авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 4 | 5 || 7 | 8 |   ...   | 9 |

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального ...»

-- [ Страница 6 ] --

Кроме того, внедрение системы занимает длительное время (от 1 года и выше) и требует привлечения высококвалифицированных специалистов Известия ТулГУ. Технические науки. 2012. Вып. [1].

Устранить вышеперечисленные недостатки используемых систем и построить систему, обеспечивающую необходимым инструментарием управляющего, возможно с использованием многоагентного подхода [2, 3], который бы предоставил и возможность использования разрозненных ис точников данных, и проведение автоматизированных исследований, не требующих специальной квалификации пользователя, и наличие единого аналитического аппарата обработки информации.

Структура системы поддержки принятия решения содержит четыре уровня и представлена на рис. 1.

1. Клиентский уровень обеспечивает интерфейс между пользова телем и системой, позволяет определять запросы и визуализировать ре зультаты исследований.

2. Серверный уровень реализует логику работы приложения, осуществляет взаимодействие с агентами уровня обработки данных для передачи задания и получения результатов исследований.

3. Уровень обработки данных представляет собой модуль много агентной системы (МАС), или сообщество агентов, и осуществляет непо средственный сбор, обработку и подготовку результатов исследования в виде, понятном лицу, принимающему решение.

4. Уровень хранения данных объединяет базы данных организа ции, предприятия, т.е. представляет источник данных для проведения ана лиза.

Рис. 1. Основные модули системы В состав модуля МАС входят 7 типов агентов, разделенных на три группы по основному назначению.

1. Агенты, взаимодействующие с внешней средой (условно по Управление, вычислительная техника и информационные технологии стоянные агенты): агент - координатор, агент - помощник и агент - доступа к данным;

2. Агенты - эксперты предметной области (переменные агенты);

3. Агенты вычислений (постоянные агенты): агент расчета агре гированных показателей, агент корреляционного анализа и агент регресси онного анализа.

Общая схема обработки запроса пользователя сообществом агентов представлена на рис. 2 и включает в себя следующие этапы.

1. Пользователь с помощью интерфейсных форм вводит в систе му запрос для проведения анализа. Данные запроса передаются агенту ко ординатору, который будет сопровождать выполнение задания во время его обработки.

2. Агент - координатор передает запрос для исследования одному из агентов декомпозиции задачи (агенту эксперту), соответствующему за просу, и ждет ответа.

3. Агент - эксперт, взаимодействуя с агентом доступа к данным, в соответствии с данными запроса получает набор данных для дальнейшего исследования.

4. Агент - эксперт выполняет декомпозицию запроса пользовате ля на подзапросы и передает их агентам, занимающимся непосредствен ными вычислениями (агент расчета агрегированных показателей, агент корреляционного анализа, агент регрессионного анализа) и ждет ответа 5. Агент - координатор получает ответ от агента декомпозиции задачи. Если решение найдено, тогда он трансформирует результат в фор му, понятную пользователю, и передает ему ответ запроса. В противном случае агент возвращает пользователю информацию о неудаче.

Модуль МАС обеспечивает выполнение следующих функциональ ных возможностей.

1. Возможность использования разрозненных источников данных для получения достоверной и объективной информации. Пользователь оп ределяет параметры исходных данных, а агент доступа к данным, исполь зуя базу знаний предметной области, обращается к необходимым источни кам данных.

2. Сохранение шаблонов пользовательских запросов, необходи мых для получения часто используемых данных.

3. Возможность использования настраиваемых помощников для мониторинга ситуаций на предприятии. Пользователь вводит запрос на проверку одного или нескольких критериев и определяет интервал провер ки. В результате в случае наступления необходимых условий ему приходит уведомление на электронный адрес.

4. Возможность наращивания функциональных возможностей системы путем увеличения способов анализа и интерпретации данных.

Благодаря использованию многоагентного подхода в разработке аналити Известия ТулГУ. Технические науки. 2012. Вып. ческого модуля есть возможность в любой момент времени как дополнить определения отдельных показателей и их взаимосвязей, так и наращивать их количество в процессе эксплуатации системы.

5. Проведение автоматизированных исследований статистиче ских данных, не требующих от пользователей специального знания, что также минимизирует число ошибок, связанных с человеческим фактором.

Возможность адаптации к решению других задач путем добавления нового агента эксперта в необходимой предметной области.

Рис. 2. Общая схема взаимодействия агентов Рассмотрим реализацию следующих функциональных возможно стей:

использование разрозненных источников данных;

отслеживание конкретных ситуаций;

наращивание функциональных возможностей по обработке по лученных данных;

реализация универсального средства для решения схожих за дач.

Использование разрозненных источников данных Получением исходной информации из разрозненных источников данных занимается агент доступа к данным. Он обращается к базе данных предметной области, содержащей информацию о местонахождении исход ных данных, способах подключения к источникам данных, понятия и тер Управление, вычислительная техника и информационные технологии мины предметной области (рис. 3).

Рис. 3. Основные классы предметной области Для выполнения поиска необходимой информации агенту доступа к данным определено поведение – addBehaviour(new DataAccess()). Это по ведение является циклическим, т.е. агент остается активным на протяже нии всей своей жизни, чтобы осуществлять постоянный прием сообщений на выполнение. Обмениваясь сообщениями и агент-отправитель, и агент получатель (в данном случае агент доступа к данным) однозначно пони мают цель сообщения, т.к. сообщение может иметь только ограниченный набор целей. В сообщении также имеется строгое разделение между его целью и содержанием. После выполнения запроса ответное сообщение формируется из значений полей полученного сообщения:

private class DataAccess extends CyclicBehaviour{ public void action(){ MessageTemplate mt = MessageTemplate.and ( MessageTemplate.MatchPerformative (ACLMessage.CFP), MessageTemplate.MatchConversationId (“access-data”));

ACLMessage msg = myAgent.receive(mt);

if(msg == null) {block();

return;

} ACLMessage reply = msg.createReply();

reply.setPerformative(ACLMessage.PROPOSE);

reply.setContent(QuerySelect ( getDataDomain( msg.getContent(),...));

myAgent.send(reply);

} } Доступ к источникам данных и запросы к ним строятся на основа нии той модели, для которой необходимо получить исходные данные:

Известия ТулГУ. Технические науки. 2012. Вып. public DataSource GetConnect(dataSource, DataDomain[] param){...

try{ dataSource.setDriverClassName(param[iParam].driverDD);

dataSource.setUrl(param[iParam].urlDD);

dataSource.setUsername(param[iParam].conn.user);

dataSource.setPassword(param[iParam].conn.password);

}catch(){...}...

} public ListSearchResponse QuerySelect(SearchRequest request,...){ DriverManager DataSource dataSource = new DriverManagerDataSource();

GetConnect(dataSource, request.getDataDomain());

SimpleJdbcTemplate template = new SimpleJdbcTemplate(dataSource);

MapSqlParameterSource namedParameters = new MapSqlParameter Source();

namedParameters.addValue(getField(), request.getValField());

...

ListSearchResponse response = template.query( buildQuery(request, mailList, start_index, amount), new ParameterizedRowMapperSearchResponse() {...

}, namedParameters);

return response;

} Отслеживание конкретных ситуаций Система предполагает два варианта функционирования. Первый включает в себя обработку запросов пользователя, исходя из имеющейся и доступной информации. Это, т.н. типичный сценарий обработки запросов, где агенты модуля МАС функционируют только в период выполнения за проса, т.е. обработка исходных данных происходит в режиме реального времени.

Второй подразумевает ожидание поступления определенной ин формации и информирование о ней пользователя. Пользователь активиру ет агента помощника, определяет необходимые показатели и их значения, а также некий интервал времени, для осуществления проверки. При насту плении необходимых условий агент помощник отправляет на адрес элек тронной почты результат запроса.

Для каждого пользователя имеется реестр всех агентов помощни ков, как используемых ранее, так и запущенных в настоящее время. Это позволяет изменять функционал запущенных агентов или его уточнять, повторно запускать уже использованных агентов, а также приостанавли вать действия активных агентов (рис.4).

Управление, вычислительная техника и информационные технологии Рис. 4. Реестр агентов помощников Наращивание функциональных возможностей Наращивание функциональных возможностей осуществляется или путем добавления нового агента с определенной функциональностью, или расширения функциональных возможностей существующих агентов. Все услуги, которые могут предоставлять агенты, должны быть известны дру гим агентам для осуществления взаимодействия, т.е. должны быть зареги стрированы.

Регистрация услуг, предоставляемых агентом, в каталоге Желтых страниц (DF) позволяет другим агентам найти и задействовать этого аген та. Для публикации предоставляемой услуги агент должен сообщить DF агенту свой идентификатор и опубликовать список предоставляемых услуг при помощи метода register() класса DFService:

DFAgentDescription dfd = new DFAgentDescription();

dfd.setName(getAID());

ServiceDescription sd = new ServiceDescription();

sd.setType(“access-data”);

sd.setName(“accessor01”);

try{ DFService.register(this, dfd);

} catch(FIPAException fe) {fe.printStackTrace();

} Удаление публикации из каталога Желтых страниц производится вызовом метода deregister() класса DFService:

try{ DFService.dereister(this);

} catch(FIPAException fe) {fe.printStackTrace();

} Известия ТулГУ. Технические науки. 2012. Вып. Для поиска агента с нужной услугой нужно передать агенту DF шаблон описания услуги. В результате поиска агент получает список всех услуг, попадающих под шаблон описания. Поиск производится вызовом метода search() класса DFService:

DFAgentDescription dfdTemp = new DFAgentDescription();

ServiceDescription sd = new ServiceDescription();

sd.setType(“access-data”);

dfdTemp.addService(sd);

try{ DFAgentDecription[] result = DFService.search(this, dfdTemp);

} catch(FIPAException fe) {fe.printStackTrace();

} Таким образом, ввод нового агента для увеличения способов анали за включает:

1) ввод нового агента или добавление новой функциональности к существующему агенту, определение способов обработки сообщений – определение поведений;

2) добавление в базу данных предметной области новых определе ний показателей;

3) расширение у агентов-инициаторов списка запрашиваемых ус луг.

Реализация универсального средства для решения схожих задач Основной алгоритм решения задач сводится к следующим этапам.

1. Извлечение необходимой информации из одного или несколь ких источников данных.

2. Группировка данных.

3. Предоставление найденной, исходной информации в нагляд ном виде в соответствии с уровнем доступа.

4. Предоставление результатов исследования, полученных на ос нове хорошо проверенных методах статистической обработки данных.

Таким образом, рассматриваемый инструментарий рассчитан для реализации аналитических исследований количественных показателей при помощи математико-статистического аппарата, что позволяет использо вать одних и тех же агентов вычислений для решения схожих задач в раз ных предметных областях.

Новый агент - эксперт, вводимый в систему со своей предметной областью, может взаимодействовать как с уже существующими агентами вычислений, так и новыми агентами, введенными для решения иных задач, которые впоследствии могут быть использованы и для решений третьих задач.

Таким образом, модуль МАС, входящий в структуру системы, обеспечивает выполнение следующих функциональных возможностей:

использование разрозненных источников данных;

Управление, вычислительная техника и информационные технологии отслеживание конкретных ситуаций;

наращивание функциональных возможностей по обработке по лученных данных;

реализация универсального средства для решения схожих за дач.

Таким образом, система позволяет использовать разрозненные ис точники данных, проводить автоматизированные исследования, не тре бующие специальной квалификации пользователя, и предоставлять еди ный аналитический аппарат обработки информации.

Список литературы 1. Середа С. Достоинства и недостатки современных ERP-систем // http://www.insapov.ru/erp-pro-contra.html.

2. Paolo, Petta. Multiagent System Technologies / Petta Paolo, Jrg P.

Mller, Matthias Klusch, Michael Georgeff // 5th German Conference, MATES 2007, Leipzig, Germany, September 24 – 26, 2007, Proceedings. Springer, 2007.

207 p.

3. Lin Hong. Architectural Design of Multi-Agent Systems: Technolo gies and Techniques (Premier Reference Series). IGI Global, 2007. 421p.

N.M. Kozminykh FUNCTIONAL POSSIBILITIES OF THE SYSTEM TO SUPPORT ADOPTION OF DECISION WITH BUILT-IN MODULE OF MULTIAGENT SYSTEM The structure of the system with separated module of multiagent system is represented, general scheme of agent interaction is detected in the module. Functional possibilities of the introduced system structure are described.

Key words: information systems of management, multilevelsystems, multiagent systems, agent-orientated approach.

Получено 07.03. Известия ТулГУ. Технические науки. 2012. Вып. УДК 681. Д.В. Чеховский, асп., (4872) 35-02-19, dmichekh@gmail.com (Россия, Тула, ТулГУ), М.Б. Цудиков, канд. техн. наук, доц., tsudickov.mb@yandex.ru (Россия, Тула, ТулГУ) ИССЛЕДОВАНИЕ ПРОЦЕССА ОПРЕДЕЛЕНИЯ ХАРАКТЕРНЫХ ТОЧЕК НА СМЕЖНЫХ ИЗОБРАЖЕНИЯХ МЕТОДОМ SURF Рассмотрено влияние разрешения изображения на время определения харак терных точек в области перекрытия соседних кадров при автоматическом формиро вании цилиндрической панорамы оптико-электронным устройством сканирования ме стности. Проведен анализ изображений различной степени сложности распознавания.

Ключевые слова: системы панорамного видеонаблюдения, характерные точки, SURF.

Системы панорамного видеонаблюдения, работающие в старт стопном режиме, используют для создания цилиндрических панорам ком плект сделанных с некоторым перекрытием изображений [2]. В связи с этим возникает задача сопоставления соседних кадров для последующего их сшивания.

Задача сопоставления изображений включает в себя:

- выделение на соседних кадрах характерных точек и их идентифи каторов – дескрипторов;

- в случае совпадения дескрипторов устанавливаются соответст вующие друг другу характерные (ключевые) точки;

- на основе набора совпавших характерных точек строится модель преобразования изображений.

Для нахождения характерных точек изображения и их сравнения из нескольких родственных методов был выбран метод Speeded Up Robust Features (SURF), так как он является одним из самых эффективных и быст рых и легко реализуется программно [1].

Сравнение двух смежных изображений приводит к большим затра там времени и дает избыточную информацию: на изображении с разреше нием 1024768 пикселей может быть найдено несколько тысяч характер ных точек, которые будут обрабатываться от 20…30 до 50…60 с и выше.

Поэтому целесообразно сравнивать кадры не целиком, а только общую для них зону перекрытия. Размер общей части кадров может варьироваться.

Исследования проводились на пяти изображениях разной сложно сти с разрешением 640480 пикселей. Исходя из требований минимальных затрат времени, были выбраны области перекрытия в 10 и 20 %. Абера циями объектива и другими погрешностями пренебрегаем, считая изобра жения идеальными, так как для панорамного наблюдения используются Управление, вычислительная техника и информационные технологии так называемые «мегапиксельные» объективы, обладающие высоким раз решением и низкими погрешностями.

Для общей полосы шириной в 10 от исходного изображения коли чество характерных точек составило 10-100 шт, а при 20 % перекрытии– 50-250 шт. Время поиска точек для 10 % и 20 % полос составило 0,5…1, и 1…2,5 с соответственно.

Для сокращения времени нахождения характерных точек предлага ется работать с отдельно взятыми окнами в общей полосе смежных изо бражений. Для увеличения содержащейся в окнах полезной информации желательно их выбирать так, чтобы их границы не совпадали с границами общей полосы и находились ближе к ее центру.

Исследования окон показали, что на изображениях с разрешением 6464 пикселей обычно находится от одной до десяти характерных точек с затратами времени 0,05…0,4 с. Для окон с разрешением 128128 пикселей количество особых точек составило 15-70 штук, а время работы 0,4…0,8 с.

Отсюда следует, что при малом количестве характерных точек (до сотни) увеличение их числа незначительно сказывается на времени работы и ос тается в пределах секунды (количество характерных точек выросло в 2, раза, а время работы – в 1,5 раза).

Для минимизации времени работы программы и повышения точно сти нахождения ключевых точек были проведены расчеты с использовани ем увеличенного/уменьшенного изображения и интерполяция результатов на исходный кадр.

Разрешение изображения увеличивали в 1,5/2/2,5 раза тремя мето дами интерполяции: методом ближайшей точки (также называемый мето дом ближайшего соседа), билинейной интерполяцией и бикубической ин терполяцией. Полученное количество характерных точек для каждого метода интерполяции приведено в таблице, а на рис. 1 представлена ти пичная зависимость времени работы программы от изменения разрешения.

Влияние разрешения на количество характерных точек Разрешение Количество характерных точек изображения Интерполяция Билинейная Бикубическая по ближайшей интерполяция интерполяция точке 193 193 461 441 778 717 1191 1077 Известия ТулГУ. Технические науки. 2012. Вып. а б Рис. 1. Зависимость времени работы от разрешения изображения:

а - исходное изображение;

б - зависимость изменения времени работы программы от разрешения изображения Следует заметить, что количество найденных точек зависит исклю чительно от особенностей самого изображения. Но можно выделить не сколько характерных особенностей, общих для метода SURF:

1) возрастание числа характерных точек линейно зависит от изме нения разрешения и не обязательно будет пропорционально увеличению площади картинки. Например, при увеличении в 2 раза окна с разрешени ем 6464 пикселей количество характерных точек возросло приблизитель но в 4 раза, при увеличении этого же окна в 3 раза количество характерных точек возросло в 15-20 раз;

2) практически во всех случаях наибольшее количество характер ных точек получалось при применении интерполяции по ближайшей точ ке. При билинейной интерполяции изображения SURF находит наимень шее количество характерных точек. Как видно из рис. 1, б, при увеличении разрешения в 2,5 раза билинейная интерполяция дала на 100 характерных точек меньше, что позволило выиграть 1,5 секунды.

Полученные зависимости и выводы подходят и для бинирования изображения с некоторой поправкой: при бинировании изображения теря ется большое количество информации. Так, при уменьшении в 4 раза изо Управление, вычислительная техника и информационные технологии бражения разрешением 204768 пикселей было найдено всего десяток ха рактерных точек, в то время как оригинальные изображения такого же раз решения давали 50-70 характерных точек.

После преобразований изображений было подсчитано, сколько ха рактерных точек в интерполированном/бинированном изображении соот ветствуют характерным точкам в исходном кадре. Полученные гистограм мы представлены на рис. 2 и 3.

Рис. 2. Соответствие особых точек друг другу после интерполяции изображения (увеличено в 2 раза) Рис. 3. Соответствие особых точек друг другу после бинирования изображения (уменьшено в 2 раза) Известия ТулГУ. Технические науки. 2012. Вып. В представленных гистограммах по оси Х показывается расстояние (в пикселах) от исходной характерной точки до ближайшей характерной точки полученной после интерполяции/бинирования изображения. По оси Y показано количество характерных точек, расположенных на таком рас стоянии. Совпавшими (и подходящими для дальнейшей обработки) харак терными точками будем считать не только точки с расстоянием в 0 пик селов от исходной характерной точки, но и точки непосредственно с ними граничащие, т. е. с расстоянием в 1 пиксель. В обоих случаях совпадение точек составило около 40 % (78 точек из 193 для интерполированного изо бражения, 46 точек из 113 для бинированного изображения). В связи с тем, что чем меньше изображение, тем меньше время поиска характерных то чек, то для минимизации времени поиска характерных точек выгоднее ра ботать с бинированным изображением, чем с интерполированным.

Список литературы 1. SURF: Speeded Up Robust Features / Bay Herbert [et al.]. // Com puter Vision and Image Understanding (CVIU). Vol. 110, No. 3. P. 346-359, 2008.

2. Ли Ф. Панорамная фотография. М.: Арт-родник, 2005. 144 с.

D.V. Chekhovsky,M.B. Tsudikov INVESTIGATION OF SPECIAL POINTS' DEFINITION PROCESS ON ADJOINING IMAGES BY SURF METHOD.

Action period of special points’ finding in an overlapping area at the process of au tomatic panorama’s creation by optical-mechanic scanning devise resolution dependence is considered. Images of different extend of recognition is analyzed.

Key words: systems of panoramic videomonitoring, special points, SURF.

Получено 07.03. Управление, вычислительная техника и информационные технологии УДК 004. С.Д. Двоенко, д-р физ.-мат. наук, проф., (4872) 35-36-37, dsd@tsu.tula.ru (Россия, Тула, ТулГУ), Д.В. Шанг, асп., (950) 908-68-88, dvietsang@gmail.com (Россия, Тула, ТулГУ) АЛГОРИТМЫ ПОДБОРА ПАРАМЕТРОВ КОМБИНИРОВАНИЯ АЦИКЛИЧЕСКИХ ГРАФОВ СОСЕДСТВА В ЗАДАЧЕ РАСПОЗНАВАНИЯ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ Рассмотрена древовидная модель соседства элементов марковского случайно го поля принадлежностей к текстурным классам как марковская цепь в задаче распо знавания растровых изображений. Предложены алгоритмы подбора диагонального элемента марковской матрицы условных вероятностей переходов и весов графов в ли нейной комбинации для максимизации апостериорных вероятностей скрытых классов.

Ключевые слова: распознавание образов, машинное обучение, марковское слу чайное поле, марковская цепь.

В классической теории распознавания образов объекты рассматри ваются независимо друг от друга. При обработке данных часто нужны ско ординированные решения об объектах, связанных в единый массив. Взаи мосвязи между ними представлены графом соседства.

В линейно упорядоченных массивах граф соседства является це пью. Скрытые марковские модели оказались эффективны при обработке массивов с цепочечным соседством их элементов [1]. Но для графов обще го вида с циклами задача распознавания марковских случайных полей об ладает свойствами задачи класса NP [2, 3]. В [4–6] была предложена дре вовидная модель марковского случайного поля и разработан эффективный алгоритм распознавания, выполняемый только за три прохода по графу со седства элементов массива, когда в нем циклов.

Марковская матрица условных вероятностей переходов является параметром модели. В [5, 6] показано, что такая матрица может быть зада на только одним диагональным элементом. Но он задавался эвристически.

В прикладных задачах графы соседства элементов массива обычно содержат циклы. Древовидная редукция графа соседства существенно ис кажает взаимосвязи элементов в массиве данных. В [7] предложено ском пенсировать редуцированное множество взаимосвязей элементов расши рением самого множества ациклических графов соседства. Был разработан алгоритм определения оптимальных весов в линейной комбинации ацик лических графов соседства из некоторого заданного множества.

В данной работе предложены алгоритмы одновременного подбора весов графов в их линейной комбинации и диагонального элемента мар Известия ТулГУ. Технические науки. 2012. Вып. ковской матрицы условных вероятностей переходов.

Задача распознавания массивов данных и базовый алгоритм Пусть [4–6] массив взаимосвязанных данных T состоит из элемен тов t T и представлен как двухкомпонентное поле ( X, Y ). Наблюдаемая компонента Y состоит из векторов y t, t T, принимающих значения из множества y t, определенного природой источника данных. Элементы xt, t T скрытой компоненты X принимают значения из множества xt, специфичного для конкретной задачи анализа данных. Например, для задачи распознавания образов = {1, 2,..., m} – это номера классов объектов. На множестве элементов t T массива данных определено сим метричное антирефлексивное бинарное отношение, представленное в виде неориентированного графа G без петель, ребра которого ( s, t ) G соеди няют соседние элементы массива данных s T и t T.

Обработка массива ( X, Y ) заключается в преобразовании массива Y = ( y t, t T ) в массив X = ( xt, t T ). В задаче распознавания взаимосвя занных объектов требуется по наблюдениям y t определить принадлеж ность элементов t T массива T к скрытым классам из с учетом апри орной информации о классах соседних объектов, заданных графом G.

В вероятностной задаче распознавания взаимосвязанных объектов двухкомпонентное поле ( X, Y ) является случайным. Такая задача названа в [4–6] задачей распознавания массивов взаимосвязанных данных.

Задача обработки сводится к численному определению апостериор ного распределения ( X | Y ) = ( X ) (Y | X ) / f (Y ) ( X ) (Y | X ), где ( X ) – априорное распределение вероятностей на множестве комбинаций целевых переменных X |T |, а их вероятностная связь с исходными пе ременными представлена условной плотностью ( X | Y ), Y |T |. Для ре шений о скрытом поле X часто используется байесовское правило ) xt (Y ) = arg max pt ( xt | Y ), t T, где pt ( xt | Y ) – апостериорное маргинальное xt распределение вероятностей скрытых классов в элементе массива t T.

Пусть граф соседства G не содержит циклов (рис.1), а скрытое поле классов X является марковским [4–6]. Тогда qt ( xt | X ( t ) ) = qt ( xt | X (0t ) ), t T, где X ( t ) = ( xs, s T \ t ), X (0t ) = ( xs, s T \ t, ( s, t) G). Аналогичные обозна чения применяются для подмножеств элементов Y и массива T в целом.

Древовидный граф G разбивает окрестность (рис. 1, а) нетерми нального элемента xt на две произвольные части X (0t ) = X (t 0 U X (+t0. Любая ) ) вершина t * T в качестве корня задает естественный нисходящий и восхо дящий порядок просмотра, определяя окрестность X (t 0 = xr из одного эле ) Управление, вычислительная техника и информационные технологии мента (рис. 1, б), предшествующего xt, и окрестность X (+t 0 непосредствен ) ных потомков xt. В [5, 6] показано, что такое априорное случайное поле является односторонним марковским qt ( xt | X (0t ) ) = qt ( xt | xr ).

Рис. 1. Древовидный граф соседства Пусть поле Y образовано случайными наблюдениями y t, условно независимыми относительно поля X = ( xt, t T ), где t ( y t | X ) = t ( y t | xt ).

В [5, 6] показано, что апостериорное скрытое поле относительно того же графа G остается односторонним марковским pt ( xt | X ( t ), Y ) = pt ( xt | xr, Yt + ), где Yt + – поддерево с корнем в y t, включая его. При обработке массива независимые решения pt ( xt | y t ) согласуются между собой с учетом совме стного априорного распределения ( X ). Базовый алгоритм имеет вид:

1. Задается начало обработки в корне t и априорное распределение qt * ( xt * ), xt*. Нисходящим просмотром для всех t T вычисляются ап q (x | xt ) qt ( xt ), xs, s T( t+)0.

риорные распределения классов qs ( xs ) = s s xt 2. Восходящим просмотром от терминалов к корню вычисляются «фильтрационные» апостериорные маргинальные распределения классов pt ( xt | Yt + ) pt ( xt | Y( t+) ) pt ( xt | y t ), xt, t T, pt ( xt | Y(+) ) ps ( xs | Ys+ ) qqs( (xx|sxt) ), s T( t+)0, s s t xs s где апостериорные маргинальные распределения pt ( xt | y t ) получены на этапе независимого обучения. В терминальных вершинах t каждого уров ня, начиная с LM, выполнено pt ( xt | Yt + ) = pt ( xt | y t ) (рис. 1б).

3. На последнем восходящем шаге распределение в корне опирается + на все наблюдения pt* ( xt * | Yt* ) = pt * ( xt * | Y ), xt*. Такое «интерполяцион ное» апостериорное маргинальное распределение значений корневой пе Известия ТулГУ. Технические науки. 2012. Вып. ) ременной позволяет принять решение о классе xt* (Y ) = arg max pt * ( xt * | Y ).

xt * 4. Нисходящим просмотром от корня для всех t T вычисляются интерполяционные апостериорные маргинальные распределения ps ( xs | Y ) ps ( xs | xt,Y ) pt ( xt | Y ), xs, s T( t+)0, xt ps ( xs | xt, Y ) p s ( xs | Ys+ ) qt ( xt ) q ( x ) qs ( xs | xt ) s s ) и принимаются решения о классах xs (Y ) = arg max ps ( xs | Y ).

xs Частная модель марковского случайного поля Марковское априорное случайное поле классов X определяет его одностороннее свойство в виде условных распределений вероятностей на множестве значений переменной xt относительно любой переменной xr X (0t ) из марковской окрестности xt. Для каждой пары вершин r, t G, соединенных ребром в дереве G, определена пара условных распределе ний вероятностей qt ( xt | xr ) и qr ( xr | xt ). Выбор некоторой вершины дерева G в качестве корня t * T задает нисходящее и восходящее направления просмотра, объявляя одно из распределений «нисходящим», а другое – «восходящим». В [4–6] рассмотрены важные частные свойства такой мо дели марковского поля, заключающиеся в следующем.

Односторонняя марковская модель поля X является однородной конечной марковской цепью с неизменными условными распределениями в прямом (восходящем) и обратном (нисходящем) направлениях, где qr ( xr | xt ) = q ( xr | xt ), qt ( xt | xr ) = q ( xt | xr ), и определена матрицей прямых Q( m m) и матрицей обратных Q ( m m) условных вероятностей перехо дов. Односторонняя марковская модель поля X является эргодической не разложимой марковской цепью и имеет финальное распределение p ( x ), x в корне t. Для неразложимой марковской цепи матрицы Q и Q связаны q ( xt | xr ) = q ( xr | xt ) p ( xt ) / p ( xr ) через финальное распределение ве роятностей p ( x ), x. Очевидно, что в такой модели начальное априор ное маргинальное распределение вероятностей qt ( xt ) можно задать в лю бой вершине t T, тогда соответствующие маргинальные распределения оказываются известными во всех остальных вершинах дерева G, в том числе и в его корне. Корень t * естественно связать с началом обработки, а начальное распределение сделать корневым qt * ( xt * ), xt *.

Априорное распределение классов в корне t * является равномер ным финальным распределением qt * ( xt * ) = p ( xt * ) = 1 / m. Тогда маргиналь ные априорные распределения вероятностей скрытых классов во всех ос тальных объектах также равномерны. В этом случае q ( xt | xr ) = q ( xr | xt ). В итоге, остается только одна симметричная и дважды стохастичная матрица Управление, вычислительная техника и информационные технологии переходов Q. В частной модели [5, 6] предполагается, что матрица Q име ет одинаковые диагональные элементы и одинаковые недиагональные элементы. Тогда матрица Q задается только одним значением ее диаго нального элемента q.

Алгоритмы комбинирования ациклических графов соседства Очевидно, что произвольный граф соседства не может быть заме нен древовидным графом G без потери фундаментального свойства ис ходного графа представлять полную информацию о каждом элементе t T относительно других элементов. Например, решетка является графом со седства элементов растровых изображений и не является ациклическим графом. В алгоритме комбинирования неизвестные нам апостериорные маргинальные распределения вероятностей скрытых классов относительно исходного графа соседства заменяются линейной комбинацией распреде лений относительно некоторого набора ациклических графов соседства.

Пусть задан набор ациклических графов соседства [7] так, что каж дый граф покрывает все множество вершин, а каждое ребро исходного графа входит хотя бы в один ациклический граф. Например, для растровых текстурных изображений удобно использовать графы рис. 2.

Рис. 2. Ациклические графы соседства Итерационный алгоритм распознавания с комбинированием ациклических графов Применим базовый алгоритм распознавания к каждому графу Gk из данного набора. Для каждого ациклического графа сформируются распре деления ptk ( xt | Y ), t T, k = 1,..., K, где K – число ациклических графов, и ) соответствующие решения о классах xtk (Y ), t T.

) Для окончательных решений о классах xt (Y ), t T вычислим апо стериорные распределения pt ( xt | Y ) = k =1 wk ptk ( xt | Y ), t T как взвешен K K ную сумму распределений ptk ( xt | Y ), k = 1,..., K, где wk 0, wk = 1.

k = Повторим комбинирование, приняв только что найденные распре деления pt ( xt | Y ) за исходные вместо распределений pt ( xt | y t ) для каждо го ациклического графа соседства в отдельности и вновь повторим комби нирование. Остановим процедуру, когда результат перестанет изменяться.

Определение весов графов по схеме Гаусса-Зайделя. Изменение веса графа Gk в диапазоне от 0 до 1 считаем аналогом покоординатного Известия ТулГУ. Технические науки. 2012. Вып. варьирования. На начальном шаге распределение весов всех графов изме няется от 1 / ( K 1),...,0,...,1 / ( K 1), когда граф Gk полностью исключен, до 0,…,1,…,0, когда есть только граф Gk. Шаг заканчивается после варь ирования всех весов и выбора того графа, чей вес обеспечил минимальное число ошибок распознавания на обучающем множестве изображений.

На очередном шаге варьируется вес 0 p 1 графа Gk. Нормиро ванный вес графа Gk в линейной комбинации имеет значение wk = p. Ос тальные графы имеют к данному шагу постоянные веса li, i = 1,..., K, i k, где их сумма также постоянна L = i =1 li, i k. Их нормированные веса K wi = li (1 p ) / L изменяются в диапазоне от wi = li / L до wi = 0.

Каждое пробное варьирование проверяется однократным комбини рованием уже вычисленных маргинальных распределений ptk ( xt | Y ), t T, k = 1,..., K и распознаванием с подсчетом числа ошибок для решений ) xt, t T. Шаг заканчивается после варьирования всех весов и выбора но вого веса того графа, для которого получено минимальное число ошибок.

Алгоритмы подбора параметров комбинирования ациклических графов соседства Расширим схему Гаусса-Зайделя для поиска оптимального значения диагонального элемента матрицы переходов. Заметим, что при однократ ном распознавании новый шаг варьирования диагонального элемента в диапазоне 1 / m q 1 оказывается вырожденным, т. к. при любом наборе весов ациклических графов монотонное увеличение диагонального эле мента при условии q 1 монотонно уменьшает число ошибок распознава ния. Чтобы задача поиска не оказалась вырожденной, в новых алгоритмах подбора параметров комбинирования графов будем применять многократ ное распознавание при оценке числа ошибок.

Алгоритм 1. Подбор единственного диагонального элемента и весов. В этом алгоритме считается, что все ациклические марковские мо дели, соответствующие графам Gk, k = 1,..., K, определяются одним общим диагональным элементом q.

1. Сначала будем считать, что веса всех ациклических графов оди наковы: w = w * = w0 = {wi = 1 / K, i = 1,..., K }, где K – число графов.

2. Варьируем q в диапазоне 1 / m q 1. Найдем значение q*, кото рое обеспечило минимальное число ошибок E : q * = arg min E ( w, q).

1/ m q 3. Сделаем шаг варьирования весов по всем графам. Пусть варьиру ется вес wk очередного графа Gk в диапазоне 0 wk = p 1 при масштаби ровании весов остальных графов. Каждое пробное варьирование проверя Управление, вычислительная техника и информационные технологии ется многократным распознаванием с подсчетом числа ошибок E ( w, q* ).

Для каждого графа Gk определим оптимальный вектор весов и число оши бок: w k = ( w1,...wk,..., wK ), wk* = arg min E ( w, q * ), Ek* = * * E ( w, q * ).

min wk = p,0 p wk = p,0 p 4. Среди полученных оптимальных наборов wk, k = 1,..., K найдем * тот набор весов w *, который обеспечил наименьшее число ошибок E * :

E * = min E k, k * = arg min Ek*, w * = w k *.

* * 1 k K 1 k K 5. Снова варьируем q в диапазоне 1 / m q 1. Найдем значение q*, которое обеспечило минимальное число ошибок E : q * = arg min E ( w *, q ).

1/ m q 6. Присвоим веса w = w и перейдем к шагу 3.* 7. Повторим шаги 3–6 до тех пор, пока E * не перестанет меняться.

Алгоритм 2. Первая схема подбора диагональных элементов и весов. Каждому графу Gk, k = 1,..., K соответствует отдельная ацикличе ская марковская модель со своим диагональным элементом qk, k = 1,..., K.

1. Сначала будем считать, что веса всех ациклических графов оди наковы: w = w * = w0 = {wi = 1 / K, i = 1,..., K }, где K – число графов.

2. Варьируем все диагональные элементы qk, k = 1,..., K одновре менно q1 =... = q K = q, где 1 / m q 1. Найдем q*, обеспечивающее мини мальное число ошибок: q* = ( q *,..., q * ) = E ( w0, q1,..., qK ).

arg min q1 =...= q K = q,1/ m q 3. Сделаем шаг варьирования весов по всем графам. Пусть варьиру ется вес wk графа Gk в диапазоне 0 wk = p 1 при масштабировании ве сов остальных графов. Каждое пробное варьирование проверяется много кратным распознаванием с подсчетом числа ошибок E ( w,q* ). Для каждого графа Gk определим оптимальный вектор весов и число ошибок:

w k = ( w1,...wk,..., wK ), wk* = arg min E ( w, q * ), Ek* = * * E ( w, q * ).

min wk = p,0 p wk = p,0 p 4. Среди полученных оптимальных наборов w k, k = 1,..., K, найдем * тот набор весов w *, который обеспечил наименьшее число ошибок E * :

E * = min Ek*, k * = arg min Ek*, w * = wk**.

1 k K 1 k K 5. После нахождения оптимальных весов w* сделаем шаг варьиро вания всех диагональных элементов. Пусть в диапазоне 1 / m q k 1 варь ируется диагональный элемент q k, соответствующий графу Gk. Осталь ным графам соответствуют в данный момент оптимальные диагональные элементы qi*, i = 1,..., K, i k, которые найдены до начала варьирования q k.

Известия ТулГУ. Технические науки. 2012. Вып. Значения диагональных элементов qi, i = 1,..., K, i k остаются постоянны ми qi = qi*, i = 1,..., K, i k при варьировании q k. Найдем значение q k, кото * рое обеспечило минимальное число ошибок Ek : qk* = arg min E ( w *, q1,..., qK ), * 1/ m q k где E k* = min E ( w *, q1,..., q K ). Новое значение q k применяется при варьиро * 1/ m qk вании следующих диагональных элементов qk +1, q k + 2,..., q K.

6. Присвоим веса w = w * и перейдем к шагу 3.

7. Повторим шаги 3–6 до тех пор, пока E * не перестанет меняться.

Алгоритм 3. Вторая схема подбора диагональных элементов и весов. Каждому графу Gk, k = 1... K соответствует отдельная ациклическая марковская модель со своим диагональным элементом q k, k = 1...K.

Первый и второй шаги такие же, как у алгоритма 2.

3. Сделаем шаг варьирования весов и диагональных элементов по всем графам. Пусть варьируется вес wk графа Gk и соответствующий ему элемент q k. Вес wk варьируется в диапазоне 0 wk = p 1 при масштаби ровании остальных весов. Каждое пробное варьирование проверяется мно гократным распознаванием с подсчетом числа ошибок E ( w,q* ). Для каж дого графа Gk определим оптимальный вектор весов и число ошибок:

w k = ( w1,...wk,..., wK ), wk* = arg min E ( w, q * ), Ek* = * * E ( w, q * ).

min wk = p,0 p wk = p,0 p * После нахождения w k варьируем q k в диапазоне 1 / m q k 1. Ос тальным графам соответствуют на данном шаге оптимальные диагональ ные элементы qi = qi*, i = 1,..., K, i k, которые не меняются при варьирова * нии q k. Найдем значение q k, которое обеспечило минимальное число ошибок Ek : qk = arg min E ( w k, q1,..., qK ), Ek* = min E ( w *, q1,..., q K ).

* * * k 1/ m qk 1/ m qk * Оптимальное значение q k определяет соответствующий оптималь ный вектор диагональных элементов: qk = ( q1,..., qk,..., q K ).

* * 4. Среди полученных пар оптимальных наборов ( w k, qk ), k = 1,..., K, * * найдем ту пару ( w *, q * ), которая обеспечила наименьшее число ошибок E * = min E k, k * = arg min Ek*, w * = w k *, q * = q k *.

E* : * * * 1 k K 1k K 5. Присвоим веса w = w * и перейдем к шагу 3.

6. Повторим шаги 3–5 до тех пор, пока E * не перестанет меняться.

Экспериментальное сравнение алгоритмов Решалась задача сегментации 100 модельных текстурных изобра жений (рис. 3) размером 201x201 пикселей. Текстуры трех классов пред Управление, вычислительная техника и информационные технологии ставлены реализациями трех нормально распределенных случайных вели чин с немного отличающимися средними в пространстве красной и зеле ной компонент (рис. 3, а – пример первого изображения, рис. 3б – класси фикации текстур на первых десяти из 100 тестовых изображений).

Средняя ошибка распознавания просмотренных в случайном поряд ке изображений вычислялась каждый раз после добавления очередного изображения к этому множеству (рис. 4).

Сравнивались четыре алгоритма комбинирования и алгоритм TRWS [8]. Легко увидеть одинаковый характер линий ошибок для всех ал горитмов. Алгоритмы с подбором диагонального элемента резко улучшают качество распознавания по сравнению с алгоритмом без его подбора. Ал горитм TRWS не является однозначно лучшим, т. к. на некоторых под множествах изображений он уступает по качеству распознавания.

а б Рис. 3. Текстурные изображения Рис. 4. Среднее число ошибок (%) В итоге, все алгоритмы сравнимы по качеству с алгоритмом TRWS, Известия ТулГУ. Технические науки. 2012. Вып. который сегодня считается одним из эффективных алгоритмов обработки изображений. В частности, на уровне значимости = 0,05 гипотеза о ра венстве среднего уровня ошибок алгоритмов с подбором диагонального элемента и TRWS не отвергается. Работа выполнена при поддержке РФФИ (гранты № 10-07-00489, 11-07-00634).

Список литературы 1. Rabiner L.R. A Tutorial on Hidden Markov Models and Selected Ap plications in Speech Recognition // Proc. IEEE, 77. 1977. V. 2. P. 257–286.

2. Li S.Z. Markov Random Field Modeling in Image Analysis. L:

Springer–Verlag, 2009. 371 p.

3. Wainwright M.J., Jordan M.I. Graphical Models, Exponential Fami lies, and Variational Inference // Foundations and Trends® in Machine Learn ing. 2008. V. 1. P. 1–305.

4. Mottl V.V., Dvoenko S.D., and Kopylov A.V. Pattern Recognition in Interrelated Data: The Problem, Fundamental Assumptions, Recognition Algo rithms // Proc. 17th ICPR’2004. Cambridge, UK, 2004. V. 1. P. 188–191.

5. Двоенко С.Д., Копылов А.В., Моттль В.В. Задача распознавания образов в массивах взаимосвязанных объектов. Постановка задачи и ос новные предположения//Автоматика и телемеханика. 2004. №1. С.143–158.

6. Двоенко С.Д., Копылов А.В., Моттль В.В. Задача распознавания образов в массивах взаимосвязанных объектов. Алгоритм распознавания // Автоматика и телемеханика. 2005. №12. C. 162–176.

7. Dvoenko S.D., Savenkov D.S. The Effective Recognition Procedure Based on Tree–Like Markov Models // Proc. 9th Int. Conf. on Pattern Recogni tion and Information Processing, PRIP’2007. Minsk, 2007. V.1. P. 98–100.

8. A Comparative Study of Energy Minimization Methods for Markov Random Fields with Smoothness–Based Priors / R. Szeliski [et al.] // IEEE Trans. on PAMI. 2007. V. 6. P. 1068–1080.

S.D. Dvoenko, D.V. Sang ALGORITHMS FOR SELECTING PARAMETERS OF COMBINATION OF ACY CLIC ADJACENCY GRAPHS IN THE PROBLEM OF THE RASTER TEXTURED IMAGE RECOGNITION The tree-like graphic model of a Markov random field of hidden classes was proposed as a Markov chain to recognize the raster textured images. We developed algorithms to select the optimal value of the diagonal element of Markov transition matrix and weights for the linear combination of acyclic adjacency graphs to maximize aposteriori probabilities of hidden classes.

Key words: pattern recognition, machine learning, Markov random fields, Markov chain.

Получено 07.03. Управление, вычислительная техника и информационные технологии УДК 681.518. Д.П. Вент, д-р техн. наук, проф., (48762)6-12- (Россия, Новомосковск, РХТУ им. Д.И. Менделеева), В.Ю. Волков, канд. техн. наук, доц., (48762)6-12-50, duga@mail.ru (Россия, Новомосковск, РХТУ им. Д.И. Менделеева), Луэ Ху Дык, асп., (920)788-44-84, huyducvn_ht@mail.ru (Россия, Новомосковск, РХТУ им. Д.И. Менделеева) ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ВЫРАБОТКИ РЕКОМЕНДАЦИЙ ПО СНИЖЕНИЮ ВЫБРОСОВ В АТМОСФЕРУ Описана интеллектуальная система выработки рекомендаций предприятиям химико-технологической промышленности, в которой используются методы нечетко го моделирования, математического моделирования и генетический алгоритм. Ком плексный подход к решению задачи позволит принимать оптимальные решения по снижению степени загрязнения воздуха в режиме реального времени.

Ключевые слова: интеллектуальная система, моделирование, база знаний, экс пертная оценка, генетический алгоритм.

Основным недостатком существующих систем экологического мо ниторинга в промышленных регионах, например, таких как муниципаль ное образование (МО) «Город Новомосковск» Тульской области, является то, что полученная с их помощью информация не учитывается при управ лении технологическими процессами химико-технологических предпри ятий. Это связано с отсутствием моделей, описывающих взаимосвязь меж ду производственной нагрузкой предприятий и распределением концентрации вредных веществ, выделяемых в атмосферу в результате функционирования этих предприятий, а также, с отсутствием диалоговых подсистем, включенных в состав автоматизированных систем экологиче ского мониторинга, позволяющих на основе полученных данных о концен трации вредных веществ обеспечить поддержку принятия решений по ре гулированию выбросов в атмосферу.

Промышленные предприятия стремятся увеличить выпуск продук ции для получения максимальной прибыли, что ведет к увеличению вы бросов загрязняющих веществ в атмосферу. Увеличение выбросов нега тивно сказывается на уровне безопасности проживания людей на территории региона.

Целью данной работы является разработка интеллектуальной сис темы выработки рекомендаций предприятиям химико-технологической промышленности региона, которая учитывает экономические и экологиче ские факторы в режиме реального времени и отличается от известных ра нее тем, что в ней вычисляются оптимальные доли снижения нагрузки предприятий в соответствии с их долями в валовых выбросах загрязняю Известия ТулГУ. Технические науки. 2012. Вып. щих веществ (ЗВ) в атмосферу.

На рис. 1 представлена структура предложенной интеллектуальной системы выработки указанных выше рекомендаций химико технологическим предприятиям.

Центр обработки информации (ЦОИ) обрабатывает полученную информацию от Постов Наблюдения за Загрязнениями Атмосферы (ПНЗА) в соответствии с Базой Данных (БД) Экспертной Системы (ЭС) по моде лям распространения загрязнения и др. (см. рис. 1). Измеренное значение концентраций загрязняющих веществ сравнивается с действующими нор мами ПДК. В случае превышения ПДК с помощью подсистемы базовых вкладов определяется вклад каждого предприятия - источника загрязнения в суммарную концентрацию загрязняющих веществ. Для определения вкладов в этой подсистеме используются методы нечеткого моделирова ния, математического моделирования. Подсистема вычисления долей со кращения выбросов осуществляет расчет для каждого предприятия мето дом генетического алгоритма.

Рис. 1. Структура интеллектуальной системы выработки рекомендаций химико-технологическим предприятиям:

ЦОИ - центр обработки информации;

ПНЗА - пост наблюдения за загрязнениями атмосферы;

БД - база данных;

БЗ - база знаний;

ЭС - экспертная система;

ЛПР - лицо, принимающее решение Управление, вычислительная техника и информационные технологии На основании этих данных Лица, Принимающие Решения (ЛПР) могут оперативно принять соответствующие решения по снижению кон центрации загрязняющих веществ, оповещению предприятий для измене ния производственной нагрузки, о наступлении или завершении периода неблагоприятных метеоусловий (НМУ) и категории (режима) НМУ.

Чтобы разработать методику прогноза взаимосвязи между нагруз кой предприятий и распределением концентрации вредных веществ в ат мосфере, необходимо обработать статистические данные об этой взаимо связи за длительный период наблюдения, по наблюдениям, проведенным за последние 3 года [1]. Тем не менее, для решения указанной выше про блемы прогноза взаимосвязи нагрузки предприятий и распределения кон центрации вредных веществ в атмосфере возможны два пути:

1) Использовать методы математического моделирования. Разраба тываемые математические модели должны отражать процессы распростра нения промышленных выбросов в атмосфере с учетом рельефа местности при различных метеоусловиях и режимах работы химико технологического предприятия (пуск, останов, нормальный и аварийный режим функционирования в соответствии с регламентом). Такой путь не всегда приемлем, т.к. требует больших затрат. Кроме того, не всегда мож но построить адекватную модель, т.к. не возможно на практике учесть все взаимосвязи.


2) Применение, интеллектуальных систем, к которым относятся экспертные системы. В такие системы закладываются знания и практиче ский опыт работы специалистов - экологов, технологов и других работни ков промышленных предприятий, которые выступают в роли экспертов. В процессе работы система, распознавая различные ситуации и анализируя ошибки, «учится». При этом повышается точность и надежность прогно зов. Для того, чтобы экспертная система начала быстрее работать, ее необ ходимо обучать на реальных данных. Из-за отсутствия статистики о взаи мосвязи нагрузки предприятий и распределения концентрации вредных веществ в атмосфере в качестве обучающей базы данных предлагается ис пользовать комбинированный метод, учитывающий результаты математи ческого моделирования.

Моделирование распространения загрязняющих веществ в атмо сфере проводилось с помощью модуля Earth Science Module комплекса программ интерактивной моделирующей среды COMSOL Multiphysics [2].

При составлении математической модели были использованы сле дующие основные уравнения: уравнения газовой диффузии, уравнение пе реноса и распределения примесей. Для турбулентной диффузии в общем случае нестационарное уравнение c ts + ( D c ) = R, (1) t где - оператор Гамильтона;

D - коэффициент диффузии;

R - константа Известия ТулГУ. Технические науки. 2012. Вып. скорости реакции;

c - искомое поле концентраций;

ts - временной коэф фициент.

Граничное условие третьего рода n ( D c ) = N 0 + k c ( cb c ), (2) где N 0 - произвольное выражение потока;

k c - коэффициент массоперено са;

cb - объемная концентрация.

Для прикладного режима конвекции и диффузии уравнение (1) видо изменяется:

c ts + ( D c + c u ) = R, (3) t добавляется поле скоростей, в результате граничное условие n( D c + c u ) = N 0 (4) В общем случае уравнение переноса и распределения примесей вы глядит следующим образом:

c + ( D LG c + u c ) = RG + S c, (5) t где c - концентрация ЗВ;

D LG - гидродинамический тензор дисперсии;

u - векторное поле скоростей;

RG - константа скорости реакции в газовой фазе;

S c - масса или скорость выделения ЗВ от источника.

Для удобства обработки исходные данные и результаты моделиро вания предлагается хранить в базе данных, структура которой представле на в таблице.

Структура сводной базы данных для экспертных систем Содержание информации Тип данных Название загрязняющих веществ Символьный Температура воздуха Числовой Скорость ветра Числовой Направление ветра Символьный Атмосферное давление Числовой Координаты точек по оси X Числовой Координаты точек по оси Y Числовой Выбросы Числовой Концентрация загрязняющих веществ в точке изме Числовой рения Чтобы эффективно и оптимально формировать знания для ЭС базо вых вкладов необходимо разработать базу данных ЭС по результатам мо Управление, вычислительная техника и информационные технологии делирования распространения ЗВ от источников в атмосфере, что было сделано в среде COMSOL Multiphysics.

Подсистема расчета базовых вкладов предназначена для расчета вклада каждого предприятия в суммарную концентрацию загрязняющего вещества в точке измерения (ПНЗА). Вклад каждого предприятия изменя ется в зависимости от режима его работы и метеоусловий. Структура под системы базовых вкладов в среде Matlab [3] представлена на рис. 2. Вход ными переменными являются скорость и направление ветра, температура атмосферы и режимы работы предприятий.

Пусть имеются N предприятий X1, X2,…,XN, которые находятся в одном из режимов работы (пуск, останов, нормальный или аварийный ре жим), и есть данные о метеоусловиях: скорость ветра (V), направление ветра (H), температура атмосферы (T). С помощью ЭС подсистемы базо вых вкладов определяются соответствующие базовые вклады предприятий m1, m2,…,mN. Базовые вклады предприятий пропорциональны концентра циям ЗВ, полученных в результате моделирования распространения за грязняющих веществ в атмосфере в среде COMSOL Multiphysics с учетом оценки экспертов.

Рис. 2. Структура подсистемы базовых вкладов ЗВ Для формализованного представления знаний в системе предложе но формировать группу продукционных правил с использованием лин гвистических переменных (скорости и направления ветра, температуры атмосферы и режимов работы предприятий, базовых вкладов предпри ятий). В качестве примера рассмотрена лингвистическая переменная «ско рость ветра», для которой используются 7 термов «Штиль», «Тихий», «Легкий», «Слабый», «Умеренный», «Свежий», «Сильный», соответст вующие шкале скорости ветра Бофорта [4].

Эти продукционные правила способствуют определению вкладов химико-технологических предприятий в суммарную концентрацию загряз Известия ТулГУ. Технические науки. 2012. Вып. няющего вещества при различных режимах работы предприятий и различ ных метеоусловиях. Пусть, каждое i-ое предприятие находится в j-ом ре жиме работы, а метеоусловия имеют k-ое состояние. Необходимо опреде лить m-ый диапазон базовых вкладов предприятий в суммарной концентрации загрязняющего вещества в точке измерения. В виде продук ционной модели данная формулировка будет выглядеть следующим обра зом:

(i, j, k, m) : Ao [ xij, y k u m ], i I ;

j J ;

k K ;

m M, i (6) j где xi - вектор i-го предприятия находится в j-ом режиме работы;

y k i вектор k-го состояния метеоусловий;

u m - вектор m-го диапазона вклада i го предприятия;

I - общее количество предприятий;

J - количество режи мов работы;

M - количество диапазонов базовых вкладов.

Традиционно продукционные правила пишутся в форме «Если…, то…», тогда правила базы знаний подсистемы базовых вкладов будут вы глядеть следующим образом: «Если i-ое предприятие находится в j-ом ре жиме работы и метеоусловия имеют k-ое состояние, то базовой вклад предприятия находится в m-ом диапазоне».

Если при k-ом состоянии метеоусловий на ПНЗА измеренная кон центрация загрязняющего вещества c ПДК, то концентрация загрязняю щего вещества, создаваемая выбросами i-го предприятия в контрольной точке ( ci ) вычисляется по следующей формуле:

ui ci = c. (7) N j u j = Обозначим ci' концентрацию загрязняющего вещества, создаваемую выбросами i-го предприятия в контрольной точке после регулирования выбросов, чтобы обеспечить суммарную концентрацию в пределах ПДК;

- Qi, Qi' - выбросы i-го предприятия в соответствии с концентра циями ci, ci' - концентрациями загрязняющего вещества, создаваемыми им в контрольной точке.

Тогда N ' ' ci' ПДК ;

i = 1, N : 0 ci ci,0 Qi Qi. (8) i = Любое предприятие заинтересовано в минимальных затратах, необ ходимых для установления нормативных выбросов Qi'. Для этой цели к поставленной системе неравенств добавляем целевую функцию Управление, вычислительная техника и информационные технологии i (Qi Qi' ) min, (9) где в общем случае i - стоимость снижения на единицу выброса для i-го предприятия. В данном виде решение Qi' дает минимум затрат на достиже ние нормативного загрязнения атмосферы.

Qi Qi' регл В предположении i = 0, = qi и Qi = Qi.

Qi Выражение (9) эквивалентно 0 Qiрегл q i min, (10) регл где q i - доля сокращения выбросов для i-го предприятия;

Qi - выбросы i-го предприятия в соответствии с регламентом работы.

Пользуясь линейной зависимостью концентрации выбрасываемого вещества от массы выбросов по методике ОНД-86 [5] и Гауссовской моде лью рассеивания ЗВ по выбросам одного источника можно представить за грязнение атмосферы в контрольных точках в виде линейной формы:

c = a Q, (11) где с - концентрация в контрольной точке;

Q- выброс источника;

a - коэф фициент влияния.

c' Q ' Из (11) следует, что для i-го предприятия i = i или ci Qi ci ci' Qi Qi' = = qi. (12) ci Qi Из (12) следует, что N N (ci ci' ) = ci qi. (13) i =1 i = Из (7) и (13) следует, что ui N N ' с ci = c qi. (14) N i =1 i =1 j u j = Из (8) и (14) следует, что ПДК N u i qi ;

i = 1, N : 0 qi 1.

1 (15) N c i =1 u j j = Известия ТулГУ. Технические науки. 2012. Вып. Следовательно, задача сводится к поиску долей сокращения выбро сов для всех предприятий ( qi ;

i = 1, N ), при которых целевая функция (10) с ограничениями (15) достигает минимума. Решение этой задачи обеспечит значение суммарной концентрации в контрольной точке в пределах ПДК и суммарные затраты всех предприятий, минимально необходимые для ус тановления нормативных выбросов.

Разрабатываемая подсистема вычисления долей сокращения выбро сов решает поставленную выше задачу на основе генетического алгоритма в среде Matlab [6].

Был разработан М-файл в редакторе Matlab, в котором описана це левая функция с весовыми коэффициентами Q1, Q2,…, Q N, которые за даются с учетом оценки экспертов, т.к. отсутствуют аналитические и эм пирические зависимости между режимами работы и выбросами предприятий.

Далее был разработан М-файл с ограничениями (15). Затем была выполнена задача оптимизации в окне команд Matlab с помощью генети ческого алгоритма и на рис. 3 представлен графический анализ решения.

Рис. 3. Графический анализ решения На верхней диаграмме изображена наилучшая «особь», которая яв ляется в данном случае оптимальными долями сокращения выбросов соот ветственно для предприятий КНАУФ-ГИПС-Новомосковск, «P&G - Ново московск», ОАО НАК «Азот», ООО «Оргсинтез», ООО «Аэрозоль Новомосковск», ООО «Полипласт». На нижней диаграмме показано изме нение расстояния между «особями» в «поколениях». На этом графике пока Управление, вычислительная техника и информационные технологии зано, что генетический алгоритм практически прекращается после выполне ния примерно 38 поколений, т.е. нет заметного улучшения в целевой функ ции после 38 поколениий.


В результате расчетов были получены доли сокращения выбросов для предприятий при условии, что измеренная концентрация NO в кон трольной точке в 2 раза превышает ПДК. Вычисленные по разработанной методике доли сокращения выбросов ЗВ для предприятий равны соответ ственно: для КНАУФ-ГИПС-Новомосковск 3,2 %, для «P&G - Новомос ковск» 4,6 %, для ОАО НАК «Азот» 14,8 %, для ООО «Оргсинтез» 10,1 %, для ООО «Аэрозоль-Новомосковск» 4,3 %, для ООО «Полипласт» 11,9 %.

Разрабатываемая система рекомендует этим предприятиям именно в таком соотношении снизить нагрузку, до тех пор, пока концентрация ЗВ не ста нет ниже ПДК, т.е. придет в норму.

Результаты работы интеллектуальной системы выработки рекомен даций предприятиям химико-технологической промышленности позволя ют поддерживать загрязнение атмосферы в пределах норм при больших суммарных выбросах, определить или прогнозировать в условиях неопре деленности в реальном времени развитие экологических и социально экологических ситуаций, а также получить соответствующие рекоменда ции по их регулированию. В результате такого решения предприятия мо гут существенно снизить платежи за сверхнормативный выброс в атмо сферу.

Работа выполнена в рамках муниципальной программы МО город Новомосковск «Информационное обеспечение экологической безопасно сти и охраны здоровья населения на 2011-2013 годы».

Список литературы 1. Волков В. Ю., Батышкина В. В., Самахар Башир. Повышение ка чества принимаемых решений в интеллектуальной системе экологического менеджмента // Труды XIII Международной конференции «Проблемы управления и моделирования в сложных системах. 2011. С.415.

2. Earth Science Module. User’s Guide. - Version: November 2008, COMSOL 3.5a, UK: COMSOL Ltd, Hertfordshire, 158 p.

3. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БХВ-Петербург. 2005. 736 с.

4. Гидрометцентр России. Гидрометеорологический научно исследовательский центр РФ. URL: http://meteoinfo.ru/bofort 5. Методика расчета концентраций в атмосферном воздухе вредных веществ, содержащих в выбросах предприятий. ОНД-86. Ленинград: Изд во Гидрометеоиздат, 1987. 94 с.

6. Genetic Algorithm Toolbox For Use with MATLAB, User’s Guide Version 1.2 / Andrew Chipperfield [et al.] / Department of Automatic Control Известия ТулГУ. Технические науки. 2012. Вып. and Systems Engineering. UK: University of Sheffield, 94 p.

D.P.Vent, V.Yu.Volkov, L.H. Duc INTELLIGENT SYSTEM OF DEVELOPMENT OF RECOMMENDATIONS FOR THE PURPOSE OF DECREASE IN CONCENTRATION OF AIR POLLUTANTS The intelligent system of development of recommendations to the enterprises of the chemical technological industry for the purpose of decrease in concentration of air pollutants in which methods of fuzzy modeling, mathematical modeling and genetic algorithm are used is described. The complex approach to the problem decision will allow to make optimum decisions on decrease in degree of air pollution in a mode of real time.

Key words: intelligent system, modeling, the knowledge base, an expert estimation, genetic algorithm Получено 07.03. УДК 504.064. В.Ю. Волков, канд. техн. наук, доц., (48762) 6-12-50, duga@mail.ru (Россия, Новомосковск, РХТУ им. Д.И. Менделеева), В.В. Батышкина, ассист., (48762) 6-06-76, vbatyshkina@mail.ru (Россия, Новомосковск, РХТУ им. Д.И. Менделеева) ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ЭКОЛОГИЧЕСКОГО МЕНЕДЖМЕНТА АТМОСФЕРНОГО ВОЗДУХА ПРОМЫШЛЕННОГО КЛАСТЕРА Разработана система выработки научно-обоснованных рекомендаций лицу, принимающему решения для принятия им оптимальных управляющих решений, направ ленных на снижение концентрации загрязняющих веществ в атмосфере, учитывающих как экологические, так и экономические факторы, используя методы многокритери альной оптимизации.

Ключевые слова: загрязнители, концентрация загрязняющих веществ, атмо сферный воздух, интеллектуальная система экологического менеджмента, принцип Парето, экспертные оценки, принятие решений.

Муниципальное образование (МО) г. Новомосковск Тульской об ласти является одним из экономически развитых промышленных центров России. На VI Международном инвестиционном форуме «Сочи-2007» Но вомосковский проект развития инфраструктуры был признан одним из лучших и утвержден на заседании правительственной комиссии по инве стиционным проектам, имеющим общегосударственное значение как про мышленно-экономический кластер.

Управление, вычислительная техника и информационные технологии На территории города располагаются более 100 промышленных предприятий и строительных организаций. Наиболее крупные и значимые среди них – предприятия химической промышленности. К ним относятся ОАО «НАК «Азот», ООО «Проктер энд Гэмбл - Новомосковск», ОАО «Кнауф Гипс-Новомосковск», ОАО «ГОТЭК-Центр», ОАО «Новомосков ская ГРЭС», ОАО «Поликонт» и др. По оценке состояния атмосферы, про веденный в 2011 году, валовой выброс вредных веществ (ВВ) в атмосферу всех предприятий города составил более 10 тыс.т, что указывает на боль шие экологические нагрузки по загрязняющим веществам (ЗВ).

Поэтому важной и значимой задачей является разработка интеллек туальной системы экологического менеджмента (ИСЭМ), вырабатываю щей управляющие воздействия в соответствие с принятой муниципальной программой по охране окружающей среды, направленные на снижение концентраций ЗВ в атмосферном воздухе. Эти воздействия реализуются посредством принятия оптимальных управляющих решений на различных уровнях системы управления химико-технологическими предприятиями г. Новомосковск Тульской области в режиме реального времени.

Объектом управления в этом случае является сложная комплексная система, включающая в себя атмосферный воздух, химико технологические предприятия МО г. Новомосковска и их производствен ные процессы.

Как было указано ранее, ИСЭМ (рис.1) вырабатывает оптимальные управляющие воздействия (УВ) на различных уровнях системы управле ния (верхний уровень – уровень производств, средний уровень – уровень структурного подразделения, нижний уровень – уровень технологического процесса) для снижения концентрации загрязняющих веществ (ЗВ) на ос нове метода многокритериальной оптимизации, учитывающего экологиче скую (f1) и экономическую (f2) составляющие, с учетом степени влияния промышленных предприятий.

Характерной особенностью предложенной функциональной струк туры ИСЭМ является наличие блока принятия решений (БПР), что прин ципиально отличают данную систему от традиционных автоматизирован ных систем управления и позволяет лицу, принимаемому решения, (ЛПР) в реальном масштабе времени принимать оптимальные управляющие воз действия для снижения концентрации ЗВ.

БПР (рис.1) состоит из: блока прогноза развития ситуации, в кото ром вероятностно-статистическим методом на базе технического анализа рассчитывается значение концентрации ЗВ в атмосфере примерно на 2 ча са вперед для определения возможного превышения ПДК;

блока анализа, в котором, в случае прогнозируемого превышения ПДК, на основе когни тивного моделирования определяется потенциально возможный источник загрязнения атмосферы [1];

блока ЛПР, где осуществляется формирование Известия ТулГУ. Технические науки. 2012. Вып. возможных управляющих воздействий, с учетом модифицированного мно гокритериального выбора, на соответствующем уровне управления хими ко-технологическим предприятием - потенциально возможным источни ком загрязнения.

Рис. 1. Структура ИСЭМ:

БПР – блок принятия решений;

контролирующие организации – контролирующие органы в области охраны окружающей среды;

ОУ – объект управления;

ПНЗА – стационарные посты наблюдения загрязнения атмосферы;

U – управляющие воздействия В результате проведенной работы нами была создана информаци онная модель на основе нечеткой когнитивной карты, которая впервые для данного случая позволила составить матрицу влияний источников загряз нения на концентрацию ЗВ, а затем, с помощью матрицы транзитивного замыкания, выявить и рассчитать интегральные показатели модели.

На основании экспертного опроса специалистов различных пред метных областей, накопленной информации за прошедший период и с уче том внешних возмущающих воздействий было произведено согласование мнений группы экспертов и сформирован перечень факторов когнитивной карты степени загрязнения атмосферного воздуха г. Новомосковск, опре делена сила влияния одного фактора на другой. На рис. 2 представлен фрагмент когнитивной модели на примере концентрации в атмосфере ок сида углерода (СО).

Для автоматизации вычислений интегральных показателей НКК была написана программа на языке VBA, которая определяет с вероятно стью ~70% потенциально возможный источник загрязнения.

Управление, вычислительная техника и информационные технологии Рис. 2. Фрагмент когнитивной модели выявления источника загрязнения Если концентрация ЗВ в атмосфере в пределах нормы, то никаких рекомендаций система не вырабатывает. Решения начинают вырабаты ваться только при наблюдении тенденции к росту концентрации ЗВ, кото рая выявляется с помощью краткосрочного прогноза содержания ЗВ в ат мосферном воздухе. Для этого был разработан алгоритм краткосрочного прогнозирования на базе вероятностно-статистического метода [2].

Для выявления динамики изменения концентрации ЗВ были взяты данные за 2011 год, зафиксированные АСК «Атмосфера». Очевидно, что по внешнему виду графика (рис. 3) в режиме реального времени невоз можно оперативно проанализировать ситуацию и сделать прогноз об уменьшении или об увеличении концентрации ЗВ на 2-3 часа вперед. В от личие от известных методик прогнозирования, использующих при расчете математические и физические модели, была предложена модель кратко срочного прогнозирования загрязнения атмосферного воздуха на основе технического анализа.

В результате проведенного анализа известных моделей и методов технического анализа, было обосновано использование модели разворота, как легко реализуемой на практике и не требующей больших вычисли тельных мощностей для расчета. Для образования фигуры разворота (рис. 4) необходимо наличие трех локальных минимумов и точки прорыва основной линии фигуры разворота.

После точки прорыва графическая зависимость резко изменяет свое направление и происходит рост на графике значения концентрации ЗВ. В результате анализа было выявлено, что фигура разворота (ФР) бывает «ис Известия ТулГУ. Технические науки. 2012. Вып. тинной» и «ложной». Истинность фигуры подтверждает наличие: левого и правого минимума, которые имеют один и тот же размер, к тому же они по высоте не больше среднего минимума;

точки прорыва и разворотных то чек, которые находятся на одной прямой;

фигура должна быть наклонена снизу вверх. По результатам исследований было выявлено истинных фигур 64,3 %, ложных – 35,7 %.

С помощью фигуры разворота в режиме реального времени вычис ляется прогноз ожидаемого роста концентрации ЗВ (см. рис. 4,а): вычисля ется потенциал фигуры (время, сравнимое с длительностью формирования самой фигуры), расстояние H от основной линии фигуры разворота до среднего минимума Е откладывается от точки прорыва (точка D) вверх на высоту H (точка F) и далее на расстояние потенциала вправо по горизонта ли (точка Хпр) – прогнозируемое значение концентрации ЗВ.

Для возможности автоматического расчета на ЭВМ данный метод был модифицирован. Модификация заключается в том, что в отличие от классического метода, потенциал фигуры откладывается от точки пересе чения медиан (Р) треугольника, образованного двумя точками (B и С) ос нования локального минимума фигуры разворота и точкой (G), являющей ся первым измеренным значением концентрации ЗВ после точки прорыва (D), по горизонтали на расстояние потенциала (РМ), и далее перпендику лярно оси времени вверх на отрезок H1, равный по величине 0,618РЕ (точ ка Хмпр). Коэффициент 0,618 соответствует «золотому сечению» и выбран из-за того, что методы технического анализа базируются на числах Фибо наччи.

Рис. 3. Изменение концентрации СО за рабочую смену с интервалом 20 мин Управление, вычислительная техника и информационные технологии Рис. 4. Определение прогнозных значений с помощью ФР и МФР:

а - увеличенный фрагмент в точке измерения;

б - ФР и МФР;

Хизм, tизм – измеренное значение концентрации, текущее время измерения;

Хпр, tпр – рассчитанное значение концентрации с помощью ФР и вычисленное время прогноза;

Хмпр, tмпр – рассчитанное значение концентрации с помощью МФР и вычисленное время прогноза;

Спр, tпр – абсолютные погрешности измерения по концентрации и по времени с помощью ФР;

Смпр, tмпр – абсолютные погрешности измерения по концентрации и по времени с помощью МФР Для примера результаты сравнения расчетов прогнозных значений для ЗВ оксида азота (NO) с помощью ФР (Хпр) и МФР (Хмпр) и зафиксиро ванных тремя стационарными постами АСК «Атмосфера» г. Новомосков ска в течение суток (Хизм) приведены в таблице.

Для оценки точности методов прогноза в таблице вычислены абсо лютные погрешности по концентрации и времени измерения:

С метод(пр/м пр) = Х изм Х метод(пр/м пр), Известия ТулГУ. Технические науки. 2012. Вып. t метод(пр/м пр) = t изм t метод(пр/м пр). Для более полной оценки точно сти методов рассчитана величина выборочной дисперсии. Для оценки точ ности методов прогноза в таблице вычислены абсолютные n (Сизм i Cметодi ) S метод(пр/мпр) = i =.

n Результаты сравнения измеренных и прогнозных значений Координаты точек Абсолютные погрешности по концентра Хизм Хпр Хмпр по времени № ПНЗА ции ЗВ Cизм, tизм, Cпр, tпр, Cмпр, tмпр, Cпр, Cмпр, tпр, tмпр, мг/м3 мг/м3 мг/м3 мг/м час час час мг/м час час 1 0,0122 13,66 0,0133 14,33 0,0124 14,95 0,0011 0,0002 0,67 1, 2 0,0219 13,96 0,0211 14,38 0,0216 13,85 0,0008 0,0003 0,42 0, 3 0,01094 14,66 0,0124 14,28 0,0125 13,9 0,0015 0,0016 0,38 0, Для данных из таблицы результаты расчета показали, что 2 Sмпр Sпр, следовательно, модифицированный метод точнее (в данном случае, как показали расчеты, приблизительно в 3 раза). Результаты под тверждаются расчетами по более чем 70 графикам, полученным по изме рениям АСК «Атмосфера». Для автоматизации расчетов и вычисления прогноза по методу МФР написана программа на языке VBA, которая оп ределяет характерные точки фигуры разворота и вычисляет прогнозные значения концентрации и времени, а также процент отклонения прогноз ного значения от реально измеренного.

В рассматриваемой системе управления возникает конфликт инте ресов: с одной стороны предприятия заинтересованы в получении прибыли за счет повышения выпуска продукции, что ведет к росту загрязнения ат мосферного воздуха, а с другой стороны, население – в чистом воздухе, влияющем на здоровье.

Для устранения конфликта интересов, был модифицирован метод многокритериальной оптимизации (принцип Парето), который в данном случае сводится к задаче многокритериального выбора. Процедура приня тия решения ЛПР оптимальных УВ рассматривается как процесс, в кото ром участвуют администрация города и администрация химико технологического предприятия, ведущих борьбу за реализацию своих ин тересов. Принимается, что для общей выгоды стороны действуют созна Управление, вычислительная техника и информационные технологии тельно и как партнеры, образуя синергетическую систему.

Выбор решений в условиях неопределенности включает в себя: по строение матрицы стратегий сторон F и определение количественной оценки вариантов выбора на основе экспертных оценок специалистов раз личных предметных областей:

S1 S2... Sn A 1 f1(11), f 2(11) f1( 1n ), f 2(1n) f 1(12), f 2(12)...

f 1( 2n), f 2( 2n ), F = A2 f1( 21), f 2( 21) f 1(22), f 2(22)...

......... f 1(i j ), f 2(ij )...

A f 1(mn), f 2( mn) f 1( m1), f 2( m1) f 1( m 2), f 2(m 2)...

m где Ai – стратегии i-го решения (i=1,..,m) администрации;

Sj – стратегии j го решения предприятия (j=1,..,n);

f 1(i, j) – «выигрыш» города при выборе i й стратегии и j-й стратегии предприятия;

f 1(i, j) – «проигрыш» предприятия при выборе i-й стратегии и j-й стратегии предприятия.

Таким образом, необходимо выбрать наилучшие стратегии админи страции (экологические), которые будут давать максимальное значение критерия с учетом стратегий предприятий (экономические).

Модифицированный авторами принцип Парето в отличие от стан дартного метода использует алгоритм поиска оптимального УВ (выборка из матрицы решения) попеременно по строкам и столбцам:

Шаг 1. выбрать первую строку матрицы решений F и проверить вы полнение неравенства f1(ij ) f1(i +1, j ). Если оно оказалось истинным, то перейти к шагу 2. Иначе – к шагу 5.

Шаг 2. удалить из матрицы F строку f1(ij ), т.к. она не является па рето-оптимальной.

Шаг 3. выбрать первый столбец матрицы решений F и проверить выполнение неравенства f 2(ij ) f1(i, j + 2). Если оно оказалось истинным, то перейти к шагу 4.

Шаг 4. Удалить из матрицы столбец f1(i, j + 2), т.к. он не является парето-оптимальным.

Шаг 5. Проверить выполнение неравенства iN. Если оно оказалось истинным, то положить i=i+1 и прейти перейти к шагу 1. Иначе – к шагу 7.

Шаг 6. Проверить выполнение неравенства jM. Если оно оказалось истинным, то положить j=j+1 перейти к шагу 3. Иначе – к шагу 7.

Шаг 7. Проверить выполнение неравенства iN-1 и jM-1. В случае Известия ТулГУ. Технические науки. 2012. Вып. истинности этого неравенства вычисления закончить.

Для решения поставленной задачи формируется перечень управ ляющих воздействий с дифференциацией по «месту приложения» воздей ствия на соответствующий уровень системы управления.

Определяются экспертные оценки и формируются матрицы реше ний для каждого из измеряемых ЗВ. Из матриц выделяется множество Па рето по алгоритму, описанному выше. Итогом работы алгоритма является возможные оптимальные решения по снижению концентрации ЗВ в атмо сферном воздухе. Так, для случая прогнозируемого трехкратного превы шения ПДК по ЗВ NH3 на стационарном посту измерения ПНЗА №1, рас положенного в северной части города, при благоприятных погодных условиях, то вероятный источник загрязнения НАК «Азот». В этом случае выработанное рекомендованное УВ - позвонить представителю админист рации предприятия (дежурному) и сообщить характер происшествия, сте пень опасности, тенденцию развития ситуации и возможные последствия.

Таким образом, модифицированный принцип Парето адаптирован для применения в ИСЭМ. Это позволило из полученных в результате экс пертной оценки возможных 15 УВ выбрать три оптимальных.

Разработанная система формирует рекомендации ЛПР для управле ния химико-технологическими предприятиями, расположенными в МО г. Новомосковск, обеспечивает в режиме реального времени: получение адекватной информации о возможном источнике загрязнения и доведение этой информации до всех заинтересованных сторон, выработку оптималь ных управляющих воздействий, направленных на снижение концентрации ЗВ и предотвращение возникновения чрезвычайной ситуации. Предложен ная структура позволит заблаговременно информировать предприятия о повышении степени загрязнения концентрации ЗВ в режиме реального времени. Это, в свою очередь, позволит администрации предприятий за благовременно принять меры по снижению степени загрязнения и полу чить реальную выгоду в виде экономии штрафов за превышение норм ПДК ЗВ.

Работа выполнена в рамках муниципальной программы МО «Город Новомосковск» «Информационное обеспечение экологической безопасно сти и охраны здоровья населения на 2011-2013 годы».

Список литературы 1. Волков В. Ю., Батышкина В. В. Проблемы применения когни тивного подхода к созданию интеллектуальной системы экологического мониторинга и управления // Известия вузов. Химия и химическая техно логия. Т.52. №6. 2009. С. 109.



Pages:     | 1 |   ...   | 4 | 5 || 7 | 8 |   ...   | 9 |
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.