CC BY
17
Литература
1. Коробкин Д.М., Фоменков С.А., Давыдова С.В. Поиск описаний физических эффектов в патентном массиве. Вестник компьютерных и информационных технологий. 2016. № 5 (143). С. 3-11.
2. Фоменкова М.А., Коробкин Д.М., Фоменков С.А., Копасов А.Н. Семантический анализ текста для выявления описаний физических эффектов. Известия Волгоградского государственного технического университета. 2016. № 3 (182). С. 91-95.
3. Bagaev, D., 2007. Development of a system model of a technical object. In Systems engineering, No. 5.
4. "U.S. Patent Grant Data/XML v4.3, Documentation identifying the use of XML Tags and Content" www.uspto.gov/sites/default/files/products/Patent_Grant_XML_v4.3.pdf, 4 Dec. 2012.
5. IPC 2015.01 www.wipo.int/classifications/ipc/en/ ITsupport/Version20150101, 21 Mar. 2016.
6. Temperley В., 1999. An Introduction to the Link Grammar Parser. www.link.cs.cmu.edu/link/dict/introduction.html.
7. Levin B., 1993. English Verb Classes and Alternations: A Preliminary Investigation. University of Chicago Press.
8. Polovinkin A.I., 1988. Fundamentals of engineering creativity. Mashinostroenie Publ., Moscow (in Russian).
9. Fantoni, G., Apreda, R., Dell'Orletta, F., Monge, M., 2013. Automatic extraction of function behaviour-state information from patents. In Advanced Engineering Informatics, No. 27, pp. 317-334.
10.Коробкин Д.М., Фоменков С.А., Мармура А.С., Болдырев В.А. Методика предварительной обработки патентного массива для задач извлечения структурированных физических знаний. Известия Волгоградского государственного технического университета. 2016. № 3 (182). С. 40-47.
11. Коробкин Д.М., Колесников С.Г., Фоменков С.А. Методика извлечения практического применения физических эффектов из патентных документов // Информационные технологии в науке, образовании и управлении: Труды межд. конф. IT + S&E16. / под редакцией Е.Л. Гло-риозова. 2016. С. 92-100.
System of technical functions extraction from patent databases
Dmitriy Mihaylovich Korobkin, Candidate of Technical Sciences, Associate Professor, Volgograd State Technical University
Ekaterina Alexandrovna Tyulkina, Graduate student, Volgograd State Technical University
Sergey Alexeevich Fomenkov, Doctor of Science, Professor of the Department, Volgograd State Technical University
Sergey Grigor'evich Kolesnikov, Senior Researcher of the Department, Volgograd State Technical University
The paper presents the description of the formation process of information support the new technical solutions synthesis. The object of the research is a patent database. Subject of research: the possibility of obtaining new technical solutions based on the analysis ofpatent data. This research was supported by the Russian Fund of Basic Research (grants No. 15-07-09142 A, No. 16-07-00534).
Keywords: patent, context-sensitive grammar, parsing, link grammar, technical function.
УДК 539.124;519.23
ИНТЕЛЛЕКТУАЛЬНЫЕ МЕТОДЫ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В ПРОЦЕССАХ КОНТРОЛЯ И УПРАВЛЕНИЯ ПОТОКАМИ ИОНИЗИРУЮЩЕГО ИЗЛУЧЕНИЯ
Алексей Федорович Каперко, профессор, профессор, [email protected], Владимир Петрович Кулагин, профессор, руководитель лаборатории,
[email protected], Национальный исследовательский университет «Высшая школа экономики»,
http://www.hse.ru
Рассматривается использование в качестве интеллектуального метода контроля потоков ионизирующего излучения нейросетевой подход обработки выходной информации со спектрометра, построенного на алмазных детекторах. С помощью спектрометра анализируются 24 выходных сигнала, содержащих интегральные количественные характеристики потоков ионизирующего излучения. Обрабатывается информация о потоках электронов, протонов и тяжелых заряженных частиц в энергетическом диапазоне от 0 до 10000 МэВ. Предложен математический аппарат, позволяющий получать информацию о дифференцированных значениях плотностей потоков ионизирующего излучения в 21 энергетическом диапазоне. Модель преобразования информации в тракте регистрации спектрометра основывается на использовании алгоритма моделирования в программном пакете ОЕАЫТ4.
Ключевые слова: искусственная нейронная сеть, контроль, ионизирующее излучение, программный пакет ОЕАЫТ4.
Современные устройства контроля параметров потоков ионизирующего излучения разрабатываются для эксплуатации в критических условиях. Создание перспективных детекторов потоков ионизирующего излучения необходимо для применения в системах контроля технологических параметров и диагностики оборудования ядерных энергетических установок, а также для использования в спектрометрах космического применения.
Для обеспечения длительного функционирования аппаратуры при интенсивном радиационном воздействии, особенно таких факторов, как потоки тяжелых заряженных частиц, электронов и протонов обычно используются алмазные детекторы. В качестве обоснования выбора алмазных детекторов для регистрации ионизирующего излучения, а в особенности космического излучения, наиболее значимыми параметрами являются следующие:
- радиационная и химическая стойкость;
- высокая теплопроводность;
- широкая запрещенная зона - 5.5еУ, что обеспечивает низкие токи утечки и низкий уровень шума;
- высокая чувствительность, что определяет небольшие размеры и высокое разрешение детектора.
Для контроля потоков ионизирующего излучения предлагается использовать спектрометр с пятью алмазными детекторами [1]. При попадании ионизирующей частицы излучения в алмазный детектор в нем возникает электрический заряд Q, пропорциональный энергии Е, потерянной частицей в детекторе. Выходной сигнал каждого детектора усиливается с помощью отдельного зарядочувствительного усилителя, на выходе которого появляются импульсы напряжения с амплитудой, пропорциональной заряду, а, следовательно, энергии, переданной частицей детектору. Выходные сигналы зарядочувствительных усилителей с помощью аналого-цифрового преобразования сортируются по амплитудным уровням на несколько диапазонов. В цифровой схеме спектрометра потоки ионизирующего излучения регистрируются с помощью 24-х счетчиков частиц, сигналы от которых превысили соответствующие амплитудные уровни.
Перед каждым алмазным детектором установлен селективный фильтр в виде металлической пластины с заданной толщиной рис.1. (1 - модуль фильтров и алмазных датчиков; 2 - модуль усиления, формирования и первичной обработки информации; 3 - модуль управления и информационного интерфейса; 4 - фильтры; 5 - чувствительные элементы на основе алмазной пластины толщиной 0.3 мм; 6 - модуль питания).
Проходя через материал фильтра, ионизирующая частица теряет часть своей энергии, что приводит к смещению спектра поглощения энергии в алмазном детекторе. В результате, за время цикла измерения и контроля в 24 счетчиках частиц спектрометра фикси-
1 2 3
Рис. 1. Функциональная схема алмазного спектрометра
руются данные о количестве частиц ионизирующего излучения, прошедших через спектрометр из соответствующего энергетического диапазона.
Однако, информация о частицах ионизирующего излучения, содержащаяся в каждом счетчике, представляет собой суммарное значение потоков электронов, протонов и тяжелых заряженных частиц с различными энергиями. Для использования информации в системах управления потоками ионизирующего излучения необходимо по измерительным данным спектрометра получить раздельные значения потоков ионизирующего излучения по различным энергетическим диапазонам. Далее рассматриваются вопросы применения искусственной нейронной сети (ИНС) для обработки измерительных данных спектрометра потоков ионизирующего излучения на алмазных детекторах, что обеспечивает получение текущих значений плотностей потоков электронов, протонов и тяжелых заряженных частиц по 21 энергетическому диапазону. В результате, за время цикла измерения в 24 счетчиках частиц спектрометра фиксируются данные о количестве частиц соответствующего энергетического диапазона.
Важным этапом исследований является «обучение» нейронной сети, что в итоге позволяет ей с большой вероятностью правильно реагировать на новые, не предъявленные ей ранее данные. Для обучения нейронной сети необходимо сформировать базу данных, на основе которых может быть построена нейронная сеть прямого распространения, имеющая, как правило, большую степень уверенности. В ряде случаев используется обучение с помощью алгоритма обратного распространения, являющегося модификацией градиентного спуска, при котором определяется среднеквадратичная ошибка сети как разница между эталонным и выходным вектором.
Обучение искусственной нейронной сети предполагается выполнить следующим образом:
1. Выполнить расчет с помощью алгоритма моделирования в программном пакете ОБЛКТ4 [2] данных спектрометра по экспериментально зарегистрированным спектрам ионизирующего излучения с использованием модели преобразования информации.
2. Осуществить обучение искусственной нейронной сети по экспериментально зарегистрированным спектрам потоков ионизирующего излучения и рассчитанным в предыдущем пункте данным спектрометра.
Среди большого разнообразия современных нейросетевых подходов предлагается решать задачу на базе персептрона с одним скрытым слоем. Выбор этого нейросетевого подхода обосновывается следствием теоремы Колмогорова [3], утверждающего, что «с помощью персептрона с одним скрытым слоем можно аппроксимировать любую сколь угодно сложную функцию с любой наперед заданной точностью». Структура персеп-трона с одним скрытым слоем представлена на рис. 2.
Использование нейросетевой технологии обеспечивает не только достаточно адекватное отображение модели исследуемого процесса или явления, возможность нахождения закономерностей в большом потоке противоречивой информации, сохранение связей между важными факторами, но и, что не менее важно, высокую скорость обработки данных и малую ресурсоемкость вычислительного оборудования. Дополнительным преимуществом этого подхода в настоящем исследовании является возможность решения представленной задачи в едином вычислительном базисе [3].
Выбор прототипа нейросетевой модели обосновывается двумя факторами. Первый - требованиями качества выхода, а именно относительная погрешность формируемых показаний спектрометра не должна превышать 10%. Второй - простотой реализации, чем меньше слоев и нейронов в слоях, тем проще реализация, проще обучение и выше надёжность. Так как определение прототипа нейросетевой модели относится к этапу экспериментальных исследований, то эта процедура, а также процедура обучения нейросетевой модели и проверки на адекватность функционирования нейросетевой модели проводится для каждого экспериментального образца нейросетевой модели. Для обучения нейросетевой модели необходимо определиться с алгоритмом минимизации
функционала ошибки нейросетевой модели. В проведённых исследованиях использовался градиентный алгоритм наискорейшего спуска.
Рис. 2. Структура персептрона с одним скрытым слоем [4].
Для проведения экспериментальных исследований был разработан программный комплекс, позволяющий формировать и изменять конструктив нейросетевой модели, проводить ее обучение и тестирование, получать расчетные результаты и отображать их визуально и в виде таблиц. Интерфейс программного комплекса представлен на рис. 3, 4, 5.
оУ Нейронная сеть
Сеть График 41СШ входов
число скрыть« слоте
Р
1
параметр Функции активации
0.8
нейронов в скрытом слое
-
нейронов в выходном слое
Ы
Скорость обучения 0,6
Процент успеха обучения
Время обучения
Ошибка сети и ошибка обобщения
I- Тгам - Те51 |
100 120 Эпохи обучения
Рис.3. Интерфейс для формирования структуры нейросетвой модели и ее обучения.
Обучающая выборка измерительных данных потоков ионизирующего излучения делилась на две части: Р=800 примеров использовались для обучения нейронной сети (обучающие множество), 200 примеров - для тестирования (тестовое множество).
Примеры из обучающего множества равномерно перемешивались. Размерность входного сигнала N=24, размерность выходного сигнала К=21.
Первоначально количество нейронов в скрытом слое Н1 выбиралось равным 80. Но такое количество нейронов не позволило обучить нейросетевую модель до значения ошибки 8<0.1, т.е. с погрешностью менее 10%. Только увеличив количество нейронов в скрытом слое Н1 до 300, удалось добиться требуемой точности и то после 3000000 итераций обучения.
С использованием созданной нейросетевой модели было проведено моделирование преобразования информации о потоках ионизирующего излучения в тракте ре-
гистрации с измерением электронных потоков в диапазоне энергий от 0.1 до 5 МэВ и протонных потоков в диапазоне от 5 до 500 МэВ.
Показания желаемых спекторов сигналов КИ ( Э1 ) и соответствующего выхода
KtflMmii Отите«™ I
Показания желаемых спекторов сигналов КИ ( Э7 ) и соответствующего выхода
■
f î 1
л M fli i
■/ Í1 * Í 1 i
Í 1 ■ \ 1 \ f A II / /1 ia/,4 Uw, V i A Au J, J.W M.t-J ■ M.....
30
N5 наблюдения
Показания желаемых спекторов сигналов КИ { П9 ) и соответствующего выхода
|- + Мимшй ................|
r
r
ni I ! : f
î ¡il J i !
I tin ц /! '
A A M l\Af\ !
АлЛ) Ju l..*,......1 f v * J- —.—i—i—i—i—
Показания желаемых спекторов сигналов КИ ( Т20 ) и соответствующего выхода
1-4- ----- Srtt' ;»тГ"1
i
-Л
♦ ШЛ; t'.V .i'.V.^
\ k ! '
- my
ц ш
-4—
30
te наблюдении
Рис.4. Значения рассчитанных и полученных спектров сигналов ионизирующего излучения.
Гкстрограмма средних абсолютных ошибок по 21 выходу сети
14 -12 -
И
г
л
U А
г с
lililí
ILwflbw
9 10 11 Щ 13 Ы 1Ï п 17 16 19 В Выходы сети
Рис.5. Гистограммы средних абсолютных ошибок по выходам нейронной сети [4].
Полученные экспериментальные данные для всех пяти каналов регистрации потоков ионизирующего излучения спектрометра с учетом наличия ослабляющих фильтров в выбранных диапазонах энерговыделения позволили сформировать матрицу отклика спектрометра потокам ионизирующего излучения и использовать ее для восстановления данных о этих потоках.
В ходе выполнения данной работы были использованы интеллектуальные методы обработки информации в виде искусственной нейронной сети. Разработана нейросете-вая модель и показаны возможности восстановления дифференцированных спектров электронного, протонного излучения и излучения тяжелых заряженных частиц по показаниям спектрометра на алмазных детекторах в энергетическом диапазоне от 0 до 10000 МэВ и реализовано программное обеспечение для ее обучения и тестирования. Модель преобразования информации в тракте регистрации спектрометра основывается на использовании алгоритма моделирования в программном пакете GEANT4.
Литература
1. K.V. Zakharchenko, A.F. Kaperko, V.A. Kolyubin, V.P. Kulagin, S.A. L'vov, P.G. Nedosekin, E.N. Chumachenko. Spectrometric Diamond Detector of Fluxes of Ionizing Radiation for Space
Transportation Systems // Measurement Techniques. 2015. Vol. 58, №6. P. 713-718.
2. Geant4: A toolkit for the simulation of the passage of particles through matter [Офиц. сайт]. http://geant4.web.cern.ch/geant4/ (дата обращения 20.03.2017 г.).
3. Колмогоров А.Н., Фомин С.В. Элементы теории функций и функционального анализа. — М.: Финансы и Статистика, 1976.
4. Истратов А.Ю., Захарченко К.В., Каперко А.Ф., Колюбин В.А., Кулагин В.П., Курочкин Р.И. Применение нейросетевого подхода к измерениям потоков космического излучения // Измерительная техника. 2016. № 3. С. 49-54.
Intelligent methods and information technologies in the processes of control and management of ionizing radiation,
Alexey Fedorovich Kaperko, professor, professor, NRUHSE, Vladimir Petrovich Kulagin, professor, chief of laboratory NRU HSE,
Discusses the use as a smart method of controlling the flow of ionizing radiation neural network approach to processing the output from the spectrometer on diamond detectors. Using the spectrometer analyzes the output signal 24 containing the integral quantitative characteristics of the flow of ionizing radiation. Processed information about of electrons, protons and heavy charged particles in the energy range from 0 to 10000 MeV. The proposed mathematical model allows to obtain information about the values of differential fluxes of ionizing radiation in the energy range 21. Model conversion information in the registration section of the spectrometer is based on the use of simulation algorithm in the software GEANT4.
Keywords: artificial neural network, control, ionizing radiation, software GEANT4.
УДК 004.94+323.1
КОГНИТИВНАЯ МОДЕЛЬ УПРАВЛЕНИЯ МЕЖНАЦИОНАЛЬНЫМИ ОТНОШЕНИЯМИ
Валентина Афанасьевна Маренко, канд. техн. наук, доцент, старший научный сотрудник, e-mail: [email protected],
Институт математики им. С. Л. Соболева СО РАН, http://www.ofim.oscsbras.ru/?ref=about, г. Омск, Вадим Валерьевич Сагиров, аспирант, e-mail: [email protected], Омский технический университет, (ОмГТУ), http://www. omgtu.ru
Цель статьи - показать возможности когнитивной методологии для анализа межнациональных отношений. Реализация цели включает формирование проблемного поля из факторов, получаемых в ходе PEST и SWOT-анализа проблемы, создание когнитивной карты в виде взвешенного ориентированного графа, проведение вычислительного эксперимента и другие процедуры.
Ключевые слова: когнитивная карта, ориентированный граф, вычислительный эксперимент, лингвистическая переменная, когнитивный диссонанс, межэтническое взаимодействие, межнациональные отношения.
Работа выполнена при поддержке Программы фундаментальных научных исследований государственных академий наук на 2013-2020 годы, п. I. 5.1.7. Теоретические проблемы информационного обеспечения принятия решений.
Введение
Актуальность рассматриваемой темы обоснована сложными проблемами в сфере межнациональных отношений, которые возникают из-за обострения международных конфликтов, миграционных процессов и других нежелательных явлений. Цель статьи -показать возможности когнитивного моделирования для анализа проблем в сфере межнациональных отношений. Реализация цели предполагает проведение PEST и SWOT-анализа проблемы, формирование когнитивной карты в виде взвешенного ориентированного графа как когнитивной модели ситуации, согласование весов дуг, представленных экспертами с применением математической статистики, и проведение вычислительного эксперимента для разработки вариантов развития ситуаций на основе численных методов.
Российские и зарубежные учёные активно изучают различные аспекты межнациональных отношений. Колесин И.Д. предлагает математическую модель, за основу которой взят принцип синергизма и колебательный характер усилий двух групп в снижении напряжённости межгрупповых отношений [1]. В работе Кобяк О.В. сформирована статистическая модель, показывающая, что образованный человек с разносторонними интересами реже использует в повседневной жизни конфликтные факторы и своевременно старается предотвращать усиление напряжённости в межнациональных отношениях [2]. Канадский учёный Desbiens C. провел статистическое исследование влияния межкультурного диалога между некоренными и коренными народами и его позитивное
воздействие на развитие межнациональных отношений [3]. Немецкий исследователь Koopmans R. с применением математической статистики доказал, что страны со строгой миграционной политикой добиваются лучших результатов интеграции [4].
Построение когнитивной модели «межнациональные отношения». Для построения когнитивной модели «межнациональные отношения» нами применена когнитивная методология, этапы которой адаптированы к российской действительности в Институте проблем управления РАН. Целевой фактор нашего исследования - «межнациональные отношения» (1). «Партнёрство» (2), «ассимиляция» (3), «религиозный фанатизм» (4), «когнитивный диссонанс» (6) и «внешние условия» (5) определены, как управляющие факторы проблемы, полученные в ходе PEST и SWOT анализа. Формализация проблемного поля в виде когнитивной карты осуществляется взвешенным ориентированным графом G = <V, E>, где V -множество вершин, VisV, i = 1, 2,..., к; Е - множество дуг, ßj^E, i, j = 1, 2, ..., n. Направления и величины дуг определяются экспертными оценками. Их согласование проведено с применением математической статистики. Упрощённый вариант когнитивной карты представлен на рисунке 1.
Экспертный анализ выявил рассуждения, отражённые на когнитивной карте прямой или обратно пропорциональной зависимостями. Усиление «религиозного фанатизма» ослабляет процессы «ассимиляции» и «партнёрства». Улучшение «внешних условий» способствует процессу улучшения «межнациональных отношений» и т.д.
В ходе вычислительного эксперимента выявлены наиболее существенные факторы проблемы, а также прогноз её развития. Суть вычислений следующая. В вершины
Рис. 1. Когнитивная карта «Межнациональные отношения»
графа вносились возмущения и наблюдались распространения волн возмущений по различным путям в графе. Если в момент времени I в вершину поступало возмущение Ру £Р, то переход исследуемой системы из состояния I в 1+1 осуществлялся по правилу: + 1) = х^) + £у=1 /(хрху,е^у)ру(0, при известных начальных значениях. Для построения алгоритма вычислительного процесса использованы численные методы [5]. Визуализация численных значений факторов на нескольких шагах вычислений представлена на рисунках 2 и 3. Если на одну условную единицу усилить факторы «партнёрство», «ассимиляция», «религиозный фанатизм», а на две условные единицы факторы «внешние условия» и «когнитивный диссонанс», то целевой фактор «межнациональные отношения» (на графике пунктир) принимает значение меньше одной условной единицы.
межнац отношения 0 0!
партнерство 1 0!
ассимиляция 1 0!
религ фанатизм 1 0!
внешние условия 2,0
когнитивный диссонанс 2,0!
Рис. 2. Результаты вычислений при усилении факторов «партнерство» (2), «ассимиляция» (3), «религиозный фанатизм» (4), «внешние условия» (5) и «когнитивный диссонанс» (6)
При улучшении фактора «когнитивный диссонанс» (четыре условные единицы) целевой фактор улучшался (рис. 3).
1 межнац. отношения
2 партнерство
3 ассимиляция
4 реп и г фанатизм
3 внешние условия ® когнитивный диссонанс
О О 10!
'То] "То! ?с То]
Рис. 3. Результаты вычислений при улучшении фактора «когнитивный диссонанс» (6)
Полученные результаты согласуются со здравым смыслом: чем лучше психологическое самочувствие индивидов (балльное значение больше), тем лучше межнациональные отношения в многонациональном обществе.
Следующий этап исследования состоит в присвоении численных значений вершинам сформированного ориентированного графа, которые могут представляться лингвистическими переменными. Высокий «когнитивный диссонанс» индивидов не способствует формированию позитивных «межнациональных отношений». Он выражается в настроении, суждениях, поведении, характеризует состояние психологического дискомфорта, которое может возникнуть на религиозном фоне морального или эмоционального несоответствия между имеющимися знаниями индивида и получаемой информацией, например, при наблюдении незнакомых человеку традиций или обычаев других народов.
Лингвистическая переменная «когнитивный диссонанс». Для получения численных значений лингвистической переменной «когнитивный диссонанс» проведено анкетирование в студенческой среде городов Астана, Кокшетау и Омск. На рисунке 4 представлены модели когнитивного диссонанса студентов в виде нечетких множеств.
