Интеллектуальная диагностика компьютерных систем

Размещено на http://www.allbest.ru/

УДК 681.326

Интеллектуальная диагностика компьютерных систем

Давыдов А.А. ХНУРЭ (Украина)

Аннотация

интеллектуальный бинарный диагностирование

Рассматриваются методы представления и обработки знаний в интеллектуальных системах диагностирования. Наиболее удобной формой представления знаний для компьютерной обработки являются логические системы в виде бинарных деревьев решений. Рассматривается метод оптимизации бинарных деревьев решений путем уменьшения размерности дерева и определения несущественных атрибутов (диагностических признаков), которые не влияют на процесс принятия решения о состоянии компьютерной системы.

Введение. Техническая диагностика -- наука о распознавании состояния технической системы, включающая широкий круг проблем, связанных с получением и оценкой диагностической информации. В процессе диагностики устанавливается диагноз, то есть определяется состояние системы. Техническая диагностика изучает методы получения и оценки диагностической информации, диагностические модели и алгоритмы принятия решений.

Интеллектуальная диагностика (ИД) решает обширный круг задач, многие из которых являются смежными с задачами других научных дисциплин. ИД представляет собой совокупность средств, позволяющих строить надежные и адекватные модели диагностируемых сложных технических объектов и процессов по экспериментальным данным, обладающие при этом низкой избыточностью, высокой эффективностью и способностью адаптироваться к изменениям во внешней и внутренней средах диагностируемого объекта (процесса) [1].

Постановка задачи. Основные трудности при проектировании интеллектуальных диагностических систем связаны с тем, что такие системы разрабатываются для плохо формализованных предметных областей, в которых знания неточны, неполны, противоречивы и изменчивы. Это делает необходимым разработку эффективных методов представления и обработки таких знаний. В частности, возникает необходимость пополнения, обобщения и классификация диагностической информации. При этом наиболее удобной формой представления знаний для компьютерной обработки являются логические системы в виде деревьев решений [2].

Для диагностирования компьютерной системы (КС), которая представляет собой сложный технический объект, успешно используются бинарные деревья решений (БДР - Binary Decision Trees) [3]. При проектировании диагностического обеспечения КС первоначально составляется диагностическая матрица, которая содержит двоичные диагностические признаки и возможные состояния объекта. По данной матрице конструируется БДР, затем на основе анализа дерева решается задача классификации, т.е. принимается решение о работоспособности отдельных компонентов КС.

В связи с большой размерностью БДР для реальных технических объектов актуальной задачей являются методы оптимизации построенных деревьев решений.

Оптимизация деревьев решений с использованием теории ПФ. Представим БДР в виде переключательной функции (ПФ) n аргументов, где n - количество диагностических признаков, а функция f(X),которая описывает состояния КС [4]. Как правило, диагностическая матрица, по которой строится БДР, задана не на всех 2ⁿ двоичных наборах и ПФ в этом случае является неполностью определенной. Данное обстоятельство позволяет выполнить минимизацию ПФ (оптимизацию БДР).

Очевидно, что если ПФ n аргументов имеет m определенных наборов, на которых функция принимает значения, равные нулю или единице, то при m < 2ⁿ существуют p = 2ⁿ - m неопределенных наборов значений аргументов. Доопределение этих наборов двоичными значениями имеет 2^p вариантов, из которых целёсообразно выбрать такое, которое обеспечивает минимальное значение ПФ по сравнению с другими вариантами.

Для сложных ПФ большой размерности одним из перспективных методов получения минимальной ПФ является скобочная форма (СФ) ПФ, которая по своей сути совпадает с БДР.

Получение скобочной формы для полностью определенных ПФ основано, как правило, на принципе функциональной декомпозиции.

Рассмотрим представление БДР в виде ПФ четырех аргументов. Пусть ПФ задана таблицей истинности (табл. 1).

Таблица 1. Таблица истинности

Возможные входы ячеек первого ряда -- это различные паросочетания из трехэлементного множества входных значений ПФ {0, 1, х}.

Отметим, что для совпадающих входных значений 00, 11, хх переменная x фиктивна и выходные функции соответственно равны 0, 1, х.

Очевидно, чем больше в БДР ПФ фиктивных переменных, тем проще конечный вид скобочной формы ПФ. Добиться увеличения фиктивных переменных в БДР можно двумя путями: оптимальным доопределением значений функции на неопределенных входных наборах и перестановкой переменных в рядах БДР.

Целесообразно иметь алгоритм перенаправленного перебора переменных в ярусах БДР, чтобы исключить перебор всех возможных вариантов расположения переменных при решении данной задачи.

Введем количественную оценку оптимальности БДР с помощью понятия сходности узлов БДР. Сходными являются узлы, для которых обе входные функции одинаковы. Если для i-го яруса выполняется условие , то переменная x_i фиктивна, так как все узлы i-го яруса сходны. Для определения сходных узлов БДР используем операцию сравнения возможных входных двоичных значений узла: 0, 1, х. Для вычисления сходности в каждом ярусе БДР по каждой переменной необходимо осуществлять сравнение всех взаимно дополнительных ячеек по таблице Венна.

После доопределения, реализующегося путем использования правила покоординатного пересечения булевых переменных, получаем полный вектор входных значений, который используется для получения минимальной формы ПФ.

Выводы. Применение теории переключательных функций для оптимизации бинарных деревьев решений позволяет решать задачи минимизации числа атрибутов (диагностических признаков) за счет исключения несущественных атрибутов, которые не влияют на принятие решений при классификации состояний технического объекта вообще и компьютерной системы в частности.

Оптимизированное дерево решений позволяет решать задачи классификации состояния объекта в интеллектуальных системах диагностирования с меньшими временными и аппаратурными затратами.

Список литературы

1. Кривуля, Г. Ф. Интеллектуальные средства диагностики компьютерных систем [Текст] / Г. Ф. Кривуля, А. А. Давыдов / Сборник научных трудов 3-го Международного радиоэлектронного форума “Прикладная радиоэлектроника. Состояние и перспективы развития”. - Харьков: ХНУРЭ, 2008.

2. Breiman L. Classification and Regression Trees / L. Breiman, J. H. Friedman, R. A. Olshen, C. T. Stone. -- Wadsworth, Belmont, California, 1984.

3. Morris Rosenthal. Computer Repair with Diagnostic Flowcharts / Rosenthal Morris // Foner Books. - 2004. - pp. 1-113.

4. Кривуля Г. Ф. Минимизация неполностью определенных переключательных функций с помощью граф-схем [Текст] / Г. Ф. Кривуля // Асу и приборы автоматики. - Харьков. - 1981. №57. - С. 87-96.

Размещено на Allbest.ru