и гравий из плотных пород для строительных работ»

7. ГОСТ 5.05.97-93 «Автомобильные дороги и улицы. Требования к эксплуатационному состоянию, допустимому по условиям безопасности дорожного движения»

8. СТП 23-00 «Обеспечение шероховатости и сцепных качеств дорожных покрытий»

Размещено на Allbest.ru

...