Нейросетевые методы обработки телесигналов в системах диспетчерской централизации Текст научной статьи по специальности «Компьютерные и информационные науки»

интеллекта

6. Молчанов А.Ю. Алгоритм экстремального управления в системах автоматической оптимизации // Известия ТРТУ. Специальный выпуск. Таганрог. - 2004- №8.

7. Берштейн Л.С., Финаев В.И. Адаптивное управление с нечеткими стратегиями. Ростов-на-Дону.: Изд-во РГУ, 1993. -134 с.

8. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. -Рига: Зинатне, 1990.184с.

9. Финаев В.И., Молчанов А.Ю. Метод моделирования

самонастраивающихся систем управления // Известия ТРТУ. Специальный выпуск.-Таганрог:.-2004.-№8.

А.Е. Хатламаджиян, А.И. Долгий

НЕЙРОСЕТЕВЫЕ МЕТОДЫ ОБРАБОТКИ ТЕЛЕСИГНАЛОВ В СИСТЕМАХ ДИСПЕТЧЕРСКОЙ ЦЕНТРАЛИЗАЦИИ1

Современные системы диспетчерской централизации (ДЦ) являются высоко интегрированными технологическими комплексами и включают в себя в качестве важнейших подсистем подсистемы логического контроля, отвечающие за надежность функционирования аппаратуры сигнализации, централизации и блокировки, а следовательно, и за безопасность движения поездов. В основе существующих технологий обеспечения надежности и безопасности систем ДЦ лежат методы контроля, основанные на использовании традиционных автоматных моделей системы в виде логических уравнений-зависимостей. Однако на пути использования аналитических моделей для решения поставленных задач возникает ряд проблем, связанных со сложностью построения точных аналитических моделей контроля устройств СЦБ, чрезмерно большой размерностью задач логического контроля, недостоверностью информации, поступающей на вход системы и ее недостаточной информативностью для принятия контролирующих решений.

В решении указанных проблем могут помочь современные информационные технологии, наиболее характерным примером которых являются гибридные информационные технологии. В их основу положена идея использования для решения конкретных практических задач не одного какого-либо метода или модели, а объединения нескольких различных классов моделей, опирающихся на различные принципы представления и обработки информации.

Для автоматизации процессов логического контроля в составе систем ДЦ предложена гибридная продукционная модель вида [1]

3=< 0,ПЯ > ,

Работа выполнена при поддержке РФФИ (проект № 04-01-00277)

где Q - база данных, представляющая собой множество фактов вида «ПРИЗНАК = ОПИСАНИЕ»;

П - база продукционных правил вида «Если ПРИЗНАК = ОПИСАНИЕ, то СОСТОЯНИЕ ОБЪЕКТА КОНТРОЛЯ», включающая правила типа П1, П2 и П3;

R - решающий модуль, реализующий процедуры логического вывода в базе правил (генерации решений).

Продукционные правила типа П3 используются для поддержки процессов контроля при неполных либо частично недостоверных данных и опираются на нейросетевые методы обработки информации. В качестве предусловий правил используются модели обобщенных описаний, представленные в виде двухслойных ИНС - многослойных персептронов (МСП) [2], осуществляющих функции одношагового прогнозирования состояния динамической системы ui(t) на

основе информации о ее прошлых состояниях

Upast={u(t-l),u(t-2),...u(t - N)}:

NET (u(t))N : Upast ^ [0, l]2,

где u(t) - вектор состояния системы, элементы которого представляют логические значения сигналов ТС в момент времени t

(u j (t) /u j (t) e {0,1}).

Выбор в качестве прогнозирующей нейросети МСП обусловлен несколькими факторами:

1) МСП может формировать сколь угодно сложные границы принятия решения и реализовывать произвольные булевы функции [3];

2) МСП обладает возможностью настройки обобщающей способности при формировании архитектуры и обучении;

3) для МСП разработано множество эффективных алгоритмов

обучения.

Прогнозирующие нейросетевые модели основаны на способности нейронных сетей предсказывать временные ряды [4]. Так же, как и классификация образов, предсказание базируется на учете свойств прогнозируемого процесса.

Основное требование к прогнозируемому временному ряду - это определенная повторяемость каких-либо временных последовательностей. Телесигналы (ТС) в системах ДЦ удовлетворяют этому требованию, однако очевидно, что для достижения приемлемой точности предсказывания этого недостаточно. Для хорошего прогнозирования необходимо также учитывать динамические зависимости между определенными сигналами ТС. Выход в сложившейся ситуации заключается в построении прогнозирующей нейросетевой модели не для каждого сигнала ТС в отдельности, а для их совокупностей в рамках замкнутых динамических систем (в нашем случае речь идет о системе электрической централизации

интеллекта

[5]). В таком случае можно сформулировать задачу предсказания, как задачу прогноза состояния динамической системы ui(t) на основе информации о ее прошлых состояниях

upast = (ы1(г - 1),пг(г - 2),...,ы1(г-N)}.

Обучающая выборка для разработанной прогнозирующей нейросетевой модели формируется методом скользящего окна.

Для доказательства возможности применения нейросетей одношагового прогнозирования для формирования правил был создан и обучен МСП.

Обучающая выборка МСП получена с помощью метода «скользящего окна», а затем оптимизирована с помощью метода главных компонент с нижней границей удерживаемых компонентов, равной 0,001 и имеет размер 217 признаков. Количество нейронов скрытого слоя взято равным числу нейронов выходного, т.е. созданный МСП содержит 217 нейронов во входном слое и по 146 - в остальных.

Обучение МСП проводилось с помощью генетического алгоритма. График обучения представлен на рис. 1. Погрешность обучения составила

0,019.

Epochs

Рис. 1

Работа нейросети одношагового прогнозирования на примере одного сигнала ТС показана на рис. 2. На первом графике показан целевой сигнала ТС тестовой выборки, на втором - сигнал ТС, восстановленный МСП, на третьем-их сравнение.

Целевой сигнал ТС на тестовой выборке

0.5 - -

0 -

0 100 200 300 400 500 600 700 800 900 1000

Восстановленный сигнал ТС на тестовой выборке

0.5 - -

0 -

0 100 200 300 400 500 600 700 800 900 1000

Сравнение целевого и восстановленного сигналов ТС на тестовой выборке

”.;^лл___________________пл__________________п_ти

0 100 200 300 400 500 600 700 800 900 1000

Рис. 2

Как видно из последнего графика, целевой и восстановленный сигнал ТС практически полностью совпадают. Для остальных сигналов ТС получены аналогичные результаты.

Таким образом, можно сделать вывод об успешном завершении эксперимента и, как следствие, о возможности формирования правил для гибридной продукционной модели на основе нейросетей одношагового прогнозирования.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Долгий И.Д. Хатламаджиян А.Е. Гибридные интеллектуальные технологии в системах железнодорожной автоматики и телемеханики // Перспективные информационные технологии и интеллектуальные системы.- Таганрог.- 2004.- № 3 (19).- С. 82-87.

2. Уоссерман Ф. Нейрокомпьютерная техника / Пер. на русский язык Ю. А. Зуев, В. А. Точенов. - М.: Мир, 1992. - 118с.

3. M. Mrnnsky and S. Papert, "Perceptrons: An Introduction to Computational Geometry", MIT Press, Cambridge, Mass., 1969.

4. Osowski S., Siwek K. Selforganizing neural networks for short term load forecasting in power system // Engineering Applications of Neural Networks (EANN), Gibraltar, 1998. - Pp. 1583-1596.

5. Казаков А.А., Бубнов В.Д., Казаков Е.А. Станционные устройства автоматики и телемеханики: Учебник для техникумов ж.-д. трансп.- М.: Транспорт, 1990.-431 с.

С.С.Макаров

НЕЧЕТКАЯ ФОРМАЛИЗАЦИЯ В ЗАДАЧАХ МЕНЕДЖМЕНТА