УДК 65.262.1 И.Л. БУКАТОВА, д-р физ.
реклама
УДК 65.262.1
И.Л. БУКАТОВА, д-р физ.-мат. наук, ИРЭ РАН (г. Москва)
ЦЕЛОСТНО-ЭВОЛЮЦИОННАЯ ИНТЕЛЛЕКТУАЛИЗАЦИЯ:
ФОРМИРОВАНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ МЕТАТЕХНОЛОГИЙ
Статья посвящена изучению процессов целостно-эволюционной интеллектуализации.
Установлены инструменты и условия их реализации, которые обеспечивают наиболее
эффективное решение актуальных задач социальных систем. Предложена методика
формирования интеллектуальной метатехнологии для поддержки принятия решений в банковской
деятельности.
Ключевые слова: целостно-эволюционная интеллектуализация, формирование интеллектуальной
метатехнологии, банковская деятельность.
Введение. В наших работах [1 – 6] рассмотрена проблема создания
интеллектуальных технологий (И-технологий) на основе целостноэволюционного подхода, являющихся эффективными средствами поддержки
процессов моделирования, анализа и принятия управленческих решений в
социальных системах. При этом проанализированы основные модели,
методики и метамодели теории целостно-эволюционной интеллектуализации,
которые описывают процессы формирования и использования знаний в
совокупности вложенных систем: "макросистема + (человек + И-технология) +
И-технология". Проведен анализ процессов целостно-эволюционной
интеллектуализации и иных, широко практикуемых, методов. В качестве
последних рассмотрены экспертные системы, средства имитационного и
аналитического моделирования, в том числе, OLAP-анализа и data mining,
нейросетевые, генетические и эволюционные средства моделирования,
прогноза и оптимизации, геоинформационные системы, ориентированные на
решение задач человеческой деятельности.
Нами
установлены
принципиальные
особенности
целостноэволюционной интеллектуализации при формировании И-технологий и
интегрированных знаний. При решении ряда практических задач социальных
систем [4 – 9] проведен анализ основных механизмов, обеспечивающих
эффективность когнитивно-продуктивных метатехнологий по сравнению с
традиционными интеллектуальными технологиями.
Показано, что при синтезе метатехнологий целостно-эволюционной
интеллектуализации осуществляется системная интеграция не только
информационных потоков, но и знаний, теоретико-аналитических моделей,
методик, процедур, механизмов обучения, адаптации, самоорганизации и
других интеллектуальных функций (И-функций) и средств. В результате
обеспечивается целостность процесса приобретения знаний в синтезируемой
интеллектуальной технологии как вложенной системе и, в конечном счете,
эффективность решения актуальных задач социальных систем.
3
Основные, концептуальные, компоненты теории и процессы целостноэволюционной интеллектуализации достаточно детально описаны в ряде
наших работ [1 – 4]. При конкретной реализации они создают целостноэволюционную среду (ЦЭ-среду), состоящую из:
– теоретико-методологической среды, включающей универсальную
методологию описания и анализа глобальных процессов в соответствии с
принципами целостно-эволюционного представления, базовые понятия,
модели когнитивных процессов, методики и метамодели, описывающие
целостный процесс приобретения знаний в социальной системе;
– технологической среды, включающей модели процессов системной
интеграции, модели и методики синтеза И-технологии как метатехнологии,
полученной путем интеграции когнитивной и продуктивной технологий.
Однако лишь конкретное использование средств ЦЭ-среды при
формировании и функционировании этих И-технологий даёт наиболее
конкретное представление о механизмах безусловной эффективности
целостно-эволюционной интеллектуализации.
С целью установления этих механизмов рассмотрим далее методику
формирования когнитивно-продуктивной метатехнологии, являющейся
интеллектуальным средством поддержки управленческих решений в
банковской деятельности.
При обсуждении используем систему основных понятий и моделей,
детально изложенную в работах [1 – 3, 5].
Методика, ориентированная на создание И-технологии как когнитивнопродуктивной метатехнологии, включает следующие основные этапы:
1. Выделяется совокупность совместно эволюционирующих вложенных
систем, соответствующих спектру задач банковской деятельности.
2.
Определяются
процессы
когнитивного
и
продуктивного
взаимодействия выделенных систем.
3. Конкретизируется выполнение базовых парадигм решения задач
банковской деятельности.
4. В составе базовых технологий конкретизируются модули,
обеспечивающие банковские процессы и решение задач банковской
деятельности.
5. Определяются различные условия интеграции базовых парадигм в
базовые когнитивную и продуктивную технологии.
6. Устанавливаются условия актуализации базовых технологий в
соответствии с конкретной проблемной ситуацией.
7. Базовые технологии интегрируются в эффективную когнитивнопродуктивную метатехнологию.
Определение состава базовых технологических средств. В данном
случае концепция интеллектуализации базируется на целостно-эволюционном
единстве (интеграции) следующих "вложенных" систем: "мировая
4
экономика + (экономика России + банковская деятельность) +
банковская деятельность или И-технология" и на сохранении целостного
процесса накопления знаний в этой совокупности. Используются целостноэволюционное представление банковской деятельности в совокупности
вложенных систем, описанное в работах [5, 6], базовые понятия когнитивноэволюционной теории [1 – 4], а также модели целостного процесса
приобретения знаний в выделенной совокупности вложенных когнитивных
каналов (К-каналов).
В первую очередь на этапе 1 методики в каждой вложенной системе
устанавливаются ее системообразующие факторы: функции, составляющие
собственную целостность каждой вложенной системы; функции в рамках
смежной системы более высокого уровня; цель от системы более высокого
уровня; диапазон параметров управления.
Затем конкретизируются параметрическое пространство, связывающее
вложенные системы, и когнитивные процессы (К-процессы), определенные на
этом пространстве.
В конечном счете, на данном этапе происходит конкретизация процессов
приобретения знаний и сопровождающей их информации по нескольким
направлениям:
– по целям и условиям банковских процессов и технологий;
– по задачам (подцелям) и функциям экономики России и банковской
системы;
– по требованиям и функциональным возможностям И-технологии.
Процесс взаимодействия К-каналов между мировой экономикой и
экономикой России + банковская деятельность, между экономикой
России + банковская деятельность и И-технологией осуществляется через
когнитивные и продуктивные воздействия.
Когнитивные и продуктивные воздействия происходят как между
вложенными системами, так и между элементами (технологическими
средствами и базой знаний) каждой вложенной системы. И, кроме того, как от
системы уровня выше, так и в обратном направлении.
На этапе 2 методики, таким образом, конкретизируют следующие
процессы:
1. Процесс взаимодействия технологических средств и базы знаний
К-канала по обратным когнитивным воздействиям – процесс когнитивного
взаимодействия. Фактически это процесс использования знаний, накопленных
в интегрированной базе знаний (ИБЗ) К-канала. Уточняются процедуры
формирования предысторий когнитивных знаний и данных, используемые
далее при реализации интеллектуальных функций (И-функций).
2. Процесс, происходящий во вложенной системе по обратным
продуктивным воздействиям – процесс продуктивного взаимодействия.
Фактически, в соответствующем канале это использование накопленных
знаний о технологических подсистемах и базах знаний в аспекте действий, то
5
есть изменения состава, операторов, процедур и т.п. компонент И-технологии.
Уточняются процедуры формирования предысторий продуктивных знаний,
используемые далее при реализации И-функций.
В результате устанавливается состав базовых технологических средств
и ИБЗ вложенных К-каналов, то есть:
1. Конкретизируется состав базовых модулей (средств) решения
конкретных задач банковской деятельности – И-технологии, опирающейся на
ИБЗ.
2. Конкретизируется состав средств, реализующих действия по
формированию технологической подсистемы и ИБЗ И-технологии,
проблемно-ориентированной на конкретные задачи банковской деятельности.
3. Конкретизируются (с учетом пп. 1 и 2) учитываемые характеристики
мировой экономики:
– по отношению к экономике России и банка (их действиям, их ИБЗ);
– по отношению к И-технологии (ее технологическим средствам, ее ИБЗ,
то есть учет динамики факторов мировой экономики);
– уточняется динамика ограничений экономики России (ее действий, ее
ИБЗ) и функций И-технологии (ее технологических средств, ее ИБЗ, то есть
учет динамики факторов экономики России).
ЦЭ-интеграция базовых технологических средств. На основе
выбранных выше технологических средств по схеме взаимосвязей вложенных
систем этапами 3 – 5 формируется конкретная конфигурация И-технологии
(организационная
структура),
то
есть
осуществляется
процесс
интеллектуальной интеграции или ЦЭ-интеграции [3 – 6].
С позиций целостно-эволюционного представления эффективная
И-технология должна быть согласована с процессами обмена информацией
между вложенными системами, поскольку лишь в этом случае обеспечивается
целостность процесса приобретения знаний в динамике и эволюции мета- и
макросистемы. Требуемая согласованность, как следует из работы [5],
достигается на основе многоуровневой интеграции технологических средств и
мониторинга проблемной ситуации.
Схема
многоуровневой
интеграции
технологических
средств
И-технологии включает следующие компоненты:
1. Интеграцию интеллектуальных функций (И-функций) (обучения,
адаптации, самоорганизации и др.) в совокупности вложенных систем,
определенных на этапе 1 методики.
2. Интеграцию методов, алгоритмов, процедур, ориентированных на
банковские процессы и реализацию парадигмы базовой когнитивной
технологии.
3. Интеграцию методов, алгоритмов, процедур, ориентированных на
банковские процессы и реализацию парадигмы базовой продуктивной
технологии.
6
Понятие "парадигма" употребляется здесь в общепринятом значении как
теория (или модель постановки проблем), принятая в качестве образца
решения актуальных задач. Парадигма когнитивной технологии как системы
взаимосвязанных методов, алгоритмов, процедур, ориентированных на
банковские
процессы,
включает
базовые
средства
когнитивного
взаимодействия, которые определены на этапе 2 методики. В число базовых
входят также средства формирования и анализа когнитивных структурстратегий, под которыми понимается зависимость эффективности Q(F)
И-технологии с фиксированной структурой от изменений фактора F,
характеризующего ее когнитивное взаимодействие с метасистемой.
Аналогичным образом базовые средства продуктивного взаимодействия,
определенные выше на этапе 2 методики, в рамках продуктивной технологии
дополняются средствами анализа и синтеза продуктивных структур-стратегий,
характеризующих продуктивное взаимодействие с метасистемой.
Необходимо отметить, что базовые когнитивные технологии являются,
фактически, средствами формирования метазнания (предысторий, например)
на основе знания, накопленного в ИБЗ, то есть включают процедуры
формирования, обновления, накопления и использования когнитивного
ресурса ИБЗ. В случае базовой продуктивной технологии процедуры
реализуют те или иные продуктивные действия, составляющие продуктивный
ресурс И-технологии, и, в свою очередь, являются наборами средств,
реализующих конкретные парадигмы его формирования, обновления,
накопления и использования.
В процессе многоуровневой интеграции конкретный состав средств
когнитивной и продуктивной базовых технологий доопределяется
процедурами, реализующими И-функции (коррекции, обучения, адаптации и
самоорганизации) в зависимости от текущей проблемной ситуации. Базовые
средства решения конкретной задачи банковской деятельности как бы
"погружаются" в условия реализации интеллектуальных функций, за счет чего
на последующих этапах происходит их ЦЭ-интеграция в рамках
И-технологии. Наборы средств когнитивной и продуктивной базовых
технологий, включающие процедуры доопределения по реализации
И-функций, и составляют собственно базовые парадигмы.
Таким образом, для когнитивной базовой технологии определяются
процедуры накопления, обновления и формирования знаний из ИБЗ,
ориентированные на базовые технологические средства, которыми
реализуются банковские процессы. Для продуктивной базовой технологии это
следующие базовые парадигмы: коррекции параметров базовых модулей,
замены модулей при наличии альтернатив, смены ансамбля наборов модулей
(технологии) и развитие технологии, расширяющее поле эффективного
взаимодействия вложенных систем. В результате выполнения данного этапа
методики окончательно определяется состав технологических средств
7
И-технологии, обеспечивающих реализацию базовых парадигм при ее
функционировании.
На этапе 4 происходит включение в базовые технологии программнореализованных банковских процедур, банковских технологий и традиционных
средств решения задач банковской деятельности. При этом они как бы
"погружаются" в определенную (целостно-эволюционную) инструментальную
среду.
Ещё одно направление интеллектуальной интеграции осуществляется на
этапе 5 методики в рамках любого вложенного К-канала, когда в соответствии
с текущей проблемной ситуацией реализуется сложная последовательность
выполнения И-функций, реализуемых в каждой вложенной системе и между
ними. В связи с этим в состав технологической среды включаются средства
мониторинга и средства поддержки последовательной реализации И-функций
по маршруту, соответствующему К-процессу.
В результате выполнения этапа 5 методики окончательно определяется
состав базовых технологических средств И-технологии с целью обеспечения
при функционировании И-технологии в режиме мониторинга процессов ЦЭинтеграции и ЦЭ-интеллектуализации.
Формирование
эффективной
когнитивно-продуктивной
метатехнологии. Состав базовой технологической среды И-технологии
фактически определяет пространство возможностей по формированию (на ее
основе)
эффективных
когнитивной
и
продуктивной
технологий,
ориентированных на эффективное выполнение К-процесса в соответствии с
текущей проблемной ситуацией. Собственно процесс формирования
эффективных технологий происходит по процедурам (режимам) актуализации
тех или иных базовых модулей подсистемы с последующим включением их в
базовую парадигму технологии, соответствующую текущей проблемной
ситуации.
При выполнении этапа 6 методики нами выделены три основных режима
актуализации И-технологии [5]:
1. Режим обучения – синтез когнитивной и продуктивной структурстратегий для заданного поля факторного взаимодействия вложенных систем.
2. Режим использования знаний – синтез продуктивной структурстратегии в реальных условиях функционирования на основе накопленных
знаний.
3. Режим самоорганизации – развитие знаний и синтез структурстратегии И-технологии в условиях реального функционирования и на основе
процессов обучения.
В результате обеспечивается процесс ЦЭ-интеллектуализации в
совокупности вложенных систем, который выполняет конкретный К-процесс
и передает результат-аттрактор в ИБЗ И-технологии. Именно при реализации
процесса ЦЭ-интеллектуализации в конкретной проблемной ситуации
8
решается задача банковской деятельности, а ее результат и аналитическая
информация о нем накапливаются в ИБЗ.
При выполнении этапа 7 методики для каждого режима актуализации (из
числа вышеперечисленных) в соответствии с проблемной ситуацией на основе
базовых технологий синтезируются технологии с эффективными структурстратегиями. При этом используются общепринятые процедуры и средства
оптимизации базовых технологий, а также средства графической
визуализации [см. 3 – 5], применяемые в целях интеграции их структурстратегий.
В
результате
синтезируется
когнитивно-продуктивная
метатехнология, эффективная в условиях текущей проблемной ситуации.
Выводы. Рассмотрение описанной выше методики позволяет установить
следующие особенности целостно-эволюционной интеллектуализации, а
также их механизмы, которые определяют её безусловную эффективность в
сравнении с другими методами интеллектуализации:
1. По схеме целостно-эволюционных представлений реализуется
целостно-эволюционная системная интеграция методологий, методов,
моделей, функций, ресурсов и средств интеллектуализации деятельности.
2. На основе многоуровневой (по совокупности вложенных К-каналов)
интеграции знаний и метазнаний формируются интегрированные базы данных
и знаний каждой из вложенных систем.
3. За счет адекватного учета динамики внутренних и внешних факторов
деятельности и эффективного преодоления проблемы информативной
неопределенности осуществляется эффективный мониторинг долгосрочного и
оперативного планирования.
4. Путем оснащения И-функциями по схеме целостно-эволюционной
системной
интеграции
обеспечивается
эффективная
автоматизация
моделирования, анализа, прогноза, принятия управленческих решений в
различных сферах социальной деятельности.
5. В соответствии со спектром выполняемых интеллектуальных функций
и К-процессов в составе интегрируемых моделей учитывается сложная
структура иерархии социальных процессов.
6. Совокупность вложенных систем как открытая система обеспечивает
эффективную работу как с аналитическими описаниями различного типа, так
и с дискретными моделями, включающими стохастические параметры.
7. С помощью ЦЭ-схем в моделях социальных процессов и технологий
интегрируется как количественная, так и качественная информация.
8. На основе спектра интеллектуальных функций и К-процессов
синтезируются аналитические и управляющие решения в условиях
недостатка, противоречивости и фрагментарности информации.
9. На основе внутреннего мониторинга свойств метатехнологии как
открытой системы и соответствующей структуры К-процессов и средств
метатехнологии в И-технологиях адекватным образом учитываются факторы
развития.
9
Отметим, что данные особенности И-технологий достигаются за счет
применения современной развитой системной методологии, которая сохраняет
целостный процесс познания-исследования, позволяет учитывать сложную
структуру объекта исследования, рассматривать развитие субъекта (в том
числе, его инструмента – технологии) и обеспечивает процессы интеграции
знаний как результата исследования.
Список литературы: 1. Букатова И.Л. Когнитивно-эволюционная теория интеллектуальных
технологий // В сб. Социальная информатика-2001 под ред. Б.А. Суслакова. – М.: РАЕН, МАИ,
2001. 2. Букатова И.Л. Теория целостно-эволюционной интеллектуализации как основа
эффективного решения задач социальных систем // Вестник НТУ "ХПИ". – Харьков: НТУ "ХПИ".
– 2007. – № 19. – С. 17–25. 3. Букатова И.Л., Макрусев В.В. Теория целостно-эволюционной
интеллектуализации социальных систем. – М.: МИГКУ, 2004. – 125 с. 4. Букатова И.Л.,
Макрусев В.В. Современные информационные технологии управления. – М.: РИО РТА, 2003. –
252 с. 5. Букатова И.Л., Рощупкин О.М. Интеллектуализация банковской деятельности: целостноэволюционный подход. – М.: Альянс, 2005. – 242 с. 6. Букатова И.Л., Рощупкин О.М. Проблема
интеллектуализации банковской деятельности: концептуальный анализ // Вестник НТУ "ХПИ". –
Харьков: НТУ "ХПИ". – 2003. – № 26. – С. 129–135. 7 Букатова И.Л., Рощупкин О.М. и др.
Интеллектуальная технология для управления структурами компании (маркетинг, производство,
продажи и сервис) // Вестник НТУ "ХПИ". – Харьков: НТУ "ХПИ". – 2002. – № 18. – С. 7–11.
8. Букатова И.Л., Рогожников Е.А. Целостно-эволюционная концепция информационной
системы, ориентированной на тематическую обработку данных дистанционного зондирования
Земли // Проблемы окружающей среды и природных ресурсов. – 2002. – № 4. – С. 31–43.
9. Букатова И.Л., Матвеев М.А. Целостно-эволюционный идентификатор нейронных сетей для
обработки изображений // Проблемы окружающей среды и природных ресурсов. Обзорная
информация. – 2004. – № 7. – С. 32–40.
УДК 65.262.1
Цілісно-еволюційна інтелектуалізація: формування інтелектуальних метатехнологій
/ Букатова И.Л. // Вісник НТУ "ХПІ". Тематичний випуск "Інформатика і моделювання". –
Харків: НТУ "ХПІ", 2008. – № 24. – С. 3 – 10.
Стаття присвячена вивченню процесів целосно-еволюційної інтелектуалізіції. Встановлені
інструменти та умови їх реалізації, які забезпечують найбільш ефективне рішення актуальних
задач соціальних систем. Предложена методика формування інтелектуальної метатехнології для
підтримки прийняття рішень в банківській діяльності. Бібліогр.: 9 назв.
Ключові слова: цілісно-еволюційна інтелектуалізація, формування інтелектуальної метатехнології, банківська діяльність.
UDK 621.316.7
Completely-evolutionary intellectualization: formation of intellectual metatechnologies
/ Bukatova I.L. // Herald of the National State University "KhPI". Subject issue: Information science and
modelling. – Kharkov: NSU "KhPI", 2008. – №. 24. – P. 3 – 10.
The article is dedicated to studying the processes of the integral evolutionary intellectualization.
The instruments and the conditions of their realization which provide the most effective solution of
hottest of social system’s issues were defined. The technique of formation of an intellectual
metatechnology for support of decision-making in bank activity is offered. Refs: 9 titles.
Key words: complete-evolutionary intellectualization, formation of an intellectual
metatechnology, bank activity.
Поступила в редакцию 10.04.2008
10
УДК 615.47:616-085
О.Н. ВЕЛИЧКО, канд. техн. наук, ХНУРЭ (г. Харьков),
С.А. КАРПЕНКО, ХНУРЭ (г. Харьков),
А.А. ПАЩЕНКО, ХНУРЭ (г. Харьков),
А.В. ПОПОВ, ХНУРЭ (г. Харьков)
МЕТОД ОБРАБОТКИ РЕОГРАММЫ ЛЕГКОГО С
ИСПОЛЬЗОВАНИЕМ ВЕЙВЛЕТ-ТЕХНОЛОГИИ
Проанализированы достоинства и недостатки метода обработки реограммы сегмента легкого на
вдохе и выдохе. Показаны преимущества вейвлетного анализа для исследования тонкой структуры
реограмм и предложен метод интерпретации результатов сегментарной реографии легких на базе
технологии дискретного вейвлетного анализа.
Ключевые слова: реограмма, вейвлетный анализ, сегментарная реография легких.
Постановка проблемы. При установлении патологии структурных
изменений легких наиболее достоверными являются рентгенографические
методы. В ходе лечения необходимо следить за динамикой развития
заболевания или эффективностью проводимой терапии. Опасность получения
пациентом высокой лучевой нагрузки делает невозможным частое
использование
рентгенографии.
Таким
образом,
задача
создания
альтернативных методов выявления структурных изменений легких является
актуальной.
Анализ литературы. Авторами [1 – 3] был предложен новый метод
исследования состояния системы кровоснабжения и дыхания сегментов
легких, основанный на сравнении реографических кривых на вдохе и выдохе.
Метод базируется на вычислении шести показателей (коэффициента
отношения амплитуд систол на вдохе и выдохе, коэффициента степени
близости, коэффициента корреляции, коэффициента отношения площадей под
кривыми, значения базового сопротивления и его переменной составляющей)
и построении в шестимерном пространстве признаков фигуры, для которой
вычисляются координаты центра тяжести. Были установлены числовые
границы для центра тяжести в норме и при некоторых патологиях (гематоракс,
пневмоторакс, разрыв легкого, отек легкого) [3]. Недостатком метода является
необходимость получения усредненных кривых на вдохе и выдохе по
нескольким циклам, что неминуемо приводит к частичной потере информации
и изменению тонкой структуры исходных сигналов.
Цель статьи – показать возможности вейвлетного анализа при
исследовании легочных патологий
методом сравнения реографических
кривых на вдохе и выдохе.
Особенности реограмм на разных фазах дыхания. Анализ
экспериментальных данных, полученных у нескольких групп больных для
11
разных сегментов легких показал, что невозможно выявить характерную
форму кривой для нормы и патологий. На рис. 1 приведены реограммы на
двух фазах дыхания в норме, полученные для здоровых сегментов разных
людей.
а
б
Рис. 1. Реограммы на разных фазах дыхания в норме
Кривые были получены с шагом дискретизации 0,01 с и включают в
спектр компоненты до 50 Гц, что соответствует требованиям, предъявляемым
к регистрации реограммы (по данным [4, 5] ширина спектра
импедансометрического сигнала у здоровых людей находится в диапазоне до
30 Гц, а при патологиях расширяется до 50 Гц).
Реализация данного метода предполагает применение технологии
контурного анализа при получении усредненных сигналов. Как показали
клинические испытания, точность данного метода при выявлении нарушений
легочных структур (гемоторакс, пневмоторакс, разрыв ткани легкого)
составляет в среднем 95% по сравнению с данными рентгенодиагностики. Но
усреднение реографического цикла неизбежно приводит к частичной потере,
видоизменению и подмене информации. Это связано с тем, что, во-первых, не
существует эталонных сигналов на вдохе и выдохе для нормы и патологий; вовторых, вероятны ошибки в интерпретации патологий или степени их тяжести,
что требует постоянного контроля за результатами диагностики со стороны
врача; в-третьих, исключает из анализа компоненты, которые могут иметь
закономерный характер и содержаться в скрытом виде в одном или нескольких
циклах; в-четвертых, ввиду сложной формы сигналов в ряде случаев
корректное выделение циклов подвергается сомнению, что оказывает влияние
на конечный результат (рис. 2). Поэтому, предлагается для анализа и
12
сравнения реограмм на разных фазах дыхания использовать технологию
вейвлетного преобразования.
Рис. 2. Реограмма на вдохе при отеке легкого
Выбор вейвлета для непрерывного вейвлетного преобразования
реограммы (НВП). Вейвлет-спектрограммы являются важнейшим продуктом
вейвлет анализа и дополнением к обычным спектрограммам на основе
оконного преобразования Фурье. Вейвлет-спектрограммы выделяют такие
особенности сигналов, которые незаметны на графиках сигналов и на Фурьеспектрограммах.
Наиболее распространенные вещественные базисы конструируются на
2
основе функции Гаусса ψ(t ) e t / 2 . Это обусловлено тем, что функция
Гаусса имеет наилучшие показатели локализации как во временной, так и в
частотных областях [6 – 8]. Гауссовы вейвлеты характеризуются тем, что
позволяют обеспечить высокую точность вейвлет-анализа для сигналов с
особенностями. К ним относят сигналы, отличающиеся непериодичностью,
сложной формой, наличием всплесков, изломов и т.д. Анализ таких сигналов
предпочтительнее проводить вейвлетами второго порядка и выше, что связано,
со спектральной характеристикой Фурье-образа вейвлета. Выбор материнского
вейвлета зависит от свойств конкретного сигнала, а именно его амплитудночастотных характеристик, в совокупности формирующих сложную форму
сигнала, а также определяется целями исследовательской задачи. Следует
также учитывать, что более гладкие вейвлеты создают более гладкую
аппроксимацию сигнала, и наоборот – "короткие" вейвлеты лучше
отслеживают пики аппроксимируемой функции. Учитывая вышесказанное,
для проведения частотного анализа реографического сигнала, будем
использовать вейвлет "мексиканская шляпа" ψ(t ) (1 t )e t
2
/2
.
Малая центральная частота вейвлета (рис. 3) ( f a 0,25 Гц) близка к
частоте реографического сигнала, а ширина Фурье-спектра базового вейвлета
позволяет различить колебания частоты, отличающиеся на 0,2 Гц даже в
области высоких частот. В области низких частот (большие масштабы)
ширина вейвлет-спектра сужается, повышая разрешение преобразования.
13
Обоснование
трехмерного
набора
спектра
временных
масштабов.
W S ( a, b)
поверхности
1
При
S (t )(
a
построении
t b
)dt
a
для
сигнала S(t) ( b – временной сдвиг) важным является выбор временных
масштабов. При использовании в качестве базовой вейвлетной функции
ортогонального вейвлета выбор множества масштабов {a} ограничен
фиксированным дискретным набором шкал [9]. Минимальный масштаб a0
должен быть выбран таким, чтобы эквивалентный этому масштабу Фурьепериод был порядка 2t . Оптимальный выбор величины a определяется в
первую очередь шириной Фурье-образа базисной вейвлетной функции | () |
(см. рис. 3). При выборе a большей, чем ширина | () | в Фурьепространстве, получим плохое разрешение вейвлетного преобразования по
масштабам: часть масштабов окажется исключенной из рассмотрения [10 –
12].
Рис. 3. -функция и Фурье-спектр вейвлета "мексиканская шляпа"
Корректное построение вейвлет-спектра (ВС) требует определения
параметров, входящих в состав преобразования: масштабного коэффициента a,
временного сдвига b, шага масштабного коэффициента Δa и максимального
масштаба M. Минимальный масштаб a0 = 0,02. Шаг масштабного
коэффициента не должен превышать ширину Фурье-спектра базового вейвлета
Δf = 0,2 Гц, поэтому Δa = 1/Δfa = 5. Число масштабов, используемых при
расчете спектра составит M log 2 (300 0.01 / 0.02 ) 5 2 , максимальное
значение масштаба amax 0.02 252 21 (рис. 4, а).
Применение для вычислений определенных выше параметров приводит к
потере информации в области низких частот (большие масштабы),
сопоставимых с частотой реограммы. Поэтому для дальнейших расчетов после
серии численных экспериментов были выбраны следующие параметры: a0 = 1,
Δa = 5, amax = 30 (рис. 4, б).
14
Сравнение спектров показывает, что изменение параметров обеспечивает
полное представление вейвлет-спектра для сигнала и позволяет определить
диапазоны частот для фильтрации помех в области высоких частот (малые
масштабы).
а
б
Рис. 4. ВС сигнала при amax 21 (а) и amax 30 (б)
Анализ реографического сигнала на основе дискретного вейвлетпреобразования. При НВП множество функций ab (t ) избыточно, поэтому
будем применять дискретное вейвлетное преобразование (ДВП) [10]:
1
(1)
a m , b k 2 m , ψ mk (t )
ψ 2 m t k ,
m
a
где m и k – целые числа.
Если число отсчетов сигнала составляет N 2 n0 , то максимальное
значение параметра масштаба m в (1) будет равно n0 1 . Наибольшее
значение для текущего m определяется как k 2 n0 m 1 . В частности, для
m 0 число сдвигов составит k 2 n0 1 N 1 . С каждым последующим
значением m (1, 2, …) вейвлет ψ mk (t ) расширяется в два раза, а число
сдвигов k уменьшается в два раза. Для максимального значения m mmax ,
равного n0 1 , k 0 , один вейвлет ψ mmax,0 (t ) покрывает весь интервал
сигнала [12].
Сигнал S(t) представляется в виде совокупности последовательных
приближений – грубой (аппроксимирующей)
Am (t ) и уточненной
(детализирующей) Dm (t ) составляющих:
m
S (t ) Am (t ) Dm (t ) ,
j 1
15
(2)
с последующим их уточнением итерационным методом. Каждый шаг
уточнения соответствует определенному масштабу a m (уровню m ) анализа
(декомпозиции) и синтеза (реконструкции ) сигнала.
Нами предлагается сравнивать реограммы на всем интервале измерений
без вычисления усредненного цикла на вдове и выдохе с помощью вычисления
ДВП и оценки детализирующих коэффициентов, отражающих особенности
тонкой структуры сигналов. В ходе численных экспериментов установлено,
что применительно к реографическим сигналам ошибка реконструкции
возрастает с увеличением порядка вейвлета и в значительной степени
определяется его характеристиками (вид функции, ширина, спектральная
плотность). В качестве базового дискретного вейвлета целесообразно
использовать вейвлет Добеши 5-го порядка, дающий минимальную ошибку
реконструкции сигнала. Численные эксперименты проводились по данным,
полученным в ходе клинических испытаний реографической системы [1 – 3].
Объем контрольной выборки составили сигналы, зарегистрированные у 30
человек с различными нарушениями функционального состояния легочных
структур (норма, гемоторакс, пневмоторакс, разрыв ткани легкого).
На рис. 5 выборочно представлены кривые, построенные по усредненным
значениям детализирующих коэффициентов d1, …, d5 для четырех кривых на
вдохе. Как видно из графика, наибольшую информационную нагрузку несут
коэффициенты 5-го уровня детализации. Поэтому, именно эти коэффициенты
предлагается использовать в качестве диагностических.
Рис. 5. Усредненные значения детализирующих коэффициентов
реографических кривых
Аналогичная картина прослеживается и для детализирующих
коэффициентов реограммы на выдохе. Использование детализирующих
коэффициентов 5-го уровня для кривых на вдохе и выдохе позволило получить
16
графическое представление пространственного расположения четырех
классов: норма, гемоторакс, пневмоторакс, разрыв ткани легкого (рис. 6).
Представление объектов таким способом позволяет формализовать
подход к оценке кривых и их сравнения и предложить ориентировочные
границы для коэффициентов (табл.).
Рис. 6. Положение объектов исследования в пространстве признаков,
детализирующих коэффициентов 5-го уровня для реографических сигналов на вдохе и
выдохе
Таблица
Ориентировочные границы коэффициентов d5
Диагностический
класс
Границы детализирующего
коэффициента d5 для
реограммы на вдохе
Границы
детализирующего
коэффициента d5 для
реограммы на выдохе
Норма
От – 0,0015 до 0
От – 0,0002 до – 0,0014
Гемоторакс
От – 0,0059 до – 0,0023
От – 0,00039 до 0,0003
Пневмоторакс
От – 0,0032 до 0,0035
От – 0,00015 до – 0,0002
Разрыв ткани легкого
От – 0,0005 до 0
От – 0,00032 до – 0,00003
Установленные границы являются предварительными и могут уточняться
по мере накопления экспериментального материала. Число диагностических
классов может быть расширенно. Дальнейшие разработки в данном
направлении могут быть направлены также на исследование данных,
отражающих различную степень тяжести той или иной патологии.
Выводы. Проанализированы достоинства и недостатки метода сравнения
реографических сигналов на разных фазах дыхания в многомерном
17
пространстве признаков и показана перпективность применения вейвлеттехнологии для сравнения реограмм на вдохе и выдохе. Предложен метод
обработки реографических кривых на разных фазах дыхательного цикла,
основанный на вычислении детализирующих коэффициентов дискретного
вейвлетного преобразования. Проведенные численные эксперименты
позволили выделить в качестве диагностических показателей детализирующие
коэффициенты 5-го уровня для кривых на вдохе и выдохе и установить их
граничные значения для нормы и патологий (гемоторакс, пневмоторакс,
разрыв легкого и отек).
Список литературы: 1. Линник С.Н., Мустецов Н.П., Величко О.Н., Дацок О.М. К вопросу
интерпретации импедансометрических исследований легких // Прикладная радиоэлектроника. –
2005. – Т. 4. – № 2 – С. 180–184. 2. Горб М.В., Линник С.Н., Середа А.В. Анализ возможностей
комплексной оценки состояния систем кровоснабжения и дыхания / 9-й міжнародний форум
"Радіоелектроніка і молодь в XXI ст.": Зб. матеріалів форуму. – Харків: ХНУРЕ, 2005. – С. 234.
3. Патент на корисну модель, № 25258 (UA). Спосіб сегментарного імпедансометричного
дослідження вентиляції та перфузії легенів / С.М. Лінник, О.М. Величко, 2007. 4. Торнуев Ю.В.
Электрический импеданс биологических тканей. – М.: ВЗПИИ, 1990. – 155 с. 5. Полищук В.И.,
Терехова Л.Г. Техника и методика реографии и реоплетизмографии. – М.: "Медицина", 1983. –
176 с. 6. Яковлев А.Н. Основы вейвлет-преобразования сигналов: Учебное пособие. – М.: Саймпресс, 2003. – 80 с. 7. Добеши И. Десять лекций по вейвлетам. – Ижевск: НИЦ "Регулярная и
хаотическая динамика", 2001. – 464 с. 8. Астафьева Н.М. Вейвлет-анализ: основы теории и
примеры применения // УФН. – 1996. – Т. 166. – № 11. – С. 1145–1170. 9. Левкович-Маслюк Л.И.
Дайджест вейвлет-анализа в двух формалах и 22 рисунках // Компьютерра. – 1998. – № 8 (236). –
С. 31–37. 10. Новиков И.Я., Стечкин С.Б. Основные конструкции всплесков // Фундаментальная и
прикладная математика. – 1997. – № 4. – С. 999–1028. 11. Переберин А.В. Построение изолиний с
автоматическим масштабированием // Вычислительные методы и программирование. – 2001. –
26 с. 12. Петухов А.П. Введение в теорию базисов всплесков. – СПб.: Изд-во СПбГТУ, 1999.
УДК 615.47:616-085
Метод обробки реограми легенів з використанням вейвлет-технології / Величко О.М.,
Карпенко С.О., Пащенко А.А., Попов О.В. // Вісник НТУ "ХПІ". Тематичний випуск
"Інформатика і моделювання". – Харків: НТУ "ХПІ", 2008. – № 24. – С. 11 – 18.
Проаналізовано достоїнства і недоліки методу обробки кривих сегментарної реографії
легенів на різних фазах дихального циклу. Показано переваги вейвлетного аналізу для
дослідження тонкої структури географічних кривих на вдосі та видосі. Запропоновано метод
інтерпретації результатів сегментарної реографії легенів на базі технології дискретного
вейвлетного аналізу. Іл.: 6. Табл.: 1. Бібліогр.: 12 назв.
Ключові слова: реограма, вейвлетний аналіз, сегментарная реографія легенів.
UDC 615.47:616-085
Method of delivery the rheogram of lungs, based on wavelet analysis / Velichko O.N.,
Karpenko S.A., Paschenko A.A. Popov A.V. // Herald of the National State University "KhPI". Subject
issue: Information science and modelling. – Kharkov: NSU "KhPI", 2008. – № 24. – P. 11 – 18.
Advantages and disadvantages of the method of delivery the rheogram of lungs for different
respiratory phases were analyzed. Wavelet analysis advantages for research of rheogram fine structure for
inspiration and expiration were revealed. The interpretation method of lung segment rheography results,
based on digital wavelet analysis was offered. Figs: 6. Tabl.: 1. Refs: 12 titles.
Key words: rheogama, wavelet analysis, box-type rheograph lungs.
Поступила в редакцию 20.04.2008
18
УДК 681.3.06
С.Ю. ГАВРИЛЕНКО, канд. техн. наук, НТУ "ХПИ",
П.А. ШИТЬКОВ, НТУ "ХПИ"
ИСПОЛЬЗОВАНИЕ ЯЗЫКА XML ДЛЯ ПРОМЕЖУТОЧНОГО
ПРЕДСТАВЛЕНИЯ ПРОГРАММЫ
Рассмотрены основные виды унифицированного промежуточного представления данных для
виртуальных машин, что дает возможность создания кроссплатформенных программных
продуктов. Предложен и обоснован способ реализации формата промежуточного представления
программной модели на основе языка XML.
Ключевые слова: промежуточное представление данных, кроссплатформенные программные
продукты, виртуальная машина, язык XML.
Постановка проблемы. Работоспособность любой програмы ограничена
рамками операционной системы, для которой она создается. Классические
архитектуры компиляторов не предполагают переноса платформ, мало того,
порой работоспособность программы нарушается при смене версии какоголибо её компонента. Основным толчком к созданию технологии, позволяющей
не привязываться к конкретной платформе, стало появление больших
вычислительных машин, вмещающих в себе несколько операционных систем.
Здесь возникали очевидные неудобства при подборе программного
обеспечения. Программы приходилось перекомпилировать под различные
платформы, а значит затрачивать значительное количество интеллектуальных
и материальных ресурсов. Поэтому на сегодняшний день доминирующей
идеей при построении компиляторов является отказ от привязки к конкретной
платформе [1].
Использование виртуальных машин в области исполнения программных
моделей открывает возможность создания кроссплатформенных программных
продуктов. Это достигается за счет компиляции исходного текста программы в
унифицированное промежуточное представление, которое и является
входными данными для виртуальной машины [2, 3].
Анализ литературы. Как показывает анализ существующих реализаций
промежуточного представление программ, наибольшее распространение
получило использование двоичного представления программ [4]. Самая
сильная сторона двоичного представления – отсутствие избыточности
полученного кода. Также бинарный формат обеспечивет защиту кода, так как
он зачастую не документирован, а без знания формата файла, данные из него
получить раньше было практически невозможно. Однако появление программ
декомпиляторов, которые производят обратное преобразование кода
программы в исходный код, лишили бинарный формат этого преимущества.
Необходимо отметить и значительные трудовые затраты на разработку
19
двоичного формата файла.
Байт-код или байткод (англ. byte-code), иногда также используется
термин псевдокод – машинно-независимый код низкого уровня, генерируемый
транслятором и исполняемый интерпретатором. Большинство инструкций
байт-кода эквивалентны одной или нескольким командам ассемблера.
Трансляция в байт-код занимает промежуточное положение между
компиляцией в машинный код и интерпретацией. Программа на байт-коде
обычно выполняется интерпретатором байт-кода. Преимущество байт-кода
заключается в его портируемости, т. е. один и тот же байт-код может
исполняться на разных платформах и архитектурах. То же самое
преимущество дают интерпретируемые языки. Однако, поскольку байт-код
обычно менее абстрактный, более компактный и более "компьютерный" чем
исходный код, эффективность байт-кода обычно выше, чем чистая
интерпретация исходного кода, предназначенного для правки человеком. По
этой причине многие современные интерпретируемые языки на самом деле
транслируют в байт-код и запускают интерпретатор байт-кода. К таким языкам
относятся Perl, PHP и Python. Программы на Java [5, 6] обычно передаются на
целевую машину в виде байт-кода, который перед исполнением транслируется
в машинный код "на лету" – с помощью JIT-компиляции. В стандарте
открытых загрузчиков Open Firmware фирмы Sun Microsystems байт код
представляют операторы языка Forth.
Промежуточный код, сгенерированный компилятором, представляется
также языком MSIL (Microsoft Intermediate Language), который разработан
фирмой Microsoft для платформы .NET Framework [7]. Код на MSIL
генерируют, в частности, все компиляторы для платформы .NET самой фирмы
Майкрософт, входящие в среду разработки Visual Studio (C#, Managed C++,
Visual Basic .NET, Visual J# .NET) [8, 9]. Язык MSIL по синтаксису и мнемонике
напоминает ассемблер. Его можно рассматривать как ассемблер виртуальной
машины .NET. В то же время язык MSIL содержит некоторые достаточно
высокоуровневые конструкции, повышающие его уровень по сравнению с
ассемблером для любой реально существующей машины, и писать код
непосредственно на MSIL легче, чем на ассемблере для реальных машин.
Поэтому его можно рассматривать как своеобразный "высокоуровневый
ассемблер". MSIL сохраняет достаточно много информации об именах,
использованных в исходной программе: имена классов, методов и
исключительных ситуаций сохраняются и могут быть извлечены при обратном
ассемблировании. Однако извлечь из MSIL сопровождаемые исходные тексты
вряд ли возможно, так как имена локальных переменных, констант и
параметров сохраняются отдельно, в файле .PDB и доступны только
разработчику для отладки.
Цель статьи. Разработка собственного
представления программной модели.
20
формата
промежуточного
В качестве собственного формата промежуточного представления
программы предложено применение очень распространенного формата для
представления данных – языка XML. За долгое время существования языка
XML он получил всеобщее признание и применяется практически в любой
программе, требующей сохранения каких-либо данных.
XML (англ. eXtensible Markup Language) – расширяемый язык разметки,
рекомендованный Консорциумом Всемирной паутины, является текстовым
форматом, предназначенным для хранения структурированных данных
(взамен существующих файлов баз данных), для обмена информацией между
программами, а также для создания на его основе более специализированных
языков разметки (например, XHTML), иногда называемых словарями. XML
является упрощённым подмножеством языка SGML. Язык XML обеспечивает
совместимость при передаче структурированных данных между разными
системами обработки информации, особенно при передаче таких данных через
Интернет. Словари, основанные на XML (например, RDF, RSS, MathML,
XHTML, SVG), сами по себе формально описаны, что позволяет программно
изменять и проверять документы на основе этих словарей, не зная их
семантики, то есть не зная смыслового значения элементов. Важной
особенностью XML также является применение так называемых пространств
имён (англ. namespace).
Проанализируем сильные и слабые стороны данного решения.
Достоинства.
1. XML – человеко-ориентированный формат, одновременно понятный и
человеку, и компьютеру. Как говорилось выше, защищать промежуточный код
путем усложнения представления данных не является тривиальной и дешевой
задачей, которая еще и не решает основной проблемы безопасности.
2. XML поддерживает Unicode. Это даст нам возможность без труда
интегрировать поддержку разноязычных имен переменных в программе.
3. В формате XML могут быть описаны основные структуры данных –
такие как записи, списки и деревья. Программу можно представлять в виде
дерева.
4. XML имеет строго определённый синтаксис и требования к анализу,
что позволяет ему оставаться простым, эффективным и непротиворечивым.
5. XML – формат, основанный на международных стандартах. Это дает
предпосылку, что наше предложение может стать новым стандартом решения
данной проблемы.
6. XML не зависит от платформы, так как является стандартом.
7. XML является подмножеством SGML (который используется с 1986
года). Уже накоплен большой опыт работы с языком и созданы
специализированные приложения. Это подразумевает наличие большой
инструментальной базы для работы с XML.
Недостатки.
1. Синтаксис XML избыточен.
21
2. Размер документа XML примерно на порядок больше бинарного
представления тех же данных.
3. Размер документа XML существенно больше, чем документа в
альтернативных текстовых форматах передачи данных (например, JSON,
YAML) и особенно в форматах данных, оптимизированных для конкретного
случая использования.
4. Избыточность XML может повлиять на эффективность приложения.
5. Возрастает стоимость хранения, обработки и передачи данных.
6. XML не содержит встроенной в язык поддержки типов данных. В нём
нет понятий "целых чисел", "строк", "дат", "булевых значений" и т. д.
С помощью языка XML любой текс программы может быть представлен в
промежуточной форме в виде синтаксического дерева. Такое преобразование
программы является задачей с небольшим уровнем сложности. Это дает право
считать использование XML применимым к широкому кругу задач построения
входных моделей, так как в формате XML могут быть описаны основные
конструкции языков программирования и структуры данных.
Рассмотрим примеры представления программных структур с
использованием языка XML, приведенные в таблице. Примеры представлены
для языка C#.
Как видно из примеров трансформации стандартных программных
конструкций в XML, применение XML достаточно для решения данного класса
задач. За счет избыточности формата, наблюдается увеличение объема
данных. Этот недостаток является существенным и может быть устранен
путем последующего применения алгоритмов сжатия. Так как формат является
текстовым, то применение алгоритмов сжатия очень эффективно. При
использовании алгоритма сжатия DEFLATE (алгоритм сжатия без потерь,
который использует комбинацию алгоритма LZ77 и алгоритма Хаффмана)
получаем следующие результаты:
Начальный размер файла: 60000 байт.
Размер сжатого файла: 1340 байт.
При этом размер файла уменьшился в 45 раз.
Выводы. В данной статье был предложен и обоснован способ реализации
формата промежуточного представления программной модели на основе языка
XML. Конструктивные особенности языка XML являются достаточными для
представления древовидных программных образований любой сложности. В
формате XML могут быть описаны основные конструкциии языков
программирования и структуры данных. Это позволяет считать, что его
использование может стать достойной альтернативой при решении подобных
задач. Так как данный формат является избыточным, то для устранения этого
недостатка предложено применять алгоритмы сжатия, что, по результатам
тестирования, приводит к существенному уменьшению размера файла.
22
Таблица
Примеры представления программных структур с использованием языка XML
С#
XML
Процедура/Функция
int MyProc(int a, string s) {
}
<Procedure name = “MyProc”>
<Params>
</Param name = “a”, type = “int”>
</Param name = “s”, type = “string”>
</Params>
<Vars>
</Var name = “a” type = “int” val = “0”>
</Var name = “s” type = “string” val = “0”>
</Var name = “rez” type = “int” val = “0”>
</Vars>
<Pop val = “s”>
<Pop val = “a”>
// Program code
<Push val = “rez”>
</Procedure>
Вызов Процедуры
int MyProc(int a, string s) {
return Calc(a);
}
<Procedure name = “MyProc”>
<Params>
</Param name = “a”, type = “int”>
</Param name = “s”, type = “string”>
</Params>
<Vars>
</Var name = “a” type = “int” val = “0”>
</Var name = “s” type = “string” val = “0”>
</Var name = “rez” type = “int” val = “0”>
</Vars>
<Pop val = “s”>
<Pop val = “a”>
<Call method = “Calc” param1 = “a”>
<Push val = “rez”>
</Procedure>
Математическое выражение
int a = 8;
int x = 5 + a * 3;
<Vars>
</Var name = “x” type = “int” val = “0”>
</Var name = “a” type = “int” val = “8”>
</Var name = “local1” type = “int” val = “5”>
</Var name = “local2” type = “int” val = “3”>
</Vars>
<Mul param1 = “a” param2 = “local2”>
<Pop val = “x”>
<Add param1 = “x” param2 = “local1”>
<Pop val = “x”>
Конструкция if
if(x==0)
x=1;
else
x=2;
<Vars>
</Var name = “x” type = “int” val = “0”>
</Var name = “local1” type = “int” val = “1”>
</Var name = “local2” type = “int” val = “2”>
</Vars>
<Check param1 = “x”, param2 = “0”, mode = “equals” elseLab=
“ElseLab1”>
</Mov val1 = “x”, val2 = “local1”;
</Check>
<Label name = “ElseLab1”>
Mov val1 = “x”, val2 = “local2”;
</Label>
23
Список литературы: 1. Хантер Р. Основные концепции компиляторов. – М.: Вильямс, 2002. –
256 с. 2. Harel D. Biting the silver bullet: Toward a brighter future for system development // Computer.
– 1992. – Jan. – С. 8 – 20. 3. Гавриленко С.Ю., Шитьков П.С. К вопросу о генерации кода в
современных компиляторах // Вестник НТУ "ХПИ". Тем. вып. "Автоматика и приборостроение". –
Харьков: НТУ "ХПИ". – 2007. – № 10. – С. 20 – 26. 4. Ульман Джеффри, Ахо Альфред, Сети Рави.
Компиляторы: принципы, технологии и инструменты. – М: Вильямс, 2001. – 768 с. 5. Савитч У.
Язык Java. Курс программирования. – М.: Вильямс, 2002.– 928 с. 6. Шилдт Г., Холмс Д. Искусство
программирования на Java. – М.: Вильямс, 2005. – 336 с. 7. Байдачній С.С. NET Framework 2. 0.
Секреты создания Windows-приложений (Подготовка к сдаче экзамена для получения статуса
MCSD.NET). – М.: Солон, 2006. – 520 c. 8. Нейгел К. Язык программирования C# 2005 для
профессионалов. – М.: Вильямс, 2002. – 1376 с . 9. Лавров С.С. Основные понятия и конструкции
языков программирования. – М.: Финансы и статистика, 1982.– 227 с.
УДК 681.3.06
Використання мови XML для проміжного подання програми / Гавриленко С.Ю.,
Шитьков П.О. // Вісник НТУ "ХПІ". Тематичний випуск "Інформатика і моделювання". – Харків:
НТУ "ХПІ", 2008. – № 24. – С. 19 – 24.
Розглятуті основні види уніфикованого проміжного подання даних для віртуальних машин,
що дає змогу створення кросплатформених програмних продуктів. Запропоновано та обосновано
спосіб реалізациї формата проміжного подання програмної моделі на основі мови XML. Табл.: 1.
Бібліогр.: 9 назв.
Ключові слова: проміжне подання даних, кросплатформені прорамні продукти, віртуальна
машина, мова XML.
UDK 681.3.06
Use of language XML for intermediate representation of the program / Gavrilenko S.J.,
Shitkov P.S. // Herald of the National State University "KhPI". Subject issue: Information science and
modelling. – Kharkov: NSU "KhPI", 2008. – № 24. – P. 19 – 24.
The basic kinds of the unified intermediate data presentation for virtual machines, that enables creations
crossplatform software products are considered. The way of realization of a format of intermediate
representation of program model on the basis of language XML is offered and proved. Tabl.: 1. Refs: 9
titles.
Key words: intermediate data presentation, crossplatform software products, virtual machine,
language XML.
Поступила в редакцию 07.05.2008
24
УДК 681.323
В.М. ГУСЯТИН, канд. техн. наук,
Н.Е. СЕМИКИН
КЛАССИФИКАЦИОННОЕ ОПИСАНИЕ ВЕКТОРНО ЗАДАННЫХ
АНАЛИТИЧЕСКИХ ПОВЕРХНОСТЕЙ ПРИ ФОРМИРОВАНИИ
ИЗОБРАЖЕНИЙ МЕТОДОМ ОБРАТНОГО ТРАССИРОВАНИЯ В
СИСТЕМАХ ВИЗУАЛИЗАЦИИ
Предлагается классификационное описание векторно заданных аналитических поверхностей.
Построение описания базируется на формировании древовидной структуры доменов. Такое
описание векторно заданных поверхностей ускоряет и упрощает вычисление точек пересечения
проекционного луча с поверхностью, а также позволяет снизить затраты памяти.
Ключевые слова: классификационное описание, метод обратного трассирования, проекционный
луч, домен.
Постановка проблемы. Основным требованием, предъявляемым к
современным системам визуализации (СВ) реального времени, является
высокая реалистичность генерируемого изображения. Метод обратного
трассирования [1, 2] работает с аналитически заданными поверхностями, что
позволяет значительно повысить качество синтезируемой картинки по
сравнению с методом прямого трассирования [3, 4]. Применение векторного
метода описания поверхностей позволяет задавать широкий диапазон
примитивов для создания сцен. Однако непосредственное применение
итерационного алгоритма для вычисления точек пересечения проекционного
луча (ПЛ) с векторно-заданной фигурой затруднительно в силу того, что в
общем случае поверхность может иметь множество точек пересечения с ПЛ.
Поэтому актуальным является поиск такого описания поверхности, при
котором упрощается определение точек пересечения.
Анализ литературы. Одним из подходов к решению данной проблемы
является классификационное описание. Классификационное описание
представляет собой разделение пространства, занимаемого фигурой, на
подпространства
(домены).
Известно
классификационное
описание
поверхностей второго порядка, представленных в неявной форме, и
плоскостей [5]. Однако оно не решает задачу упрощения нахождения точек
пересечения ПЛ с поверхностью, а служит только для уменьшения времени
синтеза изображения. Таким образом, возникает необходимость построения
такого классификационного описания векторно-заданной фигуры, чтобы в
каждом домене было ограниченно количество возможных точек пересечения с
ПЛ.
25
Цель статьи. Изложить метод построения классификационного описания
векторно заданных аналитических поверхностей, которое позволит ограничить
в каждом домене количество точек пересечения ПЛ с фигурой до
предварительно заданного и повысить скорость генерации изображения.
Классификационное описание. В предлагаемом методе используется
ортогональная классификация, когда оболочка поверхности и домены, на
которые она разбивается, представляет собой куб или прямоугольный
параллелепипед. Предлагается использовать не регулярную, как в [5], а
древовидную классификационную решетку. Это позволит снизить объем
памяти, используемый под классификационное описание, и вычислений при
расчете точки пересечения ПЛ с поверхностью. Корнем дерева доменов T
является внешняя оболочка поверхности [3]. Определим атрибуты домена как
совокупность параметров:
(1)
Di {Vmin , V , Lsurf , Lch } ,
где Vmin={xvmin, yvmin, zvmin} – вершина, задающая геометрическое положение
домена, у которой координаты x, y, z минимальны для данного домена;
ΔV = {Δx, Δy, Δz} – стороны параллелепипеда, задающего домен;
Lsurf – список поверхностей, указывающий принадлежность поверхности
данному домену;
Lch – список дочерних доменов, на которые разбит данный.
При разбиении домена будем делить его на 8 равных частей тремя
перпендикулярными плоскостями, параллельными граням домена.
Пусть поверхность задана векторно на множестве параметров {u; v}
следующим образом [6]:
F f (u, v);
(2)
u [u min ; u max ]; v [v min ; v max ].
Задача построения классификационного описания состоит из следующих
этапов:
1. Выбор шага дискретизации параметров поверхности.
2. Формирование дерева классификационных доменов.
3. Исключение пропущенных доменов.
Этап 1. При выборе шага дискретизации параметров будем учитывать
угловую погрешность СВ γ [7] и минимальное расстояние Lmin, с которого
будет визуализирована поверхность. Шаг дискретизации параметров будем
выбирать, основываясь на частных производных поверхности первого
порядка. Если известны частные производные первого порядка поверхности,
то можно вычислить шаг дискретизации параметров поверхности, линеаризуя
функции координат x = fx(u,v), y = fy(u,v), z = fz(u,v).
Зададимся целью выбрать такой шаг дискретизации, при котором
приращение поверхности | F | с расстояния Lmin не превысят γ. Учитывая, что
γ ~ 2–10 и меньше, можно записать:
26
| F | Lmin γ .
(3)
Представим F , как сумму приращений по каждому из параметров:
(4)
F Fv Fu .
Используем разложение функции в ряд Тейлора [8], для производных
первой степени:
Fv F ' v dv;
(5)
Fu F ' u du.
Для нахождения полного приращения функции по двум параметрам
воспользуемся теоремой косинусов [8]:
| F |2 | Fv |2 | Fu |2 2 | Fu | | Fv | cos ,
(6)
где – угол между векторами F'u и F' v .
Для простоты примем dp = dv = du. Подставим (5) в (6) и применим
формулу скалярного произведения векторов [8]:
| F |2 dp 2 (| F 'v |2 | F 'u |2 2 Fu Fv ) .
(7)
Подставляя (3) в (7), получаем, что dp должно удовлетворять условию на
интервалах задания параметров:
L min γ
.
(8)
dp
2
2
F ' v F ' u 2 Fu Fv
Этап 2. На этом этапе формируется дерево классификационных доменов.
Формирование дерева классификационных доменов включает в себя перебор
параметров {u; v} с рассчитанным с помощью (8) шагом:
u k u min dp k ; u [u min ; u max ];
k 0, 1, 2, ... ;
v l v min dp l; v [v min ; v max ]; l 0, 1, 2, ... .
(9)
Формирование дерева доменов разбивается на следующие задачи:
Задача 1. Определение множества доменов, которым принадлежит
рассматриваемая поверхность F . Задача решается так:
1) при прохождении по параметрам (9) рассчитываются координаты точек
поверхности, соответствующие этим значениям параметров:
xkl
(10)
Fkl ykl f (u k , v l );
z kl
2) определяется, какому домену-листу дерева принадлежит Fkl на основе
выражений:
27
v
v
x min
x kl x min
x;
y
y
y min
y kl y min
y;
(11)
z
z
z min
z kl z min
z.
Определение, какому домену-листу принадлежит Fkl , начинается с
вершины дерева T и затем рекурсивно, применяя (11), производится анализ
принадлежности точки Fkl дочерним доменам. В списки Lsurf доменов, для
которых выполнилось выражение (11), заносится рассматриваемая фигура F .
Задача 2. Разбиение доменов. Необходимо для ограничения количества
точек пересечения ПЛ с поверхностью. Критерием для разбиения доменов
предлагается выбрать количество экстремумов поверхности в домене.
Рассмотрим случай, когда в домене имеется не более одного экстремума, так
как в этом случае в домене будет не более трёх точек пересечения ПЛ с
поверхностью (рис. 1). Для такого случая итерационный алгоритм поиска
точек пересечения ПЛ с поверхностью строится наиболее просто. Анализ
количества экстремумов поверхности (любым из способов, приведенных,
например, в [9]) в домене следует проводить на множестве точек поверхности,
полученных при проходе по параметрам (10).
а)
б)
Рис. 1. Показано максимальное количество точек пересечения
поверхности с ПЛ при одном экстремуме функции поверхности в домене;
а) плоский случай, б) трехмерная поверхность.
Таким образом, приняв за критерий разбиения домена количество
экстремумов поверхности в домене, запишем функции-предикаты, которые
описывают условие разбиения домена, основываясь на количестве
экстремумов поверхности вдоль каждой координаты:
0, N x 1;
px
1, N x 1;
0, N y 1;
0, N z 1;
pz
py
1, N z 1.
1, N y 1;
28
где
N x , N y , Nz
–
количество
экстремумов
поверхности
в
домене
соответственно по x, y, z.
Теперь условие разбиения домена можно записать в следующем виде:
D px p y pz .
Этап 3. Исключение пропущенных доменов. При прохождении по
отсчетам параметров в задаче 1 этапа 2 возможны ситуации, когда в силу
дискретизации, будет пропущен переход поверхности в соседний домен
(рис. 2).
Рис. 2. Возможный случай пропуска отсчетами домена
Это может привести к появлению пропусков на поверхности при
визуализации, поскольку в этом случае в список Lsurf домена di+1 не будет
помещена рассматриваемая поверхность. Для исправления этой ситуации
предлагается
применить
мажорантный
подход
и
включить
в
классификационное описание домены-листья, которые имеют общие грани с
доменами, содержащими поверхности (соседние домены). Для этого:
1. Составляется список LF листьев дерева доменов, содержащих данную
поверхность F.
2. Для каждого элемента списка LF листа формируется список соседних
доменов LFneib (i = 1, 2, …), которые не содержат данную поверхность
( F Lsurf ).
3. Заносим в список Lsurf элементы списка LFneib .
Предложенный мажорантный подход увеличивает объем вычислений при
визуализации поверхности, однако за счет избыточности вычислений
устраняется возможность пропуска доменов, содержащих поверхность.
Выводы. Предложено классификационное описание сложных векторно
заданных аналитических поверхностей. Предложенный подход позволяет
ограничить количество точек пересечения в каждом домене фигуры с ПЛ.
Данное описание рекомендуется применять при визуализации поверхностей
методом обратного трассирования.
Список литературы: 1. Иванов В.Б., Батраков А.С. Трехмерная компьютерная графика. – М.:
Радио и связь, 1995. – 224 с. 2. Гусятин В.М. Итерационный алгоритм синтеза изображения в
растровой графике реального масштаба времени // Радиоэлектроника и информатика, 1998. – № 3.
29
– С. 81–83. 3. Foley J.D., van Dam A., Feiner S.K., Hughes J.F. Computer Graphics (principles and
practice) by Addison-Wesley Publishing Company, Inc., 1996. – 1175 p. 4. Никулин Е.А.
Компьютерная геометрия и алгоритмы машинной графики. – Санкт-Петербург: БХВ-Петербург,
2003. – 550 с. 5. Гусятин В.М., Филимончук М.А. Классификационное описание динамических
объектов в задачах синтеза изображения для системы визуализации // Радиоэлектроника и
информатика. – 2002. – № 2. – С. 75–78. 6. Гусятин В.М., Семикин Н.Е. Векторный метод описания
аналитических поверхностей при синтезе изображений методом обратного трассирования в
системах визуализации // Прогресивні інформаційні технології в науці та освіті. Збірник наукових
праць. – Вінниця: Вінницький соціально-економічний інститут Університету "Україна", 2007. –
С. 72–75. 7. Гусятин В.М. Оценка точности геометрических преобразований в спецпроцессоре
растровой графики // Радиоэлектроника и информатика. – 1998. – № 2. – С. 118–120.
8. Бронштейн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся вузов.
– М.: Наука, 1981. – 720 с. 9. Пантелеев А.В., Летова Т.А. Методы оптимизации в примерах и
задачах. – М.: Высшая школа, 2008. – 544 с.
УДК 681.323
Класифікаційний опис векторно заданих аналітичних поверхонь при формуванні
зображень методом зворотного трасування в системах візуалізації / Гусятін В.М.,
Семікін М.Є. // Вісник НТУ "ХПІ". Тематичний випуск "Інформатика і моделювання". – Харків:
НТУ "ХПІ", 2008. – № 24. – С. 25 – 30.
Пропонується класифікаційний опис векторно заданих аналітичних поверхонь. Побудова
опису базується на формуванні деревовидної структури доменів. Такий опис векторно заданих
поверхонь прискорює та спрощує обчислення точок перетину проекційного променя з поверхнею,
а також дозволяє знизити витрати пам’яті. Іл.: 2. Бібліогр.: 9 назв.
Ключові слова: класифікаційний опис, метод зворотного трасування, проекційний промінь,
домен.
UDC 681.323
The classification description of vector-described analytic surfaces during ray-tracing image
generation in visualizing systems / Gusyatin V.M., Semikin N.E. // Herald of the National State
University "KhPI". Subject issue: Information science and modeling. – Kharkov: NSU "KhPI", 2008. –
№. 24. – P. 25 – 30.
The classification description of vector-described analytic surfaces is offered. The offered method
based on tree-like domain structure. The classification of vector-based analytic surfaces decreases number
of cross-points with surface in domain and visualization time. Figs: 2. Refs: 9 titles.
Key words: classification description, ray-tracing, projecting ray, domain.
Поступила в редакцию 24.04.2008
30
УДК 621.316.7
А.Ф. ДАНИЛЕНКО, канд. техн. наук, НТУ "ХПИ",
А.Г. ДЬЯКОВ, канд. техн. наук, ХГУПТ, (г. Харьков)
ИССЛЕДОВАНИЕ ДИНАМИЧЕСКИХ ХАРАКТЕРИСТИК
ТЕРМОСТАТА КАК ОБЪЕКТА УПРАВЛЕНИЯ
Рассмотрены вопросы исследования динамических характеристик термостата ЯМР спектрометра,
как объекта управления с целью обоснования выбора структуры системы управления. Для анализа
и получения параметров термостата как объекта управления применены методы прикладного
регрессионного анализа. Полученные результаты позволяют сформулировать требования к
системе управления термостатом.
Ключевые слова: термостат, динамические характеристики, алгоритм управления.
Постановка проблемы и анализ литературы. Одним из параметров,
который можно анализировать при исследовании образцов на установке
ядерного магнитного резонанса (ЯМР) является энергия активации.
Определение её позволяет сделать заключение о структурной устойчивости
исследуемого вещества. В [1, 2] для нахождения энергии активации
необходимо определить зависимость времени спин-спиновой релаксации Т2 от
температуры исследуемого образца. Поэтому в состав установки ЯМР входит
термостат, который позволяет задавать и контролировать температуру нагрева
образца [3]. Обычно при проведении исследований используется несколько
образцов и поэтому сокращение времени получения заданной температуры с
целью повышения эффективности исследований является актуальной задачей.
Существующая методика проведения исследований на установке ЯМР не
позволяет установить датчик температуры непосредственно в зону измерения.
Поэтому при проведении данных исследований используется косвенная
информация о температуре образца с учетом предварительного теоретического
анализа термостата как нагреваемого тела. Для построения системы
управления и определения рациональных алгоритмов управления нагревом
термостата необходимо знать его динамические характеристики [4, 5].
Цель статьи – определение динамических параметров термостата и
образца как объектов управления с целью обоснования выбора структуры
системы управления и последующей разработки рациональных алгоритмов
управления термостатом. Используя полученную информацию, достаточно
просто можно разработать устройство, которое позволит уменьшить время
установления стационарного режима, что сократит время проведения
исследований и существенно повысит их эффективность.
Термостат, упрощенная конструкция которого приведена на рис. 1,
состоит из оболочки из термоизоляционного материала (1), внутри которого
находится нагреватель (2) и датчик температуры (3), расположенные на
31
внешней поверхности металлического цилиндра (4). Слой термоизоляции
предназначен для снижения потери тепла и повышения эффективности работы
нагревателя. Такая конструкция является традиционной для термостатов. Под
действием нагревателя температура металлического цилиндра начинает
повышаться, что вызывает увеличение температуры датчика и приводит к
увеличению его электрического сопротивления.
Рис. 1. Конструкция термостата
Постепенно
температура
внутренней
поверхности
термостата
повышается и через слой воздуха начинается нагрев стеклянной ампулы (6), в
которой размещается образец (5). Через определенное время температура
металлического цилиндра термостата и исследуемого вещества сравниваются
и можно проводить измерения.
Рассмотрим математическую модель термостата. Исходя из приведенной
конструкции, его можно рассматривать, как неограниченный четырехслойный
цилиндр, в каждом i-м слое которого изменение температуры может быть
записано в виде:
Ti
2T
T 1
ai ( 2 i i ),
t
r ri
ri
где аi – коэффициент температурной проводимости i-го слоя; ri – текущий
радиус i-го слоя; Тi – температура i-го слоя; i – номер слоя (i = 1 – 4).
К этим уравнениям необходимо добавить температурные условия на
границе раздела слоёв в виде:
Т1(t) = Тс – заданная температура на поверхности термостата (граничное
условие 1-го рода);
32
Ti Ti 1
; Ti Ti 1 – условия температурного режима на границе
ri
ri 1
двух смежных слоёв (ri = ri+1, i = 1, 2, 3);
T4
0 , при r4 = 0 – граничное условие второго рода.
r4
Данная система уравнений при известных теплофизических параметрах
материалов термостата может быть решена известными методами [6], однако
её решение вызывает значительные трудности. Кроме того, при составлении
уравнений было сделано допущение о том, что теплопотери через боковую
стенку и торцы термостата отсутствуют. Учет этих потерь привел бы к
значительному усложнению математического описания термостата.
Учитывая, что объём исследуемого вещества крайне незначителен по
сравнению с объёмом термостата, можно считать, что наибольший интерес
представляет значение температуры термостата в точке r = 0. При этом общий
тепловой поток от внутренней поверхности термостата к исследуемому
веществу определяется выражением:
T T
Q B1 4 ,
R
где ТВ1 – температура внутренней поверхности металлического цилиндра
термостата; Т4 – температура внешней поверхности исследуемого вещества;
R – общее термическое сопротивление от внутренней поверхности термостата
к образцу. Этот тепловой поток вызывает изменение температуры образца со
скоростью:
dT4
Q
,
dt
C0
где С0 – теплоемкость образца.
С учетом данных допущений изменение температуры в образце можно
найти из приближенной формулы
dT
T TA ,
dt
где Т – температура образца; ТА – температура внутренней поверхности
ампулы; τ – постоянная времени термостата.
Источником тепла в данной системе является нагреватель, поэтому
процесс изменения температуры можно описать уравнением
dT
T TBH RP,
(1)
dt
где τ – постоянная времени термостата; ТВН – внешняя температура; R – общее
тепловое сопротивление между нагревателем и образцом исследования; Р –
мощность нагревателя.
33
Если ввести новую переменную = Т – ТВН, то соотношение (1)
преобразовывается к виду
dθ
θ RP
dt
и его решение имеет вид
(2)
θ(t ) RP(1 exp( t / )).
Неизвестными величинами, которые необходимо определить, являются τ
и R. Для их идентификации воспользуемся регрессионными соотношениями
для линейных динамических процессов [7, 8].
В дискретной форме (2) можно записать в виде:
θ k 1 Aθ k BP,
где t – дискретный интервал времени, A (1 t / ), B R t / .
Коэффициенты А и В найдем по методу наименьших квадратов из
соотношения:
A, B F T F
1
FT Y ,
(3)
θ 1 , P1
θ2
где F =
,Y .
θ N , PN
θ N 1
В этих выражениях i и Pi, – значения выходной температуры и мощности
нагрева в i-й момент времени. Для нахождения величин i был использован
график температур снятый при различных значениях мощности нагревателя Р.
Датчик температуры DS18B21 при проведении экспериментов был
временно помещен в ампулу вместе с образцом. Регистрация температуры
проводилась через каждые пять минут. На рис. 2 приведен график изменения
температуры, полученный экспериментально.
После обработки графика по выражению (3) были найдены следующие
значения коэффициентов: А = 0,779 и В = 0,663, из которых было определены
постоянная времени термостата τ = 82 мин и термическое сопротивление
R = 3,3 Гр/Вт.
Окончательное уравнение математической модели термостата имеет вид:
T (t ) 3,3P(1 exp( t / 82)) TBH .
(4)
Из (4) следует, что большое значение постоянной времени существенно
при проведение исследований, которые связаны с изменением температурного
режима и это обстоятельство необходимо учитывать при планировании
исследований.
Выводы. В результате проделанной работы проанализированы и
уточнены динамические характеристики термостата. Полученные результаты
позволяют определить параметры системы управления термостатом. Это
34
обеспечивает переход от одного стационарного значения температуры к
другому за минимальное время. Внедрение системы управления позволит
повысить эффективность проведения исследований за счет сокращения
времени установления температуры.
Рис. 2. График изменения температуры в термостате
Список литературы: 1. Даниленко А.Ф., Дьяков А.Г. Система управления спектрометром ЯМР
/ Вестник НТУ "ХПИ", 2004. – № 26. – С. 119 – 123. 2. Дьяков А.Г., Даниленко А.Ф. Повышение
точности измерений в ЯМР спектрометре / Вестник НТУ "ХПИ", 2005. – № 46. – С. 83 – 86.
3. Фаррар Т., Беккер Э. Импульсная и Фурье-спектроскопия ЯМР. – М.: Мир, 1973. – 164 с.
4. Будковский А.Г. Структурная теория распределенных систем. – М.: Наука, 1977. – 320 с.
5. Олсон Г., Пиани Д. Цифровые системы автоматизации процесса управления. – СПб.: Невский
диалект, 2002. – 254 с. 6. Лыков А.В. Тепломассообмен. Справочник. – М.: Энергия,. 1972. – 600 с.
7. Гроп Д. Методы идентификации систем. – М.: Мир, 1979 – 302 с. 8. Норманн Д., Смит Г.
Прикладной регрессивный анализ. – М.: Изд. дом "Вильямс", 2007. –- 912 с.
УДК 621.316.7
Дослідження динамічних характеристик термостата як об'єкту управління
/ Даниленко О.Ф., Дьяков О.Г. // Вісник НТУ "ХПІ". Тематичний випуск: Інформатика і
моделювання. – Харків: НТУ "ХПІ", 2008. – № 24. – С. 31 – 35.
Розглянуті питання дослідження динамічних характеристик термостата ЯМР спектрометра,
як об'єкту управління з метою обгрунтування вибору структури системи управління. Для аналізу і
отримання параметрів термостата як об'єкту управління застосовані методи прикладного
регресійного аналізу. Одержані результати дозволяють сформулювати вимоги до системи
управління термостатом. Іл.: 2. Бібліогр.: 8 наз.
Ключові слова: термостат, динамічні характеристики, алгоритм управління.
UDK 621.316.7
Research of the dynamic characteristics of thethermostat as object of management
/ Danilenko А.F., Dyakov A. G. // Herald of the National State University "KhPI". Subject issue:
Information science and modelling. – Kharkov: NSU "KhPI", 2008. – № 24. – Р. 31 – 35.
The dynamic characteristics of the thermostat for NMR spectrometer, as an object of management
for the ground of choice the structures of the management system were considered. The methods of the
applied regressive analysis for receipt of necessary information were applied. The findings allow
formulating the system requirements the management by a thermostat. Figs: 2. Refs: 8 titles.
Keywords: thermostat, dynamic descriptions algorithm of management.
Поступила в редакцию 20.04.2008
35
УДК 621.391.833
О.М. ДАЦОК, канд. техн. наук, ХНУРЭ (г.Харьков),
С.А. ВИТАНОВА, ХНУРЭ (г. Харьков)
ОБРАБОТКА ФОНОКАРДИОГРАФИЧЕСКОГО СИГНАЛА НА
ОСНОВЕ WAVELET ТЕХНОЛОГИЙ
Рассмотрены особенности коррекции фазочастотных искажений при обработке фонокардиографического сигнала. На основе проведённых экспериментальных исследований предложен практический
способ решения задачи коррекции фонокардиографического сигнала, который эффективно очищает сигнал
от шума и при этом не вносит в него значительных искажений, что позволяет сохранить диагностическую
ценность полученных данных, а также выявить особенности структуры сигнала.
Ключевые слова: фонокардиографический сигнал, очищение сигнала от шума.
Постановка проблемы. Интерес к практическому использованию метода
фонокардиографии (ФКГ) обусловлен в первую очередь тем, что с его помощью можно
выявить механические
дефекты (пороки) сердца, при которых
электрокардиограмма может оказаться практически нормальной. Этот метод
позволяет исследовать звуки сердца в диапазонах, не доступных или почти не
доступных слуховому восприятию, исследование формы и продолжительности
звуков с помощью ФКГ позволяет проводить их качественный и
количественный анализ. ФКГ исследование позволяет осуществлять
наблюдение за изменениями звуковых явлений, возникающих при работе
сердца больного. ФКГ сигнал содержит не только полезную информацию, но и
шумовою
составляющую,
источниками
которой
являются
электромиографические
потенциалы
скелетных
мышц,
артефакты
взаимодействия микрофона с прилегающей тканью, электронный шум
усилителей и фоновый (сетевой) шум. Наличие шумовой составляющей при
регистрации ФКГ препятствует проведению качественного анализа, поэтому
для получения достоверных результатов и постановки верного диагноза
необходимо провести фильтрацию сигнала от шума.
Большинство методов восстановления сигналов, которые преобразуют их к
неискаженному виду, компенсируют именно фазовые искажения, хотя все
рассматриваемые методы справедливы и для компенсации амплитудных
искажений [1].
1. Обзор существующих методов коррекции фазочастотных
исскажений. Существуют два принципиально различающихся способа
устранения искажений, вносимых реальным регистрирующим прибором в
наблюдаемый сигнал. Первый состоит в том, что при помощи технических
решений совершенствуют конструкцию реального прибора, однако по мере
улучшения характеристик неизбежно возрастают сложность и стоимость
аппаратуры. К тому же иногда характеристики сигнала (например, близкая по
36
частоте помеха) не позволяют улучшать передающие свойства прибора.
Другим способом устранения искажений является апостериорная обработка
сигнала с целью уменьшения влияния реальных характеристик прибора
(сведение их к "идеальному" виду) [2].
Многие трудности, возникающие при анализе сигналов с помощью
преобразования Фурье, связаны с тем, что реальные сигналы бывает трудно с
достаточной точностью описать при помощи взвешенной суммы синусоид
различных частот. Как правило, регистрируемые сигналы нестационарны, их
частотные и масштабные характеристики со временем меняются, причем
очень важно бывает локализовать моменты их изменения. Преобразование
Фурье не позволяет решать задачу локализации.
Частично эта трудность снимается за счет использования оконного
преобразования Фурье:
F (, )
f (t )g (t , t ) exp( it )dt ,
где f(t) – анализируемая функция, g(Δt, t – τ) – функция, достигающая
максимума в точке t = τ (в центре окна) и быстро спадающая до нуля за
t
t
пределами интервала: ( , ) .
2
2
Таким образом, величина Δt имеет смысл ширины окна. Результаты
оконного преобразования Фурье удобно представлять на плоскости время –
частота (см. рис. 1).
а)
б)
в)
Рис. 1. Частотно-временная локализация преобразований:
а – оконное преобразование Фурье, б – простое преобразование Фурье,
в – вейвлет-преобразование.
На рис. 1 вертикальные линии указывают границы окон, а
горизонтальные – различные значения частоты. Образованные этими линиями
прямоугольники соответствуют гармоникам определенной частоты ω,
локализованным с помощью окна с определенным центром t = τ. Степень
корреляции анализируемого сигнала с такими локализованными гармониками
(определяемую коэффициентами разложения F(ω, t)) отображают путем
закрашивания прямоугольников в различные цвета (чем меньше значение
37
F(ω, t), тем темнее цвет). Для сравнения, на рис. 1 б представлены результаты
простого (не оконного) Фурье-преобразования в проекции на ту же плоскость
τ – ω. Как видим, это преобразование хорошо локализует частоту, но не
позволяет получить временное разрешение.
С одной стороны, оконное преобразование Фурье локализует анализ,
однако, оно не учитывает особенность реальных сигналов, которая
заключается в том, что длительность каждой составляющей сигнала обратнопропорциональна ее частоте. Вследствие этого высокочастотная информация
должна быть извлечена из относительно малых интервалов времени и
наоборот. Иными словами, ширина окна должна уменьшаться с увеличением
частоты, что для оконного преобразования Фурье не выполняется (см.
рис. 1 а). Конечно, при практическом применении Фурье-анализа проводились
эксперименты с окнами переменной длины. И подобные исследования
привели в конце концов к появлению вейвлет-анализа [3].
2. Основные положения вейвлет-анализа
Метод вейвлет-анализа заключается в разложении исходного сигнала по
базисным функциям, полученным из некоторого прототипа ("материнский
вейвлет") путем сжатий, растяжений и сдвигов по времени. Английский
термин "wavelet" означает "маленькая волна", или "всплеск". Этим названием
подчеркивается то обстоятельство, что вейвлеты быстро спадают до нуля за
пределами некоторого конечного интервала в отличие, например, от
бесконечно осциллирующих синусоид, по которым сигнал раскладывается в
рамках традиционного анализа Фурье. Компактность вейвлетов позволяет
осуществить локальный анализ сигналов и проследить изменчивость их
частотно-масштабных характеристик [4 – 5].
Вейвлетный анализ представляет собой особый тип линейного
преобразования сигналов и отображаемых этими сигналами физических
данных о процессах и физических свойствах природных сред и объектов.
Базис собственных функций, по которому проводится разложение сигналов,
обладает многими специальными свойствами и возможностями.
Вейвлеты – функции определенной формы, локализованные по оси
аргументов (независимых переменных), инвариантные к сдвигу и линейные к
операции масштабирования (сжатия/растяжения). Они создаются с помощью
специальных базисных функций, которые определяют их вид и свойства. По
локализации во временном и частотном представлении вейвлеты занимают
промежуточное положение между гармоническими (синусоидальными)
функциями, локализованными по частоте, и функцией Дирака, локализованной
во времени [6 – 8].
3. Особенности применения вейвлет-базисов при обработке
фонокардиографического сигнала.
Выбор используемого вейвлета и глубины разложения, в общем случае,
зависит от свойств конкретного сигнала. Более гладкие вейвлеты создают
38
более гладкую аппроксимацию сигнала, и наоборот – "короткие" вейвлеты
лучше отслеживают пики аппроксимируемой функции [9 – 10].
Целью данной работы является повышение информативности и
расширение возможностей метода фонокардиографии как одного из методов
исследования сердечно-сосудистой системы путем устранения фазочастотных
искажений и реализации практического способа решения задачи
восстановления ФКГ сигналов с помощью вейвлет-анализа.
Для проверки влияния типа базисной вейвлет-функции на качество
фильтрации фонокардиографического сигнала были выбраны вейвлеты Хаара,
Симлета, мексиканская шляпа, Морле и Добеши различных порядков. В
качестве критерия точности обработки фонокардиографического сигнала взято
наличие шумовых составляющих в исходном сигнале и в спектре
коэффициентов вейвлет-преобразования, вейвлет-спектре и частотновременном спектре.
Глубина разложения влияет на масштаб отсеиваемых деталей. Другими
словами, при увеличении глубины разложения модель вычитает шум все
большего уровня, пока не наступит "переукрупнение" масштаба деталей и
преобразование начнет искажать форму исходного сигнала. Интересно, что
при дальнейшем увеличении глубины разложения преобразование начинает
формировать сглаженную версию исходного сигнала, т.е. отфильтровывается
не только шум, но и некоторые локальные особенности (выбросы) исходного
сигнала.
а)
б)
Рис. 2. Результат очистки сигнала с помощью гладкого вейвлета Добеши:
а) 2-го порядка, б) 5-го порядка
Экспериментальные исследования показали, что наилучшую фильтрацию
ФКГ обеспечивают вейвлеты Добеши нечетных порядков.
39
Можно использовать другой критерий выбора порога – критерий баланса
между количеством нулевых коэффициентов и остаточной энергией сигнала.
Суть этого метода заключается в том, что коэффициенты детализации с
абсолютным значением близким к нулю содержат лишь небольшую часть
энергии сигнала.
Обнуление этих коэффициентов
приводит к незначительным потерям
энергии.
Оптимальным
является
такое значение порога, при котором
процент обнуляемых коэффициентов
детализации будет приблизительно
равен проценту остаточной энергии
сигнала после пороговой фильтрации.
Повышение порога будет повышать
степень сжатия, но, вместе с тем,
а)
б)
будут
расти
потери
качества.
Рис. 3. Пример использования критерия
Понижение
порога
позволяет
баланса, используя гладкий вейвлет
уменьшить потери при сжатии, но Добеши а) 2-го порядка, б) 7-го порядка
снижает его эффективность.
Выводы. Показана перспективность применения вейвлет-анализа в
фонокардиографии. Экспериментальные исследования показали, что наилучшую
фильтрацию ФКГ обеспечивают вейвлеты Добеши нечетных порядков. На основе
вейвлет-преобразований предложен новый метод коррекции фазочастотных
искажений при обработке фонокардиографического сигнала. Следует отметить, что
фильтрация ФКГ на базе вейвлет-технологий является эффективным методом
очистки сигнала ФКГ от шума и при этом не вносит значительных искажений в
исследуемый сигнал, что позволяет сохранить диагностическую ценность
полученных данных, а также выявить особенности структуры сигнала ФКГ.
Полученные результаты могут быть использованы в компьютерных системах
ФКГ-диагностики, что позволит повысить эффективность диагностики скрытых
патологий сердечно-сосудистой системы.
Список литературы: 1. Витанова С.А., Дацок О.М. Особенности коррекции фазочастотных
искажений биомедицинских сигналов // Прикладная радиоэлектроника. – 2007. – № 1. – С. 67–72.
2. Беляев В.Г. Коррекция фазовых искажений и обработка биомедицинских сигналов // Вестник
МГТУ. Приборостроение. – 1993. – № 4. – С. 40–53. 3. Ламброу Т., Линней А. Применение вейвлетпреобразования к обработке медицинских сигналов и изображений // Компьютерра. –1998. – № 8.
– С. 30–36. 4. Добеши И. Десять лекций по вейвлетам. – М.: РХД, 2001. 5. Воробьев В.И.,
Грибунин В.Г. Теория и практика вейвлет-преобразования. – С.-Петербург: ВУС, 1999.
6. Астафьева Н. М. Вейвлет-анализ: основы теории и примеры применения // Успехи физических
наук. – 1996. – Т. 166. – № 1. – С. 145–170. 7. Дремин И.М., Иванов О.В., Нечитайло В.А.
Вейвлеты и их использование // Успехи физических наук. – 2000. – Т. 171. – № 5. 8. Дьяконов В.П.
Вейвлеты. От теории к практике. – М.: Солон-Р, 2002. 9. Coifman Ed. R. Wavelet and Their
Applications // Boston: Jones and Barlett Publ. – 1992. 10. Misiti M., Misiti Y., Oppenheim G.,
Poggi J.-Ml. Wavelet Toolbox User’s Guide. – The MathWorks Inc. – 2001.
40
УДК 621.391.833
Обробка фонокардіографічного сигналу на основі wavelet технологій / Дацок О.М.,
Вітанова С.О. // Вісник НТУ "ХПІ". Тематичний випуск: Інформатика і моделювання. – Харків:
НТУ "ХПІ", 2008. – № 24. – С. 36 – 41.
Розглянуті
особливості
корекції
фазочастотних
спотворень
при
обробці
фонокардіографічного сигналу. На основі експериментальних досліджень запропоновано
практичний спосіб розв’язання задач корекції фонокардіографічних сигналів, який ефективно
очищує сигнал ФКГ від шуму та при цьому не вносить значних спотворень в досліджуваний
сигнал, що дозволяє зберегти діагностичну цінність отриманих результатів, а також виявити
особливості структури сигналу ФКГ. Іл.: 3. Бібліогр.: 10 назв.
Ключові слова: фонокардіологічний сигнал, очищення сигналу від шуму.
UDC 621.391.833
Processing a phonocardiographical signal on the basis of wavelet technologies / Datsok O.M.,
Vitanova S.A. // Herald of the National State University "KhPI". Subject issue: Information science and
modelling. – Kharkov: NSU "KhPI", 2008. – № 24 – P. 36 – 41.
Features of correction phase-and-frequency distortions are considered at processing a
phonocardiographics signal. On the basis of the lead experimental researches the practical way of the
decision of problems of correction фонокардиографического a signal which effectively clears signal
FKG of noise is offered and thus does not bring significant distortions in an investigated signal that
allows to keep diagnostic value of the received data, and also to reveal features of structure of signal
FKG. Figs: 3. Refs: 10 titles.
Key words: phonocardiiographic signal, clarification of a signal from noise.
Поступила в редакцию 25.04.2008
41
УДК 681.32: 519.713
В.Д. ДМИТРИЕНКО, д-р техн. наук, НТУ "ХПИ",
С.Ю. ЛЕОНОВ, канд. техн. наук, НТУ "ХПИ"
МОДЕЛИРОВАНИЕ ЦИФРОВЫХ УСТРОЙСТВ НА ОСНОВЕ
МНОГОЗНАЧНЫХ АЛФАВИТОВ И K-ЗНАЧНОГО
ДИФФЕРЕНЦИАЛЬНОГО ИСЧИСЛЕНИЯ
Показаны определенные противоречия между необходимостью более точного моделирования
дискретных объектов и возможностью обеспечить это с помощью существующих и
перспективных многозначных алфавитов. Выполнен сравнительный анализ моделирования
цифровых устройств с помощью многозначных алфавитов и K-значных дифференциальных
моделей и продемонстрировано преимущество этих моделей.
Ключевые слова: моделирование дискретных объектов, многозначные алфавиты, K-значные
дифференциальные модели.
Постановка проблемы и анализ публикаций. В настоящее время
известно большое число методов моделирования цифровых устройств и
методов анализа их исправного и неисправного состояния. Модели цифровых
устройств дифференцируют по ряду характеристик: учету времени
(синхронное, асинхронное и дельта-троичное моделирование, моделирование с
нарастающей неопределенностью [1 – 4]), наличию неисправностей, учету
переходных процессов (статическое, динамическое), типу моделей, уровню
описания моделей (системное, функционально-логическое, схемотехническое,
компонентное), выполнению итераций, реализации алгоритма, значности
аппарата моделирования (двоичное, троичное, четырехзначное, девятизначное,
n-значное или K-значное моделирование) [4 – 7]. Разнообразие моделей и
методов
моделирования
цифровых
устройств
связано
с
двумя
противоположными тенденциями: развитием универсальных систем
моделирования, ориентированных на суперкомпьютеры, и созданием
специализированных средств для разработки и исследования все более узких
классов устройств либо решением отдельных классов задач моделирования на
сравнительно маломощных компьютерах с "дружественным" интерфейсом. В
связи с этим развитие каждого из названных классов моделей является
актуальным. Тем более, что разработка универсальных систем моделирования
является чрезвычайно трудоемкой и морально быстро стареющей из-за
высокой скорости развития схемотехнической базы проектируемых изделий,
аппаратного и системного обеспечения моделирующих компьютеров.
Двоичное описание сигналов в цифровых устройствах очень часто
применяется при их синтезе, анализе и моделировании. Булево представление
цифровых сигналов предполагает, что сигналы принимают только одно из
двух значений и изменяются мгновенно, что часто не соответствует работе
реальных устройств и приводит к их неправильному функционированию.
42
Недостатки булевого описания сигналов привели к разработке двух основных
подходов к моделированию цифровых устройств с помощью многозначного
представления сигналов. Первый подход основывается на описании не только
устойчивых состояний ("единица" и "нуль"), но и неопределенных состояний,
"гладких" и "негладких" переходов из одного устойчивого состояния в другое
и наличием статических и динамических рисков сбоя [4 – 8]. Второй подход
использует K-значное кодирование сигналов, K-значную логику и K-значные
дифференциальные уравнения для описания функционирования элементов и
устройств цифровой вычислительной техники [8 – 10].
Целью статьи является сравнительный анализ моделирования цифровых
устройств в многозначных алфавитах и с помощью K-значного
дифференциального исчисления для диагностирования дискретных объектов.
Рассмотрим вначале возможности моделирования с помощью первого
подхода – многозначных алфавитов. Наиболее простым является
моделирование в трехзначном алфавите Эйхельбергера (АЭ): "нуль" ("0"),
"единица" ("1"), "неопределенность" (X), – который позволяет учитывать не
только два устойчивых состояния, но и все множество неустойчивых
состояний. Это существенно расширило возможности моделирования
цифровых устройств. Однако у алфавита есть и заметные недостатки, в
частности, с позиции теории множеств алфавит АЭ не замкнут относительно
основных операций: пересечения, объединения и дополнения. Этого
недостатка нет у предложенного Д. Ротом [4] четырехзначного алфавита
А1 = {0, 1, X = {0, 1}, U}, где U – обозначение высокоимпедансного состояния.
Операции объединения, пересечения и отрицания для элементов множества А1
приведены на рис. 1.
0
1
X
U
0
1
X
U
a
a
0
0
X
X
1
0
0
U
0
U
0
1
1
X
1
X
0
1
U
1
1
U
1
0
X
X
X
X
X
X
0
1
X
U
X
U
U
0
1
X
U
U
U
U
U
U
U
X
Операция
объединения
Операция
пересечения
Операция
отрицания
Рис. 1
Поскольку элементы множества неустойчивых состояний качественно
отличаются друг от друга – одни описыват "гладкие" переходы из одного
устойчивого состояния в другое, другие – статические и динамические риски
сбоев и т.д., то были введены алфавиты, позволяющие более детально
описывать функционирование цифровых устройств. Одним из таких
43
алфавитов является 9-значный алфавит Фантози [6]: АФ = {0, 1, X, E, F, H, L, P,
V}, где E – "гладкий" переход из "0" в "1"; F – динамический риск сбоя при
переходе из "0" в "1"; H – "гдадкий" переход из "1" в "0"; L – динамический
риск сбоя при переходе из "1" в "0"; P – статический риск сбоя в "0"; V –
статический риск сбоя в "1". Однако алфавит Фантози и ему подобные [4, 8]
для оценки работоспособности цифровых схем требуют, в отличие от булевого
или алфавитов АЭ, А1, не одного, а большего числа тактов времени, поскольку
для определения статических рисков сбоя необходимо не менее трех тактов
времени, а для дифференцирования динамических рисков сбоя – не менее
четырех. В связи с этим возникает необходимость введения и использования
переменных и алфавитов, определенных на двух и более моментах (тактах)
времени функционирования дискретных устройств. В работе [4] введен
А-алфавит двухтактного кубического исчисления, при этом определены
двухтактные переменные для моментов времени t – 1 и t. Переход от
однотактных символов xi(t) А1(t) или xi(t –1) А1(t –1) алфавита А1 для
моментов времени t и t – 1 осуществляется с помощью вспомогательного
символа Z, который описывает переменную при наличии в схеме высокого
выходного сопротивления (высокого импеданса) и эквивалентен пустому
символу в одном такте времени. А-алфавит содержит 23 символа, часть их
которых приедена в табл.
А-алфавит замкнут относительно операций пересечения, объединения,
дополнения и дает возможность дифференцировать риски сбоев, гонки,
состязания сигналов, что весьма существенно при разработке цифровых
устройств. Однако и недостатки его очевидны – существенно возрастает
трудоемкость моделирования, для определения статических и динамических
рисков сбоя необходимо до шести тактов времени, хотя основой алфавита
являются двухтактные переменные, т.е. алфавит внутренне противоречив. В
связи с этим напрашивается создание новых алфавитов путем увеличения
тактности символов алфавитов, однако это существенно увеличит множество
символов алфавитов и еще больше усложнит их использование при
моделировании цифровых объектов.
Таким образом, существует определенное противоречие между
необходимостью более точного моделирования дискретных объектов и
возможностью обеспечить такое моделирование с помощью существующих и
перспективных многозначных алфавитов. Кроме этого, рассмотренные
многозначные алфавиты не позволяют моделировать работу цифровых
устройств с учетом помех, обусловленных переходными процессами
переключения логических сигналов и паразитными емкостями, и
взаимоиндуктивностями между отдельными компонентами устройств и
связывающими их проводниками. В таких случаях необходимо совместное
решение уравнений алгебры логики, описывающих функционирование
проектируемых изделий, и систем обыкновенных дифференциальных
уранений, позволяющих вычислять значения помех. Поскольку решение таких
44
систем дифференциальных уравнений весьма трудоемко, то оно практически
не используется, хотя учет дифференциальных связей в дискретных
устройствах не стадии проектирования очень актуален.
Таблица
Символы
Двухтактные
А-алфавита формы символов
0
Комментарии
Z0
Логический нуль в момент времени t.
1
Z1
Логическая единица в момент времени t.
X
ZX
Неопределенность в момент времени t.
G
0Z
Логический нуль в момент времени t –1.
T
1Z
Логическая единица в момент времени t –1.
K
XZ
Неопределенность в момент времени t –1.
Q
00
Сохранение нуля.
E
01
"Гладкий" переход из нуля в единицу (передний
фронт импульса).
H
10
"Гладкий" переход из единицы в нуль (задний
фронт импульса).
J
11
Сохранения единицы.
O
X0
Переход из неопределенности в нуль (установка
нуля).
I
X1
Переход из неопределенности
(установка единицы).
A
0X
Переход из нуля в неопределенность.
B
1X
Переход из единицы в неопределенность.
в
единицу
Статический риск сбоя в нуле.
P
{01, 10}
F
{00, 10, 11}
Динамический риск сбоя при переходе из нуля в
единицу.
Y
XX
Неопределенность в моменты времени t – 1 и t.
Это обусловило разработку нового класса математических моделей –
K-значных дифференциальных и интегральных уравнений [9, 10], которые
могут дать более полные данные о работоспособности устройств на стадии их
проектирования по сравнению с системами булевых уравнений и не требуют
таких вычислительных затрат как системы непрерывных дифференциальных
уранений.
Функционирование цифровых устройств при этом описывается
системами K-значных дифференциальных уравнений вида
45
dU вых j (t i )
dti
f j (U вхp (t i )) K U вых j (t i 1 ) , U выхj (t 0 ) const j ,
(1)
dU вых j (t i )
– K-значная производная выходного сигнала для j-го ( j 1, n )
dti
элемента устройства в момент времени t i ; n – число элементов в
моделируемом устройстве; f j (U вхp (t i )) – K-значная функция j-го логического
где
элемента в момент времени t i ; U вхp (t i ) , ( p 1, m ) – значения K-значных
входных сигналов на входах j-го элемента в момент времени t i ; m –
число входов j-го логического элемента; U выхj (t i 1 ) – значение K-значного
выходного сигнала j-го логического элемента в момент времени t i 1 ; i = 1,
2, 3 – натуральное число, определяющее значение момента времени.
Многочисленные примеры [8 – 10] моделирования различных устройств с
помощью K-значных дифференциальных моделей показывают, что этот
способ описания сигналов и элементов дискретных объектов позволяет
определить все их исправные и неисправные режимы функционирования, для
определения которых разработаны различные многозначные алфавиты. В
качестве примера рассмотрим функционирование устройства, приведенного на
рис. 2.
A1(ti)
1
A2(ti)
Q1(ti)
Q3(ti)
&
Q2(ti)
1
Q4(ti)
Рис. 2
Устройство состоит из двух инверторов, на входы которых приходят
парафазные многозначные логические сигналы, а также двухвходовых схем
2И и 2ИЛИ. Зная математические модели основных базовых элементов
цифровых устройств [9], нетрудно записать систему K-значных
дифференциальных уравнений, описывающих фунционирование этой схемы:
46
dQ1 (t i )
(1 / K T )( A1 (t i ) K Q1 (t i 1 )),
dt i
Q1 (t 0 ) 1 ,
dQ2 (t i )
(1 / K T )( A2 (t i ) K Q2 (t i 1 )),
dt i
Q2 (t 0 ) 1 ,
dQ3 (t i )
(1 / K T )(( Q1 (t i ) & Q2 (t i )) K Q3 (t i 1 )) ,
dt i
Q 3 (t 0 ) 1 ,
dQ4 (t i )
(1 / K T )(( Q1 (t i ) Q2 (t i )) K Q 4 (t i 1 )) ,
dt i
Q 4 (t 0 ) 1 ,
где Q j ( j 1, 4 ) – значения K-значных логических сигналов на выходах
соответствующих логических элементов; /K) – K-значная операция деления;
A1(ti) и A2(ti) – K-значные входные сигналы, поступающие соответственно на
входы первого и второго инверторов; T – постоянная времени; –K – K-значная
арифметическая операция вычитания; & и – K-значные логические операции
И и ИЛИ соответственно.
Приведенная схема при двоичном моделировании на выходе Q3(ti)
реализует зависимость вида Q3 (ti ) A1 (ti ) & A2 (ti ) , т.е. на этом ее выходе все
время, за исключением интервала (11 ti 12) (рис. 3), должен быть сигнал
низкого уровня (логический “нуль”), а в указанном интервале – сигнал
логической единицы.
Рис. 3
Более точное моделирование на основе K-значных (K = 7)
дифференциальных уравнений дает возможность увидеть влияние реальной
длительности фронтов сигналов A1(ti) и A2(ti) на изменение выходного сигнала
Q3(ti). Сигнал не будет достигать высокого уровня в указанный интервал
времени, хотя и имеется более длительный всплеск (интервал (13 ti 16))
47
выходного напряжения во время переключения сигналов A1(ti) и A2(ti) на
входах устройства в интервале (11 ti 12).
Аналогичный анализ значений сигнала Q4(ti), определяемого
зависимостью вида
Q4 (t i ) A1 (t i ) A2 (t i ) , показывает, что булево
моделирование на этом выходе все время дает сигнал высокого уровня
(логическую "единицу") за исключением интервалов времени (5 ti 6) и
(19 ti 20), где выходной сигнал принимает значение логического нуля.
Использование K-значной дифференциальной модели показывает, что сигнал
на выходе Q4(ti) не будет достигать нулевого значения, но провалы сигнала
будут более длительными.
Если переходные процессы рис. 3 описывать с помощью многозначного
А-алфавита или алфавита Фантози, то из этих алфавитов, кроме логического
нуля и единицы, должны использоваться "гладкие" переходы из нуля в
единицу и из единицы в нуль, а также статические риски сбоев в нуле и
единице. Анализ других примеров моделирования устройств с помощью
K-значных дифференциальных моделей [8 – 10] показывает, что любые
процессы в цифровых схемах, описываемые многозначными алфавитами,
естественным
образом
моделируются
с
помощью
K-значных
дифференциальных моделей. При этом дифференциальные модели дают
возможность более точно исследовать процессы. Например, многозначные
алфавиты при описании сигнала Q3(ti) отметят только наличие трех интервалов
времени, связанных со статическим риском сбоя в нуле, в то время как
процессы, полученные с помощью K-значных дифференциальных моделей
покажут, что для корректной работы последующих элементов схемы может
быть опасен только всплеск сигнала, достигающий 50% амплитуды
единичного сигнала.
Как уже отмечалось выше, многозначные алфавиты не позволяют
естественным образом моделировать помехи, вызванные дифференциальными
связями между компонентами дискретных устройств. В отличие от
многозначных алфавитов K-значное дифференциальное исчисление позволяет
это сделать без особых проблем. В общем случае система K-значных
дифференциальных уравнений для этого случая выглядит следующим
образом:
C hj dU nk
dU mk U mk
k
dt i
C h j k n
dt i
M hj dI nk 1
d 2 I nk
1
M
,
hj
C h j k n Rin k dt i C h j k n
dt i2
где U mk – K-значное напряжение помехи, наводимой перепадами напряжения в
m-м проводнике и обусловленное переключением логического сигнала в n-м
проводнике из логического нуля в логическую единицу (то есть из 0 в
48
значение K – 1) или наоборот, m 1, p ; p – число пассивных проводников, в
которых анализируется помеха; k – индекс, учитывающий тип переходного
процесса, k = 1, если напряжение изменяется из нуля в K – 1, k = 2, если
напряжение изменяется из K – 1 в нуль; C – суммарная емкость выходов
логических элементов в активной линии; Chj и Mhj – соответственно емкость
взаимной связи и взаимоиндуктивность отдельных участков проводников,
влияние которых анализируется; U nk – K-значное напряжение в n-м активном
проводнике, перепад которого является источником помехи в m-м проводнике,
n 1, q ; q – количество учитываемых активных проводников; k = k(ti) –
постоянная времени переходного процесса в момент времени ti, i = 0, 1, 2, ;
Rin = Rin(ti) – выходное сопротивление логического элемента в активной линии
в момент времени ti,; h – индекс для учета всех участков в n-м проводнике,
оказывающих влияние на участки m-го проводника; j – индекс для учета всех
участков m-го пассивного проводника, являющегося приемником наводок;
I nk – K-значная величина тока при перепаде в n-м активном проводнике,
который является источником наведенной помехи.
Поскольку и функционирование элементов, и паразитные связи между
ними описываются системами обыкновенных K-значных дифференциальных
уравнений, то совместное решение этих систем уравнений не вызывает особых
затруднений, то есть K-значные дифференциальные модели позволяют
моделировать работу дискретных устройств с учетом помех, обусловленных
переходными процессами переключения логических сигналов и паразитными
связями между компонентами устройств.
Выводы. Анализ применяемых при моделировании цифровых устройств
многозначных алфавитов показывает определенные противоречия между
необходимостью более точного моделирования дискретных объектов и
возможностями обеспечить это с помощью существующих и перспективных
многозначных алфавитов. Выполнен сравнительный анализ моделирования
цифровых устройств с помощью многозначных алфавитов и K-значных
дифференциальных моделей и продемонстрировано преимущество этих
моделей, поскольку они позволяют получать более полные количественные и
качественные характеристики переходных процессов в схемах, чем
моделирование на основе многозначных алфавитов. Кроме того, K-значные
дифференциальные модели позволяют моделировать процессы, например,
переходные процессы, обусловленные переключением логических элементов и
паразитными связями между компонентами устройств, которые не удается
описать с помощью многозначных алфавитов. Все это подтверждает
перспективу использования K-значного дифференциального исчисления при
проектировании сложных дискретных устройств.
Список литературы: 1. Беннеттс Р.Д. Проектирование тестопригодных логических схем / Пер. с
англ. Дербуновича Л.В. – М.: Радио и связь, 1990. – 176 с. 2. Ярмолик В.Н. Контроль и диагностика
49
цифровых узлов ЭВМ. – Минск: Наука и техника, 1989. – 234 с. 3. Шаршунов С.Г. Троичное
моделирование дискретных устройств с макроблоками. – Владивосток: Институт автоматики и
процессов управления ДВНЦ АН СССР, 1979. – 55 с. 4. Хаханов В.И. Модели цифровых и
микропроцессорных структур и методы их анализа в системе диагностического обслуживания:
Дис. доктора техн. наук: 05.13.02 и 05.13.08. – Харьков: ХТУРЭ, 1996. – 350 с. 5. Jutman A. AtSpeed On-Chip Diagnosis of Board-Level Interconnect Faults // Proc. of 9th European Test Symposium
(ETS`04). – France. – 2004. – P. 2 – 7. 6. Chouki Aktouf. A Complete Strategy for Testing an On-Chip
Multiprocesor Architecture // IEEE Design & Test of Conputers. – 2002. – P. 18 – 28. 7. Хаханов В.И.
Техническая диагностика элементов и узлов персональных компьютеров. – К.: ИЗМН, 1997. –
308 с. 8. Дмитриенко В.Д., Леонов С.Ю., Гладких Т.В. Верификация рисков сбоя в цифровых
устройствах на основе K-значного моделирования // Вестник НТУ "ХПИ". – Х.: НТУ "ХПИ". –
2007. – № 39. – С. 55 – 62. 9. Дмитриенко В.Д., Леонов С.Ю. K-значное дифференциальное
исчисление и моделирование цифровых устройств. – Х.: Транспорт Украины, 1999. – 223 с.
10. Korsunov N.I., Dmitrienko V.D., Leonov S.Yu., Gladkih T.V. Use of the Technique of Derivatives of
K-Valued Functions for Simulation of Computing Units // Engineering Simulation. – 1998. – Vol. 15. –
P. 127 – 135.
УДК 681.32: 519.713
Моделювання цифрових пристроїв на основі багатозначних алфавитів і K-значного
диференційного числення / Дмитрієнко В.Д., Леонов С.Ю. // Вісник НТУ "ХПІ". Тематичний
випуск: Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008. – № 24. – С. 42 – 50.
Показані певні протиріччя між необхідністю більш точного моделювання дискретних
об‘єктів і можливістю забезпечити це за допомогою існуючих і перспективних багатозначних
алфавитів. Виконано порівнільний аналіз моделювання цифрових пристроїв за допомогою
багатозначних алфавитів і K-значних диференційних моделей та продемонстровано переваги цих
моделей. Іл.: 3. Табл.: 1. Бібліогр.: 10 назв.
Ключові слова: моделювання дискретних об‘єктів, багазначні алфавити, K-значні
диференційні моделі.
UDC 681.32: 519.713
Modelling of digital devices on the basis of multiple-valued alphabets and K-Value
differential calculus / Dmitrienko V.D., Leonov S.Yu. // Herald of the National State University
"KhPI". Subject issue: Information science and molling. – Kharkov: NSU "KhPI", 2008. – № 24 – P. 42.
– 50.
The certain contradictions between necessity of more exact modelling of discrete objects and an
opportunity to provide it by means of existing and perspective multiple-valued alphabets are shown. The
comparative analysis of modelling of digital devices by means of multiple-valued alphabets and K-Value
differential models is executed and advantage of these models is shown. Figs: 3. Tabl.: 1. Refs: 10 titles.
Key words: modelling of discrete objects, multiple-valued alphabets, K-Value differential models.
Поступила в редакцию 25.04.2008
50
УДК 681.513:620.1
В.Д. ДМИТРИЕНКО, д-р техн. наук, НТУ "ХПИ" (г. Харьков),
О.А. ПОВОРОЗНЮК, НТУ "ХПИ" (г. Харьков)
НОВЫЕ АЛГОРИТМЫ ОБУЧЕНИЯ ОДНО- И
МНОГОМОДУЛЬНЫХ ДИСКРЕТНЫХ НЕЙРОННЫХ СЕТЕЙ АРТ
Проанализированы недостатки алгоритмов обучения существующих дискретных нейронных сетей
адаптивной резонансной теории (АРТ). Предложены новые алгоритмы обучения одно- и
многомодульных дискретных нейронных сетей на основе генетических алгоритмов и алгоритмов
обучения нейронных сетей АРТ без адаптации весов связей распределенных распознающих
нейронов.
Ключевые слова: алгоритм обучения нейронных сетей, адаптивная резонансная теория (АРТ),
нейронная сеть АРТ, генетический алгоритм.
Постановка проблемы и анализ литературы. Искусственные
нейронные сети в последние 10 – 15 лет вызывают к себе повышенное
внимание, поскольку с их помощью успешно решаются разнообразные
сложные задачи, в том числе и задачи классификации [1 – 4]. Хотя
многослойные перцептроны и целый ряд других нейронных сетей являются
универсальными апроксиматорами функций и успешно используются во
многих практических приложениях, однако они имеют и серьёзные
недостатки:
– большое время обучения;
– не обладают свойством стабильности – пластичности, то есть
способностью воспринимать и запоминать новую информацию без потери или
искажения уже имеющейся;
– не могут выделять новую входную информацию, относя любой входной
вектор (входное изображение) к одному из уже известных классов.
Эти недостатки существенно затрудняют использование нейронных сетей
при решении практических задач, поскольку в реальных задачах, как правило,
исходная информация на этапе обучения нейронной сети полностью
неизвестна и может быть получена только при эксплуации реального объекта
или системы, что требует многократного и трудоёмкого переобучения
нейронной сети. Наличие этих существенных недостатков привело к
разработке нового класса нейронных сетей – сетей адаптивной резонансной
теории (Adaptive Resonance Theory (ART)), в которых в значительной мере
решены проблемы стабильности – пластичности и обнаружения новой
информации [3, 5].
Проблема большого времени обучения в нейронных сетях может
решаться за счет использования модульного подхода, который характерен для
мозга человека и высших животных [6] и широко используется в науке и
технике. Этот подход предполагает разбиение сложной задачи на множество
51
отдельных подзадач, решение каждой из которых требует обучения
существенно меньшей нейронной сети. Такой подход открывает и новые
возможности в использовании нейронных сетей, например, создание
иерархических систем распознавания и классификации. В частности, известны
иерархические нейронные сети ART с разделением (Hierarchical ART with
Splitting (HART-S)) и иерархические нейронные сети ART с объединением
(Hierarchical ART with Joining (HART-J)).
На рис. 1 приведена сеть HART-J с тремя уровнями иерархии.
ART-1
F2
ART-1
2
F23
F2
R1
G1
Входной
вектор
ART-1
1
R2
G2
R3
G3
F1 1
F12
F13
F0 1
F02
F03
Рис. 1. Нейронная сеть HART-J с тремя уровнями иерархии
На каждом уровне иерархии используется дискретная нейронная сеть
ART-1, архитектура которой приведена на рис. 2. Сеть ART-1 имеет три поля
или слоя нейронов:
F0 – поле или слой входных бинарных нейронов;
F1 – слой бинарных интерфейсных нейронов, поля F0 и F1 часто
рассматривают как одно поле и называют полем обрабатывающих нейронов;
F2 – поле непрерывных распознающих Y-нейронов.
Распознающие нейроны Y-слоя могут находиться в одном из следующих
состояний:
– неактивен ( U вых. Y j 0 ), нейрон установлен в начальное состояние или
проиграл соревнование с другими распознающими нейронами при
предъявлении текущего входного изображения;
– заторможен ( U вых. Y j 1 ), изображение, хранящееся в весах связей
нейрона Yj по параметру сходства не соответствует текущему входному
изображению;
– активен ( 0 U вых. Y j 2 ), выходной сигнал нейрона определяется
n
выражением U вых. Y j U вх. Y j wijU вых. Z i , j 1,m ;
i 1
52
– активен ( Uвых. Y j 1, Uвых. Yk 0, k 1,m, k j ), распознающий нейрон
Yj является победителем при предъявлении текущего изображения.
F2
Y1
. . .
. . .
Yj
Ym
R
G2
w1ij
F1
Z1
. . .
w 2ji
Zi
. . .
Zn
G1
F0
S1
. . .
Si
. . .
Sn
Рис. 2. Архитектура нейронной сети ART-1
Архитектура нейронной сети ART-1 включает также три управляющих
нейрона: R, G1 и G2. Нав рис. 1 нейроны G1 и G2 каждого модуля условно
показаны одним нейроном G i (i 1, 3) .
Большинство связей между нейронами сети ART-1 являются возбуждающими:
– все связи от нейронов входного слоя к Z-нейронам и управляющим
нейронам G1, G2 и R;
– все связи между нейронами Y- и Z-слоев; при этом из-за наличия
большого числа связей между нейронами на рис. 2 обозначена только одна
пара связей с весами w1ij , w 2ji ;
– от управляющих нейронов G1, G2 к нейронам Z- и Y- слоев.
Тормозящие сигналы передаются только по связям от интерфейсных
нейронов к управляющему нейрону R, от нейронов Y-слоя к нейрону G1 и от
R-нейрона к распознающим нейронам. Все связи нейронной сети передают
только бинарные сигналы.
Нейроны полей F1 и F2 переходят в активное состояние по правилу "два
из трёх", то есть при наличии возбуждающих сигналов из двух различных
источников. Y-нейроны переходят в активное состояние только при наличии
53
единичных сигналов как от интерфейсных элементов, так и от управляющего
нейрона G2; Z-нейроны переходят в активное состояние при наличии либо
единичных сигналов от S-нейрона и управляющего нейрона G1, либо
единичных сигналов от элементов входного и выходного полей нейронной
сети.
Нейронная сеть может работать в двух режимах – обучения и
распознавания. Будем полагать, что в основу первого режима положен метод
быстрого обучения [7], предполагающий, что веса связей победившего
распознающего нейрона достигают равновесных значений при предъявлении
любого входного изображения. На основе этого метода предложен алгоритм
обучения дискретных нейронных сетей ART-1 [7].
Цель статьи – анализ недостатков известных алгоритмов быстрого
обучения дискретных одномодульных и иерархических сетей АРТ и
разработка новых алгоритмов обучения этих нейронных сетей.
Общий алгоритм обучения дискретных нейронных сетей ART-1 и его
анализ. Обозначения, принятые в алгоритме:
n – число нейронов во входном и интерфейсном слоях и число бинарных
компонент во входных изображениях или векторах;
S l (S1l , S2l , ..., S nl ) – n-мерный входной вектор, l 1, q ;
q – число обучающих векторов;
m – максимальное число распознаваемых образов (и число нейронов в
поле F2);
U l (U l ,U l , ..., U l ), U
l (U
l ,U
l , ..., U
l ) – совх. S
вх. S1
вх. S 2
вх. S n
вых. S
вых. S1
вых. S 2
вых. S n
ответственно n-мерный бинарный вектор входных и выходных сигналов
элементов S-слоя при подаче на его вход изображения Sl;
Uвх. Z (Uвх. Z1 ,Uвх. Z 2 , ..., Uвх. Z n ), Uвых. Z (Uвых. Z1 ,Uвых. Z 2 , ..., Uвых. Z n ) – соответственно n-мерный бинарный вектор входных и выходных сигналов
нейронов интерфейсного слоя;
Uвх.Y (Uвх.Y1 ,Uвх.Y2 , ..., Uвх.Yn ), Uвых. Y (Uвых. Y1 ,Uвых. Y2 , ..., Uвых. Yn ) – соответственно m-мерный вектор входных и выходных сигналов элементов Y-слоя;
S норма вектора S;
p (0 < p < 1) – параметр сходства между двумя изображениями – входным
и хранящемся в весах связей победившего распознающего нейрона;
w1ij , w2ji – веса связей, соответственно от нейрона Zi к нейрону Yj и от
элемента Yj к элементу Zi;
L – константа;
Uвых. R ,Uвых. G1 ,Uвых. G2 – выходные сигналы нейронов G1, G2, R.
54
Шаг 1. Инициируются параметры p, L, веса связей w1ij , w2ji и выходные
сигналы нейронов R, G1, G2 и S-слоя. Рекомендуемые значения:
L 2; w1ij 1/(1 n); wij2 1; i 1, n; j 1, m;
U вых. R U вых. G1 U вых. G2 U вых. Si 0, i 1,n.
Шаг 2. Выполняются шаги 3 – 12 алгоритма до тех пор, пока не
выполнятся условия останова на шаге 12.
Шаг 3. Для каждого входного вектора S l (S1l , S2l , ..., S nl ) , l 1, q ,
выполняются шаги 4 – 11 алгоритма.
Шаг 4. Задаются выходные сигналы всех Y-нейронов: U вых .Y j 0 ,
j 1, m .
Активизируются входным вектором Sl нейроны входного слоя:
:
U вых. S l Sil , i 1,n , и вычисляется норма вектора сигналов U
вых. S l
i
n
U вых. S l S l Sil .
Определяются
выходные
сигналы
управляющих
i 1
нейронов G1 и G2: Uвых. G1 Uвых. G2 1, если S l 1 .
Шаг 5. Определяются входные и выходные сигналы нейронов Z-слоя:
Uвх. Zi Uвых. Si , U вых. Z i U вх. Z i U вых. G1 , i 1,n.
Шаг 6. Для каждого распознающего незаторможенного Y-элемента
n
( U вых. Y j 1 ) вычисляется его выходной сигнал: U вых. Y j U вых. Z i w1ij , j 1,m.
i 1
Шаг 7. Пока не определен элемент YJ, вектор весов связей которого по
величине параметра сходства p соответствует вектору Sl, выполняются шаги
8 – 10 алгоритма.
Шаг 8. В слое распознающих нейронов определяется элемент YJ,
выходной сигнал которого удовлетворяет условию Uвых. YJ Uвых. Y j , j 1,m.
При наличии нескольких таких нейронов выбирается нейрон с наименьшим
индексом. Нейрон YJ становится победителем при текущем предъявлении
изображения Sl и Uвых. YJ 1. Этот сигнал затормаживает управляющий нейрон
G1. Если Uвых. YJ 1, то входной вектор не может быть распознан и запомнен,
поскольку все нейроны распознающего слоя заторможены.
Шаг 9. По правилу "два из трех" определяются сигналы на выходах
Z-элементов: U вых. Z i U вых. Si wJi2 , а затем – норма вектора U вых. Z :
55
n
U вых. Z U вых. Z i .
i 1
Шаг 10. С помощью заданного значения параметра сходства
определяется условие возможности обучения выделенного элемента YJ
входным изображением Sl. Если U вых. Z / S l p , то обучение невозможно,
нейрон YJ затормаживается ( Uвых. YJ 1, ) и начинается поиск нового нейронапобедителя в Y-слое переходом на шаг 7 алгоритма. Если U вых. Z / S l p , то
обучение элемента YJ возможно.
Шаг 11. Корректируются веса связей нейрона YJ
соотношений:
LU вых. Zi
w1iJ
, w Ji2 U вых. Zi , i 1, n .
L 1 U вых. Z
с
помощью
(1)
Шаг 12. Проверяются условия останова работы алгоритма: отсутствие
изменения весов связей нейронной сети в течение эпохи; достижение
заданного числа эпох и т.д.
Шаг 13. Останов.
Если в режиме обучения найденный прототип, хранящийся в весах связей
сети, модифицируется, чтобы стать более похожим на предъявленный
нейронной сети вектор, то в режиме распознавания веса связей,
распределенных на этапе обучения нейронов сети, остаются неизменными. В
остальном алгоритмы обучения и распознавания сети АRТ-1 очень похожи [5].
Не распределенные во время обучения распознающие нейроны могут как
накапливать новую информацию, так и не использоваться.
Зная алгоритмы функционирования нейронной сети АRТ-1, рассмотрим
пример классификации с помощью нейронной сети HART-J (рис. 1)
следующего множества двоичных векторов:
S1 = (00001111),
S2 = (11111100),
S3 = (11110000),
S4 = (11000000),
S5 = (00000111),
S6 = (00001101),
S7 = (00001011),
S8 = (11100000),
S9 = (01110000), S13 = (00000011),
S10 = (10110000), S14 = (11010000).
S11 = (00111111),
S12 = (00111100),
Пусть сеть ART-1 на первом уровне иерархии в сети HART-J имеет
следующие параметры: m = 14; n = 8; q =14; L = 2; p = p1м = 0,75 – параметр
сходства; w1ij1м (0) 1/(1 n) 0,111; (i 1, n; j 1, m) – начальные веса связей
от
нейронов
Z-слоя
к
распознающим
Y-элементам
модуля;
1; (i 1, n; j 1, m) – начальные веса связей от распознающих
w2ji1м (0)
Y-нейронов к Z-нейронам, где индекс 1м указывает на принадлежность
56
параметров первому модулю HART-J.
Будем полагать, что модули второго и третьего уровней иерархии сети
HART-J отличаются от модуля первого уровня только параметрами сходства:
p2м = 0,6 и p3м = 0,33, где p2м и p3м – соответственно параметры сходства для
второго и третьего модулей сети HART-J.
Обучение сети HART-J выполним с помощью алгоритма, обучающего
модули иерархической сети последовательно, начиная с первого модуля. При
этом, обучение каждого последующего модуля начинается только после
окончания обучения предыдущего модуля. Обучающие двоичные вектора на
вход сети HART-J подаются циклически, начиная с S1: S1, S2, … , S14, S1, S2, …
При предьявлении первого вектора S1 = (00001111) в результате
выполнения шагов 1 – 11 алгоритма получим, что победителем будет нейрон
Y11м . Веса связей этого нейрона определяются по соотношениям (1):
11м
11м
w11
w1211м w1311м w1411м 0; w1511м w1611м w1711м w81
0,4;
21м
21м
21м
21м
21м
21м
21м
21м
w11
w12
w13
w14
0; w15
w16
w17
w18
1.
В результате распределения первого распознающего нейрона, матрицы
весов связей первого модуля примут вид, приведенный в табл. 1 и 2, где
W 11м , W 21м – соответственно матрицы весов от Z-элементов к Y-элементам и
от Y-элементов к Z-нейронам.
Нейрон
Z-слой
Z11м
Z21м
Z31м
Z41м
Z51м
Z61м
Z71м
Z81м
Y-слой
Матрица весов связей W
11м
Таблица 1
после распределения первого распознающего
нейрона
Y11м
Y21м
…
Y141м
0
0
0
0
0,4
0,4
0,4
0,4
0,111
0,111
0,111
0,111
0,111
0,111
0,111
0,111
…
…
…
…
…
…
…
…
0,111
0,111
0,111
0,111
0,111
0,111
0,111
0,111
Анализ структуры нейронной сети АРТ-1 (рис. 2), соотношений (1) и
табл. 1 и 2 показывает, что матрица весов связей W 2 любого модуля i ( i 1,3 )
однозначно определяется по матрице W 1 , поэтому в дальнейшем будем
анализировать только матрицу W 1iм i 1,3 весов связей от элементов Z-слоя
к распознающим элементам Y-слоя.
После предъявления второго входного вектора S2 = (11111100) в
57
результате выполнения шагов 3 – 8 алгоритма нейроном-победителем в Y-слое
становится нейрон Y11м . Однако, определение параметра сходства
p1м U вых. Z 1м / S 2 2/6 0,75 показывает, что входной вектор недостаточно
похож на вектор, хранящийся в весах связей нейрона Y11м .
Таблица 2
Матрица весов связей W 2 1м после распределения первого распознающего
нейрона
Z-слой
Нейрон
Y-слой
Z11м
Z 21м
Z 31м
Z 41м
Z 51м
Z 61м
Z 71м
Z 81м
0
0
0
0
1
1
1
1
Y11м
Y21м
1
1
1
1
1
1
1
1
…
…
1
…
1
…
1
…
1
…
1
…
1
…
1
…
1
Y141м
Поэтому нейрон Y11м затормаживается и распределяется нейрон Y21м , веса
связей которого корректируются по соотношениям (1):
11м
11м
w12
w1221м ... w1621м 0,286; w1721м w82
0;
21м
21м
21м
21м
21м
w
w
... w
1; w
w
0.
21
22
26
27
28
После окончания первой эпохи обучения (последующего предъявления
векторов S3, S4, … , S14) матрица весов связей W 11м принимает вид,
приведенный в табл. 3.
Таблица 3
Нейрон
Zслой
Z11м
Z21м
Z31м
Z41м
Z51м
Z61м
Z71м
Z81м
Y-слой
Матрица весов связей W 1 1м после первой эпохи обучения
Y11м
Y21м
0
0,667
0
0,667
0
0
0
0
0
0
0
0
0,667
0
0,667
0
Y31м
Y41м
Y51м
Y61м
Y71м
Y81м
Y91м
Y101м
…
Y141м
0
0
0
0
0,5
0,5
0
0,5
0
0
0
0
0,5
0
0,5
0,5
0,5
0,5
0,5
0
0
0
0
0
0
0,5
0,5
0,5
0
0
0
0
0,5
0
0,5
0,5
0
0
0
0
0
0
0,4
0,4
0,4
0,4
0
0
0,5
0,5
0
0,5
0
0
0
0
0,111
0,111
0,111
0,111
0,111
0,111
0,111
0,111
…
…
…
…
…
…
…
…
0,111
0,111
0,111
0,111
0,111
0,111
0,111
0,111
Во время второй эпохи обучения распределяется еще три Y-нейрона и
матрица весов связей W 11м приобретает окончательный вид (табл. 4).
58
После окончания обучения первого модуля иерархической сети HART-J
начинается обучение второго модуля, который имеет те же начальные
параметры, что и первый модуль, за исключением параметра сходства,
который для этого модуля меньше: p2м = 0,6. Обучение начинается с
предъявления первому модулю сети входного вектора S1 = (00001111).
Нейроном-победителем первого модуля становится Y31м , а на выходе нейронов
Z-слоя этого модуля появляется вектор U
вых. Z 1м
= (00001101), который
поступает на вход S-нейронов второго модуля: U 12м = U
, где индекс
вх. S
вых. Z 2м
2м указывает на принадлежность ко второму модулю сети HART-J.
Y-слой
Матрица весов связей W
Нейрон
11м
Таблица 4
после второй эпохи обучения
Y31м
Y41м
Y51м
Y61м
Y71м
Y81м
Y91м
Z11м
0 0,667 0
Z21м
0 0,667 0
Z31м
0
0
0
Z41м
0
0
0
Z51м
0
0
0,5
Z61м
0
0
0,5
Z71м 0,667 0
0
Z81м 0,667 0
0,5
Распоз.
S13
S4 S1, S6
вектора
0
0
0
0
0,5
0
0,5
0,5
0,5
0,5
0,5
0
0
0
0
0
0
0,5
0,5
0,5
0
0
0
0
0,5
0
0,5
0,5
0
0
0
0
0
0
0,4
0,4
0,4
0,4
0
0
0,5
0,5
0
0,5
0
0
0
0
S7
S3, S8
S9
S10
S12
S14
Zслой
Y11м
Y21м
Y110м
Y111м
Y121м
Y113м
0,286 0
0 0,111
0,286 0
0 0,111
0,286 0 0,286 0,111
0,286 0 0,286 0,111
0,286 0 0,286 0,111
0,286 0,5 0,286 0,111
0
0,5 0,286 0,111
0
0,5 0,286 0,111
S2
S5
S11
При предъявлении первого обучающего вектора U 12м
вх. S
–
Y141м
0,111
0,111
0,111
0,111
0,111
0,111
0,111
0,111
–
второму
модулю иерархической нейронной сети в результате выполнения шагов 1 – 11
алгоритма обучения победителем становится нейрон Y12м . Веса связей этого
нейрона по соотношениям (1), имеют следующие значения:
12м
12м
w11
w1212м w1312м w1412м w1712м 0; w1512м w1612м w81
0,5;
22м
22м
22м
22м
22м
22м
22м
22м
w11
w12
w13
w14
w17
0; w15
w16
w18
1.
Последующее предъявление на вход сети HART-J векторов S1, S2, …, S14
приводит к появлению на входе второго модуля обучающей
последовательности векторов:
S1(2м) = (00001101), S5(2м) = (00000111), S9(2м) = (01110000), S13(2м) = (00000011),
S2(2м) = (11111100), S6(2м) = (00001101), S10(2м) = (10110000), S14(2м) = (11010000).
S3(2м) = (11100000), S7(2м) = (00001011), S11(2м) = (00111111),
S4(2м) = (11000000), S8(2м) = (11100000), S12(2м) = (00111100),
59
Обучение второго модуля иерархической нейронной сети выполняется за
три эпохи, в результате чего получается матрица весов связей W 12м
приведенная в табл. 5.
Таблица 5
12м
Нейрон
Z-слой
Y-слой
Матрица весов связей W
после окончания обучения
второго модуля сети HART-J
Z12м
Z22м
Z32м
Z42м
Z52м
Z62м
Z72м
Z82м
Распоз.
вектора
Y12м
Y22м
Y32м
Y42м
Y52м
Y62м
Y72м
…
Y142м
0
0
0
0
0
0,667
0
0,667
0,667
0,667
0
0
0
0
0
0
S3, S4,
S8, S14
0
0
0
0
0
0
0,667
0,667
S5, S7
S13
0
0
0,667
0,667
0
0
0
0
0
0
0
0
0,667
0,667
0
0
0,111
0,111
0,111
0,111
0,111
0,111
0,111
0,111
…
…
…
…
…
…
…
…
0,111
0,111
0,111
0,111
0,111
0,111
0,111
0,111
S9, S10
–
0
0
0,4
0,4
0,4
0,4
0
0
S2, S11
S12
–
–
–
S1, S6
Аналогично второму модулю сети HART-J обучается и ее третий модуль
при параметре сходства p3м = 0,33. Входная последовательность для этого
модуля (при неизменяемой входной последовательности обучения S1, S2, … ,
S14 для первого модуля сети) будет следующая:
S1(2м) = (00000101), S5(2м) = (00000011), S9(2м) = (00110000), S13(2м) = (00000011),
S2(2м) = (00111100), S6(2м) = (00000101), S10(2м) = (00110000), S14(2м) = (11000000).
S3(2м) = (11000000), S7(2м) = (00000011), S11(2м) = (00111100),
S4(2м) = (11000000), S8(2м) = (11000000), S12(2м) = (00111100),
В результате обучения третьего модуля получается матрица весов связей
W 13м , приведенная в табл. 6.
Таким образом, первый модуль сети HART-J разбивает исходные 14
векторов на 12 классов, второй – на пять и третий – на три. Рассмотрим
детально результаты примера.
Анализ входной последовательности, алгоритма обучения нейронной
сети ART-1 и матрицы весов связей W 11м показывает, что если вектора S6, S7
во входной последовательности поменять местами, то разбиение входных
векторов на классы первым модулем изменится, поскольку нейрон Y31м будет
относить к одному классу вектора S1 и S7, а вектор S6 запомнится нейроном
Y41м как представитель отдельного класса. Подобная ситуация возникает и в
отношении тройки векторов S3, S8, S9, точнее, нужно рассматривать не три
вектора, а пять: S3, S8, S9, S10, S14, поскольку класс из двух векторов с вектором
60
S3 может (в зависимости от изменения порядка следования векторов Si
( i 1, 14 ) во входной последовательности) образовывать любой из векторов S8,
S9, S10, S14, так как каждый из них отличается от вектора S3 только одним
единичным элементом.
Таблица 6
Нейрон
Z-слой
Yслой
Матрица весов связей W 13м после окончания обучения
третьего модуля сети HART-J
Z13м
Z23м
Z33м
Z43м
Z53м
Z63м
Z73м
Z83м
Распоз. вектора
Y13м
Y33м
Y43м
…
Y143м
0,667
0,667
0
0
0
0
0
0
S3, S4,
S8, S14
0,111
0,111
0,111
0,111
0,111
0,111
0,111
0,111
…
…
…
…
…
…
…
…
0,111
0,111
0,111
0,111
0,111
0,111
0,111
0,111
–
–
–
Y23м
0
0
0
0
0
0,667
0
0,667
0
0
0
0
0
0
1
0
S1, S5, S6, S2, S9, S10,
S7, S13
S11, S12
В связи с этим напрашивается алгоритм обучения одно- и
многомодульных нейронных сетей ART с изменяющейся входной
последовательностью. Поскольку q входных обучающих векторов можно
упорядочить q! способами, то полный перебор всех входных
последовательностей векторов реален только при небольших значениях q.
Поэтому в реальных задачах при больших значениях q целесообразно
использовать эволюционные методы поиска приемлемых решений, в
частности, генетические алгоритмы. В генетических алгоритмах объекты
эволюции – хромосомы, представляющие собой закодированные решения
рассматриваемой задачи. Поэтому в качестве хромосом при генерировании
начальной популяции в рассматриваемой задаче необходимо брать некоторое
множество возможных входных последовательностей. Полученные особи
(хромосомы) оцениваются одним или несколькими критериями и с помощью
тех или иных операторов селекции [8, 9] лучшие из них отбираются для
воспроизводства (репродукции) потомков с помощью генетических
операторов: скрещивания (простого или одноточечного, двухточечного,
упорядоченного, циклического и т. д.), мутаций (различных видов), инверсии
(поворотов хромосом или ее участков на 180 градусов). Процесс селекции и
воспроизводство потомков продолжается до тех пор, пока улучшается
качество получаемых решений рассматриваемой задачи.
Видимо, несложно придумать задачу, где множество векторов S3, S8, S9,
10
S , S14 или векторов: S1, S5, S6, S7 должно относиться к одному классу, однако
классические и генетические алгоритмы обучения дискретных сетей ART не
61
позволяют получить такие классы при любом порядке векторов Si ( i 1, 14 ) во
входной последовательности.
С целью расширения возможностей обучения дискретных нейронных
сетей ART в работе [10] предложены алгоритмы обучения без коррекции весов
связей распределенных нейронов. Однако запрет коррекции весов связей всех
распределенных Y-нейронов имеет и свои отрицательные стороны. Например,
если вектора S2 и S11 подать первыми, то все множество входных данных
разобьется только на два класса (хотя в каких-то задачах классификации это
может быть и лучшим решением). Если подавать входную последовательность
векторов в первоначально заданном порядке, но запретить адаптацию весов
связей нейронов, запомнивших векторы S1 и S3, то при p1м = 0,75 получим
следующую матрицу весов связей W 11м и классы векторов (табл. 7).
Таблица 7
11м
Нейрон
Z-слой
Y-слой
Матрица весов связей W
после окончания обучения
первого модуля сети HART-J
Z11м
Z21м
Z31м
Z41м
Z51м
Z61м
Z71м
Z81м
Распоз.
вектора
Y11м
0
0
0
0
0,4
0,4
0,4
0,4
S1, S5, S6,
S7, S13
Y21м
Y31м
Y41м
Y51м
0
0
0,4
0,4
0,4
0,4
0
0
0,4
0,4
0,4
0,4
0
0
0
0
S3, S4, S8,
S9, S10, S14
0
0
0,286
0,286
0,286
0,286
0,286
0,286
S11
S2
Y61м
…
Y141м
0,286
0,286
0,286
0,286
0,286
0,286
0
0
0,111
0,111
0,111
0,111
0,111
0,111
0,111
0,111
…
…
…
…
…
…
…
…
0,111
0,111
0,111
0,111
0,111
0,111
0,111
0,111
S12
–
–
–
В соответствующие классы векторов вошли также векторы S4 и S13, хотя
они отличаются соответственно от векторов S1 и S3 не одним, а двумя
двоичными разрядами. Это связано с особенностью определения параметра
сходства, которая становится существенной при запрещении адаптации весов
связей распределенных нейронов. Рассмотрим определение параметра
сходства p1м при подаче на вход обученного первого модуля сети вектора S13 .
Нейроном победителем в этом случае станет нейрон Y11м , а параметр сходства
определится выражением
p1м U вых. Z 1м (Y11м , S13 )
U вых. S ( S13 ) WY21Z1м ,U вых. S ( S13 )
U вых. S ( S13 ) ,
где U вых. Z 1м (Y11м , S13 ) – норма вектора выходных сигналов нейронов Z-слоя
62
при нейроне-победителе Y11м и входном векторе сети S13; U вых. S ( S13 ) – норма
вектора выходных сигналов нейронов S-слоя при входном векторе сети S13;
WY21Z1м ,U вых. S ( S13 ) – скалярное произведение вектора весов связей от
нейрона-победителя Y11м к элементам Z-слоя и вектора выходных сигналов
элементов S-слоя.
(W 21м , W 21м , ... , W 21м ) =(00001111)
WY2,1м
Поскольку
и
11
12
18
1 Z
U вых. S (S13 ) =(00000011), то
13
p1м WY21,1м
Z ,U вых. S ( S )
8
U вых. S ( S 13 ) ( w12i1м U вых. Si )
(00000011) =
i 1
= 2/2 = 1.
Поэтому в тех случаях, когда запрещена адаптация весов связей всех или
части распреденных распознающих нейронов и нежелательно формирование
классов векторов с большим расстоянием по Хеммингу между ними,
необходимо вводить дополнительный параметр сходства px, учитывающий
расстояние по Хеммингу, или отношение вида
p*
S вх.
2
WJZ
,
где p* – дополнительный параметр сходства; S вх. – норма входного вектора
2
нейронной сети; W JZ
– норма весов связей от нейрона-победителя J к Z-слою
нейронов.
Если в рассматриваемом примере использовать дополнительный
параметр сходства, потребовав, например, чтобы расстояние по Хеммингу px
между входным вектором и вектором весов связей от нейрона-победителя YJ к
элементам Z-слоя не превышало единицы или выполнялось условие p* 0,75,
то входные вектора S4 и S13 будут запомнены отдельными распознающими
Y-нейронами, т. е. выделятся нейронной сетью как отдельные классы.
В заключение отметим, что генетические алгоритмы обучения нейронных
сетей ART могут использоваться совместно с алгоритмами обучения
нейронных сетей ART с полным или частичным запрещением адаптации весов
связей распределенных распознающих нейронов.
Выводы. Проанализированы недостатки известных алгоритмов обучения
дискретных нейронных сетей адаптивной резонансной теории, не
позволяющие их эффективно использовать в реальных системах
распознавания и классификации. Впервые для обучения одно- и
63
многомодульных дискретных нейронных сетей АRТ предложены генетические
алгоритмы, алгоритмы обучения с частичным запрещением адаптации весов
связей распределенных распознающих нейронов, а также генетические
алгоритмы с полным или частичным запрещением адаптации весов связей
распределенных распознающих нейронов.
Список литературы: 1. Хайкин С. Нейронные сети: Полный курс. М.: Вильямс, 2006. 1104 с.
2. Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектура, обучение,
применение. Х.: ТЕЛЕТЕХ, 2004. – 372 с. 3. Комарцова А.Г., Максимов А.В. Нейрокомпьютеры.
М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. 320 с. 4. Галушкин А.И. Нейрокомпьютеры и их
применение на рубеже тысячелетий в Китае. В 2-х томах. Том 2. М:. Горячая линия Телеком,
2004. 464 с. 5. Grossberg S. Competitive learning: from interactive activation to adaptive resonance
// Cognitive Science. 1987. Vol. 11. P. 23-63. 6. Bartfai G. Whrite R. ART-based Modular
Networks for Incremental Learning of Hierarchical Clustering. Technical Report CS-TR-96/11.
Department of Computer Science. Victoria University of Wellington. New Zealand, 1996. P. 1-28.
7. Fausett L. Fundamentals of Neural Networks. Arhitectures, Algorithms and Applications. New
Jersey: Prentice Hall International, Inc., 1994. 461 p. 8. Генетические алгоритмы, искусственные
нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский, К.В. Махотило,
С.Н. Петрашев, С.А. Сергеев Х.: Основа: 1997. 112 с. 9. Гладков Л.А., Курейчик В.В.,
Курейчик В.М. Генетические алгоритмы. М.: Физматлит, 2006. 320 с. 10. Дмитриенко В.Д.,
Носков В.И., Хавина И.П. Алгоритмы обучения дискретных сетей АРТ без адаптации весов связей
распределенных распознающих нейронов / Вісник НТУ "ХПІ". Збірник наукових праць. Тем. вип.:
Інформатика і моделювання. Харків: НТУ "ХПІ". 2006. № 23. C. 35-48.
УДК 681.513:620.1
Нові алгоритми навчання одно- та багатомодульних дискретних нейронних мереж
АРТ / Дмитрієнко В.Д., Поворознюк О.А. // Вісник НТУ "ХПІ". Тематичний випуск:
Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008. – № 24. – С. 51 – 64.
Проаналізовано недоліки алгоритмів навчання існуючих дискретних нейронних мереж
адаптивної резонансної теорії (АРТ). Запропоновано нові алгоритми навчання одно- та
багатомодульних дискретних нейронних мереж на основі генетичних алгоритмів і алгоритмів
навчання нейронних мереж АРТ без адаптації ваг зв'язків розподілених нейронів, що розпізнають.
Іл.: 2. Табл.: 7. Бібліогр.: 10 джерел.
Ключові слова: алгоритм навчання нейронних мереж, адаптивна резонансна теорія (АРТ),
нейронна мережа АРТ, генетичний алгоритм.
UDC 681.513:620.1
New algorithms of the education one- and multimodul discrete neural networks ART
/ Dmitrienko V. D., Povoroznyuk O. A. // Herald of the National Technical University "KhPI". Subject
issue: Information science and modelling. – Kharkov: NTU "KhPI", 2008. – № 24. – P. 51 – 64.
It have been analysed defects of education algorithms of existing discrete neural networks for
adaptive resonance theory (ART). It have been offered new algorithms of e education one- and
multimodul discrete neural networks based on genetic algorithms and algorithm of education neural
networks ART without adapting weight relations of portioned recognizing neurons. Figs: 2. Tabl.: 7.
Refs: 10 sources.
Key words: algorithm of education neural networks, adaptive resonance theory (ART), neural
network ART, genetic algorithm.
Поступила в редакцию 25.04.2008
64
УДК 004.627
В.Г. ИВАНОВ, канд. техн. наук,
М.Г. ЛЮБАРСКИЙ, д-р физ.-мат. наук,
Ю.В. ЛОМОНОСОВ, канд. техн. наук,
С.В. ДЕРКАЧ (г. Харьков)
МОДИФИКАЦИЯ АЛГОРИТМОВ JPEG-КОМПРЕССИИ
ИЗОБРАЖЕНИЙ
В данной работе приводятся результаты компьютерного моделирования сжатия изображений с
использованием стандартного и модифицированного формата JPEG-компрессии. Рассматриваются
вопросы повышения надежности при передаче изображений в JPEG-формате. Приведены
сравнительные количественные характеристики обработки данных известным и предлагаемым
методами.
Ключевые слова: сжатие изображений, JPEG-формат, модификация алгоритма.
Постановка
проблемы.
На
современном
этапе
развития
информационных технологий и компьютерных систем применение методов
JPEG-кодирования изображений связано практически со всем аппаратным и
программным
обеспечением.
Поэтому
разработка
и
создание
модифицированных алгоритмов для методов JPEG-кодирования изображений
остается актуальной задачей и на сегодняшний день.
Анализ литературы. К методам JPEG-кодирования относят любые
преобразования изображений с использованием обобщенного преобразования
Фурье (дискретного косинусного преобразования (DCT), являющегося
базовым для JPEG-компрессии) [1 – 3]. Форматы JPEG-2000 и DjVu
используют
технологию
вейвлет-преобразований,
основанную
на
представлении сигнала в виде суперпозиции специальных функций –
волновых пакетов [2 – 7].
Эта работа является логическим продолжением исследований авторов,
опубликованных ранее [8].
Цель статьи – показать, что применение модифицированного алгоритма
распределения косинусных коэффициентов после Z-сканирования сегментов
изображения позволяет, при паритетных количественных характеристиках,
обеспечить дополнительную защиту закодированного изображения.
JPEG-компрессия изображений. Идея замены изображения, как объекта
кодирования, коэффициентами его двумерного преобразования Фурье
известна давно [1 – 4]. В данном случае изображение подвергается унитарному
преобразованию, а полученные коэффициенты преобразования квантуются,
кодируются и передаются по каналу связи или записываются в архив.
Обобщенная схема JPEG-кодирования на основе дискретного
косинусного преобразования представлена на рис. 1.
65
Ядро одномерного косинусного преобразования для пункта 3 (рис. 1)
имеет следующий вид:
(2m 1)k
2 N 1
(1)
X (m) cos 2N .
N m 0
В этой формуле X(m) – значение отсчетов в строках соответствующих
рабочих матриц, полученных на втором шаге JPЕG-технологий; Lx(k) –
коэффициенты дискретного косинусного преобразования, а значения m и k
изменяются соответственно от 0 до N – 1 и от 1 до N – 1 с шагом один. Следует
заметить, что множество базисных векторов
(2m 1)k
2
1
(2)
,
cos
N
2
N
N
фактически образует класс дискретных многочленов Чебышева [1, 2].
L x (0)
1
X (m);
N
L X (k )
Рис. 1. Обобщенная схема JPEG-кодирования изображений
В стандартном алгоритме компрессии, который используется в JPEGформате, формирование вектора коэффициентов основано на зигзагсканировании (Z-сканирование) отсчетов спектра в каждом фрагменте
изображения 8×8, рис. 2.
В дальнейшем последующая обработка ведется в два этапа. Первый этап
– это внутриблочная обработка, которая включает отбрасывание
последовательности нулевых значений коэффициентов в конце каждого блока,
рис. 2, б. Конец блока определяется кодовым словом (КБ) и таким образом
уменьшается длина блока (n < 64), рис. 3, а.
Второй этап – межблочная обработка, которая состоит в том, что для
первых коэффициентов блоков (DC, рис. 3, б) в сформированной
последовательности применяют методы дельта-модуляции. Вычисление
66
разности первых DC-коэффициентов блоков необходимо для уменьшения их
динамического диапазона и, следовательно, для уменьшения битовой
последовательности кода, рис. 2, а.
а)
б)
Рис. 2. Формирование вектора DCT коэффициентов после Z-сканирования
(а – распределение коэффициентов между блоками,
б – распределение коэффициентов внутри блока)
64
К
Б
n≤64
а)
DC
AC
DC
n 64
AC
КБ
КБ
б)
Рис. 3. Формирование вектора DCT коэффициентов после Z-сканирования
(а – внутриблочная обработка, б – межблочная обработка)
67
Из каждого DC-коэффициента одного блока вычитается DC-коэффициент
следующего блока. Т.е вместо DC-коэффициента 1-го блока (обозначим его
как DC1) кодируется разность DC-коэффициентов 1-го (DC1) и 2-го блоков
(DC2), вместо DC2 – разность DC2 и DC3 и т.д.
Таким образом, прямое преобразование можно записать в виде:
DC1 = DC1 – DC2,
DC2 = DC2 – DC3,
(3)
…………………..
DCN–1 = DCN–1 – DCN,
где N – количество блоков. При этом DCN остается неизменным (опорный
коэффициент), и по нему при обратном преобразовании будут восстановлены
DC-коэффициенты всех блоков.
Обратное преобразование записывается соответственно:
DCN–1 = DCN–1 + DCN,
DCN–2 = DCN–2 + DCN–1,
(4)
………………………
DC1 = DC1 + DC2.
Дальнейшая обработка опирается на использование энтропийных методов
кодирования [1, 2].
Полученная разность кодируется в соответствии с таблицей кодов
Хаффмана для DC-коэффициентов. Остальные AC-коэффициенты блоков не
вычитаются, а кодируются в соответствии с таблицей кодов Хаффмана для
AC-коэффициентов.
Необходимо заметить, что в случае утраты или изменения значения
опорного коэффициента (DCN), восстановление всех первых коэффициентов в
блоках изображения, согласно выражению 4, не представляется возможным.
Известно, что наиболее мощные DCT-коэффициенты в каждом блоке
сегментации определяют яркость данного блока. Поэтому изменение значения
всего одного DC-коэффициента в последнем N-ом блоке будет влиять на
значение яркостной составляющей на всем изображении. Данный факт может
негативно отразиться на качестве передаваемых изображений, вплоть до
полной невозможности их использования.
Модификация JPEG-формата. Замена дельта модуляции DCкоэффициентов в алгоритме компрессии изображений на группирование
одноименных DCT-коэффициентов в блоках сегментации предполагает
исключить или максимально локализовать подобные свойства JPEG-формата.
Очевидно, что при разбиении всего изображения, на фрагменты
размерностью 8×8 (пункт 2, рис. 1), существуют корреляционные связи между
одноименными коэффициентами смежных фрагментов, которые также имеют
сильные статистические зависимости. Это позволяет заменить процедуру
вычисления разности первых DC-коэффициентов процессом группирования
одноименных коэффициентов каждого блока сегментации для всей плоскости
изображения.
68
Таким образом, вектор коэффициентов, поступающий на этап
энтропийной обработки JPEG-компрессии, будет содержать сначала все
первые коэффициенты всех фрагментов размерностью 8×8, полученных при
Z-сканировании, затем все вторые и т.д., рис. 4 (б).
а)
б)
Рис. 4. Вектор коэффициентов
(а – после Z-сканирования; б – после группирования одноименных коэффициентов)
На рис. 5 приведена зависимость коэффициента сжатия (Ксж) от
среднеквадратической ошибки (СКО) для изображения Cameraman.bmp,
взятого из библиотеки стандартных изображений. В легенде рис. 5,
используются следующие обозначения кривых:
JPEG – классическая схема JPEG-компрессии;
Group – модифицированный алгоритм JPEG-компрессии;
JP2000 – формат JP2 на основе вейвлет-преобразования.
K
Cameraman.bmp
160
JPEG
Group
JP2000
140
120
100
80
60
40
20
СКО %
0
3
5
7
9
11
13
15
17
19
21
Рис. 5. Зависимость коэффициента сжатия от СКО Cameraman.bmp
На рис. 6 приведены примеры восстановленного изображения для
соответствующих значений СКО.
69
а)
б)
г)
в)
д)
Рис. 6. а) оригинал; б) СКО=6%; в) СКО=10%; г) СКО=15%; д) СКО=75%
Выводы. Как видно из полученных результатов, подобная модификация
классической схемы JPEG-компрессии, приводит к незначительному
снижению коэффициента сжатия при высоком качестве восстановленного
изображения (СКО < 13%) и значительно повышает степень сжатия при
удовлетворительном качестве восстановленного изображения, СКО > 13%.
Однако, основным преимуществом рассмотренной модификации является тот
факт, что при утрате первого коэффициента какого-либо блока изменится
яркостная составляющая только этого сегмента изображения. В классической
схеме JPEG-компрессии "потеря" опорного коэффициента приводит к
изменению яркостной компоненты на всей плоскости изображении, рис. 6, д. В
результате приведенной модификации формат получает более высокую
степень защиты информации при внесении случайных ошибок в
низкочастотную область спектра дискретного косинусного преобразования.
Список литературы: 1. Претт У. Цифровая обработка изображений / Пер. с англ. – М.: Мир,
1982. – Кн. 2. – 480 с. 2. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера,
2005. – 1072 с. 3. Уэлстид С. Фракталы и вейвлеты для сжатия изображений в действии: Учеб.
пособ. – М.: Триумф, 2003. – 320 с. 4. Сэломон Д. Сжатие данных, изображений и звука. – М.:
Техносфера, 2004. – 368 с. 5. Иванов В.Г., Любарский М.Г., Ломоносов Ю.В. Фурье и вейвлетанализ изображений в плоскости JPEG технологий // Проблемы управления и информатики. – К.,
2004. – № 5. – С. 111-124. 6. Иванов В.Г., Любарский М.Г., Ломоносов Ю.В. Сжатие изображений
70
на основе компенсации контуров при вейвлет преобразовании // Проблемы управления и
информатики. – К., 2006. – № 3. – С. 89–102. 7. Иванов В.Г., Любарский М.Г., Ломоносов Ю.В.
Сжатие изображений на основе выделения и кодирования объектов с различным визуальным
качеством // Праці Восьмої Всеукраїнської міжнародної конференції "Оброблення сигналів і
зображень та розпізнавання образів" (УкрОБРАЗ‘2006). – К.: Міжнародний науково-навчальний
центр інформаційних технологій та систем, 2006. – С. 159-163. 8. Иванов В.Г., Ломоносов Ю.В.
Модификация базовых алгоритмов компрессии изображений в JPEG-формате // Праці Луганського
відділення Міжнародної академії інформатизації. – Луганськ: Східноукраїнський національний
університет ім. В. Даля, 2005. – С.25-29.
УДК 004.627
Модифікація алгоритмів JPEG-компресії зображень / Иванов В.Г., Любарский М.Г.,
Ломоносов Ю.В., Деркач С.В. // Вісник НТУ "ХПІ". Тематичний випуск: Інформатика і
моделювання. – Харків: НТУ "ХПІ", 2008. – № 24. – С. 65 – 71.
У роботі приводяться результати комп'ютерного моделювання стиску зображень з
використанням стандартного і модифікованого формату JPEG-компресії. Розглядаються питання
підвищення надійності при передачі зображень у JPEG форматі. Приведено порівняльні кількісні
характеристики обробки даних відомим і пропонованим методами. Іл.: 6. Бібліогр.: 8 назв.
Ключові слова: стиск зображень, JPEG-формат, модифікація алгоритму.
UDC 004.627
Updating of algorithms of a JPEG-compression of images / Ivanov V.G., Lyubarsky M.G.,
Lomonosov U.V, Derkach S.V. // Herald of the National State University "KhPI". Subject issue:
Information science and modelling. – Kharkov: NSU "KhPI", 2008. – № 24. – P. 65 – 71.
In the given work results of computer modelling of compression of images with use of the standard
and modified format of a JPEG-compression are resulted. Questions of increase of reliability are
considered by transfer of images in JPEG a format. Comparative quantitative characteristics of data
processing known and suggested are resulted by methods. Figs: 6. Refs: 8 titles.
Key words: сompression of images, a JPEG-format, updating of algorithm.
Поступила в редакцию 10.04.2008
71
УДК 681.5
А.Е. ИГНАТЬЕВА,
А.Е. ФИЛАТОВА, канд. техн. наук, НТУ "ХПИ"
КОМПЬЮТЕРНАЯ СИСТЕМА ПРИНЯТИЯ РЕШЕНИЙ В
ПРЕНАТАЛЬНОЙ ДИАГНОСТИКЕ
В статье рассматривается разработка компьютерной системы принятия решений в пренатальной
диагностике для выявления хромосомных аномалий плода по биохимическим показателям крови
матери во втором триместре беременности. Разработанная система выполняет следующие
функции: ведение баз данных пациентов и статистических значений маркерных белков; расчет и
коррекция МоМ (multiple of median), расчет возрастного риска и риска возникновения синдрома
Дауна.
Ключевые слова: компьютерная система принятия решений, пренатальная диагностика,
маркерные белки, возрастной риск, риск возникновения синдрома Дауна.
Постановка проблемы. Пренатальным скринингом называются
исследования, проводимые беременным женщинам с целью выявления групп
риска осложнений беременности. Частным случаем пренатального скрининга
является скрининг по выявлению групп риска развития врожденных пороков у
плода. Знание того, что пациентка входит в ту или иную группу риска,
помогает врачу правильно спланировать тактику ведения беременности и
родов. Выделение групп риска позволяет оградить пациенток, не входящих в
группы риска, от ненужных инвазивных методов пренатальной диагностики
(биопсии ворсин хориона и амниоцентеза), которые сопряжены с риском
целого ряда осложнений беременности: выкидыш, развитие конфликта по
резус-фактору и группе крови, инфицирование плода, развитие тугоухости у
ребенка и т. д. И наоборот, позволяет обосновать назначение тех или иных
процедур или исследований пациенткам, входящим в группы риска [1 – 2].
Таким образом, актуальным является поиск ранних информативных
неинвазивных методов диагностики и прогнозирования данного вида
заболеваний и усовершенствования медико-генетических программ для
скрининга.
Анализ литературы. На сегодняшний день существует несколько
компьютерных систем принятия решений в пренатальной диагностике
иностранного происхождения, которые используются и на Украине, например
Prisca. Но, к сожалению, эти системы обладают рядом существенных
недостатков. Во-первых, они не позволяют выполнять коррекцию
статистических показателей маркерных белков, что крайне важно для данных
расчетов, поскольку эти значения меняются в зависимости от региона
проживания пациентки и ее рассы. Во-вторых, вышеперечисленные системы
72
либо не позволяют сохранять полученные результаты в базе данных (БД), либо
ведут БД на иностранном языке [3 – 5].
Цель статьи. Целью данной статьи является разработка компьютерной
системы принятия решений в пренатальной диагностике для выявления
хромосомных аномалий плода по биохимическим показателям крови матери
во втором триместре беременности.
Структура баз данных. В ходе работы были разработаны две базы
данных: БД пациентов и БД статистических значений МоМ. База данных
пациентов имеет структуру, представленную на рис. 1.
Рис. 1. Схема БД пациентов (PK – первичный ключ)
Эта база данных позволяет хранить данные о пациенте (имя, фамилия,
дата рождения и расса) и данные обо всех его тестах, включая расчитанные
значения рисков [6].
73
База данных статистических показателей маркерных белков содержит
таблицы со статистическими значениями, используемыми в рассчетах.
Расчет риска возникновения синдрома Дауна. Разработання система
производит коррекцию МоМ по маркерным белкам, расчет возрастного риска
и риска возникновения синдрома Дауна [7]. Данная система позволяет
рассчитывать риск возникновения синдрома Дауна двумя методами: на
основании расчета условных вероятностей и дискриминантным методом.
Задача диагностики в данном случае сводится к тому, чтобы отнести
неизвестный объект к одному из классов: ω1 – здоровые и ω2 – с синдромом
Дауна. При этом для маркерных белков используются не значения MoMsm, а их
lg
логарифмы, то есть MoMsm
log10 MoMsm , где sm – индекс маркерного белка
(АФП, ХГЧ, НЭ).
При этом риск считается значимым, если не привышает порогового
значения (чаще всего 200). В этом случае необходимо проводить
дополнительные исследования для выявления патологий развития плода, в том
числе и инвазивными методами [8].
Отношение правдоподобия. Правдоподобие ωi (i = 1, 2) при данном
значении MoM lg
с учетом закона расспределения Гаусса определяется
следующим образом:
f i ( MoM )
μ i1
lg
T
MoM lg mi μ i MoM lg mi
3
e
,
2
где f i – функция правдоподобия для класса ωi; μ i – ковариационная матрица,
для класса ωi; mi – вектор средних значений в популяции для ωi; MoM lg –
lg
вектор значений MoMsm
.
Тогда отношение правдоподобия находится следующим образом:
L( MoM lg )
f1 ( MoM lg )
f 2 ( MoM lg )
.
Таким образом, риск возникновения синдрома Дауна рассчитывается по
следующему выражению:
R α L(MoM lg ) ,
где α – возростной риск [7].
Дискриминантный метод. Функция
расчитывается по следующему выражению:
74
линейного
дискриминанта
3
lg
,
k smMoM sm
D( MoM lg )
sm 1
где ksm – классифицирующие константы для маркерных белков.
Тогда индекс дискриминанта расчитывается следующим образом:
( D ( MoM lg ) m2 ) 2 2
2
Q( D) 2 e
1
12
2 22
,
где mi – мат ожидание для класса ωi (i = 1, 2); σi – стандартное отклонение для
для класса ωi (i = 1, 2).
Риск возникновения сндрома Дауна рассчитывается по следующему
выражению:
p
R
,
p (1 p ) Q ( D )
где p – вероятность возрастного риска [7].
Интерфейс программы. Программа имеет удобный интерфейс с
графической визуализацией результата (рис. 2), который наглядно
представляет риск возникновения синдрома Дауна у плода пациентки.
Тест положительный.
Группа риска по
синдрому Дауна
Кривая среднего
риска синдрома Дауна
в популяции в
зависимости от
возраста
Пороговое
значение
риска
синдрома
Дауна
Тест отрицательный.
Риск синдрома Дауна
выше, чем средний
для данного возраста
Тест отрицательный.
Риск синдрома Дауна
ниже, чем средний
для данного возраста
Возраст пациентки
на дату родов
Высота столбца соответствует
величине риска синдрома
Дауна у пациентки
Рис. 2. Графическая визуализация риска синдрома Дауна
Благодаря разработанному интерфейсу пользователь может не только
увидеть численное значение результатов теста, но и качественно оценить
75
величину риска синдрома Дауна по отношению к пороговому значению риска
и среднему значению риска в популяции в зависимости от возраста.
Выводы. В данной работе рассмотрена разработанная компьютерная
система принятия решений в пренатальной диагностике для выявления
хромосомных аномалий плода по биохимическим показателям крови матери
во втором триместре беременности. Компьютерная система позволяет
собирать информацию и облегчает проведение дальнейших исследований.
Список литературы: 1. Wald N.J., Kennard A., Hackshow A. Antenatal screening for Down’s
syndrome // Health Technol Assess. – 1998. – № 2. – P. 1 – 112. 2. Cuckle H.. Improved parameters for
risk estimation in Down’s syndrome screening // Prenatal Diagn. – 1995. – № 15. – P. 57 – 65.
3. Graves J., Miller K., Sellers A. Maternal serum triple analite screening in pregnancy // Am Fan
Phisican. – 2002. – № 65. – P. 15 – 20. 4. Wald N., Cucle H., Densem J. Maternal serum screening for
Down’s syndrome: the effect of routine ultrasound scan determination of gestational age and adjustment
for maternal weight // BJOG. – 1992. – № 99. – P. 9 – 44. 5. Vranken G., Reynolds T., Van Nueten G.
Medians for second-trimester maternal serum markers: geographical differences and variation causes by
median multiples-of-median equations // J. Clin Pathol. – 2006. – № 6. – P. 639 – 644. 6. Организация
баз данных в вычислительных системах / Дж. Мартин – М.: Мир, 1980. – 662 с. 7. Филатова А.Е.,
Игнатьева А.Е.. Методы прведения биохимического скрининга в пренатальной диагностике
// Вестник НТУ "ХПИ". Тем. вып. "Информатика и моделирование". – Харьков: НТУ "ХПИ". –
2008. – № 8. – С. 191 – 194.. 8. Reynolds T.M., Penney M.D., Boots L. The mathematical basis of
multivariate risk analisys: with special reference to screening for Down’s syndrome associated pregnancy
// Am Clin Biochem. – 1990. – № 27. – P. 8 – 52.
УДК 681.5
Комп’ютерна система прийняття рішень в пренатальній діагностиці / Ігнатьєва О.Є.,
Філатова Г.Є. // Вісник НТУ "ХПІ". Тематичний випуск: Інформатика і моделювання. – Харків:
НТУ "ХПІ", 2008. – № 24. – С. 72 – 76.
У статті розглядається розробка комп’ютерної системі прийняття рішень в пренатальній
діагностиці для виявлення хромосомних аномалій плода за біохімічними показниками крові матері
у другому триместрі вагітності. Розроблена система виконує наступні функції: ведення баз даних
пацієнтів та статистичних значень маркерних білків; розрахунок та корекція МоМ (multiple of
median), розрахунок вікового ризику та ризику виникнення синдрома Дауна. Іл.: 2. Бібліогр.: 8
назв.
Ключові слова: компьютерна система прийняття рішень, пренатальна діагностика,
маркерні білки, віковий ризик, ризик виникнення синдрома Дауна.
UDC 681.5
Decision-making computer system in prenatal diagnostics / Ignatyeva A.E., Filatova A.E.
// Herald of the National State University "KhPI". Subject issue: Information science and modelling. –
Kharkov: NSU "KhPI", 2008. – № 24. – P. 72 – 76.
The present article reviews development of decision-making computer system in prenatal
diagnostics for identification embryo chromosomal anomalies by biochemical values of mother’s blood in
the second term of pregnancy. The system implements next functions: supporting databases of patients
and marker serums statistical values; MoM (multiple of median) calculation and correction, age risk and
risk in Down’s syndrome calculation. Figs: 2. Refs: 8 titles.
Key words: decision-making computer system, prenatal diagnostics, marker serums, age risk,
down’s syndrome risk.
Поступила в редакцию 25.04.2008
76
УДК 519.711.3:343.98
Н.І. МАЗНИЧЕНКО, ст. викладач НЮАУ,
М.В. ГВОЗДЕНКО, ст. викладач НЮАУ (м. Харків)
АНАЛІЗ МОЖЛИВОСТЕЙ СИСТЕМ АВТОМАТИЧНОЇ
ІДЕНТИФІКАЦІЇ КЛАВІАТУРНОГО ПОЧЕРКА
У статті розглянуті основні принципи побудови, області вживання, особливості використання
автоматизованих систем ідентифікації і аутентифікації користувачів комп'ютерних систем та
мереж за клавіатурним почерком. Проаналізовані можливі сфери вживання, запропоновані
перспективні області застосування. Сформульовані пропозиції, які забезпечать збільшення
надійності і достовірності цих систем.
Ключові слова: системи ідентифікації і аутентифікації користувачів комп‘ютерних систем,
клавіатурний почерк.
Постановка проблеми. У наш час загальної інформатизації особливу
важливість і значення набувають задачі захисту інформації. Найважливішим
аспектом інформаційної безпеки при роботі з комп’ютерами та мережами є
розмежування доступу до управління комп’ютерної системою і до її ресурсів.
В даний час найактуальнішими є системи на основі біометричних методів
розмежування і контролю доступу [1]. Одним з напрямів біометрії є
ідентифікація та аутентифікація користувачів за їх клавіатурним почерком.
Областю її вживання є системи, в яких існує клавіатурне введення інформації
або управління через клавіатуру: комп'ютерні системи і мережі, мобільний
зв'язок, деякі системи державної важливості та ін. Проблеми ідентифікації і
аутентифікації користувачів комп'ютерів є актуальними також у зв'язку зі все
більшим поширенням комп'ютерних злочинів.
Аналіз літератури. Останнім часом підвищується інтерес до даного
наукового напрямку, що відбивається збільшенням публікацій. Дана проблема
вивчалася в роботах таких вчених, як Расторгуєв З.Н. [2], Іванов А.І. [3],
Рибчинко Д.Є. [4], Абашин В.Г. [5], Шаріпов Р.Р. [1], Гузик В.Ф., Галуєв Г.А.,
Десятерик М.Н. [6] і ін. Але, нажаль, в нашій країні цьому науковому
напрямку приділяється недостатньо уваги. Проте, розглянувши накопичений
досвід наукових досліджень і практичних вживань, потрібно чіткіше
сформулювати основні принципи побудови біометричних систем ідентифікації
і аутентифікації користувачів на основі їх клавіатурного почерку, позначити
перспективні напрямки використання, запропонувати можливі дії по
вдосконаленню цих систем.
Мета статті. На сьогоднішній день багато питань ідентифікації та
аутентифікації користувачів за клавіатурним почерком не вивчено. Існуючі
програмні реалізації подібних систем характеризуються недостатньою
достовірністю та надійністю. Актуальна розробка нових методів, алгоритмів і
77
їх програмно-апаратних реалізацій, що дозволить значно підвищити
ефективність цих систем.
Клавіатурний почерк, також званий ритмом друкування, відображає
спосіб друкування користувачем тієї або іншої фрази. Річ у тому, що кожна
людина по-своєму набирає текст на клавіатурі [8]. Тому по певних
характеристиках можна ідентифікувати користувача з досить високою
точністю. Очевидні переваги даних систем. По-перше, не потрібне ніяке
додаткове обладнання. По-друге, ідентифікація дуже зручна для користувача:
неначебто він вводить звичний пароль, а насправді система визначає, чи має
право сидячий за комп'ютером на доступ до інформації, тобто, існує подвійний
контроль доступу, причому, ідентифікація за клавіатурним почерком буде
прихованою від зловмисника. Головний недолік використання клавіатурного
почерку для ідентифікації особи – тимчасова зміна самого почерку у
користувачів під впливом стресових ситуацій. Що, у свою чергу, може
привести до відмови в доступі людині, що має на це право.
Можливість аутентифікувати клавіатурний почерк людини з'являється
при введенні парольної фрази, що складається з достатньо великої кількості
букв. Встановлено, що парольна фраза повинна бути по довжині не менше 20
символів [1].
У кожного з нас свій почерк, у тому числі і клавіатурний, який
виявляється
в
характерній
швидкості
набору
символів,
звичці
використовування основної і додаткової частин клавіатури, специфіці
натиснень клавіш, прийомах і методах роботи за комп'ютером, що склалися.
Основна характеристика, по якій будуються системи для ідентифікації –
динаміка набору кодового слова. Хтось набирає швидше, хтось повільніше,
можна набирати одним пальцем, двома, або більшою кількістю – як умієш.
Крім того, при наборі слів деякі поєднання букв або слова набираються
набагато швидше. За допомогою даного способу можна не тільки
ідентифікувати користувача, але і проводити подальший контроль під час
роботи комп'ютера. Ще одним параметром для аналізу може служити кількість
помилок при введенні тексту, а також їх характер. Наприклад, натиснення на
сусідні клавіші. Для ідентифікації найчастіше застосовуються нейромережеві
алгоритми.
При введенні інформації користувач послідовно натискає і відпускає
клавіші, відповідні тексту, що вводиться. При цьому для кожної натиснутої
клавіші можна фіксувати моменти натиснення і відпуску. На персональних
комп'ютерах на наступну клавішу можна натискувати до відпуску попередніх,
тобто символ поміщається в буфер клавіатури тільки по натисненню клавіші,
тоді як апаратні переривання від клавіатури виникають і при натисненні, і при
відпуску клавіші.
Основними характеристиками клавіатурного почерку слід рахувати
тимчасові інтервали між різними моментами введення тексту:
– між натисненнями клавіш;
78
– між відпусками клавіш;
– між натисненням і відпуском однієї клавіші;
– між відпуском попередньої і натисненням наступної клавіші.
Крім того, можуть враховуватися похідні від тимчасових інтервалів
вторинні показники, наприклад, такі як швидкість і прискорення введення.
Для обробки швидкості введення символів беруться тимчасові інтервали,
витрачені на введення окремих букв. При розширеному аналізі беруться
натиснення всіх клавіш взагалі. При накопиченні достатньої для розрахунку
кількості статистичних випробувань виходить множина тимчасових
інтервалів, витрачених на введення кожного символу. На основі набутих
значень розраховується середній час введення окремого узятого символу
(математичне очікування), і відхилення від середнього (дисперсія). Цю
матрицю значень символ/математичне очікування/дисперсія можна прийняти
як еталон для конкретного користувача. По різницях між сусідніми
тимчасовими інтервалами, що тривають між окремими натисненнями,
знаходиться додаткова диференціальна характеристика, похідна за часом, яка
показує зміну швидкості набору. Вона також індивідуальна. Деякі математичні
моделі використовують передісторію символу, тобто, натиснення якої клавіші
передувало натисненню даної. Дійсно, для багатьох текстів або дій можна
знайти альтернативні варіанти набору. На цьому ґрунтується побудова
багатовимірних марківських матриць, які на відміну від попередньої
одновимірної моделі враховують марковость (залежність від передісторії).
Змішана модель враховує як диференціальну характеристику, так і розглядає
передісторію. Використовування основної або додаткової частин клавіатури
може виявити індивідуальний стиль і уточнити характеристики.
Аналіз може бути проведений по "вільному набору" або, заздалегідь
заданій контрольній фразі. При аналізі по "контрольній фразі" користувач
кілька разів вводить одну і ту ж контрольну фразу і по ній розраховується
матриця значень символ/математичне очікування/дисперсія. Для порівняння
береться еталонний зразок і одержана матриця, і аналізуються розбіжності в
значеннях. Оскільки ця модель ймовірна, то приймається довірчий інтервал,
іншими словами, допустимі відхилення. При аналізі по "вільному набору" для
аналізу беруться пари, трійки символів що зустрічаються як в контрольній
фразі, яку брали для розрахунку еталонної матриці, так і ідентичні
букводрукувальні при "вільному наборі" і використовуються тимчасові
залежності між натисненнями декількох клавіш в однакових поєднаннях.
Як відомо, основними характеристиками біометричних систем обмеження
доступу є вірогідність відмови легальному користувачу (помилка першого
роду) і пропуску зловмисника (помилка другого роду). Вірогідність помилок
першого і другого роду багато в чому визначається індивідуальністю і
стійкістю характеристик випробовуваної особи. Звичайно декларовані
значення цієї вірогідності є деякими усередненими оцінками, одержаними
експериментально шляхом статистичного усереднювання на великій вибірці.
79
При цьому фактично не враховується якість біометричних характеристик
конкретної особи. На практиці такий підхід чреватий неприємностями,
оскільки характеристики вірогідності системи обмеження доступу в значній
мірі різняться залежно від характеристик конкретної особи і можуть суттєво
відрізнятися від їх середніх оцінок. Тобто, можливі ситуації, коли через
несумлінність користувача при навчанні системи (зокрема в системах
аутентифікації за клавіатурним почерком) або яких-небудь інших причин
може виявитися, що дійсна вірогідність помилок нижче, ніж декларують.
Для клавіатурного почерку можна виділити ще такі характеристики як
стабільність і індивідуальність, і на їх основі побудувати деякий функціонал
якості особливостей клавіатурного почерку [9].
Стабільність почерку користувача характеризує ступінь стійкості
біометричних характеристик почерку. Задача кількісної оцінки стабільності
біометричних параметрів достатньо складна. Очевидно, що чим менше
середній розкид параметрів почерку користувача, тим почерк стабільніший.
Тобто стабільність клавіатурного почерку особи можна оцінити через середню
дисперсію біометричних характеристик.
Будь-яка система біометричної аутентифікації розпізнає користувачів на
основі їх особливостей. Особливості біометричних характеристик почерку
особи щодо інших осіб пропонується оцінювати за допомогою критерію
індивідуальності. Індивідуальність визначає ступінь унікальності параметрів
клавіатурного почерку особи. Мабуть, найбільш складно оцінити саме
індивідуальність біометричних характеристик. Очевидно, що функціонал
індивідуальності повинен залежати від площі перекриття законів розподілу
біометричних параметрів порівнюваних осіб. Окрім цього необхідно
враховувати вид вирішального правила, що використовується. Проте в
першому наближенні можна задати функціонал індивідуальності
характеристик клавіатурного почерку особи функцією відстані між центрами
розподілу математичних очікувань біометричних параметрів, оскільки ступінь
відмінності параметрів почерку двох осіб характеризується відстанню між
центрами розподілу їх біометричних параметрів. Для кількісної оцінки
індивідуальності почерку при такому підході необхідна статистична
інформація про біометричні параметри різних осіб. Тобто потрібно мати
характеристики середньостатистичної особи (або набір характеристик груп
різних осіб з вірогідністю, з якою вони зустрічаються).
Слід зазначити, що проблема оцінки стійкості і індивідуальності
біометричних характеристик далека від вирішення.
У літературі [4, 6, 10, 11 і ін.] описано чотири математичні підходи до
рішення задачі розпізнавання клавіатурного почерку користувача ЕОМ:
– статистичний;
– ймовірносно-статистичний;
– на базі теорії розпізнавання образів і нечіткої логіки;
– на основі нейромережевих алгоритмів.
80
Крім зазначених у статті сфер застосування, системи біометричної
ідентифікації і аутентифікації за клавіатурним почерком можуть
застосовуватися для підвищення надійності систем розмежування доступу, для
посилення контролю над користувачами (явного або негласного) в системах,
що працюють з критичними даними. В психології вони можуть застосуватись
для визначення професії або культурного середовища випробовуваного.
Схожу методику можна розробити для побудови психологічних аналізаторів
стресу ("детекторів брехні").
Висновки. Проведений аналіз систем ідентифікації та аутентифікації
користувачів за клавіатурним почерком в комп'ютерних системах і мережах
показує, що існуючі програмні реалізації даних систем характеризуються
недостатньою достовірністю. Тому достатньо актуальною на сьогоднішній
день є розробка нових методів, алгоритмів і їх програмно-апаратних
реалізацій, що підвищують ефективність систем ідентифікації і аутентифікації
особи користувача.
Проаналізувавши існуючі системи можна зробити висновок, що
підвищення достовірності аутентифікації користувачів за клавіатурним
почерком може досягатися за рахунок алгоритмів, які дозволяють
досліджувати нові параметри клавіатурного почерку при одночасному
збільшенні реєстрованої інформації користувачів, а також систематизації
відомих параметрів клавіатурного почерку. Також можливо запропонувати ще
один напрямок для досягнення мети підвищення якості систем ідентифікації та
аутентифікації за клавіатурним почерком – це використання математичних
методів, яки до цих пір для цієї цілі не використовувались з обов’язковим
докладним розгляданням їх можливостей та доцільності використання.
На сьогоднішній день рішення питання підвищення ефективності
ідентифікації користувачів бачиться так само через створення комплексних
систем, що використовують для прийняття рішень декілька біометричних
характеристик користувача.
Список литературы: 1. Шарипов Р.Р. Идентификация и аутентификация пользователей по
клавиатурному почерку // Электронное приборостроение. Научно практический сборник. –
Казань: ЗАО "Новое знание", 2005. – Вып. 3 (44). – С. 50 – 54. 2. Расторгуев С.П. Программные
методы защиты информации в компьютерах и сетях. – М.: Из-во "Яхтсмен", 1993. – 213 с.
3. Иванов А.И. Биометрическая идентификация личности по динамике подсознательных
движений. – Пенза: Из-во Пензенского гос. ун-та, 2000. – 188 с. 4. Рыбченко Д.Е., Иванов А.И.
Анализ клавиатурного почерка аппаратом нечетких множеств для целей ограничения доступа и
аудита // Специальная техника средств связи. Серия: "Системы, сети и технические средства
конфиденциальной связи". – Пенза: ПНИЭИ, 1996. – Вып. № 1. – С. 78 – 82. 5. Абашин В.Г.
Автоматизация
процесса
определения
психофизиологического
состояния
оператора
автоматизированного рабочего места в АСУТП. Автореферат дис. к.т.н. – Орел: ОрелГТУ, 2007. –
20 с. 6. Гузик В.Ф., Галуев Г.А., Десятерик М.Н. Биометрическая нейросетевая система
идентификации пользователя по особенностям клавиатурного почерка // Нейрокомпьютеры.
Разработка, применение. – 2001. – № 7 – 8. – С. 123 – 129. 8. Трушина Е.А. Идентификация
пользователя ЭВМ по клавиатурному почерку, как метод защиты от несанкционированного
доступа. – 1997. – 27 с. 9. Рыбченко Д.Е. Критерии устойчивости и индивидуальности
81
клавиатурного почерка при вводе ключевых фраз // Специальная техника средств связи. Серия:
"Системы, сети и технические средства конфиденциальной связи". – Пенза: ПНИЭИ, 1997. – Вып.
№ 2. – С. 68 – 74. 10. Шарипов Р.Р. Разработка полигауссового алгоритма аутентификации
пользователей в телекоммуникационных системах и сетях по клавиатурному почерку.
Автореферат дис. к.т.н. – Казань: КГТУ. – 2006. – 18 с. 11. Завгородний В.В., Мельников Ю.Н.
Идентификация по клавиатурному почерку // Банковские технологии. – 1998. – №9. – С. 25 – 29.
УДК 519.711.3:343.98
Анализ возможностей систем автоматической идентификации клавиатурного почерка
/ Мазниченко Н.И., Гвозденко М.В. // Вестник НТУ "ХПИ". Тематический випуск: Информатика
и моделирование. – Харьков: НТУ "ХПИ", 2008. № 24. – С. 77 – 82.
В статье рассмотрены основные принципы построения, области применения, особенности
использования автоматизированных систем идентификации и аутентификации пользователей
компьютерных систем и сетей по клавиатурному почерку. Проанализированы возможные сферы
применения, предложены перспективные области применения. Сформулированы предложения,
которые обеспечат увеличение надежности и достоверности данных систем. Библиогр.: 11 назв.
Ключевые слова: системы идентификации и аутентификации пользователей
компьютерных систем, клавиатурный почерк.
UDC 519.711.3:343.98
Analysis of possibilities of the systems of automatic authentication of keyboard handwriting
/ Maznichenko N.I., Gvozdenko М.V. // Herald of the National State University "KhPI". Subject issue:
Information science and modelling. – Kharkov: NSU "KhPI", 2008. – № 24. P. 77 82.
Basic principles of construction are considered in this article, application, feature of the use of the
automated systems of authentication and authentification of users of the computer systems and networks
domains on keyboard handwriting. Possible purviews are analyses, perspective application domains are
offered. Suggestions which will provide the increase of reliability and authenticity of these systems are
formulated. Refs: 11 titles.
Key words: systems of identification and autentification users of computer systems, keyboard
handwriting.
Поступила в редакцію 25.04.2008
82
УДК 616: 617: 618: 624.2 (06): 681.3
Н.В. МАКСЮТА, канд. техн. наук, НТУ "ХПИ",
Э.Н. БУДЯНСКАЯ, канд. мед. наук, НИИ ГТ и ПЗ ХНМУ (г. Харьков),
М.Я. СНУРНИКОВ, НИИ ГТ и ПЗ ХНМУ (г. Харьков),
Т.В. ЧЕРНОБРОВКИНА, НИИ ГТ и ПЗ ХНМУ (г. Харьков)
ВЛИЯНИЕ ВОЗРАСТА, СТАЖА И ПРОДОЛЖИТЕЛЬНОСТИ
РАБОТЫ ЗА КОМПЬЮТЕРОМ НА РЕОЛОГИЧЕСКИЕ
СВОЙСТВА КРОВИ ПОЛЬЗОВАТЕЛЕЙ
Обсуждается проблема отрицательного влияния работы за компьютером на здоровье
пользователей. Показана роль своевременного выявления и коррекции нарушений реологических
свойств крови. С помощью дисперсионного анализа, критериев Стьюдента и Хоттеллинга на
примере мужчин выполнен сравнительный анализ влияния возраста, времени и стажа работы за
компьютером на состояние реологических свойств крови.
Ключевые слова: влияние работы за компьютером на здоровье пользователей, реологические
свойства крови, сравнительный анализ.
Постановка
проблемы.
Деятельность
современного
человека
невозможно представить без компьютерной техники. С каждым годом
непрерывно растет число людей, работающих с ней. Параллельно с широким
использованием компьютеров возрастает число сообщений об отрицательном
влиянии работы за ним на здоровье пользователей. Поэтому весьма
актуальной является проблема выявления неблагоприятных факторов на
рабочем месте пользователей, влияющих на состояние их здоровья [1 – 4].
Основные из них:
– электромагнитные
излучения
(электрическая
и
магнитная
составляющие);
– статическое электричество;
– напряжение зрительного анализатора;
– напряжение внимания;
– поза сидя в течение длительного времени.
В настоящее время проводятся исследования влияния длительной работы
за компьютером на состояние организма человека: на нервную, сердечнососудистую, эндокринную, иммунную, репродуктивную системы, зрительный
анализатор, костно-мышечный аппарат [1 – 4]. В последние годы в
практической медицине большое развитие получили исследования нарушений
реологических свойств крови (гемореологии). Это обусловлено тем, что
нарушения гемореологии являются первичным звеном патогенеза
последующих тромбоопасных ситуаций в организме, заключительным этапом
которых являются тромбоз, эмболия, инфаркт, инсульт, процент которых
стремительно растет [5 – 11]. Своевременное выявление данных нарушений и
их коррекция позволяет осуществлять раннюю диагностику и предотвращать
83
развивающуюся патологию. Однако, у пользователей компьютеров такие
исследования проводятся редко, что повышает актуальность данной
проблемы.
Анализ литературы. Нарушения реологических свойств крови
определяют с помощью следующих показателей: вязкость крови (ВК),
вязкость плазмы (ВП), уровень гематокрита, количество и средний объем
эритроцитов, осмотическая хрупкость эритроцитов, скорость оседания
эритроцитов, деформируемость эритроцитов, агрегация эритроцитов,
количество тромбоцитов, агрегация и адгезивность тромбоцитов [12]. В [5 –
11] показано, что гемореологические изменения являются первичными
признаками тромбофилий, ишемической болезни сердца, ишемического
инсульта, стенокардии, гипертонической болезни, инфаркта миокарда, а также
характерны при неспецифичных заболеваниях легких [13]. Однако, при
анализе литературы авторы не встретили отечественных работ, посвященных
исследованию гемореологических нарушений у пользователей компьютера.
Целью статьи является оценка влияния неблагоприятных факторов,
присутствующих при работе за компьютером, на состояние реологических
свойств крови пользователей.
Материалы и методы исследования. В качестве экспериментального
материала использовались две группы гемореологических показателей:
динамическая ВП и динамическая ВК при низком напряжении сдвига, которые
моделируют микроциркуляторное русло (8 точек при низком давлении
водного столба и низких значений напряжения сдвига: 1 точка – 1,5 дин/см2;
2 точка – 2,5 дин/см2; 3 точка – 4 дин/см2; 4 точка – 5 дин/см2; 5 точка –
6 дин/см2; 6 точка – 7,5 дин/см2; 7 точка – 9 дин/см2; 8 точка – 10 дин/см2).
Значения показателей получены с помощью капиллярного вискозиметра.
Таким образом, исследование проводилось для 16 показателей: 8 показателей
ВК (ВК1, ВК2, , ВК8) и 8 показателей ВП (ВП1, ВП2, , ВП8), полученных
в соответствии с 8-ю точками измерения. Статистический анализ проводился
на примере мужчин различного возраста и стажа как работающих, так и не
использующих в своей профессиональной деятельности компьютер.
Последние рассматривались как группа сравнения. Всего в обработку вошло
138 человек.
Подходы к исследованию. Логика исследования влияния работы за
компьютером на изменение гемореологических показателей состояла в том,
что все объекты были распределены на различные подгруппы: время работы за
компьютером в месяц (0, до 80, более 80 часов), стаж (до 5, от 5 до 15, более 15
лет) и возраст (до 25, от 25 до 50, более 50 лет). С целью исключения влияния
возраста на изменение гемореологических показателей, были получены
одновозрастные группы времени работы за компьютером (см. табл. 1). Затем
проводился сравнительный анализ выделенных подгрупп и их сочетаний с
84
помощью дисперсионного анализа и критериев: Стьюдента и Хоттеллинга. В
том числе проводилось сопоставление вышеназванных подгрупп с группой
сравнения (не работающие за компьютером).
Таблица 1
Разбиение лиц мужского пола на группы времени работы
за компьютером с учетом возраста
Группа
Время работы за компьютером, ч/мес.
Возраст, лет
1 (группа сравнения)
2
3
4
5
6
7
0
до 80
до 80
до 80
более 80
более 80
более 80
до 25
до 25
до 50
более 50
до 25
до 50
более 50
Результаты
исследования.
При
сравнении
дисперсий
гемореологических показателей во временных группах с учетом группы
сравнения значимыми оказались различия средних по показателям ВК1 и ВП1,
без учета группы сравнения – значимых различий не выявлено. Попарное
сравнение средних значений гемореологических показателей в различных
временных группах, выполненное с помощью критериев Стьюдента и
Хоттеллинга, дало аналогичный результат.
Дисперсионный анализ гемореологических показателей в возрастных
группах с учетом группы сравнения выявил достоверные различия по 7-ми
показателям: ВК1, ВП1 – ВП4, ВП6, ВП7. Без учета группы сравнения
имеются различия во временных группах по всем показателям ВП (ВП1 –
ВП8). При попарном сравнении средних значений рассматриваемых
показателей во временных группах присутствует различие между группами 1
(до 25-ти лет), 2 (от 25-ти до 50-ти лет), и 1, 3 (более 50-ти лет) по всем
показателям ВП. В группах 2, 3 нет значимых различий. При сравнении
стажевых групп получены результаты, аналогичные результатам анализа
возраста.
Анализ полученных результатов проверки значимости различий между
средними значениями гемореологических показателей во временных,
возрастных и стажевых группах, не подтвердил влияния времени работы за
компьютером на реологические свойства крови, так как при сравнении
возрастных и стажевых групп выявлено влияние возраста. Поэтому был
выполнен анализ влияния времени работы за компьютером на реологические
свойства крови в однородных возрастных группах (см. табл. 1).
При дисперсионном анализе 7-ми одновозрастных групп времени работы
за компьютером, т.е. с учетом группы сравнения, получены достоверные
различия по 5-ти показателям: ВК1, ВП1, ВП6 – ВП8. Без учета группы
сравнения (группы 2 – 7) – по показателям ВП1, ВП3, ВП6 – ВП8. Сравнение
85
однородных возрастных групп времени работы за компьютером дало
следующие результаты (см. табл. 2, 3).
Таблица 2
Результаты дисперсионного анализа влияния времени работы за компьютером
в возрастной группе до 25-ти лет с учетом группы сравнения (группы 1, 2, 5)
Показатели
ВК1
ВК2
ВК3
ВК4
ВК5
ВК6
ВК7
ВК8
ВП1
ВП2*
ВП3
ВП4
ВП5
ВП6*
ВП7*
ВП8*
Общая сумма Частная сумма
F-распределение Уровень значимости
квадратов
квадратов
5,14062
23,43742
5,22622
5,84297
4,74618
9,01710
6,93201
7,41916
0,77770
2,03830
0,83152
0,53855
0,41462
0,88037
1,04318
0,75334
2,57031
11,71871
2,61311
2,92148
2,37309
4,50855
3,46601
3,70958
0,38885
1,01915
0,41576
0,26928
0,20731
0,44019
0,52159
0,37667
0,674512
1,551096
0,881547
1,052117
0,892685
1,657627
1,558202
1,610114
1,372882
4,480633
2,641900
2,048088
1,943162
4,043325
6,317380
6,166343
0,513103
0,220130
0,419268
0,355348
0,414753
0,198925
0,218645
0,208109
0,260970
0,015222
0,079235
0,137618
0,151876
0,022359
0,003184
0,003611
Примечание. * обозначены показатели, имеющие значимые отличия в рассматриваемых группах
Таким образом, у мужчин возрастом до 25 лет (первая возрастная группа),
работающих и не работающих за компьютером (группа сравнения) имеются
значимые отличия по показателям ВП2 и ВП8. В то же время у мужчин этой
же возрастной группы, при сравнении различного времени работы за
компьютером (все временные группы без учета группы сравнения) нет
значимых различий средних значений, что свидетельствует об отсутствии
значимых отклонений рассматриваемых показателей в различных временных
группах пользователей компьютера. Следовательно, у лиц мужского пола
возрастом до 25-ти лет имеется тенденция к значимому различию показателей
ВП между работающими и не работающими за компьютером.
Результаты анализа влияния времени работы за компьютером во второй и
третьей возрастных группах не позволяют сделать четкого вывода, так как
значимые различия имеются только при сравнении данных групп с группой
сравнения (мужчины до 25 лет, не работающие за компьютером). Такое
сравнение выполнялось потому, что не удалось собрать данные для мужчин,
второй и третьей возрастных групп, не работающих за компьютером. Поэтому
86
не удалось выявить, влияние какого фактора (возраст или время работы)
проявилось в данном случае.
Таблица 3
Результаты сравнения однородных возрастных групп времени работы за
компьютером по гемореологическим показателям
Сравниваемые группы
Показатели, имеющие значимые различия
Результаты дисперсионного анализа
1, 2, 5
ВП2, ВП6, ВП7, ВП8
1, 3, 6
ВК1, ВП1
1, 4, 7
2, 5
3, 6
различий нет
4, 7
Результаты попарного сравнения
1, 2
ВП2, ВП6, ВП7, ВП8
1, 5
ВП2, ВП8
1, 3
ВК1, ВП1
1, 6
1, 4
ВК1
1, 7
ВП1
2, 5
3, 6
различий нет
4, 7
Выводы.
Выявлены
значимые
различия
средних
значений
анализируемых показателей между возрастными и стажевыми группами. Что
касается времени работы за компьютером, то полученные результаты
свидетельствуют не об установленной зависимости, а лишь о тенденции к
значимому различию средних значений показателей ВП2 и ВП8 у лиц
мужского пола возрастом до 25–ти лет, не работающих и работающих за
компьютером независимо от времени работы. Это является следствием
недостаточного объема экспериментальных данных. Необходимо продолжить
исследования в данном направлении по расширенному набору показателей, а
также по показателям реологических свойств крови с учетом лиц всех
возрастных групп, не работающих за компьютером.
Список литературы: 1. Нарушения процессов перекисного окисления липидов и состояния
мембран эритроцитов у больных пылевым бронхитом и работающих за персональными
компьютерами / О.Н. Чернышева, В.П. Брыкалин, Э.Н. Будянская и др. // Матеріали Х Конгресу
СФУЛТ. – Чернівці. – 26-28 серпня 2004 р. – С. 565–566. 2. Григорьев Ю.Г. Эмоциональный стресс
и электромагнитный поля // Ежегодник Российского Национального Комитета по защите от
неионизирующих излучений. – М.: РУДН, 2003. – С. 25–33. 3. Rezinkina M., Bydjanskaja E.,
Shcherba A. Numerical evaluation of external electromagnetic fields influence on brain electrical activity
// 4th INTERNATIONAL WORKSHOP ON BIOLOGICAL EFFECTS OF ELECTROMAGNETIC
FIELDS. – Limin Hersonissou, Crete, Greece. – 16-20 October 2006. – Vol. 1. – P. 172–179.
4. Хроническое воздействие на организм некогерентных электромагнитных волн миллиметрового
диапазона / С.А. Баджинян, А.С. Погосян, Д.С. Григорян и др. // Электромагнитные поля и
87
здоровье человека. Фундаментальные и прикладные исследования. – Материалы третьей
международной конференции. 17-24 сентября 2002 г., Москва-Санкт-Петербург, Россия. – 2002. –
С. 50–51. 5. Ионова В.Г., Суслина З.А. Реологические свойства крови при ишемических
нарушениях мозгового кровообращения // Неврологический журнал. – 2002. – № 3. – C. 4–9.
6. Прогностическое значение параметров гемореологии и микроциркуляции для повышения
эффективности консервативной терапии больных с острым коронарным синдромом
/ Г.Э. Константиновна, Н.Л. Цапаева, Т.Н. Толстая и др. // Гемореология в макро- и
микроциркуляции. – Ярославль, 2005. – С. 27. 7. Шляхто Е.В., Моисеева О.М., Лясникова Е.А.
Реологические свойства крови и функции эндотелия у больных гипертонической болезнью
// Кардиология. – 2004. – Т. 44. – № 4. – С. 20–23. 8. Иващенко И.И. Значение нарушений
реологических свойств крови и системы гемостаза для прогноза ИБС // Український
кардіологічний журнал. – 1998. – №3. – С. 52–56. 9. Ионова В.Г., Сазанова В.А., Сергеенко Н.П.
Электромагнитное поле и здоровье. Фундаментальные и прикладные исследования. – М.-СПб.,
2002. – 262 c. 10. Гемореология, гемостаз и фактор курения у больных с ишемическими
инсультами / М.М Танашян., В.Г. Ионова, М.А. Карабасова и др. // Тромбоз, гемостаз и реология. –
2002. – № 3 (11). – С. 42–45. 11. Изменения реологических характеристик эритроцитов крови
больных с хронической цереброваскулярной патологией под воздействием гелиогеофизических
факторов окружающей среды / Е.А. Сазанова, В.Г. Ионова, Ю.Я. Варакин и др. // Тромбоз,
гемостаз и реология. – 2002. – № 2 (10). – С. 41–46. 12. Козинец Г.И., Макарова В.А. Исследование
системы крови в клинической практике. – М.: Триада-Х, 1997. – 480 с. 13. Реологические свойства
крови у больных хроническими неспецифическими заболеваниями легких // Н.В. Палов,
В.И. Карандапов, В.А. Жомов и др. // Клиническая медицина. – 2002. – Т. 80. – № 6. – С. 25–27.
УДК 616: 617: 618: 624.2 (06)+681.3
Вплив віку, стажу і тривалості роботи за комп’ютером на реологічні властивості крові
користувачів / Максюта Н.В., Будянська Е.М., Снурников М.Я., Чернобровкіна Т.В. // Вісник
НТУ "ХПІ". Тематичний випуск: Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008. – № 24.
– С. 83 – 88.
Обговорюється проблема негативного впливу роботи за комп'ютером на здоров'я
користувачів. Показана роль своєчасного виявлення і корекції порушень реологічних властивостей
крові. За допомогою дисперсійного аналізу, критеріїв Ст’юдента і Хоттеллінга на прикладі
чоловіків виконаний порівняльний аналіз впливу віку, часу і стажу роботи за комп'ютером на стан
реологічних властивостей крові. Табл.: 3. Бібліогр.: 13 назв.
Ключові слова: вплив роботи за комп‘ютером на здоров‘я користувачів, реологічні
властивості крові, порівняльний аналіз.
UDK 616: 617: 618: 624.2 (06)+681.3
Influence of age, the experience and operation time behind a computer on reology blood
properties of users / Maksyuta N.V., Budyanskaya E.M. , Snurnikov M.Y., Chernobrovkina T.V.
/ Herald of the National State University "KhPI". Subject issue: Information science and modelling. –
Kharkov: NSU "KhPI", 2008. – № 24. – P. 83 – 88.
The problem of negative influence of work behind a computer on users health is discussed. The
role of duly revealing and correction of infringements reology blood properties is shown. By means of the
dispersive analysis, t-criteria and criteria Hotelling’s on an example of men the comparative analysis of
influence of age, time and the experience of work behind a computer on a condition reology blood
properties is executed. Tabl.: 3. Refs: 13 titles.
Key words: influence of work behind a computer on health of occupants, reologic properties of
blood, comparative analysis.
Поступила в редакцию 17.04.2008
88
УДК 65.001.1
Л.І. НЕФЬОДОВ, д-р техн. наук, ХНАДУ (м. Харків),
Т.Г. ФЕСЕНКО, ХНАМГ (м. Харків)
ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ОРГАНІЗАЦІЇ ОФІСУ З
УПРАВЛІННЯ БУДІВЕЛЬНИМИ ПРОЕКТАМИ
Розглянуто процеси організації офісу проекту крізь призму бізнес-процесів загального управління
будівельними проектами. Проаналізовано роль інформаційної технології у створенні системи
управління будівельними проектами відповідно до вимог проектного менеджменту. На основі
процесного підходу запропоновано структурну модель інформаційної технології організації офісу
в будівельній компанії.
Ключові слова: інформаційна технологія організації офісу, офіс з управління будівельним
проектом, будівельний проект.
Постановка проблеми. Офіс управління проектом (Project management
office, PMO) – це підрозділ, що здійснює централізацію і координацію
управління проектами, які знаходяться під його контролем. РМО
зосереджується на координованому плануванні, встановленні пріоритетів і
виконанні проектів і підпроектів, які мають відношення до головної організації
або загальних цілей клієнта [1].
Говорячи про офіс, варто мати на увазі, що мова йде про єдину
організаційну технічну систему, а саме: програмно-комп’ютерні засоби, засоби
комунікації та інформаційні технології. Тому окремої уваги заслуговує
питання розробки інформаційної технології організації офісу.
Об’єктом дослідження обрано процес організації офісу з управління
будівельними проектами, предметом – інформаційна технологія організації
офісу з управління будівельними проектами.
Типовою організаційною структурою будівельної компаній для
української будівельної галузі вважається ієрархічна система управління, яка
має ознаки лінійної, лінійно-функціональної і лінійно-штабної структури
управління [2]. Відмічається, що серед переваг такої структури є висока
виробнича реакція компанії, координація роботи підрозділів, виключення
подвійного (а часом потрійного і більше) підпорядкування. Проте, незважаючи
на поширення і розповсюдження лінійно-функціональних структур, виявлена
ціла низка їх недоліків, а саме:
– суперечливість внутрішніх інтересів підрозділів корпоративним;
– слабкість взаємозв’язків між різними функціональними підрозділами
(штабами);
– вирішення проблем, що виникають на різних рівнях організації,
піднімається до керівника підприємства;
– тривала процедура прийняття рішень;
– недостатня орієнтованість діяльності підрозділів на кінцевий результат;
89
– відсутність системного комплексного підходу до управління усіма
процесами, як функціональними, так і технологічними.
У цілому організації з механістичною, негнучкою системою, зазвичай
недостатньо ефективні [3]. Успішно реалізовувати комплексні проекти та
вирішувати складні проблеми можна за рахунок формування додаткових
органів управління – проектних команд.
Сучасні вимоги до будівельних підприємств передбачають розробку
системи управління проектами на основі процесного підходу, який передбачає
визначення усіх бізнес-процесів, що виконуються організацією і подальше їх
опрацювання з метою автоматизації і оптимізації [4].
Реалізація бізнес-процесів у рамках управління проектом повинна бути
оптимально організована, і це обумовлює вимоги до організації РМО:
– інформаційний супровід бізнес-процесу повинен бути орієнтований на
оптимальне за часом і витратами його виконання;
– має бути виключене дублювання бізнес-операцій;
– менеджери, які діють у межах одного бізнес-процесу, мають бути
зв’язані засобами комунікацій і у випадку розташування в одній географічній
точці локалізовані від менеджерів, які виконують інші функції.
РМО може існувати у будь-якій організаційній структурі. Сьогодні
будівельні організації поступово усвідомлюють корисність використання
офісу з управління проектами, оскільки він дає можливість узагальнити всі
проекти (портфель проектів) компанії.
Аналіз літератури. Вперше проблема організації офісу з управління
будівельним проектом була поставлена у 1980-х роках на Заході з метою
оптимізації та покращення якості виробничого процесу [5]. В Україні
інформаційні технології в будівництві почали запроваджуватися на при кінці
1990-х років [6, 7]. До теперішнього часу інформаційні технології організації
офісу з управління будівельними проектами практично не розроблені і широко
не використовуються.
Мета статі – підвищення ефективності організації проектноорієнтованого офісу з управління будівельними проектами за рахунок
розробки і впровадження нових інформаційних технологій.
Для розробки офісу з управління будівельними проектами необхідно
проаналізувати:
– організаційну структуру управління будівельними підприємствами;
– основні бізнес-процеси, що повинні виконуватися в офісі з управління
будівельним проектом. Ці процеси декомпозуються на групи: підготовчу,
планувальну, виробничо-технологічну (основну), експлуатаційну.
Необхідно:
розробити
інформаційну
технологію
організації
багаторівневого проектного офісу в будівельній компанії.
90
Опис структурної моделі інформаційної технології організації РМО в
будівельній організації. Конкретний проект характеризується специфікою
бізнес-процесів і шляху їх реалізації. Відповідно до процесної концепції
складовими процесу є [8]:
– основна діяльність процесу по перетворенню входу у виходи;
– діяльність щодо забезпечення ресурсами;
– управлінська діяльність (збір інформації про хід процесу по трьом
групам показників (процесу, продукту, задоволеності споживача);
– управління процесом на основі цієї інформації;
– планування та розподіл ресурсів для досягнення цілей процесу.
Сутність управлінської діяльності полягає у тому, що менеджер процесу
безпосередньо чи з встановленою періодичністю контролює інформацію про
хід процесу (показники процесу), про результати процесу (показники
продукту/послуги) та інформацію від споживача про ступінь його
задоволеності отриманим продуктом/послуги.
Побудова інформаційної технології організації офісу з управління
будівельними проектами (рис.) починається з обстеження самої будівельної
організації, виявлення законів і особливостей побудови її організаційної
структури. На цьому етапі виявляються особливості функціонування
будівельної компанії і встановлюються пріоритети і вимоги до системи
організації офісу.
Після обстеження будівельної організації формулюється мета,
здійснюється її декомпозиція на підцілі, визначаються завдання дослідження і
розглядаються методи їх вирішення.
Наступний крок в організації офісу – вибір моделей багатокритеріальної
оцінки і оптимізації процесів управління будівельними проектами.
Вирішується завдання оцінки і вибору оптимального рішення у
багатокритеріальній ситуації у залежності від ступеню невизначеності
інформації локальних завдань. Слід зазначити, що питання оптимізації
процесів організації офісу проекту розглядається через призму інформаційного
забезпечення організації офісу з управління проектами.
Подальший процес організації офісу з управління будівельними
проектами засновано на п’яти основних моделях:
– модель вибору програмного забезпечення автоматизації бізнеспроцесів;
– моделі вибору організаційно-технічних засобів автоматизації бізнеспроцесів;
– моделі синтезу розподіленої комп’ютерної мережі офісу, що
декомпозується на модель структурного синтезу і модель топологічного
синтезу комп’ютерної мережі.
Після реалізації моделей організації офісу аналізуються і оцінюються
отримані результати дослідження.
91
Обстеження будівельної організації
(виявлення особливостей функціонування будівельної організації і вимог до
організації офісу)
Вибір цілі та її декомпозиція на підцілі
Моделі
багатокритеріальної оцінки та
оптимізації процесів
організації офісу
Інформаційне забезпечення
системи управління організації
офісу проекту
Процес організації офісу з управління будівельними проектами
Модель вибору
програмного
забезпечення
автоматизації
бізнес-процесів
Модель
вибору
організаційних засобів
Моделі вибору
організаційнотехнічних засобів
автоматизації бізнеспроцесів
Модель
вибору
технічних
засобів
Модель
структурного
синтезу
Моделі синтезу
розподіленої
комп’ютерної
мережі офісу
Модель
топологічного
синтезу
Оцінка результатів
Рис. Структурна модель інформаційної технології організації офісу в
будівельній організації
Висновки. Таким чином, у статті запропонована структурна модель
інформаційної технології створення офісу з управління будівельними
проектами, яка дозволяє, на відміну від традиційних методів, вирішити задачу
організації офісу комплексно з єдиних системних і критеріальних принципів
на основі процесного підходу до управління проектом.
Подальші перспективи розвитку роботи пов’язані з розробкою
конкретних моделей оптимізації процесу організації офісу з управління
будівельними проектами.
92
Список літератури: 1. Руководство к своду знаний по управлению проектами (Руководство
РМВОК). – Project management institute, США, 2004. – 388 с. – www.pmi.org. 2. Хаксевер К.,
Рендер Б., Рассел Р., Мердик Р. Управление и организация в сфере услуг / Пер. с англ. под ред.
В.В. Кулибановой. – СПб.: Питер, 2002. – 687 с. 3. Научно-методологическое обеспечение
управления сложными проектами / Под ред. М.М. Митраховича. – К.: Техника, 2002. – 369 с.
4. Управління проектами: Навчальний посібник / Л.І. Нефьодов, Ю.А. Петренко, С. А. Кривенко,
М.І. Богданов, В.Ф. Демішкан. – Харків: ХНАДУ, 2004. – 200 с. 5. Бландел Р. Эффективные
бизнес-коммуникации. Принципы и практика в эпоху информатики. – СПб.: Питер, 2000. – 248 с.
6. Бабаєв В.М. Управління проектами. – Харків: ХНАМГ, 2006. – 231 с. 7. Тарасюк Г.М.
Управління проектами. – К.: Каравела, 2004. – 344 с. 8. Репин В.В., Елиферов В.Г. Процессный
подход к управлению. Моделирование бизнес-процессов. – М.: РИА "Стандарты и качество", 2005.
– 408 с. 9. Шутенко Л.Н. Технологические основы формирования и оптимизации жилищного
цикла городского жилого фонда. – Харьков: Майдан, 2002 – 169 с.
УДК 65.001.1
Информационная технология организации офиса управления строительными
проектами / Нефедов Л.И., Фесенко Т.Г. // Вестник НТУ "ХПИ". Тематический выпуск:
Информатика и моделирование. – Харьков: НТУ "ХПИ", 2008. – № 24. – С. 89 – 93.
Рассмотрены процессы организации офиса проекта в перспективе бизнес-процессов общего
управления строительными проектами. Проанализирована роль информационной технологии в
создании системы управления строительным проектом в соответствии с требованиями проектного
менеджмента. На основе процессного подхода предложена структурная модель информационной
технологии организации офиса в строительной компании. Ил.: 1. Библиогр.: 9 назв.
Ключевые слова: информационная технология организации офиса, офис управления
строительным проектом, строительный проект.
UDC 65.001.1
Information technology organization of Building project management offices / Nefedov L.I.,
Fesenko T.G. // Herald of the National State University "KhPI". Subject issue: Information science and
modeling. – Kharkov: NSU "KhPI", 2008. – № 24. – P. 89 – 93.
Determined process of the formatted project management office through biasness–process of total
building project management. The phenomenon of information system to the system building project
management. have been analyzed. Represented the structural model of the information technology
organization of project management office in building company which based process method. Figs: 1.
Refs: 9 titles.
Key words: information technologists of the organization of office, office of management of the
building project, the building project.
Поступила в редакцію 15.04.2008
93
УДК 658.62.018
Л.И. НЕФЁДОВ, д-р техн. наук, ХНАДУ (г. Харьков),
А.А. ШЕВЧЕНКО, Нормативно-аналитический центр ДК "Укртрансгаз"
(г. Харьков)
МОДЕЛИ ОРГАНИЗАЦИИ МОНИТОРИНГА ОЦЕНКИ КАЧЕСТВА
БИЗНЕС-ПРОЦЕССА ТРАНСПОРТА ГАЗА НА
КОМПРЕССОРНОЙ СТАНЦИИ
В статье рассмотрены группы показателей процессов системы управления качеством в
соответствии с требованиями ДСТУ ISO 9001-2001. Приведены результаты теоретических
исследований разработки математических моделей оценки показателей качества бизнес-процесса
транспорта газа на компрессорной станции по многим критериям с учётом ограничений на
выделенный бюджет по проведению всех оценок и количество оценок каждого показателя.
Ключевые слова: система управления качеством, бизнес-процесс, показатели качества,
мониторинг.
Постановка проблемы и анализ литературы. Бизнес-процесс
транспорта газа на компрессорной станции (КС) состоит из совокупности
процессов управленческой деятельности, обеспечения ресурсами, выполнения
транспортной услуги и измерения. Эти процессы системы управления
качеством компрессорной станции сформированы в соответствии с основными
технологическими операциями (очистка газа от механических примесей,
компримирование газа, охлаждение, сепарирование) и вспомогательными
операциями (замер, контроль и управление технологическими параметрами
работы КС и газопроводов до и после КС).
При разработке и внедрении системы управления качеством (СУК)
компрессорной станции магистрального газопровода в соответствии с
требованиями международнго стандарта ДСТУ ISO 9001-2001 разработчики
сталкиваются не только с проблемами выделения процессов СУК, но и
созданием системы их мониторинга. Требования стандарта [1], выдвигаемые к
мониторингу процессов представлены в п. 4.1, п. 7.1, п. 7.6, п. 8.2, п. 8.4.
Управление качеством любого процесса, зависит от эффективности
проведения мониторинга. Измерение и анализ показателей процесса является
важнейшим средством, позволяющим находить пути улучшения процессов.
Согласно [2], мониторинг – это непрерывное комплексное наблюдение за
объектами, измерение параметров и анализ их функционирования. Таким
образом, реализация процесса мониторинга представляет собой решение двух
задач: измерения параметров объекта и анализ его функционирования.
Для выполнения задачи измерения необходимо найти ответы на вопросы:
– Что измеряем? Определить показатели и единицы измерения.
– Где измеряем? Определить контрольные точки измерения.
– Как измеряем? Определить методики измерения.
94
Если в качестве объектов рассматривать процессы системы управления
качеством КС, то задача измерения усложняется в связи с наличием в
процессах трёх групп показателей качества: процесса; продукта процесса;
удовлетворённости пользователей процесса.
Показатели процесса это количественные и/или качественные параметры,
характеризующие течение самого процесса и затраты на него (временные,
финансовые, ресурсные, человеческие и др.).
Показатели процесса могут быть абсолютными и относительными
(приведённые к объёму услуг, с сезонными колебаниями и другими внешними
факторами, не зависящими от управления проверяемым процессом).
Показатели продукта (услуги) – это параметры, характеризующие
продукт как результат выполнения процесса.
Показатели удовлетворённости потребителей процесса – параметры,
характеризующие степень удовлетворённости потребителя результатом
процесса [3].
Как показал анализ публикаций [4 – 8], существующая система
мониторинга выполняет измерение и анализ параметров только
технологических процессов КС, т.е. учитывает показатели продукта (услуги)
КС. При этом не всегда обоснованы подходы по определению количества
контролируемых параметров и точек контроля.
По показателям процесса и удовлетворённости потребителей процесса,
мониторинг вообще не проводится в связи с отсутствием внедрения
процессного подхода к управлению на КС. Таким образом, для выполнения
мониторинга этих групп показателей качества процессов нет обоснованного
подхода по определению в каждой группе показателей: количества
измеряемых параметров, точек контроля и методик измерения.
Формулировка цели и постановка задачи. Целью статьи является
повышение эффективности проведения оценки показателей качества процесса
транспорта газа на КС за счёт разработки новых и развития известных моделей
принятия решений по множеству критериев.
Рассмотрим постановку задачи определения количества оценок разных
показателей качества в заданных точках контроля за определенный период
управления.
Необходимо найти оптимальный план проведения оценок всех трёх групп
показателей качества по всем точкам контроля при ограниченных ресурсах с
учётом следующих частных критериев:
– максимум суммарного количества всех оценок показателей качества;
– максимум эффективности проведения оценок показателей качества с
учётом их важности;
– минимум суммарной стоимости проведения оценок всех показателей.
Математические модели. Для построения математической модели
введём такие переменные и параметры:
95
i – номер процесса, i 1, i ' , где i’ – количество процессов СУК на КС;
j – номер точки контроля i-го процесса, j 1, j i ;
р – номер группы показателей качества, p 1, 3 ; k – номер показателя р-й
группы в j-й точке контроля i-го процесса, k 1, k ijp ;
ijpk – коэффициент весомости k-го показателя по р-й группе в j-й точке
kijp
контроля i-го процесса, ijpk 1 ; ijpk 0 ;
k 1
С0 – выделенный бюджет для проведения всех оценок;
c ijpk – стоимость одной оценки k-го показателя по р-й группе в j-й точке
контроля i-го процесса; xijpk – искомое количество оценок k-го показателя по
р-й группе в j-й точке контроля i-го процесса.
Таким образом, частные критерии имеют вид:
– максимум суммарного количества всех оценок показателей качества
i'
ji
3 kijp
U X max xijpk ,
(1)
i 1 j 1 p 1k 1
где X xijpk – план проведения оценок всех k-х показателей по р-м группам
в j-х точках контроля i-х процессов;
– максимум эффективности проведения оценок показателей качества с
учётом их важности
i'
ji
3 kijp
E X max ijpk xijpk ,
(2)
i 1 j 1 p 1k 1
– минимум суммарной стоимости проведения оценок всех показателей
i'
ji
3 kijp
C X min cijpk xijpk .
(3)
i 1 j 1 p 1k 1
Основное ограничение введено на суммарные затраты по проведению
оценок всех показателей, которые не должны превышать выделенный бюджет
С0
i'
ji
3 kijp
cijpk xijpk C0 .
(4)
i 1 j 1 p 1k 1
Практический интерес вызывают дополнительные ограничения на
минимальное и максимальное количество оценок. По каждой группе
показателей в j-й точке контроля i-го процесса должно быть проведено не
96
менее одного измерения k-го показателя и не более Nijpk нормативно
определённого количества оценок:
1 xijpk N ijpk .
(5)
Кроме этого, на искомые переменные хijpk накладываются ограничения их
положительности и целочисленности:
xijpk 0; xijpk int; i 1, i ' ; j 1, j i ; p 1, 3; k 1, k ijp .
(6)
Математическая модель (1) – (6) относится к задачам линейного
целочисленного программирования по многим критериям. Для её решения
используют модели многокритериальной оптимизации [9] и целочисленного
программирования [10].
На практике модель (1) – (6) сводиться к двум простым
однокритериальным моделям вида:
Модель 1: максимизировать суммарное количество всех оценок
показателей качества (эффективность проведения оценок с учётом их
важности):
i'
ji
i'
3 kijp
ji
3 kijp
U X max xijpk или E X max ijpk xijpk ,
i 1 j 1 p 1k 1
i 1 j 1 p 1k 1
при ограничениях:
i'
ji
3 kijp
cijpk xijpk C0 ;
i 1 j 1 p 1k 1
1 xijpk N ijpk ;
xijpk 0; xijpk int; i 1, i ' ; j 1, j i ; p 1, 3; k 1, k ijp .
Модель 2: минимизировать суммарную стоимость проведения оценок
всех показателей качества:
i'
ji
3 kijp
C X min cijpk xijpk ,
i 1 j 1 p 1k 1
при ограничениях:
i'
ji
3 kijp
cijpk xijpk C0 ; 1 xijpk N ijpk ;
i 1 j 1 p 1k 1
xijpk 0; xijpk int; i 1, i ' ; j 1, j i ; p 1, 3; k 1, k ijp .
Вывод. В результате проведённых исследований разработаны
математические модели, которые позволяют, в отличие от существующих,
организовать мониторинг оценки качества процессов транспорта газа на
компрессорной станции по многим критериям с учётом ограничений на
выделенный бюджет по проведению всех оценок и количество оценок каждого
97
показателя. Это позволяет повысить эффективность проведения оценки
качества транспорта газа на компрессорной станции.
Список литературы: 1. ДСТУ ISO 9001-2001 Системи управління якістю. Вимоги. К.:
Держстандарт України, 2001. 2. Фатхутдинов Р.А. Организация производства. – М.: ИНФА, 2002.
– 672 с. 3. Репин В.В., Елифёров В.Г. Процессный подход к управлению. Моделирование бизнеспроцессов. – М.: РИА "Стандарты и качество", 2005. – 408 с. 4. Плотников В.М.,
Подрешетников В.А., Гончаров В.У. Средства контроля и автоматизации объектов транспорта газа.
– Л.: Недра, 1985. – 216 с. 5. Автоматизация компрессорных станций магистральных газопроводов
/ А.З. Грищенко, И.Н. Богаенко, Ю.И. Артёмов и др. – К.: Техника, 1990. – 128 с. 6. Руднік А.А.
Методи підвищення ефективності транспортування газу. – К.: Кий, 2005. – 93 с. 7. Гура Л.О.
Газоперекачувальні станції магістральних газопроводів. – Х.: НТУ "ХПІ", 2006. – 181 с. 8. СОУ
60.3-30019801-050:2008. Правила технічної експлуатації магістральних газопроводів.
9. Петров Е.Г., Новожилова М.В., Гребеннік І.В. Методи і засоби прийняття рішень у соціальноекономічних системах: Навч. посібник. – Х.: ХДТУБА, – 2002. – 284 с. 10. Сергиенко И.В.,
Математические модели и методы решения задач дискретной оптимизации. – К.: Наук. Думка,
1985. – 384 с.
УДК 658.62.018
Моделі організації моніторингу оцінки якості бізнесу-процесу транспорту газу на
компресорній станції / Нефьодов Л.І., Шевченко А.О. // Вісник НТУ "ХПІ". Тематичний
випуск: Інформатика та моделювання. – Харків: НТУ "ХПІ", 2008. – № 24. – С. 94 – 98.
У статті розглянуті групи показників системи керування якістю відповідно до вимог ДСТУ
ISO 9001-2001. Наведено результати теоретичних досліджень розробки математичних моделей
оцінки показників якості бізнесу-процесу транспорту газу на компресорній станції за багатьма
критеріями з урахуванням обмежень на виділений бюджет по проведенню всіх оцінок і кількість
оцінок кожного показника. Бібліогр.: 10 назв.
Ключові слова: система управління якістю, бізнес-процес, показники якості, моніторинг.
UDC 658.62.018
Models of organization monitoring of estimation quality business-processed in gas transport
at the compressor station / Nefedov L.I., Schevchenko А.А. // Herald of the National State University
"KhPI". Subject issue: Information science and modelling. – Kharkov: NSU "KhPI", 2008. – № 24. – P.
94 – 98.
In the article the groups of indexes of the control quality system are considered in accordance with
the requirements of ISO 9001-2001. The results of theoretical researches of development of mathematical
models of estimation of indexes of quality of бизнес-процесса of gas transport are resulted at the
compressor station to on to many to the criteria taking into account limits on the selected budget on
conducting of all estimations and amount of estimations of every index. Refs: 10 titles.
Key words: control quality system, business-process, and indexes of quality, monitoring.
Поступила в редакцию 14.04.2008
98
УДК 621.77
Т.Б. НИКИТИНА, канд. техн. наук, НТУ "ХПИ"
ЧУВСТВИТЕЛЬНОСТЬ ЦИФРОВОЙ РОБАСТНОЙ СИСТЕМЫ
УПРАВЛЕНИЯ ТРЕХОПОРНОЙ ПЛАТФОРМОЙ
Исследована чувствительность цифрового робастного управления трехопорной платформой как
трехмассовой электромеханической системы для стабилизации динамических характеристик
системы управления. Приведен пример динамических характеристик синтезированной цифровой
робастной системы управления трехопорной платформой.
Ключевые слова: робастная система управления, трехопорная платформа, стабилизация
динамических характеристик системы управления.
Постановка проблемы. В последнее время наиболее широкое
распространение получили трехопорные платформы, управляемые двумя
исполнительными двигателями по двум углам поворота относительно третьей
неподвижной опоры [1]. В трехопорных управляемых платформах
используются следящие приводы с исполнительными механизмами линейного
перемещения. Характер динамических процессов в трехопорных управляемых
платформах в значительной степени определяется наличием упругих
элементов в кинематической цепи электромеханической системы от
приводного двигателя до рабочего органа. Возникновение колебаний в режиме
буксования в основном обусловлено наличием падающего участка в
характеристике внешнего трения. Причем, такой падающий участок особенно
характерен при работе электромеханических систем на низких скоростях
движения рабочего органа, что часто сопровождается его неплавным
движением.
Анализ литературы Синтез таких систем по квадратичным критериям
качества рассмотрен в [2 – 4]. Однако синтезированные таким образом
системы обладают различными динамическими характеристиками при работе
на восходящем и падающем участках характеристики внешнего трения.
Целью данной статьи является исследование чувствительности
цифрового робастного управления трехопорной управляемой платформой как
трехмассовой электромеханической системой для стабилизации динамических
характеристик при изменении рабочих точек на характеристиках внешнего
трения.
Изложение
материала
исследования,
полученных
научных
результатов. Основу трехопорной управляемой платформы составляет рама,
на которой расположена нагрузка. Две неподвижные опоры с помощью
сферических шарниров соединены с приводными винтами исполнительных
двигателей, за счет чего осуществляется перемещение двух подвижных опор
99
относительно третьей неподвижной. Приводы соединены с основанием через
шарниры, обеспечивающие поворот исполнительных двигателей относительно
основания.
Рассмотренная
система
фактически
является
трехмассовой
электромеханической системой. При этом роль первой массы играет ротор
электродвигателя, роль второй массы играет ходовая гайка совместно с
ходовым винтом, а роль третьей массы – неуравновешенная нагрузка. При
этом жесткость зубчатого редуктора, штока с опорным устройством привода
является эквивалентной жесткостью между первой и второй массой, а
жесткостью между второй и третьей массой является жесткость винта,
соединяющего привод с управляемой платформой. Заметим, что между первой
массой и неподвижным основанием и между третьей массой и подвижной
платформой имеются силы трения, препятствующие движению этих масс.
Эквивалентная вторая масса представляет собой объединение массы ходовой
гайки и ходового винта, так что при движении ходовой гайки относительно
ходового винта возникает сила трения, и, кроме того, возникают силы трения
между вращающейся ходовой гайкой и неподвижным основанием и
вращающимся ходовым винтом и основанием привода. Приведем эту схему к
вращательному движению обозначив моменты инерции первой, второй и
третьей масс соответственно J 1 , J 2 , J 3 .
При векторном управлении асинхронными приводами в большинстве
систем управления реализован алгоритм прямого управления моментом
двигателя. Поэтому будем предполагать, что в системе используется частотное
управление приводным двигателем, и реализовано прямое управление
моментом, а математическую модель контура управления моментом примем в
виде апериодического звена первого порядка.
Уравнения динамики такой системы имеют следующий вид:
d м
J3
M у 23 23 ( 2 3 ) c3 3 M c ;
dt
dM у 23
C 23 ( 2 3 ) ;
dt
d 2
J2
M у12 12 (1 2 ) M у 23 23 ( 2 3 ) c 2 2 ;
dt
dM у12
C12 (1 2 ) ;
dt
dω1
J1
Mд My12 β 12 (ω1 ω 2 ) β c1 ω1 ;
dt
dМд
T
Мд КUвх.
dt
100
В этих уравнениях: 1 , 2 , 3 – скорости вращения двигателя, ходовой
гайки и ходового винта; а также скорости вращения нагрузки; Му12, Му23 –
моменты упругости в валах; С12, С23, и 12, 23 – жесткости и коэффициенты
внутреннего вязкого трения в валах на скручивание; T – постоянная времени
частотного преобразователя, характеризующая время нарастания момента
двигателя; К – коэффициент усиления частотного преобразователя. В этих
уравнениях также учтено наличие падающих участков в зависимостях
моментов внешнего трения от скорости вращения двигателя 1 с жесткостью
c1 , от скорости вращения ходовой гайки и ходового винта 2 с жесткостью
c 2 и от скорости вращения нагрузки 3 с жесткостью c3 .
Введем следующие компоненты вектора внешних воздействий w(t ) :
задающее воздействие скорости вращения r (t ) , помеху f1 измерения
скорости вращения двигателя 1 , фиктивную помеху f 2 измерения
переменной состояния интегратора z (t ) так, что w(t ) з (t ), f 1 (t ), f 2 (t )T .
Введем в вектор контролируемых переменных z (t ) ошибку (t ) между
заданным r (t ) и фактическим 1 (t ) значениями скорости вращения
двигателя (t ) з (t ) д (t ) , выходное напряжение интегратора z (t ) и
управляющее напряжение на входе частотного преобразователя U (t ) в
следующем виде z (t ) (t ), z (t ), U (t )T .
Компонентами вектора измеряемых переменных
примем
y (t )
измеренные скорости вращения двигателя 1и z(t ) f1 (t ) и измеренную
переменную
состояния
интегратора
так,
что
z и (t ) z (t ) f 2 (t )
T
y(t ) 1и (t ), z и (t ) . При таком подходе можно получить приемлемые
показатели качества переходного процесса по задающему воздействию, однако
переходные процессы по моменту сопротивления М с являются сильно
колебательными. Для уменьшения колебательности переходных процессов по
моменту сопротивления введем в вектор возмущений исходной системы w(t )
первую компоненту M c (t ) , действующую на исходную систему в виде
момента сопротивления, так что вектор w(t ) будет иметь следующий вид:
w(t ) M c (t ), з (t ), f1 (t ), f 2 (t ) . Подадим теперь это возмущение от момента
сопротивления
M c (t )
на
вход исходной системы, задав ненулевую
компоненту первого элемента в первый столбец матрицы B1 . Введем также
это возмущение в вектор контролируемых параметров z (t ) , задав ненулевой
компонентой первый элемент матрицы D11 .
101
Метод решения. Современные системы управления реализуются на
микропроцессорной элементной базе и, следовательно, рассматриваемая
система становится дискретной. Решение задачи дискретной H оптимизации
первоначально было получено в [5 – 6] в частотной области и связано с
операциями факторизации соответствующих матриц передаточных функций.
Физический смысл критерия H есть энергия выхода системы при подаче на
вход сигнала с единичной энергией. Для системы с одним входом и одним
выходом – H норма представляет максимальное значение амплитудночастотной характеристики системы по всему частотному диапазону.
Рассмотрим исходный дискретный объект управления, заданный
матрицей передаточных функций P(z ) , связывающей вектора внешних
воздействий w и управляющих воздействий u с векторами контролируемых
параметров z и измеряемых переменных y соотношением
z P11 ( z ) P12 ( z ) w
y P ( z ) P ( z ) u ,
21
22
в котором Pij (z ) – блоки матрицы P(z ) .
Тогда матрица передаточных функций G zw ( P( z ), K ( z )) , связывающая
вектор внешних воздействий w(k ) с вектором контролируемых параметров
z (k ) в системе замкнутой робастным регулятором с матрицей передаточных
функций K (z ) может быть записана в следующем виде
Gzw ( P( z), K ( z)) P11 ( z) P12 ( z) K ( z) ( I P22 ( z) K ( z)) 1 P21 ( z) .
Задача синтеза цифрового робастного регулятора формулируется как
задача определения матрицы передаточной функции регулятора K (z ) ,
обеспечивающая нижнюю грань максимального собственного значения
матрицы замкнутой системы G zw ( P( z ), K ( z )) так, что
G z
sup max (G(e j )) .
0, 2
Эта задача решается итеративно заданием уровня толерантности
робастного регулятора и решением задачи нахождения такого регулятора
K (z ) , который обеспечивает выполнение следующего неравенства
G zw ( P( z ), K ( z ))
.
В настоящее время наиболее широкое распространение получило
решение задачи цифрового робастного управления во временной области.
Для нахождения цифрового робастного регулятора необходимо решить
уравнение Риккати по управлению
X C T J C AT XA L T R 1L ,
102
где R D T J D BT XB, L D T JC B T XA.
0
I p
D D
C
Здесь C 1 , D 11 12 , J
2 .
I
0
0
l
0 γ Il
Для нахождения цифрового робастного наблюдателя необходимо решить
уравнение Риккати по наблюдению
Z q BJB T AZAT LR 1 LT ,
I
0
где R DJD T CZC T ; L BJD T AZC T ; J l
.
2
0
I m
Результаты моделирования. Рассмотрим задачу цифрового робастного
управления трехопорной платформой. Для построения цифрового
астатического робастного регулятора [1] введем цифровой интегратор с
переменной состояния Z (k ) , на вход которого подадим разность между
заданным значением скорости вращения 3 (k ) и фактическим значением
скорости вращения двигателя 1 (k ) . Построим робастный астатический
регулятор для расширенного объекта управления. Как показали
экспериментальные исследования, наибольшее влияние на динамические
характеристики оказывают падающие участки характеристик внешнего трения
– ротора приводного двигателя, силы трения между третьей массой и
подвижной платформой и, особенно, в червячном редукторе при вращении
ходовой гайки. Поэтому в данной работе были проведены исследования
влияния наклонов этих трех характеристик внешнего трения на динамические
характеристики синтезируемой робастной системы управления. В
соответствии с введенным вектором состояния, эти три характеристики
внешнего трения влияют на первый, третий и пятый диагональные элементы
матрицы состояния системы. При исследовании цифровой системы
управления выбирались такие наклоны падающих участков этих
характеристик внешнего трения, при которых исходная непрерывная система
становилась неустойчивой. При таких значениях коэффициентов внешнего
трения цифровая система робастного управления трехопорной платформой
остается устойчивой, однако при этом существенно увеличивается
колебательность
переходных
процессов.
Причем,
наибольшую
колебательность имеют переходные процессы именно той массы, в которой
характеристика внешнего трения имеет наибольший наклон падающего
участка. В качестве примера на рис. 1 показаны переходные процессы
скоростей вращения а) платформы 3 , б) редуктора 2 и в) приводного
двигателя 1 по заданию на регулятор скорости. Установившиеся значения
скоростей двигателя, редуктора и платформы равны заданному значению
скорости. На рис. 2 показаны переходные процессы тех же переменных
состояния по моменту сопротивления.
103
From: In(1)
Step Response
Amplitude
2.5
2
1.5
1
0.5
0
0
0.1
0.2
0.3
0.4
0.5
Time (sec)
0.6
0.7
0.8
0.9
1
а)
Step Response
From: In(1)
Amplitude
To: Out(3)
4
3.5
3
2.5
2
1.5
1
0.5
0
-0.5
-1
0
0.1
0.2
0.3
0.4
0.5
Time (sec)
0.6
0.7
0.8
0.9
1
б)
Step Response
From: In(1)
Amplitude
To: Out(5)
8
6
4
2
0
-2
-4
-6
0
0.1
0.2
0.3
0.4
0.5
0.6
Time (sec)
0.7
0.8
0.9
1
в)
Рис. 1. Переходные процессы скоростей вращения по
задающему воздействию
104
Step Response
Amplitude
To: Out(1)
1.5
From: In(2)
1
0.5
0
-0.5
-1
-1.5
-2
-2.5
-3
0
0.1
0.2
0.3
0.4
0.5
Time (sec)
0.6
0.7
0.8
0.9
1
а)
To: Out(3)
From: In(2)
Step Response
0.6
0.4
0.2
Amplitude
0
-0.2
-0.4
-0.6
-0.8
-1
-1.2
-1.4
0
0.1
0.2
0.3
0.4
0.5
Time (sec)
0.6
0.7
0.8
0.9
1
б)
Step Response
Amplitude
To: Out(5)
0.2
From: In(2)
0
-0.2
-0.4
-0.6
-0.8
-1
-1.2
0
0.1
0.2
0.3
0.4
0.5
Time (sec)
0.6
0.7
0.8
0.9
1
в)
Рис. 2. Переходные процессы скоростей вращения по
моменту сопротивления
105
Установившиеся значения скоростей вращения приводного двигателя,
редуктора и платформы равны нулю, что подтверждает астатизм системы по
моменту сопротивления. Как видно из этих графиков, для формирования
переходного процесса требуется восьмикратная форсировка по скорости
приводного двигателя.
Выводы. Таким образом, в данной работе для стабилизации
динамических характеристик трехопорной управляемой платформы как
трехмассовой электромеханической системы в режиме буксования при ее
работе на различных участках характеристики внешнего трения предложено
использовать цифровое робастное управление. Для синтеза цифрового
робастного управления необходимо решать два уравнения Риккати по
управлению и по наблюдению. С помощью цифрового робастного регулятора
удалось получить удовлетворительные переходные процессы при работе
системы на различных участках характеристик внешнего трения.
Список литературы: 1. Кузнецов Б.И., Никитина Т.Б., Коломиец В.В. Синтез
электромеханических систем со сложными кинематическими цепями. – Х.: УИПА, 2005. – 511 с.
2. Никитина Т.Б. Синтез многоканальных нелинейных электромеханических систем // Вестник
НТУ "ХПИ". Сб. научных трудов. – Х.: НТУ "ХПИ". – 2005. – № 45. – С. 130–131.
3. Никитина Т.Б. Синтез приближенно-оптимальных нелинейных систем цифрового управления
технологическими процессами с аналитическими нелинейностями // Автоматизація виробничих
процесів. – Київ. – 2003. – № 2 (17). – С. 62–65. 4. Никитина Т.Б. Приближенно оптимальное
цифровое управление электроприводами с аналитическими нелинейностями // Вестник НТУ
"ХПИ". Сб. научных трудов. Х.: НТУ "ХПИ". – 2003. – № 10. – Т. 1. – С. 321–322.
5. Khargonekar P., Petersen I., Rotea M. H оptimal control with state feedback // IEEE Trans.
Automat. Contr., AC – 1988. – 33. – P. 783–786, 6. Doyle J., Glover K., Khargonekar P., Francis B.,
State – space solutions to standard H2 and H control problems // IEEE Trans. Automat. Contr., AC –
34. – 1989. – № 8. – P. 831 – 847.
УДК 621.77
Чутливість цифрової робастної системи управління трьохопорною платформою
/ Нікітіна Т.Б. // Вісник НТУ "ХПІ". Тематичний випуск: Інформатика і моделювання. – Харків:
НТУ "ХПІ", 2008. – № 24. – С. 99 – 106.
Досліджено чутливість цифрового робастного управління трехопорной платформою як три
масовою електромеханічною системою для стабілізації динамічних характеристик системи
управління. Приведений приклад динамічних характеристик синтезованої цифрової робастної
системи управління трьохопорною платформою. Іл.: 2. Бібліогр.: 6 назв.
Ключові слова: робастна система управління, трьохопорні платформи, стабілізація
динамічних характеристик системи управління.
UDC 621.77
Sensitivity of digital robust control systems of a three-basic platform / Nikitina T.B. // Herald
of the National State University "KhPI". Subject issue: Information science and modelling. – Kharkov:
NSU "KhPI", 2008. – № 24. – P. 99 – 106.
This article deals with the digital mathematical model, digital robust control, digital robust observe
for three-point guided platform as electrical mechanical systems. There is example of the digital robust
control for three-point guided platform. Figs: 2. Refs: 6 titles.
Key words: robast control system, three-point platform, stabilization dynamic characteristics of a
control system.
Поступила в редакцию 10.04.2008
106
УДК 681.518.54
А.Ю. НИЦЫН, д-р техн. наук,
А.И. ПОВОРОЗНЮК, канд. техн. наук,
Д.А. НИЦЫН
ОЦЕНКА ВЕРОЯТНОСТИ ДИАГНОЗА ПО ФРАКТАЛЬНОЙ
РАЗМЕРНОСТИ МЕДИЦИНСКОГО ИЗОБРАЖЕНИЯ
Предлагается методика классификации рентгеновских изображений по их фрактальной
размерности. Методика основывается на оценке вероятности того, что при измеренной
фрактальной размерности изображения данная рентгенограмма не содержит патогенных областей.
Предложенный метод позволяет повысить достоверность диагноза, основанного на анализе
медицинского изображения.
Ключевые слова: методика классификации
размерность, медицинское изображение.
рентгеновских
изображений,
фрактальная
Постановка проблемы. Сейчас в связи с ростом числа заболеваний
туберкулезом развитие автоматизированных диагностических систем является
актуальной задачей [1 – 3]. Одним из методов раннего обнаружения
туберкулеза является фрактальный анализ рентгеновских снимков. Это
обусловлено тем, что рентгенограмма легких человека содержит фрагменты
изображения, имеющие древовидную структуру [4, 5]. Кроме того, развитие
туберкулеза приводит к образованию патогенных зон, которые также имеют
фрактальную природу. Поэтому можно предположить, что с развитием
заболевания
фрактальная
размерность
рентгеновских
изображений
увеличивается. Отсюда следует, что для эффективного диагностирования
туберкулеза необходимо разработать методику, которая позволяет по
измеренному значению фрактальной размерности классифицировать
рентгенограммы на снимки, содержащие патогенные области, и на снимки, не
имеющие признаков заболевания.
Анализ литературы. Применению методов фрактальной геометрии к
классификации медицинских изображений посвящены работы многих авторов
[4 – 6]. Однако, как правило, в этих работах применяется детерминированный
подход, в то время как, по мнению авторов, достоверность диагноза
повышается, если результат анализа медицинского изображения представить в
виде вероятности того, что данная рентгенограмма не содержит признаков
заболевания. Поэтому разработка вероятностных методов классификации
рентгеновских снимков является актуальной задачей медицинской
диагностики.
Целью статьи является разработка метода классификации рентгеновских
изображений по их фрактальной размерности. При этом метод основывается
на оценке вероятности того, что при данном спектре фрактальных
107
размерностей для фрактальной меры на множестве пикселей данного цвета
данная рентгенограмма не содержит патогенных областей изображения.
Методика оценки вероятности диагноза. Пусть рентгенограмма задана
однотонным изображением. Тогда под диагностическим признаком будем
понимать фрактальную размерность множества пикселей одного цвета,
например, черного. Выберем квадрат, площадь которого равна d , где
длина стороны квадрата. Покроем данным обобщенным квадратом
пространство, заполненное точками изображения. Количество покрывающих
квадратов N () зависит от . Получим меру множества точек в данном
пространстве M d d , определяющую расстояние между значащими
пикселями при выбранном значении . Заметим, что в общем случае при
стремлении размера квадрата к нулю 0 мера множества точек M d равна
нулю или бесконечности в зависимости от выбора величины d, которую будем
называть размерностью меры. При этом размерность Хаусдорфа – Безиковича
D множества точек пространства представляет собой критическую
размерность, при которой мера M d изменяет свое значение с нуля на
бесконечность [4, 5]
0, d D,
M d d N d
(1)
0
, d D.
Определение меры множества точек M d , выраженное формулой (1),
можно применить для практического вычисления его фрактальной
размерности D. Действительно, из формулы (1) следует, что при стремлении
размера квадрата к нулю 0 число квадратов N , покрывающих
выделенную область изображения, обратно пропорционально величине D
1
N ~ D .
Рассмотрим фрактальную размерность множества точек изображения как
угловой коэффициент графика зависимости числа квадратов N от размера
квадрата, построенного в дважды логарифмическом масштабе
ln N ~ D ln .
Отсюда следует формула, по которой можно вычислить фрактальную
размерность множества
ln N
D~
.
ln
Если изображение является полутоновым, в качестве диагностических
признаков выберем спектры фрактальных размерностей для фрактальной меры
на множестве пикселей данного цвета. При этом под спектром фрактальных
размерностей будем понимать совокупность фрактальных размерностей
108
множества пикселей данного цвета, которые также можно вычислить с
помощью подсчета числа клеток, содержащих пиксели данного цвета.
Определим вероятность того, что рентгенограмма не содержит
патогенных зон при данном спектре фрактальных размерностей для
фрактальной меры на множестве пикселей данного цвета. Произведем
случайную выборку из рентгенограмм, не содержащих симптомы болезни и
содержащих симптомы болезни. Вычислим спектры фрактальных
размерностей для фрактальной меры на множестве пикселей данного цвета
каждого рентгеновского изображения. Чтобы найти законы и параметры
распределения вероятности диагноза в зависимости от данного спектра
фрактальных размерностей, произведем статистическую обработку числовых
значений фрактальных размерностей рентгеновских изображений, как
содержащих, так и не содержащих симптомы болезни. При этом
статистическая обработка производится в следующей последовательности:
– выбирается длина и количество интервалов яркости, по которым
распределяются пиксели данного изображения. Представляется совокупность
интервалов, по которым группируются пиксели изображения, в виде
множества ( Li ) , i 1, , m ;
– выбирается длина и количество интервалов, которым могут
принадлежать значения фрактальных размерностей областей изображения,
содержащих пиксели данного цвета. Представляется совокупность интервалов,
по которым группируются значения фрактальных размерностей, в виде
множества ( D j ) , j 1,, n ;
– выполняется группировка значений фрактальной размерности по
выбранным интервалам ее изменения и выбранным цветовым интервалам, по
которым распределяются пиксели данного изображения. Представляется
множество значений фрактальных размерностей в виде матрицы, которая
состоит из столбцов, соответствующих данному интервалу изменения яркости
( ij ) , i 1, , m , j 1,, n . Тогда под спектром фрактальных размерностей
будем понимать сочетание S k значений фрактальных размерностей, взятых из
каждого столбца матрицы ( ij ) , соответствующего данному интервалу ( Li )
изменения яркости и данному интервалу ( D j ) изменения фрактальных
размерностей;
– находится распределение статистической вероятности данного спектра
фрактальных размерностей для фрактальной меры на множестве пикселей
интервала ( Li ) для рентгеновских изображений, содержащих симптомы
болезни и не содержащих симптомы болезни.
Воспользуемся формулой Байеса [7, 8] для оценки вероятности того, что
исследуемое рентгеновское изображение не имеет признаков заболевания, при
109
условии, что фрактальные размерности множества пикселей заданных
яркостей имеют данное сочетание
P * H 1 P * S k / H 1
(2)
P * H 1 / S k *
,
*
P H 1 P S k / H 1 P * H 2 P * S k / H 2
где P* H1 – статистическая вероятность того, что рентгенограмма не
содержит патогенных зон; P * H 2 – статистическая вероятность того, что
рентгенограмма содержит патогенные зоны; P* S k / H1 – статистическая
вероятность данного сочетания фрактальных размерностей множества
пикселей данного цвета при условии, что рентгеновское изображение не
содержит симптомов туберкулеза; P * S k / H 2 – статистическая вероятность
данного сочетания фрактальных размерностей множества пикселей данного
цвета при условии, что рентгеновское изображение содержит симптомы
туберкулеза.
Определим пороговое значение вероятности того, что данное
рентгеновское изображение не содержит симптомов болезни. Найдем законы и
параметры распределения вероятности диагноза, указывающего на здоровье
пациента, для рентгеновских изображений, как содержащих, так и не
содержащих патологию. Для этого проведем статистическую обработку
значений фрактальных размерностей рентгенограмм пациентов, признанных
здоровыми, и рентгенограмм пациентов, признанных больными. При этом
статистическая обработка проводится в следующей последовательности:
– производится случайная выборка из рентгеновских изображений,
содержащих симптомы болезни, и случайная выборка из рентгеновских
изображений, не содержащих симптомов болезни;
– вычисляются спектры фрактальных размерностей для фрактальной
меры на множестве пикселей яркости ( Li ) для рентгеновских изображений,
как содержащих, так и не содержащих патологию;
– определяется распределение статистической вероятности P * P / H1
того, что рентгенограмма не содержит патогенных зон и вероятности
P * P / H 2 того, что рентгенограмма содержит патогенные зоны, в
зависимости от изменяющегося сочетания фрактальных размерностей
множества пикселей данного цвета.
Установим пороговое значение вероятности того, что данное
рентгеновское изображение не имеет симптомов болезни, при данном спектре
фрактальных
размерностей.
Сравним
статистическую
вероятность,
полученную с помощью формулы (2), с ее пороговым значением. Если
значение вероятности диагноза выше порогового P* H1 / S k P0 , то
принимается решение о том, что пациент здоров. Если значение вероятности
110
диагноза ниже порогового P* H1 / S k P0 , то принимается решение о том,
что пациент болен.
При этом вероятность принятия ошибочного решения состоит из
вероятности того, что пациент, для которого оценка вероятности диагноза,
указывающего на его здоровье, выше ее порогового значения, будет признан
больным, и вероятности того, что пациент, для которого оценка вероятности
диагноза, указывающего на его здоровье, ниже ее порогового значения, будет
признан здоровым. Оценим ущерб от принятия ошибочного решения по
следующей формуле [9]:
P0
P0
R C1 PH 1 f P / H 1 dP C 2 PH 2 f P / H 2 dP,
где f P / H1 – плотность распределения величины вероятности того, что
данная рентгенограмма не содержит патогенных зон, при данном сочетании
фрактальных размерностей множества пикселей яркости ( Li ) ; f P / H 2 –
плотность распределения величины вероятности того, что рентгенограмма
содержит патогенные зоны, в зависимости от данного сочетания фрактальных
размерностей множества пикселей яркости ( Li ) ; C1 – весовой коэффициент,
учитывающий риск принятия решения о том, что рентгенограмма не содержит
патогенных зон, в то время как рентгенограмма принадлежит пациенту,
больному туберкулезом; C 2 – весовой коэффициент, учитывающий риск
принятия решения о том, что рентгенограмма содержит патогенные зоны, в то
время как рентгенограмма принадлежит здоровому пациенту.
Пороговое значение вероятности определяется по методу наибольшего
правдоподобия [9], являющегося частным случаем метода наименьших
материальных затрат. Это обусловлено тем, что риск принятия решения о том,
что рентгенограмма не содержит патогенных зон, в то время как
рентгенограмма принадлежит пациенту, больному туберкулезом, во много раз
больше стоимости лечения пациента, признанного больным, но на самом деле
являющегося здоровым, то есть C1 C 2 . Поэтому пороговое значение
вероятности диагноза, указывающего на здоровье пациента, находится из
следующего условия [9]:
f P0 / H 1 f P0 / H 2 .
Таким образом, найдено пороговое значение вероятности диагноза,
указывающего на здоровье пациента, которое обеспечивает минимальную
вероятность принятия ошибочного решения о том, что данное рентгеновское
изображение не имеет симптомов болезни.
Выводы. Предложен метод принятия решения о наличии у пациента
диагноза, указывающего на его здоровье, по измеренному спектру
фрактальных размерностей для фрактальной меры на множестве пикселей
111
заданного цвета. Предложенный метод позволяет повысить достоверность
диагноза, основанного на анализе медицинских изображений.
Список литературы: 1. Постнова Т.Б. Информационно-диагностические системы в медицине. –
М.: Наука, 1972. – 376 с. 2. Завалишин Н.В., Мучник И.Б. Модели зрительного восприятия и
алгоритмы анализа изображений. – М.: Наука, 1976. – 402 с. 3. Максимов Г.К., Синицын А.Н.
Статистическое моделирование многомерных систем в медицине. – Л.: Медицина, 1983. – 144 с.
4. Федер Е. Фракталы: Пер с англ. – М.: Мир, 1991. – 254 с. 5. Кроновер Р. Фракталы и хаос в
динамических системах. – М.: Техносфера, 2006. – 488 с. 6. Бондаренко А.Н., Кацук А.В.
Адаптивный двухступенчатый метод классификации изображений // Искусственный интеллект. –
Донецк: Институт проблем искусственного интеллекта МОН и НАН Украины. – 2006. – №4. –
С. 676-680. 7. Вентцель Е.С. Теория вероятностей. – М.: Наука, 1969. – 576 с. 8. Румшиский Л.З.
Математическая обработка результатов эксперимента. – М.: Наука, 1971. – 192 с. 9. Биргер И.А.
Техническая диагностика. – М.: Машиностроение, 1978. – 240 с.
УДК 681.518.54
Оцінка імовірності діагнозу по фрактальноі розмирності медичного зображення
/ Ніцин О.Ю., Поворознюк А.І., Ніцин Д.О. // Вісник НТУ "ХПІ". Тематичний випуск:
Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008. – № 24. – С. 107 – 112.
Пропонується методика класифікації рентгенівських зображень за їхньою фрактальною
розмірністю. Методика грунтується на оцінці ймовірності того, що при вимірюваній фрактальній
розмірності зображення дана рентгенограма не містить патогенних ділянок. Запропонований
метод дозволяє підвищити вірогідність діагнозу, заснованого на аналізі медичного зображення.
Бібліогр.: 9 назв.
Ключові слова: методика класифікації рентгенівських зображень, фрактальна розмірність,
медичне зображення.
UDC 681.518.54
An estimation of probability of the diagnosis on fractal dimension of the medical image
/ Nitsyn А.Y., Povoroznyuk A.I., Nitsyn D.А. // Herald of the National State University "KhPI". Subject
issue: Information science and modelling. – Kharkov: NSU "KhPI". – 2008. – № 24. – P. 107 – 112.
The technique of classification of the x-ray images till them fractal dimension is offered. The
technique is based on an estimation of probability that at measured fractal dimension of the given x-ray
image does not contain pathological areas. The offered method allows increasing reliability of the
diagnosis based on the analysis of the medical image. Refs: 9 titles.
Key words: technique of classification of x-ray images, fractal dimension, medical image.
Поступила в редакцию 24.04.2008
112
УДК 621.396.962.38
І.І. ОБОД, д-р техн. наук, НТУ "ХПІ",
Г.E. ЗАВОЛОДЬКО, НТУ "ХПІ",
М.Ю. ОХРИМЕНКО, НТУ "ХПІ"
ЄДИНЕ КООРДИНАТНО-ЧАСОВЕ ЗАБЕЗПЕЧЕННЯ ЯК ОСНОВА
РОЗВ’ЯЗУВАННЯ ПРОТИРІЧ ІНФОРМАЦІЙНОЇ МЕРЕЖІ
СИСТЕМ СПОСТЕРЕЖЕННЯ
Показано, що розв’язування протиріч функціонування інформаційної мережі систем
спостереження може бути засноване на спадкоємному переході до синхронної інформаційної
мережі систем спостереження, концептуальними основами створення якої повинні бути: єдине
координатно-часове (часове) забезпечення всіх інформаційних засобів мережі; прив'язка керуючих
сигналів інформаційних засобів до визначеного (відомим споживачам) значення шкали часу
системи та розподілена обробка інформації в інформаційних засобах.
Ключеві слова: інформаційна мережа систем, синхронна інформаційна мережа, система
спостереження.
Постановка проблеми й аналіз літератури. Радіотехнічні системи
спостереження (СС), утворені системами первинної радіолокації (ПРЛ) і
вторинної радіолокації (ВРЛ), у значній мірі визначають рішення задач, що
стоять перед органами, яки контролюють використання повітряного простору
держави. Реалізація первинного і вторинного радіолокаторів на принципі
сполученої СС (при цьому первинний радіолокатор є ведучим) породжують
визначені складності при їхньому спільному функціонуванні. Ці складності
обумовлені, в основному, принципом побудови систем ВРЛ.
Первинний радіолокатор, як показали останні військові конфлікти, у його
традиційній побудові, перетворився з інформаційного засобу в засіб
небезпеки. Дійсно, створення високоточної зброї й оцінка місця розташування
випромінюючих об'єктів (радіолокаторів) засобами радіорозвідки поза зоною
видимості радіолокатора не залишають шансів захисту останнього від
вогневого впливу. Одним з ефективних способів зниження уразливості ПРЛ до
вогневого впливу є перехід від однопозиційної до багатопозіційної (БП) [1 –
3], зокрема до мережної [4 – 6], побудови.
Вторинний радіолокатор, що вирішує класифікаційну задачу
ідентифікації повітряних об’єктів (ПО), побудований за принципами:
несинхронної мережі та відкритих систем масового обслуговування (СМО) з
відмовами. Реалізація в ньому принципу обслуговування першого, правильно
прийнятого, запиту не дозволяють віднести його до завадостійких систем. Така
побудова систем ВРЛ дозволяє затверджувати, що супротивник одержує від
таких систем значно більше інформації з порівняння зі стороною, що
експлуатує їх [7]. Крім того, сучасні системи ВРЛ не мають можливості
роботи в рознесеному режимі. Ця особливість не дозволяє вирішити
113
інформаційну задачу ідентифікації ПО без розміщення на приймальних
пунктах (не випромінюючих) БП РЛС систем ВРЛ, тобто випромінюючих
об'єктів, що приводить до демаскування приймальних пунктів БП РЛС. Таким
чином, сучасна побудова первинних і вторинних радіолокаторів обумовило
ряд протиріч у їхньому спільному функціонуванні.
Мета роботи – розв’язування протиріч спільного функціонування систем
ПРЛ і ВРЛ у сполученому і рознесеному режимах роботи.
Основна частина. Існуюче угруповання систем ПРЛ базується на
використанні одиночних СС, що утрудняє забезпечення прийнятної якості
живучості і завадостійкості останніх. При цьому необхідно відзначити, що всі
радіолокаційні засоби утворять несинхронну мережу, що приводить до появи
несинхронних
внутрішньо
системних
завад.
Для
забезпечення
електромагнітної сумісності несинхронних засобів звичайно змінюють
частотний діапазон аналогічних радіолокаційних засобів, що веде природно до
зниження їхніх функціональних можливостей. Дійсно, у цих умовах відсутня
можливість виявлення ПО на "прольоті", що є ефективним засобом виявлення
літаків з малою відбивною здатністю [8].
Важливим напрямком підвищення ефективності ПРЛ є створення БП РЛС
[2, 3]. Основним достоїнством таких систем є підвищення живучості і
завадозахищеності в порівнянні з однопозиційними. Це обумовлено
територіальним розносом передавальної і приймальні позицій. Однак, як
випливає з більшості відомих робіт [1 – 3], БП РЛС розглядаються як системи,
що складаються з передавальної і декількох приймальних позиція, з'єднаних за
допомогою лінії зв'язку з передавальної. Отже, живучість таких БП систем
визначається в основному живучістю передавальної позиції. Винос
передавальної позиції в глибину "своєї" території тільки трохи ускладнює
вогневий вплив по ній. Усе це вказує на те, що при розглянутій структурі
побудови БП РЛС, її живучість несуттєво відрізняється від живучості
однопозиційних РЛС. Це протиріччя обумовлене асинхронністю мережі БП
РЛС і, як наслідок, неможливістю реалізації як кооперативного прийому
сигналів, так і управління часом та містом вилучення зондуючого сигналу.
Перехід до мережної побудови РЛС, що передбачає створення синхронної
інформаційної мережі (СІМ) [3], завдяки можливості кооперативного прийому
сигналів та управління часом та містом вилучення зондуючого сигналу,
істотно розширює можливості підвищення живучості останніх.
Однак, підвищити живучість СІМ, не розв’язавши проблеми ідентифікації
ПО на приймальних пунктах, неможливо. Це змушує включення до складу
СІМ систем ВРЛ. Розташування систем ВРЛ на передавальному пункті СІМ не
дозволяє провести ідентифікацію ПО на приймальних пунктах СІМ.
Розташування ж системи ВРЛ на приймальному пункті СІМ цілком демаскує
приймальний пункт СІМ, що усуває основну перевагу рознесеного прийому
сигналів. Це вказує на протиріччя забезпечення живучості рознесених систем
114
первинної локації при їхньому спільному функціонуванні із системами ВРЛ.
Це протиріччя обумовлене принципом побудови мережі систем ВРЛ.
Існуючі системи ВРЛ, побудовані на вищевказаних принципах,
дозволяють супротивникові, як придушувати останні, так і несанкційовано їх
використовувати. Це протиріччя, в основному, обумовлено принципом
побудови мережі систем ВРЛ.
Побудова існуючого угруповання систем ВРЛ на несинхронному рівні
значно обмежує можливості обробки сигналів запиту, що надходять, у
літаковому відповідачі (ЛВ). Дійсно, принцип роботи ЛВ заснований на
обслуговуванні першого, що надійшло СЗ, що природно приводить до
істотного обмеження пропускної здатності і завадостійкості.
Вищевикладені протиріччя роздільного і спільного функціонування СС
показані на рис.1. Як показано вище, зазначені протиріччя обумовлені
принципами побудови систем первинної і вторинної локації.
Протиріччя
Функціонування
БП РЛС
Сумісне функціонування систем
ПРЛ і ВРЛ
Причина протиріччя
Принцип побудови –
несинхронна мережа
Принцип зняття
протиріччя
Функціонування
мережі ВРЛ
Реалізація синхронної
мережі систем ПРЛ и ВРЛ
Рис. 1. Класифікація протиріч в функціонуванні ПРЛ і ВРЛ
Перераховані технічні складності як роздільного, так і спільного
функціонування систем ПРЛ і ВРЛ указують на актуальність перерахованих
задач, а також принципову складність рішення останніх без об'єднання систем
первинної і вторинної локації у едину СІМ.
Реалізація СІМ передбачає єдине координатно-часове забезпечення всіх
елементів мережі, тобто створення синхронної мережі (СМ) систем ПРЛ і
ВРЛ. Це дозволяє погодити процеси одержання й обробки інформації в
розрізнених інформаційних засобах, і визначає розв’язування технічних
протиріч, практично не розв'язуваних в існуючих СС, у тому числі і дозволяє
розв’язати протиріччя як роздільного, так і спільного функціонування систем
первинної і вторинної радіолокації.
Створення СМ потребує створення єдиної шкали часу (ШЧ) мережі, по
якій синхронізується ШЧ елементів мережі. Для цього кожен елемент мережі
115
забезпечується високостабільним опорним генератором часу й організується
система передачі сигналів синхронізації.
-14
-15
Точність сучасних атомних генераторів лежить у межах 10 10
і
збільшується останнім часом на порядок кожні сім років. Вже в недалекому
майбутньому, як видно, будуть реалізовані стандарти частоти, що володіють
точністю 10-17 10-18. Крім розробки точних годинників, необхідно вирішити
задачу високоточної синхронізації генераторів часу, що реалізують єдину
шкалу часу.
Поняття синхронізації тісно зв'язано з поняттям одночасності. Дійсно,
синхронізовані ШЧ повинні одночасно виробляти однойменні часові імпульси.
Саме поняття одночасності у загальній теорії відносності не є однозначним.
Однак можна затверджувати, що єдиним несуперечливим визначенням
одночасності є наступне визначення. Для аналізу будь-яких явищ можна
ввести деяку чотирьохмірну систему координат (СК), що має одну часову
координату (можна називати координатний час даної СК) і три просторових.
Дві події, фіксовані в деякої СК значеннями ( t1, x1, y1, z1 ) і ( t2 , x2 , y2 , z2 ),
вважаються одночасними щодо цієї СК, якщо відповідні їм значення часової
координати збігаються: t1 t2 . Надалі таке визначення одночасності
(і відповідне йому визначення синхронізації ШЧ) будемо називати
координатним. Зазначене визначення дозволяє у рамках загальної теорії
відносності ввести єдину самоузгоджену ШЧ у всіляких областях просторучасу і з будь-якою розумною точністю. Той факт, що вибір СК, за
координатним часом якої виробляється синхронізація, довільний, не повинний
викликати занепокоєння: від синхронізації за координатним часом однієї СК
легко перейти до синхронізації за координатним часом будь-якою іншою СК.
Це твердження дуже важливе для реалізації СМ систем первинної і вторинної
локації. Дійсно, системи ВРЛ функціонують на деякому регіональному рівні, а
системи первинної локації – на територіальному. Реалізація СІС систем ПРЛ
на регіональному рівні ускладнить роботу останньої, за рахунок надлишкового
числа розрядів кодування часу. Дійсно, для узгодження СМ систем ВРЛ і ПРЛ
необхідною умовою є наявність загального джерела синхронізації, тобто
джерела, за часом якого синхронізуються часові шкали СМ систем ВРЛ і ПРЛ.
Відлік же часу в системах ВРЛ і ПРЛ може бути довільний, але відомий
споживачам. Це дозволить погодити надходження інформації із систем ВРЛ і
ПРЛ при їхньому спільному функціонуванні.
Єдине координатно-часове забезпечення є основою для створення
рознесених систем первинної локації з кооперативним прийомом інформації,
що дозволяє підвищити живучість систем ПРЛ, так як завдяки синхроністи
роботи пунктів удається управляти не тільки часом вилучення зондуючого
сигналу, але і містом вилучення цього сигналу. Це також є основою для
реалізації спільного функціонування розосереджених систем первинної і
116
вторинної локації, без якого неможливо зберегти основний позитивний ефект
рознесених систем первинної локації – живучість. Це досягається можливістю
роботи систем ВРЛ як у рознесеному режимі [4], так і других режимах, при
яких непотрібно розташовувати запитувач системи ВРЛ на приймальному
пункти СІС.
Єдине координатно-часове забезпечення, як показано у [3], дозволяє
реалізувати спадкоємний перехід до завадостійких систем ВРЛ, у яких
виключена можливість несанкціонованого використання ЛВ супротивником.
Методи забезпечення синхронізму в групі просторово рознесених
опорних генераторів часу відрізняються великою різноманітністю. Однак їх
можна класифікувати відповідно до застосовуваного алгоритму синхронізації.
Класифікація СМ приведена на рис. 2.
Як випливає з приведеної класифікації, СМ можуть бути реалізовані з
застосуванням як єдиного координатно-часового (необхідна і достатня умова
для систем з рухливими елементами) забезпечення, так і єдиного часового
(необхідна і достатня умова для систем з нерухомими елементами)
забезпечення.
Синхронна мережа систем
спостереження
З єдиним координатночасовим забезпеченням
З єдиним часовим
забезпеченням
Мережа з задаючим
опорним генератором
Мережа з взаємною
синхронізацією
Мережа з
координатним
часом
Мережа з
регіональним
часом
Рис. 2. Класифікація синхронних мереж
Однак нами надалі буде використовуватись поняття і плезіохронної
мережі (ПМ). Дійсно, у залежності від характеру керуючих сигналів, що
забезпечують синхронізацію, загальний клас мереж з передачею сигналів часу
можна розбити на дві основні категорії, а саме ПМ і СМ. При цьому необхідно
помітити, що в поняття ПМ вкладається відсутність постійної передачі
сигналів часу на кожний з пунктів даної системи. Тому що нами, надалі,
будуть розглядатися радіолокаційні системи первинної і вторинної локації з
короткочасною просторовою когерентністю, то побудова мережі може бути і
117
на плезіохронному рівні. У цьому випадку передбачається періодична
передача синхросигналів на пункти системи.
У СМ всі опорні генератори синхронні по фазі і частоті, тоді як у ПМ
такого синхронізму не домагаються. Однак у мережі звичайно
використовуються дуже стабільні опорні генератори з надзвичайно малими
частотними зрушеннями і дрейфом. У кожнім пункті ПМ мається власний
прецизійний опорний генератор, а керуючі сигнали для координації роботи
генераторів часу постійно не передаються. При цьому на початку роботи
домагаються, щоб різниця у відліку часу дорівнювала нулю. Оскільки опорні
генератори ПМ не залежні, їхні власні частоти трохи розрізняються. Ця
різниця частот викликає лінійно зростаючу в часі погрішність між
генераторами мережі. Накопиченню часової помилки між пунктами мережі
сприяють і інші фактори, наприклад, відхід частоти і фазовий шум. У зв’язку з
цім у кожному елементі синхронної мережі час визначається часовим
процесом, тобто функціональною залежністю часу елемента мережі від часу
мережі, який є ідеальним, а саме для i-го елемента мережі Ti (t ) . Часова
погрішність може, у кінцевому рахунку, перевищити припустиме значення, і
тоді роботу мережі приходиться припиняти для приведення опорних
генераторів у вихідний стан. Проміжок часу між коректуваннями залежить від
якості опорних генераторів і припустимої розбіжності в часі опорних
генераторів мережі. При реалізації такої мережі в системах первинної і
вторинної локації періодичним сигналів синхронізації може бути сигнал
просторової синхронізації, що може бути виділений при опроміненні
передавальною позицією приймального пункту. Цей принцип дозволяє значно
знизити вимоги до стабільності опорних генераторів.
Достоїнства ПМ полягають у простоті реалізації. Головний же недолік
таких мереж зв'язаний з необхідністю їхніх частих коректувань. Необхідно
помітити, що така мережа реалізована в глобальних супутникових системах
навігації GPS і Глонасс.
Така ж мережа, як нами показано вище, може бути реалізована в системах
первинної і вторинної локації, тобто в ланцюзі часової і просторової
синхронізації передавальний – приймальні пункти, а також у рознесеній
мережі системи ВРЛ. При цьому необхідно відзначити, що сам передавальний
(ведучий) пункт такої мережі повинний бути погоджений за часом зі ШЧ
мережі.
Таким чином, при нами розглянутому варіанті реалізації ПМ вона може
бути віднесена до частково СМ.
Висновок. Розв’язання окремих протиріч спільного функціонування
систем первинної та вторинної радіолокації при сполученому і рознесеному
режимах роботи можливо шляхом переходу до синхронних інформаційних
мереж систем первинної і вторинної радіолокації. Концептуальними основами
створення СІМ повинні бути:
118
– єдине координатно-часове (часове) забезпечення всіх інформаційних
засобів мережі з необхідними показниками якості;
– прив'язка керуючих сигналів інформаційних засобів до визначеного
(відомим споживачам) значення ШЧ системи;
– розподілена обробка інформації в інформаційних засобах СІМ;
– поєднання інформації систем первинної і вторинної радіолокації на
координатному рівні.
Список літератури: 1. Фарина А., Студер Ф. Цифровая обработка радиолокационной
информации. – М.: Радио и связь, 1993. – 320 с. 2. Черняк В.С. Многопозиционная радиолокация. –
М.: Радио и связь, 1993. – 415 с. 3. Farina A., Studer F.A. Radar Data Processing Introduction and
Tracking. Vol. 1. Research Studies Press. Letch worth England, 1985. – P. 121–123. 4. Lok J.J. C2 for the
air warrior // Jane’s International Defense Review. – October 1999. – V. 2. – P. 53–59. 5. Теоретичні
основи побудови завадозахищених систем інформаційного м оніторингу повітряного
простору / В.В. Ткачев, Ю.Г. Даник, С.А. Жуков, І.І. Обод, І.О. Романенко. – К.: МОУ,
2004. – 271 с. 6. Комплексне інформаційне забезпечення систем управління польотами авіації та
протиповітряної оборони // В.В. Ткачев, Ю.Г. Даник, С.А. Жуков, І.І. Обод, І.О. Романенко. – К.:
МОУ, 2004. – 342 с. 7. Обод И.И. Помехоустойчивые системы вторичной радиолокации. –
М.: ЦИНТ, 1998. – 118 с. 8. Обод И.И., Флоров А.Д., Гаврентюк О.В., Коваль И.В.
Потенциальные возможности обнаружения воздушных целей в синхронной сети систем
первичной радиолокации с телевизионным подсветом // ЗНП "Системи обробки інформації", 2005.
– Вип. 3 (43). – С. 114–119.
УДК 621.396.962.38
Единое координатно-временное обеспечение как основа разрешения противоречий
информационной сети систем слежения / Обод И.И., Заволодько А.Э., Охрименко М.Ю.
// Вестник НТУ "ХПИ". Тематический выпуск: Информатики и моделирование. – Харьков: НТУ
"ХПИ", 2008. – № 24. – С. 113 – 119.
Показано, что разрешение противоречий функционирования информационной сети систем
слежения может быть основано на преемственном переходе к синхронной информационной сети
систем слежения, концептуальными основами создания которой должны быть: единое
координатно-временное (временное) обеспечение всех информационных средств сети; привязка
управляющих сигналов информационных средств к определенному (известному пользователям)
значению шкалы времени системы, и распределенная обработка информации в информационных
средствах. Ил.: 2. Библиогр.: 8 назв.
Ключевые слова: информационная сеть систем, синхронная информационная сеть, система
слежения.
UDC621.396.962.38
Universal coordinate-time maintence as the resolution basis of the information
contradictions of system tracing network / Obod I.I., Zavolodko A.E., Okhrymenko M.Yu. // Herald
of the National State University "KhPI". Subject issue: Information science and modelling. – Kharkov:
NSU "KhPI", 2008. – №. 24. – P. 113 – 119.
The report confirms, that conflicts resolution of track systems informative network functioning of
the track systems can be based on the successive passing to the synchronous informative network of the
track systems, conceptual bases of creation of which must be following: single coordinate-time (time)
providing of all of informative network facilities; attachment of informative facilities managing signals to
the defined (known users) value of system time scale, and the distributed processing of information in
informative facilities. Figs: 2. Refs: 8 titles.
Key words: information net system, synchronous information network, system of tracking.
Поступила в редакцію 11.05.2008
119
УДК 621.396.962.38
И.И. ОБОД, д-р техн. наук, НТУ "ХПИ",
А.А. ТЮРИН, НТУ "ХПИ"
СРАВНИТЕЛЬНЫЙ АНАЛИЗ ПОМЕХОУСТОЙЧИВОСТИ
СПОСОБОВ ПЕРЕДАЧИ ПОЛЕТНОЙ ИНФОРМАЦИИ ПО
КАНАЛАМ СИСТЕМ ИДЕНТИФИКАЦИИ
Проводится сравнительный анализ помехоустойчивости трех способов передачи полетной
информации в существующих и перспективных системах идентификации воздушных объектов.
Показано, что использование временного способа трансляции полетной информации в
несинхронной сети систем идентификации позволяет повысить помехоустойчивость в 2 раза.
Ключевые слова: полетная информация, система идентификации, воздушный объект.
Постановка проблемы и анализ литературы. Системы идентификации
(СИ) воздушных объектов [1 – 4] находят широкое применение в системах
контроля использования воздушного пространства и являются основным
источником получения полетной информации (ПИ) с борта летательного
аппарата (ЛА). Возможность получения координатной информации, точность
которой более чем на порядок превышает точность координатной информации
этого ЛА, получаемую наземными средствами первичной локации, явилась
основным критерием широкого использования рассматриваемых систем [5] в
системах наблюдения.
Существующие методы передачи ПИ используют позиционный код [2, 3,
5] и, следовательно, требуют высоких энергетических затрат, а также
характеризуются низкой помехоустойчивостью [4, 6, 7]. Применение
временного способа трансляции ПИ [8, 9] в существующих несинхронных
сетях СИ, а также перспективных синхронных сетях (СС) СИ [6, 7] позволяет
повысить показатели качества получения ПИ на наземных пунктах
управления. В связи с этим представляет интерес сравнительный анализ
помехоустойчивости передачи ПИ указанными методами.
Цель работы – сравнительный анализ помехоустойчивости передачи
полетной информации в несинхронных и синхронных сетях СИ.
Основная
часть.
Произведем
сравнительный
анализ
помехоустойчивости рассматриваемых способов передачи ПИ с учетом
действия в информационном радиоканале помех. При этом расчеты будем
производить для случая, когда самолетный ответчик (СО) СИ излучает в
каждом периоде запроса N-импульсный позиционный код. Это позволяет
рассмотреть как метод передачи ПИ режима РБС (N = 12), так и временные
способы передачи ПИ, реализованные на базе несинхронных (N = 2n, где n –
значность интервально-временного кода) и синхронных (N = n) сетях.
120
Будем считать, что помехи в ответном канале действуют на отдельные
импульсы кодовой посылки независимо и для данного радиоканала известны
вероятности P0 1 и P10 [4]. При декодировании сигналов ПИ будем исследовать
в дешифраторе следующую логику обработки информации: после
декодирования любого сигнала координатной отметки осуществляется
параллельное считывание информации с заданных временных позиций. В
качестве сигнала координатной отметки будем использовать сигнал,
аналогичный режиму РБС. Для сравнительной оценки выигрыша
рассматриваемых СС СИ по сравнению с существующими запросными СИ,
реализованными на базе несинхронных сетей, проведем исследование для
общего случая работы СИ.
Рассмотрим декодирование с предварительной межпериодной обработкой
(МО) сигналов. Пусть в N-разрядном коде ПИ информация значения "1" в
разрядах передается на r позициях и значения "0" – на остальных позициях, а в
устройстве МО используется логика k/m. В этом случае, вероятности
правильного приема и искажения ПИ на выходе дешифратора можно записать
как
D1
Dkr / m (1 Fk / m ) N r
mk
i 0
C mi Po mi (1 Po ) i
m k i
l 0
C ml i (1 P10 ) ml i P10l
2
;
2
mk
m k i
Dи [1 Dkr / m (1 Fk / m ) N r ] C mi Po mi (1 Po ) i C ml i (1 P10 ) ml i P10l ,
i 0
l 0
где Dk / m и Fk / m – вероятности прохождения полезных и ложных сигналов
через устройство МО сигналов с логикой k/m, которые могут быть определены
как
Dk / m
mk
Cmi (1 P10 )mi P10i ;
i 0
Fk / m
mk
Cmi P01mi (1 P01)i ;
i 0
Р о – коэффициент готовности (КГ) самолетного ответчика (СО).
Для случая декодирования с последующей МО принимаемых сигналов
вероятности правильного приема и искажения ПИ можно определить
следующим образом.
Вероятность обнаружения кода сигнала координатной отметки составляет
(1)
P2 / 2 Po (1 P10 ) 2 .
Вероятности правильного приема и искажения кода полетной
информации на выходе устройства МО сигналов можно определить
соответственно как
D2 Dkr / m (1 Fk / m ) N r
mk
C mi P2m/ 2i (1 P2 / 2 ) i ;
121
i 0
(2)
mk
Di [1 Dkr / m (1 Fk / m ) N r ] C mi P2m/ 2i (1 P2 / 2 ) i .
(3)
i 0
Подставляя (1) в (2) и (3) получаем
D2 Dkr / m (1 Fk / m ) N r
Di [1 Dkr / m (1 Fk / m )
mk
C mi [ Po (1 P10 ) 2 ] mi [1 Po (1 P10 ) 2 ]i ;
i 0
mk
N r
] C mi [ Po (1 P10 ) 2 ] m i [1 Po (1 P10 ) 2 ]i .
i 0
Вышеприведенные выражения получены для общего случая, когда Р о и
Р10 переменные. При Ро 1 имеет место частный случай, когда учитывается
только влияние помех в ответном канале, что характерно для СС СИ.
Вероятности правильного приема и искажения полетной информации при
Ро 1 для обоих способов обработки информации можно записать как
D1 Dkr / m (1 Fk / m ) N r
2
m k i
C mi Po mi (1 Po ) i C ml i (1 P10 ) ml i P10l ;
i 0
l 0
mk
2
mk
m k i
Di [1 Dkr / m (1 Fk / m ) N r ] C mi Po mi (1 Po ) i C ml i (1 P10 ) ml i P10l ;
i 0
l 0
D2 Dkr / m (1 Fk / m ) N r
mk
Cmi P2m/ 21 (1 P2 / 2 )i ;
i 0
mk
Di [1 Dkr / m (1 Fk / m ) N r ] Cmi P2m/ 2i (1 P2 / 2 )i ; P2 / 2 (1 P10 ) 2 .
i 0
Как следует из представленных
зависимостей, вероятности D1 и D2
сс
отличаются только вероятностями
0.84
прохождения координатной отметки.
нс
На рис. представлены вероятности
0.68
правильного приема кода ПИ при
0.52
N = 12 для рассматриваемых способов
РБС
МО сигналов при использовании
O
0.36
логики обработки "3 из 5". При этом
приведен расчет помехоустойчивости
0.2
0
0.04
0.08
0.12
0.16
0.2
передачи ПИ для метода режима РБС
и
временного
способа,
Рис. Помехоустойчивость методов
реализованного на базе несинхронной
ПИ
(нс) и синхронной (сс) сети СИ.
Расчет помехоустойчивости канала передачи ПИ для временного способа
произведен при использовании значности ИВК n = 4. Помехоустойчивость
способа с последующей МО сигналов несколько выше по сравнению со
D
1
122
способом предварительной МО. Приведенные зависимости указывают на
значительное преимущество рассматриваемых СС СИ по сравнению с
существующими запросными СИ. При этом следует заметить, что если не
изменять принцип реализации сети СИ, то использование временного способа
позволяет повысить помехоустойчивость передачи ПИ почти в 2 раза.
Использование же принципа СС СИ позволяет не только повысить
помехоустойчивость передачи ПИ, но и исключить влияние КГ СО на
помехоустойчивость передачи ПИ.
Выводы. Приведенные расчеты показывают, что при модернизации СИ
воздушных объектов необходимо переходить на временной способ трансляции
ПИ с борта летательного аппарата на наземные пункты управления.
Список литературы: 1. AAP-28(B) NATO Glossary of Identification. – NATO Standardization
Agency, 2002. 2. Давыдов П.С., Сосновский А.А., Хаймович И.А. Авиационная радиолокация:
Справочник. – М.: Транспорт, 1984. – 224 с. 3. Маляренко А.С. Системы вторичной радиолокации
для управления воздушным движением и государственного радиолокационного опознавания:
Справочник. – Х.: ХУПС, 2007. – 78 с. 4. Обод И.И. Помехоустойчивые системы вторичной
радиолокации. – М.: ЦНТИ, 1998. – 119 с. 5. Савицкий В.И. Автоматизированные системы
управления воздушным движением. – М.: Транспорт, 1986. – 192 с. 6. Теоретичні основи
побудови завадозахищених систем інформаційного моніторингу повітряного простору
/ В.В. Ткачев, Ю.Г. Даник, С.А. Жуков, І.І. Обод, І.О. Романенко. – К.: МОУ, 2004. – 271 с.
7. Комплексне інформаційне забезпечення систем управління польотами авіації та
протиповітряної оборони / В.В. Ткачев, Ю.Г. Даник, С.А. Жуков, І.І. Обод, І.О. Романенко. – К.:
МОУ, 2004. – 342 с. 8. Обод И.И., Михайлин А.Ю. Помехоустойчивость передачи полетной
информации в синхронной сети систем вторичной локации // Вестник ХГПУ. – 1998. – Вып. 17. –
С. 65–68.
УДК 621.396.962.38
Порівняльний аналіз завадостійкості способів передачі польотної інформації з каналів
систем ідентифікації / Обод И.И., Тюрiн А.А. // Вісник НТУ "ХПІ". Тематичний випуск:
Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008. – № 24. – С. 120 – 123.
Проводиться порівняльний аналіз перешкодостійкості трьох способів передачі польотної
інформації в існуючих і перспективних системах ідентифікації повітряних об'єктів. Показано, що
використання часового способу трансляції польотної інформації у несинхронній мережі систем
ідентифікації дозволяє підвищити перешкодостійкість у 2 рази. Іл.: 1. Бібліогр. 8 назв.
Ключові слова: польотна інформація, система ідентифікації, повітряний об‘ект.
UDC621.396.962.38
Comparative analysis of noise-immunity methods of flight information transmission on
channels of detection system / Obod I.I., Tyurin A.A. // Herald of the National State University
"KhPI". Subject issue: Information science and modelling. – Kharkov: NSU "KhPI", 2008. – № 24 . –
P. 120 – 123.
The report contains a comparative analysis of three methods noise-immunity of flight information
transfer in the existent and air objects identification perspective systems. It is shown that the use of
temporal method of flight information translation in the asynchronous network of the systems of
authentication allows to promote noise-immunity in 2 times. Figs: 1. Refs: 8 titles.
Key words: flight information, identification system, air object.
Поступила в редакцию 24.04.2008
123
УДК 616.71-073.43:534.232
А.В. ОРГАНОВ
ПРИМЕНЕНИЕ РАЗЛИЧНЫХ ВИДОВ МЕХАНИЧЕСКИХ
КОЛЕБАНИЙ ДЛЯ ОПРЕДЕЛЕНИЯ НЕСУЩЕЙ СПОСОБНОСТИ
ДЛИННЫХ КОСТЕЙ КОНЕЧНОСТЕЙ ЧЕЛОВЕКА
Рассматривается диагностическая ценность механических колебаний в длинных костях
конечностей человека, вывод формул для определения частоты собственных механических
продольных, поперечных и крутильных колебаний, а также возможность их создания и измерения.
Ключевые слова: колебания, длинные кости, конечность, частота собственных колебаний.
Введение. Производить измерение частоты собственных механических
колебаний длинных костей конечностей человека с целью определения их
несущей способности было предложено достаточно давно [1 – 3]. Оценка
несущей способности кости позволяет проследить во времени процесс
восстановления целостности длинной кости после повреждения в диафизарной
части области – средней части длины кости. Особенно важно это делать на
раннем этапе восстановления кости, когда плотность костного регенерата мала
и существующие методы рентгенологического обследования не дают
информации. Однако, в практическом плане для реализации этой идеи
сделано, на наш взгляд, мало. Это связано не только с уровнем развития
техники в то время, но и с недостаточной проработкой ряда практических и
теоретических вопросов. В последнее время интерес к этой тематике
возрастает [4, 5]. Например, в работе [5] приведен вывод формулы для
определения частоты собственных поперечных колебаний физической модели
длинной кости от ее основных физических параметров. Аналогичные
зависимости могут быть выведены для двух других видов колебаний –
продольных и крутильных. Эти зависимости с учетом других факторов могут
быть базой для оценки областей применения того или иного вида колебаний
для целей диагностики и оценки степени восстановления диафизарных
переломов длинных костей.
Целью статьи является вывод формул для определения частоты
собственных механических продольных и крутильных колебаний физических
моделей длинных костей конечностей человека, а также оценка их
диагностических возможностей.
Вывод формул для определения частоты собственных механических
продольных и крутильных колебаний длинных костей может быть произведен
аналогично выводу формулы для определения частоты поперечных колебаний,
приведенному в работе [5]. Для этого используются известные из курса
физики выражения для определения частоты колебаний пружинного и
124
крутильного маятников [6] и некоторые положения теории сопротивления
материалов. Рассмотрим горизонтально расположенную длинную кость,
которая совершает свободные колебания вдоль своей продольной оси, т.е.
продольные колебания. Концы кости периодически сближаются, сжимая
диафизарную часть кости и затем раздвигаются, растягивая диафизарную
часть. Физической моделью такой длинной кости может быть упругий
стержень, на концах которого расположены массы m, равные по величине
половине массы кости. При таких колебаниях поперечное сечение середины
длины стержня остается неподвижным, поэтому такая конструкция, согласно
положениям метода сечений теории сопротивления материалов, может быть
разделена пополам по неподвижному сечению [10]. Каждая из этих частей
(половин) может рассматриваться отдельно, при условии жесткого
закрепления половинок в месте разлома. Повернем правую часть модели кости
так, чтобы ось стержня приняла вертикальное положение, масса m находилась
на нижнем конце, а закрепление на верхнем. Массу m, в которой
сосредоточена половина массы кости, назовем приведенной массой, а
расстояние от центра масс до сечения закрепления – приведенной длинной L.
По аналогии с пружинным маятником, в данном случае масса m тоже во время
колебаний совершает движения вверх-вниз, сжимая и растягивая при этом
стержень, который играет роль пружины.
Формула для определения частоты свободных продольных колебаний
пружинного маятника приведена в [6]:
1 k
,
(1)
2 m
где fпр – частота колебаний; m – колеблющаяся масса; k – коэффициент
упругости (жесткости) пружины, в нашем случае это жесткость стержня.
Жесткость стержня может быть найдена из выражения [6]:
P
,
(2)
k
L
где P – сила инерции, создаваемая массой m во время колебаний. Эта сила
сжимает и растягивает стержень; ∆L – удлинение (укорочение) стержня
длинной L во время колебаний под действием силы P.
Жесткость стержня, имеющего единичную площадь поперечного сечения,
определяется законом Гука [6]:
P
L
E
,
(3)
S
L
где E – модуль упругости при растяжении, модуль Юнга; S – площадь
поперечного сечения.
Подставим ∆L из формулы (3) в формулу (2) и далее подставим в
формулу (1):
f пр
125
1 ES
.
(4)
2 π mL
Эта формула дает общую связь между частотой собственных продольных
колебаний длинной кости и ее основными физическими параметрами.
Аналогичным образом может быть выведено выражение для определения
частоты крутильных колебаний. Разница будет только в том, что массы m во
время колебаний не сжимают/растягивают стрежень, а периодически
закручивают/раскручивают концы стержня в противоположные стороны. В
результате рассуждений приходим к модели, представляющей собой стержень
длинной L, расположенный вертикально, верхний конец которого жестко
закреплен, а на нижнем конце расположена масса m, имеющая полярный
момент инерции J.
Формула для определения частоты собственных свободных колебаний
крутильного маятника приведена в [6]:
f пр
1 D
,
(5)
2π Ф
где: fкр – частота крутильных колебаний; D – угловая жесткость стержня; Ф –
полярный момент инерции массы m.
Угловая жесткость стержня может быть определена из выражения,
приведенного в [6]:
Q
(6)
D ,
где Q – момент силы, создаваемый полярным моментном инерции Ф массы m
при вращении; φ – угол закручивания стержня при колебаниях.
Угол закручивания стержня φ может быть определен из формулы
приведенной в [9, 10]:
QL
,
(7)
Gj
где: L – длина стержня; G – модуль сдвига; j – полярный момент инерции
сечения стержня.
Подставим φ в формулу (6), определим D и далее подставим D в формулу
(5):
1 Gj
.
(8)
f кр
2π LФ
Эта формула дает общую связь между частотой крутильных колебаний
длинной кости и её основными физическими параметрами.
f кр
Анализ формул. Сравним три формулы для определения частоты
собственных колебаний физической модели длинных костей при поперечных
[5], продольных (4) и крутильных (8) колебаниях:
126
1 ES
1 Gj
1 3EJ
; f пр
; f кр
.
(9)
3
2 π mL
2π LФ
2π mL
Отметим, что эти формулы построены одинаково. Во всех формулах в
числителе под знаком корня находится жесткость стержня, т.е. в первом
приближении жесткость диафизарного участка кости при поперечных (EJ),
продольных (ES) и крутильных (Gj) колебаниях. В знаменателе под знаком
корня находятся значения длины стержня и параметр, создающий
инерционную силу: масса или полярный момент инерции при вращении.
Отметим, что формулы (9) выведены для физических моделей – целых костей,
т.е. не имеющих компактных дефектов в диафизарной части. Поэтому анализ
влияния параметров, находящихся под корнем, будет прежде всего относится
к костям без компактных дефектов. Однако и для костей, имеющих
компактные дефекты в диафизарной области, такие, как например, поперечная
трещина, не захватывающая все сечение кости, или перелом, уже содержащий
костный регенерат между отломками, можно сделать определенные выводы.
Для более полного анализа формул в дальнейшем необходимо провести
дополнительные исследования, касающиеся зависимости частоты от
расположения дефекта относительно середины длины кости, глубины дефекта
и других параметров.
f
Поперечные колебания. Как видно из формулы (9) для поперечных
колебаний [5], частота поперечных колебаний целой кости зависит от всех
параметров, находящихся под корнем: E, J, m и особенно L. Для целых костей
на практике значения L и J остаются постоянными, а значения E и m могут
изменятся. Это происходит при таком заболевании кости, как остеопороз,
когда величина E может уменьшаться в несколько раз. Масса m при
остеопрозе тоже уменьшается, но не так быстро как E. Поэтому поперечные
колебания могут быть использованы для оценки степени остеопорозности
кости.
Теперь рассмотрим случай, когда в диафизарном участке кости имеется
компактный дефект, такой как поперечная трещина, не захватывающая всё
сечение кости, или срастающийся перелом, имеющий костный регенерат
между отломками. В случае трещины значение J резко уменьшается, так как J
зависит от площади и формы сечения.
Значение E костного регенерата в десятки раз меньше костного E и оно
затем постепенно увеличивается по мере уплотнения регенерата. Величина L
практически не изменяется, а величина m может увеличиваться за счет массы
костной мозоли. В связи с местным ослаблением кость во время колебаний
начинает изгибаться в значительной мере или даже преимущественно в месте
наличия дефекта. Частота колебаний при этом уменьшается в несколько раз.
Измерение частоты позволяет оценивать степень восстановления кости и ее
несущую способность по сравнению с другой, здоровой конечностью.
127
Отметим преимущества и недостатки, связанные с поперечными
колебаниями.
К преимуществам относятся следующие:
– практическая возможность возбуждения поперечных колебаний почти
во всех длинных костях конечностей, там, где есть доступ к мыщелкам;
– вариабельность мест приложения датчиков и возбудителей колебаний,
вплоть до размещения их на одном мыщелке;
– низкая частота колебаний (до 1 кГц), при которой еще отсутствует
помеха, связанная с прямым распространением колебаний от возбудителя к
датчику по воздуху;
– достаточно большая амплитуда колебаний еще до появления
болезненности в месте возбуждения колебаний;
– практическое отсутствие гармонических составляющих в спектре
колебаний.
Однако поперечным колебаниям присущ один, но крупный недостаток –
чтобы получить полное представление о состоянии дефекта кости, измерение
частоты надо производить дважды в двух взаимноперпендикулярных
плоскостях колебаний, или хотя бы находящихся под углом 60 0 и более.
Однако, на практике во многих случаях достаточно одного измерения, а для
определения степени остеопорозности в принципе достаточно измерения в
одной плоскости.
Продольные колебания. Как видно из формулы (4), частота продольных
колебаний целой кости одинаково зависит от всех параметров, находящихся
под корнем: E, S, m и L. Поэтому все рассуждения, связанные с зависимостью
частоты от модуля упругости E и массы m, приведенные для поперечных
колебаний здесь остаются в силе. Таким образом, продольные колебания тоже
могут быть использованы для оценки степени остеопорозности кости.
Для компактных дефектов кости положение меняется. В случае трещин,
не захватывающих все сечение кости, остающаяся неповрежденная часть
сечения оказывается достаточной для того, чтобы в кости существовали
колебания почти с той же частотой, что и при отсутствии трещины, только
амплитуда их будет меньше. С другой стороны, каждая из частей кости до
трещины и после, тоже будет колебаться на своих собственных, более высоких
частотах. Спектр колебаний, учитывая гармоники, получается достаточно
сложным, а определение состояния дефекта – затруднительным. Аналогичная
картина будет наблюдаться при переломе заполненным костным регенератом
между частями кости. Уменьшение величины модуля упругости E костного
регенерата почти не будет сказываться на частоте колебаний всей кости в
целом, так как толщина костного регенерата не превышает 3 мм, а длина кости
составляет 300 – 450 мм. Сравнение амплитуд колебаний на разных частотах
возможно только в случае получения амплитуд всех частот спектра
одновременно. При последовательном развороте спектра датчик и возбудитель
колебаний из-за микродвижений пациента успевают сползти и соотношение
128
амплитуд изменится. А из практики известно, что смещение датчика или
возбудителя на мыщелки кости на 2 – 4 мм может изменить амплитуду сигнала
во много раз. Тем более, если измерение производится с перестановкой
датчика или возбудителя, на другую конечность. Надо сказать, что замечания,
касающиеся измерения амплитуд в спектре частот, в значительной мере
относятся и к поперечным, и к крутильным колебаниям.
К другим недостаткам продольных колебаний надо отнести следующее:
– примерно в три раза более высокая частота колебаний, чем при
поперечных колебаниях, что часто приводит к прямой акустической связи
между датчиком и возбудителем колебаний;
– трудность возбуждения колебаний на таких частотах из-за влияния
мягких тканей;
– из-за формы костей возбуждение продольных колебаний почти всегда
будут сопровождаться возбуждением поперечных колебаний.
Крутильные колебания. Относительно диагностических возможностей
крутильных колебаний можно сказать, что они аналогичны возможностям
продольных колебаний. Но чтобы возбуждать в длинной кости чисто
крутильные колебания, надо на живую кость установить приспособление,
позволяющее приложить к кости только вращающий момент без
сопутствующих изгибающих моментов, что невозможно. На практике
возбуждение крутильных колебаний всегда сопровождается появлением
других видов колебаний, которые создают фон помех. В эксперименте не
удалось зарегистрировать сигнал от крутильных колебаний на живых
большеберцовых костях, так как он, по-видимому, маскировался сигналами от
поперечных колебаний.
Выводы. Произведен вывод формул для определения частоты
собственных продольных и крутильных колебаний длинных костей
конечностей человека.
Из проведенного краткого анализа свойств трех видов колебаний, их
применимости для решения задач диагностики и определения несущей
способности целых и поврежденных длинных костей конечностей можно
сделать вывод, что для целей диагностики лучше использовать поперечные
колебания.
Список литературы: 1. Янсон Х.А. Биомеханика нижней конечности человека. – Рига: "Зинатне",
1975. – 324 с. 2. Корнелиссен И.М. Диагностика степени сращения переломов с помощью
вибрационного анализа // Достижения биомеханики в медицине: тезисы докладов. – Рига, 1986. –
С. 668. 3. Тарасов С.В., Бенгелименев И.Б. Устройство для диагностики костей // Бюл. изобр. –
1992. – № 16. – С. 30. 4. Карпинский М.Ю., Зубатый С.С. и др. Математическое исследование
механических колебательных свойств длинных костей // "Медицина и…". – 2000. – № 1. – С. 47–
50. 5. Маслов Л.Б., Шалин В.И. и др. Резонансные характеристики большой берцовой кости в
процессе восстановления упругих свойств костной мозоли // Н.Новгород: Биомеханика. – 2002. –
С. 80. 6. Кузьмичев В.Е. Законы и формулы физики. – К.: Наукова думка, 1989. – 864 с.
7. Чертенкова Э.В., Органов В.В. и др. Определение несущей способности кости методом
129
звуковой спектроскопии // "Медицина и …". – 2004. – .№ 1. – С. 43–45. 8. Органов А.В. Ранняя
диагностика плотности костной мозоли виброакустическим методом // Радиоэлектроника и
молодежь в XXI веке: тезисы докладов. – Харьков, 2002. – С. 363. 9. Дубровский И.М., Егоров Б.В.
и др. Справочник по физике. – К.: Наукова думка, 1986. – 557 с. 10. Винокуров Е.Ф, Балыкин М.К.
и др. Справочник по сопротивлению материалов. – Минск: Наука и техника, 1998 – 464 с.
УДК 616.71-073.43:534.232
Застосування різних видів механічних коливань для визначення несучої здатності
довгих кісток кінцівок людини / Органов А.В. // Вісник НТУ "ХПІ". Тематичний випуск:
Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008. – № 24. – С. 124 – 130.
У доповіді розглядається діагностична цінність механічних коливань у довгих костях
кінцівок людини, вивід формул для визначення частоти власних механічних поздовжніх,
поперечних і крутильних коливань, а також можливість їхнього створення та вимірювання.
Библиогр.: 10 назв.
Ключевые слова: коливання, довгі кості, кінцівка, частота власних коливань.
UDC 616.71-073.43:534.232
Application of various mechanical fluctuations for definition of carrying ability long bones of
extremity person / Organov A.V. // Herald of the National State University "KhPI". Subject issue:
Information science and modelling. – Kharkov: NSU "KhPI", 2008. – № 24 . – P. 124 – 130.
In the report diagnostic value of mechanical fluctuations in long bones of extremity of the person, a
conclusion of formulas for definition frequency own mechanical longitudinal, transverse and twist
fluctuations, and also an opportunity of their creation and measurement is considered. Refs: 10 titles.
Key words: fluctuations, long bones, finiteness, frequency of own fluctuations.
Поступила в редакцию 24.04.2008
130
УДК 621.318
А.И. ПОВОРОЗНЮК, канд. техн. наук, НТУ "ХПИ",
Ю.В. МИРГОРОД
ВОССТАНОВЛЕНИЕ СИГНАЛА НА ОСНОВЕ
ПРЕОБРАЗОВАНИЯ ХОКА
В статье рассмотрена идентификация физиологических квазипериодических сигналов на основе
преобразования Хока. Предложена процедура описания эталона структурного элемента и
формирования пространства параметров. Предложен метод оптимизации параметров
преобразования Хока и восстановления исходного сигнала по полученным параметрам.
Ключевые слова: физиологические квазипериодические сигналы, преобразование Хока,
описание эталона, пространство параметров, восстановление сигнала.
Постановка проблемы. При построении компьютерных систем
медицинской
диагностики,
использующих
физиологические
квазипериодические сигналы (ФКС), наиболее ответственным и трудоемким
этапом является структурная идентификация ФКС. В традиционной схеме
структурная идентификация ФКС осуществляется с использованием
эвристических алгоритмов и метода временной адаптивной маски. Еще одним
подходом в решении задачи структурной идентификации биосигналов
является применение неточечного преобразования Хока [1, 2]. В данном
методе работа ведется в квантованном пространстве параметров. Однако
остается не исследованным подбор оптимальных параметров преобразования
Хока. В связи с этим, данная задача является актуальной.
Анализ литературы. В задаче структурной идентификации
квазипериодических физиологических сигналов основным недостатком
эвристических методов является то, что анализируются амплитудные
характеристики сигнала, которые малоинформативны и подвержены влиянию
шумов, поэтому приходится использовать другие характеристики
(производные, спектр и др.) в качестве дополнительных (а иногда и основных)
критериев при построении решающих правил структурной идентификации [3 –
7].
В [8] разработан формализованный метод структурной идентификации
ФКС различной природы с помощью преобразования Хока. В [9 – 10]
исследовано влияние шага квантования пространства параметров
преобразования Хока на точность распознавания ФКС. В [11] рассмотрено
усреднение эталона в фазовом пространстве.
Цель статьи – идентификация и восстановление сигнала на основе
преобразования Хока. Оптимизация параметров преобразования Хока.
131
Применение преобразования Хока к структурной идентификации
физиологических сигналов. В [8] рассмотрена процедура структурной
идентификации ФКС, суть которой заключается в следующем.
Исходный сигнал ФКС после ввода, квантования по времени и цифровой
фильтрации представляется множеством отсчетов X(ti). Особенностью ФКС
является наличие повторяющихся по структуре участков (квазипериодов),
которые отражают циклические процессы исследуемых систем. Каждый
период сигнала состоит из последовательности непересекающихся интервалов
S1, S2, …, Sn, причем, каждый интервал Sk соответствует k-му типу
структурного элемента k 1, n . Задачей структурной идентификации является
выделение всех участков Sk на всей реализации сигнала (разметка сигнала),
после чего уточняются границы интервалов и рассчитываются
диагностические показатели путем анализа исходного сигнала X(ti) в
локальной области. Для каждого k-го типа структурного элемента выбирается
эталон путем задания точек начала и конца интервала Sk наиболее
характерного "базового" периода и выполняется автоматическое описание
эталона (аппроксимация эталона набором аналитических кривых, с учетом
задания эталона в виде кусочно-заданной функции):
x 0(1) (t ), 0 t t 0(1) ,
(1)
Wэ(t ) .......... .......... .......... .......... .
(F )
( F 1)
(F )
t t0 ,
x 0 (t ), t 0
где F – количество составных элементов структурного элемента.
Параметры аппроксимирующих кривых являются координатами нового
пространства параметров Y(P), т.е. выполняется переход из пространства X(ti)
в Y(P). В пространстве параметров Y(P) эталон представляется точкой zэ с
координатами p1э ,…, p Kэ , где К – размерность пространства параметров. Далее
производится сканирование сигнала с целью поиска структурных элементов
данного типа, при этом на каждом этапе сканирования вычисляется множество
{zс} анализируемого участка сигнала.
Для определения расстояний между объектами в пространстве Y(P)
вводится метрика, основанная на методе потенциальных функций, и
вычисляется мера близости параметров эталона и анализируемого участка
сигнала D(zэ, zс):
D( z э , z i ) 1
1
K
1 ( p j э p j i ) 2
z
,
(2)
z
j 1
где
z
p jэ
,
z
p ji
– признаки объектов zэ и zi (координаты точек в
пространстве_Y(P));
α > 0 – весовой коэффициент,
132
задающий скорость затухания
потенциальной функции;
K – размерность пространства Y(P).
Все полученные значения расстояний сравниваются с порогом T. При
выполнении условия
(3)
D( z э , z c ) T
считается, что интервал S ki содержит структурный элемент k-го типа.
Определив опорные точки структурных элементов данного типа, выполним
оптимизацию параметров эталона.
Оптимизация параметров эталона. В результате, вместо исходных
последовательностей скалярных величин X [1], ..., X [ K m ] , соответствующих
амплитудам наблюдаемых реализаций в дискретные моменты времени
k 1, ..., K m , получим M последовательностей векторов
z1[k ], k 1, ..., K , , z M [k ], k 1, ..., K ,
(4)
в фазовом пространстве, где К – размерность пространства параметров,
соответствующих структурным элементам искомого типа.
Последовательности z1 , ..., z M принадлежат исходному сигналу в
пространстве параметров с координатами p1, …, pK.
Понятно, что каждой m-й последовательности будет соответствовать своя
точка в пространстве параметров, которая за счет действия внутреннего
возмущения отклоняется от эталона полезного сигнала z э (рис. 1).
Пусть z z1 , ..., z M множество последовательностей (4). Вычислим
M M матрицу D R H ( z i , z j ) расстояний между всеми парами z i z и
z j z , i, j 1, ..., M , где R H ( z i , z j ) z i z j
– евклидово расстояние
между точками, координаты которых соответствуют векторам z i и z j в
пространстве параметров.
При этом номер строки матрицы D R H ( z i , z j ) , сумма элементов
которой минимальна, определит последовательность z 0 z , принадлежащую
точке в пространстве параметров одного из структурных элементов.
Будем называть точку
M
RH ( z i , z j )
1 j M
i 1
z 0 arg min
(5)
опорной точкой в пространстве параметров.
Поскольку в соответствии с (5) среднее расстояние от опорной точки до
остальных траекторий минимально, точка z 0 расположена «внутри»
множества z {z1 , ..., z M } (рис. 2).
133
a2
zэ
a1
Рис. 1. Представление сигнала в пространстве
Рис.1. Представление сигнала в пространстве параметров
параметов.
Будем использовать точку
в качестве первого приближения
z0
наблюдаемого эталонного сигнала, а для получения более точной оценки x 0
усредним параметры наблюдаемых точек в окрестности опорной z 0 .
a2
z0
zэ
a1
Рис. 2. Эталонная
zэ
и опорная
z0
пространстве параметров
Вычислим вектор x 0 [ k ] , k 1, , K по формуле
134
точки в
x[k ]
min
z 0 [k ] z mk
,
K
(6)
min
где z mk
вектор, принадлежащий m-ой точке (не являющейся опорной),
которая находится на минимальном евклидовом расстоянии от вектора z 0 [k ] ,
К – мерность пространства параметров.
x[k ] ( p[k ]), k 1, ..., K ,
Вектор
определенный
согласно
(6),
принадлежит средней точке в пространстве параметров, а соответствующая
последовательность значений X*, полученная при переходе из пространства
параметров в амплитудно-временное, дает оценку нового эталона W0 (t ) во
временной области.
Выводы. Предложен метод оптимизации параметров преобразования
Хока для улучшения качества идентификации ФКС. Несмотря на то, что
предложенный метод основан на линейных операциях, которым подвергаются
фрагменты эталона, его планируется использовать для описания
неравномерных во времени искажений отдельных циклов наблюдаемого
сигнала, что характерно для многих реальных циклических сигналов, в
частности ЭКГ.
Список литературы: 1. Hough P. Method and means for recognizing complex patterns // US Patent
№ 3069654, Dec. 18, 1962. – 57 P. 2. Duda R., Hart P. Use of the Hough Transformation to detekt lines
and curves in pictures // Communs. ACM. – 1972. – V. 15. – № 1. – P. 11–15. 3. Вайнштейн Г.Г.,
Москвина Е.А., Белов Д.А. Идентификация графических объектов на основе преобразования к
пространству параметров // Машинная диагностика и информационный поиск в медицине. – М.:
Наука, 1986. – С. 98–108. 4. Поворознюк А.И., Филатова А.Е. Преобразование пространства
признаков при идентификации структурных элементов квазипериодических сигналов
// Компьютерное моделирование: Сборник научных трудов. – Белгород: БелГТАМС, 1998. –
С. 33–39. 5._Поворознюк А.И., Филатова А.Е. Оптимизация пространства признаков при
структурной идентификации квазипериодических сигналов // Информационные системы: Сборник
научных трудов. – Х.: НАНУ, ПАНИ, ХВУ, 1998. – Вып. 1 (9). – С. 112–115. 6. Поворознюк А.И.,
Филатова_А.Е. Выбор метрики пространства признаков в задаче структурной идентификации
квазипериодических сигналов // Системний аналіз, управління і інформаційні технології: Вісник
Харківського державного політехнічного університету: Збірка наукових праць. – Випуск 99. – Х.:
ХДПУ, 2000. – С. 138–141. 7._Поворознюк_А.И., Филатова А.Е. Оценка качества распознавания
структурных элементов квазипериодических сигналов // Інформаційно-керуючі системи на
залізничному транспорті. – 2000. – № 6 (27). – С. 53–55. 8. Поворознюк А.И. Применение
преобразования Хока для структурной идентификации физиологических сигналов // Моделювання
та інформаційні технології. Збірник наукових праць Інституту проблем моделювання в енергетиці.
– К.: ІПМЕ, 2003. – Вип. 22. – С. 143–149. 9._Поворознюк А.И., Дашкина_А.В. Исследование
влияния шага квантования пространства признаков на качество структурной идентификации
квазипериодических сигналов // Вестник НТУ "ХПИ" Х.: НТУ "ХПИ". – 2006 – Вып. 23. –
С. 170–173. 10._Миргород Ю.В., Поворознюк_А.И. Исследование параметров преобразования Хока
при структурной идентификации квазипериодических биосигналов // Прикладная
радиоэлектроника. – 2007. – Том 6. – № 1. – С. 62–66. 11. Файнзильберг Л.С. Восстановление
эталона циклических сигналов на основе использования хаусдорфовой метрики в фазовом
пространстве координат // Кибернетика и системный анализ. – 2003. – № 3. – С. 20–28.
135
УДК 621.318
Відновлення сигналу на основі перетворення Хоку / Поворознюк А.І., Миргород Ю.В.
// Вісник НТУ "ХПІ". Тематичний випуск: Інформатика і моделювання. – Харків: НТУ "ХПІ",
2008. – № 24. – С. 131 – 136.
У статті розглянута ідентифікація фізіологічних квазіперіодичних сигналів на основі
перетворення Хоку. Запропоновано процедуру опису еталону структурного елементу та
формування простіру параметрів. Запропоновано метод оптимізації параметрів перетворення Хоку
та відновлення початкового сигналу за отриманими параметрами. Іл. 2. Бібліогр. 11 назв.
Ключові слова: фізіологічні квазіперіодичні сигнали, перетворення Хоку, простір
параметрів, опис еталону, відновлення сигналу.
UDC 621.318
Signal recovery using Hough transformation / Povoroznyuk A.I., Myrgorod Y.V._ // Herald of
the National State University "KhPI". Subject issue: Information science and modeling. – Kharkov: NSU
"KhPI", 2008. – № 24. – P. 131 – 136.
Physiological quasi-periodic signals identification using Hough transformation is given. Procedure
of the description of the standard of a structural element and formation of space of parameters is offered.
The method of optimization of parameters of transformation Hough and restoration of an initial signal on
the received parameters is offered. Figs: 2. Refs: 11 titles.
Key words: physiological quasi-periodic signals, Hough transformation, parameter space,
prototype description, signal recovery.
Поступила в редакцию 24.04.2008
136
УДК 681.5
А.И. ПОВОРОЗНЮК, канд. техн. наук, НТУ "ХПИ",
А.А. СОМОВА, НТУ "ХПИ"
ФОРМИРОВАНИЕ СИСТЕМЫ ИНФОРМАТИВНЫХ
ДИАГНОСТИЧЕСКИХ ПРИЗНАКОВ НА ОСНОВАНИИ
КОЛИЧЕСТВЕННОГО ВЫРАЖЕНИЯ ИХ ЗНАЧИМОСТИ
Рассмотрены вопросы оптимального выражения числовых признаков в диагностических системах.
Проведено сравнение равномерного и неравномерного подходов к формированию системы
информативных диагностических признаков на основании количественного выражения их
значимости. Предлагается процедура реализации неравномерного подхода, основанного на
построении интервалов по среднему значению показателей.
Ключевые слова: информативные диагностические признаки, диагностические системы,
неравномерный подход.
Постановка проблемы. Параллельно с познаванием функций и
особенностей взаимодействия живого организма с окружающей средой,
разработкой и внедрением в клиническую практику все новых и новых
диагностических методов, осуществляется поиск ранее неизвестных
симптомов заболеваний и происходит изучение их патогенеза. На
сегодняшний день при диагностике с использованием вычислительной
техники довольно часто приходится сталкиваться с обработкой большого
количества показателей состояния больного.
Для количественных признаков можно указать точную характеристику –
число (например, вес, рост, величина АД, данные анализов), при этом
интервальные оценки для числовых характеристик обычно выбраны на
основании многолетнего опыта врачебной практики. Для порядковых
признаков (ранговых, если каждой градации ставится в соответствие число –
ранг) точная характеристика невозможна, но можно указать степень
выраженности соответствующего свойства (хрипы в легких – единичные,
множественные; интенсивность кашля – слабая, средняя, сильная, очень
сильная). Качественные признаки не поддаются упорядочиванию или
ранжированию (цвет глаз – голубой, серый, карий). Их совместное
использование при классификации данных, как правило, связано с серьезными
трудностями. В связи с этим возникает задача преобразования количественных
признаков в качественные, или иными словами, задача разбиения
количественных признаков на интервалы. Причем такое разбиение должно
быть оптимальным с точки зрения потребностей решаемой задачи.
Математическая обработка исходных медицинских данных позволяет
определить диагностическую ценность показателей или их комплексов, что в
дальнейшем помогает построить оптимальный план обследования, и
137
существенно снизить количество необходимых для диагностики исследований,
и повысить, в конечном итоге, качество компьютерного диагноза.
Анализ литературы. Предварительная обработка диагностической
информации в компьютерных диагностических системах основывается на
формализации исходных признаков и выделении пространства диагностически
ценных признаков. Диагностически ценными (или информативными)
признаками считаются признаки, имеющие близкие значения у больных с
одинаковым диагнозом и существенно различные значения у больных с
разными диагнозами. В [1 – 8] рассмотрены математические методы оценки
информативности диагностических признаков. При этом используются
традиционные методы, основанные на дисперсионном, регрессионном,
корреляционном анализе [1], теоретико-информационный подход, основанный
на вычислении условных вероятностей и количества информации [2 – 4, 6, 7],
многомерный статистический анализ, который, как показано в [3], эффективен
только при комплексном применении разных методов и относительно
большом числе рассматриваемых параметров, методы синтеза иерархической
структуры диагностических признаков [5].
Цель статьи – рассмотреть проблему градации числовых
диагностических признаков. Сравнить традиционный равномерный и
неравномерный подходы к процедуре разбиения. Наметить алгоритм
неравномерного разбиения и возможные варианты его реализации.
Процедура оценки информативности [6] разнородных диагностических
признаков включает следующие этапы:
1. Признаки разбиваются на три группы – простые (дихотомические),
ранговые (интервальные) и числовые.
2. Для числовых признаков определяются диапазоны изменения.
3. Динамический диапазон разбивается на некоторое количество
интервалов.
4. Рассчитываются априорные вероятности диагнозов и определяется
энтропия системы диагнозов.
5. Рассчитываются условные вероятности наличия признаков
(интервалов) для каждого из диагнозов и проверяется условие
детерминистической связи (диагноз полностью определяется признаком
(интервалом)), и отмеченные данные (диагноз и признак) исключаются из базы
данных с целью уменьшения объема дальнейших вычислений.
6. Рассчитывается диагностическая ценность признаков для системы
диагнозов и признаки ранжируются по убыванию.
7. Рассчитывается суммарное количество поступившей в систему
информации.
8. Делаются выводы о ценности того или иного признака.
С одной стороны, замена динамического диапазона числового признака
последовательностью интервалов, является по сути заменой теоретического
138
закона распределения гистограммой, и с этой точки зрения для получения
приемлемой точности аппроксимации закона распределения, число интервалов
должно быть достаточно большим, хотя в [7] не рекомендуется увеличивать
число интервалов больше 20.
Точность аппроксимации (и соответственно точность оценки
информативности признаков) зависит не только от количества интервалов, но
и от способа разбивки динамического диапазона на интервалы.
Cамый простой алгоритм разбиения – алгоритм равномерного
разбиения, также называемый линейным квантованием, и включает
следующие этапы: 1) пространство значений признака разбивается на равные
части; 2) преобразование сводится к поиску таких значений функций, чтобы
несоответствие было минимальным. Можно рассматривать варианты с
вычислением значений в граничных точках, среднего значения на промежутке.
Недостатком данного алгоритма является то, что, например, в результате
его работы при обработке диагностических изображений часто возникают
слишком четкие границы, а детали, наоборот, стираются. Однако основные
достоинства данного алгоритма – простота и высокая скорость.
Неравномерный подход может быть рассмотрен на основании
равномерного разбиения [7]:
1. Динамический диапазон равномерно разбивается на некоторое
количество интервалов.
2. В каждом из интервалов подсчитывается априорная вероятность P(kjs),
которая сравнивается с пороговым значением Pпред.
В зависимости от выполнения условия
P(kjs) ≥ Pпред ,
(1)
интервал
помечается
действительным
–
(1)
выполняется,
или
недействительным – (1) не выполняется.
3. Все недействительные интервалы объединяются с рядом
расположенными действительными (идущие подряд недействительные
интервалы присоединяются к разным действительным интервалам с разных
сторон). Процедура объединения интервалов продолжается до тех пор, пока
все интервалы станут действительными, т.е. для всех интервалов выполняется
условие (1). Указанная процедура объединения интервалов обеспечивает
разбивку динамического диапазона на неравномерные, статистически
значимые интервалы и подсчет их априорных вероятностей для всей системы
диагнозов. Так как вычислительная сложность подсчета априорных
вероятностей для (1) невелика (накопление суммы), то начальное значение
количества интервалов можно взять "с запасом", что не влияет на конечный
результат.
Другой подход к неравномерности [9 – 10] базируется на оценке с
помощью введенного информационного критерия:
139
I ( x ) h( x ) h( x / ) ln( p T x x T p) min ln(( p. / w ) T x x T ( p. w ))) , (2)
w
Rn1 ,
Rn1 ,
где x ( x1 , x 2 , ..., x n )
( . / ) и ( . ) – поэлементные
w Ω
операции деления и умножения соответственно, для h(x) выполняются
свойства энтропии (т.е. она непрерывна; в случае, когда все варианты
равновероятны, увеличение количества вариантов всегда увеличивает
результат, и есть возможность сделать выбор в два шага, в которых энтропия
конечного результата должна будет являтся суммой энтропий промежуточных
результатов).
Пороги градации можно найти из условий минимизации их вкладов в
значение целевой функции
n x
n w
f (w ) i i
(3)
i 1 wi i 1 x i
T
по области . Указанные вклады
vn
определяются из следующего
соотношения (по 2)
n 1
n 1
1 n
1
ui
1 2 (1 u n )( 2 ) 1 2 u n 1 v n .
un
un
i 1 u i
i 1
i 1 u i
n 1
ui
i 1
Легко построить алгоритм определения пороговых значений на основе
метода динамических сгущений и оценок вкладов [3]. Работоспособность
метода показана на примере градации первых 100 чисел натурального ряда.
Отметим, что при k = 2 пороговое значения при равномерном подходе равно
50, при указанном неравномерном 21, и относительная величина порога 0,21
близка к золотому сечению 0,168. При k = 3 равномерные пороговые значения
составляют 33 и 66, неравномерные – 10 и 40 и т.д.
Как видно из примера, результаты разбиения по информационному
критерию в сравнении с равномерным распределением смещены влево. Это
можно объяснить тем, что значение целевой функции зависит от
относительных приращений аргументов, но не от абсолютных.
Предлагаемый третий метод неравномерного разбиения опирается на
нахождение средних значений показателей. Процедура тоже базируется на
равномерном методе:
1) диапазон делится на равномерное количество интервалов; 2) на каждом
из равномерных интервалов вычисляется среднее значение показателя;
3) возможно рассмотрение вариантов: а) полученная точка добавляется в
последовательность, б) полученная точка заменяет ближайшую, полученную
равномерным методом.
Выбор варианта можно осуществить на основе (1) – является ли интервал
до ближайшей точки равномерного разбиения действительным или нет.
140
Выводы и рекомендации. Как видно из обзора, неравномерный подход
обладает хорошей чувствительностью к сильно "разбросанным" значениям и
обеспечивает минимизацию ошибки аппроксимации. В предложенном подходе
на основе подсчета средних значений стоит оценить ошибку аппроксимации,
эффективность и быстродействие метода. Также предполагается разработка
программного обеспечения, реализующая приведенные три метода для
проведения тестовых сравнительных расчетов.
Список литературы: 1. Дюк В.А. Компьютерная психодиагностика. – Санкт-Петербург: Братство,
1994. – 364 с. 2. Весненко A.И., Попов А.А., Проненко M.И. Топо-типология структуры
развернутого клинического диагноза в современных медицинских информационных системах и
технологиях // Кибернетика и системный анализ. – 2002. – № 6. – С. 143 – 154. 3. Ахутин В.М.,
Шаповалов В.В., Иоффе М.О. Оценка качества формализованных медицинских документов
// Медицинская техника. – 2002. – Вып. 2. – С. 27 – 31. 4. Величко О.Н., Мустецов Н.П.
Формализация качественных знаний в медицинских экспертных системах // Вестник НТУ
"ХПИ". Сборник научных трудов. – Х.: НТУ "ХПИ", 2003. – №19. – С. 26 – 33.
5. Поворознюк А.И., Гуторова Т.В. Оценка информативности медицинских показателей в
компьютерных системах медицинской диагностики // Вестник НТУ "ХПИ". Сборник
научных трудов. – Х.: НТУ "ХПИ", 2004. – № 8. – Т. 2. – С. 45 – 48. 6. Поворознюк А.И.
Синтез иерархической структуры диагностических признаков в компьютерных системах
медицинской диагностики // Вестник НТУ "ХПИ". Сборник научных трудов. – Х.: НТУ
"ХПИ", 2003. – № 7. – Т. 2. – С. 39 – 44. 7. Максимов Г.К., Синицын А.Н. Статистическое
моделирование многомерных систем в медицине. – Л.: Медицина, 1983. – 144 с.
8. Постнова Т.Б. Информационно-диагностические системы в медицине. – М.: Наука, 1972. –
376 с. 9. Куренков Н.И., Ананьев С.Н. Энтропийный подход к решению задач
классификации многомерных данных // Информационные технологии. – 2006. – № 8. –
С. 50 – 55. 10. Сакоян С.А. Об оптимальных разбиениях на градации в задачах классификации
// Прикладная статистика – М.: Наука, 1983. – С. 179 – 188.
УДК 681.5
Формування системи інформативних діагностичних показників на підставі
кількісного виразу їх значимості / Поворознюк А.И., Сомова А.А. // Вісник НТУ "ХПІ".
Тематичний випуск: Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008. – № 24. – С. 137 –
141.
Розглянуто вопроси оптимального вираження числових признаків в діагностичних
системах. Проведено порівняння рівномірного та декількох нерівномірних підходів.
Запропонований метод реалізації нерівномірного розбиття, базуючись на побудові інтервалів за
середнім значенням показників. Бібліогр.: 10 назв.
Ключові слова: інформативні діагностичні показники, діагностичні системи,
нерівномірний підхід.
UDC 681.5
System development of informative diagnostical factors based on numerical expression of
their significance / Povoroznyuk A.I., Somova A.A. // Herald of the National State University "KhPI".
Subject issue: Information science and modelling. – Kharkov: NSU "KhPI", 2008. – № 24. – P. 137 –
141.
Questions of optimum expression of numerical attributes in diagnostic systems are considered.
Even and several uneven procedures of decomposition are compared. Method of uneven interval
construction based on factors mean value is suggested. Refs: 10 titles.
Key words: information diagnostic attributes, diagnostic systems, the non-uniform approach.
Поступила в редакцию 25.04.2008
141
УДК 519.7
Н.Т. ПРОЦАЙ, ХНУРЭ
О МЕТОДЕ КОМПОЗИЦИИ МОДЕЛЕЙ
В статье предлагается метод композиции произвольного множества моделей, формализованных
посредствам алгебры предикатов, по набору переменных. Данный метод композиции более
удобен при моделировании различных механизмов интеллекта, чем метод композиции по одной
переменной, т.к. дает более детальную характеристику тех моделей, которые подлежат
соединению.
Ключевые слова: модель, алгебра предикатов, композиция моделей.
Постановка проблемы. Анализ литературы. Теория моделей – раздел
математической логики, изучающий связи между формальным языком и его
интерпретациями, или моделями [1]. Основателями теории моделей были
Лёвенгейм, Скулем, Гёдель, Тарский, Мальцев. В самостоятельный раздел
математической логики она сформировалась в работах Генкина, Робинсона,
Тарского, Кейслера, Чэна. Теория моделей развивалась в разных
направлениях: изучались модели узкого исчисления предикатов, исчисления
второй ступени, модели логики с бесконечными формулами, логики с
дополнительными кванторами, многозначной логики, модальной логики,
логики второго порядка и т.д. [1 – 7]. Однако техника теории моделей
развивалась большей частью именно для логики предикатов первого порядка.
И именно построение теории моделей первого порядка служило предпосылкой
для развития теорий моделей других типов и таких ее приложений, как
нестандартный анализ [1, 6].
В данной работе рассматриваются модели т.н. многосортной логики:
модели, формализованные посредствам алгебры предикатов [12]. Функции
алгебры предикатов принимают значения из множества 0, 1 , а аргументы
определены на множестве А={a1, а2, ..., ак}. В [12, с. 69] излагаются доводы,
которые убеждают в том, что "… алгебра конечных предикатов как раз и есть
тот формальный язык, на котором должно вестись описание различных
механизмов человеческого интеллекта, что никакие другие формальные
средства не могут составить ему конкуренцию и что именно этот язык призван
стать фундаментом, на котором должно строиться здание теории интеллекта".
Одной из основных задач теории интеллекта является построение
моделей различных механизмов интеллекта. Можно, к примеру, говорить о
модели естественного языка и теории этой модели. Носитель этой модели –
множество лингвистических признаков. Предикатом этой модели является
лингвистический предикат [8 – 10]. Вводятся свойства лингвистического
предиката, его общий вид, аксиомы теории и т.п. При построении различных
конкретных моделей приходится решать одни и те же задачи: аксиоматическое
142
задание модели, отыскание общего вида модели, достижение полноты и
несократимости системы аксиом и др. Все эти вопросы с общих позиций
изучаются теорией моделей. Каждая модель (M, P) вводит пару предикатных
переменных M и P, которые затем используются в роли аргументов
предикатных операций и фигурируют в качестве переменных, подлежащих
определению в логических уравнениях. Отношение M называется носителем
модели (М, Р), а предикат P – предикатом модели (М, Р) [11].
Интеллект сложен, поэтому его приходится изучать по частям. И тот
факт, что человек никогда не испытывает затруднений при выражении мыслей
в виде последовательности сравнительно коротких высказываний,
свидетельствует о том, что мысли обладают одной важной особенностью: вне
зависимости от уровня своей сложности они допускают выражение в виде
конъюнкции (состоящей, быть может, из очень большого числа
конъюнктивных членов) достаточно простых высказываний. Указанное
свойство человеческого
интеллекта называется
конъюнктивностью
интеллекта [12]. Оно указывает на особую важность для теории интеллекта
решения вопроса формального разложения одной большой сложной задачи на
систему простых задач, т.е разложения одной большой модели на множество
простых. Корректно выделить частную модель из общей позволяет операция
декомпозиции моделей [12 – 14]. Но так мы получаем совокупность
разрозненных моделей. Когда же несколько моделей теории интеллекта
соединяются в одну, в этом случае нам нужна операция композиции моделей.
В работе [14] рассмотрен метод композиции моделей по одной переменной.
Однако, при изучении некоторых механизмов интеллекта, например языка,
более удобным представляется метод композиции моделей по набору
переменных, основанный, также как и метод композиции по переменной, на
теореме о разложении [12].
Цель статьи – разработать метод композиции произвольного множества
(конечного или бесконечного) моделей, формализованных с помощью алгебры
предикатов, по набору переменных.
(M i , Pi ), i 1, k – модели, не обязательно
совместимые. Требуется построить модель (M , P) , которая соединяла бы в себе
Основная часть. Пусть
все модели (M i , Pi ), i 1, k . При этом модель (M , P) должна быть построена
так, чтобы при необходимости ее можно было расчленить на исходные модели.
Операция соединения моделей (M i , Pi ), i 1, k в единую модель (M , P)
называется композицией моделей (M i , Pi ), i 1, k . В работе [14] представлен
метод композиции моделей по одной переменной. Рассмотрим его на примере
двух моделей.
143
Пусть ( M 1 , P1 ) и (M 2 , P2 ) – различные модели, которые требуется
соединить в модель (M , P) . Вводим новую предметную переменную y . Она
будет несущественной для предикатов M1, M 2 , P1, P2 . Тем самым, мы переходим
к пространству, размерность которого на единицу больше размерности
исходного пространства. Моделям ( M 1 , P1 ) и (M 2 , P2 ) присваиваем различные
имена 1 и 2 . Множество M и предикат P модели (M , P) образуем по
формулам:
M ( x1, x2 , , xm , y) M1( x1, x2 , , xm ) y1 M 2 ( x1, x2 , , xm ) y2 ;
P( x1 , x 2 , , x m , y) P1 ( x1 , x 2 , , x m ) y 1 P2 ( x1 , x 2 , , x m ) y 2 ,
где y 1 , y 2 – предикаты узнавания предмета:
1, если y ;
y
0, если y .
Эти формулы непосредственно следуют из теоремы о дизъюнктивном
разложении предиката [12].
Теорема о дизъюнктивном разложении предиката: любой конечный
предикат на U m может быть представлен в виде:
P( x1 , x 2 , , x i , x i 1 , , x m )
(1)
x 1 x 2 x i P(1 , 2 , , i , x i 1 , , x m ),
( 1 , 2 ,,i )
1
2
i
k
где x k , k 1, i – предикаты узнавания предмета. Представление предиката
P( x1 , x 2 , , xi , xi 1 , , x m ) в виде правой части тождества (1) назовем
дизъюнктивным разложением по переменным
x1 , x 2 , , xi . Запись
(σ1 , σ 2 , , σ i ) под знаком дизъюнкции означает, что логическая сумма берется
по всевозможным наборам индексов (σ1 , σ 2 , , σ i ) . В результате получаем
серию предикатов меньшей размерности. Предикат P можно образовать
многими способами в зависимости от выбора имен для значений предметных
переменных.
Метод композиции моделей по переменной легко обобщается на случай
произвольного множества (конечного или бесконечного) исходных моделей.
Пусть I (M , P ), A – семейство моделей, которые требуется соединить
в модель (M , P) . Здесь – индексы, принадлежащие множеству A U .
Вводим новую предметную переменную y , несущественную для каждого из
предикатов M и P , A . Каждой модели (M , P ) даем свое имя U .
Множество M и предикат P модели (M , P) образуем по формулам:
144
M ( x1 , x 2 , , x m , y) M ( x1 , x 2 , , x m ) y ;
A
P( x1 , x 2 , , x m , y) P ( x1 , x 2 , , x m ) y .
A
Возможно обобщение операций композиции, так же как и декомпозиции,
на случай многих переменных [13].
Пусть I (M , P ), A – семейство моделей, которые требуется
соединить в модель (M , P) . Здесь – индексы, принадлежащие множеству
A U . Вводим новые предметные переменные y1 , y 2 , ..., y i , i 1, n
несущественные для каждого из предикатов M и P , A . Множество M и
предикат P модели (M , P) образуем по формулам:
M ( x1 , x 2 , , x m , y1 , y 2 , ..., y i ) M ( x1 , x 2 , , x m ) y11 y 2 2 ... y i i , ( i A);
A
P( x1 , x 2 , , x m , y1 , y 2 , ..., y i ) P ( x1 , x 2 , , x m ) y11 y 2 2 ... y i i , ( i A).
A
Выводы. Основным результатом работы является разработка метода
композиции произвольного множества моделей (Mi, Pi), формализованных с
помощью алгебры предикатов, по набору переменных. К данной операции
исследователь интеллекта обращается в тех случаях, когда требуется
объединить частные результаты моделирования интеллекта в единую модель.
Если, к примеру, взять модели склонения различных частей речи [8 – 10], то
используя предложенный метод композиции моделей по набору переменных,
можно образовать модель склонения словосочетаний. Рассмотренный в работе
метод композиции по набору переменных более удобен при изучении языка,
чем метод композиции моделей по одной переменной, представленный в
работе [14], т.к. дает более детальную характеристику тех моделей, которые
подлежат композиции. Предложенный проект является одним из компонентов,
которые можно использовать в существующих системах и на пути создания
будущих систем автоматической обработки текстовой информации (поддержка
и реализация БД, баз знаний, ЭС, систем компьютерного перевода и т.п.),
систем автоматизированного проектирования новых информационных
технологий и других систем искусственного интеллекта.
На сегодняшний день теория моделей, формализованых с помощью
алгебры предикатов, находится в самом начале развития. Необходимо
разрабатывать общие принципы ее построения. Не существует и методов
решения логических уравнений с моделями данного типа. Важной проблемой
также является изучение связи между частичными предикатами и
соответствующими им моделями и доказательство правомочности замены
предиката, определенного на области, моделью (математическая практика
свидетельствует о том, что это делать можно, но доказательства этого наукой
пока не найдено). Существует также масса проблем, связанных с построением
145
аксиоматических теорий моделей, формализованных посредством алгебры
предикатов, с изучением свойств данных моделей и операций над ними, с
помощью которых можно записывать эти свойства, и т.д. Одной из таких
операций является операция композиции. Перспективы дальнейших
исследований – применение рассмотренного в работе метода композиции
моделей при изучении механизмов естественного языка и создание других
методов композиции, которые найдут свое применение на практике.
Список литературы: 1. Кейслер Г.,Чен Ч. Теория моделей. – М.: Мир, 1977. – 612 с. 2. Булос Дж.,
Джеффри Р. Вычислимость и логика. – М.: Мир, 1994. – 396 с. 3. Справочная книга по
математической логике / Под ред. Дж. Барвайза. Часть 1. Теория моделей. – М.: Наука, 1982. –
392 с. 4. Фейс Р. Модальная логика. – М.: Наука, 1974 – 518 c. 5. Ивлев Ю.В. Модальная логика. –
М.: Изд. Московского университета, 1991. – 220 с. 6. Робинсон А. Введение в теорию моделей и
математику алгебры. – М.: Наука, 1967. – 376 с. 7. Мальцев А.И. Алгебраические системы. – М.:
Наука, 1970. – 392 с. 8. Бондаренко М.Ф., Чикина В.А., Шабанов-Кушнаренко Ю.П. Модели языка
// Бионика интеллекта. – 2004. – № 1 (61). – С. 27–37. 9. Процай Н.Т. Модели языка – склонение
притяжательных имен прилагательных // Бионика интеллекта. – 2004. – № 2 (63). – С. 58–65.
10. Лещинский В.А. Модели бинарных логических сетей и их применение в искусственном
интеллекте: дис. … канд. техн. наук: спец. № 05.13.23 – системы и средства искусственного
интеллекта – Х.: ХИРЭ, 2006. – 163 с. 11. Калиниченко О.В. Алгебра идей как аппарат
формализации семантики естественного языка в системах искусственного интеллекта: дис. … канд.
техн. наук: спец. № 05.13.23 – системы и средства искусственного интеллекта – Х.: ХИРЭ, 2004. –
160 с. 12. Бондаренко М.Ф., Шабанов-Кушнаренко Ю.П. Теория интеллекта. – Харьков: СМИТ,
2006. – 580 с. 13. Процай Н.Т. Метод декомпозиции моделей по набору переменных // Сб. трудов
IV Международной научно-практической конференции "Современные научные достижения".
Польша. 01-14 февраля 2008 г. – С. 18–20. 14 Стороженко А.В. Алгебро-логические модели
семантики текстов естественного языка: дисс. … канд. техн. наук: спец. № 01.05.02 –
математическое моделирование и вычислительные методы – Х.: ХИРЭ, 2000 – 180 с.
УДК 519.7
Про метод композиції моделей / Процай Н.Т. // Вісник НТУ "ХПІ". Тематичний випуск:
Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008. – № 24. – С. 142 – 146.
В статті розглянуто метод композиції довільної множини моделей, формалізованих за
допомогою алгебри предикатів, по набору змінних. Такий метод композиції більш зручний при
моделюванні різноманітних механізмів інтелекту, ніж метод композиції по одній змінній, у зв’язку
з тим, що дає більш детальну характеристику тих моделей, що підлягають композиції. Бібліогр.: 14
назв.
Ключові слова: модель, алгебра предикатів, композиція моделей.
UDC 519.7
About a method of composition of models / Protsay N.T. // Herald of the National State
University "KhPI". Subject issue: Information science and modelling. – Kharkov: NSU "KhPI", 2008. –
№ 24. – P. 142 – 146.
A method of arbitrary set of models formalized by means of predicate algebra composition on
variables set is presented. This method of composition is better than a method of composition on one
variable by modeling of different artificial intelligence mechanisms. It enables the get of more detailed
description of models composition. Refs: 14 titles.
Key words: model, algebra of predicates, composition of models.
Поступила в редакцию 25.04.2008
146
УДК 616.8-89-073.97
И.А. СЕРБИНЕНКО, канд. мед. наук, ГУ "ИНПН АМНУ" (г. Харьков),
А.В. ЧЕРНЕНКОВ, врач-нейрохирург, ГУ "ИНПН АМНУ" (г. Харьков)
ИНТРАОПЕРАЦИОННАЯ ДИАГНОСТИКА ЛОКАЛИЗАЦИИ
ОЧАГОВ ЭПИЛЕПТИЧЕСКОЙ АКТИВНОСТИ С
ПРИМЕНЕНИЕМ КОМПЬЮТЕРНОГО АНАЛИЗА
ЭЛЕКТРОКОРТИКОГРАФИИ, ЭЛЕКТРОСУБКОРТИКОГРАФИИ
Представлена технология комплексной поэтапной электрофизиологической диагностики
локализации эпилептических очагов во время нейрохирургических операций, предусматривающая
компьютерный анализ биоэлектрической активности на разных этапах.
Ключевые
слова:
интраоперационная
диагностика,
электрокортикография, электросубкортикография.
эпилептическая
активность,
Постановка проблемы. В настоящее время эпилепсия является одним из
наиболее распространенных в мире заболеваний [1 – 3]. Ежегодно
регистрируемая заболеваемость эпилепсией, по мировой статистике,
составляет в среднем 70 человек на 100000 населения. Распространенность
варьирует 1,5 – 31 человек на 1000 населения, распространенность
судорожных припадков составляет 17 – 20 случаев на 1000 населения [1, 4].
Общее количество больных на планете – около 40 млн. В Украине эпилепсией
страдают в среднем 7 – 12 человек на 1000 населения. Согласно данным
большинства эпидемиологических исследований, проведенных в Украине и
других странах, в настоящее время регистрируется рост удельного веса
эпилепсии в общей структуре заболеваний нервной системы от 0,5 до 1,2 %
[5].
Несмотря на большие достижения в изучении этиопатогенеза, улучшении
диагностики, эффективности лечения, эпилепсия остается одной из
актуальных проблем современной медицины. Это обусловлено тем, что у 30%
пациентов с этой патологией в наиболее развитых странах мира, у 60 – 90% в
России не удается добиться контроля над эпилептическими приступами и
адекватной социальной адаптации больных [2]. Фокальные эпилепсии с
соответствующими структурными изменениями, выявленные методами
нейровизуализации, наиболее часто являются фармакорезистентными.
Выявлено, что около 30% эпилепсий, которые не поддаются терапии, являются
резистентными к любым лекарственным препаратам. Поэтому более широко
стали применять нейрохирургические методы лечения эпилепссии. По данным
ряда исследователей количество потенциальных кандидатов на хирургическое
лечение в США составляет 75 тыс. человек, в Германии – 7 тыс., в Англии –
2 тыс., в России – 50 тыс., в Украине – не менее 50 тыс. человек [1, 2].
Анализ литературы. Анализ данных мирового опыта хирургического
лечения показывает, что успешность устранения припадков прямо зависит от
объема удаляемой ткани мозга, при условии включения в него первичного
147
эпилептогенного фокуса [6]. Однако это находится в противоречии с
требованием щадящего подхода. Поэтому объем оперативного вмешательства
определяется индивидуально в каждом конкретном случае и зависит от целого
ряда условий [6 – 8].
Основную
роль
в
диагностике
эпилепсии
играют
электроэнцефалографические исследования, которые проводят многократно с
использованием функциональных нагрузок, при необходимости – с
применением сфеноидальных, фронтобазальных, тимпанических электродов
[7, 8]. С целью определения точной локализации фокуса эпилептической
активности применяют ЭЭГ-видеомониторинг [3, 4, 6], исследование
биоэлектрической активности головного мозга во время ночного сна, особенно
у больных с ночными припадками [2, 4, 6]. Комплексное предоперационное
обследование больного с использованием современных методов анализа ЭЭГ в
сочетании с нейровизуализационными исследованиями позволяет установить
локализацию эпилептогенного фокуса. Для уточнения показаний к
хирургическому лечению могут применяться инвазивные методы
исследования (электроды, имплантированные в область овального отверстия;
электрокортикография; электросубкортикография). Однако окончательное
решение вопроса о целесообразности удаления тех или иных зон головного
мозга принимается во время операции на основании результатов
интраоперационной электрокортикографии, электросубкортикографии [9].
Цель статьи – усовершенствовать технологию интраоперационной
диагностики локализации эпилептических очагов и контроля эффективности
их возможно полного удаления.
Характеристика обследованных больных. После комплексного
предоперационного обследования было изучено 40 больных в возрасте от 4 до
54 лет, страдающих фокальной симптоматической фармакорезистентной
эпилепсией, обусловленной сосудистыми мальформациями (у 40% больных),
перенесенными черепно-мозговыми травмами (у 20% больных), рубцовыми
изменениями медио-базальных отделов височной доли (у 20% больных),
новообразованиями головного мозга (у 10% больных), последствиями
перинатальных гипоксически-ишемических повреждений паренхимы мозга (у
10% больных).
Методы исследования. На этапе операционного вмешательства для
уточнения
зоны
очага
эпилептической
активности
проводились
электрокортикография, электросубкортикография. Исследования проводились
с применением графитовых электродов (одноразового использования) и
стальных игольчатых электродов. Специально для интраоперационной
диагностики было разработано устройство, позволяющее свободно
перемещать электроды над операционным полем в любом направлении и под
разными углами к структурам головного мозга в зоне операции, а также
148
жестко фиксировать электроды во время записи биоэлектрической активности,
регистрация которой производилась от восьми отведений одновременно.
Исследование осуществлялось с применением программно-технического
комплекса DX-NT 32 Standard фирмы "DX-Complexes" (г. Харьков, Украина).
Изложение основного материала. Всем больным выполнены открытые
нейрохирургические операции, целью которых являлось, с одной стороны –
осуществление максимально необходимой радикальности резекционных
вмешательств, с другой – проведение минимизированных хирургических
действий, которые ограничивались бы преимущественно эпилептогенной
зоной. В связи с этим кортикография и субкортикография проводились до и
после удаления как самого очага органического поражения головного мозга,
так и его перифокальной зоны. Причем, регистрация биоэлектрической
активности, как на первом, так и на контрольном этапах исследований,
осуществлялась в период операционного наркоза и на фоне постепенного (в
течение пяти минут) снижения глубины наркоза с последующим постепенным
(в течение пяти минут) увеличением глубины наркоза. Автоматизированная
обработка кортикограммы проводилась сразу же после ее регистрации и
включала следующие из предусмотренных программой технического
комплекса DX-NT 32 Standard виды анализа: идентификация пиков и острых
волн, спектральный анализ, обнаружение локализации очага пароксизмальной
активности. Следует отметить, что несмотря на быструю обработку сигнала,
данная программа не отвечает всем необходимым требованиям к анализу
кортикограммы, субкортикограммы в особых интраоперационных условиях,
поскольку анализ не учитывает различные особенности биоэлектрической
активности головного мозга во время наркоза, особенности влияния
различных видов наркоза, отсутствует возможность быстрого проведения
сравнительного анализа результатов, получаемых на разных этапах
оперативного вмешательства. Поэтому комплексный анализ кортикограммы,
субкортикограммы в условиях нейрохирургической операции на головном
мозге обязательно проводится специалистом-неврологом под визуальным
контролем.
Результаты
анализа.
Комплексный
анализ
кортикограмм,
субкортикограмм позволил выявить следующие варианты изменений:
– наличие коррелятов эпилептиформной активности с достаточно четко
определяемой локализацией. В период снижения глубины наркоза, как
правило, нарастает степень выраженности эпиактивности с тенденцией к
распространению на близлежащие зоны;
– отсутствие признаков эпилептиформной активности в фоновой записи и
их появление локально в период снижения глубины наркоза, в некоторых
случаях с тенденцией к распространению на близлежащие зоны;
– наличие синхронных вспышек эпилептиформной активности по всем
каналам. Изменение структуры, амплитудно-частотных характеристик и
149
некоторой разницы во времени их формирования на фоне снижения и
увеличения глубины наркоза позволяет в каждом конкретном случае
адекватно оценить перестройку биоэлектрической активности и выявить
наличие и количество эпилептических очагов в перифокальной зоне очагового
поражения головного мозга.
После удаления эпилептических очагов проводились контрольные
кортикографические исследования.
Выводы. В результате проведенной работы представлена технология
поэтапной интраоперационной диагностики локализации эпилептических
очагов и контроля их возможно полной резекции. Технология
предусматривает применение компьютерного анализа зарегистрированной
биоэлектрической активности на каждом из этапов.
Список литературы: 1. Дзяк Л.А., Зенков Л.Р., Кириченко А.Г. Эпилепсия. Руководство для
врачей. – К.: Книга плюс, 2001. – 168 с. 2. Зенков Л.Р., Притыко А.Г. Фармакорезистентные
эпилепсии. – М.: Медпресс-информ, 2003. – 207 с. 3. Темин П.А., Никанорова М.Ю. Эпилепсии и
судорожные синдромы у детей. Руководство для врачей. – М.: Медицина, 1999. – 654 с.
4. Гузева В.И. Эпилепсия и неэпилептические пароксизмальные состояния у детей. – М.:
Медицинское информ. агентство, 2007. – 563 с. 5. Волошин П.В., Міщенко Т.С. Лекомцева Е.В.
Аналіз поширеності та захворюваності на нервові хвороби в Україні // Міжнародний
неврологічний журнал. – 2006. – № 3 (7). – С. 9–13. 6. Зенков Л.Р. Клиническая эпилептология. –
М.: Медицинское информ. агентство, 2002. – 415 с. 7. Чхенкели С.А., Шрамка М. Эпилепсия и ее
хирургическое лечение. – Братислава: Веда, 1990. – 368 с. 8. Шершевер А.С. Хирургическое
лечение эпилепсии. – Екатеринбург, 2005. – 144 с. 9. Никифоров А.С., Коновалов А.Н., Гусев Е.И.
Клиническая неврология. – М.: Медицина, 2004. – Т. 3. – 444 с.
УДК 616.8-89-073.97
Інтраопераційна діагностика локалізації вогнищ епілептичної активності з
застосуванням комп’ютерного аналіза електрокортікографії, електросубкортікографії
/ Сербіненко І.А., Черненков А.В. // Вісник НТУ "ХПІ". Тематичний випуск "Інфориматика і
моделювання". – Харків: НТУ "ХПІ", 2008. – № 24. – С. 147 – 150.
Представлено технологію комплексної поетапної електрофізіологічної діагностики
локалізації епілептичних вогнищ під час нейрохірургічних операцій, що передбачає комп'ютерний
аналіз біоелектричної активності на різних етапах. Бібліогр.: 9 назв.
Ключові
слова:
інтраопераційна
діагностика,
епілептична
активність,
електрокортикографія, електросубкортикографія.
UDK 616.8-89-073.97
Intraoperacionnaya diagnostics to localizations centre to epileptic activity with using the
computer analysis elektrokortikografii and elektrosubkortikografii / Serbinenko I. A.,
Chernenkov A.V. // Herald of the National State University "KhPI". Subject issue: Information science
and modelling. – Kharkov: NSU "KhPI", 2008. – № 24. – P. 147 – 150.
Presented technology complex phased electrophysiological diagnosticses to localizations epileptic
centre during neural surgical operation, providing computer analysis bioelectrically to activities on
miscellaneous stage. Refs: 9 titles.
Key words: intraoperacionnaya diagnostics, epileptic activity, elektrokortikografiy,
elektrosubkortikografiy.
Поступила в редакцию 30.04.2008
150
УДК 519.876.5
І.І. СКРИЛЬНИК, ст. викладач, ПНТУ (м. Полтава)
ПОБУДОВА n-МІРНИХ ПАТТЕРНІВ ЯК ЗАДАЧА ПОБУДОВИ
ТА ПОФАРБУВАННЯ n-ДОЛЬНИХ ГРАФІВ ТА ЇХ МІНОРІВ
У статті розглядається проблема побудови n-мірних паттернів. Вирішення цієї задачі зводиться до
пофарбування n-дольних графів та їх мінорів виду K n . Доведено, що будь-який n-дольний граф
може бути стягнутий у зірку виду K n . Показано звязок n-мірних паттернів із n-дольними
графами, а також, що степінь вершин графа визначає у кінцевому випадку множину оптимальних
розвязків при побудові паттерну.
Ключові слова: паттерн, мінор, n-дольний граф, зірка, пофарбування графа.
Постановка проблеми. Наочність, ефективність та перспективність
застосування n-мірних паттернів у різних галузях науки та техніки ставить
конкретні завдання по їх оптимальній побудові. Розвязання цієї проблеми
носить комплексний характер. Одним із шляхів її вирішення є застосування
теорії пофарбування графів, зокрема, n-дольних та їх мінорів виду K n .
Аналіз літератури. У [1 – 3] автори вирішують прикладні задачі
побудови n-мірних паттернів та їх конкретне застосування у галузі управління,
економіки, фінансовому аналізі. У [4] реалізовано евристичні алгоритми в
системах захисту, обробленні інформації. У [5] автори довели, що задача
розподілу гомогенних робочих ресурсів є поліноміальною. У [6 – 9]
розроблено методи побудови n-мірних паттернів без накладених обмежень. У
[10] автор дає огляд останніх досягнень у теорії графів, викладено такі
актуальні розділи, як мінори та пофарбування графів.
Мета статті – показати, що побудова n-мірних паттернів зводиться до
пофарбування n-дольних графів та їх мінорів виду K n .
Побудова n-мірних паттернів методом пофарбування n-дольних
графів та їх мінорів виду Kn. У загальному випадку n-мірні паттерни являють
собою таке розбиття масиву n n елементів на n типів K1 , K 2 , , K n , що для
кожного типу K i може бути побудований набір функцій K i , i 1, n .
Однією із необхідних умов реалізації n-мірного паттерну за заданим набором
типів K1 , K 2 , , K n є справедливість умови ( K i ) ( K j ) для i j .
Одним із підходів до побудови n-мірних паттернів є методи, що ґрунтуються
на властивостях хроматичного числа графів та їх пофарбуванні.
151
Покажемо, що будь-який n-мірний паттерн можна представити у вигляді
n-дольного графу та навпаки.
r-Дольним графом (r-partite graph) називається такий граф GV , E , якщо
V допускає таке розбиття його вершин V 1 , 2 , , n на r класів, при
якому кінці кожного (i , j ), i j ребра лежать у різних класах. При цьому
вершини із одного класу розбиття повинні бути попарно несуміжними [10].
r-Дольний граф, у якому кожні дві вершини із різних класів суміжні
називається повним.
Повні r-дольні (complete r-partite) графи для всіх r разом називаються
повними багатодольними графами [10].
n1
Повний r-дольний граф K ... K
nr
позначається через K n1,..., nr . Якщо
n1 ... n r s , то пишемо Ksr , якщо s = n = r, то K nn називається n-дольним
графом. Так, Ksr є повний r-дольний граф, у якому кожен клас вершин
складається із s вершин. Слід зазначити, що Ksr можна отримати шляхом
заміни кожної вершини в K r на незалежну s-множину. Позначення Ksr як раз
і містить підказку на таку заміну [10].
Графи виду K 1, n називаються зірками (star) [10]. На рис. 1 зображені зірки
K 3 , K 4 , K 5 . Для них кожна вершина становить окремий клас. Відповідно
зображені графи є 3-, 4- та 5-пофарбованими.
Рис. 1. Зображення графів-зірок виду K 3 , K 4 , K 5
Із зірками повязаний окремий напрям дослідження графів. Оскільки, у
зірках кожна вершина звязана з усіма іншими вершинами графа, то
мінімальна кількість кольорів, у які вони можуть бути пофарбовані,
становить n.
Оцінка найменшої та найбільшої степені кожної вершини графа виду K nn
становить:
(1)
d min n 1;
d max n 2 n;
d min d x dmax .
152
(2)
(3)
Теорема 1. Будь-який n-дольний граф може бути стягнутий у зірку
виду K n .
Доведення. Нехай задано граф G V , E . Позначимо e ( xi , x j ) ребро у
графі G V , E таке, що вершини x i та x j є суміжними при i j . Позначимо
також G e граф, отриманий із G шляхом стягування ребра e у нову вершину
e , яка стає суміжною із вершинами xi та x j . Формально G e є граф V , E
із множиною вершин
V (V \ {xi , x j }) {e } ,
(4)
де e V E , і множиною ребер
E {(x k , x r ) E | {(x k , x r ) ( xi , x j ) }}
{(e , x r ) | ( xi , x r ) E \ (e) або ( x j , x r ) E \ (e)} .
(5)
Якщо граф G є n-дольним, то він має n n вершин. Враховуючи
означення про n-повні графи при n = r та беручи до уваги (3), приходимо до
висновку, що граф G може містити при наймі n2 n ребер, які можуть бути
стягнуті за допомогою (5). Оскільки, степінь будь-якої вершини в графі є
однаковою для всіх вершин, то операція стягування ребра (5) не змінює
степінь вершин, а перерозподіляє вершини по класам. При стягуванні ребра e
згідно (4) відбувається зменшення також кількості вершин у графі. Наприклад,
при першому стягуванні граф виду K nn перетворюється у граф K nn1 , або
K n 1, n . Далі, виконуючи (4) та (5), отримуємо графи K n 2, n , K n 3, n , ,
K n i , n , , K 1, n . Або в загальному випадку можна записати
G (V (i ) , E (i ) ) ei (V (i 1) \ {x i 1 , x j 1 }, E (i 1) \ ei ),
(6)
де 1 i n 2 n , та i j для двох суміжних вершин.
Таким чином, стягування ребер ei призводить до перетворення
n-дольного графа виду K nn у граф-зірку K n за n2 n ітерацій. Отже, теорему
доведено.
Наслідок 1. Якщо для n-дольного графа G існує мінор виду K n , то
мінімальна кількість кольорів, у яку може бути пофарбований граф G,
дорівнює G n . У цьому можна легко переконатися, виконуючи індукцію
G X , де X G en2 n . Граф K n X є мінором графа G, якщо він може
бути отриманий послідовним стягуванням ребер, тобто якщо існують графи
G0 , , Gn2 n і ребра ei Gi такі, що G0 G, Gn2 n X , а Gi може бути
знайдений за допомогою (4). Слід відмітити, що кожен підграф графа є його
мінором. Відповідно до теореми 1 та беручи до уваги наслідок 1, будь-який
153
мінор може бути отриманий спочатку видаленням вершин і ребер, а потім
стягуванням ребер. І навпаки, будь-який r- чи n-дольний граф, отриманий
шляхом видалення та стягування, є мінором останнього. Але не всі мінори
n-дольного графа є n-пофарбованими.
З точки зору знаходження хроматичного числа лише мінори X
представляють практичний інтерес. Тому, побудова n-мірних паттернів може
бути зведена до знаходження такого графа K n , який задовольняє умовам
існування паттерну із заданим набором типів H 1 , , H i , , H n :
Розглянемо
( H i ) ( H j ), i j;
(7)
i, j / ( H i ) ( H j ) .
(8)
можливість
існування
такого
графа
Kn ,
для
якого
справедливими є умови (7) та (8). Оскільки, граф K n є мінором графа
K nn G e n 2 n , то відповідно природним є питання отримання графа K nn із
його мінору K n . Теоретично таке зворотне перетворення можливе, беручи до
уваги теорему 1. Тому, іншим наслідком цієї теореми є зворотне перетворення
графа.
Наслідок 2. Граф-зірка виду K n може бути перетворений на n-дольний
граф K nn ; хроматичне число новоутвореного графа буде дорівнювати n.
Нехай існує граф GX K n . За означенням зірки такий граф має s n
вершин. Здійснимо перетворення наступним чином. До кожної вершини
додамо гілок у кількості n 1 , які складаються із однієї вершини. У результаті
отримаємо граф GX V , E :
V V {x i, x j },
(9)
E E {x i, x j },
1 i n 2 n, 1 j n 2 n .
(10)
Або для кожної k-ої вершини графа GX можна записати так:
V ( x k ) x k x k1 x ki x k j ,
x k V , k , 1 k n,
(11)
1 i n 1, 1 j n 1,
де xki та xk j є вершинами гілок доданих до xk . Для кожної пари
новоутворених вершин введемо ребра ek :
ek ( x k 1i , , xk j ), k 1, , n; 1 i n 1, 1 j n 1.
154
(12)
Відповідно, оскільки вершини xk , xk i та xk j є суміжними, то
перерозподіл вершин по класам (долям) K n1 , , K nn графа GX здійснюється
наступним чином:
K nk {x k 1 , , x k i , x k j }; k 1, , n, 1 i, j n 1.
(13)
Отже, отримано граф GX K nn . Хроматичне число такого графа
становить GX n . Розглянемо приклад такого перетворення. Нехай задано
граф-зірку K 3 , що зображений на рис. 1. Відповідно введемо позначення
GX K 3 . Виконуючи перетворення (9), (11), отримуємо граф GX із гілками,
що зображений на рис. 2.
Рис. 2. Граф GX, отриманий шляхом перетворення
Далі, виконуючи операції (10), (12), зєднуючи вершини сусідніх гілок
отримуємо граф GX K 33 (рис. 3).
Рис. 3. Граф GX із зєднаними вершинами
155
Остаточно, перерозподіляючи вершини по класам (долям), отримаємо
тридольний граф K 33 із долями K n1 {x k 1 , x k i , x k 1 j } , K n2 {x k , x k 1 j ,
x k 1i } , K n3 {x k 1 , x k j , x k 1i } .
Рис. 4. Тридольний граф K 33 , отриманий із мінору K 3
Відповідно, хроматичне число обох графів буде дорівнювати трьом, тобто
GX GX 3 . Операції (9) – (12) можна назвати реконструкцією
n-дольного графа за його мінором K n .
Звязок n-дольних графів із паттернами полягає у наступному. Якщо
задано n-дольний граф G V , A із набором вершин V {1 , 2 , , k } та
набором ребер A {a1 , a 2 , , a } , для якого існує розбиття множини V на n
класів. Нехай C c1 , c 2 , , c – набір кольорів, у які граф G може бути
пофарбований:
(14)
C : V {c1 , c 2 , , c } .
Згідно із наслідком 1 існує мінімальний набір кольорів P, у які граф G
буде пофарбований. При цьому хроматичне число графа буде дорівнювати n.
Покажемо звязок n-мірних паттернів із n-дольними графами. Нехай
задано { 1,1 , 1, 2 , , i ,n , , n,n } елементів, що утворюють n-мірний
паттерн. Якщо існує деякий набір типів K {K1 , K 2 , , K n } , які можна
поставити у відповідність елементам паттерну, то всі елементи будуть
класифіковані. Звязок між однотипними елементами паттерну в межах даного
класу виражається функціональною залежністю ( K i ) . Тоді у загальному
випадку задача побудови n-мірного паттерну зводиться до встановлення
сукупності залежностей (K ) між усіма елементами, так що:
: K ( K ) .
156
(15)
Таким чином, співвідношення (15) можна трактувати як задачу
пофарбування n-дольних графів.
У випадку накладання обмежень, проблема побудови n-мірних паттернів
може бути сформульована як задача побудови n-мірного паттерну за заданими
класами (K ) або їх відомими частинами.
З іншого боку, практичний інтерес представляє звязок n-мірних паттернів
із мінорами K n n-дольних графів. Встановимо таку залежність на наступному
прикладі.
Нехай
задано
інформаційно-графову
структуру
де
(H ) ,
H {h1 , h2 , , h } є набором властивостей деякого обєкта, для якого
побудовано інформаційно-графову структуру. Така структура є також
n-мірним паттерном, що містить { 1,1 , 1, 2 , , i ,n , , n,n } елементів, які
відповідають за певні властивості обєкта. При цьому залежність
: H ( H )
(16)
встановлює однозначний звязок між елементами інформаційно-графової
структури та набором властивостей обєкту, для якої вона побудована:
: H { ij (h )};
(17)
i, j 1 (i, j ) n, 1, , H .
Нехай також існує паттерн (K ) , за допомогою якого можна розкласти
інформаційно-графову
структуру
на
шари
( H ) ( K )
1 ( H 1 ) n ( H n ) таким чином, щоб H 1 H n H .
розкладання паттерну (H ) не призводило до виникнення
властивостей обєкта, або:
( H ) : ( K ) { ij (h )}.
Тобто
нових
(18)
Якщо такий паттерн (K ) існує, то кількість шарів, на які може бути
розкладений паттерн (H ) буде завжди однаковою при заданому наборі
розкладаючих типів {K1 , , K n } та дорівнюватиме n.
Це можна записати наступним чином:
H K H 1 H n H ; n 1, , K .
(19)
Слід відмітити, що розкладання інформаційно-графової структури на
шари не призводить до її зникнення, а навпаки вона зберігається в одному із
шарів.
Далі, розкладаючи кожен із шарів на підшари, отримуємо наступні
структури:
157
( H ) ( K ) ( H ) 1 ( H ) n ( H );
1 ( H ) ( K ) 1 ( H ) i ( H ) n ( H );
. . . . . . . . . . . . . . . . . .. . . . . . . . . . . .. . . . . . . .
(20)
i ( H ) ( K ) i ( H ) n ( H ).
Позначимо кожну нову структуру як ij . Тоді (20) буде представляти
собою комбінацію елементів ij . У матричному вигляді можна записати:
( H )
( H )
11 12
1
21 22
( K )
i ( H )
n1 n 2
n ( H )
1n
2 n
.
nn
(21)
Оскільки (K ) за умовою є таким паттерном, що не призводить до появи
нових елементів у множині H, то права частина рівняння (21) буде
представляти собою також паттерн, для якого виконуються умови (7) – (8) і в
якому класами є не елементи ij (h ) , а інформаційні структури i .
При цьому такий паттерн є гетерогенний, в якому існує залежність між
структурами i :
( H ) : ( K ) () .
Тут () є n-вимірним паттерном,
матриці:
1 i
( ) i
1
який можна зобразити у вигляді
1
.
i
Таким чином, беручи до уваги (14) та (15), приходимо до висновку, що
() є пофарбуванням деякого n-дольного графа, у якому елементи ij є
вершинами цього графа, а структури (, 1 , , i , , n ) є класами
(долями) графа.
Такий узагальнений n-дольний граф зображено на рис. 5.
Оскільки кожен елемент у матриці із рівняння (21) є комбінацією шарів
( H ) 1 ( H ) i ( H ) n ( H ) , то можна записати наступну
рівність:
158
( H ) 1n n1 ;
1 ( H ) 11 2n n 2 ;
i ( H ) 12 nn .
11
1
2n n2
12
1n
i
nn
n1
n
Рис. 5. n-Дольний граф як графічне зображення n-мірного паттерну
Отже, отриманий граф може бути стягнутий у зірку виду K n , у якій
вершинами є відповідні шари паттерну (H ) , отримані шляхом його розкладу
за допомогою (K ) . Такий граф-зірка буде n-пофарбованим при n K .
Хроматичне число n-дольного графа та його мінору K n дорівнює відповідно
K . Мінор (граф-зірка) K n зображено на рис. 6.
= (K1)
i = i(Ki)
1 = 1(K2)
n = n(Kn)
Рис. 6. Граф-зірка виду K n , отриманий для паттерну (H )
Слід зазначити, що дана проблема потребує комплексного підходу.
Частіше за все необхідно будувати паттерн (K ) , маючи мінімальний набір
типів. Потрібно розробити спеціальний універсальний алгоритм, який би
дозволяв будувати паттерни виду (K ) . Такий алгоритм повинен враховувати
особливості кодування розвязку та представлення паттерну у вигляді
n-дольного графа. При побудові паттерну може виникати потреба в накладанні
додаткових обмежень, окрім умов (7) – (8).
159
Висновки. Таким чином, проблема побудови n-мірного паттерну зведена
до пофарбування n-дольних графів та їх мінорів виду K n . Степінь вершин
графа визначає у кінцевому випадку множину оптимальних розвязків при
побудові паттерну.
Отримані результати можуть бути використані при алгоритмічному
підході побудови паттернів, які спрощують розвязання задач проектування
обладнання для мобільного та радіозвязку, машинного планування розкладів,
соціальної психології, оптимальному розподілу ресурсів.
Список літератури: 1. Glover F. A Template for Scatter Search and Path Relinking. School of
Business, U.S.A: University of Colorado, Technical Report, 1998. – P. 3 – 54. 2. Arkin M., Silverberg B.
Scheduling jobs with fixed start and end times // Discrete Applied Mathematics. – 1987. – 18. – P. 1 – 8.
3. de Wera D. Introduction to timetabling // European Journal of Operational research. – 1985. – 19. –
P. 151 – 162. 4. Mikhail J. Atallan. Algorithms and Theory of Computation Handbook. U.S.A, New
York: CRC Press, 1999. – 1312 P. 5. Valls V., Perez A., Quintanilla S. A graph colouring model for
assigning a heterogeneous workforce to a given schedule // European Journal of Operational Research. –
1996. – 90. – P. 285 – 302. 6. Byskov J.M. Enumerating maximal independent sets with applications to
graph colouring // Operations Research Letters, 32 (2004). – Elsevier B.V. – 2004. – P. 547 – 556.
7. Karger D., Motwani R., Sudan M. Approximate graph coloring by semidefinite programming
// J. ACM. – 1998. – V. 45. – № 2. – P. 246 – 265. 8. de Klerk E., Pasechnik D. V. On approximate graph
colouring and MAX-k-cut algorithms based on the -function // Journal of Combinatorial Optimization. –
№ 8 (2004). – Netherlands: Kluwer Academic Publishers, 2004. – P. 169 – 185. 9. Pittel B. On the
probable behavior of some algorithms for finding the stability number of a graph // Mathematical
Proceedings of the Cambridge Philosophical Society. – 1982. – 92. – P. 511 – 526. 10. Дистель Р.
Теория графов. – Новосибирск: Изд-во Ин-та математики, 2002. – 336 с.
УДК 519.876.5
Построение n-мерных паттернов как задача построения и раскраски n-дольных
графов и их миноров / Скрыльник И.И. // Вестник НТУ “ХПИ”. Тематический выпуск:
Информатика и моделирование. – Харьков: НТУ "ХПИ", 2008. – № 24 . – С. 151 – 160.
В статье рассматривается проблема построения n-мерных паттернов. Решение этой задачи
сводится к раскраске n-дольных графов и их миноров вида K n . Доказано, что любой n-дольный
граф может быть стянут в звезду вида K n . Показана связь n-мерных паттернов с n-дольными
графами, а также, что степень вершин графа определяет в конечном итоге множество
оптимальных решений при построении паттерна. Ил.: 6. Библиогр.: 10 назв.
Ключевые слова: паттерн, минор, n-дольный граф, звезда, раскраска графа.
UDK 519.876.5
n-Dimensional patterns design as the problem of n-partite graph coloring and its minors
/ Skrylnik I.I. // Herald of the National State University "KhPI". Subject issue: Information science and
modelling. – Kharkov: NSU "KhPI", 2008. – № 24. – P. 151 – 160.
The problem of n-dimensional pattern design is investigated. The resolving of this problem is
regarded as the problem of n-partite graph coloring and its minor Kn. It is shown that any n-partite graph
can be reduced to the graph-star Kn. The relationship between n-dimensional patterns and n-partite graphs
is proved and it is shown that the vertex degree defines the range of optimal n-dimensional pattern
constructions. Figs: 6. Refs: 10 titles.
Key words: pattern, minor, n-partite graph, graph-star, graph coloring.
Поступила до редакції 18.04.2008
160
УДК 681.142.35:61
Э.Н. СОЛОШЕНКО, д-р мед. наук, ХНИИДиВ (г. Харьков),
Н.А. ЧИКИНА, канд. техн. наук, НТУ "ХПИ" (г. Харьков),
Н.В. КУГАЕВСКАЯ, Институт гигиены и профзаболеваний (г. Харьков)
ПРИМЕНЕНИЕ АИС ДИАГНОСТИКИ И ПРОФИЛАКТИКИ ПРИ
АНАЛИЗЕ ЗАБОЛЕВАЕМОСТИ АЛЛЕРГОДЕРМАТОЗАМИ
РАБОЧИХ ПРЕДПРИЯТИЙ КОЖЕВЕННОЙ
ПРОМЫШЛЕННОСТИ
В статье изложены методические подходы и обоснована принципиальная возможность
применения ранее разработанной авторами автоматизированной информационной системы (АИС)
по ранней диагностике и профилактике при анализе заболеваемости аллергодерматозами рабочих
кожевенных предприятий. Изложены практические аспекты применения АИС при оценке
состояния здоровья рабочих и выработке соответствующих профилактических мероприятий.
Ключевые слова: автоматизированные информационные системы, аллергодерматозы, оценка
состояния здоровья, кожевенное предприятие.
Постановка проблемы. При изучении технологического процесса и
условий труда на предприятиях кожевенного производства "Большевик" и
"Возко"
установлено
[1]
наличие
физических
и
химических
профессиональных факторов, которые в комбинациях усиливают действие
друг друга и неблагоприятно влияют на организм, ослабляя его реактивность и
увеличивая вероятность заболеваемости профессиональными дерматозами.
Для проведения систематизированного анализа заболеваемости,
диагностики и профилактики аллергодерматозов возникла необходимость в
разработке АИС по выявлению риска развития производственно
обусловленных
аллергодерматозов
для
предприятий
кожевенной
промышленности. Между тем, представляется возможным использовать для
этой цели одну из уже имеющихся известных медицинских АИС, поскольку
она соответствует специфике поставленной цели и задачам [2].
Анализ литературы. Изучение распространенности заболеваний кожи и
их структуры у рабочих кожевенных предприятий показывает, что аллергические
дерматозы составляют значительную часть патологии кожи [3, 4]. Анализ
гигиенических условий труда рабочих кожевенной промышленности выявил ряд
химических, физических и биологических факторов, нередко воздействующих
на кожу одновременно.
В рамках одной из научных тем сотрудниками Института дерматологии и
венерологии АМН Украины и сотрудниками кафедры высшей математики
Национального технического университета "ХПИ" в 90-х годах была
разработана и внедрена на фармацевтической фирме "Здоровье"
автоматизированная система по ранней диагностике и профилактике
161
профессиональных аллергодерматозов [5]. Система предназначена для
внедрения на предприятиях химической и химико-фармацевтической
промышленности с целью выявления и предупреждения кожных заболеваний,
вызванных контактом с различными химическими веществами.
Целью статьи является проведение анализа принципиальной
возможности и методические подходы применения автоматизированной
информационной системы [5, 6] для гигиенических исследований и оценки
состояния здоровья работающих на кожевенных предприятиях.
Математические модели и методы построения АИС. При разработке
АИС исходили из того, что профилактика на первом этапе должна быть
избирательной (больные с вероятностью данного заболевания в ближайшем
будущем). Это возможно лишь тогда, когда профилактике предшествует
прогнозирование, формирующее группы повышенного риска [7].
В процессе этой работы был создан информационный банк данных на
основе анализа специально разработанной кодированной информационной
карты.
На основе анализа данных аллергологического анамнеза у обследуемых
выявлялись факторы риска [8] и делались выводы об их роли в развитии
аллергического заболевания. Помимо качественной оценки, факторы риска
развития кожного аллергического заболевания оценивались количественно. По
данным клинического анализа
крови оценивались адаптационнокомпенсаторные возможности организма, а по тесту Спилберга – личностная
тревожность. Полученная информация использовалась для проведения
мероприятий по коррекции гомеостаза обследуемых и назначения им
индивидуализированных курсов лечения.
На основании данных иммунологического обследования рабочих
оценивали состояние иммунного гомеостаза не только у рабочих с
клиническими проявлениями аллергического процесса, но и у рабочих в
стадии сенсибилизации (иммунологическая или патохимическая стадия
развития) и, таким образом, диагностировали латентную или скрытую форму
аллергии.
Общая схема ранней диагностики и прогноза развития профессионально
обусловленных аллергодерматозов представлена на рис.
Наличие этого блока в АИС позволяет проводить в условиях предприятия
(мед. пункт, медсанчасть, профилакторий) коррекцию состояния лиц групп
риска по минимуму лабораторных тестов в соответствии с рекомендованными
курсами профилактики.
Обследования рабочих кожевенных предприятий проводили с участием
терапевта, невропатолога, отоларинголога, аллерголога и офтальмолога [3, 4].
Дерматологическое обследование включало опрос, сбор анамнестических
данных и визуальный осмотр состояния здоровья участков кожи, слизистых
оболочек. Клинико-лабораторными исследованиями предусматривалось
162
определение клинического анализа крови, исследования иммунного статуса,
уровень реакций адаптации организма, оценка гормонального статуса
щитовидной железы, биохимические исследования. При анализе результатов
аллергологического обследования кожевенников выявлено преобладание
повышенной чувствительности к химическим аллергенам.
Предрасположенность
1.
Аллергологичнсеий
анамнез
2.
Индекс
предрасположенности
Профотбор
Прогноз состояния
Результаты обследования
1.
Клинический анализ
крови
2.
Врачи-специалисты
Оценка состояния
1.
Тест личностной
тревожности
2.
Уровень выраженности
адаптационных реакций
Рис. Структура блока АИС по ранней диагностике профессионально обусловленных
аллергодерматозов
Выводы. Анализ и структура заболеваемости, тождественность
информационной базы, комплексная оценка воздействий на кожу выявленных
факторов риска, а также химизация технологического процесса,
дали
основания к применению разработанной в [5, 6] АИС к решению
поставленных
задач
при
обследованиях
рабочих
кожевенной
промышленности. Внедрение автоматизированных информационных систем
позволяет увеличить эффективность диагностических, лечебных и
профилактических мероприятий.
Список литературы: 1. Солошенко Е.М., Чикина Н.А., Кугаевская Н.В. Мониторинг состояния
адаптации у рабочих предприятий с вредными условиями труда // Зб. наук. пр. "Сучасні проблеми
дерматології, косметології та управління охороною здоров'я" / За ред. П.П. Рижка. – Х.: Прапор,
2007. – Вип. 5. – С. 192–193. 2. Мавров И.И., Солошенко Э.Н., Волкославская В.Н., Чикина Н.А.
Автоматизированные информационные системы в дерматологии и венерологии // Вестник
дерматологии и венерологии. – К.: АМН Украины, 2004. – № 2. – С. 18–23. 3. Кугаевская Н.В.
Структура захворюваності дерматозами працівників Харківського шкіряного виробничого
163
об'єднання "Більшовик" // Актуальні проблеми гігієни праці і профпатології в машинобудівній і
хімічній промисловості. – Харків, 1998. – С. 56–57. 4. Кугаевская Н.В. Структура заболеваемости
дерматозами у рабочих Вознесенского кожевенного предприятия АО "Возко" // Журнал
дерматологии и венерологии. – К.: АМН Украины, 1999. – № 2. – С. 60–61. 5. Солошенко Э.Н.,
Чикина Н.А., Спивак А.В. Автоматизированная информационная система диагностики
профессионально обусловленных аллергодерматозов на стадии предболезни // Тез. докл.
Международной науч.-техн. конф. "Информационные технологии: наука, техника, технология,
образование, здоровье". – Х.: ХПИ, 1993. – С. 243–245. 6. Солошенко Э.Н., Чикина Н.А.
Автоматизированная информационная система диагностики и профилактики профессионально
обусловленных аллергодерматозов // Журнал дерматологии и венерологии. – К.: АМН Украины,
2006. – С. 46–53. 7. Солошенко Е.М., Чикина Н.А., Мануйлова А.М. Математические модели
лекарственной болезни: диагностика, прогнозирование, профилактика // Кибернетика и вычисл.
техника. – К.: Наукова думка, 1993. – Вып. 98. – С. 51–54. 8. Мануйлова А.М., Воробьев Ф.П.,
Доильницина Л.П., Чикина Н.А. Выбор факторов риска и оценка их диагностической значимости
// Кибернетика и вычислительная техника. – 1987. – Вып. 74. – С. 33–35.
УДК 681.142.35:61
Застосування АІС діагностики й профілактики при аналізі захворюваності
алергодерматозами робочих підприємств шкіряної промисловості / Солошенко Е.М.,
Чікіна Н.О., Кугаєвська Н.В. // Вісник НТУ "ХПІ". Тематичний випуск: Інформатика і
моделювання. – Харків: НТУ "ХПІ", 2008 – № 24 . – С. 161 – 164.
У статті викладені методичні підходи й обґрунтована принципова можливість застосування
раніше розробленої авторами автоматизованої інформаційної системи (АІС) по ранній діагностиці
й профілактиці при аналізі захворюваності алергодерматозами робочих шкіряних підприємств.
Викладені практичні аспекти застосування АІС при оцінці стану здоров'я робітників і формування
відповідних профілактичних заходів. Ил.: 1. Библиогр.: 8 назв.
Ключові слова: автоматизована інформаційна система, алергодерматози, оцінка стану
здоров'я, шкіряне підприємство.
UDC 681.142.35:61
Application of AIS for diagnostics and preventive maintenance at the allergies diseases
analysis of the tanning industry enterprises workers / Soloshenko E.N., Сhikina N.A.,
Kugaevskaya N.V. // Herald of the National State University “KhPI”. Subject issue: Information science
and modeling. – Kharkov: NSU "KhPI", 2008. – № 24. – P. 161 – 164.
In the report methodical approaches are stated and the basic opportunity application of before
developed by authors automated information system (AIS) on early diagnostics and preventive
maintenance is proved at the allergies diseases analysis of the tanning enterprises workers. The practical
aspects of the AIS application for estimation of the health state of workers and making of the proper
prophylactic measures are expounded. Figs: 1. Refs: 8 titles.
Key words: automated informative systems, allergodermathosis, estimation of the health state,
leather factory.
Поступила в редакцию 24.04.2008
164
УДК 519.7:004.93
С.А. СУББОТИН, канд. техн. наук, ЗНТУ (г. Запорожье),
А.А. ОЛЕЙНИК, ЗНТУ (г. Запорожье)
ОПТИМИЗАЦИЯ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ НА ОСНОВЕ
МНОГОКРИТЕРИАЛЬНОГО МЕТОДА ЭВОЛЮЦИОННОГО
ПОИСКА
Рассмотрена задача упрощения структуры построенных нейромоделей, для решения которой
разработан метод многокритериального эволюционного поиска с использованием обобщенной
целевой функции. Создано программное обеспечение, реализующее предложенный метод
упрощения нейросетевых моделей. Проведены эксперименты по синтезу модели для диагностики
хронического бронхита.
Ключевые слова: многокритериальный эволюционный поиск, оптимизация нейросетевых
моделей.
Постановка проблемы. На возможность применения нейросетевых
моделей на практике существенное влияние оказывают сложность
построенной нейросети и скорость вычисления значения целевого параметра
по набору данных, не входящему в обучающую выборку [1, 2]. Поэтому
актуальным является упрощение структуры синтезированной нейронной сети.
Пусть задана выборка исходных данных < X, Y > и нейросетевая модель
вида НС = НС(S, W, B, TF), где X = {Xi} – набор значений признаков,
характеризующих рассматриваемый объект или процесс; Y = {yp} – массив
значений выходного параметра в заданной выборке; Xi = {xip} – i-й признак в
выборке, i = 1, 2, ..., L; xip – значение i-го признака для p-го экземпляра
выборки, p = 1, 2, ..., m; yp – значения прогнозируемого параметра для p-го
экземпляра; L – общее количество признаков в исходном наборе; m –
количество экземпляров выборки; S = S(L) – матрица, определяющая наличие
синаптических связей между элементами нейросети (входными признаками,
нейронами); W = W(S) – матрица весовых коэффициентов, соответствующих
связям, присутствующим в сети НС; B = B(S) – вектор смещений нейронов
сети; TF = TF(S) – вектор функций активации нейронов сети.
Тогда задача оптимизации нейросетевой модели НС заключается в поиске
таких новых значений S S, W, B, TF, при которых достигаются
оптимальные значения заданных критериев оптимальности 1 , 2 , …, K ,
где K – количество целевых критериев.
Анализ литературы. Существующие подходы упрощения нейромоделей
предусматривают последовательное удаление нейронов или синаптических
соединений в сети [3], используя при этом "жадную" стратегию. Как правило,
применение "жадной" стратегии приводит к исследованию незначительной
части пространства всех возможных структур нейромоделей, поскольку
165
предполагает последовательное удаление элементов сети (нейронов или связей
между ними), не оценивая при этом эффективности исключения наборов,
состоящих из нескольких элементов.
Поэтому для упрощения нейросетей с целью получения моделей,
наиболее точно описывающих исследуемую зависимость и в то же время
являющихся достаточно простыми для реализации и практического
применения, целесообразно использовать методы, которые позволяют более
равномерно покрывать пространство поиска, не используют "жадную"
стратегию и допускают оптимизацию по нескольким заданным критериям. К
таким методам относятся методы эволюционного поиска – многомерные,
стохастические, эвристические методы, которые на каждой итерации работают
с некоторым множеством решений, что позволяет во многих случаях
анализировать пространство поиска быстрее по сравнению с традиционными
оптимизационными методами, не выдвигая при этом дополнительных
ограничений к виду целевой функции [4 – 8]. Однако при многокритериальной
постановке задачи использование эволюционных методов связано с
необходимостью предварительного оценивания значимости целевых функций
или необходимостью применения специальных процедур оценивания
решений, требующих значительных вычислительных ресурсов.
Цель статьи – создание многокритериального эволюционного метода для
оптимизации нейросетевых моделей с использованием обобщенной целевой
функции,
позволяющей
оценивать
хромосомы
по
нескольким
оптимизируемым критериям.
Критерии оценивания нейромоделей. Известно [1 – 3], что
нейросетевые модели обладают различными характеристиками: качеством
аппроксимации, точностью, интерпретабельностью, простотой аппаратной и
программной реализации, вычислительной и пространственной сложностью и
др. Поэтому при оптимизации нейромодели целесообразным является
использование набора различных критериев, наиболее полным образом
характеризующих исследуемую зависимость.
При оценивании структурной сложности нейромодели целесообразно
использовать количество синаптических соединений (весов) в сети Nw,
количество нейронов Nn и количество слоев Nс в нейромодели. Предлагается
использовать следующий критерий оценивания сложности структуры
нейросети:
N N
(1)
K c 1 w 1 n 1 N c .
N n N c
Такой критерий учитывает количество слоев в сети, а также среднее
количество нейронов в слое и среднее количество связей, приходящихся на
один нейрон.
166
На вычислительную сложность сети существенное влияние оказывают
функции активации нейронов. Поэтому в качестве критерия оценивания
вычислительной
сложности
предлагается
использовать
выражение,
учитывающее количество линейных и нелинейных функций активации:
1 N сл
,
(2)
Kв
1 N пр
где Nсл – количество вычислительно сложных функций активации нейронов
(логистическая сигмоидная, тангенциальная сигмоидная, радиальнобазисная и
др.); Nпр – количество вычислительно простых функций активации нейронов
(пороговая, линейная).
Для оценивания аппроксимационных качеств сети и сложности ее
применения целесообразно использовать среднеквадратическую ошибку
модели E и время t расчета значения выходного параметра по синтезированной
нейромодели, соответственно.
Предложенный набор критериев охватывает большинство характеристик
нейросетей, что позволяет использовать его для многокритериальной
оптимизации с целью получения достаточно простых и интерпретабельных
нейромоделей, обеспечивающих высокую точность аппроксимации.
Поскольку оптимизация по нескольким критериям является эффективной
при небольшом количестве целевых функций [4, 5], предлагается для
упрощения структуры
нейромоделей использовать два
критерия,
интегрирующих основные характеристики нейросетей:
N
N
(3)
f1 E K c E 1 w 1 n 1 N c ;
N n
Nc
1 N сл
.
(4)
f 2 t Kв t
1 N пр
Первый критерий f1 характеризует качество аппроксимации нейромодели
и ее структурную сложность. Критерий f2 объединяет время вычисления
выходного параметра по синтезированной сети и ее вычислительную
сложность.
Метод
многокритериального
эволюционного
поиска
с
использованием обобщенной целевой функции. Для решения задачи
оптимизации построенных нейросетевых моделей разработан метод
многокритериального эволюционного поиска с использованием обобщенной
целевой функции, основанный на популяционном подходе как одном из
наименее затратных методов с точки зрения ресурсов. Для устранения
недостатков существующих методов, использующих популяционный подход,
предлагается ввести обобщающую функцию, позволяющую оценивать
хромосомы не по одной целевой функции, а по всем оптимизируемым
167
функциям. В результате этого поиск будет проводиться во всем пространстве
целевых функций.
Предлагаемый метод многокритериального эволюционного поиска с
использованием обобщенной целевой функции состоит из следующих шагов.
Шаг 1. Установить счетчик итераций: t = 0. Сформировать начальную
популяцию P0 из N хромосом. Размер популяции N выбирают таким образом,
чтобы обеспечить возможность одновременного исследования достаточно
больших областей пространства поиска, как правило, размер популяции
устанавливается равным 50 – 100 особям.
Решения (хромосомы) при оптимизации нейромоделей кодируются с
помощью представления, аналогичного тому, которое используется при
структурно-параметрическом синтезе нейронных сетей с помощью
эволюционного подхода. При этом хромосома состоит из нескольких частей: в
первой части содержится информация о значениях весов нейронов входного
слоя, во второй – значения весовых коэффициентов нейронов скрытых слоев, в
третьей – значения смещений нейронов, в четвертой – функции активации для
каждого нейрона сети. Поэтому гены первой, второй и третьей частей
хромосомы являются вещественными, а гены четвертой части принимают
целые значения, соответствующие определенным типам функций активации.
Шаг 2. Разбить популяцию Pt на K подпопуляций размером N/K каждая
(N/K 2), где K – количество целевых функций решаемой задачи.
Шаг 2.1. Для каждой хромосомы Hj рассчитать евклидово расстояние от
нее до всех остальных хромосом в популяции. Евклидово расстояние d между
хромосомами Hj и Hl вычисляется по формуле:
d (H j , H l )
L
(hij hil ) 2
i 1
,
(5)
где L – размер хромосом; hij и hil – значения i-х генов хромосом Hj и Hl,
соответственно.
Шаг 2.2. Установить счетчик сформированных подпопуляций: с = 1.
Сформировать множество не вошедших в подпопуляции хромосом A = Pt.
Шаг 2.3. Инициализировать с-ю подпопуляцию: Vc = .
Шаг 2.4. Выбрать из множества A две хромосомы Hj и Hl с максимальным
расстоянием между ними.
Шаг 2.5. Включить выбранные хромосомы Hj и Hl в с-ю подпопуляцию:
Vc = Vc {Hj, Hl}. Исключить хромосомы Hj и Hl из А: А = А \ {Hj, Hl}.
Шаг 2.6. Если с-ая подпопуляция полностью сформирована ( |Vc| = N/K ),
тогда перейти к шагу 2.9.
Шаг 2.7. Выбрать из множества A хромосому Hk, сумма расстояний от
которой до хромосом из Vc является максимальной.
Шаг 2.8. Включить хромосому Hk в с-ю подпопуляцию: Vc = Vc {Hk}.
Исключить хромосому Hk из А: А = А \ {Hk}. Выполнить переход к шагу 2.6.
168
Шаг 2.9. Если сформированы все подпопуляции (с = K), тогда перейти к
выполнению шага 3.
Шаг 2.10. Увеличить счетчик сформированных подпопуляций: с = с + 1.
Выполнить переход к шагу 2.3.
Шаг 3. Выполнить однокритериальный эволюционный поиск в каждой из
K подпопуляций. При этом оценивание хромосом в c-й подпопуляции
производить по c-й целевой функции.
Шаг 4. Выбрать в каждой подпопуляции Nв N/K лучших особей.
Шаг 5. Сформировать объединенную популяцию из всех особей,
выбранных на предыдущем шаге.
Шаг 6. Выполнить эволюционный поиск над хромосомами из
объединенной популяции. При этом оценивание хромосомы Hj проводить с
помощью
вычисления
обобщенного
значения
фитнесс-функции
F(Hj) = F(f1(Hj), f2(Hj), …, fK(Hj) ):
K B
F( H j ) k ,
(6)
k 1 k
f k ( H j ) min( f k ), если f k min,
где Bk
max( f k ) f k ( H j ), если f k max,
k = max(fk) – min(fk); max(fk) и min(fk) – соответственно, максимальное и
минимальное значение k-й целевой функции на текущей итерации. Таким
образом, F H j 0; K .
Шаг 7. Выполнить проверку критериев окончания поиска. Если критерии
удовлетворены, тогда выполнить переход к шагу 9.
Шаг 8. Увеличить счетчик итераций: t = t + 1. Выполнить переход к
шагу 2.
Шаг 9. Останов.
Для оценивания хромосом Hj из объединенной популяции вместо
использования обобщенной целевой функции можно использовать
обобщенный ранг хромосом, получаемый в результате сложения рангов по
каждой функции:
Rj = Rj1 + Rj2 +…+ RjK,
(7)
где Rj – ранг j-й хромосомы; Rjk – ранг j-й хромосомы для целевой функции fk
(количество хромосом с лучшим значением целевой функции fk).
Такое ранжирование отличается от ранжирования по принципу
недоминирования тем, что хромосомы ранжируются по каждой целевой
функции отдельно, а затем находится суммарный ранг каждой хромосомы.
Кроме того, предлагаемое ранжирование требует меньше вычислительных
ресурсов, чем ранжирование по принципу недоминирования.
Таким образом, предлагаемый многокритериальный эволюционный
поиск с использованием обобщенной целевой функции состоит из двух этапов.
169
На первом этапе происходит поиск оптимума каждой целевой функции в
отдельности, что позволяет найти более оптимальные решения по сравнению с
существующими методами, использующими популяционный подход, при
которых происходит обычный выбор нескольких лучших хромосом по разным
целевым функциям.
На втором этапе происходит многокритериальный эволюционный поиск,
который основан на использовании обобщенной функции, объединяющей в
себе значения всех целевых функций. Данный подход позволяет отбирать и
получать те хромосомы, которые не являются оптимальными ни для одной из
заданных целевых функций, но в то же время являются наиболее
приемлемыми для набора этих функций.
Эксперименты и результаты. С целью проверки эффективности
применения разработанного метода многокритериального эволюционного
поиска с использованием обобщенной целевой функции проводились
эксперименты по решению задачи синтеза моделей для диагностики
хронического
бронхита
[9].
Для
этого
предложенный
метод
многокритериальной эволюционной оптимизации был программно реализован
на языке пакета Matlab.
Для
построения
диагностических
моделей
использовалась
экспериментально полученная выборка данных [9] исследований
функционально-морфологических свойств лейкоцитов и тромбоцитов,
сосудистого фактора, системы комплемента и циркулирующих иммунных
комплексов (ЦИК) периферической крови 205 пациентов.
Анализировалось состояние пациентов по 28 диагностическим
признакам. Для выделения наиболее важных признаков использовался метод
эволюционного поиска с группировкой признаков [10], в результате чего
наиболее значимой оказалась комбинация, состоящая из 12 признаков: x1 –
содержание палочкоядерных лейкоцитов; x2 – содержание сегментоядерных
лейкоцитов; x3 – содержание эозинофилов; x4 – содержание лимфоцитов; x5 –
фагоцитарное число моноцитов; x6 – НСТ-тест, отражающий способность
нейтрофилов генерировать активные формы кислорода; x7 – НСТстимулированный тест – отражает резервные возможности нейтрофилов
генерировать активные формы кислорода в условиях их дополнительного
стимулирования; x8 – количество тромбоцитов; x9 – количество активных
тромбоцитов; x10 – уровень комплемент (СН50); x11 – уровень ЦИК,
осаждаемых 3% полиэтиленгликолем; x12 – активность миелопероксидазы
нейтрофилов.
Каждому экземпляру выборки было сопоставлено значение целевого
параметра – диагноза соответствующего пациента (1 – болен, 0 – не болен).
На основе полученного набора информативных признаков с помощью
эволюционного метода полимодального поиска [11] был выполнен
структурный синтез нейромоделей, в результате которого выделены четыре
нейросетевые модели, обеспечивающие высокое качество классификации по
170
обучающей выборке. После проверки построенных нейромоделей с помощью
данных тестовой выборки оставлена одна нейромодель, обеспечивающая
наилучшую точность классификации. Среднеквадратическая ошибка
построенной модели составляла 0,029. Данная модель имела 64 синаптические
связи и содержала пять нейронов на первом слое, три нейрона на втором слое
и один нейрон – на третьем.
Синтез нейронных сетей осуществлялся с помощью критерия,
учитывающего точность классификации, что привело к получению сетей с
избыточным количеством связей и нейронов. Поэтому после структурного
синтеза выполняли многокритериальную эволюционную оптимизацию
построенной нейромодели, используя при этом предложенные критерии f1 и f2.
Сравнивались такие методы эволюционной оптимизации, как
однокритериальный эволюционный поиск, использующий в качестве фитнессфункции f1, однокритериальный эволюционный поиск, использующий в
качестве фитнесс-функции f2, векторный генетический метод VEGA [4] и
многокритериальный эволюционный поиск с использованием обобщенной
целевой функции.
Значения параметров эволюционных методов
устанавливались
следующими: оператор отбора – отбор с использованием рулетки, оператор
скрещивания – одноточечный, оператор мутации – гауссова мутация,
количество особей в популяции N = 100 (для многокритериальных методов
используются две подпопуляции по 50 особей каждая), вероятность
скрещивания pcкр = 0,8, вероятность мутации pm = 0,05, максимальное
количество итераций T = 100, количество элитных особей kэ = 2. Результаты
экспериментов по оптимизации нейромодели приведены в табл. 1, где tэо –
время в секундах, затраченное на эволюционную оптимизацию. Поскольку в
результате применения метода VEGA получено несколько нейромоделей, то в
табл. 1 приведены результаты для двух найденных нейросетей, являющихся
оптимальными по критериям f1 и f2, соответственно.
Таблица 1
Результаты экспериментов по оптимизации нейромоделей с помощью различных
методов эволюционного поиска
Метод
Однокритериальный эволюционный поиск,
использующий в качестве фитнесс-функции f1
Однокритериальный эволюционный поиск,
использующий в качестве фитнесс-функции f2
VEGA (лучшая модель, полученная для критерия f1)
VEGA (лучшая модель, полученная для критерия f2)
Многокритериальный эволюционный поиск с
использованием обобщенной целевой функции
tэо
f1
f2
823,44 2,516 1,19
Параметры нейромодели
струкNw
E t, сек Nсл
тура
5–1
Nпр
31
0,034 0,17
6
0
172,72 12,68 0,16 4–2–1
48
0,121 0,13
4
3
546,56 2,378 1,26 5–1
546,56 18,396 0,12 3–2–1
35
57
0,029 0,18
0,146 0,12
6
3
0
3
558,32 2,713 0,13
33
0,034 0,1
3
2
4–1
Сравнение результатов, полученных с помощью применения
однокритериального эволюционного поиска, VEGA и предложенного метода,
171
показывает, что нейромодель, полученная с помощью разработанного метода
многокритериального эволюционного поиска с использованием обобщенной
целевой функции является оптимальной по обоим критериям f1 и f2, поскольку
значения этих критериев приближаются к соответствующим значениям,
рассчитанным для моделей, полученных с помощью однокритериальной
оптимизации, при которой поиск проводился лишь по одному критерию.
В табл. 2 приведена упрощенная нейросетевая диагностическая модель
хронического бронхита, полученная с помощью предложенного метода.
Таблица 2
Нейромодель для диагностики хронического бронхита
Номер
Номер
нейрона
слоя
в слое
1
2
1
3
4
2
1
Номер входа нейрона
0
0,707
–11,06
–1,262
–2,652
–15,45
1
2
4,691
–4,211 1,634
–3,935
6,925
–17,02 20,753
3
4
5
6
7
8
9
10
11
12
3,602
3,260
–1,575 2,797 –6,749 –3,200 –0,371 –0,854
–2,135 –1,563
–2,633 3,173
7,271
–7,142
3,394 3,614 2,810
–2,324
–2,172
–1,121 –0,787 5,801 –0,008 6,641
18,398 9,690
Полученные с помощью предложенного метода нейромодели
обеспечивают высокую точность аппроксимации и в то же время являются
достаточно простыми и интерпретабельными, поскольку получены в
результате оптимизации по нескольким критериям, отражающим не только
аппроксимационные способности модели, но и ее вычислительную и
структурную сложность.
Выводы. В работе решена задача упрощения нейросетевых моделей на
основе многокритериальной эволюционной оптимизации.
Научная новизна работы заключается в том, что разработан новый метод
многокритериального эволюционного поиска с использованием обобщенной
целевой функции, основанный на популяционном подходе как одном из
наименее затратных методов с точки зрения ресурсов. Для устранения
недостатков существующих методов, использующих популяционный подход,
используется обобщающая функция, позволяющая оценивать хромосомы не
по одной целевой функции, а по всем оптимизируемым критериям, в
результате чего поиск проводится во всем пространстве целевых функций.
Практическая ценность результатов работы состоит в том, что:
– создано программное обеспечение, реализующее предложенный метод
упрощения нейромоделей;
– решена задача синтеза моделей для диагностики хронического
бронхита.
Работа выполнена в рамках госбюджетной НИР "Научно-методические
основы и математическое обеспечение для автоматизации и моделирования
процессов управления и поддержки принятия решений на основе процедур
распознавания и эволюционной оптимизации в нейросетевом и
нечеткологическом базисах" (№ гос. регистрации 0106U008621).
172
Список литературы: 1. Круглов В.В., Борисов В.В. Искусственные нейронные сети: Теория и
практика. – М.: Горячая линия-Телеком, 2001. – 382 с. 2. Интеллектуальные средства диагностики
и прогнозирования надежности авиадвигателей: Монография / В.И. Дубровин, С.А. Субботин,
А.В. Богуслаев, В.К. Яценко. – Запорожье: ОАО “Мотор-Сич”, 2003. – 279 с. 3. Руденко О.Г.,
Бодянский Е.В. Основы теории искусственных нейронных сетей.– Харьков: Телетех, 2002. – 317 с.
4. Coello C. A Short Tutorial on Evolutionary Multiobjective Optimization // Evolutionary Multi-Criterion
Optimization: Proceeding of the International Conference EMO2001 (7–9 March 2001). – Zurich:
Springer-Verlag, 2001. – P. 21–40. 5. Cvetkovic D., Coello C. Human Preferences and their Applications
in Evolutionary Multiobjective Optimization // IEEE Transactions on Evolutionary Computation. – 2002.
– № 6. – P. 42–57. 6. Haupt R., Haupt S. Practical Genetic Algorithms. – New Jersey: John Wiley &
Sons, 2004. – 261 p. 7. Gen M., Cheng R. Genetic algorithms and engineering design. – New Jersey: John
Wiley & Sons, 1997. – 352 p. 8. Yao X. Evolving Artificial Neural Network // Proceedings of the IEEE. –
1999. – № 9 (87). – P. 1423–1447. 9. Субботин С.А., Афонин Ю.А., Колесник Н.В. Нейросетевое
моделирование в выяснении патогенеза перманентного прогрессирующего воспалительного
процесса при хроническом обструктивном бронхите // Моделирование неравновесных систем:
Материалы VII Всероссийского семинара (8–10 октября 2004 г.). – Красноярск: ИВМ СО РАН,
2004. – С. 158–159. 10. Субботин С.А., Олейник А.А. Выбор набора информативных признаков для
синтеза моделей объектов управления на основе эволюционного поиска с группировкой признаков
// Искусственный интеллект. – 2006. – № 4. – С. 488–494. 11. Субботін С.О., Олійник А.О.
Полімодальний еволюційний пошук з кластеризацією хромосом для відбору інформативних ознак
// Автоматика-2006: Матеріали тринадцятої міжнародної науково-технічної конференції (25–28
вересня 2006 р.). – Вінниця: УНІВЕРСУМ–Вінниця, 2006. – С. 448–451.
УДК 519.7:004.93
Оптимізація нейромережевих моделей на основі багатокритеріального методу
еволюційного пошуку / Субботін С.О., Олійник А.О. // Вісник НТУ "ХПІ". Тематичний випуск:
Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008 – № 24 . – С. 165 – 173.
Розглянуто завдання спрощення структури побудованих нейромоделей, для вирішення якого
розроблено метод багатокритеріального еволюційного пошуку з використанням узагальненої
цільової функції. Створено програмне забезпечення, що реалізує запропонований метод
спрощення нейромережевих моделей. Проведено експерименти по синтезу моделі для діагностики
хронічного бронхіту. Табл.: 2. Библиогр.: 11 назв.
Ключові слова: багатокритеріальний еволюційний пошук, оптимізація нейромережевих
моделей.
UDC 519.7:004.93
Neural network optimization based on multiobjective evolutionary search / Subbotin S.A.,
Oleynik A.A. // Herald of the National State University “KhPI”. Subject issue: Information science and
modeling. – Kharkov: NSU "KhPI", 2008. – № 24. – P. 165 – 173.
The problem of neural network simplification is considered. The method of multiobjective
evolutionary search with usage of the generalized criterion function is developed. The software realizing
the suggested method is created. Experiments on diagnostic model synthesis of a chronic bronchitis are
lead. Tabl.:12. Refs: 11 titles.
Key words: multicriterion evolutionary search, optimization neuronets models.
Поступила в редакцию 18.04.2008
173
УДК 616 – 073.97: 613.163
В.И. СУХОРУКОВ, д-р мед. наук, профессор, ГУ "Институт неврологии,
психиатрии и наркологии АМН Украины" (г. Харьков),
Ю.В. БОВТ, канд. мед. наук, ГУ "Институт неврологии, психиатрии и
наркологии АМН Украины" (г. Харьков),
Л.П. ЗАБРОДИНА, ГУ "Институт неврологии, психиатрии и наркологии
АМН Украины" (г. Харьков),
Ю.И. ВОЛОЩУК, д-р техн. наук, профессор, ХНУРЭ (г. Харьков),
О.И. ХАРЧЕНКО, канд. техн. наук, ХНУРЭ (г. Харьков)
КОМПЬЮТЕРНЫЙ АНАЛИЗ ИЗМЕНЕНИЙ МЕЖПОЛУШАРНЫХ
ВЗАИМОДЕЙСТВИЙ МОЗГА ЧЕЛОВЕКА ПРИ ВОЗДЕЙСТВИИ
ИСКУССТВЕННЫХ МАГНИТНЫХ СИГНАЛОВ СВЕРХНИЗКОЙ
ЧАСТОТЫ
Предложен новый компьютерный метод анализа межполушарного взаимодействия электрической
активности мозга человека с использованием коэффициента симметрии. Проведена апробация
метода при воздействии искусственных магнитных импульсов, полученные изменения
коэффициента симметрии могут рассматриваться как маркеры адаптивных возможностей мозга
человека.
Ключевые слова: компьютерный анализ, межполушарные взаимодействия, коэффициент
симметрии, магнитные импульсы.
Постановка проблемы. В электроэнцефалографии широко применяется
компьютерный анализ межполушарных взаимодействий с использованием
коэффициента асимметрии, который позволяет сравнивать сигналы от
симметричных отведений только по их амплитуде. Нами предлагается новый
метод
компьютерной
оценки
межполушарных
взаимодействий
с
использованием
коэффициента
симметрии,
с
помощью
которого
электрическая активность мозга симметричных отведений сравнивается с
учетом фазы, частоты и амплитуды сигнала.
Анализ литературы. В [1, 2] проведен анализ влияния на человека
электромагнитных полей. Показано, что организм человека наиболее
чувствителен к воздействию электромагнитных полей сверхнизкочастотного
диапазона (ЭМП СНЧ). В периоды резкого возрастания напряженности
природного ЭМП по данным клиницистов наблюдается декомпенсация
неврологических и психических заболеваний [3, 4]. В наших предыдущих
исследованиях показано влияние на функциональное состояние головного
мозга человека природных ЭМП с диапазоном частот близких к собственным
частотам мозга (4 – 40 Гц), так называемым шумановским резонансам [5].
Отмечено, что в формировании ответных реакций на воздействие ЭМП СНЧ,
на первый план выступает изменение межполушарных соотношений
174
электрических процессов головного мозга. По современным представлениям
признается, что в интегративной деятельности мозга, которая обеспечивает
адаптивные возможности организма, решающая роль принадлежит процессам
динамического взаимодействия полушарий [6]. Поэтому целесообразен поиск
новых методов оценки изменений межполушарных взаимодействий в
формировании адаптивных реакций к действию ЭМП СНЧ.
Цель статьи. Разработка нового метода компьютерного анализа
межполушарного взаимодействия электрической активности мозга здорового
человека при воздействии ЭМП СНЧ с использованием коэффициента
симметрии.
Материалы исследования. В исследовании участвовали 31 испытуемый
– мужчины в возрасте от 25 до 50 лет, согласно опросу, все правши. Запись
электроэнцефалограммы (ЭЭГ) проводилась с помощью энцефалографа EEG
16S "Меdісоr" (Венгрия) с наложением электородов по схеме "10-20".
Искусственные магнитные импульсы, имитирующие природные ЭМП СНЧ
подавались дистанционно с помощью специального устройства. Амплитуда
подаваемых импульсов превышала уровень природного фона в 2 – 5 раз, что
соответствовало
амплитуде
естественных
всплесков,
порождаемых
шумановскими резонансами [7]. ЭЭГ регистрировали в течение 15 минут,
включая фон, сеанс стимуляции и период последействия. Биопотенциалы
мозга и магнитные сигналы вводились в компьютер в режиме реального
времени для дальнейшего анализа.
Для оценки межполушарных взаимодействий был предложен способ
определения наличия либо отсутствия межполушарной симметрии
электрической активности головного мозга. Отличительной особенностью
данного способа является то, что в одном показателе объединены отличия
электрической активности от симметричных областей правого и левого
полушарий мозга по фазе, частоте и амплитуде сигнала [8]. Данный способ
заключается в следующем: определяется разность ЭЭГ симметричных
отведений и их сумма; вычисляются и строятся на одном графике спектр
суммы и спектр разности; вычисляется коэффициент симметрии (Ксим).
Проявление симметричности будет состоять в том, что спектр суммарного
процесса должен значительно превосходить спектр разностного процесса и,
наоборот, при отсутствии симметричности спектр разностного процесса
соизмерим со спектром суммы. Коэффициент симметрии вычисляется по
следующей формуле:
K сим
E суммы
E разности
,
(1)
где Есуммы – энергия суммарного процесса, Еразности – энергия разностного
процесса.
175
Таким образом, определение спектральной плотности суммы ЭЭГ
симметричных отведений и их разности позволит выявить степень
межполушарных взаимоотношений электрической активности мозга.
В нашем исследовании мы вычисляли Ксим по 10 секундным эпохам
симметричных отведений ЭЭГ здоровых испытуемых до и после сеанса
магнитной стимуляции (МС) и проводили сравнительный анализ результатов.
В результате проведенного компьютерного анализа ЭЭГ у испытуемых
после сеанса магнитной стимуляции выявлены различные варианты динамики
межполушарных соотношений. В первом варианте (26,2% испытуемых) –
после сеанса МС Ксим уменьшался во всех регистрируемых симметричных
отведениях правого и левого полушарий мозга, то есть прослеживалось
нарастание межполушарной асимметрии. Во втором варианте (34,7%
испытуемых) – Ксим после МС увеличивался, то есть наблюдалось некоторое
нивелирование межполушарных различий. В третьем (39,1% испытуемых)
варианте после МС наблюдались разнонаправленные изменения значений Ксим
в различных симметричных отведениях ЭЭГ, причем в большинстве случаев
(30,4%) преобладало снижение Ксим. Необходимо отметить, что в третьем
варианте динамики чаще всего встречалась ситуация, при которой значение
Ксим после МС увеличивалось только в теменных отведениях ЭЭГ, которые
являются проекцией неспецифических таламических путей мозга.
Выводы. В результате проведенной работы предложен новый метод
компьютерного
анализа
ЭЭГ,
позволяющий
выявить
изменения
межполушарных взаимоотношений при воздействии ЭМП СНЧ с
использованием коэффициента симметрии. Выделенные варианты динамики
межполушарных соотношений зависели прежде всего от фонового
функционального состояния мозга, а также от индивидуальных особенностей
реагирования на воздействие данного фактора. Изменения значений
коэффициента симметрии можно рассматривать в качестве маркеров как
позитивной направленности, если Ксим уменьшается, так и негативной
направленности, если Ксим увеличивается при формировании адаптивных
режимов регуляции функционального состояния ЦНС к действию ЭМП СНЧ.
Полученные результаты необходимо учитывать при планировании
профилактических мероприятий.
Список литературы: 1. Холодов Ю.А., Лебедева Н.Н. Реакции нервной системы человека на
электромагнитные поля. – М.: Наука, 1992. – 135 с. 2. Агаджанян Н.А., Макарова И.И. Среда
обитания и реактивность организма. – Тверь, 2001. – 176 с. 3. Тясто М.И. Влияние
электромагнитных полей естественного и антропогенного происхождения на частоту появления
различных патологий в Санкт-Петербурге // Биофизика. – 1995. – Т. 40. – Вып. 4 – С. 839 – 847.
4. Гичев Ю.П., Гичев Ю.Ю. Влияние электромагнитных полей на здоровье человека. –
Новосибирск, 1999. – 92 с. 5. Сухоруков В.И,. Литвиненко Л.Н., Литвинов В.А. Влияние
естественных сверхнизкочастотных электромагнитных полей на динамику церебрального
электрогенеза человека / В книге "Электромагнитные проявления геофизических еффектов в
Антарктиде". – Х.: – 2005 – С. 183 – 191. 6. Чуян Е.Н., Темурьянц Н.А., Пономарева В.П.,
Чирский Н.В. Функциональные асимметрии у человека и животных: влияние низкоинтенсивного
176
электромагнитного излучения миллиметрового диапазона. – Симферополь, 2004. – 440 с.
7. Волошин П. В., Сухоруков В.І., Берченко О.Г., Моїсеєнко Є.В., Корсунов О.М., Бовт Ю.В.,
Забродіна Л.П., Лавінська Л.І. Спосіб профілактики негативної дії наднизькочастотних
електромагнітних полів на організм людини / Деклараційний патент № 14416. – Надр. 15.05.2006.
– Бюл. № 5. 8. Волощук Ю.И., Харченко О.И., Кочин О.В. Методы анализа ЭЭГ крыс,
различающихся по уровню судорожной готовности // Биомедицинские технологии и
радиоэлектроника. – М.: Радиотехника. – 2006. – № 5 – 6. – С. 77 – 79.
УДК 616 – 073.97: 613.163
Комп’ютерний аналіз зміни міжпівкульових взаємодій мозку людини під впливом
штучних магнітних сигналів наднизької частоти / Сухоруков В.І., Бовт Ю.В.,
Забродіна Л.П., Волощук Ю.І., Харченко О.В. // Вісник НТУ "ХПІ". Тематичний випуск:
Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008 – № 24 . – С. 174 – 177.
Запропоновано новий комп’ютерний метод аналізу міжпівкульової взаємодії електричної
активності мозку людини із застосуванням коефіцієнту симетрії. Проведено апробацію метода при
впливі штучних магнітних імпульсів. Отримані зміни значень коефіцієнта симетрії можуть
розглядатись як маркери адаптивних можливостей мозоку людини. Бібліогр.: 8 назв.
Ключові слова: комп’ютерний аналіз, міжпівкульові взаємодії, коефіцієнт симетрії,
магнітні імпульси.
UNC 616 – 073.97: 613.163
Computer analysis of the between hemisphere interactions in human brain, influenced by
artificial magnetic signals of superlow frequency / Sukhorukov V.I., Bovt Y.V., Zabrodina L.P.,
Voloshchuk Y.I., Kharchenko O.V. // Herald of the National State University "KhPI". Subject issue:
Information science and modelling. – Kharkov: NSU "KhPI", 2008. – №. 24. – P. 174 – 177.
The new computer analysis method of electrical activity between hemisphere interactions using
symmetry factor was proposed. The approbation of the method was held during the artificial magnetic
pulses influence. The received symmetry factor variations are considered to be the human brain adaptive
abilities markers. Refs: 8 titles.
Key words: computer analysis, between hemisphere interactions, symmetry factor, magnetic
pulses.
Поступила в редакцию 25.04.2008
177
УДК 614
Н.А. ЧИКИНА, канд. техн. наук, НТУ "ХПИ" (г. Харьков),
И.В. АНТОНОВА, НТУ "ХПИ" (г. Харьков)
ИДЕНТИФИКАЦИЯ СОСТОЯНИЯ ЗДОРОВЬЯ НА ОСНОВЕ
АНАЛИЗА ТИПОВ РЕАКЦИИ АДАПТАЦИИ У РАБОЧИХ
ПРЕДПРИЯТИЙ ХИМИКО-ФАРМАЦЕВТИЧЕСКОЙ
ПРОМЫШЛЕННОСТИ
В статье изложены подходы к классификации обследованных по уровню состояния их здоровья с
точки зрения теории неспецифических адаптационных реакций организма. Исследована
взаимосвязь между типом реакции адаптации и факторами риска. Проведен анализ соответствий
"группа риска – тип реакций адаптации". Выявлены закономерности развития адаптационных
реакций в зависимости от пола и стажа рабочих химико-фармацевтических предприятий.
Ключевые слова: адаптация, идентификация состояния здоровья, факторы риска, группа риска.
Постановка проблемы. В организме человека существует целая система
неспецифических адаптационных реакций, каждая из которых имеет
присущий только ей комплекс изменений на всех иерархических уровнях и
свое влияние на неспецифическую резистентность организма, являясь, тем
самым, – неспецифической основой состояния здоровья, предболезни и
болезни [1].
Хотя методологические критерии выявления и идентификации
донозоологических и преморбидных состояний еще не определены, их
выявление
чрезвычайно
важно
для
своевременного
проведения
профилактических мероприятий, что является и менее затратным и более
результативным по сравнению с проведением дорогостоящих комплексов
лечения [2, 3]. Особый интерес вызывает эта проблема применительно к
изучению механизмов адаптации организма человека к вредным условиям
труда.
Анализ литературы. В зависимости от силы раздражения в организме
развиваются 3 различных вида общих адаптационных реакций, в том числе и
реакция стресса с её классической триадой патофизиологических изменений
[1]. Чаще всего понятие адаптации к факторам в условиях вредного
производства связывают с реакцией организма на воздействия, близкие к
пороговым, что характерно для условий работы на предприятиях химического
производства [4].
В настоящее время в условиях стремительного развития химикофармацевтического производства остро встает вопрос о профессиональных
заболеваниях работников, имеющих постоянный контакт с лекарственными
препаратами растительного и химического происхождения [5, 6].
178
Исследования, проводимые в рамках научно-исследовательских работ
Харьковского НИИДиВ совместно с НТУ "ХПИ" на предприятиях химикофармацевтической промышленности, позволили получить математическую
модель развития адаптационных реакций на основе анализа динамики индекса
адаптации [4], выявить значимые внешние и внутренние факторы риска
развития аллергодерматозов [7]. Однако проведенный анализ данных не даёт
возможности определить, как и какие факторы риска влияют на механизмы
адаптации организма.
Целью статьи является изучение влияния факторов риска развития
аллергодерматозов у рабочих предприятий химико-фармацевтической отрасли
на характер адаптационных процессов.
Адаптация и резервные возможности организма. В [1] изложены
результаты исследований, в ходе которых были выделены две
антистрессорные реакции:
1) реакция тренировки в ответ на пороговую, относительно малую
величину действующего фактора;
2) реакция активации (спокойная и повышенная активация) в ответ на
разные по качеству факторы средней (промежуточные между слабыми
пороговыми и сильными) величины.
Биологический смысл реакции тренировки – сохранение гомеостаза в
пределах нижней половины зоны нормы в условиях действия слабых,
незначительных раздражителей.
Реакция активации находится между реакциями тренировки и стресса.
Биологический смысл реакций активации – в адекватном повышении
активности защитных систем в ответ на раздражитель средней силы, что
соответствует оптимальному уровню защитного ответа организма. При
воздействии на организм сильнодействующих факторов развиваются либо
реакция стресса, либо реакция переактивации. Биологический смысл
переактивации – в попытке сохранить активацию в ответ на непосильную
нагрузку без "сброса" в стресс. По мере повышения интенсивности
действующего фактора происходит повторение пяти основных известных
неспецифических адаптационных реакций организма – тренировки, спокойной
активации, повышенной активации, стресса или переактивации на разных
уровнях
реактивности
организма.
Совокупность
пяти
известных
адаптационных реакций составляет один уровень реактивности.
При реакциях активации происходит самая быстрая и адекватная
перестройка защитных сил в ответ на повреждающие воздействия, самое
быстрое заживление ран или восстановление сил после болезни.
Кроме реакций тренировки, стресса и активации, на средних и низких
уровнях реактивности развивается реакция переактивации, являющаяся, как и
стресс, неспецифической основой многих патологических процессов, особенно
на низких уровнях реактивности. Ее характеризует высокий лимфоцитоз и
179
излишне высокая активность нервной и эндокринной подсистем организма с
жесткой синхронизацией, а затем – десинхронизацией процессов.
В [1] показана зависимость между эффективностью лечения и типом
реакции, а также уровнем реактивности, на котором она развивается.
Наилучший эффект отмечался при развитии в организме реакций спокойной и,
особенно, повышенной активации высоких уровней реактивности.
Изучение влияния факторов риска на механизмы адаптации проводилось
по данным, полученным в результате профилактических обследований
рабочих и служащих химико-фармацевтических предприятий города
Харькова. В качестве объекта исследования были выбраны рабочие и
служащие фармацевтической фирмы "Здоровье", фармацевтического
предприятия "Эндокринное производство".
Традиционно в аллергологии задача ранней диагностики заболевания
связана с анализом факторов риска [7], количество которых за последние годы
резко возросло. Наличие факторов риска и факторов предрасположенности к
различным аллергическим заболеваниям, оценка уровня адаптационнокомпенсаторных возможностей организма дает возможность с определенной
степенью уверенности индивидуально прогнозировать возможность развития
профессионально обусловленных аллергодерматозов.
Пусть для описания множества , состоящего из m объектов
А1 , А2 ,..., Аi ,..., Аm , используется n признаков (предполагаемых факторов
риска):
X , X
1
2
,..., X j ,..., X n . Каждому объекту Ai i 1, m
соответствует
некоторое значение целевого признака X 0 . Признаки X j j 0, n измерены в
порядковой или номинальной шкале. Целевой признак X 0 имеет k0 градаций,
т.е. принимает k0 различных значений: X 0 , X 0 ,..., X 0 0 ,..., X 0 0 . Тогда для
решения поставленной задачи множество объектов необходимо разбить на
1
2
l
k
k0 подмножеств p p 1, k0 , таких, что p q , p .
p
Для
решения
задачи
идентификации
состояний
с
целью
индивидуализации проведения лечебно-профилактических мероприятий у лиц
с повышенным риском развития аллергодерматозов гистограммным методом
строилась оценка смеси плотностей вероятности [8]. Полученная
непараметрическая оценка использовалась для автоматической классификации
исходной выборки. Выделенные при этом группы наблюдений (состояния)
соответствуют
одномодальным
фрагментам.
Анализ
гистограмм
свидетельствует о наличии трех таких состояний.
В настоящем исследовании все обследованные были разделены на 3
( k0 = 3) группы: 1 – больные аллергодерматозами, находящиеся в стадии
ремиссии или с клиническими проявлениями; 2 – имеющие желудочно180
кишечную или другую соматическую патологию; 2 – практически здоровые
или имеющие кожные заболевания неаллергического генеза. Такое разбиение
множества соответствует следующим значениям целевого признака X 0 :
X 01 = "Б+Гр1", X 0 2 = "Гр2" и X 0 2 ="ПЗ+Гр3".
Один из признаков X j j 1, n , обозначим его X А , характеризует
состояние объекта Ai i 1, m по уровню его реакции адаптации. Признак X А
имеет пять градаций:
X А1 ={Стресс}, X А 2 = {Реакция Тренировки},
3
X А = {Реакция Спокойной Активации}, X А 4 = {Реакция Повышенной
Активации}, X А 5 ={Переактивация}.
В свою очередь каждое из подмножеств p p 1, k0
разбивалось на
стажные группы p p j : j 1, rp , p 1, k0 . Число стажных групп
подмножествах p p 1, k0
характеристиками
неодинаково,
в
и определялось количеством и
Поэтому признак X ,
A i 1, m по стажу работы на предприятии, имеет
объектов
Ai i 1, m .
C
характеризующий объекты i
переменное число градаций rp в зависимости от исследуемого подмножества
объектов p p 1, k0 : X C X C j : j 1, rp , p 1, k0 .
Для того чтобы выяснить, является ли место и характер работы фактором
риска, были обследованы все категории рабочих и служащих предприятия.
Признак X M , характеризующий место работы обследуемого, имеет две
градации: X M = {Связана}, X M = {Не связана} с непосредственным
контактом с вредными веществами в соответствие с технологией
производства.
Наиболее простой тест оценки состояния в плане проводимых
лабораторных исследований основан на анализе развития общих
неспецифических
адаптационных
реакций.
Показатель,
которым
характеризуется тип реакций адаптации, определяется как отношение
процентного содержания лимфоцитов в лейкоцитарной формуле к
сегментоядерным нейтрофилам. Это отношение известно также как
адаптационный индекс [1]. Остальные форменные элементы белой крови, в
том числе, и общее число лейкоцитов, являясь лишь дополнительными
признаками реакции, свидетельствуют о степени полноценности реакции,
степени ее напряженности и отношению к общепринятым границам нормы.
1
2
Выводы. Для решения задачи идентификации состояний с целью
индивидуализации проведения лечебно-профилактических мероприятий у лиц
с повышенным риском развития аллергодерматозов гистограммным методом
строилась оценка смеси плотностей вероятности [8]. Полученная
181
непараметрическая оценка использовалась для автоматической классификации
исходной выборки. Выделяемые при этом группы наблюдений (состояния)
соответствуют
одномодальным
фрагментам.
Анализ
гистограмм
свидетельствует о наличии трех таких состояний.
Исследования, проведенные авторами в [7], позволили выявить факторы
риска, значимо влияющие на состояние обследуемых, способствующие
развитию аллергодерматозов. Из внутренних факторов риска наибольшее
влияние, как выяснилось, оказывает фактор "Пол".
В результате однофакторного дисперсионного анализа было установлено
значимое различие в распределениях типов адаптационных реакций по
признаку "Пол". Данная закономерность выявлена по всей базе данных без
учета анамнеза и стажа работы обследуемых (рис.1).
Рис. 1.
Рис. 2.
После разбиения базы данных на группы риска p p 1, k0 , а в каждой
группе риска – на
стажные группы X C j j 1, rp , p 1, k0 , с помощью
однофакторного дисперсионного анализа было выявлено значимое различие в
распределениях типов адаптационных реакций у женщин группы риска
"Б+Гр1" в зависимости от стажа работы (рис. 2). При учете места работы
оказалось, что признак X M влияет на характер развития адаптационных
реакций, в частности, выявлены значимые различия в распределениях типов
адаптационных реакций у женщин группы риска "Б+Гр1" (рис. 3) и у мужчин
"Гр2" (рис. 4).
182
Рис. 3.
Рис 4.
Список литературы: 1. Гаркави Л.Х., Квакина Е Б. Понятие здоровья с позиции теории
неспецифических адаптационных реакций организма // Валеология. – 1996. – № 2. – С. 15–20.
2. Кутько И.И., Чикина Н.А., Мануйлова А.М. Автоматизированная диагностическая система
распознавания депрессивных состояний // Кибернетика и вычисл. техника. – К.: Наукова думка,
1993. – Вып. 98. – С. 55–60. 3. Ластед Л. Введение в проблему принятия решений в медицине. –
М.: Мир, 1971. – 284 с. 4.Чикина Н.А. Математические модели адаптационных реакций организма
// Тез. докл. Украинской науч.-практ. конф. "Метагигиена-93". – К., 1993. – С. 137–138.
5. Солошенко Е.М., Чикина Н.А., Мануйлова А.М. Математические модели лекарственной болезни:
диагностика, прогнозирование, профилактика // Кибернетика и вычисл. техника. – К.: Наукова
думка, 1993. – Вып. 98. – С. 51–54. 6. Солошенко Е.М., Чикина Н.А., Доильницина Л.П.
Математическое прогнозирование заболеваемости и осложнений лекарственной терапии // Сб.
статей "Проблемы восстановления и сохранения систем биосферы". – С.-Петербург:
Гидрометеостандарт, 1992. – Т. 2. – С. 117–120. 7. Солошенко Э.Н., Чикина Н.А., Антонова И.В.
Многофакторный дисперсионный анализ в оценке факторов риска развития аллергодерматозов у
рабочих химико-фармацевтических предприятий // Дерматология, косметология, сексопатология.
– К.: МЗ Украины, 2006. – № 3–4 (9). – С. 43–47. 8. Чикина Н.А. Идентификация состояний
медико-биологических объектов на основе анализа смеси плотностей вероятности // Тр.
Международной науч.-техн. конф. "MicroCAD – 97". – Х.: ХГПУ, 1997. – Ч.5. – С. 357–359.
УДК 614
Ідентифікація стану здоров'я на основі аналізу типів реакції адаптації у робочих
підприємств хіміко-фармацевтичної промисловості / Чікіна Н.О., Антонова І.В. // Вісник НТУ
"ХПІ". Тематичний випуск: Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008 – № 24 . –
С. 178 – 184.
У статті викладені підходи до класифікації обстежених за рівнем стану їх здоров'я з точки
зору теорії неспецифічних адаптаційних реакцій організму. Досліджений взаємозв'язок між типом
реакції адаптації й факторами ризику. Проведений аналіз відповідностей "група ризику – тип
реакцій адаптації". Виявлені закономірності розвитку адаптаційних реакцій залежно від статі та
стажу робочих хіміко-фармацевтичних підприємств. Іл.: 4. Бібліогр.: 8.
Ключові слова: адаптація, ідентифікація стану здоров'я, фактори ризику, група ризику.
UDC 614
Health state identification on the basis of the reaction adaptation types analysis for the
chemical and pharmaceutical industry enterprises workers / Сhikina N.A., Antonova I.V. // Herald
183
of the National State University "KhPI". Subject issue: Information science and modeling. – Kharkov:
NSU "KhPI", 2008. – № 24. – P. 178 – 184.
In the article approaches to classification of inspected workers in accordance with a level of their
health condition from the view point of the adaptable reactions theory are stated. The interrelation
between reaction adaptation type and risk factors is researched. The analysis of conformity "risk group reaction adaptation type" is conducted. Mechanism of adaptation reactions development depending on sex
and work experience of chemical and pharmaceutical enterprises workers are indicated. Figs: 4. Refs: 8
titles.
Key words: adaptation, identificftion of the health state, risk factors, risk group.
Поступила в редакцию 30.04.2008
184
УДК 658.012.011.56 : 681.327.12
Л.А. ФИЛИПКОВСКАЯ, канд. техн. наук, НАУ "ХАИ" (г. Харьков)
ИССЛЕДОВАНИЕ ЗАВИСИМОСТИ МЕЖДУ ОБЪЕМОМ
ОБУЧАЮЩЕЙ ВЫБОРКИ И КАЧЕСТВОМ СТРУКТУРНОАНАЛИТИЧЕСКОГО ПРАВИЛА КЛАССИФИКАЦИИ НА
ОСНОВЕ СТАТИСТИЧЕСКОГО АНАЛИЗА
Выделен класс производственных процессов, управление которыми требует классификации
(распознавания) рассматриваемых в них производственных ситуаций. Идентификация объекта
управления сводится к анализу его параметров. Выработка управляющих воздействий базируется
на использовании структурно-аналитического правила классификации. Рассмотрены
характеристики терминальных классификаторов в условиях малых выборок.
Ключевые слова: производственная
правило, правило классификации.
ситуация,
распознавание,
структурно-аналитическое
Постановка проблемы и анализ литературы. Такие производственные
процессы, как техническая подготовка производства [1 – 3], изготовление
крупных деталей в машиностроении [4], медицинская диагностика и
выработка стратегии лечения [5], характеризуются большим числом и
разнотипностью параметров, многоэтапностью функционирования. В [6]
выделен класс производственных процессов, управление которыми требует
классификации (распознавания) рассматриваемых в них производственных
ситуаций. Под производственной ситуацией будем понимать вектор
параметров, измеренных в разнотипном пространстве признаков.
Идентификация объекта управления сводится к анализу его параметров и
построению правила классификации (ПК) в режиме обучения и самообучения
по экспериментальным данным, а выработка управляющих воздействий
базируется на использовании правила классификации и оценке его
эффективности. При этом важную роль играет объем обучающей выборки.
В [7] представлены основные проблемы, для решения которых
используется структурно-аналитический метод распознавания образов.
Описанию алгоритмов анализа экспериментальных данных и построению
правил классификации с целью обоснования простоты технической
реализации и интерпретации решающего правила посвящена работа [8].
Цель статьи – исследование терминальных классификаторов в условиях
малых выборок, что характерно для реальных задач, описанных выше.
Зависимость между объемом обучающей выборки и качеством
структурно-аналитического
правила
классификации.
Методика
использования интерактивного программного комплекса классификационной
обработки данных [8] состоит из трех уровней: ввод и предобработка
185
исходных данных по согласованию с пользователем, анализ данных и
построение правила классификации с оценкой его качества.
На базе этого программного комплекса был разработан программный
стенд, состоящий из генератора таблицы экспериментальных данных,
процедур оценки вероятностной ошибки классификации (ВОК) методом
"скользящего контроля", а также библиотеки алгоритмов распознавания
образов. Внутренние вершины грамматического ПК содержали одномерные
решатели, оптимальные по критерию Байеса (ПК Байеса), классификатор для
разделения выпуклых оболочек классов (ПК "Минимакс"), а также реализация
линейного дискриминанта Фишера (ПК Фишера).
Асимптотическая устойчивость грамматического ПК проверялась на двух
нормальных совокупностях с числом реализаций m = 150 и числом
разнотипных признаков n = 5. Теоретическое значение ВОК Р* равнялось
0,286, что следует из решения статистических проблем управления.
ВОК оценивалась по контрольной выборке объемом 1200 объектов,
генерированных по тому же закону, что и обучающая выборка.
Результаты моделирования представлены на рис. 1.
P 0,8
0,6
ПК Байеса
ПК "Минимакс"
ПК Фишера
0,4
0,2
0
0
50
100
150
200
m
Рис. 1. Диаграмма зависимости ВОК Р от объема обучающей выборки m
Эффективность ПК (уровень ВОК) приближается к асимптотическому
значению при использовании одномерных классификаторов в условиях малых
выборок (m ~ n).
Практический интерес представляет задача нахождения связей между
ВОК и объемом обучающей выборки m при различном числе ветвей Nv
грамматического ПК. Была смоделирована аналогичная описанной выше
статистическая задача с обучением распознаванию s = 2 и s = 3 классов с n = 3
признаками.
Результаты моделирования представлены на рис. 2 и рис. 3 и указывают
на стремление ВОК к 1 у более сложных грамматических ПК, имеющих
большое число ветвей Nv при заданных s и m.
186
1
P
0,8
Nv=2
Nv=5
Nv=7
Nv=10
Nv=12
0,6
0,4
0,2
0
0
20
40
60
80
100
m
Рис. 2. Диаграмма зависимости ВОК Р
от объема обучающей выборки m и s = 2
P
1
0,8
0,6
0,4
0,2
0
Nv=3
Nv=5
Nv=7
Nv=10
Nv=12
0
100
200
300
m
Рис. 3. Диаграмма зависимости ВОК Р
от объема обучающей выборки m и s = 3
Приведенные факты позволяют сделать следующие выводы, полезные
для построения ПК после предварительного анализа данных:
– для малых выборок реальных задач обосновано применение простых в
реализации и интерпретации решающих правил с достаточным уровнем ВОК;
– так как число терминальных классификаторов прямо пропорционально
числу ветвей грамматического ПК Nv, то из всех структурно-полных систем
бинарной таблицы для восстановления ПК предпочтительнее выбирать ту,
которая имеет наименьшее число терминальных классификаторов.
Выводы. В работе были предложены рекомендации для построения
структурно-аналитического ПК после предварительного анализа данных [9].
Таким образом, полученные результаты необходимы для выработки
практического критерия предпочтения при выборе правила классфикации с
помощью интерактивного программного комплекса классификационной
обработки данных. Опираясь на эти исследования, а также на теоретические и
алгоритмические результаты работы [8], обеспечивается повышение
эффективности
управления
производственных
процессов
за
счет
187
использования оптимальных в смысле минимума эмпирического риска
структурно-аналитических
моделей
анализа
и
распознавания
производственных ситуаций, получения надежных правил их классификации,
сокращения стоимости продукции, а также материальных и временных затрат.
Список литературы: 1. Евгенев Г.Б. Систематология инженерных знаний: учебн. пособие для
вузов. – М.: МГТУ им. Н.Э. Баумана, 2001. – 246 с. 2. Игнатьева А.В., Максимов М.М.
Исследование систем управления. – М.: Юнити-Дана, 2000. – 157 с. 3. Филипковская Л.А.,
Шостак И.В. Интеллектуальная интегрированная система автоматизированной обработки
производственных ситуаций структурно–аналитическим методом распознавания образов
// Автоматизированные системы управления и приборы автоматики. – Х., 2001. – Вып. 115. –
С. 65 – 69. 4. Автоматизации управления предприятием / В.В. Баронов, Г.Н. Калянов, Ю.И. Попов
и др. – М.: ИНФРА-М, 2000. – 239 с. 5. Аспарухов О.К., Георджева С.А., Кисьов В.Т. Методы за
вземане на решения в медецината, основани на теорията на размытите множества
// Биоавтоматика. – 1986. – № 2. – С. 68–77 (болг.) 6. Филипковская Л.А. Структурно–
аналитическая модель распознавания образов в управлении производственными процессами
// Вестник НТУ "ХПИ". – Х.: НТУ "ХПИ". – 2001. – № 6. – С. 279–283. 7. Структурноаналитический метод машинного распознавания образов с разнотипными признаками.
/ Стоян Б.Г., Проценко В.С., Сироджа И.Б. и др. // Теория R-функций и актуальные проблемы
прикладной математики. – К., 1986. – С. 212–244. 8. Филипковская Л.А. Информационная
технология классификационной обработки данных производственных ситуаций // Вісник НТУ
"ХПІ". – Х.: НТУ "ХПІ". – 2003. – № 7. – Т. 2. – С. 93–98. 9. Перспективы использования
объектного подхода в ресурсносберегающем заготовительно-штамповочном производстве
/ А.И. Долматов, В.В. Третьяк, В.Ю. Гранин, Л.А. Филипковская // Авиационно-космическая
техника и технология. – Х.: "ХАИ". – 2007. – 11/47 – С. 245–254.
УДК 658.012.011.56: 681.327.12
Дослідження залежності між об'ємом навчальної вибірки і якістю структурноаналітичного правила класифікації на основі статистичного аналізу / Філіпковська Л.О.
// Вісник НТУ "ХПІ". Тематичний випуск: Інформатика і моделювання. – Харків: НТУ "ХПІ",
2008. – № 24. – С. 185 – 188.
Виділено клас виробничих процесів, управління якими вимагає класифікацію
(розпізнавання) розглянутих у них виробничих ситуацій. Ідентифікація об'єкта управління
зводиться до аналізу його параметрів. Вироблення управлінських впливів базується на
використанні структурно-аналітичного правила класифікації. Розглянуто характеристики
термінальних класифікаторів в умовах малих вибірок. Іл.: 3. Бібліогр.: 9 назв.
Ключові слова: виробнича ситуація, розпізнавання, структурно-аналітична правило,
правило класифікації.
UDC 658.012.011.56: 681.327.12
Research of dependence between volume of training sample and quality of a structuralanalytical classification rule on the basis of the statistical analysis / Filipkovskaja L.A. // Herald of
the National State University "KhPI". Subject issue: Information science and modelling. – Kharkov: NSU
"KhPI", 2008. – № 24. – P. 185 – 188.
The class of productions, management with which demands classification (recognition) of
industrial situations considered in them, is allocated. Identification of management object is reduced to
the analysis of its parameters. Мanufacture of managing influences is based on use of a structural analytical classification rule. Characteristics of terminal qualifiers in conditions small sample of the data
are considered. Figs: 3. Refs: 9 titles.
Key words: an industrial situation, recognition, structural-analytical rule, a classification rule.
Поступила в редакцию 05.05.2008
188
УДК 519.24
С.И. ЧЕРВОННЫЙ, канд. техн. наук, НТУ "ХПИ",
Г.В. ГЕЙКО,
Н.А. ПЛЯШЕЧНИКОВ
ПОСТРОЕНИЕ АЛГОРИТМА ОБРАБОТКИ СИГНАЛА В
ВИХРЕВЫХ ПОТОКОИЗМЕРИТЕЛЯХ
Основная идея уточнения показаний вихревого потокоизмерителя заключается в использовании
системы фазовой автоподстройки частоты уже после формирования импульсов от датчика
вихреобразователя. Учитывая специфику сигнала от датчика (прямоугольные импульсы),
предлагается новый алгоритм автоподстройки частоты, который имеет ряд достоинств и
учитывает свойства микроконтроллеров.
Ключевые
слова:
потокоизмеритель.
фазовая
автоподстройка
частоты,
микроконтроллер,
вихревой
Постановка проблемы. Система фазовой автоподстройки частоты
(ФАПЧ) может выполнять роль следящего фильтра, который отслеживает
требуемый параметр входного сигнала. Это должно исключить влияние
внешних источников кратковременных или нестационарных помех на
показания прибора. Есть у системы ФАПЧ и существенные недостатки,
например, возможно отслеживание кратной частоты. Из [1] известно, что в
вихревых потокоизмерителях частота вихрей при снижении скорости
уменьшается вместе с более существенным уменьшением амплитуды сигнала
датчика. Для реализации системы ФАПЧ со свойствами, отличными от
свойств и недостатков аналоговой системы ФАПЧ, в целях более гибкого
управления его свойствами и снижения энергопотребления целесообразно
использовать недорогой микроконтроллер. Однако, после проведенных
исследований стали видны недостатки подобной реализации: недорогие
микроконтроллеры из-за малого быстродействия не могут покрыть
необходимый диапазон частот. Такая задача (эмулирование аналоговой
системы ФАПЧ) больше подходит для цифровых сигнальных процессоров
(DSP), которые, в свою очередь, стоят дорого и требуют значительного
усложнения схемы прибора. Существует и другая, более важная проблема:
аналоговая система ФАПЧ в силу своей природы не всегда сможет адекватно
среагировать на скачкообразное изменение скорости потока (и,
соответственно, прибор учтёт неверный объём учётного вещества).
Анализ литературы. В настоящее время хорошо себя зарекомендовали
расходомеры марки YOKOGAWA. В этих расходомерах используется SSP–
фильтр, который непрерывно анализирует вибрацию и состояние среды внутри
расходомера и автоматически подстраивает режимы обработки сигнала [2]. В
работе [3] делается акцент на то, что так как связь частоты со скоростью
потока вихревого потокоизмерителя не совсем линейная, то традиционный
189
метод калибровки даёт дополнительную ошибку, что сказывается на снижении
точности измерений. Чтобы избежать этой ошибки, авторы предлагают
использовать новый метод калибровки, основанный на интеллектуальной
оптимизации алгоритмов. А именно, используют нейронную сеть для
моделирования характеристики вихревого потокоизмерителя. В работе [4]
предлагается для обработки сигналов в вихревом потокоизмерителе
использовать спектральный анализ, применение которого намного
эффективнее, чем применение стандартных методов измерения, что
подтвердили проделанные эксперименты. В своей статье [5] авторами
предложен вихреобразователь нового типа, который способен создавать
различные виды устойчивых вихрей при низкой скорости потока. Результаты
экспериментов, приведенные в статье [6], показывают, что метод обработки
сигнала в вихревом потокоизмерителе, базирующийся на использовании
нейронной сети, может значительно уменьшить шум, и, таким образом,
понизить погрешность измерения. В работе [7] предлагается использовать
цифровую обработку сигнала, основанную на объединении метода
элементарной волны и статистического метода. Эта идея доказала свою
состоятельность при обработке зашумленных сигналов. В работе [8]
представлены результаты применения оптического метода получения
информации в вихревых расходомерах. Задачей исследований работы [8]
является оценка влияния двух геометрических параметров оптической части
расходомера на отношение сигнал/шум и выбор их оптимальных значений.
Однако, ни в одной из вышеприведённых работ не решена удовлетворительно
проблема подавления шумов и фазовой автоподстройки частоты.
В связи с этим, целью исследований является разработка алгоритма
автоподстройки частоты, который позволит избавиться от таких недостатков
системы ФАПЧ, как режим отслеживания кратной частоты или не вхождение в
режим отслеживания вообще.
Для максимальной разгрузки микроконтроллера с него снята задача
непосредственно счета импульсов от датчика и переложена на отдельный
счетчик. Один раз за некоторый промежуток времени микроконтроллер
считывает значение со счетчика (которое есть ни что иное, как средняя
скорость потока вещества за единицу времени). В дальнейшем это значение
участвует в вычислении оценки математического ожидания и дисперсии
потока. Стабильность потока (отсутствие помех) определяется по оценке
дисперсии потока. В предложенном варианте дисперсия вычисляется по двум
(D1) и десяти (D2) последним значениям. Решение о нестабильности потока
принимается, если D1 превышает некоторый допустимый предел. Решение о
стабильности – если D1 и D2 не превышают данный предел.
Оценка математического ожидания скорости потока (М[x]) вычисляется
только в том случае, если поток стабилен. Для ускорения реакции прибора на
изменение скорости потока М[x] после каждой стабилизации начинает
вычисляться заново.
190
Для вычисления оценки M используется следующая формула:
M [ x] N X
M [ x] ст
,
(1)
N 1
где MСТ[x] ранее вычисленная оценка; X вновь поступившее значение от
счетчика; N количество значений, по которым вычислено MСТ[x].
Объём вещества, измеренного датчиком, вычисляется по формуле:
t
V V0 s M [ x]dt ,
(2)
t
где s площадь поперечного сечения трубы; t период времени, за который
происходит снятие данных со счётчика.
Использование оценки M[x] позволяет вычислить данный интеграл с
достаточной точностью даже с помощью аппроксимации прямоугольниками,
что также имеет большое значение для разгрузки микроконтроллера. В случае
принятия решения о нестабильности потока вычисление математического
ожидания скорости потока прекращается и для вычисления V используется
старая оценка. Вместо этого ведется подсчет количества тактов, на
протяжении которых поток был нестабилен. До выхода на стабильный режим
ведется подсчет объема по формуле (2), а после выхода, если стабилизация
произошла на скорости МНОВ[x], отличной от MСТ[x], вычисленный объем
корректируется по формуле
t
V V0 s ( M нов[ x] M ст [ x])tdt ,
(3)
0
которая является ничем иным как линейной интерполяцией изменяющейся
скорости потока.
Графически работу устройства можно описать так, как представлено на
рис. 1 – 3. На рис. 3 представлен график функции (Ф[t]), отображающий
реакцию алгоритма на изменение входного потока.
V [t]
[]
F[t]
V2
F2
V1
F1
t1
t2
t1
t
Рис. 1
t2
t
Рис. 2
На рис. 1 показан график изменения скорости потока (V[t]), а на рис. 2
изображён график поведения частоты импульсов (F[t]) на выходе системы
ФАПЧ (с разной инерционностью).
191
Ф[t]
Ф2
Ф1
t1
t2
t
Рис. 3
Выводы.
Для
обработки
сигналов
в
вихревом
потокоизмерителе
может
быть
использован алгоритм, основанный
на применении системы ФАПЧ,
который позволит избавиться от
таких недостатков системы ФАПЧ,
как режим отслеживания кратной
частоты или не вхождение в режим
отслеживания вообще.
Список литературы: 1. Бакай А.С., Сигов Ю.С. Многоликая турбулентность. М.: Знание, 1989.
С. 3 12. 2. Technical Information, Model DY Vortex Flowmeter, Yokogawa Electric Corporation,
Copyright May 2001 (http://www.yokogawa.com). 3. Yi Yan, Huifeng Wu. An Improved Intelligent
Calibration Method for Vortex Flowmeter // American Control Conference. – 2007. – ACC’07 – P. 2927
– 2931. 4. Ke-Jun Xu, Yun-Zhi Huang, Xun-Hong Lv. Power-spectrum-analysis-based signal processing
system of vortex flowmeters // IEEE. – 2006. – Vol. 55. – P. 1006 – 1011. 5. Zhu Xuli. Lin Hui. Design
and Numerical Simulation of a Novel Vortex Generator // Electronic Measurement and Instruments. –
2007. – ICEMI'07. – P. 2396 – 2399. 6. Liying Zheng, Kai Tian. A Vortex Signal Processing Method
Based on Wavelet Neural Network // Computer and Computational Sciences. – 2006. – IMSCCS'06. –
P. 288 – 289. 7. Hong-Jun Sun, Tao Zhang. Digital signal processing based on wavelet and statistics
method for vortex flowmeters // Machine Learning and Cybernetics. – 2004. – Vol. 5 – P. 3160 – 3163.
8. Baszak J., Jablonski R. Оptimization of laser vortex flowmeter parameters // Avtometriya. – 2004. –
№ 5. – Vol. 40 – P. 12 – 20.
УДК 519.24
Побудова алгоритму обробки сигналу
у вихорових потоковимірювачах
/ Червонний С.Й., Гейко Г.В., Пляшечников М.А. // Вісник НТУ "ХПІ". Тематичний випуск:
Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008. – № 24. – С. 189 – 192.
Основна ідея уточнення показань вихорового потоковимірювача полягає у використанні
системи фазового автоматичного підстроювання частоти вже після формування імпульсів від
датчика. З огляду на специфіку сигналу від датчика (прямокутні імпульси), пропонується новий
алгоритм автоматичного підстроювання частоти, який має низку переваг і враховує властивості
мікроконтролерів. Іл.: 3. Бібліогр.: 8 назв.
Ключові слова: фазове автопідстроювання частоти, мікроконтролер, вихоровий
потоковимірювач.
UDC 519.24
Building of signal processing algorithm for vortex flowmeter / Chervonniy S.I., Geyko G.V.,
Plyashechnikov M.A. // Herald of the National State University "KhPI". Subject issue: Information
science and modelling. – Kharkov: NSU "KhPI", 2008. – № 24. – P. 189 – 192.
The main idea to improve accuracy of vortex flowmeter output data is to use the system of the
phase automatic turning the frequency already after shaping pulse from sensor. Considering specifics of
sensor signal (square-wave pulses), we propose new automatic frequency turning algorithm, which has
some advantages and takes into account features of microcontrollers. Figs: 3. Refs: 8.
Keywords: phase-locked loop, microcontroller, vortical flow measuring device.
Поступила в редакцию 05.05.2008
192
УДК 621.391.833
И.В. ШЕВЧЕНКО, ХНУРЭ (г. Харьков),
О.М. ДАЦОК, канд. техн. наук, ХНУРЭ (г. Харьков)
ОСОБЕННОСТИ РАЗРАБОТКИ ПРОГРАММНЫХ СРЕДСТВ
КОНТРОЛЯ КАЧЕСТВА МЕДИЦИНСКИХ ЛАБОРАТОРНЫХ
ИССЛЕДОВАНИЙ
Рассмотрены проблемы, связанные с определением качественных показателей медицинских
лабораторных тестов. Предложен метод статистической оценки данных при помощи Receiver
Operator Characteristic анализа, а также рассмотрена особенность разработки программного
обеспечения, реализующего данный метод.
Ключевые слова: лабораторные тесты, Receiver Operator Characteristic анализ, разработка
программного обеспечения.
Постановка проблемы. Применение различных медицинских тестсистем является в наше время неотъемлемой частью при постановке диагноза
и определении комплекса лекарственных средств и процедур. Количество
различных лабораторных тестов, которые могут выполняться сегодня в
клинико-диагностических лабораториях, превышает несколько тысяч и с
каждым годом растет. Однако, как показывает практика, до недавнего времени
врачи клиницисты мало заботились о качественном показателе получаемого
значения некоторого вещества в исследуемой пробе, и иногда забывали о
такой, якобы мелочи, тем не менее, имеющей архиважное значение при
интерпретации результата, как медицинская значимость теста. Специально
созданная Международной Федерацией Клинической Химии Рабочая группа
экспертов по рациональному применению лабораторных тестов опубликовала
в 1996 году доклад, в котором указала, что "...если лабораторный тест не даст
соответствующей информации, его нецелесообразно применять" [1].
Таким образом, определение качественных характеристик теста является
важным этапом контроля качества диагностики состояния здоровья в целом.
Анализ литературы. Анализ существующих критериев качества
медицинских лабораторных тестов показывает, что выделенный спектр
качественных характеристик полностью описывает исследуемый тест, с точки
зрения медицинской значимости получаемых результатов [1 – 5]. Рассмотрены
методы повышения качества лабораторного теста путем перемещения порога
принимаемых решений, а также методы расчета оптимального значения
порога [6, 7] и специфика его применения, метод ROC-анализа в сфере
практической медицины [8].
Цель статьи – в рамках данной статьи сделана попытка обобщения
накопленного материала по качественным характеристикам тестов, методам
расчета значений этих характеристик, а также их интерпретации. Предложено
193
использовать ROC-анализ как альтернативный метод определения
клинической значимости тестов, и рассмотрены особенности создания
программного средства, автоматизирующего определение качественных
показателей теста.
Качественные показатели медицинских тестов. Изначально все
показатели качества медицинских лабораторных тестов разделяются на три
основных категории: медицинские (собственно клиническая значимость
тестов), аналитические (статистическая значимость тестов) и техникоэкономические.
Аналитическими
показателям
качества
пользуются
преимущественно в случаях неудовлетворительной воспроизводимости и
правильности получаемых результатов. По мере развития средств
вычислительной техники и повышения качества лабораторных приборов,
введение внутрилабораторного контроля позволило существенно повысить
аналитические показатели качества тестов. В связи с этим на данный момент
все большее значение приобретают именно медицинские показатели качества,
среди которых выделяют следующие:
– диагностическая чувствительность (ДЧ) теста, показывает долю
(процент) истинно положительных результатов у всех лиц, имеющих
исследуемую патологию;
– диагностическая специфичность (ДС) теста, показывает долю (процент)
лиц, не имеющих исследуемой патологии (здоровых), у которых результаты
теста оказались отрицательными;
– диагностическая (предсказательная) значимость положительного теста
(ДЗПТ), устанавливается по отношению полученного количества истинно
положительных результатов к общему числу положительных результатов;
– диагностическая (предсказательная) значимость отрицательного теста
(ДПЗОТ), рассчитывается по отношению полученного количества истинно
отрицательных результатов к общему числу отрицательных результатов;
– диагностическая
эффективность
(значимость)
теста
(ДЭТ),
определяется по доле истинно отрицательных и истинно положительных
результатов у всех обследованных больных [3, 4].
Следует отметить, что полученные таким образом характеристики будут
точечными оценками качественных характеристик, что не является
показательным в силу некоторой стохастичности исследуемых данных.
Поэтому целесообразно к рассчитанной точечной оценке производить
определение доверительного интервала для конкретной величины.
Для того, чтобы провести оценку качества теста необходимо, прежде
всего, определиться с исследуемыми тест-системами, а также заболеванием,
которое может быть выявлено (или отклонено) при определенной
концентрации конкретного вещества. Затем проводится отбор и обработка
малых выборок значений (полученных при помощи выбранных тестов) на
основе, например, медицинских архивов (если исследуемые тесты давно
используются) или же при помощи взятия проб у пациентов (если тест только
194
разрабатывается). При этом на первом этапе исследователям априорно
известно количество больных и здоровых в данной выборке. Следовательно,
вторым шагом является формирование двух групп – "норма" и "патология".
Обе группы данных имеют распределение, близкое к нормальному, однако это
не дает повода исследовать их с помощью методов математической статистики
для определения качества теста, так как не всегда статистически значимый
тест является клинически значимым. Одним из методов, с помощью которого
можно обрабатывать данные, является графический анализ кривых "норма" и
"патология", а именно места их пересечения. По оси ординат откладываются
частота встречаемости конкретного значения теста среди пациентов, по оси
абсцисс – собственно значения теста. В идеальном случае с помощью теста
можно производить дифференциальную диагностику состояния здоровья со
100% эффективностью (рис. 1 а). Намного чаще встречается ситуация, когда
кривые групп "норма" и "патология" пересекаются (рис. 1 б).
а
б
Рис. 1. "Идеальный" и реальный лабораторный тест
Как следует из рис. 1, в результате применения исследуемого теста у
части практически здоровых лиц значения теста указывали на наличие
патологии (область XSC, что соответствует ложноположительному результату
теста – ЛП), при этом у части больных лиц тест указал на отсутствие
патологии (область DSX, что соответствует ложноотрицательному результату
теста – ЛО). На величину соответствующих областей, а следовательно, и
количество ЛП и ЛО, влияет пороговое значение (область отсечения – прямая
SX), на чем, собственно, и основывается один из методов управления
качеством тестов. Причем, повышая порог (сдвигая его вправо по оси абсцисс)
мы фактически увеличиваем специфичность теста до 100%, что важно в
случае, когда, например, лечение больного связано с серьезными побочными
эффектами и гипердиагностика пациентов не желательна. При сдвиге порога
влево чувствительность
увеличивается до 100% и проявляется
гипердиагностика теста.
195
Графический анализ и применение специальных формул расчета
оптимального значения величины порога отсечения широко известны.
Перспективным является применение метода, получившего название ROC
(Receiver Operator Characteristic) анализ.
Особенности применения метода ROC-анализа в медицине. Основой
данного анализа является построение так называемой ROC-кривой, которая
наиболее часто используется для представления результатов бинарной
классификации в машинном обучении. ROC-кривая показывает зависимость
количества верно классифицированных положительных примеров от
количества неверно классифицированных отрицательных примеров. Метод
построения ROC-кривой, базируется на разбиении отрезка DC (см. рис. 1 б) на
несколько областей путем прибавления к стартовой точке (D) некоторого
шага. Тем самым в итоге получаем набор значений порога отсечения и
соответствующие ему значения чувствительности и специфичности. Затем, по
полученным данным, строится ROC-кривая (рис. 2 – по оси абсцисс
откладываются значения 100%-"Специфичность", а по оси ординат –
"Чувствительность"). У "идеального" теста кривая проходит через верхний
левый угол, где доля истинно положительных случаев составляет 100%,
соответственно, чем ниже изгиб кривой, тем менее качествен тест. График
дополняют прямой y = x, так как нецелесообразно рассмотрение ROC-кривой,
находящейся ниже (вогнутой) y = x.
Для получения численного значения клинической значимости теста, а
также для сравнения двух тестов, используется показатель AUC (Area Under
Curve), который может быть рассчитан при помощи численных методов,
например метода трапеций [8].
Судить о качестве теста можно по экспертной шкале для значений AUC
(табл.) [8].
Особенности разработки программного средства. Программный
продукт, в котором реализован метод ROC-анализа для определения
медицинской значимости теста, позволяет по введенным значениям теста,
предварительно разбитым на две выборки в соответствии с принадлежностью
к группе "норма" или "патология", получать качественные характеристики
исследуемого теста. Гибкий интерфейс, позволяющий максимально упростить
работу с программой, не требует от пользователя каких-либо специфических
знаний. Существует возможность предварительной обработки данных во
внешних системах по форматированию табличных данных, с последующим их
импортированием (в качестве такой системы используется Excel). После ввода
данных происходит их автоматическая обработка с последующим выводом
всей интересующей пользователя информации на монитор. При этом выбор
выводимой информации осуществляется путем использования специального
меню, элементы которого компактно расположены на панели управления. В
результате обработки данных формируется текстовая и графическая
196
информация (см. рис. 1 б). Визуализация графиков реализована без привязки к
какой-то интервальной шкале, что подразумевает автоматическое
масштабирование графиков для лучшего восприятия пользователем. В
разработке находится модуль, позволяющий сохранять полученные данные в
компактной форме.
Таблица
Интервал AUC
Качество модели
0.9 – 1.0
Отличное
0.8 – 0.9
Очень хорошее
0.7 – 0.8
Хорошее
0.6 – 0.7
Среднее
0.5 – 0.6
Неудовлетворительное
Рис. 2. ROC-кривая
При применении ROC-анализа отрезок DC (см. рис. 1 б) делится на
равные части, после чего в цикле происходит вызов модуля определения
качественных показателей теста в зависимости от значения порога отсечения.
Таким образом, формируются исходные данные для графика ROC-кривой. Для
расчета значения AUC используется численный метод трапеций. Выбор был
сделан в пользу данного метода ввиду его неплохой сходимости при
сравнительно высокой точности расчетов и малых вычислительных затратах.
В настоящее время производится отладка и тестирование программного
средства с целью повышения эффективности оценки качества лабораторных
тестов.
Выводы. Показана перспективность использования метода ROC-анализа
для определения качественных
характеристик медицинских тестов.
Рассмотрены особенности создания программного продукта, позволяющего
автоматизировать данный процесс.
Авторы статьи выражают благодарность сотрудникам лаборатории
иммунологии УкрНИИ дерматологии и венерологии за предоставленные
материалы и полезные обсуждения.
Список литературы: 1. Власов В.В. Эффективность диагностических исследований. – М.:
Медицина, 1988. – 245 с. 2. Клименков А.А. Методика контролируемых клинических испытаний. –
М.: Медицина, 1985. – 143 с. 3. Клинический диагноз – лабораторные основы / Под редакцией
В.В. Меньшикова. – М.: Лабинформ, 1997. – 320 с. 4. Флетчер Р, Флетчер С, Вагнер Э.
Клиническая эпидемиология. Основы доказательной медицины. – М.: Медиа Сфера, 1998. – 240 с.
5. Jabor A. Внедрение нового теста как комплексная клинико-лабораторная проблема
197
// Лаборатория. – 1999. – 3. – С. 7–8. 6. Griner P., Maywski J., Mushlin A. Selection and interpretation
of diagnostic tests and procedures. Principles and applications // Ann. Int. Medicine. – 1981. – V. 94. –
P. 553–600. 7. Zweig M.H., Campbell G. ROC Plots: A Fundamental Evaluation Tool in Clinical
Medicine // Clinical Chemistry. – 1993. – V. 39. – №. 4. 8. A strategy to promote the rational use of
laboratory tests / P. Pannal, W. Marshall, A. Jabor, E. Magid // Clinica Chimica Acta. – 1996. – 244. –
P. 121–127.
УДК 621.391.833
Особливості розробки програмного забезпечення контролю якості медичних
лабораторних дослідів / Шевченко І.В., Дацок О.М. // Вістик НТУ "ХПІ". Тематичний випуск:
Інформатика і моделювання. – Харків: НТУ "ХПІ", 2008. – № 24. – С. 193. – 198.
У доповіді розглянуто проблеми визначення якісних показників медичних лабораторних
тестів. Запропоновано метод статистичної оцінки даних за допомогою Receiver Operator
Characteristic аналізу. Розглянуто особливості розробки програмного забезпечення, що
використовує цей метод. Іл.: 2. Табл.: 1. Бібліогр.: 8 назв.
Ключові слова: лабораторні тести, ROC-аналіз, розробка програмного забезпечення.
UDC 621.391.833
Specific of developing programs for controlling the quality characteristics of medicine
laboratory tests/ Shevchenko I.V., Datsok O.M. // Herald of the National State University "KhPI".
Subject issue: Information science and modelling. – Kharkov: NSU "KhPI", 2008. – № 24. – P. 193 –
198.
The report is considering the problem of definition the quality characteristics of medicine
laboratory tests and creation of the automatic system to solve this problem. Receiver Operator
Characteristic-analysis is ordered to statistics analysis of the data. Also it is considering the specific of
developing programs which use this method. Figs: 2. Tabl.: 1. Refs: 8 titles.
Key words: laboratory tests, ROC-analysis, specific of developing programs.
Поступила в редакцию 25.04.2008
198
Содержание
Букатова И.Л. Целостно-эволюционная интеллектуализация: формирование интеллектуальных метатехнологий
3
Величко О.Н., Карпенко С.А., Пащенко А.А., Попов А.В. Метод
обработки реограммы легкого с использованием вейвлет-технологии
11
Гавриленко С.Ю., Шитьков П.А. Использование языка XML для
промежуточного представления программы
19
Гусятин В.М., Семикин Н.Е. Классификационное описание векторно
заданных аналитических поверхностей при формировании изображений
методом обратного трассирования в системах визуализации
25
Даниленко А.Ф., Дьяков А.Г. Исследование динамических характеристик
термостата как объекта управления
31
Дацок О.М., Витанова С.А. Обработка фонокардиографического сигнала на основе wavelet технологий
36
Дмитриенко В.Д., Леонов С.Ю. Моделирование цифровых устройств на
основе многозначных алфавитов и K-значного дифференциального
исчисления
42
Дмитриенко В.Д., Поворознюк О.А. Новые алгоритмы обучения одно- и
многомодульных дискретных нейронных сетей АРТ
51
Іванов В.Г., Любарский М.Г., Ломоносов Ю.В., Деркач С.В. Модификация алгоритмов JPEG-компрессии изображений
65
Игнатьева А.Е., Филатова А.Е. Компьютерная система принятия
решений в пренатальной диагностике
72
Мазниченко Н.І., Гвозденко М.В. Аналіз можливостей
автоматичної ідентифікації клавіатурного почерка
77
систем
Максюта Н.В., Будянская Э.Н., Снурников М.Я., Чернобровкина Т.В.
Влияние возраста, стажа и продолжительности работы за компьютером
на реологические свойства крови пользователей
83
Нефьодов Л.І., Фесенко Т.Г. Інформаційна технологія організації офісу з
управління будівельними проектами
89
Нефёдов Л.И., Шевченко А.А. Модели организации мониторинга оценки
качества бизнес-процесса транспорта газа на компрессорной станции
94
Никитина Т.Б. Чувствительность цифровой
управления трехопорной платформой
99
199
робастной
системы
Ницын А.Ю., Поворознюк А.И., Ницын Д.А. Оценка вероятности
диагноза по фрактальной размерности медицинского изображения
107
Обод І.І., Заволодько Г.E., Охрименко М.Ю. Єдине координатночасове забезпечення як основа розв’язування протиріч інформаційної
мережі систем спостереження
113
Обод И.И., Тюрин А.А. Сравнительный анализ помехоустойчивости
способов передачи полетной информации по каналам систем
идентификации
120
Органов А.В. Применение различных видов механических колебаний
для определения несущей способности длинных костей конечностей
человека
124
Поворознюк А.И., Миргород Ю.В. Восстановление сигнала на основе
преобразования Хока
131
Поворознюк А.И., Сомова А.А. Формирование системы информативных
диагностических признаков на основании количественного выражения
их значимости
137
Процай Н.Т. О методе композиции моделей
142
Сербиненко И.А., Черненков А.В. Интраоперационная диагностика
локализации очагов эпилептической активности с применением
компьютерного анализа электрокортикографии, электросубкортикографии
147
Скрильник І.І. Побудова n-мірних паттернів як
пофарбування n-дольних графів та їх мінорів
151
задача побудови та
Солошенко Э.Н., Чикина Н.А., Кугаевская Н.В. Применение АИС
диагностики
и
профилактики
при
анализе
заболеваемости
аллергодерматозами рабочих предприятий кожевенной промышленности
161
Субботин С.А., Олейник А.А. Оптимизация нейросетевых моделей на
основе многокритериального метода эволюционного поиска
165
Сухоруков В.И.,
Бовт Ю.В.,
Забродина Л.П.,
Волощук Ю.И.,
Харченко О.И. Компьютерный анализ изменений межполушарных
взаимодействий мозга человека при воздействии искусственных
магнитных сигналов сверхнизкой частоты
174
Чикина Н.А., Антонова И.В. Идентификация состояния здоровья на
основе анализа типов реакции адаптации у рабочих предприятий
химико-фармацевтической промышленности
178
200
Филипковская Л.А. Исследование зависимости между объемом
обучающей выборки и качеством структурно-аналитического правила
классификации на основе статистического анализа
185
Червонный С.И,. Гейко Г.В., Пляшечников Н.А. Построение алгоритма
обработки сигнала в вихревых потокоизмерителях
189
Шевченко И.В., Дацок О.М. Особенности разработки программных
средств контроля качества медицинских лабораторных исследований
193
201
