Книги по системному анализу

Системный анализ

«Адаптивное управление сложными системами на основе теории распознавания образов»

В. С. Симанков, Е. В. Луценко

Оглавление    
Глава 6, «Методология синтеза ААСУ СС» Глава 6, «Методика синтеза ААСУ СС. Пример синтеза адаптивной САУ фотоветроэлектроэнергетической установкой»

Глава 6: Алгоритм синтеза ААСУ СС

Рассмотрим подробнее предлагаемый авторами алгоритм синтеза адаптивных АСУ сложными объектами с применением модели распознавания образов.

Основная идея предлагаемого алгоритма состоит в том, что применение обучающейся с учителем (экспертом) адаптивной модели позволяет выявить информационные зависимости между факторами и целевыми состояниями объекта управления, т.е. фактически конкретизировать абстрактную модель СОУ, построить его модель и осуществить синтез АСУ (рис. 6.1).

Алгоритм синтеза

Рис. 6.1 — Алгоритм синтеза

адаптивной АСУ сложными системами

Шаг 1-й (формальная постановка задачи): для начала работы по конкретизации модели СОУ разрабатывают описательные и классификационные шкалы, необходимые для формализованного описания предметной области. Описательные шкалы описывают признаки прошлых и актуальных состояний среды и объекта управления, а классификационные — все возможные, в том числе целевые, будущие состояния СОУ.

Шаг 2-й (формирование обучающей выборки): информация о состоянии среды и объекта управления, а также вариантах управляющих воздействий поступает на вход подсистемы обучения с учителем. Работа по преобразованию информации о вариантах управляющего воздействия в формализованный вид (кодирование) осуществляется оператором, обслуживающим систему. При этом используются описательные шкалы, позволяющие описать в формализованном виде варианты управляющих воздействий, а также состояния среды и сложного объекта управления. Кроме того, экспертами (дополнительно) с использованием классификационных шкал сообщается системе, к каким результатам на практике приводят те или иные управляющие воздействия на объект управления, находящийся в определенном актуальном состоянии и в данной окружающей среде.

Вся эта информация представляется в виде специальных кодированных бланков, используемых также для ввода информации в компьютер. В результате ее ввода в базы данных получается так называемая «обучающая выборка».

Шаг 3-й (обучение): обучающая выборка обрабатывается обучающим алгоритмом, на основе чего им формируются решающие правила (обобщенные образы состояний СОУ, отражающие весь спектр будущих возможных состояний объекта управления), а также определяется ценность факторов для решения задач подсистемы идентификации, мониторинга и прогнозирования.

Шаг 4-й (оптимизация): факторы, не имеющие особой прогностической ценности, корректным способом удаляются из системы. Данный процесс осуществляется с помощью итерационных алгоритмов, при этом обеспечивается выполнение ряда ограничений, таких как результирующая размерность пространства факторов, его информационная избыточность и т.п.

Шаг 5-й (подготовка данных для типологического анализа): формирование решающих правил не является единственным результатом работы подсистемы обучения. Эта система готовит также исходные данные для типологического анализа, который включает: информационные портреты, кластерно-конструктивный анализ, семантические сети, а также когнитивные диаграммы состояний СОУ и факторов [196].

Шаг 6-й (адаптация модели). В подсистеме идентификации предусмотрен режим дозаписи распознаваемой выборки к обучающей, чтобы в последующем, когда станет известна степень адекватности прогноза результатов управления, этой верифицированной (т.е. достоверной) оценочной информацией дополнить обучающую выборку и переформировать решающие правила (обучающая обратная связь). При адаптации могут быть легко изменены и описательные, и классификационные (оценочные) шкалы, что позволяет плавно расширить или изменить сферу функционирования адаптивной АСУ СОУ.

Шаг 7-й (верификация модели): если решающие правила построены (на шаге 3) и оптимизированы (на шаге 4), но качество их работы неизвестно, то пользоваться ими для принятия решений было бы опрометчиво. Верификация решающих правил основана на использовании внутреннего критерия качества алгоритма распознавания и может быть выполнена в любой момент, например по требованию экспертов, но в обязательном порядке — после каждой адаптации. Для выполнения данной функции обучающая выборка копируется в распознаваемую, осуществляется ее автоматическая классификация (в режиме распознавания), результаты автоматической классификации сравниваются с независимой экспертной классификацией. На основе этого рассчитывается так называемая внутренняя дифференциальная и интегральная валидность, которая является, соответственно, детализированной и обобщающей характеристиками качества решающих правил (все эти работы полностью автоматизированы).

Если результаты верификации конкретной модели СОУ удовлетворяют разработчиков адаптивной АСУ и заказчиков, то АСУ переводится из пилотного режима, при котором управляющие решения генерировались, но не исполнялись, в режим опытно-производственной эксплуатации, когда они реально начинают использоваться для управления. Если же модель признана недостаточно адекватной, то необходимо расширять перечень факторов (так как значимые факторы могли быть упущены из анализа), увеличивать объем обучающей выборки, исключать артефакты, пересматривать экспертные оценки и переформировывать коллектив экспертов, а также предпринимать другие действия для улучшения качества модели (повторять шаги 1 — 7).

Необходимо отметить, что когда конкретная информационная модель СОУ построена и оптимизирована, то разработать на ее основе содержательную аналитическую или другую статическую модель детерминистского типа, например, регрессионную, уже достаточно просто.

Таким образом, предложены методология и конкретный алгоритм применения системы распознавания образов и принятия решений, основанных на теории информации, для синтеза адаптивных АСУ СОУ, обеспечивающих решение следующих задач:

  • формирование обобщенных образов состояний СОУ на основе обучающей выборки (обучение);
  • идентификация состояния СОУ на основе его выходных параметров (распознавание);
  • определение влияния входных параметров на перевод СОУ в различные состояния (обратная задача распознавания);
  • прогнозирование поведения СОУ в условиях полного отсутствия управляющих воздействий;
  • прогнозирование поведения СОУ при различных вариантах управляющих воздействий.

Выявленные в результате работы адаптивных АСУ зависимости входных и выходных параметров сложных объектов управления позволяют, при условии статичности этих закономерностей, построить АСУ с постоянной моделью.

Оглавление    
Глава 6, «Методология синтеза ААСУ СС» Глава 6, «Методика синтеза ААСУ СС. Пример синтеза адаптивной САУ фотоветроэлектроэнергетической установкой»


Система Orphus

Яндекс.Метрика