А. В. Гулай, В. М. Зайцев

Белорусский национальный технический университет, Минск, Беларусь

ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ ТЕХНИЧЕСКОГО НАЗНАЧЕНИЯ: ФУНКЦИОНАЛЬНАЯ КЛАССИФИКАЦИЯ

Последние десятилетия отмечены бурным созданием и внедрением в различные области науки, техники и промышленного производства аппаратно-программных комплексов, которые в процессе функционирования способны на основе внешней информации вырабатывать рациональные поведенческие реакции или формировать адекватные выводы и заключения [1, 2]. В техническую терминологию прочно вошло понятие «интеллектуальные системы», которое на практике в большинстве случаев связывается с использованием различных технологий инженерии знаний. Оно, как правило, распространяется на системы, в которых с помощью специальных методов осуществляется представление и накопление знаний и фактов из определенных проблемных областей и в пределах этих областей обеспечивается синтез решений, выводов и заключений как результатов обработки запросов конечных потребителей информации.

Существенное расширение степени реального учета разнообразных факторов и причинно-следственных связей в процессах функционирования сложных технических объектов обусловлено непрерывным наращиванием функциональных возможностей цифрового электронного оборудования, общими мировыми тенденциями применения микропроцессоров, компьютерной техники и программных средств при создании современных технологических комплексов. В состав технических объектов стали вводить системы обработки информации, в которых применяются нечеткие алгоритмы выработки решений, при этом неотъемлемой составляющей данных процессов выступает обоснованный и осмысленный выбор между различными вариантами. Это приблизило структуры реализации процессов подготовки возможных решений к искусственному мышлению. Одновременно оформились самостоятельные направления дальнейшего развития системных технологий цифровой обработки фактографической информации.

Анализ указанных тенденций позволил выявить объективную необходимость проведения классификации интеллектуальных систем технического назначения по функциональному признаку. При выделении различных классов интеллектуальных систем технического назначения помимо их функциональной ориентации учитываются также применяемые семантические и логические схемы выработки системных решений. Принципиально различаются дедуктивная и индуктивная схемы, возможности использования которых в системах с искусственным интеллектом обсуждаются со второй половины XX века [3].

В случае применения дедуктивной схемы предполагается выработка в системе конкретного решения, вывода или заключения на основе общих математических теорий, гипотез и положений (математической логики, теории вероятностей, методов линейного программирования, динамического программирования, теории игр и других) [2–4]. Индуктивная схема предполагает выработку в системе общих решений, выводов или заключений на основе накопленных, специально организованных и хранящихся знаний и фактов путем упрощения комбинаторики и сокращения переборов возможных альтернатив с помощью наборов эвристик (например, при принятии решений по адаптивной динамической маршрутизации информационных и материальных потоков, при подготовке выводов для оптимизации использования системных ресурсов, при формировании заключений по результатам диагностики состояний технических объектов) [3, 4]. Под эвристиками понимаются критерии оценки практической пригодности формируемых решений, выводов, заключений или правила, позволяющие сделать выбор при отсутствии точных теоретических оснований [2, 3].

Рис. 1. Функциональная классификация интеллектуальных систем технического назначения.

Интеллектуальные системы технического назначения по используемым математическим основам технологий и областям практического приложения могут быть объединены в следующие самостоятельные группы: системы обработки сигналов; системы обработки цифровых и символьных данных (рис. 1). Разделение интеллектуальных систем по функциональному признаку на классы позволяет в группе систем обработки сигналов выделить цифровые измерительно-информационные системы, цифровые системы анализа спектров сигналов, цифровые системы управления регуляторами и исполнительными механизмами, системы обеспечения требуемой достоверности передачи цифровой информации по каналам связи в условиях помех. В группе интеллектуальных систем обработки данных выделяются следующие классы систем, имеющих самостоятельное практическое применение: системы адаптивной динамической маршрутизации информационных и материальных потоков для обеспечения удаленного взаимодействия технических объектов через коммуникационные сети; системы информационной поддержки процессов эффективного функционирования органов управления; экспертные технические системы для обеспечения выработки и принятия адекватных управляющих решений при наличии нечетких правил или неопределенностей.

Системы каждого из указанных классов включают в свой состав аппаратно–программные компоненты, обладающие свойствами дедуктивного или индуктивного формирования адекватных решений, выводов или заключений путем использования фактографической системной информации, а также процедур семантического и логического анализа предварительно подготовленных и обобщенных специальных данных, знаний и фактов, которые принадлежат проблемным областям, в соответствии с целевым назначением этих систем.

К классу цифровых измерительно-информационных систем относятся одноканальные и многоканальные системы, которые обеспечивают прецизионные измерения различных физических величин и, при необходимости, выполняют их функциональные преобразования [5, 6]. В подобных системах в настоящее время используются технологии предварительного высокоскоростного аналого-цифрового преобразования сигналов, порождаемых источниками (в том числе сенсорными устройствами), процедуры смысловой обработки оцифрованных сигналов на микропроцессорах и процедуры упаковки результатов измерений и отметок времени в телеметрические транзакции. Смысловая обработка основывается на вычислениях необходимых дискретных функций сверток и предусматривает выполнение требуемой цифровой фильтрации сигналов, линеаризации результатов измерений, функциональных преобразований с дедуктивным принятием решений, а в технологическом режиме — операций юстировки и калибровки. Данные системы могут поддерживать дистанционную реализацию измерительных процессов и процедур сенсорного контроля.

Класс цифровых систем анализа спектров сигналов составляют одноканальные и многоканальные системы, обеспечивающие прецизионные высокоскоростные аналого-цифровые преобразования исследуемых сигналов. На системных микропроцессорах обеспечивается реализация процессов дискретного преобразования Фурье по технологии «прыгающего окна» и процессов быстрого преобразования Фурье по технологии «скользящего окна» для сигналов, которые представляются своими дискретными отсчетами [6]. С целью расчетов необходимых функциональных зависимостей в микропроцессорах применяются рекуррентные алгоритмы вычисления тригонометрических, экспоненциальных и дробно-степенных функций, а также интерполяционные полиномы аппроксимации функций, заданных таблично [7].

Функционирование цифровых систем управления регуляторами и исполнительными механизмами основывается на положениях теории задания или автоматического формирования управляющих воздействий в соответствии с требуемыми законами работы технического оборудования [8, 9]. В системах этого класса используются наиболее многочисленные наборы эвристик для выработки поведенческих решений и сложные алгоритмы расчета значений решетчатых функций управления, которые реализуются на микропроцессорах с помощью программных компонентов с последующим цифро-аналоговым преобразованием полученных дискретных значений [9, 10]. Сложность алгоритмов и адекватность получаемых результатов в значительной мере зависит от размерности вектора внешних факторов, которые подлежат учету, а также от физической сущности отдельных координат этого вектора. В настоящее время наиболее широкое применение эти системы находят в робототехнике и в мехатронике [11]. Применяются одноканальные и многоканальные системы, которые могут поддерживать процессы дистанционного управления.

Среди интеллектуальных систем технического назначения особое место занимают системы обеcпечения требуемой достоверности передачи цифровой информации по каналам связи в условиях помех. Это наиболее обширный класс систем, которые ориентированы на реализацию функций второго уровня семиуровневой модели взаимосвязи открытых систем [14]. Он объединяет системы, которые имеют различный пространственный размах, могут использовать физическую основу передачи информации в виде проводных, оптических, радиорелейных и радиоканалов, ориентированы на функционирование в составе разнотипного приемопередающего оборудования и обладают индивидуальными математическими основами построения информационных процессов.

По выполняемым функциям рассматриваемые системы условно имеют два логических тракта: один тракт входит в состав кодера источника цифровой информации, а второй тракт — в состав декодера приемника информации. Для обеспечения требуемой достоверности передачи информации в данных системах применяются определенные способы избыточного помехоустойчивого кодирования, выбор которых зависит от качества канала передачи информации, а в конечном итоге — от свойств используемой физической среды распространения сигналов [12]. К важнейшим и наиболее распространенным способам блочного кодирования относятся коды Хэмминга, циклические коды, коды Боуза – Чоудхури – Хоквингема, коды Голея и коды Рида – Соломона [13]. Эти кодовые построения обладают различными кодовыми расстояниями и, следовательно, способностями к обнаружению и исправлению канальных ошибок. При работе на каналах, в которых высока вероятность возникновения групп ошибок, в системах дополнительно применяются процедуры периодического и псевдослучайного перемежения кодовых комбинаций. Общепринятым способом реализации систем этого класса является программное построение с ориентацией на применение микропроцессоров или микроконтроллеров, при этом предусматривается возможность настройки системы на использование наиболее рациональных типов кодов или на их последовательное каскадирование.

Системы адаптивной динамической маршрутизации информационных и материальных потоков для обеспечения удаленного взаимодействия технических объектов через коммуникационные сети, как правило, реализуются программным способом на вычислительном оборудовании узловых объектов или на оборудовании объектов–маршрутизаторов [14, 15]. Современные сетевые решения предполагают автоматическое формирование и оперативную модификацию таблиц маршрутизации информационного или материального трафика. При динамической маршрутизации используются алгоритмы обновления маршрутов, которые могут поступать от одного или от нескольких узловых объектов или от узлов–маршрутизаторов, что позволяет автоматически приспосабливаться к изменениям в топологии сети.

Теоретически таблицы маршрутизации должны постоянно отображать точную и актуальную информацию о топологии сети. В реальных системах для того, чтобы произошедшие изменения в топологии сети отразились в таблицах маршрутизации всех узловых объектов и в объектах–маршрутизаторах, должно пройти время схождения — время распространения по сети изменений таблиц и перехода сети в установившееся состояние. Наличие времени схождения коммуникационных сетей приводит к тому, что в сетях даже с небольшим количеством узловых объектов и объектов–маршрутизаторов принимаемые решения по маршрутизации из-за потенциальной неопределенности могут сопровождаться эффектами «проб и ошибок». Для сетей различного функционального назначения актуальна разработка специальных методов оперативной маршрутизации на основе дедуктивных и индуктивных схем, которые минимизируют вероятности принятия некорректных решений. Применительно к компьютерным сетям возможные подходы рассмотрены в [14], в частности, представлены дистанционно-векторные алгоритмы Беллмана-Форда. В компьютерных сетях этот класс систем обеспечивает реализацию функций третьего уровня семиуровневой модели взаимосвязи открытых систем [14].

Системы информационной поддержки процессов эффективного функционирования органов управления в информационно-технических и информационно-управленческих структурах ориентируются на обеспечение заданных уровней полноты и своевременности сбора и обработки фактографической системной информации, которая накапливается в базах данных и используется в циклах управления. Требуемая длительность цикла управления и технология организации поступления информации в систему предопределяют допустимые вероятностно–временные параметры функционирования трактов сбора и накопления данных, от которых в свою очередь зависит качество принимаемых решений. В системах этого класса существует потребность отображения разнородных данных в виде записей фиксированного или неопределенного объема на технических средствах источников информации и в базах данных компьютеров обработки [16].

Традиционным приемом в организации указанных систем является применение процедур упаковки и распаковки разнородных данных при их представлении в виде записей той или иной структуры. Возникает объективная проблема представления атомарных данных в источниках информации и их последующего однозначного отображения в виде атрибутов, кортежей и отношений (плоских двумерных файлов) базы данных. По сути, этот вопрос относится к проблеме распознавания исходных лингвистических конструкций внешнего проблемно–ориентированного языка представления информации на технических средствах источников системы и их смыслоразличительной трансляции в конструкции базы. Внешний проблемно–ориентированный язык в большинстве случаев соответствует потребностям системного документооборота (например, декларируется применение анкетных и табличных форм или иных конструкций с общей и распространяемой информацией). Язык описания и представления данных в базе ориентируется на эффективность внутримашинного представления, поиска и обработки информации.

Взаимные однозначные преобразования требуют построения и введения в состав системы специальных программных компонентов, управляемых технологическими наборами распознающих грамматик, которые дополнительно позволяют организовать синтаксический и частичный семантический контроль информации перед ее непосредственной обработкой. Попытка примитивного выноса конструкций базы данных на внешний интерфейс в большинстве случаев приводит к резкому увеличению объемов циркулирующей информации, практически исключает выполнение контрольных операций и увеличивает результирующие времена переработки информации. В компьютерных сетях определенные компоненты этого класса систем ориентированы на реализацию функций шестого уровня семиуровневой модели взаимосвязи открытых систем [14].

Экспертные технические системы для обеспечения выработки и принятия адекватных управляющих решений при наличии нечетких правил или неопределенностей предназначаются, прежде всего, для аккумуляции предметно ориентированных сведений, фактов и знаний экспертов. Реальное применение таких систем в настоящее время ограничивается оперативным формированием предложений (в ряде случаев — альтернативных) для принятия возможных решений, при этом окончательные выводы делает уполномоченное на это лицо. Для таких систем разработаны современные технологии и принципы построения, относящиеся к инженерии знаний и использующие различные логические основы для индуктивного синтеза возможных решений, выводов и заключений: элементы продукций, фреймы, семантические сети и логику предикатов [1, 17]. Формализованные представления знаний и фактов, построение смысловых связей между этими информационными объектами, организация и последующее размещение сформированных таким образом информационных ресурсов в памяти вычислительных средств обеспечивает построение баз знаний. С их помощью, а также с помощью набора эвристик и специально разработанных программных компонентов может быть организовано выполнение процессов целенаправленной автоматической подготовки и подбора наилучших вариантов ответов на запросы конечных потребителей.

Литература

1. Рыбина Г. В. Основы построения интеллектуальных систем. — М.: Финансы и статистика, ИНФРА, 2010.

2. Лорьер Ж.–Л. Системы искусственного интеллекта.— М.: Мир, 1991.

3. Ледли Р. С. Программирование и использование вычислительных машин. — М.: Мир, 1966.

4. Вентцель Е. С. Исследование операций. Задачи, принципы, методология — М.: Наука, 1988.

5. Сперанский В. С. Сигнальные микропроцессоры и их применение в системах телекоммуникаций и электроники — М.: Горячая линия —Телеком, 2008.

6. Литюк В. И., Литюк Л. В. Методы цифровой многопроцессорной обработки ансамблей радиосигналов — М.: САЛОН-ПРЕСС, 2007.

7. Гусак А. А. Приближение функций. — Минск: Университетское, 1989.

8. Башарин А. В. и др. Управление электроприводами. — Л.: Энергоиздат, 1982.

9. Зайцев В. М., Путков В. Н. Численный метод реализации обратного преобразования Лапласа для дробно–рациональных изображений. — Известия АН БССР. Серия физико–технических наук. — № 4. — 1974.

10. Аналого–цифровое преобразование. — М.: ТЕХНОСФЕРА, 2007.

11. Фу К. и др. Робототехника. — М.: Мир, 1989.

12. Скляр Б. Цифровая связь. Теоретические основы и практическое применение. — М., СПб.: Вильямс, 2003.

13. Кларк Д., Клейн Дж. Кодирование с исправлением ошибок в системах цифровой связи. — М.: Радио и связь, 1987.

14. Танненбаум Э. Компьютерные сети. — М., СПб.: ПИТЕР, 2006.

15. Филипс Д., Гарсиа–Диас A. Методы анализа сетей. — М.: Мир, 1984.

16. Мартин Д. Организация баз данных. — М.: Мир, 1980.

17. Представление и использование знаний. — М.: Мир, 1989.