УДК 519.866

Никонов В.В.

МЕТОДИКА ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ИДЕНТИФИКАЦИИ ВРЕДНЫХ ВЕЩЕСТВ И ИХ КОНЦЕНТРАЦИИ НА ОСНОВЕ ДАННЫХ, ПОЛУЧЕННЫХ С СИСТЕМ ДИСТАНЦИОННОГО ЛАЗЕРНОГО ИК ЗОНДИРОВАНИЯ

ФГБОУ ВПО «Московский государственный университет приборостроения и информатики (МГУПИ)»

 

Анализ  основных  тенденций  развития  современных  промышленных объектов показывает, что они имеют целый ряд особенностей. Это, прежде всего многоаспектность и неопределенность их поведения, иерархическая организация элементов  и  подсистем,  структурное  подобие  и  избыточность  основных элементов  и  подсистем,  связей  между  ними,  многовариантность  реализации функций  управления  и  контроля  на  каждом  из  уровней  иерархии, территориальная  распределенность  элементов  и  подсистем.  Повышение  уровня сложности  технического  объекта  требует  существенного  увеличения  количества контролируемых  параметров  и,  характеризующих  процессы  его функционирования. 

Быстрое развитие методов и программных средств контроля параметров воздушной среды вызвано возросшей необходимостью наблюдения за экологическим состоянием атмосферы. Для предупреждения экологических катастроф и обеспечения безопасности людей в производственной зоне предприятий необходим постоянный контроль за уровнем содержания загрязняющих веществ в воздушной среде.

Федеральный закон «Об охране окружающей среды» № 7-ФЗ от 10.01.2002 г., закон г. Москвы «Об экологическом мониторинге в г. Москве» № 65 от 20.10.2004 г. определяют необходимость разработки методов и средств контроля процессов, происходящих в окружающей среде, в том числе и под влиянием антропогенных факторов.

Эффективным методом исследования воздушной среды атмосферы является метод лазерного инфракрасного (ИК) зондирования. Данный метод позволяет на основе принципов поглощения и рассеивания электромагнитного излучения получать данные о наличии и концентрации вредных веществ, что позволяет выявлять причины, механизмы, тенденции развития процессов, происходящих в атмосфере. Изучением обработки информации, полученной от систем лазерного зондирования воздушной среды занимаются такие отечественные ученые как: Р.Р. Агишев, В.Е. Зуев, В.С. Портасов, И.Д. Миценко, Г.Г. Ванеев, Е.С. Селезнева и др. Существующие в настоящее время методы, модели и средства мониторинга  предназначены  для  изучения  и  наблюдения различных газов, температуры, давления, скорости, а также других параметров атмосферы. за  различными  объектами  и территориями.  Эти  методы  трудоемки  из-за  большого  потока  информации  и  не дают  возможности  выбора  значимого  параметра  мониторинга.  В  большинстве случаев  процедуры  мониторинга  состояния  промышленных  объектов  не автоматизированы. Решение  этой  задачи  возлагается на операторов и  экспертов, что  вносит  так  называемый  человеческий  фактор  в  работу  информационно-измерительных систем. Поэтому возникает необходимость в разработке информационно-вычислительного комплекса для анализа данных, полученных от лазерных систем дистанционного зондирования воздушного бассейна атмосферы, который позволяет определять одновременно несколько вредных веществ и их концентрацию в режиме реального времени без участия эксперта.

Таким образом, задача разработки метода, алгоритма и соответствующего информационно-вычислительного комплекса интеллектуальной поддержки принятия решений для определения вредных веществ в воздушной среде и их концентрации является своевременной и актуальной.

Целью работы является создание математических и информационных моделей интеллектуальной поддержки принятия решений определения вредных веществ и их концентрации.

В рамках создания методики поставлены и решены следующие основные задачи.

1.    Проведен анализ современных моделей, методов и алгоритмов обработки и автоматизированной идентификации сигналов для систем экологического контроля (мониторинга) окружающей среды с использованием лазерного ИК зондирования. Выявлены основные задачи и осуществлен выбор путей их решения.

2.    Разработана методика интеллектуальной поддержки принятия решений определения вредных веществ и их концентрации на основе механизма немонотонного логического вывода и нейросетевых технологий.

3.    Предложена модель принятия решений о наличии вредных веществ в воздухе атмосферы и разработан алгоритм реализации данной модели на основе использования логического формализма модифицируемых рассуждений.

4.    Разработан метод определения концентрации вредных веществ в атмосфере на основе нейросетевых технологий с помощью специального представления спектра поглощения ИК излучения, полученного с лазерных систем дистанционного зондирования воздушного бассейна атмосферы.

5.    Разработана архитектура и осуществлена программная реализация информационно-вычислительного комплекса для определения вредных веществ и их концентрации в воздушной среде с использованием лазерного ИК зондирования.

Для решения поставленных задач в ходе исследования использовались методы логического вывода, методы оптимизации, математического моделирования, искусственных нейронных сетей, технологии разработки алгоритмов и программного обеспечения, объектно-ориентированного программирования.

В настоящее время наиболее успешно применяются лазерные системы на основе ИК излучения. Данные, полученные с систем лазерного дистанционного зондирования, представляют собой инфракрасные спектры поглощения ИК излучения вредными веществами, типичный вид которых представлен на рис. 1.

Рис. 1. Пример ИК спектра поглощения метанолом

Рассмотрены существующие методы для определения по ИК спектрам поглощения состава смеси газов в воздушной среде. Доказана необходимость разработки методики на основе информационно-вычислительного комплекса для определения вредных веществ и их концентрации в воздушной среде с использованием лазерного ИК зондирования.

Разработана модель интеллектуальной поддержки принятия решений для определения вредных веществ на основе логического формализма модифицируемых рассуждений и создана экспертно-информационная система идентификации вредных веществ по данным лазерного ИК зондирования. Преимущество логического подхода для построения экспертно-информационной системы в представлении фактов и правил базы знаний в виде продукций. Процесс вывода заключения интерпретируется как дедуктивный метод доказательства теоремы.

В ходе работы рассмотрены модели монотонного и немонотонного логического вывода, определены достоинства и недостатки данных моделей, на основании чего выбрана модель немонотонного логического вывода.

Ниже приводится краткое описание использованных базовых определений.

Определение 1.     Предположением названо текущее допущение о некотором факте, истинном в данный момент, но которое в дальнейшем может стать ложным и быть исключен из дальнейшего рассмотрения.

Определение 2.     Посылка ― факт, не требующий обоснования.

Разработан алгоритм создания правил логического вывода, необходимых для принятия решений о наличии вредных веществ в окружающей среде на основе использования формального концептуального анализа.

Определение 3.     Контекст – это тройка (Y, X, F), которая состоит из множества объектов (вредных веществ в воздухе атмосферы) Y, множества атрибутов (признаков вредного вещества) X и бинарных отношений  между объектами и атрибутами.

Контекст имеет вид таблицы, в которой строки представляют собой объекты, а столбцы – атрибуты.

Определение 4.     Под концептом (А,N) понимается пара объекта  и атрибута, которые удовлетворяют определенным условиям.

Все объекты концепта содержат все его атрибуты.

Множество всех формальных концептов образуют концептуальную решетку.

Блок-схема разработанного алгоритма создания правил логического вывода для определения вредных веществ приведена на рисунке 2. Данный алгоритм относится к методам интеллектуального анализа данных.

Построенная концептуальная решетка по алгоритму (рис. 2), позволяет определить все свойства, которыми обладает то или иное вредное вещество. Каждый узел решетки соответствует концепту.

 

Рис. 2. Блок-схема алгоритма создания правил логического вывода для определения вредных веществ

 

Предложенный алгоритм был использован для решения практической задачи выявления вредных веществ по спектру поглощения ИК излучения. Максимальное количество не взаимодействующих между собой определяемых веществ (восемь) было установлено специалистами по экологическому контролю. Для создания правил логического вывода при идентификации вредных веществ составляется матрица контекста, в строках которой записаны идентифицируемые вредные вещества, а в столбцах – признаки данных веществ. Признаками являются количество и положение пиков снижения интенсивности пропускания веществом ИК излучения, полосы частот поглощения, место положение полос в спектре поглощения, ширина и форма полос поглощения. Всего определено восемь признаков для идентификации веществ. Контекст для установления логических правил определения вредных веществ в воздушной среде представлен в таблице 1.

Таблица 1.

Пример контекста формирования логических правил.

                 

              Атрибуты

 

 

 

 

 

 

 

Объекты

При частоте  900 1150  см-1 наличие 2х полос поглощения

При частоте 1200..1250 см-1 снижение интенсивности ИК излучения от 1 до 0,85 отн. ед.

При частоте 950..1150  см-1снижение интенсивности от 1 до 0,1 отн. ед.

При частоте 700…750 см-1 снижение интенсивности ИК излучения от 1 до 0,75 отн. ед.

При частоте 950..1150  см-1ширина полосы поглощения составляет 200 см―1

Наличие дребезга в спектре ИК поглощения

При частоте 800…950 см-1 снижение интенсивности ИК излучения от 1 до 0,8 отн. ед.

При частоте 1300…1350 см-1 снижение интенсивности ИК излучения от 1 до 0,9 отн. ед.

1

2

3

4

5

6

7

8

Метанол

М

 

+

 

 

+

+

+

 

Этанол

Э

 

+

+

+

+

+

+

+

Аммиак

А

+

 

+

 

 

+

+

+

Диметилсульфоксид

Д

+

 

+

 

 

 

+

 

 

На основе контекста, представленного таблицей 1, строится формальная концептуальная решетка, для создания правил логического вывода (рис. 3).

 

Рис. 3. Концептуальная решетка на примере четырех вредных веществ, для формирования логических правил идентификации вредных веществ

 

На основе алгоритма (рис. 2) на примере четырех вредных веществ разработаны соответствующие правила логического вывода определения вредных веществ в окружающей среде. Логические правила состоят из фактов и допущений.

Фрагмент правил логического вывода выглядит следующим образом:

число_полос_поглощения_в_спектре (1)  ММетанол ├ Метанол;

величина_поглощения (0,45)  МДиметилсульфоксидДиметилсульфоксид;

Диметилсульфоксид ├¬Метанол;

Диметилсульфоксид  МЭтанол ├Этанол;

Положение_полосы_поглощения(924см―1) ├ Аммиак;

Аммиак├ ¬Этанол;

Неизвестно_число_полос_поглощения├ ¬ Метанол;

Дребезг_в_спектре├ ¬ Диметилсульфоксид.

Экспертно-информационная система определена схемой, представленной на рисунке 4. Данная система включает следующие блоки: администратор диалога и решатель задач, который состоит из подсистем: процессора логического вывода, базы знаний, системы поддержки рассуждений (СПР).

 

Рис. 4. Схема экспертно-информационной системы в составе информационно-вычислительного комплекса на основе логического формализма модифицированных рассуждений

 

Определение вредных веществ в воздушной среде представляет собой итерационный процесс. В ходе мониторинга формируется дополнительная информация в виде модифицируемых рассуждений. Процесс рассуждений определения вредных веществ в окружающей среде, является немонотонным процессом. В связи с этим, предлагается следующий общий алгоритм функционирования экспертно-информационной системы, построенной на немонотонном процессе вывода:

Шаг 1.         Формирование фактов и правил в базе знаний (проводится экспертом).

Шаг 2.         Из множества правил логического вывода находится правило, содержа­щее целевое утверждение (осуществляется решателем задач).

Шаг 3.         Сопоставление найденного правила с имеющимися фактами (осущест­вляется решателем задач).

Шаг 4.         Если образец правила при сопоставлении совпал с какими-либо факта­ми, то осуществляется выполнение этого правила (логический вывод) (осуществляется решателем задач).

Шаг 5.         Сохранение осуществленного вывода (фактов и правил) в специальной области (система поддержки рассуждений).

Шаг 6.         Если логический вывод противоречит некоторым фактам и заключе­ниям, то выполняется сохранение в специальной области этих фактов и правил, а так же уда­ление их из базы знаний (система поддержки рассуждений).

Шаг 7.         Если достигнут конец множества правил логического вывода, то переход к шагу 8, иначе переход к шагу 2.

Шаг 8.         Завершение работы.

Предложенный алгоритм функционирования экспертно-информационной системы немонотонного вывода требует наличия специальной области, в которой хранится предыдущий вывод. В связи с этим, предложено использовать систему поддержки рассуждений (СПР), которая реализуется в экспертно-информационной системе (рис. 4). Процессор логического вывода информирует СПР от каких данных зависит вывод, т.е. какие посылки и правила были использованы. Значимый (непротиворечивый) вывод, передается в СПР, как обоснование в форме хорновских фраз (дизъюнктов). Вывод противоречия говорит о несовместности предположений, в рамках которых сделан вывод. Таким образом, СПР используется для защиты логической целостности и непротиворечивости заключений в экспертно-информационной системе, построенной на немонотонном логическом выводе.

Взаимодействие между процессором логического вывода и СПР представлено на рисунке 5.

 

Рис 5. Взаимодействие процессора логического вывода и СПР

 

Управление дедуктивной совместимостью фактов в СПР представлено в графической форме, показанной на рисунке 6.

Каждый факт в СПР представлен в виде узла. Зависимость заключения от фактов изображается в виде логического вентиля (рис. 6). Совокупность логических вентилей образует сеть обоснований.

 

Рис. 6. Представление зависимости в виде логического вентиля

 

Вводится понятие состояния узла. Узел может находиться в одном из двух состояний: ВНУТРИ, если узел является состоятельным (непротиворечивым) заключением на основе осуществленных выводов, и ВНЕ, если узел не является состоятельным выводом на основе осуществленных ранее выводов. Если узел не имеет зависимости, то он всегда находится в состоянии ВНЕ.

Введены следующие определения для зависимостей, представленных на рисунке 6.

Определение 5.     Зависимость называется значимой, если ее монотонные поддержки находятся в состоянии ВНУТРИ и все немонотонные поддержки в состоянии ВНЕ.

Определение 6.     Зависимость называется незначимой, если хотя бы одна из ее монотонных поддержек находится в состоянии ВНУТРИ.

Зависимость заключения от фактов (рис. 6) имеет следующее значение: если  и ― теоремы (т.е. если их узлы находятся в состоянии ВНУТРИ), то Е ― теорема.

C и D  не являются теоремами, их узлы находятся в состоянии ВНЕ.

Узлы A и B назваются монотонными поддержками, а узлы C и Dнемонотонными.

Зависимость, изображенная на рисунке 6 выполняет следующее правило:

.

Узел может быть связан с несколькими зависимостями, т.е. несколько логических вентилей могут связываться с узлом.

Разработана структура экспертно-информационной системы для определения вредных веществ в воздушном бассейне атмосферы средствами лазерного зондирования на основе использования графического представления фактов и правил вывода заключений из фактов, а также добавления или удаления из базы знаний правил вывода в результате полученной дополнительной информации при мониторинге воздушного бассейна атмосферы. Созданная ЭИС, реализуемая информационно-вычислительным комплексом, базируется на реализации процедуры логического вывода.

Для определения концентрации вредных веществ предлагается метод на основе теории искусственных нейронных сетей.

Задача определения концентрации вредных веществ в воздушном бассейне является логическим продолжением разработанных метода и алгоритма идентификации вредных веществ.

Методы количественного анализа вредных веществ воздушного бассейна атмосферы основаны на построении зависимости между интенсивностью поглощения веществом ИК излучения и его концентрацией. На основе регистрации партии спектров ИК излучения вредных веществ с известными концентрациями устанавливается зависимость между спектром поглощения и концентрацией.

В данной работе для определения концентрации вредного вещества из данных, полученных с систем лазерного ИК зондирования и автоматизации построения функциональной зависимости между интенсивностью поглощения веществом ИК излучения и его концентрацией предложено использовать метод нейронных сетей.

Задача определения концентрации вредного вещества по данным спектра поглощения сформулирована как задача аппроксимации функции многих переменных.

Доказана возможность использования нейросетевых технологий для решения задачи автоматизации построения функциональной зависимости между спектром поглощения ИК излучения вредными веществами и их концентрацией.

Нейронная сеть представлена как совокупность простых элементов (нейронов), связанных друг с другом.

Для решения задачи установления концентрации вредных веществ по данных ИК спектра поглощения предложена многослойная нейронная сеть (рис. 7):

-         1 слой состоит из значений  спектра поглощения ИК излучения вредными веществом;

-         2 слой является промежуточным слоем, для повышения точности установления функциональной зависимости между спектром поглощения и концентрацией вещества;

-         3 слой состоит из значения  ― концентраций вредных веществ, представленных спектром поглощения (например, рис. 1).

 

Рис. 7. Структура трехслойной нейронной сети, используемая для установления концентрации вредного вещества по данным ИК спектра поглощения

 

Каждый слой связан следующими весами:

 синаптический вес между слоем СИКП и промежуточным слоем;

 синаптический вес между промежуточным и слоем СК.

Обучение нейронной сети основано на обучении с учителем, заключающееся в том, что каждому входному вектору значений спектра поглощения ИК излучения регистрируемого вещества  ставится в соответствие выходная величина  ― концентрация вредного вещества.

Обучение с учителем определено как поиск коэффициентов  и  нейронной сети, при которых будет выполняться необходимое отображение входных векторов  значений спектра поглощения в выходное  ― значение концентрации. Это достигается путем минимизации суммы разности квадратов между желаемым и получаемым выходами нейронной сетью:

,

где m – количество обучающих примеров;  ― желаемый выход нейрона для i -го обучающего примера ;  ― матрица весовых коэффициентов нейронной сети;  i-ый обучающий пример.

Рассмотрены различные алгоритмы обучения нейронной сети: эволюционные, стохастические, градиентные. Сделаны рекомендации по использованию тех или иных алгоритмов, созданы модификации и их объединения для более эффективного и быстрого обучения нейронной сети.

Проведен анализ различных параметров сетей (вид нейронов, количество слоев и связей) при выборе наиболее оптимальной нейронной сети для решения задачи определения концентрации вредных веществ по данным поглощения вредным веществом ИК излучения. В ходе проведенных исследований разработан пошаговый алгоритм редукции сети с учетом конкуренции связей нейронов между собой:

Шаг 1. Задание исходных значений для каждого элемента (нейрона).

Шаг 2. Ввод значений синаптических весовых коэффициентов  – степень связи, с которой i-ый нейрон связан с j-ым нейроном следующего слоя.

Шаг 3. Вычисление значений каждого нейрона по формулам: 

,                                                       (1)

,                                              (2)

где – сумма произведений всех синаптических весов i-ого нейрона на значение соответствующего этому весу j-ого нейрона следующего слоя, gj  – величина i-ого элемента следующего слоя, K – коэффициент, который используется для обновления значений нейронов предыдущего слоя;  - величина j – го элемента следующего слоя.

Шаг 4. Обновление значений синаптических весов:

,

где  – значения синаптических весов предыдущей итерации.

Шаг 5. Сокращение количества конкурируемых между собой нейронов. Если , то .

Шаг 6. Вычисление обновленных значений по формулам (1) и (2).

Шаг 7. Исследование значений нейронов на противоречие в конкуренции:

,    ,      ,

где          – обновление значения ,  – значение  на предыдущей итерации, .

Шаг 8. Вычисление новых значения нейронов с учетом противоречия в конкуренции:

.

Шаг 9. Если значения нейронов не превышают установленного порога, то окончание алгоритма, иначе переход к шагу 4.

Алгоритм является итерационным. Он используется для установления конкурентных связей в нейронной сети (рис. 7).

Проведена апробация разработанных моделей и алгоритмов интеллектуальной поддержки принятия решений в задачах мониторинга воздушного бассейна окружающей среды с использованием лазерного ИК зондирования.

По полученным результатам разработаны методика, структуры и диалоговые процедуры информационно-вычислительного комплекса.

Методика интеллектуальной поддержки принятия решений на основе механизма немонотонного логического вывода и нейросетевых технологий предназначена для определения наличия вредных веществ и установления их концентрации в воздушной среде на основе данных, полученных от систем дистанционного лазерного инфракрасного зондирования. Данная методика объединяет осуществление трех основных этапов: сбор информации (предоставление спектра ИК поглощения) с системы дистанционного лазерного инфракрасного зондирования, обеспечение функционирования экспертно-информационной системы идентификации вредных веществ и построение искусственной нейронной сети для определения концентрации вредных веществ, путем установления функциональной зависимости между спектром поглощения ИК излучения вредным веществом и известной концентрации этого вещества.

Разработанная методика и информационно-вычислительный комплекс позволяет идентифицировать одновременно до 8 вредных веществ. Данное максимальное количество вредных веществ было установлено специалистами по экологическому контролю. При этом идентифицируемые вещества не должны взаимодействовать между собой. Таким образом, в качестве ограничения методики: максимальное количество идентифицируемых веществ . Идентифицируемые вещества не должны взаимодействовать между собой. Считаем, что взаимодействующие между собой вредные вещества представляют собой отдельное вещество с соответствующим спектром ИК поглощения.

Схематично методика представлена на рис .8.

Рис. 8. Методика интеллектуальной поддержки принятия решений на основе механизма немонотонного логического вывода и нейросетевых технологий

В начале исследований (блок 1) проводится сбор информации с системы дистанционного лазерного инфракрасного зондирования в виде спектра поглощения инфракрасного излучения вредными веществами в воздушной среде, т.е. проводится изначальное сканирование воздушной среды исследуемого объекта с помощью лазерной дистанционной установки инфракрасного излучения. В ходе зондирования формируется инфракрасный спектр поглощения.

Результаты реализации первого этапа используются как при обеспечении функционирования экспертно-информационной системы (составляющие блока 2) идентификации вредных веществ, так и при определении концентрации установленных веществ с помощью нейросетевой модели (составляющие блока 3).

При обеспечении функционирования экспертно-информационной системы (блок 2) идентификации вредных веществ используются следующие процедуры: создание базы данных наблюдений (спектра ИК поглощения , полученного на этапе 1 ); построении правил логического вывода на основе алгоритма, разработанного в главе 2; формировании базы знаний; осуществление процедуры логического немонотонного вывода с целью идентификации вредных веществ.

Этап 3 соответствует разработке нейросетевой модели для определения концентрации вредных веществ, найденных на этапе 2.

По результатам предварительного экомониторинга (регистрации партии спектров ИК излучения вредных веществ с известными концентрациями) создается база данных наблюдений (блок 3.1), которая используются при установлении функциональной зависимости между спектром поглощения и известной для этого спектра концентрации

На этапе 3.3 создаются обучающие и тестовые выборки для построения математической и компьютерной модели в виде искусственной нейронной сети для определения концентрации вредных веществ по спектру ИК поглощения, позволяющая с высокой степенью точности осуществлять оценку концентрации.

Реализация этапа, отраженного блоком 4, обеспечивает возможность создания программного обеспечения, с помощью которого можно будет реализовать процедуры идентификации вредных веществ и процедуры установления их концентрации, а также предоставление полученных результатов в удобном наглядном виде для всех заинтересованных сторон.

На этапе 5 осуществляется формирование результатов в удобном для пользователя виде, с использованием процедур протоколирования и визуализации полученных результатов.

Разработанный информационно-вычислительный комплекс предназначен для автоматизации принятия решений о наличии вредных веществ в воздушной среде и их концентрации. Информационно-вычислительный комплекс позволяет автоматизировать выполнение следующих задач:

-         представление данных;

-         идентификация вредных веществ в окружающей среде с использованием логического формализма модифицированных рассуждений;

-         определение концентрации вредных веществ с помощью искусственных нейронных сетей;

-         обучение и настройка нейронной сети;

-         визуализация результатов.

Разработана система различных меню, многопользовательский интерфейс, набор управляющих элементов.

Архитектура информационно-вычислительного комплекса приведена на рис. 9.

Данный информационно-вычислительный комплекс работает под управлением операционных систем семейства Windows.

Проектирование информационно-вычислительного комплекса интеллектуальной поддержки принятия решений осуществлялось на базе объектно-ориентированных технологий.

Исследована эффективность разработанного информационно-вычислительного комплекса. Осуществлена проверка его работоспособности на предприятиях, занимающихся мониторингом окружающей среды.

 


Шестиугольник: Интерфейс взаимодействия с другими подсистемами

Рис. 9. Архитектура информационно-вычислительного комплекса

 


Ошибки определения состава вредных веществ информационно-вычислительным комплексом в воздушной среде показаны на рис. 10. Данная ошибка определялась следующим образом. Проводилось 100 независимых прогонов разработанного информационно-вычислительного комплекса для следующих веществ: этанол, метанол, аммиак, диметилсульфоксид, хлоропрен, гидразин, этилакрилат. Ошибка идентификации вредного вещества определялась по формуле:

где  – количество итераций, на которых было неверно идентифицировано вредное вещество;  – ошибка идентификации вредного вещества.

Рис. 10. Ошибки определения вредных веществ в воздушной среде

 

Зависимость вероятности идентификации вредных веществ от накопленных в информационно-вычислительном комплексе правил логического вывода представлена на рис. 11.

Рис. 11. Зависимость вероятности идентификации вредных веществ от количества накопленных в информационно-вычислительном комплексе логических правил

Разработанный информационно-вычислительный комплекс был использован в проекте ООО КБ «ЭлектронСистема» (г. Жуковский) при разработке новой системы дистанционного мониторинга воздушной среды различных объектов и территорий с использованием систем лазерного зондирования, установленных на летательных аппаратах.

Выводы

1. Проведен анализ современных моделей, методов и алгоритмов обработки и автоматизированной идентификации сигналов для систем экологического контроля (мониторинга) окружающей среды с использованием лазерного ИК зондирования. Выявлены основные задачи и осуществлен выбор путей их решения.

2. Разработана методика интеллектуальной поддержки принятия решений определения вредных веществ и их концентрации на основе механизма немонотонного логического вывода и нейросетевых технологий.

3. Предложена модель принятия решений о наличии вредных веществ в воздухе атмосферы и разработан алгоритм реализации данной модели на основе использования логического формализма модифицируемых рассуждений.

4. Разработан метод определения концентрации вредных веществ в атмосфере на основе нейросетевых технологий с помощью специального представления спектра поглощения ИК излучения, полученных с лазерных систем дистанционного зондирования воздушного бассейна атмосферы.

5. Разработана архитектура и осуществлена программная реализация информационно-вычислительного комплекса для определения вредных веществ и их концентрации в воздушной среде с использованием лазерного ИК зондирования.

 

Литература:

1.       Никонов В.В. Использование нейросетевых технологий для определения количественного состава вредных веществ в воздушном бассейне атмосферы по данным ИК спектрометрии // Экологические системы и приборы № 5, 2010. – с. 16–19.

2.       Никонов В.В. Построение модели экспертно-информационной системы на основе логического формализма в задачах экологического мониторинга // Приборы и системы. Управление. Контроль. Диагностика, 2010. № 4, с. 9–14.

3.       Никонов В.В. Принципы построения промышленных автоматизированных систем обработки сигналов лидарных систем для дистанционного зондирования атмосферы. // Промышленные АСУ и контроллеры, 2010. № 3, с. 7–8.

4.       Никонов В.В. Нейросетевые технологии в задачах мониторинга воздушной среды. Сборник трудов Международной научно-практической конференции «Современные направления теоретических и прикладных исследований ‘2008». Том 2. ― Одесса: Черноморье, 2008, с. 29–34.

5.       Никонов В.В. Решение задачи прогнозирования на основе аппарата искусственных нейронных сетей. Сборник трудов Международной научно-практической конференции «Современные направления теоретических и прикладных исследований ‘2007». ― Одесса: Черноморье, 2007, с. 7–11.

6.       Никонов В.В. Современные методы и технологии мониторинга воздушной среды атмосферы. Сборник трудов Международной научно-практической конференции «Современные проблемы и пути их решения в науке, транспорте, производстве и образовании ‘2006». Том 6. ― Одесса: Черноморье, 2006., с. 17–25.

7.       Спектроскопические методы зондирования атмосферы /Под ред. И.В. Самохвалова. овосибирск: Наука, 1985.

8.       Козинцев В.И., Белов М.Л., Городничев В.А., Федотов Ю.В. Лазерный оптико-акустический анализ многокомпонентных газовых смесей. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2003. – 352 с.

9.       Агишев Р.Р. Лидарный мониторинг атмосферы. ― М.:ФИЗМАТЛИТ, 2009. ― 316 с.

10.  Региональный мониторинг атмосферы. Природно-климатические изменения: Коллективная монография / Под общей редакцией М.В. Кабанова. омск: МГП «РАСКО»,2000.-Ч.4.-270с.

11.  Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. С.Пб.:Питер, 2000. -384 с.

12.  Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4: учебное пособие для вузов. – М.: ИПРЖР, 2001. – 256 с.