Современные информационные технологии/1.Компьютерная  инженерия

Д.т.н. Самигулина Г.А., PhD-докторант Самигулина З.И.

Институт проблем информатики и управления, Алматы, Казахстан

Технология интеллектуализации процесса обработки многомерных данных для систем промышленной автоматизации на основе искусственных иммунных систем

Современные направления развития общества связаны в первую очередь с научными разработками в прикладных областях. Высокие темпы технического прогресса выдвигают повышенные требования к разрабатываемым сложным системам, которые должны обладать высокой надежностью, способностью к адаптации и функционированию в условиях воздействия различного рода неопределенностей. Интеллектуализация таких систем является одной из актуальнейших проблем науки сегодняшнего дня. Почти все реальные объекты управления являются сложными, многомерными нелинейными системами, которые требуют особых, нетрадиционных методов. Данные требования обуславливают разработку средств и методов интеллектуального управления [1].

Существует множество моделей и алгоритмов построения интеллектуальных систем автоматического управления, которые используются в разных отраслях науки и техники. Самыми распространенными из них являются нейронные сети [2], нечеткие системы, экспертные системы управления, искусственные иммунные системы, эволюционное программирование, генетические алгоритмы [3], клеточные автоматы, системы размышлений на основе аналогичных случаев, алгоритмы определения ассоциаций и последовательностей и т.д.

Интересны разработки в области Искусственных Иммунных Систем (Аrtificial Immune Systems, AIS) для прогнозирования и интеллектуального управления динамическими, нелинейными, многомерными объектами с различными видами неопределенностей параметров.

Постановка задачи формулируется следующим образом: необходимо разработать технологию применения биологического подхода искусственных иммунных систем для интеллектуализации процесса обработки многомерных данных, прогнозирования и управления в системах промышленной автоматизации.

В данной работе используется направление AIS, которое основано на механизмах молекулярного узнавания и введении математической модели формального пептида [4]. Для решения поставленной задачи используется следующий укрупненный алгоритм:

Шаг 1. Сбор данных с реального объекта управления и организация обмена данными с AIS. Применяется технология OPC (OLE for Process Control), которая предназначена для обмена данными с системой измерения и управления. Предложенная технология разработана для оборудования Schneider Electric.

Шаг 2. Разработка баз данных для AIS.

Шаг 3. Предварительная обработка данных, которая включает в себя нормирование, центрирование данных, заполнение пропущенных данных.

Шаг 4. Классификация решений.

Шаг 5. Выделение информативных признаков и построение оптимальной структуры иммунной сети на основе различных подходов:

- факторного анализа данных (программа SPSS);

- с помощью нейронных сетей (программа NeuroShell).

Шаг 6. Обучение сети с учителем.

Шаг 7. Решение задачи распознавания образов на основе нахождения минимальной энергии связи между формальными пептидами с использованием сингулярного разложения матриц.

Шаг 8. Прогноз поведения интеллектуальной системы на основе оценки энергетических погрешностей и расчета коэффициентов риска прогнозирования [5].

Шаг 9. Выработка рекомендаций по принятию решений и оперативное управление системой.

 Одной из наиболее важных характеристик AIS является способность к обобщению (generalization performance), то есть способность системы работать с реальными данными, которые не участвовали в процессе обучения. Ошибка обобщения является одним из основных показателей характеризующих систему, который позволяет оценить точность полученных результатов. Существует проблема переобучения (over fitting) сети и малое значение ошибки обучения не гарантирует малую ошибку обобщения. Актуальной является задача выбора оптимальной сложности сети, при которой минимизируется ошибка обобщения. Разработка численных оценок, применяемых на практике, является одной из наиболее сложных задач, которая требует глубокого изучения данной проблемы. Дело в том, что оценки зависят от типа данных и могут существенно видоизменяться при решении различных прикладных задач.

На разработанное программное обеспечение получены свидетельства о государственной регистрации прав на объект авторского права в Комитете по правам интеллектуальной собственности Министерства Юстиции Республики Казахстан.

Литература:

1. Макаров И.М., Лохин В.М., Манько С.В., Романов М.П., Искусственный интеллект и интеллектуальные системы управления. –М.: Наука, 2006. – С. 333.

2. Yue Fu, Tianyou Chai, Nonlinear adaptive decoupling control based on neural networks and multiple models // International Journal of Innovative Computing, Information and Control. – 2012. P.P 1867-1878.

3. Королев Л.Н., Эволюционные вычисления, нейросети, генетические алгоритмы – формальные постановки задач // Журнал «Фундаментальная и прикладная математика». -М.: Центр новых информационных технологий МГУ, 2010. -Т.15. -№3. -С. 119-133.

4. Tarakanov A.O. Formal peptide as a basic of agent of immune networks: from natural prototype to mathematical theory and applications // Proceedings of the I International Workshop of Central and Eastern Europe on Multi-Agent Systems, 1999. -P.38.

5. G. Samigulina. Development of the decision support systems on the basis of the intellectual technology of the artificial immune systems // Automatic and remold control. – Springer, 2012.-Volume 74. - № 2. -С. 397-403.