«Адаптивное управление сложными системами на основе теории распознавания образов»

В. С. Симанков, Е. В. Луценко

↑	Оглавление
←	Глава 2, «Цели и типовая структура АСУ. Параметрическая модель адаптивной АСУ СС»	Глава 2, Выводы	→

Глава 2: Алгоритмы функционирования адаптивных АСУ СС

Применение системы распознавания и принятия решений в подсистемах идентификации и выработки управляющих воздействий

Как видно из рис. 2.2, система распознавания образов входит в состав как подсистемы идентификации состояния объекта управления (мониторинга), так и подсистемы выработки управляющих воздействий.

Однако применяется она в этих подсистемах по-разному.

В подсистеме идентификации система распознавания образов применяется для того, чтобы классифицировать состояние сложного объекта управления, т.е. дать ему обобщающую оценку, не сводящуюся к совокупности значений выходных параметров. Таким образом, в подсистеме идентификации основным является режим распознавания. Естественно, что без режима обучения системы распознавания этот режим вообще не будет работать, а без режима верификации будет, но неизвестно как (что неприемлемо).

В подсистеме выработки управляющих воздействий по заданным целевым состояниям определяются:

• предпосылки, т.е. не зависящие от человека факторы (предыстория, факторы среды), необходимые для достижения этого состояния;
• управляющие воздействия, которые могут перевести (т.е. ранее переводили) сложный объект управления в данном актуальном (исходном) состоянии, с данной предысторией и находящийся в данной окружающей среде в заданное целевое состояние.

Обе эти задачи, как будет обосновано ниже, относятся к обратным задачам декодирования и для системы распознавания образов являются стандартными. Реализуются они в режиме анализа: «Вывод информационного портрета класса с фильтрацией по уровню признаков».

Адаптивность алгоритмов обеспечивается следующим. Накопление информации о результатах предыдущих циклов управления в базе данных примеров позволяет учесть при принятии решений о выборе управляющих воздействий новые закономерности связи факторов и поведения объекта управления. При высокой динамичности объекта управления ранее накопленные примеры устаревают и их влияние на выбор управляющих воздействий с течением времени уменьшается. Кроме того имеются такие адаптивные возможности, как пересмотр экспертных оценок и изменение списков классов распознавания и факторов.

После выработки управляющих воздействий с помощью режима распознавания может быть осуществлен прогноз результатов их применения.

Таким образом, в подсистеме выработки управляющих воздействий режим анализа обобщенных образов является основным, а режим распознавания — вспомогательным. Естественно, без режима обучения и режима верификации этот режим также либо вообще не будет работать, либо будет, но неизвестно как.

Следовательно, в подсистемах идентификации (мониторинга) и выработки управляющих воздействий может быть применена практически одна и та же система распознавания образов. Однако в этих подсистемах система распознавания используется по-разному и в ней обрабатывается различная информация: в системе идентификации используется лишь режим распознавания, а в подсистеме выработки управляющих воздействий — прежде всего режим анализа, а также распознавания. В обеих подсистемах используются режимы обучения и верификации решающих правил.

Принятие решения об управляющем воздействии в АСУ как решение обратной задачи декодирования теории информации и обратной задачи распознавания образов

Рассмотрим глубокую аналогию между каналом передачи информации и объектом управления.

Варианты структур каналов передачи информации

Канал передачи информации состоит из линии связи, модулятора и демодулятора, кодирующего и декодирующего, а также решающих устройств, позволяющих с высокой степенью достоверности принять и передать сообщение [351].

Для увеличения надежности передачи применяются также каналы обратной связи и решающие устройства. Последние служат для классификации сомнительных сигналов и отождествления их с достаточно высокой степенью достоверности с состояниями источника информации или с определенным кодом (рис. 2.3).

Рис. 2.3 — Варианты структур каналов передачи информации

Информационная модель канала передачи информации и аналогия со структурой АСУ

Обобщив варианты структур каналов передачи информации, получим следующую информационную модель канала передачи информации (рис. 2.4):

Рис. 2.4 — Обобщенная информационная модель канала передачи информации

Источник информации ИИ создает сигналы z, которые после кодирования и модуляции в преобразователе П1 превращаются в сигналы x и поступают в линию связи ЛС. Для удобства сигналы источника будем называть сообщениями, а сигналы x в линии связи просто сигналами. В результате действия помех f сигнал y на приемной стороне может отличаться от сигнала x. Помехи имеют случайный характер и подчиняются статистическим законам. Фактически источником помех является окружающая среда, имеющая сложную структуру, но на практике удобно считать, что помехи создаются некоторым источником помех ИП с определенными статистическими свойствами и поступают в линию связи в виде сигнала f. Приемная часть канала содержит преобразователь П2, демодулирующий и декодирующий принятые сигналы y, и приемник информации ПИ, перерабатывающий принятые сообщения u.

Сравним две информационные системы: канал передачи информации и автоматизированную систему управления, проанализируем, чем они сходны и чем отличаются друг от друга.

Сравнивая обобщенную информационную модель канала передачи информации на рис. 6.4 и функциональную схему АСУ на рис. 1.1 мы видим, что с формальной точки зрения у них есть очень много общего как по структуре, так и по функциям (табл. 2.1).

Автоматизированная система управления	Канал передачи информации
ЧЭ — чувствительный элемент	ИИ — источник информации
У — усилитель	П1 — кодировщик — модулятор
К1 — последовательное корректирующее устройство	ЛС-ПК — линия связи — прямой канал
К2 — параллельное корректирующее устройство	ЛС-ОК — линия связи — обратный канал
ИМ — исполнительный механизм	П2 — демодулятор — декодировщик
ОУ — объект управления	ПИ — приемник информации

Таблица 2.1 — Сравнение функциональной схемы АСУ и обобщенной информационной модели канала передачи информации

Кроме того, обе эти системы прежде всего представляют собой информационные системы, т.е. предназначены для вполне определенных целей, которые достигаются путем передачи и записи информации. Таким образом, именно информация переводит эти системы из нефункционального состояния в функциональное, повышает их уровень системности.

Различие между каналом передачи информации и АСУ состоит в различии их целей, т.е. в том, ради чего в них передается информация:

• в канале информация передается для сообщения приемнику;
• в АСУ информация передается для изменения структуры и функций объекта управления.

Необходимо отметить, что любой приемник информации при получении информации изменяет свою структуру, а иногда и функции, но в теории связи этот факт не играет особой роли и ему не уделяется особого внимания. Однако в теории и практике автоматизированного управления именно это обстоятельство выступает на первый план, так как именно ради изменения состояния объекта управления на него и оказывается информационное управляющее воздействие.

Интересно, что врач-психотерапевт что-то говорит пациенту (гипнотику) вовсе не ради того, чтобы сообщить ему некоторую информацию, а чтобы вылечить его, т.е. перевести из болезненного состояния в здоровое. Учитель также воздействует на ученика не столько ради сообщения ему некоторой информации, хотя этот момент и присутствует, сколько ради того, чтобы научить его учиться, т.е. изменить его. Программист также далек от того, чтобы сообщать компьютеру некоторую информацию, просто он разрабатывает программную систему, т.е. сначала создает, а затем изменяет некоторый информационный объект, который с его точки зрения безусловно представляет собой объект управления ничуть не в меньшей степени, чем кувшин, формирующийся из глины, под руками гончара с точки зрения последнего. Да и кувшин формируется из глины, собственно говоря, по мере того, как информация образа кувшина перезаписывается через руки гончара в глину, представляющую собой не что иное, как приемник и носитель информации.

Эти глубокие аналогии могут быть развиты и продолжены, если исследовать роль обратных связей, с одной стороны, для повышения помехоустойчивости канала передачи информации, а с другой, — для управления в автоматизированных системах управления.

Помехоустойчивость передачи и приема информации

Повышение помехоустойчивости является одной из наиболее важных задач передачи информации. Оно обеспечивается за счет введения определенной избыточности, т.е. увеличения объема сигнала. Это возможно, если скорость передачи информации по каналу это позволяет.

Применяются следующие методы повышения помехоустойчивости:

1. Увеличение мощности сигнала для увеличения отношения сигнал/шум.
2. Применение помехоустойчивого кодирования, т.е. введение дополнительных символов в код передаваемого сообщения. Эти символы позволяют на приемной стороне обнаружить и исправить ошибки. Введение дополнительных символов увеличивает время передачи сообщения и/или частоту передачи символов.
3. Применение помехоустойчивых видов модуляции.
4. Применение помехоустойчивых методов приема (фильтрации).
5. Применение каналов с обратной связью.

Остановимся на последнем методе подробнее.

Если имеется дополнительный канал связи между источником и приемником информации, то его можно использовать как канал обратной связи, по которому от приемника к источнику может передаваться для контроля достоверности приема:

• весь объем полученной информации;
• только информация об элементах сообщения, достоверность которых сомнительна и которые требуется повторить.

Системы передачи первого типа называются системами с информационной обратной связью, а второго типа — с решающей обратной связью.

В системах с решающей обратной связью на приемной стороне должно быть интеллектуальное решающее устройство, обеспечивающее оценку степени достоверности принимаемой информации: если уверенность в достоверности высока, то обратный сигнал не посылается, если же уверенность недостаточна, то делается запрос на повторную передачу.

Работа такой системы напоминает телефонный разговор, в котором слушающий переспрашивает слова или фразы, которые он из-за плохой слышимости не смог распознать. Это означает, что система декодирования в общем случае является системой распознавания и решающее устройство в канале передаче информации с решающей обратной связью по сути дела должно быть системой распознавания образов.

Интерпретация задачи выработки управляющего воздействия в АСУ как обратной задачи декодирования теории информации и обратной задачи распознавания образов

Теория систем связи является областью науки, в которой первоначально возникла, а затем в основном и развивалась теория информации. В другие области науки теория информация проникла исторически позже и не в получила в них столь мощного развития. Тем не менее и это дало очень плодотворные и интересные результаты [2, 3, 35, 74, 111, 128, 136, 142, 161, 164, 184, 212, 250, 256, 351, 373, 382, 383, 389, 391, 404, 405].

По мнению авторов, существующие глубокие аналогии между каналом передачи информации и автоматизированной системой управления, с одной стороны, а также между процессом декодирования передаваемого сигнала в канале передаче информации и процессом распознавания образов, с другой, позволяют обоснованно надеяться на то, что эти аналогии могут быть с успехом продолжены и что на этом пути могут быть получены новые интересные для теории и практики АСУ результаты.

С позиций теории информации объект управления естественным образом может рассматриваться как канал связи (включая приемник информации), на вход которого подается определенная информация в форме входных параметров. Входная информация преобразует состояние объекта управления, т.е переводит его из начального состояния в конечное, характеризующееся определенными выходными параметрами. Таким образом, на выходе объекта управления входная информация приобретает форму выходных параметров.

Канал связи считается идеальным, если на его выходе фиксируются те же параметры, что и на входе. Поэтому в теории связи ставится задача создания каналов связи, обеспечивающих формирование выходных параметров, тождественных входным. Если рассматривать объект управления как канал связи, то очевидно, что он далек от идеального с точки зрения теории информации, так как преобразует входные параметры в выходные по сложным, более того, до конца не известным законам.

Формирование на выходе объекта управления определенных заранее заданных параметров можно считать преобразованием этого объекта из исходного состояния, характеризующегося набором входных параметров, в целевое состояние, которое осуществлено путем подачи на его вход определенной информации (управляющего воздействия).

Поэтому в теории автоматизированного управления ставится иная задача: зная с определенной точностью закономерности преобразования входных параметров в выходные разработать и подать на вход объекта управления (канала связи) такие входные параметры, которые обеспечивают получение на его выходе заранее заданных выходных параметров.

Идеальный канал связи не искажает входной информации, т.е. выходные параметры не отличаются от входных. В шумящем канале связи связь выходных параметров с входными носит сложный и неоднозначный характер, определяемый статистическими характеристиками шума. Важнейшим разделом теории информации является теория построения кодов, позволяющих обнаруживать и исправлять ошибки, возникающие из-за шума в канале связи. Эти коды имеют определенные возможности, т.е. могут, например, гарантировать абсолютную достоверность восстановления переданного с искажением слова при однократной ошибке. Однако, когда количество ошибок превышает помехоустойчивость кода, он выдает произвольные (случайные) результаты декодирования, что является совершенно неприемлемым.

Поиск методов построения систем интеллектуального декодирования, обеспечивающих устойчивую работу при очень большом количестве ошибок в канале связи путем учета как статистики различных видов ошибок, так и их динамики, приводит к идее применения для этих целей алгоритмов распознавания образов.

Следовательно, в наиболее общей постановке задача декодирования с исправлением ошибок может трактоваться как задача распознавания образов, так как процесс декодирования по сути дела сводится к идентификации, т.е. определению класса, к которому относится принятое слово.

Системы распознавания тесно связаны с системами принятия решений, так как распознавание есть не что иное, как принятие решения о принадлежности распознаваемого объекта к определенному классу [295].

С позиций теории АСУ объект управления преобразует входные параметры в выходные не случайным образом, а в соответствии со своей функциональной структурой. Аналитически это преобразование задается моделью, которая является аналитическим выражением (формулой), детерминистским образом связывающей выходные параметры с входными. Для простых объектов управления достаточно знать их модель, чтобы по целевым выходным параметрам определить задающее их управление. Это означает, что простые детерминистские объекты управления можно рассматривать как каналы связи без помех.

Для сложных объектов управления связь выходных параметров с входными имеет более сложный статистический характер, чем у детерминистских объектов. Кроме того на эту связь влияют параметры, значения которых являются неопределенными. Тем не менее, эта связь, безусловно, существует. Это означает, что сложный объект управления можно рассматривать как зашумленный информационный канал, на вход которого действуют управляемые параметры, влияние среды и неизвестных параметров рассматривается как шум, а на выходе формируются выходные параметры.

В постановке теории информации данная, т.е. первая, задача управления по параметрам формулируется следующим образом: «Определить, какую информацию необходимо подать на вход объекта управления (т.е. какими должны быть его входные параметры), чтобы получить на его выходе заранее заданную выходную информацию (выходные параметры)».

Однако в случае сложного объекта управления его состояние не сводится к значениям выходных параметров. Поэтому необходимо предварительно решить вторую задачу, т.е. исходя из того, что целевые состояния объекта управления известны, определить приоритетные выходные параметры, играющие основную роль в детерминации этих состояний.

Кроме того, сама связь выходных и входных параметров у сложных объектов управления имеет сложный и динамичный характер, который не может быть адекватно описан статической детерминистской аналитической моделью. Вместе с тем применение обучающейся системы распознавания образов обеспечивает решение и этой третьей задачи, т.е. построение и адаптацию динамичной информационной модели объекта управления и в том случае, когда он является сложной системой.

С позиций теории информации все эти три задачи относятся к обратным задачам декодирования. Для систем распознавания образов, формирующих обобщенные образы классов распознавания, это стандартная операция, не представляющая проблемы.

Предложено рассматривать сложный объект управления как зашумленный информационный канал, на вход которого действуют управляемые параметры, влияние среды рассматривается как шум, а на выходе формируются выходные параметры.

Обоснован важный в теоретическом отношении вывод о том, что принятие решения об управляющем воздействии представляет собой решение обратной задачи декодирования теории информации, или в общем случае — обратной задачи распознавания образов.

Обобщенная структура и алгоритм функционирования автоматизированной системы распознавания образов и принятия решений в составе адаптивной АСУ СС

Рассмотрим алгоритмы функционирования системы на примере ее применения в подсистеме выработки управляющих воздействий (рис. 2.5).

Информация о состоянии среды и объекта управления, а также вариантах управляющих воздействий поступает и на вход подсистемы распознавания, и на вход подсистемы обучения, например с учителем (экспертом).

Рис. 2.5 — Обобщенная функциональная структура программной инструментальной оболочки

В режиме распознавания работа по преобразованию информации о вариантах управляющего воздействия в формализованный вид осуществляется либо в режиме реального времени программным интерфейсом с источником этой информации, либо оператором, обслуживающим систему. При этом используются описательные шкалы, позволяющие закодировать виды управляющих воздействий и состояния среды и объекта управления. В результате выполнения данной операции формируются специальные базы данных, которые называются «распознаваемая выборка». Эти базы обрабатываются распознающим алгоритмом, в результате чего формируется основной результат работы подсистемы идентификации: автоматическая классификация будущих возможных состояний объекта управления при различных вариантах управляющих воздействий на него. При этом учитывается также состояние среды и прогноз ее развития.

Однако режим распознавания не может быть практически использован, пока не сформированы решающие правила, с которыми работает распознающий алгоритм. А эту функцию выполняет режим обучения с учителем (экспертом).

Данный режим в подсистеме выработки управляющих воздействий работает во многом аналогично тому, как и в подсистеме идентификации (мониторинга) состояний среды и объекта управления, однако есть и существенные отличия. Главное из них вытекает из отличия задач идентификации и прогнозирования. Математически эти задачи практически не отличаются. При идентификации по актуальным признакам надо классифицировать актуальное состояние, а при прогнозировании по прошлым и актуальным признакам — будущее состояние. Таким образом, различие между этими режимами состоит, в основном, в содержании исходной информации, а не в методах ее обработки.

Исходя из вышесказанного можно предположить, что применение методов распознавания образов и принятия решений в принципе позволяет решить задачи подсистемы идентификации одновременно с выработкой управляющих воздействий.

При преобразовании неструктурированной информации о вариантах управления в формализованный вид выполняются те же работы (и теми же исполнителями), что и в подсистеме распознавания. Кроме того, дополнительно экспертами 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», которая по своей структуре очень похожа на распознаваемую, но содержит еще и верифицированную классификационную информацию, имеющую прогностическую ценность и предоставляемую экспертами. Таким образом, обучающая выборка организуется на основе экспериментальных данных, дополненных их экспертной оценкой. Эта выборка обрабатывается обучающим алгоритмом, на основе чего им формируются решающие правила (обобщенные образы классов распознавания, отражающие весь спектр будущих возможных состояний объекта управления), а также определяется ценность признаков для решения задач подсистемы идентификации, мониторинга и прогнозирования.

Признаки, не имеющие особой прогностической ценности, могут быть корректным способом удалены из системы. Этот процесс осуществляется с помощью итерационных алгоритмов (при этом обеспечивается выполнение ряда ограничений, таких как результирующая размерность пространства признаков, его информационная избыточность и т.п.), заданных пользователем.

Формирование решающих правил является основным результатом работы подсистемы обучения, но не единственным. Эта система позволяет провести так называемый типологический анализ.

Режим верификации (расчета интегральной и дифференциальной валидности, т.е. контроля качества решающих правил) основан на использовании внутреннего критерия качества алгоритма распознавания и может быть выполнен в любой момент (это должно обязательно исполняться после каждой адаптации, а также по требованию экспертов). Для активизации данного режима обучающая выборка копируется в распознаваемую, осуществляется ее автоматическая классификация, результаты которой 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.

Однако адаптация, т.е. переформирование решающих правил, не обязательно выполняется только при обнаружении неудовлетворительного качества их работы, как в алгоритмах перцептронного типа [333] (в данном случае при неудовлетворительных результатах прогнозирования эффекта управления). По мнению авторов, более рационально проводить адаптацию каждый раз, когда становится доступной новая, необходимая для этого информация. Поэтому в подсистеме идентификации предусмотрен режим дозаписи распознаваемой выборки к обучающей, чтобы в последующем, когда за счет использования обратной связи станет известна степень адекватности прогноза результатов управления, этой верифицированной (т.е. достоверной) информацией дополнить обучающую выборку и переформировать решающие правила.

Необходимо также отметить, что при адаптации могут быть легко изменены и описательные, и классификационные (оценочные) шкалы, что позволяет плавно расширить или изменить сферу функционирования АСУ.

Адаптивные АСУ сложными системами, созданные на основе предлагаемой технологии, относятся к классу автоматизированных систем организационного управления. Это означает, что и идентификация состояния среды и объекта управления, и выработка управляющего воздействия осуществляются с участием человека, т.е. по «человеко-машинной» технологии. Поэтому и управляющее воздействие реализуются системой не «автоматически» и в форме, соответствующей характеру объекта управления.

Итак, модель СОУ формируется в процессе обучения. Выработка управляющего воздействия осуществляется в подсистеме типологического анализа путем решения обратной задачи распознавания (режим «Информационные портреты»). В режиме распознавания осуществляется идентификация состояния СОУ и прогнозирование результатов применения управляющего воздействия.

↑	Оглавление
←	Глава 2, «Цели и типовая структура АСУ. Параметрическая модель адаптивной АСУ СС»	Глава 2, Выводы	→