3. Интерпретация алгоритма с использованием виртуальных моделей как процедуры ассоциативного поиска

Вопрос быстродействия алгоритма на базе виртуальных моделей является весьма существенным для прогнозирования параметров технологических процессов, и зачастую становится ключевым. Для решения этого вопроса применим подход, основанный на использовании для прогнозирования модели ассоциативного мышления оператора технологической установки.

Рассмотрим, например, следующий подход (аналогичный предложенному в [5]) для построения процедуры ассоциативного поиска, имитирующего интуитивное прогнозирование производственной ситуации оператором. По сути, наиболее адекватный прогноз ситуации будет осуществлен тем быстрее, чем скорей будет сформирован из архива набор водных векторов (в произвольные прошлые моменты времени), который и составит виртуальную оболочку текущего вектора входов.

Пусть множества значений технологических параметров (которые являются компонентами вектора входов), а также значения выходов системы в предыдущие моменты времени вместе составляют множество признаков, формирующих образ выхода.

В процессе ассоциативного вспоминания используются образы, описываемые определенным набором признаков. Обозначим образ, инициирующий ассоциативный поиск, через P, и, соответственно, образ-результат ассоциативного поиска - через R. Пару образов (P,R) назовем ассоциацией A или A(P,R). Множество всех ассоциаций на множестве образов составляет память или базу знаний интеллектуальной системы.

В нашем случае в качестве начального образа ассоциативного поиска P^a будем рассматривать текущий вектор входов x_N. Конечным образом ассоциативного поиска R^a будет являться аппроксимирующая оболочка, состоящая из входных векторов из техологического архива, построенная с помощью описанного в разделе 1 алгоритма. Эта оболочка представляет собой как бы образ текущего входного вектора, посредством которого мы прогнозируем выход. Алгоритм реализует процесс восстановления образа R^a , исходя из P^a (т.е. процесс ассоциативного поиска) и может быть описан предикатом

={_i(P_i^a,R_i^a,T^a), где P_i^a P и R_i^a  R, T^a – время ассоциативного поиска..

Ассоциативный поиск, принимающий значение true, называется успешным, а принимающий значение false – неудачным. Ассоциативный поиск  (P^a,R^a,T^a) использующий только одну ассоциацию, содержащуюся в памяти интеллектуальной системы (т.е. на первом же шаге выбирающих из архива нужный набор векторов), называется элементарным ассоциативным поиском [5].

Для алгоритма, представленного в 1-м разделе, этот предикат является высказывательной функцией, утверждающей истинность либо ложность принадлежности текущего входного вектора определенной области в пространстве входов.

Конечно, решение может быть не единственным. В этом случае выбирается любое из них (задача оптимизации пока не рассматривается).

Если не найдется в архиве ни одной гиперповехности, удовлетворяющей (9), можно либо увеличивать уровень порога , либо для для определенной гиперповерхности (образа нашего входного вектора) производится замена одного из признаков на более подходящий. Формально это означает, что из набора архивных векторов входов исключается «самый плохой» (находящися дальше всех остальных от текущего входа в смысле выбранного критерия) и вставляется другой, более подходящий, и т.д.

Процесс принятия решений оператором об управляющем воздействии в любой момент времени основывается на интуитивном прогнозировании оператором выхода по состоянию и можно представить как ассоциативный поиск (процесс вспоминания) образов, инициируемый начальным входным образом (т.е. значением текущих компонент входного воздействия). В общем случае этот процесс можно представить как ассоциативный поиск, раскладываемый в цепочку элементарных ассоциативных поисков. Можно выделить два вида цепочек [5]:

1. цепочка с забыванием, когда все образы, восстановленные в результате предыдущих ассоциативных поисков, не учитываются в процессе выполнения текущего ассоциативного поиска. Именно такая цепочка возникает в процессе использования виртуальных моделей.

2. цепочка с запоминанием, когда начальным образом для текущего ассоциативного поиска является образ, формируемый с учетом истории поиска на предыдущих этапах. В случае алгоритма, описанного в первом разделе в архиве сохраняются координаты используемых на предыдущих этапах аппроксимирующих гиперповерхностей.

Заключение

В настоящей главе рассмотрены создание концепции идентификационного анализа, методологии разработки и методов функционирования программных анализаторов технологического и логистического циклов производства, а также анализ возможности использования разработанных методов для широкого круга производственных задач. Полученные в работе результаты направлены на теоретическое обобщение и решение важной практической задачи: создание интеллектуальной основы интегрированных информационно-управляющих структур на производстве.

В качестве важного примера рассмотрены методы разработки интеллектуальных виртуальных анализаторов технологических процессов непрерывного и полунепрерывного типа. Методы основаны на использовании виртуальных моделей и алгоритмов ассоциативного поиска. Для формирования поддержки принятия решений об управлении оператором технологической установки можно использовать алгоритмы ассоциативного поиска. Они могут содержать цепочки ассоциаций без запоминания и с запоминанием любой возможной глубины. Во втором случае процесс успешного ассоциативного поиска заметно ускоряется за счет использования технологических знаний, которыми в процессе реального функционирования непрерывно пополняется база знаний производства.

Литература

1. Ларичев О.И., Нарыжный Е.В. Компьютерное обучение процедуральным знаниям // Психологический журнал №6, 1999, 20, с.53-61.

2. Patel V.L., Ramoni M.F. Cognitive Models of Directional Inference in Expert Medical Reasoning // In: Feltovich P., Ford K., Hofman R. (Eds.) Expertise in Context: Human and Machine. AAAI Press, Menlo Parc, CA, 1997.

3. Hunt E., Cognitive Science: Definition, Status and Questions // Annual Review of Psichology, 1989, 40.

4. Newell A., Simon H.A., Human Problem Solving, Englewood Cliffs, NJ: Prentice-Hall Inc., 1972.

5. Gavrilov A.V. The Model of Associative Memory of Intelligent System// The 6-th Russian-Korean International Symposium on Science and Technology. Proceedings. Novosibirsk. 2002. Vol. 1. P. 174-177.

6. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решения. - М.; Физматгиз, 1996.

7. Туманов Н.А., Туманов Д.Н., Чадеев В.М., Бахтадзе Н.Н.. Системы управления качеством производства минеральных удобрений на основе виртуальных анализаторов // Автоматизация в промышленности. 2003. №8. C.33-36.

Литература

1. Бессекерский В.А., Попов Е.П. Теория систем автоматического регулирования. - М.: Наука, 1972.- 767 с.; ил.

2. Солодовников В.В. Статистическая динамика линейных систем автоматического управления. - М.: Физматгиз, 1960 с.;ил.

Литература.

1. Коршунов Ю. М. Математические основы кибернетики: Учеб. пособие для вузов.- М.:Энергоатомиздат, 1987.- 496 с.;ил.

2. Сигорский В.П. Математический аппарат инженера.-К.: Техника, 1975-799с.:ил.

3. Колмогоров А.Н., Фомин С.В. Элементы теории функций и функционального анализа.- М.:Наука,1972.-495 с.;ил.

120