Подход к построению модели по звуковому сигналу с использованием вейвлет-преобразования Текст научной статьи по специальности «Компьютерные и информационные науки»

ÏPOrPECÈBHI IHÔOPMAÔIÉHI TEXHOËOrIÏ

Agent Manager

Введите критерии отбора:

JnJüJ

¡Коммуникабельность, о6учаемосп|

Специализация: [программист

Профессиональные способности: |с++,Java,InterBase

Личные качества:

Результат отбора:

'Иванов Иван Иванович' - отдел 1 'Петров Петр Петрович'- отдел 2 'Сидоров Сидор Сидорович'- отдел 3

START EXIT

рования, аттестации и отбора персонала в рамках предприятия. Таким образом, применение технологий распределенного исскуственного интеллекта позволит повысить эффективность принимаемых решений по управлению кадрами.

Данная работа является начальным этапом исследования концепции единого информационного пространства организации. В дальнейшем планируется исследование методов интеграции информационных систем и разработка методики создания единого информационного пространства на основе мультиагентного подхода.

Рисунок 4 - Графический интерфес агента менеджера

Агент-менеджер декодирует ACL-сообщение, полученное от агента базы данных, и выводит декодированные данные пользователю через графический интерфейс.

ЗАКЛЮЧЕНИЕ

В работе проанализированы теоретические и практические особенности использования агентных технологий в компьютерных системах управления персоналом. Рассмотрена система управления персоналом как мультиагентная система, разработана модель агентной системы управления профильного отбора персонала на базе агентной архитектуры JADE, на основе модели разработан прототип программной системы, выполняющий функции профильного отбора персонала. Разработанный прототип обладает на сегодняшний день базовыми функциями профильного отбора персонала в рамках системы управления предприятием. Но в перспективе система позволит охватить все этапы тести-

ПЕРЕЧЕНЬ ССЫЛОК

1. Системы управления персоналом [Электронный ресурс] / О. Тютина - Электрон. журн. - Computerworld, № 18, M., 2000. - Режим доступа: http://www.osp.ru/ text/302/4672/ свободный. - Загл. с экрана.

2. Гаврилов Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. - СПб: Питер, 2000. - 384 с.

3. Келеберда И. Н., Лесная Н. С., Репка В. Б. Использование мультиагентного онтологического подхода к созданию распределенных систем дистанционного обучения // Educational Technology & Society. - 2004. -№ 7(2). - С. 6-11.

4. Bellifemine F., Caire G., Trucco T., Rimassa G. JADE Programmer's Guide. - 2005. - 52 c.

Надшшла 18.01.07

У poôomi розглянуто ocoôëueocmi агентних технологш i перспективи ïx витристання для poçpoÔKu npoгpамнuх систем. Заnponoнoванo агентний nidxid cmвopення kom-n'юmеpнux систем уnpавлiння nеpcoналoм. Poзглянуmа мoдель системи у^авлтня npoфiльнoгo вiдбopу mp-coналу.

In this work the special features of agent technologies and the prospects of it use for developed of program system were considered. The agent approach of computer system of Human Resource construction was proposed. The model of system of profile selection of the personnel was considered.

УДК 004.94

В. И. Дубровин, Ю. С. Афонин, Р. Н. Зинченко, С. С. Емельяненко,

Т. В. Манило

ПОДХОД К ПОСТРОЕНИЮ МОДЕЛИ ПО ЗВУКОВОМУ СИГНАЛУ С ИСПОЛЬЗОВАНИЕМ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ

Представлен подход к построению модели по звуко- ВВЕДЕНИЕ вому сигналу, являющийся комбинацией методов пакетного вейвлет-пРеобРазования для обработки звукового Построение моделей диагностирования различных сигнала и искусственной нейронной сети для оценки диаг-

' , , а объектов и процессов является актуальной задачей.

ностируемых параметров. Эффективность предложен- 1 J

ного подхода исследована на примере задачи диагностики Многие °бъекты в процессе своей раб°ты с°пр°в°жда-износа режущего инструмента. ются звуковым излучением, которое содержит инфор-

© Дубровин В. И., Афонин Ю. С., Зинченко Р. Н., Емельяненко С. С., Манило Т. В., 2007 112 ISSN 1607-3274 «Радюелектрошка. 1нформатика. Управлшня» № 1, 2007

В. И. Дубровин, Ю. С. Афонин, Р. Н. Зинченко, С. С. Емельяненко, Т. В. Манило: ПОДХОД К ПОСТРОЕНИЮ МОДЕЛИ ПО ЗВУКОВОМУ СИГНАЛУ С ИСПОЛЬЗОВАНИЕМ ВЕЙВЛЕТ-

мацию о текущем состоянии диагностируемого объекта или процесса.

Целью работы является рассмотрение и анализ подхода к построению модели по звуковому сигналу на примере задачи диагностики износа режущего инструмента (РИ).

1 ЭТАПЫ ПОСТРОЕНИЯ МОДЕЛИ

Построение модели по звуковому сигналу исследуемого процесса состоит из следующих основных этапов:

- обработка звукового сигнала и последующее получение информативных характеристик сигнала;

- установление взаимосвязи между отобранными характеристиками и диагностируемыми параметрами.

В качестве основного инструмента обработки звукового сигнала предлагается использовать вейвлет-пре-образование, а для определения взаимосвязи между результатами вейвлет-преобразования и диагностируемыми параметрами - искусственная нейронная сеть.

с й с й

Ли ^

а)

б)

Рисунок 1 - Схемы вейвлет-преобразования: а -БВП,б - ПВП

зуя аппроксимирующие коэффициенты предыдущего уровня [2]. Схема таких вычислений представлена на рис. 1, а.

В ПВП бинарное дерево разложения (рис. 1, б) «расщепляется» и для детализирующих коэффициентов любого уровня. Такое расщепление позволяет выделить как низкочастотные, так и высокочастотные составляющие сигнала.

й

а

й

с

с

с

2 БЫСТРОЕ И ПАКЕТНОЕ ВЕЙВЛЕТ-

ПРЕОБРАЗОВАНИЕ

Вейвлет-преобразование (ВП) является эффективным математическим аппаратом анализа нестационарного по своей природе звукового сигнала.

Построение базиса ВП состоит в использовании масштабного преобразования и смещений. Именно за счет изменения масштабов ВП способно выявить различия в характеристиках на разных шкалах, а путем сдвига проанализировать свойства сигнала в разных точках на всем изучаемом интервале [1]. Результатом ВП являются аппроксимирующие и детализирующие коэффициенты, которые в общем случае можно вычислить по формулам (1) и (2), соответственно.

к

№

£ 5(Ь)у| 0

Ь - 2] к

1 1 (Ь - 2}к

ли к = т= £ 5 (ь )ф| Ь—± к

(1)

(2)

где с}-,к, ¿¿,к - коэффициенты аппроксимации и детализации, ] - параметр масштаба, к - параметр сдвига, 5(Ь) - исходный сигнал, Ь - длина сигнала, у -вейвлет функция, ф - масштабирующая функция.

Модификациями ВП является быстрое вейвлет-пре-образование (БВП) и пакетное вейвлет-преобразование (ПВП).

При БВП выполняются быстрые итерационные вычисления, в результате которых коэффициенты аппроксимации и детализации могут быть найдены, исполь-

3 ОБРАБОТКА ЗВУКОВОГО СИГНАЛА

С ПОМОЩЬЮ ПВП

Обработка сигнала - процесс преобразования сигнала и оценивание его информативных характеристик.

Для анализа звукового сигнала выбрано ПВП, поскольку операция декомпозиции может применяться как к низкочастотной, так и высокочастотной компоненте разложения [3].

Рассмотрим звуковой сигнал процесса резания и его изменение при различной степени износа РИ (рис. 2).

Рисунок 2 - Изменение звукового сигнала с увеличением износа инструмента:

а - низкая степень износа, б - высокая степень износа

ПРОГРЕСИВН1 1НФОРМАЦ1ЙН1 ТЕХНОЛОГИ

Рисунок 3 - Вейвлет-коэффициенты ПВП звуковых сигналов при: а - низкой, б - высокой степени износа инструмента

На рис. 3 показаны результаты ПВП звуковых сигналов, представленных на рис. 2, соответственно.

На четвертом уровне разложения ПВП имеем 16 окон, в которых показаны декомпозированные результаты сигнала в частотных диапазонах.

Среднеквадратические значения (СКЗ) вейвлет-ко-эффициентов каждого окна СКЗ-1, СКЗ-2, ..., СКЗ-16 определяют энергетический уровень звукового сигнала в соответствующем частотном диапазоне.

В качестве информативных характеристик берутся СКЗ коэффициентов окон, наиболее чувствительных к износу. В данном случае такими являются СКЗ-2,

СКЗ-З, СКЗ-5, СКЗ-6, СКЗ-7, СКЗ-9. Для удобства представим их как х1, х2, ..., х6, соответственно.

4 ОЦЕНКА ИЗНОСА С ПОМОЩЬЮ

ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ

Для установления взаимосвязи между информативными характеристиками звукового сигнала и степенью износа РИ используется искусственная нейронная сеть (ИНС), поскольку ИНС позволяет аппроксимировать сложные зависимости [4].

Для построения модели была выбрана следующая структура нейронной сети: два слоя нейронов, в первом слое - 6 нейронов, на втором - 1 нейрон, сигмоид-ные функции активации для нейронов первого и второго слоя. Для обучения сети использовался метод Ле-венберга-Марквардта.

Для обучения ИНС на вход подавались значения информативных характеристик х1, х2, ..., х6, а на выход - степень износа РИ.

В результате обучения нейронной сети была получена модель представленная в таблице 1.

В результате тестирования полученной модели точность оценки износа инструмента составила 97,3 %.

ЗАКЛЮЧЕНИЕ

Рассмотренный подход к построению модели представляет собой комбинацию метода пакетного вейвлет-преобразования для обработки звукового сигнала и искусственной нейронной сети для оценки диагностируемых параметров.

Модель износа инструмента, построенная на основе рассмотренного подхода, показала высокую точность оценки степени износа режущего инструмента, из чего можно сделать вывод об эффективности предложенного подхода.

Перспективным является интеграция представленного метода в интерактивную систему диагностики и контроля износа инструмента.

Таблица 1 - Нейросетевая модель оценки износа режущего инструмента

Слой 1 2

№ нейрона в слое 1 2 3 4 5 6 1

Весовые коэффициенты 13.3759 -3.018 -5.2558 3.4364 -9.009 2.804 -7.4461

1.0645 0.92168 72.9234 -32.0328 133.1599 0.11889 -1.9372

0.054435 -0.00956 -24.4895 -4.1369 -15.2134 -0.03587 58.6086

0.066867 0.012423 -42.8313 1.7003 14.5045 0.019599 12.1296

-0.03743 0.29665 23.0538 -68.7071 -63.4904 -0.01181 -48.686

-0.01810 -0.04274 -1.8792 -0.50713 25.3585 -0.00397 -2.0132

Пороговые значения 433757 -4.9022 20.7449 -20.9038 21.848 6.0621 -2.6703

114

1607-3274 «Радюелектронжа. 1нформатика. Управлшня» № 1, 2007

I. О. Романенко, С. В. Алексеев, I. В. Рубан, С. А. Войтович, В. В. Калачова: ДИСТАНЦ1ЙНЕ НАВЧАННЯ В ОСВГТНЬОМУ ПРОЦЕС1 ЗБРОЙНИХ СИЛ УКРА1НИ

ПЕРЕЧЕНЬ ССЫЛОК

1. Новиков Л. В. Основы вейвлет-анализа сигналов. Учебное пособие. - СПб., МОДУС+, 1999. - 152с.

2. Переберин А. В. О систематизации вейвлет-преобразо-вания // Вычислительные методы и программирование. - 2001. - Том 2. - С. 15-40.

3. Jaideva C. Goswami, Andrew K. Chan. Fundamentals of wavelets. Theory, algorithms and applications. - Wiley Interscience, 1999. - 324 p.

4. Круглов В. В., Али М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети: Учеб. пособие. -М.: Физматлит, 2001. - 224 с.

Надшшла 22.01.07

Представлений nidxid до побудови модел1 по звуковому сигналу, який являе собою комбiнацiю методiв пакетного вейвлет-перетворення для обробки звукового сигналу та штучног нейронног мережi для оцтки nараметрiв, що дiагностуються. Ефективтсть запропонованого тдходу дослiджена на nрикладi задачi дiагностики зносу рiжу-чого тструмента.

A way of model definition by acoustic signal is presented, which is the combination of wavelet packet transform for acoustic signal processing and artificial neural network for diagnostic parameter estimation. The effectiveness of proposed approach for the task of tool wear diagnostics is investigated.

УДК 001:002

i. О. Романенко, С. В. Алексеев, i. В. Рубан, С. А. Войтович, В. В. Калачова

ДИСТАНЦ1ЙНЕ НАВЧАННЯ В OCBITHbOMV ПР0ЦЕС1 ЗБРОЙНИХ СИЛ VKPA'1'НИ

На основi аналiзу структури iснуючо'i системи дис-танцшного навчання (СДН) Miнiстерства освiти i науки Украгни та положень КонцепцИ створення системи дистанцшного навчання у Збройних Силах Украгни запро-поновано варiант загальног структури ттегрованоЧ СДН Miнiстерства освiти i науки та Miнiстерства оборони Украгни.

ВСТУП

Глобальна шформатизащя, що вщбуваеться у сучас-ному св1товому сустльств1, розвиток телекомуш-кацшних технологш та засоб1в обчислювально! техшки зумовлюють суттев1 змши форм осв1тнього процесу у всьому свт. При цьому зростае роль професшно! та безперервно! осв1ти без вщриву вщ професшно! д1яль-ност1, що сприяе розвитку та впровадженню дис-танцшних форм навчання [1-5].

Актуальшсть досл1дження. Впровадження дистанцшного навчання у процес тдготовки та перетдго-товки вшськових фах1вщв Збройних Сил Укра!ни (ЗСУ) зумовлено низкою причин:

- штенсившсть розвитку в1йськових наук потребуе постшного вдосконалення профес1йних знань та нави-чок в1йськовослужбовц1в;

- сучасне озброення та в1йськова техн1ка базуються на використанш нов1тн1х електронних та комп'ютер-них технолог1й;

- перехщ ЗСУ до профес1йно'1' армГ! на контрактнш основ1 потребуе як1сно! та гнучко! системи п1дготовки висококвал1ф1кованих кадр1в;

- т1льки технологГ! дистанц1йного навчання спро-можн1 забезпечити своечасне корегування зм1сту навчання в1йськових фах1вщв за рахунок високо'1' швид-кост1 оновлення знань в 1нформац1йно-осв1тньому се-редовищ1;

- висока економ1чна ефектившсть дистанц1йного навчання.

Одн1ею з1 складових впровадження дистанц1йного навчання у ЗСУ е створення сучасного шформацшно-осв1тнього середовища для п1дготовки, перетдготовки й п1двищення квал1ф1кацИ в1йськових фах1вщв та на-дання в1йськовослужбовцям, незалежно вщ м1сця про-ходження служби, р1вних умов доступу до освишх ре-сурс1в на баз1 використання нов1тшх 1нформац1йних технолог1й та телекомушкацшних мереж М1н1стерства оборони (МО) Укра'ни, а також телекомун1кац1йно! науково-осв1тньо! мереж1 установ М1н1стерства осв1ти 1 науки (МОН) Укра'ни з доступом до 1нтернет [4].

Дистанц1йна форма навчання в ЗСУ може бути за-стосована:

- при отриманш вшськово! осв1ти за вс1ма напрям-ками тдготовки;

- при перетдготовщ та тдвищенш квал1ф1кацИ фах1вц1в р1зних професшних напрям1в 1 р1вн1в квал1-ф1кацп;

- при вивченн1 окремих навчальних курс1в, як1 мо-жуть викликати 1нтерес до вдосконалення знань 1 вмшь у в1йськовослужбовц1в (д1лова укра'нська мова, 1но-земна мова, в1йськове право, менеджмент, економ1ка тощо);

© Романенко Г. О., Алексеев С. В., Рубан Г. В., Войтович С. А., Калачова В. В., 2007