Краснопоясовський Анатолій Степанович. Інформаційний аналіз і синтез нечіткого регулятора системи керування, що навчається

brief description

Краснопоясовський Анатолій Степанович. Інформаційний аналіз і синтез нечіткого регулятора системи керування, що навчається : дис... д-ра техн. наук: 05.13.03 / Національний аерокосмічний ун-т ім. М.Є.Жуковського "Харківський авіаційний ін-т". - Х., 2005

Краснопоясовський А.С. Інформаційний аналіз і синтез нечіткого регулятора системи керування, що навчається. Рукопис.
Дисертація на здобуття наукового ступеня доктора технічних наук за спеціальністю 05.13.03 системи та процеси керування. Національний аерокосмічний університет ім. М. Є. Жуковського «Харківський авіаційний інститут», Харків, 2005.
Дисертаційне дослідження виконано з метою підвищення функціональної ефективності СК, що навчаються, в рамках запропонованого в роботі інформаційно-екстремального методу функціонально-статистичних випробувань (МФСВ), який ґрунтується на прямій оцінці інформаційної спроможності системи за умов апріорної невизначеності та обмеження випробувань. У рамках МФСВ синтезовано ієрархію категорійних моделей і відповідних алгоритмів автоматичної класифікації, що дозволяють оптимізувати просторово-часові параметри функціонування нечіткого регулятора СК, що навчається, з метою максимізації асимптотичної повної достовірності вирішального правила. Досліджено вплив просторово-часових параметрів на функціональну ефективність СК, що навчається, теоретично доведено та експериментально підтверджено в рамках МФСВ можливість цілеспрямованої трансформації в процесі навчання нечіткого розбиття простору ознак на класи розпізнавання в чітке розбиття та адаптації вхідного математичного опису нечіткого регулятора, що забезпечує побудову безпомилкового за навчальною вибіркою вирішального правила. Розроблено нові засоби інформаційної технології моделювання, оцінки функціональної ефективності та проектування нечітких регуляторів СК, що навчаються.

У дисертаційній роботі виконано теоретичне узагальнення і нове вирішення важливої науково-технічної проблеми підвищення ефективності машинного навчання шляхом створення теоретико-методологічних основ розроблення і дослідження методів оптимізації, моделювання, аналізу і проектування нечітких регуляторів СК. Створено і розвинуто новий науковий напрямок основ теорії високоефективного машинного навчання СК слабо формалізованими процесами, який ґрунтується на цілеспрямованій зміні в процесі навчання параметрів розподілу реалізацій образу в дискретному субпарацептуальному просторі ОР з метою трансформації нечіткого розбиття в чітке, що забезпечує побудову безпомилкового за навчальною матрицею вирішального правила.
Головні наукові та практичні результати роботи полягають у такому:

На основі системного аналізу визначено проблему дисертаційних досліджень: підвищення ефективності машинного навчання як сучасного напрямку розвитку системного моделювання, аналізу і синтезу СК. Показано, що через відсутність єдиного підходу в проектуванні таких систем виникає необхідність розробки теоретичних основ створення та дослідження методів оптимізації, моделювання, адаптації та проектування СК, що навчаються. Відзначено перспективність алгоритмів нечіткої класифікації, але їх моделі прийняття рішень не дозволяють цілеспрямовано здійснювати оптимізацію просторово-часових параметрів функціонування СК з метою максимізації функціональної ефективності навчання СК. Тому актуальною є задача розробки нових моделей і алгоритмів функціонування СК, що навчаються, які поєднують методи нечіткої класифікації та статистичного багатовимірного аналізу в рамках теоретико-інформаційного підходу.
Створено, досліджено і реалізовано новий метод вирішення проблеми підвищення функціональної ефективності машинного навчання СК слабоформалізованими системами і розроблено науково-методологічні основи оптимізації просторово-часових параметрів функціонування нечіткого регулятора у рамках запропонованого інфораційно-екстремального методу функціонально-статистичних випробувань МФСВ, який ґрунтується на прямій оцінці інформаційної спроможності системи за умов нечіткої компактності реалізацій образу й обмеження обсягу навчальної вибірки, що має місце в практичних задачах керування. МФСВ дозволяє вперше розв’язати основну задачу класифікаційного керування адаптувати вхідний математичний опис СК, що навчається, з метою побудови оптимального в інформаційному розумінні нечіткого регулятора, який при достатній глибині оптимізації його просторово-часових параметрів функціонування забезпечує безпомилкову класифікацію функціональних станів СК за нечіткою навчальною матрицею.
Запропоновано на рівні категорійно-функторного аналізу комплекс математичних моделей слабо формалізованих процесів автоматичної класифікації, самонастроювання та прогностичної класифікації СК, що навчаються, які дозволяють значно спростити синтез алгоритмів автоматичної класифікації, оскільки вони є максимально наближеними до їх схемних реалізацій.
Розроблено та досліджено у рамках МФСВ алгоритми навчання, які утворюють ієрархічні ітераційні процедури транзитивного замикання на динамічні відображення у контурах оптимізації відповідних просторово-часових параметрів функціонування нечіткого регулятора шляхом пошуку глобального максимуму інформаційного КФЕ навчання СК в робочій області визначення його функції. З цією метою розроблено процедури обчислення запропонованих робочих модифікацій статистичних інформаційних критеріїв у процесі відновлення контейнерів класів розпізнавання в радіальному базисі та досліджено їх ефективність, запропоновано узагальнений критерій ефективності навчання із урахуванням експлуатаційних витрат.
Вперше досліджено вплив фенотипних і генотипних параметрів функціонування нечіткого регулятора на функціональну ефективність навчання СК. Досліджено вплив на функціональну ефективність навчання системи контрольних допусків, яка безпосередньо впливає на розподіл реалізацій образу в дискретному субпарацептуальному просторі ОР, і збіжність алгоритмів оптимізації допусків. Запропоновано методику вибору нормованих допусків, які задають область визначення контрольних допусків за умови їх випадковості. Розроблено і досліджено алгоритми оптимізації рівнів селекції координат еталонних векторів класів розпізнавання і кроку квантування в часі реалізацій образу. Досліджено вплив потужності алфавіту класів розпізнавання на ТХ нечіткого регулятора і запропоновано метод їх корекції та встановлено зв’язок інформаційного КФЕ навчання із інтегральним показником надійності навчання - коефіцієнтом збереження функціональної ефективності навчання.
Вперше досліджено і реалізовано в рамках МФСВ задачі класифікаційного самонастроювання здатної навчатися СК шляхом максимізації іформаційної міри різноманітності функціональних станів системи та пошуку в процесі настроювання її глобального максимум в робочій області визначення функції та прогностичної класифікації, що дозволяє визначити момент перенавчання системи.
Доведено і експериментально підтверджено можливість побудови в рамках МФСВ безпомилкового за навчальною матрицею вирішального правила за умови нечіткої компактності реалізацій образу і мінімального обсягу репрезентативної навчальної вибірки, який більше ніж на порядок менший за обсяги навчальних вибірок , що використовуються в статистичних методах автоматичної класифікації.
Реалізований ієрархічний гібридний алгоритм навчання в рамках МФСВ із використанням запропонованого елітного генетичного алгоритму пошуку глобального максимуму КФЕ навчання СК дозволяє зменшити тривалість навчання (за результатами 50 прогонів алгоритму) для базового алгоритму навчання на 10%, для алгоритму паралельної оптимізації СКД на 20% і для алгоритму послідовної оптимізації СКД вдвічі.
Поставлено і розв’язано конкретні задачі проектування СК, що навчаються, в різних предметних областях:

фізичне моделювання автофокусування електронного мікроскопа за зображенням зразка , що досліджується;
фізичне моделювання здатної навчатися (самонавчатися) АСКТП виробництва складних мінеральних добрив;
фізичне та імітаційне моделювання розпізнавання контурних зображень;
фізичне та імітаційне моделювання задач розпізнавання стаціонарних і нестаціонарних зображень: спектрограм, електронограм, морфологічних зображень тканин при діагностуванні онкозахворювань;
фізичне та імітаційне моделювання таких важливих питаннь керування дистанційним навчанням, як фазифікація знань слухачів, так і підвищення достовірності машинної оцінки знань слухачів при тестовому опитуванні.
У сукупності одержані результати утворюють науково-теоретичний і інструментально-практичний базис методології проектування здатних навчатися СК, впровадження яких у різні галузі соціально-економічної сфери України в сучасних умовах є нагальною потребою