В. Э. БАЛТРАШЕВИЧ, С. В. КРУКОВСКИЙ1, С. А. ОНКИН1
Санкт-Петербургский государственный электротехнический
университет "ЛЭТИ"
1Научно-испытательный центр представления и контроля информации,
Мирный
ОБУЧАЮЩАЯ СИСТЕМА РЕШЕНИЯ ЗАДАЧ ИДЕНТИФИКАЦИИ ТЕЛЕМЕТРИЧЕСКИХ ПАРАМЕТРОВ
Обсуждаются причины и цели создания, а также состав, особенности функционирования и использования обучающей системы решения задачи идентификации информационно-ценных параметров телеметрической информации (ТМИ), поступающей от сложных объектов.
Исходной информацией для решения задач идентификации являются результаты декодирования параметров, представленные в виде графиков изменения значений параметров во времени в телеметрической шкале.
В докладе отмечается сложность и варианты решения задачи идентификации, зависящие от типа идентифицируемого параметра и рассматривается инструментальная система интеллектуальной поддержки решения задачи идентификации параметров ТМИ.
Обсуждаются причины использования интеллектуальных технологий при идентификации параметров ТМИ: извлечение знаний из данных с помощью алгоритмов кластеризации и классификации; оказание помощи при принятии решений; сложность информации; сложность обработки; трудноформализуемые задачи идентификации, решение которых без человека невозможно; необходимость использования специальных и общечеловеческих знаний; текучесть кадров аналитиков; необходимость сохранения знаний и умений опытных специалистов-анализаторов.
Задача идентификации параметров ТМИ относится к области распознавания образов и ее решение предусматривает использование целого комплекса алгоритмов и сценариев, предполагающее творческое участие специалиста в решении задач и поэтому предъявляет высокие требования к его квалификации.
Принципиальная разрешимость задачи идентификации на уровне экспертов приводит к целесообразности (и возможности) разработки самообучающихся алгоритмов распознавания образов, формализующих процесс формирования характерных признаков параметров ТМИ на основе рассмотрения сигналов поведения аналогичных (эталонных) параметров ТМИ, полученных при испытаниях объектов и построенных по их моделям.
Сложность решаемых задач и многообразие средств и функций инструментальной системы интеллектуальной поддержки решения задачи идентификации параметров ТМИ выдвигает задачу демонстрации возможностей системы, которая перекликается с задачей обучения работе с системой.
Рассматриваются различные способы создания обучающих демонстрационных систем на базе экспертных систем (ЭС), инструментальные средства их создания и особенности использования.
В обучение специалиста необходимо включить изучение методов и алгоритмов решения функциональных задач, а при изучении методов и алгоритмов идентификации неизбежно появляются вопросы из различных областей фундаментальных и прикладных наук, например, методы оценивания (в особенности – метод наименьших квадратов), из линейной алгебры – векторно-матричный аппарат, квадратичные формы, отдельные вопросы вычислительных методов линейной алгебры, теории вероятностей, математической статистики и др., которыми специалист по идентификации должен достаточно свободно владеть. Кроме этого для обучения специалиста по идентификации можно использовать рассмотренный в докладе метод обучающей выборки и технологических цепочек обработки, формализованных с помощью форм представления знаний, используемых в обучающей системе. При этом целесообразно подготавливать обучающие выборки различного уровня сложности и близости к реальной ТМИ. Например, на начальной стадии обучения можно использовать модельную информацию, а на заключительной – реальную ТМИ. Для контроля обучения можно использовать заранее подготовленные контролирующие выборки.
Однако, любая степень автоматизации процесса идентификации не снижает требований по подготовке специалистов, поскольку априорно невозможно предусмотреть все реально возникающие ситуации и создать систему, эффективную во всех случаях.
Разработанная обучающая система находится в процессе непрерывного развития и совершенствования, что становится возможным при использовании экспертных систем с помощью корректировки описания знаний экспертов и корректировки процедур глубинных знаний без перетрансляции базовой системы.
