Способ обработки массивов аналоговых сигналов

Изобретение относится к способам обработки сигналов с использованием интеллектуальных вычислительных систем и может быть использовано для решения широкого спектра задач обработки массивов информационных сигналов от измерительных сетей. Техническим результатом является расширение диапазона решаемых задач обработки сигналов и типов их исходных массивов при повышении оперативности и качества процедуры их обработки с возможностью оконечного выполнения функциональных процедур. Способ обработки сигналов в программно-аппаратном комплексе включает интеллектуальную вычислительную систему программных реализаций нескольких интеллектуальных алгоритмов, предварительно прошедших процедуру обучения, реализацию процесса обработки и вывод обработанной информации, причем при отрицательном исходе реализуется процедура дообучения для получения положительного результата проверки соответствия обработанной информации параметрам качества работы. 19 з.п. ф-лы, 2 ил., 1 табл.

 

Изобретение относится к способам обработки сигналов с использованием интеллектуальных вычислительных систем и может быть использовано для решения широкого спектра задач обработки массивов информационных сигналов от измерительных сетей.

Известен способ обработки сигналов, включающий использование вычислительного комплекса, содержащего интеллектуальную вычислительную систему, выполненную, как нейронная сеть, матрицу связей нейронов в сети, реализующую необходимое программно-аппаратное преобразование входного сигнала, канал подвода этого сигнала и канал отвода выходного сигнала, предусматривающий распознавание сигнала с выработкой выходного управляющего сигнала вычислительного комплекса [1].

Недостаток этого решения определяется тем, что используется фиксированная многомерная матрица связей нейронов в сети, которая определяет тип выполняемого сигнального преобразования и формируется при обучении нейронной сети. Вместе с тем, эта матрица предопределяет использование данной сети только для решения одной конкретной задачи. Попытки обучения сети всем возможным решаемым задачам наталкиваются на предел информационной емкости матрицы связей. Он определяется как топологией самой сети, так и конечными физическими параметрами среды, реализующей эту матрицу связей. Изменение условий функционирования нейронной сети может привести к необходимости решения новой задачи этой же сетью. Это влечет за собой необходимость смены матрицы связей нейронов на новую, которая должна быть заранее рассчитана на этапе обучения. Выбор необходимой матрицы связей, осуществляемый человеком, снижает оперативность и ограничивает функциональность работы системы обработки информации, в которую входит нейронная сеть.

Известен также способ обработки сигналов, включающий снятие сигналов с измерительных датчиков и/или сетей, сигнальное преобразование сигналов в форму, обеспечивающую реализацию процесса обработки в программно-аппаратном комплексе, включающем интеллектуальную вычислительную систему, реализованную в виде оптических нейронных сетей, предварительно прошедшую процедуру обучения, реализацию процесса обработки и вывод обработанной информации [2].

Недостаток этого известного решения - ограничения области эффективной работы достаточно узким диапазоном решаемых задач обработки сигналов и типом их исходных массивов, поскольку способ базируется на использовании интеллектуальных вычислительных систем, реализованных в виде оптических нейронных сетей, кроме того, способ «привязан» к определенному физическому виду вводимых сигналов, что обусловлено принципами применения теории оптических нейронных сетей.

Техническая задача заявляемого изобретения состоит в устранении указанных недостатков, а именно: в расширении диапазона решаемых задач обработки сигналов и типов их исходных массивов при повышении оперативности и качества процедуры их обработки с возможностью оконечного выполнения функциональных процедур.

Для решения поставленной задачи способ обработки сигналов, включающий снятие сигналов с измерительных датчиков и/или сетей, сигнальное преобразование сигналов в форму, обеспечивающую реализацию процесса обработки в программно-аппаратном комплексе, включающем интеллектуальную вычислительную систему, предварительно прошедшую процедуру обучения, реализацию процесса обработки и вывод обработанной информации, отличается тем, что в процессе обработки сигналов используют программно-аппаратный комплекс, содержащий устройство сбора информации, устройство вывода обработанной информации, информационно-аналитический блок, реализованный в виде комплекса программно-аппаратных средств, включающих Интеллектуальный Классификатор, интеллектуальные вычислительные алгоритмы, по меньшей мере два, функционирующие в режиме Интеллектуальных Вычислительных Систем, и Базу Знаний, хранящую критерии выбора Интеллектуальной Вычислительной Системы, максимально эффективной для обработки конкретного массива сигналов. При этом формируют исходные векторы сигналов, для чего посредством устройства сбора информации снимают сигналы с соответствующих измерительных датчиков и сетей, преобразуют их в цифровую форму и поэлементно запоминают в кратковременной памяти процессора программно-аппаратного комплекса, далее их передают в Интеллектуальный Классификатор, после чего сигналы собирают в исходные векторы сигналов, и осуществляют их программно-аппаратную идентификацию, для чего на промежуточном массиве Х₀ проводят комплекс вычислительных работ, в ходе которых определяют параметры, позволяющие присвоить исходным векторам сигналов соответствующие идентификационные метки их принадлежности. Далее, по завершению процедуры программно-аппаратной идентификации, исходным векторам сигналов присваивают идентификационные метки, в соответствии с выявленными характеристиками. Затем реализуют процедуру создания рабочих массивов сигналов, для чего формируют, в соответствии с каждым сформированным в долговременной памяти базы знаний исходным вектором сигналов X_j, вектор идентификационных меток P_j={I, N, D, Е, X}_j, где I - значение сигнал/шум для всех сигналов вектора; N - динамический диапазон сигналов; D - степень гладкости исследуемой функции; Е - принадлежность к скалярным или векторным физическим полям; X - зависимость исследуемой функции от времени, содержание которых аналогично содержанию идентификационных меток вектора сигналов X_j, с образованием рабочего массива сигналов A_j={X, P}_j. При этом, перед началом процедуры обработки сигналов адаптируют в ходе процедур обучения параметры Интеллектуальных Вычислительных Систем, используемых в составе комплекса, для чего настраивают их регулируемые параметры в соответствии с требованиями, предъявляемыми к выходной информации так, чтобы любой входной вектор X_j, принадлежащий множеству обучающих пар, но не совпадающий с его значениями, соответствовал выходному вектору Y_j однозначно. Затем в отношении каждого из классификаторов Интеллектуального Классификатора реализуют процедуру обучения, состоящую из последовательности программно-аппаратных операций, включающей прием входных сигналов, сравнение классификаторов, выбор классификатора, опробование классификатора в работе, сравнение результатов работы классификаторов, индексацию классификаторов, пополнение Базы Знаний. Причем эту последовательность программно-аппаратных операций повторяют в отношении всех возможных типов массивов входной информации. При этом, по окончанию процедуры обучения задают режим процедуры обработки сигналов, в зависимости от которого, посредством Интеллектуального Классификатора, в Базе Знаний находят одну или несколько Интеллектуальных Вычислительных Систем, посредством которых реализуют процесс обработки сигналов, после чего результат возвращают в Интеллектуальный Классификатор, посредством которого оценивают соответствие результата заданным параметрам качества работы. Причем, при положительном результате проверки процедуру обработки считают завершенной и производят вывод обработанной информации, а при отрицательном исходе проверки реализуют процедуру дообучения классификаторов Интеллектуального Классификатора к исходному вектору идентификационных меток Р, после чего процедуру обработки сигналов повторяют до получения положительного результата проверки соответствия обработанной информации параметрам качества работы.

В частном случае, при настройке регулируемых параметров Интеллектуальных Вычислительных Систем, выполненных в виде нейронных сетей, изменяют весовые коэффициенты матриц связей нейронных сетей произвольной архитектуры, сформированной заранее, до процесса обучения, и позиционирующей каждую архитектуру нейронной сети как отдельную сеть со своим числом слоев, нейронов в слое, функцией активации и других регулируемых параметров.

В частном случае, при настройке регулируемых параметров Интеллектуальных Вычислительных Систем, выполненных в виде экспертных систем, изменяют и добавляют знания и настройку механизма логического вывода, посредством регулировки параметров конкретной реализации рассуждений.

В частном случае, при настройке регулируемых параметров Интеллектуальных Вычислительных Систем, выполненных в виде нечетких систем, регулируют параметры функций принадлежности или изменяют веса используемых правил и коэффициентов функции заключения.

В частном случае, при настройке регулируемых параметров Интеллектуальных Вычислительных Систем, выполненных в виде систем на генетических алгоритмах, изменяют параметры классификаторов сил и/или классификаторов специфичностей и/или классификаторов правил, для цепочки активизировавшихся классификаторов системы.

В частном случае, перед началом обучения классификаторов Интеллектуального Классификатора, в каждом из них настраивают комплекс регулируемых параметров (где - правило, состоящее из условия (A_cond) и действия, в отношении Интеллектуальной Вычислительной Системы S_r - сила, показывающая текущую полезность данного классификатора C_r; spec_r - специфичность, характеризующая степень конкретизации используемого правила классификатора C_r), кроме того, от всех Интеллектуальных Вычислительных Систем получают дополнительные сведения об элементах вектора выходных параметров Интеллектуальной Вычислительной Системы для j-ого вектора обрабатываемых сигналов F_j={t, n, ρ, σ}_j, включающие время обработки сигналов (t); количество итераций, затраченных на обработку сигналов (n); функция корреляции между получаемыми Y_j и требуемыми выходными векторами (ρ); дисперсия для них (σ).

Целесообразно, когда в ходе обучения классификаторов Интеллектуального Классификатора, при приеме входных сигналов, в частном случае, вектор идентификационных меток P_j из массива сигналов A_j преобразуют в форму вектора идентификационных меток. В частном случае, в ходе обучения классификаторов Интеллектуального Классификатора при их сравнении, в частном случае, условные части A_cond всех классификаторов C_r сравнивают с вектором идентификационных меток P_j и, при их совпадении, соответствующие классификаторы условно выставляют на аукцион, со ставками, пропорциональными их силе S_r и специфичности spec_r.

В частном случае, в ходе обучения классификаторов Интеллектуального Классификатора, при выборе классификатора, над условными частями классификаторов C_r выполняют последовательность процедур генетического алгоритма, включающую селекцию с помощью одного из операторов селекции, скрещивание с произвольным кроссовером, мутацию элементов с малой вероятностью, эволюцию с помощью инверсионного колеса рулетки, уплату налогов всеми участвовавшими классификаторами, причем при отсутствии выигрыша условной части одного из классификаторов, программно-аппаратные операции сравнения классификаторов и выбора классификатора повторяют до выигрыша условной части одного из классификаторов.

В частном случае, в ходе обучения классификаторов Интеллектуального Классификатора, при опробовании классификатора в работе, в соответствии с действием выигравшей условной части правила этого классификатора выбирают Интеллектуальную Вычислительную Систему, требуемую действием выигравшей условной части правила, и обрабатывают на ней копии вектора сигналов X.

В частном случае, в ходе обучения классификаторов Интеллектуального Классификатора, при сравнении результатов их работы рассчитывают параметры качества работы t, n, ρ, σ каждой Интеллектуальной Вычислительной Системы и, после их сравнения, выделяют вектор параметров качества работы F={t, n, ρ, σ} с лучшими значениями, который направляют в классификаторы.

В частном случае, в ходе обучения классификаторов Интеллектуального Классификатора, при их индексации, классификатор-победитель получает дополнительную силу, пропорционально качеству результата работы и распределяет свою ставку участия между классификаторами, условные части которых участвовали в реализации генетического алгоритма и его формировании.

В частном случае, в ходе обучения классификаторов Интеллектуального Классификатора, при пополнении Базы Знаний, в нее направляют строки соответствия, содержащие вектор идентификационных меток P_j, вектор параметров качества работы F_j и классификатор C_r.

В частном случае, процедуру обработки сигналов реализуют в автоматическом нормальном или автоматическом минимальном или ручном режимах.

В частном случае, в процедуре обработки сигналов в автоматическом нормальном режиме, в Базе Знаний из массива, задаваемого при инсталляции комплекса, находят, посредством Интеллектуального Классификатора, по меньшей мере две Интеллектуальных Вычислительных Системы, соответствующие задачам обработки конкретного массива сигналов, после чего массив сигналов обрабатывают в них, при этом, как и в режиме обучения, рассчитывают параметры качества работы t и n, причем, обработанные сигналы возвращают в Интеллектуальный Классификатор и выбирают результат от Интеллектуальных Вычислительных Систем с оптимальными результатами обработки.

В частном случае, в процедуре обработки сигналов в автоматическом минимальном режиме, в Базе Знаний из массива, задаваемого при инсталляции комплекса, находят, посредством Интеллектуального Классификатора, одну Интеллектуальную Вычислительную Систему, с наибольшей вероятностью обрабатывающую конкретный тип массива сигналов, после чего, посредством нее, реализуют процедуру обработки сигналов, по окончании которой результат обработки возвращают в Интеллектуальный Классификатор.

В частном случае, в процедуре обработки сигналов в ручном режиме, в Базе Знаний, из массива, задаваемого при инсталляции комплекса, пользователь сам выбирает, по меньшей мере две Интеллектуальных Вычислительных Системы и регулирует их параметры по своему усмотрению, после чего реализует их посредством процедуру обработки массива сигналов, в том числе пошагово, затем результат обработки возвращают в Интеллектуальный Классификатор.

В частном случае, в процедуре оценки соответствия результата обработки сигналов параметрам качества работы, рассчитывают параметры качества работы t_j и n_j Интеллектуальной Вычислительной Системы, направляют вектор параметров качества работы F_j={t, n}_j в Базу Знаний для проверки его соответствия подобному вектору при классификаторе-победителе, причем, при положительном ответе на их сопоставимость, выдают вектор выходных сигналов Y_j на Устройство Вывода Информации, а при отрицательном исходе проверки реализуют процесс дообучения классификаторов Интеллектуального Классификатора к исходному вектору идентификационных меток P_j.

В частном случае, в процессе дообучения классификаторов Интеллектуального Классификатора, в исходном векторе идентификационных меток P_j часть его символов заменяют на символ отсутствия конкретизации «#», после чего, контрастированный таким образом вектор идентификационных меток направляют на множество классификаторов C_r, в котором слабый классификатор с помощью, например, инверсионного колеса рулетки, заменяется на новый, после чего реализуют процедуру обучения классификаторов Интеллектуального Классификатора, отличающуюся от вышеописанной тем, что при сравнении результатов работы классификаторов рассчитывают только два рабочих параметра качества t_j и n_j.

Приведенные общие и частные признаки заявляемого изобретения решают следующие функциональные задачи, обеспечивая решение поставленной технической задачи:

Совокупность признаков «в процессе обработки сигналов используют программно-аппаратный комплекс, содержащий устройство сбора информации, устройство вывода обработанной информации, информационно-аналитический блок, реализованный в виде комплекса программно-аппаратных средств, включающих Интеллектуальный Классификатор, интеллектуальные вычислительные алгоритмы, по меньшей мере два, функционирующие в режиме Интеллектуальных Вычислительных Систем и Базу Знаний, хранящую критерии выбора Интеллектуальной Вычислительной Системы, максимально эффективной для обработки конкретного массива сигналов» обеспечивает техническую возможность реализации процедур, программно-аппаратных операций и приемов, обеспечивающих решение поставленной технической задачи.

Признак «формируют исходные векторы сигналов» конкретизирует начальный этап подготовки исходных сигналов к процедуре их обработки, обеспечивающий реализацию последующих процедур способа, при этом признаки «для чего, посредством устройства сбора информации снимают сигналы с соответствующих измерительных датчиков и сетей, преобразуют их в цифровую форму и поэлементно запоминают в кратковременной памяти процессора программно-аппаратного комплекса, далее их передают в Интеллектуальный Классификатор,, при этом, начало и конец потока, ограничивающие исходный вектор сигналов, задают соответствующим протоколом передачи сигналов» конкретизируют в совокупности содержание самого этапа.

Признаки указывающие, что после завершения начального этапа предварительной подготовки исходных сигналов их «собирают в исходные векторы сигналов, и осуществляют их программно-аппаратную идентификацию, для чего на промежуточном массиве Х₀ проводят комплекс вычислительных работ, в ходе которых определяют параметры, позволяющие присвоить исходным векторам сигналов соответствующие идентификационные метки их принадлежности, например, определяют отношение полезного сигнала к уровню шума для всего вектора (I), находят его динамический диапазон (N) и/или определяют степень гладкости исследуемой функции, например, от дельтаобразной в точке до сферической на всей исследуемой области, контролируемой измерительными устройствами (D) и/или выясняют природу физического поля (Е) и/или выясняют зависимость исследуемой функции от времени (X), далее, по завершению процедуры программно-аппаратной идентификации, исходным векторам сигналов присваивают идентификационные метки, в соответствии с выявленными характеристиками исследованных функций, отображаемых каждым из исходных векторов» обеспечивают в совокупности маркировку сигналов, способствующую их однозначному определению, поиску и извлечению, по мере необходимости в ходе процесса их обработки.

Признак «реализуют процедуру создания рабочих массивов сигналов» конкретизирует завершающий этап подготовки исходных сигналов к процедуре их обработки, обеспечивающий реализацию последующих процедур, при этом, признаки «для чего формируют, в соответствии с каждым сформированным в долговременной памяти базы знаний исходным вектором сигналов X_j, вектор идентификационных меток P_j={I, N, D, Е, X}_j, содержание которых аналогично содержанию идентификационных меток вектора сигналов X_j, с образованием рабочего массива сигналов A_j={X, P}_j» конкретизируют в совокупности содержание самого этапа.

Признаки «перед началом процедуры обработки сигналов адаптируют в ходе процедур обучения параметры Интеллектуальных Вычислительных Систем, используемых в составе комплекса, для чего настраивают их регулируемые параметры в соответствии с требованиями, предъявляемыми к выходной информации так, чтобы любой входной вектор X_j, принадлежащий множеству обучающих пар, но не совпадающий с его значениями, соответствовал выходному вектору Y_j однозначно» обеспечивают в совокупности адекватность характеристик Интеллектуальных Вычислительных Систем, задачам обработки сигналов и, тем самым, высокое качество восстановления исследуемых функций, что весьма существенно.

Признаки «затем, в отношении каждого из классификаторов Интеллектуального Классификатора, реализуют процедуру обучения, состоящую из последовательности программно-аппаратных операций, включающей прием входных сигналов, сравнение классификаторов, выбор классификатора, опробование классификатора в работе, сравнение результатов работы классификаторов, индексация классификаторов, пополнение Базы Знаний, причем эту последовательность программно-аппаратных операций повторяют в отношении всех возможных типов массивов входной информации» обеспечивают в совокупности адекватность характеристик классификаторов Интеллектуального Классификатора задачам обработки сигналов и, тем самым, высокое качество обработки сигналов, что является немаловажным.

Признаки «по окончанию процедуры обучения задают режим процедуры обработки сигналов, в зависимости от которого, посредством Интеллектуального Классификатора, в Базе Знаний находят одну или несколько Интеллектуальных Вычислительных Систем, посредством которых реализуют процесс обработки сигналов, после чего результат возвращают в Интеллектуальный Классификатор, посредством которого оценивают соответствие результата заданным параметрам качества работы, причем, при положительном результате проверки, процедуру обработки считают завершенной и производят вывод обработанной информации» конкретизируют в совокупности процедуру обработки в условиях соответствия параметров всех систем программно-аппаратного комплекса задачам обработки сигналов и, соответственно, при получении результата с максимально высоким качеством.

Признаки «при отрицательном исходе проверки реализуют процедуру дообучения классификаторов Интеллектуального Классификатора к исходному вектору идентификационных меток Р, после чего процедуру обработки сигналов повторяют до получения положительного результата проверки соответствия обработанной информации параметрам качества работы» конкретизируют в совокупности процедуру оперативной ликвидации несоответствия (выявленного на первой итерации) параметров систем программно-аппаратного комплекса задачам обработки сигналов, т.е. при получении результата обработки низкого качества, исключая его.

Частные признаки «вычисляют средние за время Т₁ значения каждого i-го элемента x_i формируемого первого вектора сигналов Х₁», «вычисляют дисперсии значений x_i этих элементов», «отношения первых величин ко вторым и усреднение отношения сигнал/шум для всех сигналов вектора X₁», «вычисляют максимальное x_max и минимальное значения x_min элементов вектора сигналов Х₁», «определяют динамический диапазон сигналов вектора Х₁», «вычисляют функцию взаимной корреляции значений всех элементов x_i и корреляционную функцию элементов x_i вектора X₁», «определяют степень гладкости исследуемой функции и функцию распределения всех элементов x_i вектора Х₁» конкретизируют частное содержание процедуры программно-аппаратной идентификации исходных векторов сигналов.

Частные признаки «изменяют весовые коэффициенты матриц связей нейронных сетей произвольной архитектуры», «изменяют и добавляют знания и настройку механизма логического вывода», «регулируют параметры функции принадлежности», «изменяют параметры классификаторов» конкретизируют частное содержание процедур настройки регулируемых параметров интеллектуальных вычислительных систем, используемых при реализации способа.

Частный признак «от всех Интеллектуальных Вычислительных Систем получают дополнительные сведения об элементах вектора выходных параметров Интеллектуальной Вычислительной Системы для j-ого вектора обрабатываемых сигналов» конкретизирует частное содержание процедуры настройки комплекса регулируемых параметров каждого из классификаторов Интеллектуального Классификатора, до начала процесса их обучения.

Частные признаки «вектор идентификационных меток P_j из массива сигналов A_j преобразуют в форму вектора идентификационных меток», «условные части A_cond всех классификаторов C_r сравнивают с вектором идентификационных меток P_j», «над условными частями классификаторов C_r выполняют последовательность процедур генетического алгоритма», «при опробовании классификатора в работе, в соответствии с действием выигравшей условной части правила этого классификатора выбирают Интеллектуальную Вычислительную Систему», «рассчитывают параметры качества работы t, n, ρ, σ каждой Интеллектуальной Вычислительной Системы», «в ходе обучения классификаторов Интеллектуального Классификатора, при их индексации, классификатор-победитель получает дополнительную силу», «в ходе обучения классификаторов Интеллектуального Классификатора, при пополнении Базы Знаний, в нее направляют строки соответствия, содержащие вектор идентификационных меток P_j, вектор параметров качества работы F_j, классификатор C_r» конкретизируют частное содержание отдельных последовательных этапов процедуры обучения классификаторов Интеллектуального Классификатора.

Частный признак «процедуру обработки сигналов реализуют в автоматическом нормальном или автоматическом минимальном или ручном режимах» конкретизирует отдельные частные альтернативные случаи, реализуемые в рамках способа.

Частные признаки «находят, посредством Интеллектуального Классификатора, по меньшей мере две Интеллектуальных Вычислительных Системы», «находят, посредством Интеллектуального Классификатора, одну Интеллектуальную Вычислительную Систему, с наибольшей вероятностью обрабатывающую конкретный тип массива сигналов», «пользователь сам выбирает, по меньшей мере две Интеллектуальных Вычислительных Системы и регулирует их параметры по своему усмотрению» конкретизируют частное содержание каждого частного альтернативного случая процедуры обработки сигналов реализуемого в рамках способа.

Частные признаки «рассчитывают параметров качества работы t_j и n_j Интеллектуальной Вычислительной Системы», «направляют вектор параметров качества работы F_j={t, n}_j в Базу Знаний для проверки его соответствия подобному вектору при классификаторе-победителе», «при положительном ответе на их сопоставимость, выдают вектор выходных сигналов Y_j на Устройство Вывода Информации», «при отрицательном исходе проверки реализуют процесс дообучения классификаторов Интеллектуального Классификатора к исходному вектору идентификационных меток P_j» конкретизируют частное содержание процедуры оценки соответствия результата обработки сигналов параметрам качества работы, определяющих возможность завершения процедуры обработки информации или необходимость дообучения, соответствующих элементов программно-аппаратного комплекса.

Частный признак «в процессе дообучения классификаторов Интеллектуального Классификатора, в исходном векторе идентификационных меток P_j часть его символов заменяют на символ отсутствия конкретизации «#», после чего, контрастированный таким образом вектор идентификационных меток направляют на множество классификаторов C_r» конкретизируют частное содержание процесса дообучения элементов программно-аппаратного комплекса.

Таким образом, техническим результатом заявляемого способа, как очевидно, является повышение оперативности и качества процедуры обработки сигналов, вне зависимости от типа их исходных массивов, за счет использования процедур обучения (а при необходимости и дообучения) интеллектуальных вычислительных систем, задействованных при обработке сигналов, при обеспечении возможности использования, широкого круга известных интеллектуальных вычислительных систем.

Заявляемое изобретение иллюстрируется чертежами, на которых показаны: на фиг. 1 - общая архитектура информационно-вычислительного комплекса; на фиг. 2 - схема прохождения сигналов на этапе в режиме подготовки сигналов.

На чертеже фиг. 1 схематически показаны измерительные датчики 1, которые могут быть объединены в измерительные сети 2. Кроме того, показан программно-аппаратный комплекс, обеспечивающий реализацию заявляемого способа, состоящий из следующих элементов: устройство сбора информационных сигналов (далее - УСИ) 3 с измерительных датчиков 1 или сетей 2, устройство вывода обработанных сигналов (далее - УВИ) 4, информационно-аналитический блок 5, реализованный в виде комплекса программно-аппаратных средств, включающих Интеллектуальный Классификатор, которых может быть несколько, (далее - ИК) 6, интеллектуальные вычислительные алгоритмы, функционирующие в виде Интеллектуальных Вычислительных Систем (далее - ИВС) 7-10 и Базу Знаний (далее - БЗ) 11, хранящую критерии выбора той или иной Интеллектуальной Вычислительной Системы, максимально эффективной для обработки конкретного массива сигналов. Также в блок 5 входят графический интерфейс пользователя (далее - ГИП) 12, протокол 13 в виде взаимодействия УСИ 3 и информационно-аналитического блока 5 (протокол передачи сигналов), драйвер 14 протокола 13 (подсистема программно-аппаратной части комплекса, обеспечивающая: управление сеансами связи с УСИ 3, процесс сборки сигналов, поступающих с УСИ в массив сигналов), протокол 15 в виде взаимодействия УВИ 4 и информационно-аналитического блока 5 (протокол передачи сигналов), драйвер 16 протокола 15 (подсистема программно-аппаратной части комплекса, обеспечивающая: управление сеансами связи с УВИ 4 и управление УВИ 4).

Интеллектуальный Классификатор (ИК) 6 - подсистема программно-аппаратной части блока 5 комплекса предназначена для выбора одной или нескольких Интеллектуальных Вычислительных Систем для обработки сигналов; выполняет функцию передачи сигналов в ИВС и получение обработанных сигналов от них; передачу сигналов в ГИП 12 для их последующей визуализации; передачу сигналов на невизуальные УВИ 4.

Графический интерфейс пользователя (ГИП) 12 предназначен для реализации следующих функций: выбор режима работы спроектированной ИВС (обучение или обработка сигналов); выбор приоритета работы данной системы: максимальное качество обработки, минимальное качество и ручной выбор настроек системы; выбор устройств вывода информации (принтер, плоттер и т.д., не показаны).

Невизуальные устройства вывода информации (УВИ) 4 реализуют функции управления внешними устройствами (приводами, роботами, другими системами и исполнительными механизмами, не показаны).

Интеллектуальная Вычислительная Система (ИВС) 7-10 предназначена для обработки массива сигналов на основе одного из пригодных для заявляемого способа следующих известных интеллектуальных вычислительных алгоритмов: нейронных сетей (НС); экспертных систем (ЭС); нечетких систем - (НЧС); систем на генетических алгоритмах (ГА). Количество ИВС 7-10 в составе программно-аппаратного комплекса ограничивается сверху производительностью вычислительной архитектуры системы, а снизу - предъявляемыми к ней требованиями.

База знаний (БЗ) 11 - одна из известных промышленных баз знаний, хранящая критерии выбора той или иной ИВС для обработки конкретного массива сигналов. Для этих целей может быть использована одна из трех следующих наиболее развитых на настоящий момент систем управления базами данных (СУБД): реляционная база данных (Sybase, Oracle) или объектно-ориентированная (Cache).

В блок 5 также входят интерфейсы 17 - средства взаимодействия элементов блока и устройств информационно-вычислительного комплекса, которые задают параметры, процедуры и характеристики их взаимодействия.

Таким образом, в качестве элементов информационно-вычислительного комплекса используют программно-аппаратное обеспечение: известные программно-аппаратные средства, рабочие характеристики которых соответствуют целям и задачам обработки сигналов при неизвестности совокупностей их связей, а также используют программное обеспечение: набор соответствующих программно-аппаратных средств, обеспечивающих реализацию описанных действий, увязанных по времени.

Заявляемый способ предусматривает последовательную реализацию следующих основных режимов, как материальных действий (сигнальных преобразований): подготовки сигналов, обучения информационно-вычислительного комплекса, обработки сигналов.

1. Режим подготовки сигналов (фиг. 2) состоит из трех связанных процессов:

- Формирование исходных векторов сигналов.

- Программно-аппаратная идентификация исходных векторов сигналов.

- Создание рабочих массивов сигналов.

1.1. Формирование исходных векторов сигналов.

В любом, в т.ч. и в последующих упомянутых основных режимах (обучение и обработка сигналов), сигналы от УСИ 3 считываются драйвером 14, который передает их в ИК 6. При этом, начало и конец потока сигналов ограничивают исходный вектор сигналов и определяются протоколом 13 передачи сигналов.

При этом, сигналы собираются с помощью входного интерфейса 17 ИК 6 в исходные вектора сигналов, каждый из которых представляет собой совокупность в цифровой форме сигналов от всех измерительных устройств (измерительных датчиков 1 или измерительных сетей 2), усредненную за заданное время измерений. Измерительные устройства снимают информацию об исследуемой (восстанавливаемой или контролируемой) функции, которая, действуя на измерительные устройства, приводит к пропорциональному изменению сигналов на их выходе, получаемых от УСИ 3.

1.2. Программно-аппаратная идентификация исходных векторов сигналов.

Затем производится программно-аппаратная идентификация исходных векторов сигналов, которая заключается в их сборе и присвоении им идентификационных меток. Идентификационные метки соответствуют уникальным свойствам этих векторов и дают информацию в виде электрических сигналов о характеристиках исследуемой функции. Процесс программно-аппаратной идентификации исходных векторов заключается в осуществлении известным путем определенных вычислений над их элементами. В зависимости от результатов этих вычислений, исходные векторы сигналов отличаются друг от друга следующими параметрами:

1.2.1. При этом физические принципы программно-аппаратной идентификации исходных векторов сигналов состоят в следующем:

- При данном вычислении средних значений и дисперсии сигналов, формирующих каждый из элементов вектора, определяется отношение полезного сигнала к уровню шума для всего вектора.

- При вычитании из максимального минимального значений элементов вектора сигналов находится его динамический диапазон.

- При расчете корреляционной функции элементов вектора делается вывод о степени гладкости исследуемой функции: от дельтаобразной в точке до сферической на всей исследуемой области, контролируемой измерительными устройствами.

- При прямом произведении функции распределения всех элементов вектора на единичный сдвиг по времени выясняется природа физического поля: скалярное или векторное поле.

- При расчете средних значений и нормированной кросс-корреляции функций одних и тех же элементов для нескольких последовательных векторов определяется зависимость исследуемой функции от времени.

1.2.2. Сам алгоритм программно-аппаратной идентификации исходных векторов сигналов заключается в следующем:

1.2.2.1. Необходимые общепринятые обозначения: i - индекс измерительного устройства (i=1, 2, …, K), определяющий индекс элемента x_i формируемого j-го вектора сигналов X_j={x_i}_j; K - число измерительных устройств, равное числу элементов x_i вектора сигналов X_j (его размерности); j - индекс вектора сигналов X_j (j=1, 2, …, J), соответствующий индексу интервала времени T_j формирования (накопления) в кратковременной памяти сигналов j-го вектора; J - число векторов сигналов X_j, записанных в долговременную память БЗ, равное числу интервалов времени T_j; m - индекс цикла сбора сигналов (m=1, 2, …, М); М - число циклов сбора сигналов за один интервал времени Δt=T_j-T_j-1.

1.2.2.2. Алгоритм программно-аппаратной идентификации исходных векторов сигналов состоит из четырех этапов.

Этап 1. Производится поэлементная запись в кратковременную память от УСИ 3 сигналов М циклов сбора со всех K измерительных устройств за время Т₁. В результате в этот момент формируется промежуточный массив X₀ размерностью М×K. На этом этапе из полученного массива Х₀ вычисляются: средние за время Т₁ значения каждого i-го элемента x_i формируемого первого вектора сигналов Х₁; дисперсии значений x_i этих элементов; отношения первых величин ко вторым; усреднение этих отношений, т.е. величина сигнал/шум для всех сигналов вектора Х₁; максимальное x_max и минимальное значения x_min элементов вектора сигналов Х₁ и разность между ними, т.е. динамический диапазон сигналов вектора Х₁; функция взаимной корреляции значений всех элементов x_i; определитель этой функции, т.е. корреляционная функция элементов x_i вектора Х₁; также выполняются дополнительные сигнальные преобразования, после которых данному вектору присваивается идентификационная метка соответствия его определенной степени гладкости исследуемой функции и функция распределения всех элементов x_i этого вектора Х₁.

Этап 2. Происходит повтор этапа 1 для каждого j-ого вектора сигналов от УСИ 3 с записью полученных J векторов X_j в долговременную память БЗ 11.

Этап 3. После формирования за время T_j-1 каждого последующего за X_j-1 вектора сигналов X_j и проведения для него всех вычислений, реализуемых на этапе 1, дополнительно рассчитываются: прямое произведение функции распределения элементов каждого предыдущего вектора X_j-1 на единичный сдвиг по времени Δt; выполняют дополнительные сигнальные преобразования, после которых этому вектору присваивается идентификационная метка его принадлежности к скалярным или векторным физическим полям.

Этап 4. Для нескольких последовательных векторов сигналов X_j, число которых (обычно от 5 до 10) зависит от рассматриваемого интервала времени T_j и определяется дополнительно, в зависимости от конкретной задачи, вычисляют: нормированные кросс-корреляции функций одних и тех же элементов x_i для пар векторов сигналов X_j, разделенных интервалом времени T_j; выполняют дополнительные сигнальные преобразования, после которых последнему из рассматриваемых по времени формирования вектору сигналов присваивается идентификационная метка степени его соответствия зависимости исследуемой функции от времени. На этом программно-аппаратную идентификацию исходных векторов сигналов заканчивают приступают к следующему процессу.

1.3. Процесс создания рабочих массивов сигналов, которым заканчивается режим подготовки сигналов.

Процесс создания рабочих массивов сигналов состоит в постановке соответствия каждому записанному и сформированному в долговременной памяти БЗ 11 исходному вектору сигналов X_j вектора идентификационных меток P_j. В результате этого образуется рабочий массив сигналов A_j={X, P}_j. Причем сам вектор идентификационных меток P_j, исходя из принципов идентификации, состоит из следующих пяти идентификационных меток P_j={I, N, D, Е, X}_j, где

I - значение сигнал/шум для всех сигналов вектора;

N - динамический диапазон сигналов;

D - степень гладкости исследуемой функции;

Е - принадлежность к скалярным или векторным физическим полям;

Х - зависимость исследуемой функции от времени.

Характеристика получаемых идентификационных меток имеет вид, который приведен в таблице 1.

После передачи по выходному интерфейсу 17 ИК 6 рабочих массивов сигналов A_j над ними производят дальнейшие программно-аппаратные операции (обучение и/или обработку), в зависимости от режима работы системы.

Принцип дальнейшего действия информационно-вычислительного комплекса (ИВС и ИК) различается для каждого из осуществляемых режимов (обучения или обработки сигналов).

2. Режим обучения.

В режиме обучения осуществляют адаптацию параметров всех интеллектуальных элементов информационно-вычислительного комплекса под выбираемую архитектуру в соответствии с предъявляемыми требованиями к выходной информации, при этом, производят обучение как интеллектуальных элементов ИВС (7-10), так и обучение всех классификаторов ИК 6.

2.1. Обучение интеллектуальных элементов ИВС.

В связи с тем, что для настройки классификаторов ИК 6 требуется иметь уже готовые к работе ИВС 7-10, настройку их интеллектуальных элементов выполняют на рабочих массивах сигналов A_j до обучения классификаторов ИК 6. Следует учесть, что для работы информационно-вычислительного комплекса существует практически четыре известных пригодных для заявляемого способа класса ИВС на основе вышеупомянутых известных интеллектуальных вычислительных алгоритмов. При обучении интеллектуальных элементов внутри каждой из ИВС происходит настройка следующих регулируемых параметров, в зависимости от типа ИВС:

- для нейронных сетей ИВС - изменение весовых коэффициентов матриц связей нейронных сетей определенной архитектуры, сформированной заранее, до процесса обучения, и позиционирующей каждую архитектуру нейронных сетей, как отдельную, нейронных сетей со своим числом слоев, нейронов в слое, функцией активации и регулируемых параметров;

- для экспертных систем ИВС - изменение и добавление знаний и настройка механизма логического вывода посредством регулировки параметров конкретной реализации рассуждений (основные из которых - дедуктивный, нечеткий, вероятностный выводы, ассоциативный поиск или поиск решения с разбиением на подзадачи);

- для нечетких систем ИВС - регулировка параметров функции принадлежности или для нечетких систем ИВС типа ТСК (Takagi-Sugeno-Kung) - изменение весов используемых правил и коэффициентов функции заключения;

- для систем ИВС на генетических алгоритмах - изменение параметров интеллектуальных классификаторов (сил, специфичностей и правил) для цепочки активизировавшихся классификаторов системы.

Далее в примере конкретного исполнения заявляемого способа процедура обучения интеллектуальных элементов ИВС представлена на примере нечетких систем ИВС и нейронных сетей ИВС, как более перспективных.

2.1.1. В нечетких системах ИВС осуществляется связь всех возможных состояний сложной системы с управляющими решениями на основе нечеткого вывода. Как известно, система нечеткого вывода нечеткой системы ИВС образуется элементами согласно теории нечетких множеств, при добавлении правил импликации и нечетких рассуждений. В зависимости от выбора программно-аппаратной операции композиции (свертки) и программно-аппаратной операции нечеткой импликации принято различать несколько модификаций нечетких систем принятия решений.

Как известно, обучение любой классической (не нейросетевой) нечеткой системы состоит в настройке набора утверждений (правил) базы знаний, сопровождающейся процессом выбора оптимальной функции принадлежности с подстройкой ее параметров. Сам набор утверждений (правил) представляет собой совокупность событий (условий) и результатов (выводов).

В связи с тем, что практически все значимые нечеткие системы ИВС с дефазификаторами могут быть приведены к виду, имеющему в качестве функции принадлежности μ(х) сигналов со значениями х обобщенную функцию Гаусса (модель Мамдани-Заде), регулируемыми параметрами данной системы являются параметры этой функции:

где:

μ(x) - функция принадлежности нечеткого множества;

γ - центр нечеткого множества;

α - коэффициент широты;

b - числовой параметр.

Чем значение α меньше, тем крутизна функции больше, а числовой параметр b влияет на форму кривой. При уменьшении α происходит равномерное «стягивание» кривой к вертикальной оси симметрии при сохранении общей формы самой кривой, а при уменьшении b форма кривой меняется от трапецеидальной, через треугольную (при b=0,6; γ=1 и α=1) к пикообразной.

При обучении нечеткой системы ИВС формируют: множество четких сигналов (событий или условий); множество функций принадлежности с ненулевыми параметрами; множество возможных решений (результатов или выводов).

Обучение производят либо непосредственно (это функции принадлежности - ее параметры), либо косвенно (это правила - соответствия условий и выводов).

Причем, алгоритм обучения нечеткой системы ИВС имеет вид:

- формируют исходную базу знаний, в которой предварительно сформированным четким сигналам ставят в соответствие все возможные решения в нечетком множестве;

- последовательно направляют четкие сигналы в базу знаний БЗ 11, где их фазифицируют функцией принадлежности и сопоставляют с нечеткими выходными сигналами;

- вычисляют ошибку рассогласования с требуемыми (желаемыми) нечеткими выходными сигналами;

- изменяют параметры функции принадлежности с целью минимизации полученной ошибки рассогласования;

- осуществляют повтор программно-аппаратных операций в рамках данного алгоритма, до достижения требуемой (заранее определяемой) ошибки рассогласования.

За счет данного обучения формируется множество модифицированных параметров функции принадлежности и измененные соответствия четкого входа и нечеткого выхода.

2.1.2. В зависимости от решаемой задачи, наряду с нечеткими системами ИВС возможно и эффективно использование следующих классов известных нейронных сетей.

Для восстановления характеристик исследуемой функции и ее классификации наиболее перспективны, как известно, следующие нейронные сети: нейронные сети прямого распространения сигналов типа многослойный персептрон, радиально-базисные нейронные сети, рекуррентные нейронные сети.

Для решения задач ассоциативного поиска информации об исследуемой функции наиболее перспективны следующие известные нейронные сети: нейронные сети с обратной связью, двунаправленная ассоциативная память.

Для решения задач кластеризации входных сигналов об исследуемых функциях наиболее перспективны следующие известные нейронные сети: нейронные сети встречного распространения, самоорганизующаяся карта признаков.

В качестве использования нейронных сетей ИВС в примере конкретного исполнения заявляемого способа раскрыты только нейронные сети типа персептрон, как достаточно характерные.

Необходимые общепринятые обозначения: q - индекс элемента y_q j-го вектора выходных сигналов нейронной сети типа персептрон Y_j={y_q}_j, (q=1, 2, …, Q), соответствующего индексу размерности исследуемой функции; Q - число элементов y_q вектора Y_j, определяющего размерность исследуемой функции; w_jq - весовые коэффициенты матриц связей нейронной сети W={w_jg}; - индекс используемой данной нейронной сети (=1, 2, …, L); L - число используемых нейронных сетей.

Целью обучения нейронной сети, и в частности, типа персептрон является настройка сетью весовых коэффициентов w_jq своей матрицы связей W между входным X_j и выходным Y_j векторами сигналов нейронной сети для решаемой задачи, определяемой множеством всех возможных комбинаций вектора идентификационных меток P_j.

Это достигается регулировкой известным путем характеристик используемой архитектуры данной нейронной сети: алгоритма обучения сигналов; алгоритма обработки сигналов; числа слоев нейронной сети; числа нейронов в каждом слое нейронной сети (причем, в связи с этим, сигналы нейронные сети с одинаковыми названиями настолько сильно различаются между собой по возможностям, что каждую из них, с точки зрения вычислительной программы, необходимо принимать за отдельную нейронную сеть).

Обучение с учителем нейронных сетей типа персептрон состоит из следующих трех этапов.

Этап 1. Производят формирование обучающих учебников, которое включает:

- Формирование обучающих пар. Учитель, в качестве которого может быть эксперт или программа, ставит в соответствие каждому входному вектору сигналов X_j выходной вектор Y_j, с малыми смещениями сигналов в определенном динамическом диапазоне и отношении сигнал/шум.

- Формирование обучающих страниц. Величины всех элементов входного вектора сигналов X_j смещают на определенные значения, соответствующие диапазону гладкости исследуемой функции, и процесс «Формирование обучающих пар» повторяют вновь для всего диапазона смещения.

- Изменяют характер восстанавливаемой функции (ее природу и степень стационарности), после чего процессы «Формирование обучающих пар» и «Формирование обучающих страниц» повторяют вновь. Обучающий учебник сформирован.

Этап 2. Производят обучение, которое включает:

- последовательное предъявление нейронной сети типа персептрон с заблаговременно созданной архитектурой всех обучающих пар всех страниц всех учебников;

- контроль качества обучения и быстроты сходимости решения к одному из устойчивых состояний;

- контрастирование элементов данной нейронной сети и настройка ее регулируемых параметров.

Этап 3. Производят тестирование, которое включает:

- формирование нескольких тестирующих учебников с несколькими страницами ограниченного числа тестирующих пар, ограниченных множеством обучающих пар, но не совпадающих с его значениями;

- последовательное предъявление нейронной сети типа персептрон с настроенной архитектурой всех пар тестирующих учебников;

- контроль качества тестирования и быстроты сходимости решения к одному из устойчивых состояний;

При необходимости проведения дополнительных настроек данной нейронной сети в случае неудовлетворительных результатов тестирования возвращаются к операции «контрастирование элементов нейронной сети», предыдущего второго этапа обучения и затем повторяют последние две операции данного третьего этапа.

После обучения нейронной сети типа персептрон любой входной вектор X_j, принадлежащий множеству обучающих пар, но не совпадающий с его значениями, будет соответствовать выходному вектору Y_j однозначно, т.е. исследуемая функция будет восстановлена. Таким образом, обученные нейронные сети типа персептрон готовы для обработки сигналов. На этом процесс обучения нейронных сетей ИВС заканчивают. По завершению процесса обучения ИВС в целом приступают к обучению интеллектуальных классификаторов ИК.

2.2. Обучение классификаторов ИК.

Необходимые общепринятые обозначения:

g - индекс элемента вектора параметров качества работы ИВС

(g=1, 2, …, G), соответствующего j-му вектору выходных сигналов Y_j;

G - число элементов вектора F_j;

r - индекс классификатора C_r (r=1, 2, …, R);

G - число классификаторов C_r.

После завершения изложенного процесса обучения интеллектуальных элементов ИВС в ИК 6 производят настройку в каждом классификаторе следующих регулируемых параметров где: - правило, состоящее из условия и действия; S_r - сила, показывающая текущую полезность данного классификатора C_r, spec_r - специфичность, характеризующая степень конкретизации используемого правила классификатора C_r.

В связи с тем, что для обеспечения действий, требуемых к исполнению ИК 6, используются системы искусственного интеллекта, обладающие степенью неопределенности результатов, от них получают дополнительные сведения об элементах вектора выходных параметров ИВС для j-ого вектора обрабатываемых сигналов F_j={t, n, ρ, σ}_j, где:

t - время обработки сигналов;

n - количество итераций, затраченных на обработку сигналов;

ρ - функция корреляции между получаемыми Y_j и требуемыми выходными векторами;

σ - дисперсия между получаемыми Y_j и требуемыми выходными векторами.

Алгоритм обучения ИК включает следующие программно-аппаратные операции:

Выполняют прием входных сигналов, при этом, целесообразно, когда в частном случае вектор идентификационных меток P_j из массива сигналов A_j направляют на выбор рабочего режима и преобразуют в форму вектора идентификационных меток Р и направляют как входной сигнал обучения ПК.

Выполняют сравнение классификаторов. При этом, в частном случае условные части A_cond всех классификаторов C_r сравнивают с вектором идентификационных меток P_j и, при их совпадении, соответствующие классификаторы условно выставляют на аукцион, с весами, пропорциональными их силе S_r и специфичности spec_r.

Выполняют выбор классификатора. При этом, в частном случае над условными частями A_cond классификаторов C_r выполняют последовательность процедур известного генетического алгоритма, включающую операторную «селекцию», «скрещивание» с произвольным кроссовером, «мутацию» элементов возбуждением с малой вероятностью, «эволюцию» с помощью инверсии, учет всех участвовавших классификаторов, причем при отсутствии участия условной части одного из классификаторов, операции сравнения классификаторов и выбора классификатора повторяют до выигрыша условной части A_cond одного из классификаторов.

Выполняют опробование классификатора в работе. При этом, в частном случае в соответствии с действием выигравшей условной части A_cond правила этого классификатора выбирают ИВС, требуемую действием выигравшей условной части A_cond, правила и обрабатывают на ней копии вектора сигналов X.

Выполняют сравнение результатов работы классификаторов. При этом, в частном случае рассчитывают указанные параметры качества работы t, n, ρ, σ каждой выбранной ИВС, и после их сравнения выделяют вектор параметров качества работы F={t, n, ρ, σ} с лучшими значениями, который направляют в классификаторы.

Выполнят индексацию классификаторов. При этом, в частном случае классификатор-победитель получает дополнительную силу пропорционально качеству результата работы и распределяет свою ставку участия между классификаторами, условные части которых участвовали в реализации генетического алгоритма и его формировании.

Выполняют формирование БЗ. В частном случае, при пополнении Базы Знаний в нее направляют последовательно строки соответствия, содержащие вектор идентификационных меток P_j вектор обрабатываемых сигналов (вектор параметров качества работы) F_j, классификатор C_r.

Причем данную последовательность операций формирования повторяют в отношении всех возможных типов массивов входной информации, до тех пор, пока вся система ИК не будет считаться обученной всем возможным типам массивов входной информации. На этом весь режим обучения как ИВС так и ПК заканчивают.

3. Режим обработки сигналов.

По окончанию процедуры обучения как ИВС так и ИК, посредством ГИП 12 задают режим процедуры обработки сигналов (автоматический нормальный или автоматический минимальный или ручной).

3.1. Так, при реализации процедуры обработки сигналов в автоматическом нормальном режиме, в БЗ 11, из массива, задаваемого при инсталляции комплекса, находят, посредством ИК 6, по меньшей мере две ИВС (7 и/или 8 и/или 9 и/или 10), соответствующих задачам обработки конкретного массива сигналов, после чего массив сигналов обрабатывают в них, при этом, как и в режиме обучения, рассчитывают параметры качества работы t и n, причем, обработанные сигналы возвращают в ИК 6 и выбирают результат от Интеллектуальных Вычислительных Систем с оптимальными результатами обработки.

3.2. При реализации процедуры обработки сигналов в автоматическом минимальном режиме, в БЗ 11 из массива, задаваемого при инсталляции комплекса, находят, посредством ИК 6, одну ИВС, с наибольшей вероятностью обрабатывающую конкретный тип массива сигналов, после чего посредством нее реализуют процедуру обработки сигналов, по окончании которой результат обработки возвращают в ИК 6.

3.3. При реализации процедуры обработки сигналов в ручном режиме, в БЗ из массива, задаваемого при инсталляции комплекса, пользователь сам выбирает, по меньшей мере две ИВС (поскольку технически каждая ИВС реально представляет, с учетом вариации их регулируемых параметров, целые классы интеллектуальных вычислительных систем, т.е. множество систем подобных друг другу, отличающихся некоторыми, но существенными параметрами, возможно, что для каждого конкретного случая использование ИВС нескольких разных классов может быть избыточным) и регулирует их параметры по своему усмотрению, после чего реализует их посредством процедуру обработки массива сигналов, в том числе пошагово, затем результат обработки возвращается в ИК 6.

Если в БЗ 11 нет записей для этого массива, то она автоматически переключается в режим обучения. После завершения обучения система вновь переключается в режим обработки сигналов и отрабатывает их в автоматическом минимальном режиме.

При этом, при любом способе обработки сигналы предоставляются ИК 6 в УВИ 4 и пользователю в ГИП 12 для визуализации, который выводит их в необходимом виде, выбираемом пользователем (таблица, график и т.д.), на одно или все устройства вывода (монитор, принтер и т.д., не показаны) по усмотрению пользователя. Причем, в ручном режиме пользователь должен выбрать еще и выходные сигналы, которые необходимо вывести на УВИ 4, т.к. ему будут предъявлены сигналы со всех выбранных ИВС, тогда как в нормальном и минимальном режимах выходные сигналы выводятся только с одной выбранной ИВС.

3.4. Заявляемый способ представлен с демонстрацией частного случая примера процедуры обработки сигналов с использованием нечетких систем. Процесс получения нечеткой системой четкого значения некоторой переменной на основе известных входных значений по правилам базы знаний состоит в выполнении следующих программно-аппаратных действий обработки:

1. Фазификация известных четких переменных (перевод в нечеткий формат).

Эта начальная программно-аппаратная операция заключается в сигнальном преобразовании множества входных сигналов в нечеткое множество. При этом производится вычисление степеней истинности известных четких переменных на основе их функции принадлежности. Сущность обработки состоит в программно-аппаратном преобразовании нечетких значений условий и выводов в количественную форму, при этом четкие величины преобразуются в нечеткие, описываемые лингвистическими переменными в базе знаний. За счет этой программно-аппаратной операции фазификации происходит переход в другое (новое) пространство, в котором далее производится обработка нечетких переменных с использованием логических операций.

2. Далее необходим нечеткий вывод на основе выбранного алгоритма.

Целью этой программно-аппаратной операции является вычисление итоговой функции принадлежности. Обработка нечетких переменных производится после постановки задачи в терминах правил по специальным известным алгоритмам. Алгоритмы нечеткого вывода различаются по видам используемых правил нечеткой импликации. Обычно используется или принцип минимакса в виде известного алгоритма Мамдани-Заде (в качестве нечеткой импликации используется известная операция взятия минимума), или известный алгоритм Ларсена (в качестве нечеткой импликации используется известная операция умножения), или известный алгоритм Цукамото (для монотонных функций принадлежности), или другие известные алгоритмы. При этом, нечеткие входные сигналы сигнально преобразуются в требуемые воздействия, которые также носят нечеткий характер, с помощью нечетких условных правил, заложенных в базе знаний.

3. Завершает обработку сигналов с использованием нечетких систем дефазификация нечетких величин.

Данная программно-аппаратная операция заключается в программно-аппаратном преобразовании полученной нечеткой величины в четкую величину. При этом используются обратные программно-аппаратные преобразования, переводящие ранее вычисленные нечеткие величины в исходное пространство четких числовых переменных. Полученные четкие величины используются для дальнейших действий исполнительных устройств (для управления объектом и др.).

По такой схеме, как известно, функционируют, по сути, все системы с нечеткой логикой: сначала показания измерительных приборов фазифицируются (переводятся в нечеткий формат), затем обрабатываются, дефазифицируются и в виде привычных сигналов подаются на исполнительные устройства. При этом, следует заметить, что, в общем случае, нечеткие системы способны применять множество нечетких правил. Поэтому для «состыковки» модуля вывода решения с дефазификатором применяется блок агрегирования равнозначных результатов импликации многих правил, реализуемый в виде известного логического сумматора.

Причем, в качестве информации для ИК 6, в процессе его дообучения, используют такие же, что и для Нечеткой Системы, векторы обрабатываемых сигналов F_j={t, n}_j (для j-ого вектора).

3.5. Заявляемый способ представлен также и с демонстрацией частного случая примера процедуры обработки сигналов с использованием нейронных сетей в автоматическом минимальном режиме.

Процедура обработки сигналов в этом случае включает программно-аппаратные операции:

Прием входных сигналов. При этом вектор идентификационных меток P_j из массива сигналов A_j направляется на выбор рабочего режима и преобразуются в форму вектора идентификационных меток.

Классификация. Вектор идентификационных меток Р с некоторой заданной погрешностью сравнивают с условными частями A_cond классификаторов в БЗ 11, при этом:

- при наличии нескольких близких выбирается классификатор с лучшим вектором параметров качества работы F;

- при отсутствии сопоставления вектор идентификационных меток направляется на дообучение классификаторов ИК 6;

- при наличии одного выбора реализуется указанное в правиле действие.

Реализация действия классификатора. В соответствии с действием выигравшей условной части правила A_cond этого классификатора выбирают нейронную сеть, требуемую действием данной выигравшей условной части правила, направляют вектор сигналов X на соответствующую матрицу связей нейронной сети и обрабатывают на этой сети копии вектора сигналов X.

Сравнение решений. При этом, рассчитывают параметры качества работы t_j и n_j нейронной сети и направляют вектор параметров качества работы сети F_j={t, n}_j в БЗ 11 для проверки его соответствия подобному вектору при классификаторе-победителе, причем, при положительном ответе на их сопоставимость выдают вектор выходных сигналов Y_j на УВИ 4, а при отрицательном исходе проверки реализуют процесс дообучения классификаторов ИК 6 к исходному вектору идентификационных меток P_j. На этом данную процедуру заканчивают.

Таким образом выполняют режим обработки сигналов.

При возникновении необходимости осуществляют процесс дообучения ИК. При этом, в исходном векторе идентификационных меток P_j в процессе потребного дообучения ИК часть его символов заменяют на символ отсутствия конкретизации «#», после чего, контрастированный таким образом вектор идентификационных меток направляют на множество классификаторов C_r, в котором (множестве) слабый классификатор с помощью инверсии заменяется на новый, после чего реализуют процедуру обучения классификаторов Интеллектуального Классификатора, отличающуюся в этом случае от вышеописанной тем, что при сравнении результатов работы классификаторов рассчитывают только два рабочих параметра качества t_j и n_j.

Таким образом осуществляют в целом заявляемый способ.

Источники информации

1. Шубников Е.И. Адаптивная нейронная сеть для распознавания образов // Оптика и спектроскопия. - Т. 76. - 5. - С. 785-789. - 1994

2. пат. РФ №2189078, Кл. G06N 3/067, 2002

1. Способ обработки сигналов, включающий снятие сигналов с измерительных датчиков и/или сетей, сигнальное преобразование сигналов в форму, обеспечивающую обработку в программно-аппаратном комплексе, включающем интеллектуальную вычислительную систему, предварительно прошедшую процедуру обучения, реализацию процесса обработки и вывод обработанной информации, отличающийся тем, что в процессе обработки сигналов используют программно-аппаратный комплекс, содержащий устройство сбора информации, устройство вывода обработанной информации, информационно-аналитический блок, реализованный в виде комплекса программно-аппаратных средств, включающих Интеллектуальный Классификатор, интеллектуальные вычислительные алгоритмы, по меньшей мере два, функционирующие в режиме Интеллектуальных Вычислительных Систем, и Базу Знаний, хранящую критерии выбора Интеллектуальной Вычислительной Системы, максимально эффективной для обработки конкретного массива сигналов, при этом формируют исходные векторы сигналов, для чего посредством устройства сбора информации снимают сигналы с соответствующих измерительных датчиков и сетей, преобразуют их в цифровую форму и поэлементно запоминают в кратковременной памяти процессора программно-аппаратного комплекса, далее их передают в Интеллектуальный Классификатор, при этом начало и конец потока, ограничивающие исходный вектор сигналов, после чего сигналы собирают в исходные векторы сигналов и осуществляют их программно-аппаратную идентификацию, для чего на промежуточном массиве Х₀ проводят комплекс вычислительных работ, в ходе которых определяют параметры, позволяющие присвоить исходным векторам сигналов соответствующие идентификационные метки их принадлежности, далее, по завершении процедуры программно-аппаратной идентификации, исходным векторам сигналов присваивают идентификационные метки в соответствии с выявленными характеристиками исследованных функций, отображаемых каждым из исходных векторов; затем реализуют процедуру создания рабочих массивов сигналов, для чего формируют, в соответствии с каждым сформированным в долговременной памяти базы знаний исходным вектором сигналов X_j, вектор идентификационных меток P_j={I, N, D, Е, X}_j, содержание которых аналогично содержанию идентификационных меток вектора сигналов X_j, с образованием рабочего массива сигналов A_j={X, Р}_j; при этом перед началом процедуры обработки сигналов адаптируют в ходе процедур обучения параметры Интеллектуальных Вычислительных Систем, используемых в составе комплекса, для чего настраивают их регулируемые параметры в соответствии с требованиями, предъявляемыми к выходной информации, так, чтобы любой входной вектор X_j, принадлежащий множеству обучающих пар, но не совпадающий с его значениями, соответствовал выходному вектору Y_j однозначно, а затем в отношении каждого из классификаторов Интеллектуального Классификатора реализуют процедуру обучения, состоящую из последовательности программно-аппаратных операций, включающей прием входных сигналов, сравнение классификаторов, выбор классификатора, опробование классификатора в работе, сравнение результатов работы классификаторов, индексацию классификаторов, пополнение Базы Знаний; причем эту последовательность программно-аппаратных операций повторяют в отношении всех возможных типов массивов входной информации; при этом по окончании процедуры обучения задают режим процедуры обработки сигналов, в зависимости от которого посредством Интеллектуального Классификатора в Базе Знаний находят одну или несколько Интеллектуальных Вычислительных Систем, посредством которых реализуют процесс обработки сигналов, после чего результат возвращают в Интеллектуальный Классификатор, посредством которого оценивают соответствие результата заданным параметрам качества работы, причем при положительном результате проверки процедуру обработки считают завершенной и производят вывод обработанной информации, а при отрицательном исходе проверки реализуют процедуру дообучения Интеллектуального Классификатора к исходному вектору идентификационных меток Р, после чего процедуру обработки сигналов повторяют до получения положительного результата проверки соответствия обработанной информации параметрам качества работы.

2. Способ по п. 1, отличающийся тем, что при программно-аппаратной идентификации исходных векторов сигналов вычисляют средние за время Т₁ значения каждого i-го элемента x_i формируемого первого вектора сигналов Х₁ и вычисляют дисперсии значений x_i этих элементов, а также отношения первых величин ко вторым и усреднение отношения сигнал/шум для всех сигналов вектора Х₁ и/или вычисляют максимальное x_max и минимальное x_min значения элементов вектора сигналов Х₁, после чего определяют динамический диапазон сигналов вектора Х₁ и/или вычисляют функцию взаимной корреляции значений всех элементов x_i и корреляционную функцию элементов x_i вектора Х₁ и/или определяют степень гладкости исследуемой функции и функцию распределения всех элементов x_i вектора X₁, далее повторяют аналогичный комплекс вычислительных работ для каждого j-го вектора сигналов, кроме того, после формирования за время T_j-1 каждого последующего за X_j-1 вектора сигналов X_j и проведения для него всех вычислений, упомянутого комплекса вычислительных работ, дополнительно рассчитывают прямое произведение функции распределения элементов каждого предыдущего вектора X_j-1 на единичный сдвиг по времени Δt, кроме того, по меньшей мере для пяти последовательных векторов сигналов X_j вычисляют нормированные кросс-корреляции функций одних и тех же элементов x_i для пар векторов сигналов X_j, разделенных интервалом времени T_j.

3. Способ по п. 1, отличающийся тем, что при настройке регулируемых параметров нейронных сетей изменяют весовые коэффициенты матриц связей нейронных сетей произвольной архитектуры, сформированной заранее, до процесса обучения, и позиционирующей каждую архитектуру нейронной сети как отдельную сеть со своим числом слоев, нейронов в слое, функцией активации и регулируемых параметров.

4. Способ по п. 1, отличающийся тем, что при настройке регулируемых параметров экспертных систем изменяют и добавляют знания и настройку механизма логического вывода посредством регулировки параметров конкретной реализации рассуждений.

5. Способ по п. 1, отличающийся тем, что при настройке регулируемых параметров нечетких систем регулируют параметры функции принадлежности или изменяют веса используемых правил и коэффициентов функции заключения.

6. Способ по п. 1, отличающийся тем, что при настройке регулируемых параметров систем на генетических алгоритмах изменяют параметры классификаторов сил и/или классификаторов специфичностей и/или классификаторов правил для цепочки активизировавшихся классификаторов системы.

7. Способ по п. 1, отличающийся тем, что перед началом обучения классификаторов Интеллектуального Классификатора в каждом из них настраивают комплекс регулируемых параметров C_r={A_cond: ИБС_l; S; spec}_r (где A_cond: ИБС_l - правило, состоящее из условия (A_cond) и действия, в отношении Интеллектуальной Вычислительной Системы (: ИБС_l); S_r - сила, показывающая текущую полезность данного классификатора C_r; spec_r - специфичность, характеризующая степень конкретизации используемого правила классификатора C_r), кроме того, от всех Интеллектуальных Вычислительных Систем получают дополнительные сведения об элементах вектора выходных параметров l-й Интеллектуальной Вычислительной Системы для j-го вектора обрабатываемых сигналов F_j={t, n, ρ, σ}_j, включающие время обработки сигналов (t); количество итераций, затраченных на обработку сигналов (n); функцию корреляции между получаемыми Y_j и требуемыми Y_j выходными векторами (ρ); дисперсию для них (σ).

8. Способ по п. 1, отличающийся тем, что в ходе обучения классификаторов Интеллектуального Классификатора, при приеме входных сигналов, вектор идентификационных меток P_j из массива сигналов A_j преобразуют в форму вектора идентификационных меток.

9. Способ по п. 1, отличающийся тем, что в ходе обучения классификаторов Интеллектуального Классификатора, при их сравнении, условные части A_cond всех классификаторов C_r сравнивают с вектором идентификационных меток P_j и, при их совпадении, соответствующие классификаторы условно выставляют на аукцион со ставками, пропорциональными их силе S_r и специфичности spec_r.

10. Способ по п. 1, отличающийся тем, что в ходе обучения классификаторов Интеллектуального Классификатора, при выборе классификатора, над условными частями классификаторов C_r выполняют последовательность процедур генетического алгоритма, включающую селекцию с помощью одного из операторов селекции, скрещивание с произвольным кроссовером, мутацию элементов с малой вероятностью, эволюцию с помощью инверсионного колеса рулетки, уплату налогов всеми участвовавшими классификаторами, причем при отсутствии выигрыша условной части одного из классификаторов операции сравнения классификаторов и выбора классификатора повторяют до выигрыша условной части одного из классификаторов.

11. Способ по п. 1, отличающийся тем, что в ходе обучения классификаторов Интеллектуального Классификатора, при опробовании классификатора в работе, в соответствии с действием выигравшей условной части правила этого классификатора выбирают Интеллектуальную Вычислительную Систему, требуемую действием выигравшей условной части правила, и обрабатывают на ней копии вектора сигналов X.

12. Способ по п. 1, отличающийся тем, что в ходе обучения классификаторов Интеллектуального Классификатора, при сравнении результатов их работы, рассчитывают параметры качества работы t, n, ρ, σ каждой Интеллектуальной Вычислительной Системы и после их сравнения выделяют вектор параметров качества работы F={t, n, ρ, σ} с лучшими значениями, который направляют в классификаторы.

13. Способ по п. 1, отличающийся тем, что в ходе обучения классификаторов Интеллектуального Классификатора, при их индексации, классификатор-победитель получает дополнительную силу пропорционально качеству результата работы и распределяет свою ставку участия между классификаторами, условные части которых участвовали в реализации генетического алгоритма и его формировании.

14. Способ по п. 1, отличающийся тем, что в ходе обучения классификаторов Интеллектуального Классификатора, при пополнении Базы Знаний, в нее направляют строки соответствия, содержащие вектор идентификационных меток P_j, вектор параметров качества работы F_j, классификатор C_r.

15. Способ по п. 1, отличающийся тем, что процедуру обработки сигналов реализуют в автоматическом нормальном, или автоматическом минимальном, или ручном режимах.

16. Способ по пп. 15 и 1, отличающийся тем, что в процедуре обработки сигналов в автоматическом нормальном режиме, в Базе Знаний из массива, задаваемого при инсталляции комплекса, находят посредством Интеллектуального Классификатора по меньшей мере две Интеллектуальные Вычислительные Системы, соответствующие задачам обработки конкретного массива сигналов, после чего массив сигналов обрабатывают в них, при этом, как и в режиме обучения, рассчитывают параметры качества работы t и n, причем обработанные сигналы возвращают в Интеллектуальный Классификатор и выбирают результат от Интеллектуальных Вычислительных Систем с оптимальными результатами обработки.

17. Способ по пп. 15 и 1, отличающийся тем, что в процедуре обработки сигналов в автоматическом минимальном режиме, в Базе Знаний из массива, задаваемого при инсталляции комплекса, находят посредством Интеллектуального Классификатора одну Интеллектуальную Вычислительную Систему, с наибольшей вероятностью обрабатывающую конкретный тип массива сигналов, после чего посредством нее реализуют процедуру обработки сигналов, по окончании которой результат обработки возвращают в Интеллектуальный Классификатор.

18. Способ по пп. 15 и 1, отличающийся тем, что в процедуре обработки сигналов в ручном режиме, в Базе Знаний из массива, задаваемого при инсталляции комплекса, пользователь сам выбирает по меньшей мере две Интеллектуальные Вычислительные Системы и регулирует их параметры по своему усмотрению, после чего реализует их посредством процедуры обработки массива сигналов, в том числе пошагово, затем результат обработки возвращают в Интеллектуальный Классификатор.

19. Способ по п. 1, отличающийся тем, что в процедуре оценки соответствия результата обработки сигналов параметрам качества работы рассчитывают параметры качества работы t_j и n_j Интеллектуальной Вычислительной Системы, направляют вектор параметров качества работы F_j={t, n}_j в Базу Знаний для проверки его соответствия подобному вектору при классификаторе-победителе, причем при положительном ответе на их сопоставимость выдают вектор выходных сигналов Y_j на Устройство Вывода Информации, а при отрицательном исходе проверки реализуют процесс дообучения классификаторов Интеллектуального Классификатора к исходному вектору идентификационных меток P_j.

20. Способ по п. 1, отличающийся тем, что в процессе дообучения классификаторов Интеллектуального Классификатора в исходном векторе идентификационных меток P_j часть его символов заменяют на символ отсутствия конкретизации «#», после чего контрастированный таким образом вектор идентификационных меток направляют на множество классификаторов C_r, в котором слабый классификатор с помощью, например, инверсионного колеса рулетки заменяется на новый, после чего реализуют процедуру обучения классификаторов Интеллектуального Классификатора, отличающуюся от вышеописанной тем, что при сравнении результатов работы классификаторов рассчитывают только два рабочих параметра качества t_j и n_j.