Решетневские чтения, 2015, часть 2

Citation preview

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева АО «Информационные спутниковые системы» имени академика М. Ф. Решетнева» АО «Красноярский машиностроительный завод» при поддержке Министерства образования и науки Российской Федерации Федерального космического агентства Правительства Красноярского края Совета ректоров вузов Красноярского края Федерации космонавтики России АО «Центральное конструкторское бюро «Геофизика» Красноярского научного центра Сибирского отделения Российской академии наук Консорциума аэрокосмических вузов России КГАУ «Красноярский краевой фонд поддержки научной и научно-технической деятельности» Технологической платформы «Национальная информационная спутниковая система» Компании «National Instruments»

Материалы XIX Международной научно-практической конференции, посвященной 55-летию Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева (10–14 ноября 2015, г. Красноярск) В 2 ЧАСТЯХ. ЧАСТЬ 2

Красноярск 2015

УДК 629.7 ББК 30 + 2 Р47 Под общей редакцией доктора физико-математических наук Ю. Ю. ЛОГИНОВА

Редакционная коллегия: Ю. Ю. ЛОГИНОВ (председатель), Е. В. БЕЛЯКОВА, В. Г. БОНДАРЕНКО, Е. Н. ГОЛОВЕНКИН, В. В. ДВИРНЫЙ, С. П. ЕРЕСКО, Л. В. ЕРЫГИНА, В. Ю. ЖУРАВЛЕВ, В. В. ЗОЛОТАРЕВ, И. Н. КАРЦАН, А. А. КИШКИН, А. Г. КУЧКИН, М. В. ЛУКЬЯНЕНКО, Ю. Н. МАЛАНИНА, А. В. МЕДВЕДЕВ, А. Е. МИХЕЕВ, А. В. МУРЫГИН, В. П. НАЗАРОВ, А. С. ПАРШИН, Л. В. РУЧКИН, М. В. САВЕЛЬЕВА, К. В. САФОНОВ, С. И. СЕНАШОВ, О. А. ТИТОВ, М. Н. ФАВОРСКАЯ, В. Х. ХАНОВ, Ю. П. ЮРОНЕН, В. Г. ЯЦУНЕНКО, В. В. ХРАПУНОВА (отв. секретарь)

Р47

Решетневские чтения : материалы XIX Междунар. науч.-практ. конф., посвящ. 55-летию Сиб. гос. аэрокосмич. ун-та им. акад. М. Ф. Решетнева (10–14 нояб. 2015, г. Красноярск) : в 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. – Красноярск, 2015. – Ч. 2. – 514 с. Сборник содержит материалы XIX Международной научно-практической конференции «Решетневские чтения», посвященной 55-летию Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева, в которых представлены результаты исследований ученых и специалистов предприятий и организаций аэрокосмической отрасли, преподавателей, научных сотрудников, аспирантов и студентов высших учебных заведений Российской Федерации и стран ближнего и дальнего зарубежья. Сборник рассчитан на научных сотрудников, работников промышленности, преподавателей, аспирантов и студентов высших учебных заведений. В статьях сохранен авторский стиль изложения.

УДК 629.7 ББК 30 + 2

© Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, 2015

К 55-летию СибГАУ От завода-втуза к современному аэрокосмическому университету В 2015 г. Сибирскому государственному аэрокосмическому университету имени академика М. Ф. Решетнева исполнилось 55 лет. СибГАУ – единственный аэрокосмический вуз в Сибирском и Дальневосточном регионах России – был создан в конце 1959 года Постановлением Правительства СССР с целью подготовки специалистов для ракетно-космической отрасли страны как завод-втуз при Красноярском машиностроительном заводе. Вся история СибГАУ неразрывно связана с созданием в Красноярском крае крупного ракетно-космического комплекса, решающего важнейшие задачи обороноспособности страны и освоения космического пространства. Сохраняя лучшие традиции отечественного аэрокосмического образования в сочетании с интегрированной системой подготовки специалистов и инновационными образовательными технологиями, университет совместно с базовыми предприятиями АО «Информационные спутниковые системы имени академика М. Ф. Решетнева», АО «Красмаш», АО «НПП Радиосвязь», АО «ЦКБ Геофизика» и КНЦ СО РАН сформировал единый учебно-научно-производственный комплекс. Научные исследования в СибГАУ ориентированы, прежде всего, на решение проблем ракетно-космической отрасли. Тематика, решаемые научно-технические проблемы, направления и специальности подготовки кадров, связанные с перспективными направлениями развития университета, обосновываются задачами, определенными Федеральной космической программой, задачами, возложенными на предприятия космической отрасли, а также сложившимися в вузе научными школами и направлениями научных исследований, созданной университетом совместно со стратегическими партнерами инфраструктурой инновационной и научно-образовательной деятельности. «Космические информационные системы» – одно из приоритетных направлений, по которому университет занимает лидирующие позиции в РФ в подготовке кадров и в области исследований, связанных с разработкой и модернизацией отечественных космических информационных систем, совершенствованием космических аппаратов (КА), систем и комплексов различного назначения: фиксированной и мобильной связи, телевещания, навигации, геодезии, ретрансляции. В университете проводятся научные исследования, проектирование и разработка перспективных платформ автоматических КА оборонного и гражданского назначения, малых космических аппаратов, разрабатываются системы управления КА и методы использования космических информационных систем. На базе университета ежегодно проводится более 30 международных и всероссийских научных симпозиумов и конференций по перспективным научным направлениям в области авиационной и ракетно-космической техники, среди которых широко известна ежегодная Международная конференция «Решетневские чтения» (XIX в 2015 г.). Поздравляю участников конференции с юбилеем университета и желаю успешной и творческой работы. Ректор Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева, доктор технических наук, профессор И. В. КОВАЛЕВ

Cекция

«МАТЕМАТИЧЕСКИЕ МЕТОДЫ МОДЕЛИРОВАНИЯ, УПРАВЛЕНИЯ И АНАЛИЗА ДАННЫХ»

3

Решетневские чтения. 2015

УДК 681.3 ОБЪЕКТНО ОРИЕНТИРОВАННЫЙ ПОДХОД К РАЗРАБОТКЕ МУЛЬТИВЕРСИОННОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ И. А. Аксененко Красноярский государственный аграрный университет Российская Федерация, 660140, г. Красноярск, ул. Елены Стасовой, 14 E-mail: [email protected] Обеспечение высокого уровня надежности программного обеспечения в ракетно-космической отрасли является крайне важной и актуальной проблемой. Мультиверсионная методология гарантирует высокий уровень надежности программного обеспечения. Рассмотрены особенности применения объектно ориентированного подхода к разработке мультиверсионного программного обеспечения. Ключевые слова: мультиверсионное программное обеспечение, объектно ориентированное программирование, восстановление. OBJECT-ORIENTED APPROACH TO MULTIVERSION SOFTWARE DEVELOPMENT I. A. Aksenenko Krasnoyarsk State Agrarian University 41, Elena Stasova Str., Krasnoyarsk, 660140, Russian Federation E-mail: [email protected] Ensuring a high level of software reliability in the space industry is extremely important. Multiversion methodology guarantees a high level of reliability of the software. The article describes the features of object-oriented approach to multiversion software development. Keywords: multiversion software, object-oriented programming, recovery. Реализация базового класса включает менеджера как центрального компонента, который координирует исполнение версий. Такие классы называют DI-классы (diversity-implemented) [4]. Менеджер может вызвать решающий метод (модуль), чтобы сравнить результаты выполнения методов или целые состояния версий (используя для их извлечения служебный метод Give_State). Тот же метод Give_State при необходимости используется для восстановления после сравнения: он возвращает состояние корректной версии для передачи в сбойную. Это состояние представлено в абстрактном виде, общем для всех версий (см. рисунок).

Применение мультиверсионного программного обеспечения в критичных областях, в том числе в ракетно-космической отрасли, позволяет существенно повысить надежность и отказоустойчивость систем управления и обработки информации [1–3]. Объектно ориентированный подход может оказать значимую помощь в разработке подходов к восстановлению версий мультиверсионного программного обеспечения. Восстановление основано на действиях с данными, а данные – часть структурных единиц в объектно ориентированном программировании. Кроме этого, объектно-ориентированное программирование обеспечивает четкое разделение спецификации (интерфейса) и реализации: интерфейс описывает операции, которые могут быть произведены (включая и имеющие отношение к восстановлению). Абстрактные (виртуальные) классы и наследование дают возможность повторного использования некоторых компонент и расширения интерфейса, что позволяет добавить средства для восстановления [4; 5]. Сравнительно недавно была разработана общая объектно ориентированная схема мультиверсионного программирования [6]. Согласно этой схеме, версии создаются особым образом путем наследования базового класса и особого абстрактного служебного класса, расширяющего интерфейсы версий с тем, чтобы позволить восстановление сбойных версий. Этот абстрактный класс имеет два метода Give_State и Correct_State.

Интерфейс Correct_State Версия 1 Менеджер Give_State Модуль принятия решений

Версия 2

Версия 3

Восстановление сбойной версии с использованием абстрактного состояния корректной версии

6

Математические методы моделирования, управления и анализа данных

Разработчики версий объектов используют одинаковые спецификации. Версии являются скрытыми внутри DI-классов. Кроме того, DI-классы имеют внутри скрытые объекты – решающий модуль и менеджер (механизм контроля). Все DI-классы должны быть наследованы от метакласса, в котором реализованы все механизмы построения и контроля избыточности в виде скрытых методов класса. Когда метод DI-объекта вызывается, метод-менеджер вызывает этот метод во всех N версиях для параллельного выполнения, ожидает результаты и отсылает их в модуль принятия решений. Решающий модуль возвращает уже правильный результат, если есть большинство среди решений. Если все результаты отличаются, то метод-менеджер сигнализирует об ошибке. Каждый объект имеет состояние и абстрактное состояние, являющееся отображением состояния объекта. Методы работают с данными, которые являются частью состояния. Абстрактное состояние объекта описывает состояние всех версий объекта, которые были разработаны по одной спецификации абстрактного базового класса. Все избыточно реализованные версии описывают одно и то же явление и имеют идентичное поведение, поэтому они в некотором смысле эквивалентны и должны иметь одинаковое абстрактное состояние. Вообще говоря, абстрактное состояние не просто часть состояния объекта, это одна из его функций (для каждой версии объекта). Предположим, есть множество объектов {Vi}. Допустим Sj будет текущим состоянием объекта Vi (невидимым извне). Iij и Oij – входные и выходные параметры метода Mi объекта Vi. Параметры не являются частью состояния. Для каждого метода Mi объекта Vi выходные параметры вычисляются функцией Fij: Oij = Fij(Iij, Sj’), где Sj’ – состояние объекта до вызова Mi. Введем абстрактное состояние Ei объекта Vi как множество данных, отображающих текущее состояние Vi. Эти данные невидимы извне, они представляют собой проекцию внутренних данных объекта. Ei не является частью Sj или входных/выходных параметров, потому что оно не имеет отношения к вызову конкретных методов. Рассмотрим множество объектов {Vk} реализующих абстрактный класс A. Пусть Vl – сбойная версия (этот факт установлен модулем принятия решений). В таком случае можно гарантировать восстановление сбойной версии Vl при условии существования корректной версии Vm из множества {Vk} следующим образом: – существует функция копирования Cm объекта Vm, которая вычисляет текущее абстрактное состояние Em объекта Vm (Cm соответствует методу Give_State, описанному выше): Em = Cm(Sm); – существует функция восстановления Rl объекта Vl (Rm соответствует методу Correct_State, описанному выше): Sl = Rl(Em). Состояния Sl и Em можно рассматривать как множества данных, описывающих текущее полное и аб-

страктное состояния объекта. Функция Rl не обязательно осуществляет непосредственное отображение, потому что Em описывает концептуальное состояние версии объекта (это означает, что Rl(Cm(Sm)) может быть не равно Sm). Эти функции всегда существуют, но их создание может быть очень сложной задачей, требующей детального понимания принципов работы каждой версии. Абстрактное состояние вычисляется после принятия решения, что позволяет определить, какие версии являются корректными, а какие – сбойными: мы используем состояние корректной версии Vm и его функцию копирования Cm, чтобы вычислить Em, а затем функцию восстановления Rl версии Vl для восстановления его внутреннего состояния Sl. Абстрактное состояние объекта и функции копирования должны быть разработаны таким образом, чтобы для любых двух корректных версий Vk и Vm выполнялось следующее условие: если (Ek = Ck(Sk) и Em = Cm(Sm)), то (Ek = Em). Это, в частности, означает, что мы можем использовать любую корректную версию объекта, имеющую функцию копирования, для восстановления любой сбойной. Функции Rk и Ck являются частью интерфейса версий, и разработчики версий должны реализовать их в качестве объектных методов. Чтобы сделать это, им необходима спецификация абстрактного состояния версий для каждого абстрактного класса A, который требуется реализовать с использованием избыточности классов. Абстрактное состояние версии может быть описано как множество данных, представляющих различные аспекты текущего состояния объекта. Данные этого типа используются менеджером при восстановлении версий. Данные скрыты внутри базового объекта, который имеет избыточную реализацию. Тип этих данных зависит от приложения и может быть реализован в виде класса, имеющего простейшие методы присваивания, необходимые для того, чтобы использовать объекты данного класса в качестве входных и выходных параметров при вызове методов объектовверсий Give_State и Correct_State. Таким образом, нужен только один объект данного класса для каждого объекта базового класса. Интерфейс версии объекта должен быть расширен соответствующим образом, чтобы позволять получить абстрактное состояние текущей корректной версии и передать его сбойной для восстановления. Чтобы сделать этот процесс систематизированным и контролируемым, все версии объекта являются производными от базового класса, включающего в себя два вышеописанных метода. Кроме того, все версии используют один и тот же тип данных, описывающий абстрактное состояние версии, чтобы данные методы могли с ним работать. Библиографические ссылки 1. Модели поддержки многоэтапного анализа надежности программного обеспечения автоматизированных систем управления / И. В. Ковалев [и др.] // Проблемы машиностроения и автоматизации. 2005. № 2. С. 30–35. 7

Решетневские чтения. 2015

of automated control system software reliability] // Problemy mashinostroeniya i avtomatizatsii, 2005. No. 2, рp. 30–35 (In Russ.). 2. Kovalev I. V., Novoi A. V., Shtentsel’ A. V. [Multi-version software architecture reliability estimation of cotrol and information processing systems] // Vestnik SibGAU, 2008. Vol. 3, no. 20, рp. 50–52 (In Russ.). 3. Tsarev R. Yu. [Methodology of multiple attribute formation of multiversion software for complex control and information processing systems] / Krasnoyarsk State Agrarian University. Krasnojarsk, 2011, 210 p. (In Russ.). 4. Romanovsky A. On version state recovery and adjudication in class diversity // Computer Systems Science and Engineering, 2002. Vol. 17, no. 3, pр. 159–168. 5. Tsarev R. Yu., Shtarik A. V., Shtarik E. N., Zav’yalova O. I. [Estimation of transaction reliability of modern control and information processing systems] // Pribory i sistemy. Upravlenie, kontrol’, diagnostika, 2012. No. 6, pp. 29–32 (In Russ.). 6. Kovalev I. V., Stupina A. A., Tsarev R. Yu., Volkov V. A. [An application of corn-technology for implementation the multi-version software in controlling data processing systems] // Pribory i sistemy. Upravlenie, kontrol’, diagnostika, 2007. No. 3, pp. 18–22 (In Russ.).

2. Ковалев И. В., Новой А. В., Штенцель А. В. Оценка надежности мультиверсионной программной архитектуры систем управления и обработки информации // Вестник СибГАУ. 2008. № 3 (20). С. 50–52. 3. Царев Р. Ю. Методология многоатрибутивного формирования мультиверсионного программного обеспечения сложных систем управления и обработки информации : монография / Краснояр. гос. аграр. ун-т. Красноярск, 2011. 210 с. 4. Romanovsky A. On version state recovery and adjudication in class diversity // Computer Systems Science and Engineering, 2002. Vol. 17, № 3. P. 159–168. 5. Оценка транзакционной надежности современных систем управления и обработки информации / Р. Ю. Царев [и др.] // Приборы и системы. Управление, контроль, диагностика. 2012. № 6. С. 29–32. 6. Применение COM-технологии для реализации мультиверсионного программного обеспечения систем управления и обработки информации / И. В. Ковалев [и др.] // Приборы и системы. Управление, контроль, диагностика. 2007. № 3. С. 18–22. References 1. Kovalev I. V., Tsarev R. Yu., Rusakov M. A., Slobodin M. Yu. [Support models of multistage analysis

© Аксененко И. А., 2015

__________ УДК 62.501 АДАПТИВНЫЕ МОДЕЛИ КОРРЕКЦИИ ПОКАЗАНИЙ ДАТЧИКОВ ДАВЛЕНИЯ МАГИСТРАЛЬНОГО НЕФТЕПРОВОДА Н. Р. Антропов, Е. Д. Агафонов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected] Рассматриваются вопросы построения адаптивных моделей и алгоритмов коррекции погрешностей датчиков давлений на линейных участках трубопроводной сети. Модель представлена в комбинированном виде, состоящем из параметрической и непараметрической части. Ключевые слова: адаптивные алгоритмы, комбинированные модели, коррекция погрешностей, датчики давлений. ADAPTIVE MODELS OF PRESSURE SENROR DATA CORRECTION OF MAIN PIPELINE N. R. Antropov, E. D. Agafonov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected], [email protected] The article deals with questions of constructing an adaptive models and algorithms for error correction pressure of sensor linear sections of the pipeline network. The model is presented in a combined form, composed of nonparametric and parametric parts. Keywords: adaptive algorithms, combined models, correction of errors, the pressure sensor. 8

Математические методы моделирования, управления и анализа данных

Основной характеристикой любого измерительного прибора (датчика) является погрешность измерения контролируемого параметра. Погрешность измерения отображает величину расхождения между результатом измерения и реальным значением измеряемого параметра и указывается в техническом паспорте прибора. Однако на практике величина погрешности часто не соответствует заявленным данным, а иногда и вовсе неизвестна. При этом в процессе эксплуатации прибора величина погрешности постоянно меняется. Причинами изменения погрешности могут стать изменение условий эксплуатации (внешние факторы), дрейф физических параметров самого датчика (внутренние факторы), возмущения в каналах связи датчика с регистрирующей аппаратурой, частичный или полный выход из строя датчика и т. д. В связи с этим разработка соответствующих алгоритмов коррекции погрешностей является актуальной задачей, причем очевидна необходимость построения адаптивных подходов, функционирующих в условиях неопределенности и изменчивости окружающей среды. Объектом исследования в настоящей работе является магистральный нефтепровод. Современные трубопроводные сети и гидравлические системы оснащены различной измерительной аппаратурой и информационно-измерительными системами, использующимися для мониторинга технологических параметров. Одним из наиболее важных технологических параметров трубопровода является давление, и от того, насколько точно оно известно, зависит эффективность и надежность эксплуатации технологических систем и оборудования трубопровода. В научной и справочной литературе [1–3] предлагаются различные подходы к коррекции погрешностей данных измерений датчиков. Первый подход состоит в конструктивном изменении и оптимизации устройства датчика (оптимизация свойств чувствительного элемента, топологии, конструкции корпуса). Второй подход заключается во включении в структуру прибора дополнительных пассивных и активных элементов, обеспечивающих необходимую коррекцию. И третий подход заключается в разработке алгоритмических методов коррекции по математической модели (концепция интеллектуального датчика). В рамках настоящей работы рассматривается третий подход. Сформулируем постановку задачи. Вдоль профиля линейной части магистрального нефтепровода на неравномерном расстоянии друг от друга располагаются датчики давления. Датчики давления состоят из чувствительных элементов, воспринимающих давление, и преобразователей, собранных в корпусе. По причинам, связанным с различием в типах, производителях датчиков, их технического состояния, особенностей считывания данных измерений, измеренные величины имеют как различные систематические погрешности, так и случайные погрешности с различными статистическими характеристиками (законами распределения, параметрами распределения и др.). Необходимо, пользуясь сведениями о физических закономерностях распределения давления вдоль профиля трубопровода, сведениями о взаимном расположении датчиков, а также набором измеренных величин (выборки),

скорректировать показания датчиков, т. е. уменьшить величины их погрешностей (случайная аддитивная, мультипликативная помехи и систематическая погрешность). В соответствии с уравнением Бернулли [4], давление на участке трубопровода при установившихся режимах его работы падает линейно (см. рисунок). H(x) – линия гидравлического уклона

H1 H2 профиль трубопровода x1

x2

Геометрическая интерпретация уравнения Бернулли

Линейность распределения давлений – это идеальное приближение для случая постоянства внутреннего сечения трубопровода, неизменности физических характеристик перекачиваемой нефти вдоль профиля трубопровода и т. д. В реальности распределение давлений несколько отличается от линейного. Наличие местных сопротивлений, естественный дрейф физических характеристик нефти способствуют сдвигу линии гидравлического уклона. Поэтому измерения датчиков давлений, расположенных вдоль профиля нефтепровода, также необходимо использовать для полноты модели. Существующие на данный момент алгоритмические подходы зачастую ограничены использованием в них классических методов анализа данных в рамках параметрического подхода. А именно, данные обрабатываются с применением моделей с известной параметрической структурой и последующей оценкой параметров, например в [3]. Такие процедуры не позволяют с достаточной степенью полноты использовать всю имеющуюся априорную информацию. В связи с этим для решения поставленной задачи предлагается использовать комбинированные (гибридные) модели вида [5; 6], как средства наиболее полного учета априорной информации о процессе измерения и характеристик измеряемых величин, что позволит повысить точность моделирования соответствующих трубопроводных систем и, как следствие, качество их управления. Библиографические ссылки 1. Бромберг Э. М. Тестовые методы повышения точности измерений. М. : Энергия, 1978. 176 с. 2. Гельман М. М. Автоматическая коррекция систематических погрешностей в преобразователях «напряжение–код». М. : Энергия, 1974. 88 с. 3. Земельман М. А. Автоматическая коррекция погрешностей измерительных устройств. М. : Изд-во стандартов, 1972. 199 с. 9

Решетневские чтения. 2015

4. Лурье М. В. Математическое моделирование процессов трубопроводного транспорта нефти, нефтепродуктов и газа. М. : Изд-во «Нефть и газ» РГУ нефти и газа им. И. М. Губкина, 2003. 335 с. 5. Медведев А. В. Теория непараметрических систем. K-модели // Вестник СибГАУ. 2011. Вып. 3(36). С. 57–62. 6. Лапко В. А. Синтез и анализ гибридных моделей стохастических зависимостей в условиях наличия их частного описания // Автометрия. 2004. Т. 40, № 1. С. 51–59.

3. Zemel’man M. A. Automatic correction of errors of measuring devices. Moscow : Publishing House of Standards, 1972. 199 p. 4. Lur’e M. V. Mathematical modeling of pipeline transport of oil and gas. M. : Publishing House “Oil and Gas” RSU of Oil and Gas. I. M. Gubkin, 2003. 335 p. 5. Medvedev A. V. The theory of nonparametric systems. K-models // Vestnik SibGAU. 2011. Vol. 3 (36), рp. 57–62. 6. Lapko A. V. Synthesis and analysis of hybrid models of stochastic dependencies in terms of having their private // Avtometriya description. 2004. Iss. 40, no. 1, рp. 51–59.

References 1. Bromberg E. M. The test methods to improve the accuracy of measurements. M. : Energy, 1978. 176 p. 2. Gel’man M. M. Automatic correction of systematic errors in converters “voltage-code”. M. : Energy, 1974. 88 p.

© Антропов Н. Р., Агафонов Е. Д., 2015

___________ УДК 591.87 КОЛЛЕКТИВНЫЙ БИОНИЧЕСКИЙ АЛГОРИТМ ДЛЯ РЕШЕНИЯ МНОГОКРИТЕРИАЛЬНЫХ ЗАДАЧ ОПТИМИЗАЦИИ С БИНАРНЫМИ ПЕРЕМЕННЫМИ* Ш. А. Ахмедова Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Разработан новый самонастраивающийся коллективный бионический алгоритм, позволяющий решать задачи многокритериальной оптимизации с бинарными переменными, основная идея которого заключается в кооперации пяти известных методов стайного типа. Исследование эффективности полученной эвристики было проведено на множестве тестовых задач различной размерности: работоспособность и целесообразность применения алгоритма были установлены. Ключевые слова: стайные алгоритмы, самонастройка, оптимизация, бинарные переменные, многокритериальные задачи. COLLECTIVE BIONIC ALGORITHM FOR SOLVING MULTI-OBJECTIVE OPTIMIZATION PROBLEMS WITH BINARY VARIABLES Sh. A. Akhmedova Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] New self-tuning collective bionic algorithm, which basic idea consists in co-operative work of already well-known five swarm intelligence algorithms, is developed for solving multi-objective optimization problems with binary variables. Investigation of the effectiveness of obtained heuristic is conducted on the set of test problems: its usefulness and workability are established. Keywords: swarm algorithms, self-tuning, optimization, binary variables, multi-objective problems. роевого интеллекта [2]* (например, метод роя частиц или Particle Swarm Optimization, PSO [3]), которые в ходе работы программы обмениваются «информа-

Коллективный самонастраивающийся алгоритм однокритериальной безусловной оптимизации на основе стайных бионических методов, названный CoOperation of Biology Related Algorithms (COBRA), был впервые описан в [1]. Главная идея алгоритма заключается в параллельной работе пяти известных методов

*

Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037.

10

Математические методы моделирования, управления и анализа данных

цией» между собой и «соперничают» за индивидов. Основным преимуществом разработанного оптимизационного метода является возможность автоматической настройки количества индивидов, т. е. размера популяции, для каждого алгоритма-компонента. Таким образом, был предложен метод самонастройки алгоритма COBRA путем учета пригодности популяции каждого из перечисленных методов оптимизации, основанный на идее конкуренции и коэволюции, высказанной и обоснованной в [4; 5] и успешно примененной в сложных практических задачах из различных областей, в том числе ракетно-космической [6–9]. Данный алгоритм был модифицирован для решения многокритериальных задач оптимизации с бинарными переменными, полученная модификация была названа COBRA-bm. Для ее разработки были реализованы многокритериальные версии алгоритмов-компонентов и применена теория Парето оптимальности. Для эвристики COBRA обмен «информацией» и «соперничество» между алгоритмами-компонентами реализуются с помощью определения их худших, лучших и средних значений целевой функции. Однако для многокритериальных задач такой подход не работоспособен, поэтому конкуренция и кооперация между бионическими методами, составляющими эвристику COBRA-bm, осуществлялась с помощью новой функции пригодности, определяемой как алгебраическая взвешенная сумма исходных критериев. Стоит отметить, что весовые коэффициенты для всех критериев генерировались как случайные числа на интервале (0; 1). Для бинаризации описанной эвристики COBRAbm, так же, как и для оригинальной версии COBRA [10], была применена методика, описанная в работе Кеннеди и Эберхарта [11]. Кеннеди и Эберхарт используют скорость индивидов PSO, а также вероятность для определения, является ли частица в том или ином состоянии (1 или 0). Для этого они использовали логистическую функцию: 1 s (v ) = . 1 + exp(−v) В некоторых (а именно, в двух) алгоритмахкомпонентах метода COBRA-bm индивиды обладают помимо координат еще и скоростями, но в остальных трех индивиды описываются лишь своими координатами. Поэтому в зависимости от составляющей эвристики значение логистической функции зависело либо от скоростей, либо от координат. Далее, согласно методике Кеннеди и Эберхарта, генерировалось случайным образом некоторое число в пределах [0; 1], и если оно было меньше значения логистической функции для соответствующего индивида из популяции, то сам индивид был в состоянии 1, в противном же случае – в состоянии 0. Оптимизационный метод COBRA-bm был протестирован на множестве задач безусловной оптимизации. В результате исследований были установлены его работоспособность и целесообразность применения. Кроме того, полученные результаты тестирования были сравнены с результатами бинарных модификаций алгоритмов-компонентов. Сравнение пока-

зало, что эвристика COBRA-bm превосходит методы роевого интеллекта, которые были использованы для ее разработки. Библиографические ссылки 1. Akhmedova Sh., Shabalov A. Development and Investigation of Bio-logically Inspired Algorithms Cooperation Metaheuristic // Proceedings of the Genetic and Evolutionary Computation Conference Companion (GECCO’13). 2013. P. 1417–1418. 2. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms // Proceedings of the IEEE Congress on Evolutionary Computation (CEC’2013). 2013. P. 2207–2214. 3. Kennedy J., Eberhart R. Particle Swarm Optimization // Proceedings of IEEE International Conference on Neural Networks. 1995. Vol. IV. P. 1942–1948. 4. Гуменникова А. В., Емельянова М. Н., Семенкин Е. С., Сопов Е. А. Об эволюционных алгоритмах решения сложных задач оптимизации // Вестник СибГАУ. 2003. № 4. С. 14. 5. Семенкин Е. С., Семенкина М. Е. Программный комплекс адаптивных эволюционных алгоритмов моделирования и оптимизации сложных систем // Программные продукты и системы. 2012. № 4. С. 73–77. 6. Brester Ch. Yu., Semenkin E. S. Development of adaptive genetic algorithms for neural network models multicriteria design // Вестник СибГАУ. 2013. № 4(50). C. 99–103. 7. Stanovov V. V., Semenkin E. S. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems // Вестник СибГАУ. 2013. № 4(50). C. 148–152. 8. Khritonenko D. I., Semenkin E. S. Distributed selfconfiguring evolutionary algorithms for artificial neural networks design // Вестник СибГАУ. 2013. № 4(50). C. 112–116. 9. Semenkina M., Akhmedova Sh., Semenkin E., Ryzhikov I. Spacecraft Solar Arrays Degradation Forecasting with Evolutionary Designed ANN-based Predictors // Proceedings of the 11th Intern. Conf. on Informatics in Control, Automation and Robotics (ICINCO 2014). 2014. P. 421–428. 10. Ахмедова Ш. А., Семенкин Е. С. Новый коллективный метод оптимизации на основе кооперации бионических алгоритмов // Вестник СибГАУ. 2013. № 4(50). C. 92–99. 11. Kennedy J., Eberhart R. A discrete binary version of the particle swarm algorithm // Proceedings of the World Multiconference on Systemics, Cybernetics and Informatics. 1997. P. 4104–4109. References 1. Akhmedova Sh., Shabalov A. Development and Investigation of Bio-logically Inspired Algorithms Cooperation Metaheuristic // Proceedings of the Genetic and Evolutionary Computation Conference Companion (GECCO’13). 2013, рр. 1417–1418. 2. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms // Proceedings of the IEEE Congress on Evolutionary Computation (CEC’2013). 2013, pp. 2207–2214. 11

Решетневские чтения. 2015

3. Kennedy J., Eberhart R. Particle Swarm Optimization // Proceedings of IEEE International Conference on Neural Networks. 1995. Vol. IV, pp. 1942–1948. 4. Gumennikova A. V., Emelyanova M. N., Semenkin E. S., Sopov E. A. Vestnik SibGAU. 2003. No. 4, pp. 14. 5. Semenkin E. S., Semenkina M. E. Programmnye produkty i sistemy. 2012. No. 4, pp. 73–77. 6. Brester Ch. Yu., Semenkin E. S. Vestnik SibGAU. 2013. No. 4(50), pp. 99–103. 7. Stanovov V. V., Semenkin E. S. Vestnik SibGAU. 2013. No. 4(50), pp. 148–152. 8. Khritonenko D. I., Semenkin E. S. Vestnik SibGAU. 2013. No. 4(50), pp. 112–116.

9. Semenkina M., Akhmedova Sh., Semenkin E., Ryzhikov I. Spacecraft Solar Arrays Degradation Forecasting with Evolutionary Designed ANN-based Predictors // Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics (ICINCO 2014). 2014. P. 421–428. 10. Akhmedova Sh. A., Semenkin E. S. Vestnik SibGAU. 2013. No. 4(50), pp. 92–99. 11. Kennedy J., Eberhart R. A discrete binary version of the particle swarm algorithm // Proceedings of the World Multiconference on Systemics, Cybernetics and Informatics. 1997, pp. 4104–4109. © Ахмедова Ш. А., 2015

____________ УДК 629.783 ПРИМЕНЕНИЕ ДИНАМИЧЕСКОГО РЕДУЦИРОВАНИЯ КОНЕЧНО-ЭЛЕМЕНТНЫХ МОДЕЛЕЙ БОЛЬШОЙ РАЗМЕРНОСТИ ПРИ ИНЖЕНЕРНОМ АНАЛИЗЕ КОНСТРУКЦИИ КОСМИЧЕСКОГО АППАРАТА Д. Ф. Баляков АО «Информационные спутниковые системы» имени академика М. Ф. Решетнева» Российская Федерация, 662972, г. Железногорск Красноярского края, ул. Ленина, 52 E-mail: [email protected] Рассматривается проблема динамического анализа конечно-элементных моделей ракетно-космической техники. Приводится сравнение существующих расчетных схем. Предлагаются наиболее оптимальные методики решения задачи анализа конечно-элементных сборок большой размерности. Ключевые слова: космический аппарат, КЭМ, редуцирование, матрица жесткости, матрица масс. APPLICATION OF DYNAMIC REDUCTION FEM OF LARGE DIMENSION IN ENGINEERING ANALYSIS OF SPACECRAFT DESIGN D. F. Balyakov JSC “Academician M. F. Reshetnev “Information satellite systems” 52, Lenin Str., Zheleznogorsk, Krasnoyarsk region, 662972, Russian Federation E-mail: [email protected] The study considers the problem of dynamic analysis of finite element models of rocket and spacecraft. The existing calculation schemes are compared. The research proposes to solve the most optimal method of finite-element models of large dimension. Keywords: spacecraft, FEM, reduction, matrix of stiffness, matrix of mass. Анализ поведения конструкции космического аппарата (КА) часто требует проведения расчета виброускорений, динамических сил, перемещений и других параметров. Модели КА до 1990-х годов представлялись простыми балочными схемами, которые непосредственно включались в состав моделей ракетносителей (РН). Расчеты, выполненные на основании таких моделей, позволяли находить низкочастотные динамические нагрузки, определяющие прочность силовой конструкции [1]. В настоящее время используются конечно-элементные модели (КЭМ) КА содержащие более 400 000 узлов и элементов [2]. Для таких моделей также требуется проведение расчета

динамических сил, передающихся конструкции КА от средства выведения, которое является одним из главных источников динамического нагружения спутника. Данная проблема решается при помощи модели, учитывающей динамические свойства как средства выведения, так и космического аппарата. Создание КЭМ ракеты космического назначения производится путем объединения КЭМ РН и КЭМ КА. Каждая из этих КЭМ разрабатывается на разных предприятиях и разными группами сотрудников. КЭМ КА создается в отделе анализа конструкции КА по прочности и динамике (АО «ИСС» имени академика М. Ф. Решетнева»), КЭМ РН разрабатывается в отделе прочности 12

Математические методы моделирования, управления и анализа данных

ГКНПЦ имени М. В. Хруничева, но в то же время они требуют больших вычислительных ресурсов и времени. Для расчета подобных сборок применяется метод модальной суперпозиции в сочетании с методом динамической редукции. Суть метода модальной суперпозиции заключается в том, что отклик системы выражается с помощью небольшого числа собственных форм её колебаний. При этом зачастую необходимо определять только те формы колебаний, частота которых близка к частоте внешней нагрузки (например, только несколько первых частот необходимы для определения линейного динамического отклика системы на воздействие низкочастотных нагрузок). Данный метод может иногда применяться и для решения нелинейных задач, однако принципы суперпозиции и ортогональности применимы только для линейных систем; таким образом, применение метода модальной суперпозиции в большинстве случаев относится к динамическому анализу линейных систем. Метод динамического редуцирования подконструкций позволяет эффективно проанализировать КЭМ большого размера путем разбиения исходной конструкции на отдельные подконструкции. Для каждой подконструкции проводится динамическое редуцирование по формату Крейга–Бэмптона и создаются матрицы в формате DMIG [3]. Динамическое редуцирование проводится с помощью средств комплекса Femap/NX Nastran. Данные матрицы представляют собой обобщенные матрицы масс и жесткости соответствующие граничным узлам и собственным формам КЭМ. Данные матрицы полностью описывают динамическое поведение рассматриваемой модели и могут использоваться для создания полной КЭМ, состоящей из отдельных подконструкций [4; 5]. Метод динамического редуцирования позволяет создать результирующую КЭМ с гораздо меньшим числом степеней свободы, чем исходная, а также полностью сохранить динамические свойства конструкции. Такие модели позволяют рассчитать нагрузки не только на силовую конструкцию КА, но и на приборы, облучатели, рефлекторы, солнечные батареи,

учитывая упругие колебания в диапазоне до 100 Гц (обусловлено вычислительными возможностями разработчиков КЭМ). Таким образом, использование динамического редуцирования позволяет провести анализ конструкции КА в сжатые сроки, в полном объеме и при ограниченных вычислительных ресурсах. Библиографические ссылки 1. Ильенко Ю. Е., Кулакова К. П., Зуев Н. Н. Расчеты упругих колебаний и динамических нагрузок ракет-носителей космических аппаратов // Техника воздушного флота. 1999. № 5. С. 24–34. 2. Соловьева Т. И., Шатров А. К. Комплексный подход к анализу динамического поведения спутников // Вестник СибГАУ. 2007. № 2(15). С. 195–197. 3. Рыбников Е. К., Володин С. В. Инженерные расчёты механических конструкций в системе MSC. Patran-Nastran : учеб. пособие. М., 2003. Ч. II. 174 с. 4. Бате Н., Вилсон Е. Численные методы анализа и метод конечных элементов. М. : Стройиздат, 1982. 448 с. 5. Хог Э., Арора Я. Прикладное оптимальное проектирование. М. : Мир, 1983. 480 с. References 1. Ilienko U. E., Kulakova K. P., Zuev N. N. Calculations of elastic vibrations and dynamic loads of spacecraft launch vehicles // Technika vozdushnogo flota. 1999. No. 5, рp. 24–34 (In Russ.). 2. Solovieva T. I., Shatrov A. K. An integrated approach to the analysis of the dynamic behavior of the satellites // Vestnik SibGAU. 2007. No. 2(15), рp. 195– 197 (In Russ.). 3. Rybnikov E. K., Volodin S. V. Engineering in system MSC Patran-Nastran : handbook. Part II. Moscow, 2003. 174 p. 4. Bate N., Wilson E. Numeric method of analyze and finite element method. Moscow : Stroiizdat Publ., 1982. 448 p. 5. Hogg E., Arora J. Applied optimal desighn. Moscow : Mir Publ., 1983. 480 p. © Баляков Д. Ф., 2015

_____________ УДК 004.932.2 ОПРЕДЕЛЕНИЕ ГЛОБАЛЬНЫХ ПРИЗНАКОВ ПОДПИСИ НА ДОКУМЕНТЕ Р. П. Баранов, А. Н. Болгов, Е. С. Казмирук Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматривается подход к решению задачи идентификации человека по подписи. Основное внимание уделяется распознаванию статической подписи, полученной с изображения. Данная задача востребована в сфере бизнеса, маркетинга, банковских операций, контроля безопасности и аутентификации документа. Особенно остро проблема идентификации личности стоит в электронном документообороте. Чаще всего на документах стоят электронные подписи, однако далеко не все документы имеют исключительно электронный вид, 13

Решетневские чтения. 2015

как правило, это внешние входящие и исходящие документы. Именно на таких документах чаще всего и необходимо определить личность человека, который оставил на нем свою подпись. Ключевые слова: обработка изображений, скелетизация, идентификация пользователя, распознавание подписи, биокриптография. IDENTIFYING GLOBAL SIGNATURE FEATURES IN DOCUMENT R. P. Baranov, A. N. Bolgov, E. S. Kazmiruk Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The research deals with the approach to the problem of human signature identification. The off-line signature verification is demanded in business and marketing, bank transactions, security control, and document authentication. The off-line signature verification is a difficult process in comparison to the on-line verification. In this paper, the extension of feature set, including global, local, and special features for simple and cursive types of signatures, is proposed. The global features are required to create a decision tree, which limits a field of the search. An approach for a human identification by person signature is considered. The methods of signature identification dependently on the way, how this signature is received, are described. Keywords: image processing, skeletonization, person identification, biocryptography. После того, как выбран структурный элемент и подсчитано количество необходимых морфологических операций, необходимо обработать ими изображение. В результате выполнения алгоритма на выходе получается скелетное изображение обрабатываемого объекта. На основе полученного скелета уже можно построить векторное представление подписи. Одним из глобальных признаков является уклон подписи, который является отношением между длиной подписи и ее шириной с учетом фактора давления. Данный признак используется в качестве имитации нажатия пера при обработке статической подписи [4]. Для построения вектора признаков также используются и другие характеристики. Наклонная подписи GF1 отображает три основных уклона подписи: правый (RG), вертикальный (VR) и левый (LF), GF1 = {RG, VR, LF}. Отношение между длиной подписи и ее шириной GF2 включает в себя пять отношений: значительно меньше (SM), меньше (ST), равно (ET), больше (LT) и значительно больше (LM), GF2 = {SM, ST, ET, LT, LM}. Соотношение ширины подписи к средней ширине GF3 отображает три типа: малое (LW), нормальное (NW), высокое (HW), GF3 = {LW, NW, HW}. Соотношение длины подписи к средней длине GF4 отображает три типа: малое (LL), нормальное (NL), высокое (HL), GF4 = {LL, NL, HL}. Окружность с максимальным радиусом, описывающая изображение подписи, GF5 включает в себя два параметра: центр координат (xc, yc) в эвклидовом пространстве с максимальным радиусом (Rmax), GF5 = {( xc, yc), Rmax}. Глубина нажатия пера GF6 вычисляется как отношение между фрактальной размерностью и скелетом подписи (FS), каждая характеристика описывается квадратом площадью 16×16 пикселей. Нормализованное изображение подписи представляется в виде квадратной сетки данной размерности и описывает множество GF6, включающее в себя соотношение FS

Несмотря на наличие большого числа методов биометрической идентификации личности (по отпечаткам пальцев, по радужной оболочке глаза, по сетчатке глаза, по геометрии руки, по термограмме лица, по голосу и т. п.), в задачах идентификации широко применяется подпись. С появлением множества новых устройств ввода данных активно изучаются методы задачи идентификации подписи вместе с динамкой ее создания. Однако возникают случаи, когда получить динамику подписи с устройства невозможно, и имеется только изображение документа, содержащее подпись [1]. В таких случаях необходимо получить структуру подписи из обработанного изображения. Первым этапом для идентификации человека по изображению подписи является определение графических особенностей этой подписи. Для этого изображение подвергается предварительной обработке, после чего находится сама подпись и переводится в представление набора простых примитивов. Далее, анализируя векторную форму подписи, требуется найти некоторые особенности, которые бы позволяли идентифицировать человека по подписи [2]. В целом предварительную обработку изображения можно разделить на несколько этапов: 1) получение исходного изображения; 2) фильтрация изображения и бинаризация; 3) скелетизация изображения; 4) векторизация скелетного изображения. Этапы предварительной обработки подписи напрямую зависят от качества изображения подписи. В частном случае изображение можно обрабатывать без предварительной обработки, но чаще всего необходимо выполнять различные операции для улучшения качества изображения подписи. Четкого и определенного порядка работы фильтров нет, пользователь может выбирать его сам, однако последней операцией должна быть бинаризация, так как для дальнейшей обработки подписи необходимо именно бинаризованное изображение [3]. 14

Математические методы моделирования, управления и анализа данных

для каждой ячейки сетки, GF6 = {FS1, FS2, …, FSn}. Скелетное представление подписи, изображенное на рисунке, является эффективным методом для того, чтобы найти структурное соотношение между основными компонентами объекта (в данном случае подпись).

2. Фаворская М. Н. Методы распознавания изображений и видеопоследовательностей : монография. Красноярск, 2010. 176 с. 3. Болгов А. Н., Баранов Р. П., Казмирук Е. С. Структурирование изображений на основе поиска ассоциативных правил // Решетневские чтения : материалы XVI Междунар. науч. конф. В 2 ч. Ч. 2. Красноярск, 2012. С. 594–595. 4. Daramola S. Person Identification System using Static and dynamic Signature Fusion // International J. of Computer Science and Information Security. 2010. Vol (6)7. P. 88–92.

Скелет изображения подписи

References 1. Baranov R. P. [Identification of human personal signature] // V materialah XV mezhdunarodnoj nauchnoj konferencii “Reshetnevskie chtenija” [The materials of the XV International Scientific Conference “Reshetnev reading”]. Krasnoyarsk, 2011, pp. 603–604. 2. Favorskaja M. N. Metody raspoznavanija izobrazhenij i videoposledovatel’nostej [Methods of image recognition and video sequences]. Krasnoyarsk, 2010, 176 p. 3. Bolgov A. N., Baranov R. P., Kazmiruk E. S.. [Structuring images based on mining association rules] // V materialah XVI mezhdunarodnoj nauchnoj konferencii “Reshetnevskie chtenija” [The materials of the XVI International scientific conference “Reshetnev reading”]. Krasnoyarsk, 2012, pp. 594–595. 4. Daramola S. Person Identification System using Static and dynamic Signature Fusion // International Journal of Computer Science and Information Security. 2010. Vol (6)7, рp. 88–92.

В задаче распознавания подписи строится дерево решений, включающее в себя векторы GF1 … GF6, и на различных иерархических уровнях выгружаются образцы эталона подписи, которые в дальнейшем помещают в базу данных. Значение метрики дает процентное соотношение эталона и образца. В зависимости от качества исходного изображения и количества эталонов выставляется пороговое процентное соотношение, при достижении которого эталон и образец считаются идентичными. Был разработан программный продукт, в котором реализован данный подход идентификации пользователя по изображению подписи. Было проведено тестирование, в котором в качестве входных параметров выступали пары изображений, где первое изображение содержало эталон подписи. По результатам тестирования было выявлено, что средняя погрешность алгоритма составляет 10 %. Библиографические ссылки 1. Баранов Р. П. Идентификация личной подписи человека // Решетневские чтения : XV Междунар. науч. конф. В 2 ч. Ч. 2. Красноярск, 2011. С. 603–604.

© Баранов Р. П., Болгов А. Н., Казмирук Е. С., 2015

______________ УДК 004.414.23 НЕЧЕТКАЯ СИСТЕМА УПРАВЛЕНИЯ НЕЙРОСЕТЕВЫМИ РЕСУРСАМИ∗ C. В. Богаченко, Л. В. Липинский Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Предложен подход выбора структуры нейронной сети системой, основанной на нечеткой логике. Приведены результаты исследования рассматриваемого метода на одной из тестовых задач. Ключевые слова: нейронные сети, структура нейронной сети, нечеткий контроллер, лингвистическая переменная.

∗

Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037.

15

Решетневские чтения. 2015

FUZZY LOGIC CONTROL SYSTEM OF NETWORK RESOURCE∗ S. V. Bogachenko, L. V. Lipinskiy Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The authors propose an approach to select the neural network's structure by the system based on fuzzy logic. The article contains the results of a study on one of the test problems. Keywords: neural networks, structure of the neural network, fuzzy controller, linguistic variable. Искусственные нейронные сети [1] являются эффективным и удобным инструментом для решения многих актуальных задач ракетно-космической отрасли. Вследствие отсутствия четко сформулированных правил для выбора структуры сети, объем временных затрат на решение задачи часто оказывается неприемлемым. Исследователями в области искусственного интеллекта предложены подходы выбора структуры нейронной сети с помощью эволюционных алгоритмов [2; 3]. Системы, основанные на нечеткой логике – это один из лучших способов представления нечетких рассуждений человека в четкие значения, понятные вычислительной машине. На основании этого в качестве инструмента для настройки параметров структуры нейронной сети выберем нечеткий контроллер. Рассмотрим принцип управления вычислительными ресурсами нейросетевого моделирования. Ограничиваем диапазон вариации значений параметров структуры сети начальными и максимальными значениями числа слоев и числа нейронов в слоях. В реализованной программной системе используется конструктивный метод [4] выбора структуры многослойной нейронной сети. Выходная лингвистическая переменная нечеткого контроллера – количество новых нейронов, которые либо распределяются случайным образом на уже имеющиеся в сети слои, либо создается новый слой. Входными лингвистическими переменными являются ошибка выхода сети Error (1) и относительное изменение ошибки dE (2): E Error = , (1) ymax − ymin

где En – ошибка выхода сети на итерации n; E1 – ошибка выхода сети на начальной итерации; Emax – максимальная ошибка выхода сети за n итераций, т. е.

{

}

Emax = max Ei , i = 1, n .

По прошествии заданного исследователем числа итераций обучения нечеткий контроллер вычисляет количество требуемых дополнительных структурных единиц на основании базы правил (табл. 1). Тестирование осуществлялось на выборке объемом 100 в 4 этапа, в первые три из которых система нечеткой логики не применялась. В ходе первых двух этапов в качестве структуры сети выбраны соответственно максимальная и минимальная допустимые структуры. Значения параметров количества нейронов и слоев на третьем этапе выбраны случайным образом. Прогон осуществлялся 20 раз по каждому начальному условию. Результирующая ошибка является среднеарифметической по всем прогонам. Приведем результаты исследований на одной из тестовых функций y ( x) = x 2 . В табл. 2 курсивом выделены лучшие результаты среди первых трех этапов тестирования. Результаты тестирования на последнем этапе в большинстве случаев оказались лучше, чем на предыдущих, что говорит о преимуществе применения нечеткого контроллера. Осуществлено попарное сравнение алгоритма с нечетким контроллером с остальными подходами. В качестве выборочных совокупностей выбраны те, которые в ходе тестирования показали лучшие результаты. Используя статистический критерий [5, с. 213], было установлено, что средние генеральных совокупностей отличаются значимо в случае минимальной структуры. К результату о незначимых различиях выборочной совокупности, полученной при максимальной структуре, следует относиться осторожно, так как гипотеза о нормальном распределении первой из сравниваемых совокупностей отвергается.

где E – среднеквадратическая ошибка; ymin и ymax – минимальное и максимальное значения величины выхода сети; E − E1 (2) dE = n ⋅100 % , Emax

Таблица 1 База правил Условие dE "Слабо изменилась" "Средне изменилась" "Сильно изменилась" "Слабо изменилась" "Средне изменилась" "Сильно изменилась"

Подзаключение Error "Большая" "Большая" "Большая" "Маленькая" "Маленькая" "Маленькая"

16

N="Много" N="Средне" N="Мало" N=0 N=0 N=0

Математические методы моделирования, управления и анализа данных Таблица 2 Результаты тестирования Параметры сети Число эпох 1000 5000 10000 10000 10000 1000 1000 1000 1000

Коэф. обуч. 0.5 0.5 0.5 0.2 0.8 0.5 0.5 0.5 0.5

Альфа 1 1 1 1 1 0.8 1.2 1 1

Шум, % 0 0 0 0 0 0 0 3 5

Максимальная структура Обуч. Тест. 0.332 0.362 0.371 0.164 0.430 0.299 0.334 0.306 0.332

Средняя ошибка выхода сети по всем прогонам Минимальная Случайная струкНастроенная структура тура контроллером Обуч. Тест. Обуч. Тест. Обуч. Тест.

0.353 0.340 0.322 0.135 0.469 0.284 0.341 0.384 0.331

0.340 0.345 0.369 0.271 0.361 0.360 0.297 0.392 0.400

Применение нечеткой системы управления вычислительными ресурсами в нейросетевом моделировании значительно уменьшает временные затраты для решения задачи. Нечеткий контроллер помогает понять пользователю необходимую структуру для получения качественного результата. Предложенный подход показал работоспособность и возможность применения для решения актуальных задач ракетнокосмической отрасли.

0.357 0.368 0.396 0.273 0.399 0.381 0.302 0.441 0.409

0.387 0.280 0.222 0.145 0.437 0.340 0.353 0.363 0.376

0.368 0.334 0.214 0.157 0.411 0.362 0.347 0.391 0.382

0.198 0.182 0.158 0.104 0.168 0.213 0.169 0.212 0.240

0.212 0.196 0.191 0.119 0.173 0.264 0.217 0.232 0.244

5. Гмурман В. Е. Руководство к решению задач по теории вероятностей и математической статистики : учеб. пособие для студентов втузов. М. : Высш. шк., 1979. References 1. Kruglov V. V., Dli M. I., Golunov R. Yu. Fuzzy logic and artificial neural networks. Moscow : Physical and mathematical literature Publ., 2001. 224 p. 2. Lipinskiy L. V., Semenkin E. S. Structural adaptation of the neural network by genetic programming // Materials II International Scientific-Practical Confe-rence “Research, development and application of high technologies in the industry”, 2006. 3. Koromyslova A. A. The multiobjective evolutionary algorithms for automatic generation of artificial neural networks // Materials XVIII International Scientific Conference “Reshetnev reading”. Krasnoyarsk, 2014, рp. 73–75. 4. Staricov A. The application of neural networks for problems of classification. Electronic textbook StatSoft. Available at: http://www.basegroup.ru/library/analysis/ neural/classification/. 5. Gmurman V. E. Manual to solving the problems of probability theory and mathematical statistics. Moscow : Graduate School, 1979.

Библиографические ссылки 1. Круглов В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети. М. : Изд-во физ.-мат. лит., 2001. 224 с. 2. Липинский Л. В., Семенкин Е. С. Структурная адаптация нейронной сети методом генетического программирования // Исследование, разработка и применение высоких технологий в промышленности : сб. тр. II Междунар. науч.-практ. конф. СПб. : Изд-во Политехн. ун-та, 2006. 3. Коромыслова А. А. Многокритериальные эволюционные алгоритмы для автоматического генерирования искусственных нейронных сетей // Решетневские чтения : материалы XVIII Междунар. науч. конф. (11–14 нояб. 2014, г. Красноярск) : в 3 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэроксмич. ун-т. Красноярск, 2014. С. 73–75. 4. Стариков А. Применение нейронных сетей для задач классификации [Электронный ресурс]. URL: http://www.basegroup.ru/library/analysis/neural/classifica tion/ (дата обращения: 5.09.2015).

© Богаченко С. В., Липинский Л. В., 2015

17

Решетневские чтения. 2015

УДК 004.932.2 МНОГОМЕРНЫЕ СЕТИ КОХОНЕНА ДЛЯ РЕКОНСТРУКЦИИ ВИДЕОПОТОКА А. Н. Болгов, Р. П. Баранов, Е. С. Казмирук Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматривается одно из решений задачи восстановления фоновых пикселей видеоизображения, базирующееся на алгоритме на основе карт Кохонена. Модель двумерных карт расширяется на основе построения трехмерной сетки на основе ряда кадров. Приводится адаптация алгоритма восстановления на основе карты Кохонена и восстановления пикселей фонового пространства видеопотока на основе обученной карты. Ключевые слова: реконструкция видео, карты Кохонена, мультиагентные системы. MULTIDIMENSIONAL KOHONEN NETWORKS FOR VIDEO RECONSTRUCTION A. N. Bolgov, R. P. Baranov, E. S. Kazmiruk Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The paper considers a solution to restore background pixels of video based on Kohonen map algorithm. Model of two dimensional maps is expanded with three dimensional space based on sequence of video frames. The paper researches adaptation of algorithm for training Kohonen map and restoring the background pixel space by using trained map. Keywords: video restoration, Kohonen maps, MAS. Эффективность реконструкции «пропусков» на стыке нескольких текстур увеличивается при восстановлении каждой смежной текстуры по отдельно обученной карте. Для этого требуется еще один дополнительный шаг сегментации исходного изображения [3]. Реконструкция фонового пространства по секвенции кадров позволяет значительно улучшить получаемые результаты. Для этого необходимо определить дополнительные шаги: – механизм обнаружения объектов интереса на видео; – построение многомерных карт на основе нескольких карт. Для успешного выполнения данных этапов необходимо определить следующие аспекты и компоненты процесса: 1. Механизм преобразования кадра видеопоследовательности в массив векторов данных. Одним из наиболее эффективных вариантов является механизм разбиения отдельного кадра на блоки, определенной аналитиком размерности, и формирования на основе пикселей блока его векторного представления [2]. Кроме этого размерность блока влияет на количество кадров видеосеквенции. При этом пиксели объекта интереса на каждом кадре не должны учитываться при формировании вектора данных. Вектор строится по формулам ωi ( x, y ) = P[l + i ⊕ S , t + i ÷ S ] , (1)

Обработка видеопотока в автоматическом режиме – это неотъемлемая часть многих современных систем слежения, охраны, учета и наблюдения. Кроме этого, широкое применение автоматические решения находят в области ретуширования и улучшения видеоданных для решения прикладных задач информационных систем. Алгоритмы обработки изображений и видео, кластеризации нейронных сетей лежат в основе таких подходов. Объектом данного исследования является цифровая реконструкция малых областей с «пропущенной» текстурой на видеопотоке. «Пропуски» в текстурах могут являться результатом удаления нежелательного объекта с видеоряда конечным пользователем. Данная область не может превышать 5–10 % от площади области кадра. В частном случае это могут быть некие помехи, вызванные техническим сбоем в аппаратуре, либо люди, заслоняющие съемку дорожно-транспортного происшествия. Автоматическая процедура восстановления таких областей – главная цель программных инструментов видеоредактора [1]. Процесс реконструкции отдельного кадра на основе самоорганизующихся карт Кохонена состоит из двух этапов: обучение карты и восстановление данных на основе карты [2]. Детализация этих шагов выглядит следующим образом: − первоначальное построение карты Кохонена, «пропуски» не учитываются при обучении. − входной вектор данных с «пропущенным» элементом подается на вход обученной карте и поиск соответствующего узла в карте.

l = x − ⎢⎣ S / 2 ⎥⎦ ,

18

(2)

Математические методы моделирования, управления и анализа данных

t = y − ⎣⎢ S / 2 ⎦⎥ ,

объекта интереса позволяют проводить реконструкцию фонового пространства за движущимся объектом, получая дополнительную информацию из смежных кадров. Данное исследование помогло выявить слабые стороны алгоритма карт Кохонена, и были предложены решения по их устранению. Предварительная сегментация изображения позволяет добиться высоких результатов в реконструкции гомогенных текстур. Мультиагентный подход позволяет также увеличить точность получаемых результатов реконструкции по метрикам MSE, PSNR, SSIM. Кроме этого, основным преимуществом большого числа локальных обработчиков-агентов является увеличенная вычислительная емкость системы, что позволяет увеличить производительность процесса реконструкции. Однако процесс увеличения агентов ограничен коммуникационными затратами для взаимодействия агентов.

(3)

где S – размер блока пикселей; P[i, j] – пиксель, расположенный в i-м столбце и j-й строке кадра; x, y – координаты, для которых строится вектор. При использовании представленного выше метода построения векторов необходимо учитывать следующие ограничения, заданные формулами ⎢⎣ S / 2 ⎥⎦ ≤ x ≤ W − ⎢⎣ S / 2 ⎥⎦ , ⎢⎣ S / 2 ⎥⎦ ≤ y ≤ H − ⎢⎣ S / 2 ⎥⎦ ,

(4) (5)

где S – размер блока пикселей; W – ширина кадра; H – высота кадра. Данные условия вводятся в силу того, что размер рассматриваемого блока больше одного пикселя и, соответственно, количество таких блоков будет меньше, чем количество пикселей в кадре. 2. Мера расстояния между входным обучающим вектором (или вектором данных при восстановлении) и узлом карты, необходимая для выбора нейронапобедителя, обычно определяется как расстояние между векторами и рассчитывается по формуле (6) dijk =

Библиографические ссылки 1. Болгов А. Н. Использование карт Кохонена для восстановления фоновой текстуры на изображении // Техническое зрение в системах управления – 2014 : материалы науч.-техн. конф. М., 2014. С. 437. 2. Рассел С., Норвиг П. Искусственный интеллект: современный подход : пер. с англ. М. : Вильямс, 2006. 1408 с. 3. Фаворская М. Н., Петухов Н. Ю. Распознавание природных объектов на аэрофотоснимках с применением нейронных сетей // Автометрия. 2011. Т. 47, № 3. С. 34–40. 4. Kohonen T. Self-Organizing Maps. New York : Springer Series in Information Sciences, 2001. 501 p.

S

∑ ( xm − wijkm )2

,

(6)

m =1

где xm – m-е значение вектора входных данных; wijkm – m-е значение вектора весов нейрона из i-й, j-й и k-й позиции карты; S – размерность вектора весов. Архитектура мультиагентной системы состоит из 4 типов агентов. Агент-оператор (Agent-Operator) – единственный агент-человек в системе. Интерфейсный агент (Interface Agent) – программный агент, обеспечивающий взаимодействие всех других агентов системы. Группа обучающих агентов (Learning Agent) – агенты, которые выполняют процесс обучения карт Кохонена. Группа агентов восстановления (Inpainting Agent) – агенты, производящие реконструкцию текстур по обученным картам. Мультиагентный подход позволяет добиться высокой вычислительной эффективности процесса восстановления изображения. Оптимальное число агентов – 4, так как дальнейшее увеличение числа агентов налагает дополнительные накладные расходы на коммуникацию агентов [4]. Процесс восстановления реконструкции основан на пространственной информации, и самоорганизующиеся карты Кохонена наилучшим образом подходят для решения этой задачи как инструмент кластеризации без учителя. Выборка смежных кадров и построение трехмерной сети Кохонена, а также отслеживание

References 1. Bolgov A. N. Using of Kohonen maps to restore background on images // Proceeding of “Technical Vision in Control Systems – 2014”. Moscow, 2014. 437 p. 2. Russel S., Norvig P. Artificial Intelligence: Modern view. Moscow, Williams, 2006. 1408 p. 3. Favorskaya M. N., Petukhov N. U. Recognition of nature objects on airphotos with using neural networks. Novosibrsk, 2011, pp. 34–40. 4. Kohonen T. Self-Organizing Maps. New York , Springer Series in Information Sciences, 2001. 501 p.

© Болгов А. Н., Баранов Р. П., Казмирук Е. С., 2015

19

Решетневские чтения. 2015

УДК 519.873 ГЕНЕТИЧЕСКИЙ АЛГОРИТМ С АЛЬТЕРНАТИВНЫМ ПРЕДСТАВЛЕНИЕМ РЕШЕНИЙ* Д. И. Борисевич, И. А. Панфилов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected] Исследовано влияние способа кодирования решений на эффективность генетического алгоритма путем проведения исследований на множестве тестовых задач безусловной оптимизации. Оптимизационные постановки традиционно встречаются в задачах проектирования высокотехнологичных комплексов: систем управления, систем энергообеспечения и силовых установок. Проведена статистическая оценка значимости данных параметров для работы алгоритма. Ключевые слова: генетический алгоритм, оптимизация, методы кодирования. GENETIC ALGORITHM WITH AN ALTERNATIVE REPRESENTATION OF SOLUTIONS D. I. Borisevich, I. A. Panfilov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected], [email protected] The impact of the coding solutions on the efficiency of genetic algorithm has been researched with the set of tests of unconstrained optimization. Optimization problems traditionally encounter the design of high-tech systems: control systems, energy systems and power plants. Statistical evaluation of the significance of parameters to the algorithm has been conducted. Keywords:genetic algorithm, optimization, coding methods. была взята равной 9, где 9 – это 29 для каждой переменной. Для генетического алгоритма с кодированием гамма- и омега-коды Элиаса, экспоненциальный код Голомба, гамма-кодами Левенштейна, модификация гамма-кода Элиаса, старт-шаг-стоп-коды и коды Ивэн–Родэ длина каждой переменной изменяется от 1 до 15. Статистика набралась по 100 запускам алгоритма. Размер популяции менялся от 50 до 200 индивидов. Число поколений: менялось от 50 до 200. Для оценки эффективности алгоритмов использовалась надежность. Надежность – процент успешных запусков (решение найдено) алгоритма от общего числа запусков.* Для функции Растригина самый высокий процент надежности показал код Грея. Набор параметров с числом индивидов 100 и числом поколений 50 является наилучшим для данной функции. Для функции Розенброка самый высокий процент надежности показал код Грея с набором параметров, где число индивидов 50 и число поколений 50. Такой же процент надежности у двоичного кодирования, но с набором параметров, где число индивидов 100 и число поколений 50. Немного ниже процент надежности был у экспоненциального кода Голомба с максимальными значениями в наборе параметров.

Генетические алгоритмы первоначально применялись для решения задач адаптации [1]. Впервые генетические алгоритмы использовались для решения задач оптимизации, например, в работе Л. А. Растригина о случайном поиске [2]. В работе «Оптимизация компьютерных моделей» была введена рекомбинация в эволюционных стратегиях [3]. Традиционно исследователи рассматривают влияние вероятности мутации, размера популяции, способов селекции и другие легко настраиваемые параметры алгоритма [4]. Представление решений же, как правило, осуществляется кодированием в бинарную строку вещественных переменных с помощью традиционного бинарного кодирования или Грей-кода [5]. Целью данной работы было исследовать возможность применения в генетическом алгоритме альтернативных способов бинарного кодирования вещественных чисел. Исследование эффективности генетического алгоритма проводилось на задаче минимизации следующих тестовых функций: функция Растригина, функция Розенброка, функция Griewank, функция «Сомбреро» и др. [6]. Помимо традиционных бинарного кодирования и кода Грея, используемых для представления вещественных переменных, в работе рассмотрены гамма- и омега-коды Элиаса, гамма-коды Левенштейна, коды Голомба, старт-шаг-стоп-коды и коды Ивэн–Роде. Длина каждой переменной для генетического алгоритма с прямым бинарным и Грей-кодированием

* Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации, в рамках проекта RFMEFI57414X0037.

20

Математические методы моделирования, управления и анализа данных

Для функции Griewank самый высокий процент надежности показал код Грея. С наилучшим набором параметров, где число индивидов 150 и число поколений 150; немного ниже процент надежности у гаммакодов Элиаса с таким же набором параметров. Для функции «Сомбреро» самый высокий процент надежности показало двоичное кодирование, с наилучшим набором параметров, где число индивидов 200 и число поколений 200. Для функции 5 самый высокий процент надежности показал экспоненциальный код Голомба, с наилучшим набором параметров, где число индивидов 150 и число поколений 100. Для функции 6 были проведены дополнительные исследования со следующими параметрами: число индивидов от 10 до 50 с шагом 10, число поколений от 10 до 50 с шагом 10. Самую высокую надежность показал старт-шаг-стоп-код. Для мультипликативной потенциальной функции были проведены дополнительные исследования со следующими параметрами: число индивидов от 10 до 50 с шагом 10, число поколений от 10 до 50 с шагом 10. Самую высокую надежность показал код Грея. Для аддитивной потенциальной функции были проведены дополнительные исследования со следующими параметрами: число индивидов от 10 до 50 с шагом 10, число поколений от 10 до 50 с шагом 10. Самую высокую надежность показали гамма-коды Левенштейна. Для статистической проверки будем использовать однофакторный дисперсионный анализ, где фактором называется независимая переменная, влияние которой изучается на зависимую переменную. Анализ основан на расчете F-статистики (статистика Фишера), которая представляет собой отношение двух дисперсий: межгрупповой и внутригрупповой. F-тест в однофакторном дисперсионном анализе устанавливает, значимо ли отличаются средние нескольких независимых выборок. Нулевая гипотеза в однофакторном дисперсионном анализе утверждает, что все средние значения из различных генеральных совокупностей (которые представлены выборочными средними) равны между собой: H 0 : μ1 = μ k (все равны или X 1 = X 2 = ... = X k ).

нарный код, код Грея, гамма-коды Элиаса, экспоненциальный код Голомба, гамма-коды Левенштейна, модификация Гамма-кода Элиаса, омега-коды Элиаса, старт-шаг-стоп-коды, коды Ивэн–Родэ, статистически различимы. Это говорит о том, что выбор способа кодирования имеет принципиальное значение для решения разных классов задач. Зачастую в исследованиях не уделяется должного внимания выбору способа кодирования, несмотря на то, что это является важным моментом. В данной работе проведены достаточно масштабные исследования, результаты которых позволяют перейти к более глубокому исследованию отдельных, показавших себя способов кодирования. Требуется проведение дополнительных исследований на задачах с ограничениями, задачах больших размерностей, для повышения эффективности работы генетического алгоритма на самой ранней стадии – на стадии проектирования представления решения. Библиографические ссылки 1. Holland J. H. Adaptation in Natural and Artificial Systems. The University of Michigan Press, 1975. 228 p. 2. Растригин Л. А. Случайный поиск – специфика, этапы истории и предрассудки // Вопросы кибернетики. 1978. № 33. С. 3–16. 3. Schwefel H. P. Numerical optimization of computer models. Chichester: Wiley, 1981. 4. Панфилов И. А., Базанова Е. П., Сопов Е. А. Исследование эффективности работы генетического алгоритма оптимизации с альтернативным представлением решений // Вестник СибГАУ. 2013. № 4 (50). С. 68–71. 5. Caruana R. Representation and Hidden Bias: Grayvs. Binary Coding for Genetic Algorithms // Proc. 5th Intern. Conf. of Machine Learning. 1988. 6. Сопов Е. А., Кустов Д. В., Панфилов И. А. Тестовые функции для исследования эффективности эволюционных алгоритмов. учеб.-метод. изд. Сиб. гос. аэрокосмич. ун-т. 2010. References 1. Holland J. H. Adaptation in Natural and Artificial Systems. The University of Michigan Press, 1975. 228 p. 2. Rastrigin L. A. [Random search – specificity, stages of history and prejudice] // Voprosy kibernetiki. 1978. No. 33, pр. 3–16 (In Russ.). 3. Schwefel H. P. Numerical optimization of computer models. Chichester: Wiley, 1981. 4. Panfilov I. A., Bazanova E. P., Sopov E. A. Investigation of the genetic algorithm with an alternative representation of solutions // Vestnik SibGAU. 2013. No. 4(50), рp. 68–71 (In Russ.). 5. Caruana R. Representation and Hidden Bias: Grayvs. Binary Coding for Genetic Algorithms // Proc. 5th International Conference of Machine Learning, 1988. 6. Sopov E. A., Kustov D. V., Panfilov I. A. Testovye funktsii dlya issledovaniya effektivnosti evolyutsionnykh algoritmov. Uchebno-metodicheskoe izdanie [Test functions for investigation of evolutionary algorithms. Educational publication] // SibGAU. 2010.

Альтернативная гипотеза утверждает, что хотя бы два любых средних значений не равны между собой: H 0 : μ1 ≠ μ k (хотя бы две не равны или X 1 ≠ X k ).

Фактор: способ кодирования, используемый в реализации генетического алгоритма. Девять уровней фактора: прямой бинарный код, код Грея, гамма-коды Элиаса, экспоненциальный код Голомба, гамма-коды Левенштейна, модификация гамма-кода Элиаса, омега-коды Элиаса, старт-шаг-стоп-коды, коды Ивэн– Родэ. Зависимая переменная: надежность – процент успешных запусков алгоритма от общего числа запусков. Статистическая проверка значимости способов кодирования в генетическом алгоритме показала, что результаты, полученные кодированием: прямой би-

© Борисевич Д. И., Панфилов И. А., 2015 21

Решетневские чтения. 2015

УДК 004.031, 004.75 КЛАССИФИКАЦИЯ ИНФОРМАЦИОННО-ПОИСКОВЫХ СИСТЕМ В. В. Брезицкая, П. В. Зеленков, Г. А. Прохорович, А. В. Перанцева, В. В. Храпунова Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 В настоящее время активно ведутся работы по созданию систем поиска информации. Данные алгоритмы внедряются в корпоративные СППР, включая системы аэрокосмической отрасли. Приведена классификация существующих поисковых систем. Ключевые слова: поиск информации, информационно-поисковые системы, классификация, обработка текста, сбор данных. CLASSIFICATION OF INFORMATION SEARCH SYSTEMS V. V. Brezitskaya, P. V. Zelenkov, G. A. Prohorovich, A. V. Perantseva, V. V. Hrapunova Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Currently the work to create information retrieval systems is developed. These algorithms are implemented in corporate Decision Support Systems, including aerospace. This research presents classification the existing search systems. Keywords: information search, information retrieval systems, classification, text processing, data collection. Разработка алгоритмов сбора и обработки информации в сети Интернет является чрезвычайно актуальной задачей. От качества собранных данных зависит принятие того или иного решения. Особое внимание качеству алгоритмов сбора и обработки информации уделяют в модулях поддержки принятия решений в корпоративных системах [1–4]. Также актуальной является задача сбора информации из разнородных сетей: Интернет, корпоративная сеть, сеть предприятия/филиала [5–7]. В данной работе представлена классификация существующих систем поиска информации в сети Интернет. Данные системы отличаются алгоритмами обработки информации, принципами организации хранения данных и т. п. Также необходимо отметить, что и задачи данных систем отличаются друг от друга. Перейдем к рассмотрению классов данных систем: 1. Поисковые системы, реализованные по принципу каталогов – поисковые каталоги. Для решения задачи упрощения навигации по существующим ресурсам были созданы системы, называемые поисковыми каталогами. К таким системам относятся, например, Yahoo и OpenDirectory. В рассматриваемом классе систем информационные ресурсы регистрируются их создателями, после чего проходят проверку и корректировку модераторами. Далее ресурсы получают экспертную оценку «полезности», по результату которой информационный ресурс занимает определенную позицию в иерархии по авторитетности представленной информации. В простейших каталогах информационные ресурсы упорядочены по нескольким общим группам (категориям, разделам, рубрикам) в виде иерархической

структуры. Поэтапное прохождение всей структуры, последовательное уточнение искомой информации после n-го количества шагов приводит к интересующему пользователя ресурсу. В более сложно организованных каталогах помимо иерархической организации информации представлены механизмы поиска информации по запросам пользователя. Однако согласно описанной структуре данного класса систем, работа поисковых механизмов ограничивается поиском лишь в кратких аннотациях сайтов. Особого внимания заслуживают современные каталоги, отличающиеся расширенной, а иногда и полной индексацией содержимого сайтов и мощными механизмами контекстного поиска в индексных базах. Следует заметить, что некоторые поисковые каталоги имеют также собственный рейтинг (например, Topping). Такие системы используют в качестве неявных экспертных оценок информацию о посещаемости сайтов и учитывают позиции, которые эти сайты занимают в рейтинге ресурсов определенной тематики. Данный подход позволяет повышать качество поиска в каталоге, предоставляя более авторитетную информацию, позволяет сократить время поиска необходимой информации. 2. Следующий класс – полнотекстовые поисковые системы. Для поиска страниц, содержащих требуемую информацию, существует класс поисковых систем, называемых полнотекстовыми поисковыми системами. Структура такой системы может быть представлена следующим образом: Spider («паук») – часть поисковой системы, предназначенная для перебора страниц Интернета с целью 22

Математические методы моделирования, управления и анализа данных

занесения информации о них в базу данных поисковой системы. «Паук» анализирует содержимое страницы и сохраняет его в некотором специальном виде на сервере поисковой машины, которой принадлежит. В большинстве случаев переход от одной страницы к другой осуществляется по ссылкам, содержащимся на первой и последующих страницах. Механизм Crawler предназначен для направления «Паука» по ссылкам. Indexer (индексатор) – производит анализ текста, собранного «Пауком». Database – хранилище данных для найденных и обработанных html-страниц. Searchengine (система выдачи результатов) – именно данный компонент несет в себе основные алгоритмы обработки запросов и формирования информационных выдач. В нем запрограммированы механизмы ранжирования документов в соответствии с их релевантностью. Webserver – сервер поисковой машины, осуществляющий взаимодействие между пользователем и остальными компонентами системы. Системы рассматриваемого класса осуществляют поиск страниц, извлечение гипертекстовых ссылок на этих страницах, индексацию найденной информации в базе данных (Яндекс, Google). В основе каждого поискового механизма лежат уникальные для каждой системы алгоритмы, определяющие политику работы системы. 3. Следующий класс поисковых систем – метапоисковая система. Метапоисковая система (также называемая метакраулером или мультипоточной системой) – это поисковый инструмент, посылающий ваш запрос одновременно на несколько поисковых систем, каталогов и, иногда, в так называемую невидимую (скрытую) систему – собрание онлайновой информации, не проиндексированной традиционными поисковыми системами (Nigma, MetaCrawler, www.iboogie.tv). Собрав результаты, метапоисковая система удаляет дублированные ссылки и в соответствии со своим алгоритмом объединяет / ранжирует результаты в общем списке. Если рассматривать задачу реализации поискового механизма в СППР, то наиболее целесообразно воспользоваться алгоритмами и подходами реализации метапоисковых систем.

3. Модельно-алгоритмическое обеспечение поддержки принятия решений в информационных системах управления / Ф. А. Акланов [и др.] // Вестник СибГАУ. 2014. № 3(55). С. 10–15. 4. Information search module based on multilinguistic thesauruses / M. V. Karaseva [et al.] // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings”. 2015. С. 012011. 5. Мультилингвистическая модель распределенной системы на основе тезауруса / П. В. Зеленков [и др.] // Вестник СибГАУ. 2008. № 1(18). С. 26–28. 6. Модуль обработки информационных запросов пользователей в сеть Интернет для корпоративных информационно-управляющих систем / П. В. Зеленков [и др.] // Вестник СибГАУ. 2009. № 3 (24). С. 69–74. 7. Карасева М. В., Карцан И. Н., Зеленков П. В. Метапоисковая мультилингвистическая система // Вестник СибГАУ. 2007. № 3(16). С. 69–70. References 1. Kovalev I., Polianski K., Zelenkov P., Brezitskaya V., Sidorova (Prohorovich) G. Sistema poiska i obrabotki multilingvisticheskih tekstov, integrirovannaya s informachionno-poiskovumi sistemami // Vestnik SibGAU. 2013. No. 1(47), рp. 48–52. 2. Raspopin N., Karaseva M., Zelenkov P., Kaiukov E., Kovalev I. Modeli i algoritmu optimizacii sbora i obrabotki informachii // Vestnik SibGAU. 2012. No. 2(42), рp. 69–72. 3. Aklanov F., Kovalev D., Yueva E., Zelenkov P., Pershakova K. Modelno-algoritmicheskoe obespechtnie poddergki priniatiia resheniia v informationnih sistemah upravlenia // Vestnik SibGAU. 2014. No. 3(55), pр. 10–15. 4. Karaseva M. V., Bachurina E. P., Zelenkov P. V., Brezitskaya V. V. Information search module based on multilinguistic thesauruses // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings”, 2015, рp. 012011. 5. Zelenkov P., Kovalev I., Karaseva M., Rogov S. Multilingvistik model raspredelennoy sistemu na osnove tesarusa // Vestnik SibGAU. 2008. No. 1(18), рp. 26–28. 6. Zelenkov P., Selivanova M., Brezitskaya V., Hohlov A. Modul obrabotki informationnih zaprosov polzovatelei v seti Internet dla korporativnih informationnoupravlaushih system // Vestnik SibGAU. 2009. No. 3(24), рp. 69–74. 7. Karaseva M., Kartsan I., Zelenkov P. Metapoiskovaia multilingvisticheskaya sistema // Vestnik SibGAU. 2007. No. 3(16), рp. 69–70.

Библиографические ссылки 1. Система поиска, анализа и обработки мультилингвистических текстов, интегрированная с информационно-поисковыми системами / И. В. Ковалев [и др.] // Вестник СибГАУ. 2013. № 1(47). С. 48–52. 2. Модели и методы оптимизации сбора и обработки информации / Н. А. Распопин [и др.] // Вестник СибГАУ. 2012. № 2(42). С. 69–72.

© Брезицкая В. В., Зеленков П. В., Прохорович Г. А., Перанцева А. В., Храпунова В. В., 2015

23

Решетневские чтения. 2015

УДК 004.031, 004.75 ОПИСАНИЕ МОДЕЛИ ИЕРАРХИИ ПРОЦЕССОВ ДЛЯ ПЕРСОНИФИЦИРОВАННОЙ СИСТЕМЫ ПОИСКА ИНФОРМАЦИИ В. В. Брезицкая, П. В. Зеленков, Г. А. Прохорович Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Рассматривается модель иерархии процессов для корпоративной системы сбора и обработки информации. Данная система позволяет работать на внутренних и внешних информационных ресурсах. Ключевые слова: персонификация, поиск информации, корпоративные информационные системы, обработка информации. MODEL DESCRIPTION OF PROCESS HIERARCHY FOR PERSONALIZED SEARCH SYSTEM V. V. Bresitskaya, P. V. Zelenkov, G. A. Prohorovich Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation The paper describes a hierarchy process model for corporate collecting and processing information. This system allows to work with internal and external information resources. Keywords: personalization, search for information, corporate information systems, information processing. В настоящее время происходит существенное изменение требований к корпоративным системам обработки информации. Стоят задачи по качественному повышению надежности и отказоустойчивости, по усовершенствованию классических процессов обработки информации и разработки принципиально новых, связанных со сбором информации в сети Интернет. Таким образом, можно говорить, что в настоящее время большинство предприятий нуждается в собственной информационной системе, поддерживающей создание профилей пользователя, предоставляющей доступ к документам, расположенным на локальных компьютерах, открытым для общего пользования, к вики-ресурсам предприятия, предоставляющей возможности публикации статей и комментирования опубликованных сообщений. Также система должна предоставлять возможность создания групп по тематикам, создание формальных и неформальных отношений между пользователями («начальник–подчиненный», «друг», и т. п.) [1–7]. Рассмотрим модель иерархии процессов данной системы. При этом необходимо учесть, что понятие процесса носит иерархический характер: процесс может содержать другой процесс (подпроцесс). Атомарное действие процесса называется задачей. Диаграммы иерархии процессов демонстрируют иерархическую структуру процессов путем их декомпозиции на подпроцессы. На рисунке представлена модель иерархии бизнеспроцессов для предлагаемой системы. Для пользователя системы работа в системе делится на четыре основных направления: информационный поиск, работа

с вики-ресурсами, участие в группах и общение на форуме. Процесс информационного поиска, в свою очередь, включает в себя процесс сбора терминов для создания персонифицированного профиля пользователя, процессы поиска в файловой системе на компьютерах пользователей, находящихся во внутренней сети предприятия, поиска в вики-статьях, поиска на форуме среди сообщений и комментариев, поиска в материалах группы, поиска в сети Интернет. Процесс поиска в сети Интернет включает в себя поиск с использованием внешних поисковых систем Google и Bing. Процесс работы с вики-ресурсами разделяется на такие подпроцессы, как создание статьи, которое, в свою очередь, включает в себя процесс утверждения статьи и подпроцесс правки статьи. Процесс участия в группах делится на процесс создания группы и процесс создания тем, сообщений, комментариев. Процесс создания группы включает в себя процесс приглашения участников в группу. И, наконец, процесс общения на форуме включает в себя процесс создания тем, имеющий подпроцесс создания сообщений (статей) и процесс комментирования. Таким образом, при создании диаграммы иерархии процессов учтены ключевые ресурсы, на которых происходит учет информации как внутри корпоративных ресурсов, так и в рамках глобальной сети Интернет. В рамках поиска информации в сети Интернет, предлагается метапоисковая технология сбора информации как наиболее простая в реализации для корпоративных информационных систем. 24

Математические методы моделирования, управления и анализа данных

Диаграмма иерархии бизнес-процессов

7. Модели и методы оптимизации сбора и обработки информации / Н. А. Распопин [и др.] // Вестник СибГАУ. 2012. № 2(42). С. 69–72.

Библиографические ссылки 1. Kovalev I. V., Zelenkov P. V., Tsarev M. Y. The control of developing a structure of a catastrophe-resistant system of information processing and control // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings”. 2015. С. 012008. 2. Model of the reliability analysis of the distributed computer systems with architecture “CLIENT-SERVER” / I. V. Kovalev [et al.] // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings”. 2015. С. 012009. 3. Information search module based on multilinguistic thesauruses / M. V. Karaseva [et al.] // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings”. 2015. С. 012011. 4. Модельно-алгоритмическое обеспечение поддержки принятия решений в информационных системах управления / Ф. А. Акланов [et al.] // Вестник СибГАУ. 2014. № 3(55). С. 10–15. 5. Система поиска, анализа и обработки мультилингвистических текстов, интегрированная с информационно-поисковыми системами / И. В. Ковалев [et al.] // Вестник СибГАУ. 2013. № 1(47). С. 48–52. 6. К проблеме синтеза распределенных информационно-аналитических систем поддержки принятия решений / П. В. Зеленков [и др.] // Фундаментальные исследования. 2013. № 4–2. С. 286–289.

References 1. Kovalev I. V., Zelenkov P. V., Tsarev M. Y. [The control of developing a structure of a catastrophe-resistant system of information processing and control] // IOP Conference Series: Materials Science and Engineering 17. Ser. XVII International Scientific Conference “Reshetnev Readings”. 2015. Pp. 012008. 2. Kovalev I. V., Zelenkov P. V., Karaseva M. V., Tsarev M. Y., Tsarev R. Y. [Model of the reliability analysis of the distributed computer systems with architecture “CLIENT-SERVER”] // IOP Conference Series: Materials Science and Engineering 17. Ser. XVII International Scientific Conference “Reshetnev Readings”. 2015. Pp. 012009. 3. Karaseva M. V., Bachurina E. P., Zelenkov P. V., Brezitskaya V. V. [Information search module based on multilinguistic thesauruses] // IOP Conference Series: Materials Science and Engineering 17. Ser. XVII International Scientific Conference “Reshetnev Readings”. 2015. Pp. 012011. 4. Aklanov F. A., Kovalev D. I., Tueva E. V., Zelenkov P. V., Pershakova K. K. [Model’noalgoritmicheskoe obespechenie podderzhki prinyatiya reshenij v informacionnyh sistemah upravleniya] // Vestnik SibGAU. 2014. No. 3(55). Pp. 10–15. 25

Решетневские чтения. 2015

5. Kovalev I. V., Polyanskij K. V., Zelenkov P. V., Brezickaya V. V., Sidorova G. A. [Sistemapoiska, analiza i obrabotki mul’tilingvisticheskih tekstov, integrirovannaya s informacionno-poiskovymi sistemami] // Vestnik SibGAU. 2013. No. 1(47), pp. 48–52. 6. Zelenkov P. V., Kayukov E. V., Carev R. Y., Shtarik E. N., Shtarik A. V. [K probleme sinteza raspre

delennyh informacionno-analiticheskih system podderzhki prinyatiya reshenij] // Fundamental’nye issledovaniya. 2013. No. 4–2, pp. 286–289. 7. Raspopin N. A., Karaseva M. V., Zelenkov P. V., Kayukov E. V., Kovalev I. V. [Modeli i metody optimizacii sbora i obrabotki informacii] // Vestnik SibGAU. 2012. No. 2(42), pp. 69–72. © Брезицкая В. В., Зеленков П. В., Прохорович Г. А., 2015

___________ УДК 519.87 ДВУХКРИТЕРИАЛЬНАЯ ТЕХНОЛОГИЯ ПРОЕКТИРОВАНИЯ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ КОЛЛЕКТИВНЫМ ЭВОЛЮЦИОННЫМ АЛГОРИТМОМ* К. Ю. Брестер1, О. Э. Семенкина2, М. Колемайнен3 1,2

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected] 3 Университет Восточной Финляндии Финляндия, 70211, Куопио, Илиопистонранта, 1E Е-mail: [email protected]

Предлагается технология нейросетевого моделирования, позволяющая проектировать классификаторы с учетом дополнительного критерия «вычислительная сложность». Преимущества данного подхода предопределяют целесообразность его использования в аэрокосмической отрасли, где требования высокой точности и быстродействия являются ключевыми. Ключевые слова: полносвязный персептрон, коллективный эволюционный алгоритм, многокритериальная оптимизация. TWO-CRITERION TECHNIQUE OF NEURAL NETWORK DESIGN WITH THE COLLECTIVE EVOLUTIONARY ALGORITHMI Ch. Yu. Brester1, O. E. Semenkina2, M. Kolehmainen3 1,2

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected], [email protected] 3 University of Eastern Finland 1E, Yliopistonranta, Kuopio, 70211, Finland Е-mail: [email protected] In this paper we propose the technique of neural network modeling to design classifiers taking into account the additional criterion “computational complexity”. Due to the advantages of this approach, it might be successfully applied in the aerospace field, where the requirements of high accuracy and speed are the most essential. Keywords: multilayer perceptron, collective evolutionary algorithm, multi-objective optimization.

* Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037 [Research is performed with the financial support of the Ministry of Education and Science of the Russian Federation within the federal R&D programme (project RFMEFI57414X0037)].

26

Математические методы моделирования, управления и анализа данных

Обучение проектируемых нейронных сетей и оценку эффективности моделей по критерию K1 предлагается осуществлять с помощью метода обратного распространения ошибки [5].

Стремительное развитие интеллектуальных информационных технологий приводит к их повсеместному внедрению. Однако существуют отрасти, например аэрокосмическая, где к алгоритмической и аппаратной части систем предъявляются жесткие требования по точности и быстродействию. Поэтому нередко применение стандартных методов машинного обучения становится неприемлемым. Зачастую в программных пакетах, содержащих реализации алгоритмов интеллектуального анализа данных, структура нейронных сетей определяется однозначно по следующему правилу: на единственном скрытом слое число нейронов равно ⎛ N features + N classes ⎞ (1) + 1⎟ , ⎜ 2 ⎝ ⎠ где Nfeatures – размерность входного вектора признаков; Nclasses – число различных классов в выборочных данных; тип активационной функции – сигмоид. Однако такая структура может быть избыточной: число связей достаточно велико, а на обучение модели и оценку выходных значений тратится значительное количество вычислительных ресурсов. Поэтому целесообразно использовать нейросетевые модели, отвечающие не только требованиям точности, но и вычислительной сложности. Пусть ω ∈ Ω, Ω – множество полносвязных персептронов с различными скрытыми слоями. Введем критерии: Критерий 1. Относительная ошибка классификации: Nincorrectly (ω) K1(ω) = E (ω) = → min, (2) N all ω

Представление скрытого слоя персептрона в виде бинарной хромосомы

Поскольку при двухкритериальной постановке задачи выходом эволюционного алгоритма является набор недоминируемых решений, то у пользователя, во-первых, появляется возможность выбора «компромиссной» с его точки зрения модели (в смысле точности и вычислительной сложности), а во-вторых, сгенерированные сети могут быть включены в ансамбль классификаторов для принятия коллективного решения. В ходе тестирования данного подхода на практических задачах [6] было выявлено, что использование эволюционной технологии проектирования нейронных сетей позволяет: – генерировать полносвязные персептроны с компактной, менее сложной (в вычислительном смысле) структурой, не снижая точности модели; – повысить качество получаемых решений путем использования ансамбля нейросетевых классификаторов. Автоматически генерируемые модели обладают более простой структурой, что важно для систем, функционирующих в режиме реального времени, а возможность проектирования коллектива классификаторов позволяет повысить надежность системы в целом.

где Nincorrectly(ω) – число примеров из выборки, классифицированных неверно персептроном ω; Nall – общее количество примеров в выборке. Критерий 2. Вычислительная сложность: N neurons (ω) K 2(ω) = N weights (ω) + K j → min, (3) ∑ j =1

ω

Tjact/Tweight

– не зависящий от аппаратной реагде Kj = лизации коэффициент относительной сложности вычисления активационной функции j-го нейрона; Tjact – время вычисления активационной функции на j-м нейроне; Tweight – время обработки одной связи; Nneurons(ω) – число нейронов на скрытом и выходном слое модели ω; N weights (ω) – число связей в сети ω.

Библиографические ссылки 1. Stanovov V. V., Semenkin E. S. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems // Вестник СибГАУ. 2013. № 4(50). С. 148–152. 2. Khritonenko D. I., Semenkin E. S. Distributed selfconfiguring evolutionary algorithms for artificial neural networks design // Вестник СибГАУ. 2013. № 4(50). С. 112–116. 3. Akhmedova Sh. A., Semenkin E. S. Development of a new optimization metaheuristic based on cooperation of biology related algorithms // Вестник СибГАУ. 2013. № 4(50). С. 92–99. 4. Brester C., Semenkin E. Cooperative MultiObjective Genetic Algorithm with Parallel Implementation // 6th Intern. Conf. on Swarm Intelligence (ICSI 2015). Beijing, China, 2015. P. 471–478.

Значения Tjact и Tweight определяются эмпирически. Для решения поставленной задачи могут быть привлечены различные эвристические методы [1–3]. Однако в данной работе предлагается использовать коллективный генетический алгоритм, работа которого основана на сочетании нескольких эвристик [4]. Структура нейронной сети кодируется следующим образом (см. рисунок): хромосома содержит коды активационных функций каждого нейрона скрытого слоя, при этом нулевой код означает отсутствие нейрона. Входными параметрами являются множество активационных функций (с кодами) и максимальное число нейронов на скрытом слое. 27

Решетневские чтения. 2015

5. Круглов В. В., Борисов В. В. Искусственные нейронные сети: теория и практика. М. : Горячая линия – Телеком, 2002. 6. Brester C., Semenkin E., Sidorov M., Semenkina O. Multicriteria Neural Network Design in the Speech-Based Emotion Recognition Problem // Proceedings of the 12th Intern. Conf. on Informatics in Control, Automation and Robotics (ICINCO’2015). Colmar, France, 2015. Vol. 1. P. 621–628.

of biology related algorithms // Vestnik SibGAU. 2013. No. 4, рp. 92–99. 4. Brester C., Semenkin E. Cooperative MultiObjective Genetic Algorithm with Parallel Implementation // 6th International Conference on Swarm Intelligence (ICSI 2015), Beijing, China, 2015, рp. 471–478. 5. Kruglov V. V., Borisov V. V. Iskusstvennye neyronnye seti: teoriya i praktika [Artificial neural networks: theory and practice]. Moscow, Goryachaya liniya – Telecom, 2002. 6. Brester C., Semenkin E., Sidorov M., Semenkina O. Multicriteria Neural Network Design in the Speech-Based Emotion Recognition Problem // Proceedings of the 12th International Conference on Informatics in Control, Automation and Robotics (ICINCO’2015), Colmar, France, 2015. Vol. 1, рp. 621–628.

References 1. Stanovov V. V., Semenkin E. S. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems // Vestnik SibGAU. 2013. No. 4, рp. 148–152. 2. Khritonenko D. I., Semenkin E. S. Distributed selfconfiguring evolutionary algorithms for artificial neural networks design // Vestnik SibGAU. 2013. No. 4, рp. 112–116. 3. Akhmedova Sh. A., Semenkin E. S. Development of a new optimization metaheuristic based on cooperation

© Брестер К. Ю., Семенкина О. Э., Колемайнен М., 2015

___________ УДК 004.09 О ПРОГНОЗИРОВАНИИ РЫНКА ЦВЕТНЫХ МЕТАЛЛОВ Е. В. Бурдина Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Решение проблемы прогнозирования, вследствие быстрых, порой плохо предсказуемых, изменений внешней среды, за последние десятилетия стало особенно сложным. В условиях практически полной переориентации предприятий отечественной цветной металлургии на экспорт проблема прогнозирования изменения цен на цветные металлы на мировом рынке металлов приобретает особо острый характер. Ключевые слова: временные ряды, прогнозирование, рынок, цветные металлы, нейронные сети. ABOUT FORECASTING MARKET OF NONFERROUS METALS E. V. Burdina Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The forecasting problem for fast, sometimes poorly predictable changes in the external environment over the past decade has become particularly difficult. In the context of an almost complete reorientation of the domestic non-ferrous metallurgy enterprises to export the problem of forecasting changes in prices for non-ferrous metals on the world metals market has become extremely acute. Keywords: temporary series, forecasting, market, non-ferrous metals, neural networks. Необходимость прогнозирования объективна. Будущее многих явлений неизвестно, но весьма важно для решений, принимаемых в настоящий момент. Проблема прогнозирования, вследствие быстрых, порой плохо предсказуемых, изменений внешней среды, за последние десятилетия стала особенно слож-

ной. С учетом этих трудностей и критичности ошибок в прогнозах некоторые специалисты были вынуждены заговорить о тщетности прогнозирования. На самом деле прогнозирование – это обязанность, которую в явной или неявной форме неизбежно должны выполнять все организации [1]. 28

Математические методы моделирования, управления и анализа данных

канских университетских преподавателей, удачно соединивших апробированные теоретические разработки в области статистики с новейшими достижениями в программировании. Для прогнозирования с помощью статистического пакета STATISTICA были использованы метод ARIMA (АРПСС) и Exponential smoothing & forecasting (Экспоненциальное сглаживание и прогнозирование). ARIMA (АРПСС) – метод авторегрессии и проинтегрированного скользящего среднего. Этот важный класс параметрических моделей, описывающий и нестационарные ряды, имеет большое практическое значение. Exponential smoothing & forecasting – экспоненциальное сглаживание и прогнозирование. Методы экспоненциального сглаживания позволяют сгладить наблюдаемый ряд, выделить из него шум и прогнозировать будущие значения. Различные виды трендов и сезонность могут быть учтены в модели. Доступны модели с аддитивным и мультипликативным шумом [3]. Для прогнозирования с помощью нейронных сетей использовался программный продукт STATISTICA Neural Networks. Нейронные сети – это раздел искусственного интеллекта, в котором для обработки сигналов используются явления, аналогичные происходящим в нейронах живых существ. Важнейшая особенность сети, свидетельствующая о ее широких возможностях и огромном потенциале, состоит в параллельной обработке информации всеми звеньями. Другое важное свойство – способность к обучению и обобщение накопленных знаний. Натренированная на ограниченном множестве данных, сеть способна обобщать полученную информацию и показывать хорошие результаты на данных, не использовавшихся в процессе обучения. Для получения наилучших результатов использовались различные комбинации параметров и выбиралась лучшая из них. Для никеля и алюминия выбирались разные конфигурации нейронных сетей. Для никеля это был многослойный персептрон, а для алюминия – многослойный персептрон и радиальная базисная функция. Как было сказано ранее, методы прогнозирования учитывают историю, т. е. используют только те данные, которые наблюдались ранее, по которым невозможно сказать, будет ли внезапный рост цен или нет. Методы не могут спрогнозировать какие-либо случайные «скачки» данных. В данной работе в этом можно убедиться. В период, когда делался прогноз, цены и на никель, и на алюминий резко изменились [4; 5]. Этого методы не смогли спрогнозировать. И тем не менее, практически все методы после внезапных скачков продолжили нормальную работу (ошибка уменьшилась). Все методы показывают достаточно хорошие результаты, поэтому не возможно выбрать из трех методов наиболее эффективный. В дальнейшем планируется анализ работы в системе RapidMiner. Эта система обладает очень серьезным набором алгоритмов для обработки и анализа, включая обработку больших массивов данных [6].

В современных условиях практически полная переориентация предприятий отечественной цветной металлургии на экспорт, обусловленная слабым платежеспособным спросом на цветные металлы потребителей на внутреннем рынке, с одной стороны, обеспечила их эффективную работу при переходе национальной экономики на рыночные отношения, а с другой стороны, привела к значительной зависимости этого сектора экономики от колебаний конъюнктуры мирового рынка цветных металлов. В этих условиях проблема прогнозирования изменения цен на цветные металлы на мировом рынке металлов приобретает особо острый характер. Целью данной работы является определение эффективности методов прогнозирования для конкретных временных рядов – курсов цен на цветные металлы (алюминий, никель). Для достижения поставленной цели были решены следующие задачи: – выбор инструментария для решения задач прогнозирования; – анализ существующих методов прогнозирования временных рядов; – сравнительный анализ методов прогнозирования. Обработка временных рядов в настоящее время является актуальным инструментом анализа информации, накапливаемой в процессе контроля и управления технологическими процессами, мониторинга окружающей среды, исследования экономических показателей [2]. Основой методики прогнозирования являются проведение аналитического исследования, подготовка базы данных, изучение и соединение информации в единое целое. Новизна полученных результатов состоит в том, что впервые временные ряды курсов цен на цветные металлы изучены с помощью широкого набора различных методов прогнозирования. Практическая ценность работы состоит в том, что выбор методов прогнозирования временных рядов курсов цен на цветные металлы сужен до трех подходов – АРПСС, искусственные нейронные сети и экспоненциальное сглаживание. К настоящему времени проведено много исследований и получены впечатляющие практические решения проблемы прогнозирования в науке, технике, экономике и других областях. Внимание к этой проблеме обусловлено в том числе масштабами современной экономики, потребностями производства, динамикой развития общества, необходимостью совершенствования планирования на всех уровнях управления, а также накопленным опытом. Необходимость применения информационных технологий обусловлена рядом причин, в числе которых рост объемов информации, сложность алгоритмов расчета и интерпретации результатов, высокие требования к качеству прогнозов, необходимость использования результатов прогнозирования для решения задач планирования и управления. Система STATISTICA, используемая в данной работе при построении прогнозов, производится фирмой StatSoftInc., основанной в 1984 г. группой амери29

Решетневские чтения. 2015

Библиографические ссылки 1. Голубков Е. П. Маркетинговые исследования: теория, методология и практика. М. : Финпресс, 1998. 2. Еремеевский А. А., Ханов В. Х. Метод поиска заданного шаблона во временном ряду // Вестник СибГАУ. 2010. № 4(30). С. 27–29. 3. Боровиков В. П., Ивченко Г. И. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере. 4. Информационно-аналитический портал, посвященный рынкам цветных металлов, металлопроката, рудного сырья и ферросплавов [Электронный ресурс]. URL: http://www.infogeo.ru/metalls/press/?act= show&rev=156 (дата обращения: 27.05.2015). 5. Информационно-аналитический портал, посвященный рынкам цветных металлов, металлопроката, рудного сырья и ферросплавов [Электронный ресурс]. URL: http://www.infogeo.ru/metalls/press/?act= show&rev=158. (дата обращения 29.05.2015). 6. Новые информационные технологии и программы [Электронный ресурс]. URL: http://proобращения spo.ru/systeml/1360-rapidminer (дата 27.06.2015).

References 1. Golubkov E. P. Marketingovye issledovanija: teorija, metodologija i praktika. M. : Finpress, 1998. 2. Eremeevskij A. A., Hanov V. H. Metod poiska zadannogo shablona vo vremennom rjadu // Vestnik SibGAU. 2010. No. 4, p. 27–29 (In Russ.). 3. Borovikov V. P., Ivchenko G. I. Prognozirovanie v sisteme STATISTICA v srede Windows. Osnovyteorii i intensivnaja praktika na komp’jutere. 4. Informacionno-analiticheskij portal, posvjashhennyj rynkam cvetnyh metallov, metalloprokata, rudnogosyr'ja i ferrosplavov. Available at: http://www. infogeo.ru/metalls/press/?act=show&rev=156 (accessed: 27.5.2015). 5. Informacionno-analiticheskij portal, posvjashhennyj rynkam cvetnyh metallov, metalloprokata, rudnogosyr’ja i ferrosplavov. Available at: http://www. infogeo.ru/metalls/press/?act=show&rev=158 (accessed: 29.5.2015). 6. Novye informacionnye tehnologii i programmy. Available at: http://pro-spo.ru/systeml/1360-rapidminer (accessed: 27.6.2015). © Бурдина Е. В., 2015

___________ УДК 519.873 АНАЛИЗ МЕТОДОВ ПОВЫШЕНИЯ УРОВНЯ НАДЕЖНОСТИ ИНФОРМАЦИОННЫХ СИСТЕМ С. С. Бычков Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Представлены современные методы повышения уровня надежности информационных систем. Для анализа уровня надежности рассмотрены методы расчета уровня надежности информационной системы. Рассмотрены методы, позволяющие повысить уровень надежности информационной системы на различных этапах существования информационной системы, методы прогнозирования уровня надежности информационной системы, а также вероятности возникновения ошибок при эксплуатации информационной системы. Ключевые слова: математическое моделирование, оптимизация, надежность, информационная система, анализ. ANALYSING METHODS TO INCREASE LEVEL OF RELIABILITY OF INFORMATION SYSTEMS S. S. Bychkov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] Modern methods to increase the level of reliability of information systems are considered. Special mathematical methods are necessary to analyze the level of reliability of information systems. They are to increase level of reliability of information system at various stages. Special mathematical methods, up to forecast level of reliability of information system, and probability of emergency at information system the operation are studied. Keywords: mathematical modeling, optimization, reliability, information system, analysis. 30

Математические методы моделирования, управления и анализа данных

Экономическое планирование деятельности, а также эффективность деятельности организаций связана с процессом автоматизации части или всех бизнес-процессов. В этой связи возникает требование к производительности информационных систем, на основе которых реализована автоматизация. В соответствии с законодательством РФ информационно-вычислительная система (ИС) – это совокупность данных (баз данных) и программ, функционирующих на вычислительных средствах как единое целое для решения определенных задач [1], при этом надежность ИС является важным эксплуатационным параметром [2]. Существует множество определений надежности ИС, при этом они едины в своей сути. Таким образом, под надежностью принято понимать комплекс свойств ИС, которые обеспечивают выполнение заданных функций ИС с сохранением во времени и в заданных ограничениях эксплуатационных характеристик, характеристики определяются показателями, которые поддаются контролю и учету. Для расчета показателей надежности информационных систем используются различные подходы, снабженные собственными методиками. Так, принято выделять следующие подходы при оценке надежности ИС [3]: 1) динамический – использует результаты выполнения программы; 2) статический – основан на анализе различных артефактов процесса проектирования; 3) архитектурный – основаны на анализе архитектуры системы и может использовать как динамический, так и статический подходы; 4) эмпирический – использует информацию о процессе проектирования. Недостатком последнего метода является сильное искажение результатов оценки в зависимости от внесенных данных. При рассмотрении вопроса повышения надежности ИС часто обращаются к классическим методам повышения надежности ИС [4]. При этом принято выделять несколько направлений повышения надежности ИС: 1. Уменьшение наработки. 2. Снижение интенсивности отказов. 3. Улучшение восстанавливаемости. 4. Резервирование. Недостатком представленных методов является отсутствие возможности проведения спланированной работы по улучшению информационной системы, так как в результате исправления одних ошибок могут возникать новые. Также применяются методы математического моделирования, которые позволяют оценить характер ошибок в ИС и прогнозировать их появление при эксплуатации [5]. Недостатком является вероятностный подход, при этом достоверность полученных данных зависит от точности математической модели и глубины прогнозирования по времени. Использование математической модели позволяет эффективнее проводить отладку и испытания модулей ИС.

В настоящее время существует ряд математических моделей, основными из которых являются: – экспоненциальная модель изменения ошибок в зависимости от времени отладки; – модель, учитывающая дискретно-понижающуюся частоту появления ошибок как линейную функцию времени тестирования и испытаний. Представленные методы применяются отдельно друг от друга, зачастую достижение максимального эффекта от применения представленных методов заложено в применении комбинированной методики. Для решения поставленной задачи предложен алгоритм применения описанных методов в рамках работы комбинированного метода. При построении комбинированной методики анализа надежности информационной системы были выбраны следующие математические методы: − методы расчета показателей надежности информационной системы, в частности, динамический метод; − методы математического моделирования информационной системы; − методы уменьшения наработки на отказ информационной системы; − методы снижения интенсивности отказов информационной системы. Эти методы на принципиальном уровне являются самостоятельными, однако существует возможность их объединения и построения их взаимодействия. Так, методы уменьшения наработки на отказ и снижения интенсивности отказов являются методами, направленными на решение уже выявленных проблем в работе информационной системы. Динамические методы расчета показателей надежности информационной системы лучше всего работают в условиях эксплуатации информационной системы, тем самым являясь хорошим индикатором уровня надежности информационной системы. Математическое моделирование используется для прогнозирования уровня надежности информационной системы в определенный момент времени, тем самым давая возможность выявить потенциальные места возникновения ошибок при эксплуатации информационной системы. Библиографические ссылки 1. Золотарев В. В., Лапина Е. В. Системы электронного документооборота : учеб. пособие / СибГАУ. Красноярск, 2012. 96 с. 2. Надежность информационных систем : учеб. пособие / Ю. Ю. Громов [и др.]. Тамбов : Изд-во ТГТУ, 2010. 160 с. 3. Павлов И. В. Статистические методы оценки надежности сложных систем по результатам испытаний. М. : Радио и связь, 1982. 168 с. 4. Рябинин И. А. Надежность и безопасность структурно-сложных систем : монография. СПб. : Изд-во Санкт-Петербург. ун-та, 2007. 5. Кузнецов В. П. Интервальные статистические модели. М. : Радио и связь, 1991. 352 с.

31

Решетневские чтения. 2015

4. Ryabinin I. A. Nadezhnost’ i bezopasnost’ strukturno-slozhnykhsistem [Reliability and safety of structural and difficult systems]. SPb. Izdatel’stvo SanktPeterburgskogo universiteta, 2007. 5. Kuznetsov V. P. Interval’nye statisticheskie modeli [Interval statistical models]. M. : Radioisvyaz’, 1991. 352 s.

References 1. Sistemy elektronnogo dokumentooborota [Electronic document management systems] // SibGAU. Krasnoyarsk, 2012. 96 s. 2. Nadezhnost’ informatsionnykh sistem [Reliability of information systems]. Tambov : Izdatel’stvo TGTU, 2010. 160 s. 3. Pavlov I. V. Statisticheskie metody otsenki nadezhnosti slozhnykh sistem po rezul’tatam ispytaniy [Statistical techniques of reliability assessment of difficult systems on test results]. M. : Radio i svyaz’, 1982. 168 s.

© Бычков С. С., 2015

__________ УДК 519.6 СРАВНЕНИЕ ЭФФЕКТИВНОСТИ АЛГОРИТМОВ КЛАССИФИКАЦИИ ДЛЯ ЗАДАЧ ОЦЕНКИ КАЧЕСТВА ДИАЛОГОВОГО ВЗАИМОДЕЙСТВИЯ ТИПА «ЧЕЛОВЕК–ЧЕЛОВЕК»* О. А. Васьковская1, А. В. Спирина2 1

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] 2 Ульмский университет Германия, 89081, г. Ульм, аллея Альберта Эйнштейна, 43 E-mail: [email protected]

Повышение качества коммуникаций между компьютером и человеком является задачей большой размерности, встречающейся, в частности, в области пилотируемой космонавтики. Рассмотрены методы классификации для решения поставленной задачи. Ключевые слова: речевой анализ, алгоритмы классификации, диалог типа «человек–человек», эволюционное исчисление. COMPARING EFFICIENCY OF CLASSIFICATION ALGORITHMS FOR THE PROBLEM OF THE INTERACTION QUALITY MODELING IN “HUMAN–HUMAN” TASK-ORIENTED CONVERSATIONS O. A. Vaskovskaya1, A. V. Spirina2 1

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] 2 Ulm University 43, Albert Einstein Alee, Ulm, 89081, Germany E-mail: [email protected] Problem of advancing the Computer–Human communication quality is principal one, for instance, it is relevant to the field of manned cosmonautics. This article is devoted to the classification of the possible methods to solve the problem. Keywords: speech analysis, classification algorithms, ‘human–human’ type dialogue, evolutionary computation. Развитие техники и технологий играет всё более важную роль в современном мире. Неотъемлемым последствием научно-технического прогресса стало появление множества сфер, где компании (интернетпровайдеры, мобильные операторы, банки и другие организации, занимающиеся сопровождением процессов продажи продуктов, услуг и сервисного обслужи-

вания) нуждаются в выделенных подразделениях, занимающихся обработкой обращений и информированием по голосовым каналам связи, т. е. колл-центрах.* * Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации в рамках проекта RFMEF157414X0037.

32

Математические методы моделирования, управления и анализа данных

классификации, особым свойством которого является непрерывное уменьшение эмпирической ошибки классификации и увеличение зазора, поэтому метод также известен как метод классификатора с максимальным зазором [5]. 5. Искусственные нейронные сети (ИНС) – это вычислительные структуры, которые моделируют биологические процессы, обычно ассоциируемые с процессами человеческого мозга [6]. ИНС представляет собой совокупность элементов (нейронов), связанных между собой синоптическими связями. Нейронная сеть обрабатывает входную информацию, формируя выходные сигналы [7]. Кроме того, в данной работе будут использованы нейронные сети, выбор структуры, входов и настройка весовых коэффициентов которых будет осуществляться с помощью эволюционных алгоритмов. Наиболее известными представителями ЭА являются генетические алгоритмы (ГА), представляющие собой стохастические процедуры обработки информации, основанные на принципах естественной эволюции. ГА успешно применяются при решении задач классификации, но серьёзные трудности создаёт существенная зависимость эффективности таких алгоритмов от выбора их настроек и параметров. Для решения этой проблемы исследователями предлагается использование различных подходов, направленных на отказ от выбора настроек ГА за счёт сокращения числа настраиваемых параметров [8]. В данной работе будут использоваться самонастраиваемые ГА [9]. Результаты исследования будут представлены в докладе.

В связи с этим главной задачей является повышение эффективности работы за счёт совершенствования коммуникации человека и компьютерных систем. Для повышения качества диалоговой коммуникации компьютера и человека за счёт большей человекоподобности поведения компьютера следует изучить диалоги типа «человек–человек». Для оптимизации входящих и исходящих звонков, улучшения работы технической поддержки, контроля качества работы с абонентами, а также в области пилотируемой космонавтики для разработки систем автоматического мониторинга состояния экипажа космического корабля и т. п. необходимо выполнять анализ большого объёма речевой информации [1] с последующей оценкой качества речевого взаимодействия (IQ). «Interaction Quality – это метрика качества, которая используется для оценки качества взаимодействия между компьютером и человеком. Она базируется на различных характеристиках речи» [1]. Речь является самым универсальным средством коммуникации, так как в этом случае при передаче информации менее всего теряется смысл сообщения. Для анализа речевых диалогов применяются различные способы, позволяющие определить просодические (тон, громкость, темп и др.), лексические (употреблении тропов: сравнения, эпитеты, ирония и др.), паралингвистические (тембр, заполнители пауз, диалектные, социальные особенности) и другие особенности речи. Анализ и оценка качества речевого взаимодействия приводит к задачам классификации большой размерности. Для решения задачи классификации в ходе выполнения исследования могут быть использованы как классические алгоритмы классификации, реализованные в программной среде RapidMiner, так и различные интеллектуальные информационные технологии, автоматически сгенерированные при помощи эволюционных алгоритмов (ЭА). Наиболее известными из алгоритмов классификации, представленных в программной среде RapidMiner, являются: 1. Метод k ближайших соседей – метрический алгоритм классификации, основным принципом которого является то, что объект присваивается тому классу, который наиболее распространён среди его соседей [2]. 2. Байесовский классификатор – класс алгоритмов классификации, основанный на принципе максимума апостериорной вероятности. Сначала для классифицируемого объекта вычисляются функции правдоподобия каждого из классов, далее по ним вычисляются апостериорные вероятности классов. Объект относится к классу, для которого апостериорная вероятность является максимальной [3]. 3. Деревья решений – способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение. Применяется такой алгоритм для задач классификации, где целевая переменная имеет дискретные значения [4]. 4. Метод опорных векторов – набор алгоритмов обучения с учителем, использующихся для задач

Библиографические ссылки 1. Spirina А. V., Semenkin E. S., Schmitt A., Minker W. Interaction Quality in Human-Human Conversations: Problems and Possible Solutions // J. of SFU Mathematics & Physics. 2015. № 8. P. 217–223. 2. Altman N. S. An introduction to kernel and nearest-neighbor nonparametric regression // The American Statistician. 1992. № 46. P. 175–185. 3. Domingos P., Pazzani M. On the optimality of the simple Bayesian classifier under zero-one loss // Machine Learning. 1997. № 29. P. 103–137. 4. Quinlan J. R. Simplifying decision trees // International J. of Man-Machine Studies. 1987. № 27. P. 221–234. 5. Cortes C., Vapnik V. Support-vector networks // Machine Learning. 1995. № 20. P. 273–297. 6. Haykin S. Neural networks: a complete course. M. : Williams, 2006. 1104 p. 7. Зайцев И. В. Нейронные сети: основные модели. Воронеж, 1999. 76 с. 8. Vaskovskaya О. A. Performance evaluation of adaptive evolutionary algorithms // Youth. Society. Modern science, technologies & innovations : Electronic Collection of papers of the XIV-th Intern. Scientific Conference. Krasnoyarsk, 2015. P. 197–199. 9. Mühlenbein H., Sсhlierkamp-Voosen D. Strategy Adaptation by Сompeting Subpopulations // Parallel Problem Solving from Nature III. 1994. P. 199–208. 33

Решетневские чтения. 2015

6. Haykin S. Neural networks: a complete course. M. : Williams, 2006. 1104 p. 7. Zaentsev I. V. Neural networks: basic models. Voronezh, 1999. 76 p. 8. Vaskovskaya О. A. [Performance evaluation of adaptive evolutionary algorithms]. Electronic Collection of papers of the XIV-th International Scientific Conference “Youth. Society. Modern science, technologies & innovations”. Krasnoyarsk, 2015, рp. 197–199. 9. Mühlenbein H., Sсhlierkamp-Voosen D. [Strategy Adaptation by Сompeting Subpopulations] // Parallel Problem Solving from Nature III. 1994, рp. 199–208.

References 1. Spirina А. V., Semenkin E. S., Schmitt A., Minker W. [Interaction Quality in Human-Human Conversations: Problems and Possible Solutions] // Journal of SFU Mathematics & Physics. 2015. No. 8, рp. 217–223. 2. Altman N. S. [An introduction to kernel and nearest-neighbor nonparametric regression] // The American Statistician. 1992. No. 46, рp. 175–185. 3. Domingos P., Pazzani M. [On the optimality of the simple Bayesian classifier under zero-one loss] // Machine Learning. 1997. No. 29, рp. 103–137. 4. Quinlan J. R. [Simplifying decision trees] // International Journal of Man-Machine Studies. 1987. No. 27, рp. 221–234. 5. Cortes C., Vapnik V. [Support-vector networks] // Machine Learning. 1995. No. 20, рp. 273–297.

© Васьковская О. А., Спирина А. В., 2015

___________ УДК 519.87 ИССЛЕДОВАНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ АНАЛИЗА КОММУНИКАТИВНОЙ КОРРЕСПОНДЕНЦИИ* Д. В. Дресвянский Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматривается решение задач анализа коммуникативной корреспонденции. Проведено сравнение эффективности известных методов классификации и ансамблей из этих методов. К некоторым методам классификации применен бустинг. Выбраны наилучшие варианты решения каждой задачи стандартными алгоритмами системы RapidMiner. Ключевые слова: спам, фишинг, распознавание, классификация, ансамбли, бустинг. INVESTIGATION OF INTELLIGENT INFORMATION TECHNOLOGIES OF COMMUNICATIVE CORRESPONDENCE ANALYSIS D. V. Dresvyanskiy Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] We consider the problem of communicative correspondence analysis. A comparison of the effectiveness of known classification methods with their ensembles is fulfilled. Boosting is applied for some of classification methods. The best variants solving each problem with standard algorithms of RapidMiner are chosen. Keywords: spam, fishing, identification, classification, ensembles, boosting. лью которого является получение доступа к конфиденциальным данным пользователей – логинам и паролям, номерам кредитных карт, электронной почте и т. д.* С помощью таких конфиденциальных данных пользователя мошенник может нанести пользователю серьезный ущерб, как моральный, так и материальный.

Спам – это массовая рассылка любой рекламы или иного вида сообщений лицам, которые не давали согласие на ее получение. Следует отличать спам от легальных почтовых рассылок, которые, хотя и во многом повторяют многие черты спама, являются запрошенными пользователем и должны доставляться ему. Однако, помимо спама, в электроном письме от якобы знакомого человека может содержаться ссылка на какой-нибудь сайт. Этот сайт может быть фишинговым. Фишинг – вид интернет-мошенничества, це-

* Работа выполнена при поддержке Министерства образования и науки Российской Федерации в рамках проекта RFMEF157414X0037.

34

Математические методы моделирования, управления и анализа данных

Защита пользователя от такого рода покушений является важной проблемой, а разработка и исследование соответствующих интеллектуальных информационных технологий анализа коммуникативной корреспонденции представляет собой серьезную научную задачу. При выполнении исследований использовались 2 базы данных, с помощью которых система обучалась распознавать, является ли спамом электронное письмо и является ли сайт, ссылка на который содержится в письме, фишинговым. Для обучения системы были применены 8 методов классификации объектов, реализованные с помощью программы RapidMiner [1]: нейронная сеть (Neural Net) [2], метод k ближайших соседей (k-NN) [3], деревья решений (Decision Tree) [4], индуктивный вывод правил (Rule Induction) [3], метод опорных векторов (Support Vector Machine) [3], многослойный персептрон (Multilayer Perceptron) [4], наивный байесовский классификатор (Naive Bayes) [3], метод логистической регрессии (Logistic Regression) [3]. Результаты каждого метода были сравнены по Т-критерию Стьюдента. Для решения упомянутых задач определялись три самых эффективных метода, которые по критерию Стьюдента (t-test) не обладают значимыми статистическими различиями между собой, но имеют их в сравнении с остальными используемыми методами. Эти лучшие методы, а также их эффективность (процент правильно распознанных ситуаций) представлены в табл. 1. Для того чтобы улучшить точность классификации, было решено создать ансамбли из лучших

методов в каждой задаче и сравнить их с ансамблями, состоящими из всех используемых методов. Кроме того, для повышения эффективности был применен бустинг по алгоритму AdaBoost (сокращение от Adaptive Boosting). Методы, подвергшиеся бустингу, были собраны в ансамбли с остальными методами, указанными в данной работе. Результаты приведены в табл. 2. Как оказалось, ансамбли из наилучших методов справляются с классифицированием немногим более эффективно, чем сами методы по отдельности, т. е. смысла в применении таких ансамблей для повышения эффективности нет. В то же время, эффективность ансамбля, состоящего из всех методов, в задаче распознавания спама ощутимо увеличилась, а в задаче распознавания фишинговых сайтов, наоборот, снизилась. Добавление в ансамбль методов, подвергшихся бустингу, дает аналогичный эффект. Таким образом, результаты оказались неоднозначными, что не позволяет однозначно выбрать наилучший подход в задачах анализа коммуникативной корреспонденции. Это значит, что необходимо строить более мощные и лучше адаптивные методы, которые смогут автоматически настраиваться на решаемую задачу. Сделать это в рамках используемой системы RapidMiner не представляется возможным, поэтому следует использовать другие подходы. Примером такого подхода является генетическое программирование [5; 6], особенно в самоадаптивном варианте [7].

Таблица 1 Эффективность наилучших методов в каждой задаче классификации Задача классификации Распознавание спама

Наилучшие методы Neural Net: 91,8 ± 1,4 % Multilayer Perceptron: 91,8 ± 1,2 % Rule Induction: 90,6 ± 2,5 % Neural Net: 95,9 ± 0,6 % Multilayer Perceptron: 96,2 ± 0,7 % k-NN: 96,1 ± 0,7 %

Распознавание фишинговых сайтов

Таблица 2 Эффективность ансамблей Задача классификации Распознавание спама Распознавание фишинговых сайтов

Эффективность ансамбля, состоящего из наилучших методов, % 92,0

Эффективность ансамбля, состоящего из всех имеющихся методов, % 93,8

97,4

94,5

Методы, подвергшиеся бустингу, и эффективность ансамбля, % Neural Net, Rule Induction, 95,22 Neural Net, 94,75

3. Fayyad U. M., Piatetsky-Shapiro G., Smyth P., and Uthurusamy R. Advances in Knowledge Discovery and Data Mining // The AAAI Press, 1996. 4. Antipov E. A., Pokryshevskaya E. B. Mass appraisal of residential apartments: An application of Random forest for valuation and a CART-based approach

Библиографические ссылки 1. RapidMiner [Электронный ресурс]. URL: https://rapidminer.com/ (дата обращения: 23.06.2015). 2. Hinton G. [et al.]. Deep Neural Networks for Acoustic Modeling in Speech Recognition // IEEE Signal Processing Magazine. 2012. Vol. 29, № 6. Р. 82–97. 35

Решетневские чтения. 2015

for model diagnostic // Expert Systems with Applications. 2012. Vol. 39, № 2. P. 1772–1778. 5. Семенкин Е. С., Шабалов А. А., Ефимов С. Н. Автоматизированное проектирование коллективов интеллектуальных информационных технологий методом генетического программирования // Вестник СибГАУ. 2011. № 3(36). С. 77–81. 6. Семенкин Е. С., Семенкина М. Е. Применение генетического алгоритма с модифицированным оператором равномерной рекомбинации при автоматизированном формировании интеллектуальных информационных технологий // Вестник СибГАУ. 2007. № 3(16). С. 27–33. 7. Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover // 2012 IEEE Congress on Evolutionary Computation, CEC. 2012. С. 6256587.

3. Fayyad U. M., Piatetsky-Shapiro G., Smyth P., and Uthurusamy R. Advances in Knowledge Discovery and Data Mining // The AAAI Press, 1996. 4. Antipov E. A., Pokryshevskaya E. B. Mass appraisal of residential apartments: An application of Random forest for valuation and a CART-based approach for model diagnostic // Expert Systems with Applications. 2012. Vol. 39, no. 20, рр. 1772–1778. 5. Semenkin E. S., Shabalov A. A., Efimov S. N. Automated design of intelligent information technologies with genetic programming method // Vestnik SibGAU. 2011. No. 3(36), рр. 77–81. 6. Semenkin E. S., Semenkina M. E. Application of genetic programming algorithm with modified uniform crossover operator for automated design of intelligent information technologies // Vestnik SibGAU. 2007. No. 3(16). С. 27–33. 7. Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover // 2012 IEEE Congress on Evolutionary Computation, CEC, 2012. С. 6256587.

References 1. RapidMiner [Electronic resource]. URL: https:// rapidminer.com/ (accessed: 23.06.2015). 2. Hinton G., Deng L., Yu D., Dahl G., Mohamed A., Jaitly N., Senior A., Vanhoucke V., Nguyen P., Sainath T. and Kingsbury B. Deep Neural Networks for Acoustic Modeling in Speech Recognition // IEEE Signal Processing Magazine, 2012. Vol. 29, no. 6, pp. 82–97.

© Дресвянский Д. В., 2015

______________________________________________ УДК 004.932:94, 001.891.57, 004.413.5, 004.415.5:532 МОДИФИКАЦИЯ КОЛИЧЕСТВЕННОЙ ОЦЕНКИ ДЕТЕКТОРОВ ГРАНИЦ ПРЭТТА–ЯСКОРСКОГО Д. В. Дубинин1, А. И. Кочегуров2, В. Е. Лаевский3 (V. Geringer) 1

Томский государственный университет систем управления и радиоэлектроники Российская Федерация, 634050, г. Томск, просп. Ленина, 40 2 Национальный исследовательский Томский политехнический университет Российская Федерация, 634050, г. Томск, просп. Ленина 30 3 Государственный объединённый университет Баден-Вюртемберга, инженерный факультет Германия, 88045, г. Фридрихсхафен, Фалленбрунен, 2 Е-mail: [email protected] В результате исследования комплексного метода, предложенного в работе I. Boaventura и A. Gonzaga, были отмечены завышенные значения критерия Прэтта (Pratt’s Figure of Merit) при малых отношениях с/ш (PSNR – Peak Signal-to-Noise Ratio). В связи с этим в работе представлены результаты количественной оценки детекторов границ с использованием классического критерия Прэтта, предложений по модификации Яскорского и необходимым обобщением и доработкой обоих подходов с точки зрения интеграции в среду программного комплекса стохастического моделирования «КИМ СП». Аппроксимация эталонных изображений произведена с использованием двумерного точечного потока восстановления, обладающего свойствами стационарности, отсутствием последствий, ординарности. Эффективность предлагаемой метрики приведена для трех алгоритмов оконтуривания (Marr-Hildreth, ISEF и Canny) при различных уровнях аддитивного нормального шума. Приведены оценки ошибок первого и второго рода. Результаты стохастического моделирования показывают эффективность предлагаемого подхода. Ключевые слова: стохастическое моделирование, эталонное изображение, оконтуривание, критерий качества, оценки эффективности, сравнение алгоритмов. 36

Математические методы моделирования, управления и анализа данных

MODIFICATION PRATT FIGURE OF MERIT D. V. Dubinin1, A. I. Kochegurov2, V. E. Geringer3 (В. Е. Лаевский) 1

Tomsk State University of Control Systems and Radioelectronics 40, Lenin Av., Tomsk, 634050, Russian Federation 2 National Research Tomsk Polytechnic University 30, Lenin Av., Tomsk, 634050, Russian Federation 3 Baden-Württemberg Cooperative State University, Faculty of Engineering, Campus FN 2, Fallenbrunnen, Friedrichshafen, D-88045, Germany Е-mail: [email protected] As a result of the study the complex method is proposed in the paper of I. Boaventura and A. Gonzaga, the conservative values of Pratt Figure of Merit under low PSNR (Peak Signal-to-Noise Ratio) are observed. In this regard, the paper presents the results of the quantitative estimate of the edge detection using classical Pratt criteria, proposals by Yaskorski modification and necessary generalization and follow-up revision of both approaches in terms of integration into the framework of the stochastic modeling bundled software “CS sF”. Approximation of the reference images has been performed using the two-dimensional Markoff-Renewal-Process with the properties of stationary state, with no consequences and of ordinariness. The efficiency of the proposed metrics is given to three edging algorithms (Marr-Hildreth, ISEF and Canny) under various levels of the additive normal noise. There the estimations of the type 1 and 2 errors are presented. Results of the stochastic computer simulation show the effectiveness of the proposed approach. Keywords: stochastic computer simulation, reference image, edge detection, quality metrics, performance evaluation, comparison of algorithms. ляющую с нормальным законом распределения и заданным отношением сигнал/шум (с/ш); 3) провести выделение границ различными контурными детекторами; 4) интегрировать различные модификации критерия Прэтта в среду «КИМ СП»; 5) оценить качество выделения границ. Математическая формализация задачи. Очень часто для проведения сопоставления полученных результатов используется классическая метрика Прэтта [1]. Её общий вид можно представить в виде IA 1 1 FOM = , (1) ∑ max { I I , I A } i =1 1 + α ⋅ d (i )2

В настоящее время большой круг научнотехнических задач связан с использованием такой формы представления информации, как изображение. Изображения являются одновременно результатом и объектом исследований в космонавтике, навигации, дистанционном зондировании земной поверхности и во многих других областях человеческой деятельности. Получение контурного рисунка изображения – один из основополагающих этапов обработки изображений, проведения анализа изображений и распознования образов. В данной работе представлены результаты стохастического моделирования оценки качества получения контурного рисунка изображения на основе критерия, предложенного Прэттом [1], его модификации – работы Яскорского [2] и обобщения критерия качества с учётом трёх основных типов ошибок: а) локальных смещений (LE – localization error); б) утолщений (MRE – multiples responses error); в) разрывов (OE – omission error) [3]. Цель работы. В результате исследования комплексного метода, предложенного в [4], были отмечены завышенные значения критерия Прэтта (Pratt's Figure of Merit) при малых отношениях с/ш. Поэтому целью данной работы является получение модификации метрики Прэтта, предложенной Яскорским, при условии обобщения метрикой трёх основных типов ошибок, вносимых операторами поиска и локализации границ, адаптация обобщённой метрики в среде комплекса «КИМ СП» [5], оценка возможности выбора алгоритма детектирования. Этапы моделирования. Для достижения этой цели были решены следующие задачи: 1) сформировать с помощью комплекса «КИМ СП» эталонные изображения с определёнными морфологическими и статистическими свойствами; 2) ввести шумовую состав-

где II и IA – число элементов в идеальном и реальном контурных изображениях; d(i) – величина смещения iго элемента найденного контура по нормали к линии идеального контура; α – масштабный множитель, учитывающий величину штрафа, вызванного смещённым контуром. При адаптации оригинальной записи (1) была учтена специфика подготовки эталонных изображений в среде «КИМ СП». Эталонные изображения формируются на основе векторного описания контурного рисунка. Априорное знание положений контуров в эталонном изображении позволяет представить общий вид метрики Прэтта как II 1 1 , FOM LE = (2) ∑ I I − CN i =1 1 + α ⋅ d (i ) 2 где СN – число точек в реальном контурном изображении, не участвующих в расчёте метрики (величина смещения i-й точки найденного контура по нормали к линии идеального контура превышает размеры анализируемой области (5×5), d > 2). Проводя учёт утолщений контурного поля, его смазывания, вводим составляющую 37

Решетневские чтения. 2015

FOM MRE =

1 I I − CNC

II

1

∑ 1 + β ⋅ b(i)2 ,

где N – количество анализируемых областей (в данной работе 5×5); χ – масштабный множитель, учитывающий величину штрафа, вызванного количеством пропущенных точек в отдельно взятой области; n(j) – общее количество пропущенных точек контура в j-й анализируемой области. Проводя обобщение результатов, предлагается объединить три составляющие (2), (3) и (4) на основе мультипликативного критерия качества и представить его в форме

(3)

i =1

где СNС – число элементов в реальном контурном изображении, не участвующих в расчёте метрики (например, центральная точка элемента 170 алфавита морфологии «А», изображение которого является пересечением вертикальной и горизонтальной линий в центре рабочей области, что не позволяет производить учёт центральной точки); β – масштабный множитель, учитывающий величину штрафа, вызванного утолщением (смазыванием) контурной линии; b(i) – количество смазанных точек идеального контура в i-й области. Таким образом, метрика Прэтта позволяет производить учёт локально смещённых (localization error), смазанных и утолщённых границ (multiples responses error). К недостаткам обоих представлений (2) и (3), необходимо отнести плохую реакцию метрик на пропуски элементов границ контура и длину разрывов (последовательность элементов контура, примыкающих друг к другу). Как следствие – завышенное значение метрик при оценке растрового контурного поля, полученного при малых отношениях с/ш. В работе Яскорского [2] был показан один из возможных путей решения этой проблемы. Используя одно из предложений Яскорского по модификации критерия Прэтта, запишем: 1 N 1 FOM OE = ∑ (4) , N j =1 1 + χ ⋅ n( j ) 2

MPFOM = FOM LE * FOM MRE * FOM OB ,

(5)

где MPFOM – Modification Pratt’s Figure of Merit. Результаты. Предложенная методика была проверена с помощью моделирования в среде «КИМ СП». Используя двумерный точечный поток восстановления, были получены эталонные изображения морфологии «А» [6]. На рис. 1, 2 показаны зависимости показателей качества детектирования границ от отношения сигнал/шум для трех операторов выделения границ. На рис. 3 представлены результаты качества детектирования теми же операторами выделения границ, проведенные по методике оценки ошибок первого и второго рода [4]. При сравнении результатов, показанных на рис. 1, рис. 2, с результатами, приведенными на рис. 3, следует учитывать, что лучшему детектированию соответствуют большие значения FOMLE, FOMMRE, FOMOE и MPFOM и меньшие значения ошибок Pnd и Pfa.

Рис. 1. FOMLE и FOMMRE для эталонных изображений морфологии «A»

Рис. 2. FOMOE и MPFOM для эталонных изображений морфологии «A»

38

Математические методы моделирования, управления и анализа данных

Рис. 3. Ошибки Pnd (первого) и Pfa (второго рода) для эталонных изображений морфологии «A»

Заключение. Полученные результаты численных экспериментов на программно-алгоритмическом комплексе «КИМ СП» показали, что модифицированный показатель качества Прэтта (5) может быть использован для объективной оценки качества алгоритмов поиска и локализации границ. Проведенные исследования позволили выделить области предпочтения каждого из алгоритмов в зависимости от отношения с/ш и типа морфологии.

References 1. Abdou I., Pratt W. Quantitative Design and Evaluation of Enhancement/Thresholding Edge Detectors // Proceedings of the IEEE (ISSN 0018-9219), 1979. Vol. 67, no. 5, рp. 753–763. 2. Yaskorsky A. V. Kriterii otsenki kachestva raboty detektorov konturov [Criteria for the performance evaluation of the edge detectors] // Optoelectronics, Instrumentation and Data Processing. 1987. No. 3, рp. 127–128 (In Russ.). 3. Nguyen T. B., Zhou D. Contextual and NonContextual Performance Evaluation of Edge Detectors, Pattern Recognition Letters 2, 2000. Vol. 21, no. 9, рp. 805–816. 4. Boaventura I., Gonzaga A. Method to Evaluate the Performance of Edge Detector // SIBGRAPI 2009, XXIInd Brazilian Symposium on Computer Graphics and Image Processing, Rio de Janeiro, 2009, рp. 1–3. 5. Dubinin D., Geringer V., Kochegurov A. Reif Bundled Software for Simulation Modeling // In: Proceedings of the International Symposium on Signals, Circuits and Systems (ISSCS 2013). Romania, Iasi: ISSCS Press (IEEE Catalog Number: CFP13816-CDR), 2013, pp. 1–4. 6. Dubinin D., Kochegurov A., Laevski V. Metodika modelirovaniya sluchaynykh yarkostnykh poley, approksimirovannykh odnorodnymi odnourovnevymi markovskimi tsepyami [A Particular Method of Generating Stochastic Intensity Fields by twodimensional Semi-Markov Model] // Journal of Information Sciences, Novosibirsk: ”ICM & MG SB RAS” Publisher, 2011. No. 4(12), рp. 35–40 (In Russ.).

Библиографические ссылки 1. Abdou I., Pratt W. Quantitative Design and Evaluation of Enhancement/Thresholding Edge Detectors // Proceedings of the IEEE (ISSN 0018-9219). 1979. Vol. 67, № 5. P. 753–763. 2. Яскорский А. В. Критерии оценки качества работы детекторов контуров // Автометрия. 1987. № 3. C. 127–128. 3. Nguyen T. B., Zhou D. Contextual and NonContextual Performance Evaluation of Edge Detectors // Pattern Recognition Letters 2. 2000. Vol. 21, № 9. P. 805–816. 4. Boaventura I., Gonzaga A. Method to Evaluate the Performance of Edge Detector // SIBGRAPI 2009, XXIInd Brazilian Symposium on Computer Graphics and Image Processing, Rio de Janeiro, 2009. P. 1–3. 5. Dubinin D., Geringer V., Kochegurov A. Reif Bundled Software for Simulation Modeling // Proceedings of the International Symposium on Signals, Circuits and Systems (ISSCS 2013). Romania, Iasi: ISSCS Press (IEEE Catalog Number: CFP13816-CDR). 2013. P. 1–4. 6. Дубинин Д. В., Кочегуров А. И., Лаевский В. Е. Методика моделирования случайных яркостных полей, аппроксимированных однородными одноуровневыми марковскими цепями // Проблемы информатики. 2011. № 4(12). C. 35–40.

© Дубинин Д. В., Кочегуров А. И., Лаевский В. Е., 2015

39

Решетневские чтения. 2015

УДК 004.89 ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ И ТЕХНОЛОГИИ В. Б. Звонков Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Рассмотрены некоторые направления исследований в рамках III Международной летней школы-семинара по искусственному интеллекту ISyT-2015. Представлены исследования автора в данном направлении. Ключевые слова: искусственный интеллект, оптимизация, искусственные нейронные сети, машинное обучение. INTELLIGENT SYSTEMS AND TECHNOLOGIES V. B. Zvonkov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] Some areas of artificial intelligence have been described in the III International summer school-seminar ISyT-2015. Author’s research is represented in this direction. Keywords: artificial intelligence, optimization, artificial neural networks, machine learning. рены методы индуктивного и дедуктивного формирования понятий, алгоритмы аргументации рассуждений. А. А. Кулинич из ИПУ РАН сделал доклад на тему «Модель командного поведения агентов (на примере футбола роботов)». Предложена математическая модель командной работы агентов на основе критериев полезности агентов и их когнитивных диссонансов. На основе предложенной модели разработана имитационная модель игры агентов (роботов) в виртуальный футбол. Индивидуальные отличия агентов по скорости перемещения создают условия самоорганизации в команде. Моделирование эгоистичного поведения агентов одной из команд выявило факт уменьшения когнитивного диссонанса этих агентов (все агенты забивают равное число голов) и увеличения индивидуальной игры, что выражается в сокращении числа пасов в эгоистичной команде. Предложенная модель может служить алгоритмической основой для реализации поведения автономных роботов в задачах кооперации в сложных динамических ситуациях и в условиях противодействия противников. В. Б. Бритков, Г. В. Ройзензон из Института системного анализа РАН представили работу «Об одном подходе определения перспективных направлений инновационного развития». Была разработана методология и система критериев, позволяющая определять перспективные направления исследований из больших данных в наукометрии. Были рассмотрены существующие интернет-системы семантического анализа НИР: Scopus, Web of Science, eLibrary, Google Scholar, Exactus Expert и т. д. Рассмотрен синергети-

Автором было принято очное участие с докладом и пройдена программа школы-семинара [2] в ТверьПротасово 1-5 июля 2015 года. Моделирование поведения и игры роботов, оптимизация, генерация случайных чисел, кооперативное поведение и альянсы, модели генетических алгоритмов (ГА), искусственных нейронных сетей (ИНС), экспертных систем – только некоторые из докладов ученых, студентов и аспирантов. В. Г. Редько из НИИ системных исследований РАН сделал доклад на тему «Моделирование взаимодействия между обучением и эволюцией»: были рассмотрены предпосылки моделирования взаимодействия между обучением и эволюцией, модели предшественников (Hinton, Nowlan, 1987; Mayley, 1997), каноническая модель эволюции, т. е. модель квазивидов (Эйген, 1971), оценки скорости и эффективности эволюции, модель взаимодействия между обучением и эволюцией на основе метода проб и ошибок в метрике Хемминга и отбора на основе рулеточного метода, механизм генетической ассимиляции, эффект экранирования и влияние нагрузки на обучение и другие вопросы. В. Н. Вагин и О. Л. Моросин сделали доклад на тему «Правдоподобные рассуждения. Машинное обучение. Аргументация». «Информационный взрыв» привёл к необходимости развития методов машинного обучения на обучающих выборках. На входы алгоритмов подаются объекты с атрибутами (номинальные и числовые). Решались задачи обобщения с помощью нейронных сетей, байесовских сетей доверия, деревьев решений, ГА и эволюционного программирования, теории приближённых множеств. Рассмот40

Математические методы моделирования, управления и анализа данных

ческий подход в задаче анализа больших данных В. Б. Тарасова (2001) (семантический анализ в сочетании с методами многокритериального экспертного оценивания). О. П. Кузнецов, Л. Ю. Жилякова из Института проблем управления имени В. А. Трапезникова РАН сделали доклад «Динамические процессы в больших сетях». Сложные (большие) сети – это графы, содержащие более десятков тысяч вершин (сети авиационных линий, социальные сети, нейронные сети и др.). Кластеры – подграфы, близкие к полным. Теория случайных графов была создана в середине ХХ века венгерскими математиками П. Эрдешем и А. Реньи. Динамика сложных сетей включает в себя динамику топологии (модели роста и модели случайной эволюции) и динамику состояний при фиксированной топологии (потоковые модели, распространение активности). Для биологических объектов динамика топологии – это процессы развития (медленное время); динамика состояний – текущие процессы (быстрое время). А также были рассмотрены другие вопросы из области нейрофизиологии и когнитивных процессов. Я. Б. Казанович из Института математических проблем биологии РАН сделал доклад на тему «Как животные ориентируются в пространстве? Экспериментальные факты и модели». Нобелевская премия была присуждена Джону О’Кифу и Мэй-Бритт и Эдварду Мозерам за открытие клеток места в гиппокампе. Это нейроны, позволяющие ориентироваться в пространстве путем построения «карты местности» (1971). Клетки решетки в энторинальной коре – это нейроны, формирующие гексагональную решетку для представления координат на местности (2005). Конкурирующие работы: нейроны распознавания лиц (Эдмунд Роллс, 1984), зеркальные нейроны (Джакомо Риццолатти, 1996), нейроны времени (Эйхенбаум, 2007). Автором были объединены два доклада [1] и [2] в один в силу их логической взаимосвязи. ЭА, ЭС, ГА используются при решении различных задач, но проблемой на сегодняшний день является необходимость их выбора и настройки. Если существует достаточно много подходов по самонастройке (EDA – в западной зарубежной литературе), то по самоорганизации их пока не существует. Предложенный алгоритм отличается от аналогов введением взвешивающей функции вероятностей, параметра количества поколений для набора статистики и других параметров. Разработанные модификации ГА одно- и многокритериальной оптимизации (SPEA), автоматического выбора и настройки структур комитетов ИНС были апробированы на различных тестовых (35 задач одно- и многокритериальной оптимизации с западных зарубежных конференций по ЭА, а также разработанных автором работ, 5 задач нейросетевой аппроксимации функций) и прикладных задачах моделирования (гидротурбина), оптимизации (задачи простого и синдицированного кредитования российских предприятий и банков), прогнозирования (евро и доллара США на основании нейросетевого анализа исторических данных от 01.01.1999 г. и 01.07.1992 г. с сайта ЦБ РФ и приме-

нения методов фундаментального анализа мировой экономической и политической ситуации). Первоначально была решена задача построения общего тренда во временных рядах, затем был получен более точный прогноз. Были введены 2 критерия прогнозирования курсов валют: относительная ошибка прогнозирования в % и процент правильных предсказаний повышения или понижения курса (например, это бывает нужно трейдерам на биржах или в игре «Что? Где? Когда?»). Были выработаны рекомендации по настройке и использованию нейроэволюционных методов в ручном режиме. Разработанные алгоритмы были реализованы в виде трёх программных систем с дружественным пользовательским интерфейсом на языке высокого уровня С++ в средах программирования Visual Studio и C++ Builder и зарегистрированы в Роспатенте. Исследования проводились с использованием методов имитационного моделирования (многократные прогоны по 500 или 1000 запусков с последующим расчётом выборочного среднего, разброса, среднеквадратического отклонения), нейроэволюционных методов, исследования операций, статистических методов проверки гипотез (Wilcoxon matched pair test для проверки нулевой гипотезы об извлечении пары выборочных значений критериев эффективности из одной генеральной совокупности; ANOVA – аналогично множественный анализ различий). Перебор множества настроек алгоритмов осуществлялся на конечных дискретных множествах мощностью 360 и 1800 для задач безусловной и условной оптимизации соответственно для стандартного ГА. Первоначально решались задачи оптимизации функций двух переменных, затем алгоритм был обобщен и применен к решению задач оптимизации гибридных функций 20 переменных с конференции CEC-2005. Строились графики сходимости ГА: минимальная, средняя и максимальная пригодность по популяции увеличивается при увеличении номера поколения. Общие настройки: 20 нейронов на 20 скрытых слоях, разделение имеющейся выборки на обучающую и экзаменующую случайным образом в соотношении 90 % и 10 %. Алгоритм обратного распространения ошибки: скорость обучения – 0,3, момент инерции – 0,2, число эпох – 2000. Самоорганизующийся бинарный ГА: 15 активационных функций, автоматический выбор методов и настройка параметров. Предобработка данных: выборка официальных курсов евро не нормализовалась, выборка доллара США нормализовалась изза дефолта 1998 года. Эксперименты проводились в различных ОС Windows и Linux и на 8 одно- и многоядерных конфигурациях ЭВМ. Библиографические ссылки 1. Звонков В. Б. О сложностях и механизмах прогнозирования евро // Системный анализ и информационные технологии : сб. науч. тр. VI Междунар. конф. Калининград, 2015. 13 с. 2. Звонков В. Б. Прогнозирование евро и доллара США самоорганизующимися алгоритмами на аппаратно-программных комплексах // Интеллектуальные системы и технологии: современное состояние и пер41

Решетневские чтения. 2015

спективы : тр. III Междунар. летней школы-семинара по искусственному интеллекту для студентов, аспирантов и молодых ученых (1–5 июля 2015, г. Тверь), ТГТУ, 2015. 10 с.

2. Zvonkov V. B. Forecasting of Euro and Dollar USA courses with self-organizing algorithms and various hardware-software complexes // Intelligent systems and technology: current status and prospects. Proceedings of the International summer school-seminar on artificial intelligence for students, post-graduate students and young scientists (1–5 July 2015). Tver : Tver state technical university, 2015. 10 p. (in Russ.).

References 1. Zvonkov V. B. Complexities and mechanisms of euro forecasting about // Proceedings of the six International conference “System analysis and information technologies”. Kaliningrad, 2015. 13 p. (in Russ.).

© Звонков В. Б., 2015

__________ УДК 004.93 ПРОЕКТИРОВАНИЕ НЕЙРОСЕТЕВОГО КЛАССИФИКАТОРА ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ ЭМОЦИЙ* И. А. Иванов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] При использовании алгоритмов машинного обучения для решения практических задач возникает проблема настройки параметров алгоритма. Использовался алгоритм многокритериальной оптимизации для поиска коллектива Парето оптимальных нейронных сетей применительно к задаче распознавания эмоций человека по аудио- и видеоинформации. Ключевые слова: многокритериальная оптимизация, нейронные сети, распознавание эмоций, коллектив классификаторов, синтез мультимодальных данных. NEURAL NETWORK CLASSIFIER DESIGN TO SOLVE EMOTION RECOGNITION PROBLEM I. A. Ivanov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] Using machine learning algorithms to solve practical problems is connected with the problem of algorithm's parameter tuning. In this work we use a multi-objective optimization algorithm to search for the ensemble of Pareto optimal neural networks, which is used to solve the human emotion recognition problem based on audio and visual information. Keywords: multi-objective optimization, neural networks, emotion recognition, ensemble of classifiers, multimodal data fusion. Введение. Решение задач машинного обучения состоит из нескольких этапов: получение и предобработка «сырых» данных для формирования обучающей и тестовой выборки, снижение размерности признакового пространства, применение алгоритма обучения для классификации. Последний этап, включающий в себя выбор алгоритма и настройку его параметров, является очень важным, так как зачастую качество решения задачи машинного обучения очень сильно зависит от оптимальной настройки выбранного алгоритма. В данной работе рассмотрено применение многокритериального метода к настройке нейросетевых классификаторов на примере задачи классифика-

ции эмоций с целью повышения точности классификации.* Задача распознавания эмоций. Эмоция – психический процесс средней продолжительности, отражающий субъективное оценочное отношение к существующим или возможным ситуациям. Эмоции отличаются от таких процессов, как аффект, чувство и настроение [1]. Эмоции характеризуются валентностью (тоном), т. е. могут быть положительными или отрицательны*

Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037.

42

Математические методы моделирования, управления и анализа данных

ми, интенсивностью, стеничностью (побуждать к действию или расслаблять), а также содержанием. Различают семь основных эмоций: страх, счастье, отвращение, злость, грусть, удивление и нейтральное состояние. Мимика является универсальным способом проявления эмоций людьми вне зависимости от расовой и социальной принадлежности. В данной работе решается задача распознавания семи основных эмоций по видеозаписи мимики человека и аудиозаписи его голоса. Для этого используется база данных SAVEE [2], включающая 480 видеозаписей мимики 4 лиц мужского пола, имитирующих 7 основных эмоций. Из аудио- и видеозаписей были извлечены количественные признаки с помощью программы openSMILE [3] и алгоритмов Quantized Local Zernike Moments (QLZM) [4], Local Binary Patterns (LBP) и Local Binary Patternson Three Orthogonal Planes (LBP-TOP). Извлеченные аудио- и видеопризнаки были также объединены в общую выборку, чтобы проверить, приведет ли синтез мультимодальных данных к улучшению точности классификации эмоций. Многокритериальная оптимизация нейросетевых классификаторов. Для решения описанной задачи распознавания была выбрана нейронная сеть прямого распространения, так как гибкая структура нейронных сетей позволяет с успехом применять их для сложных задач анализа изображений и распознавания объектов на изображениях. Эффективность нейронной сети во многом зависит от настройки ее параметров. Классический подход к настройке параметров – использование алгоритма однокритериальной оптимизации, где в качестве оптимизируемого критерия выступает точность классификации. В предлагаемой нами многокритериальной постановке добавляется второй, минимизируемый, критерий – число нейронов сети. Данный критерий означает, что в процессе оптимизации параметров предпочтение отдается простым нейросетям с меньшим количеством нейронов, которые должны обладать лучшей обобщающей способностью. Изменяемые в ходе оптимизации параметры сети – количество нейронов скрытого слоя N n (границы изменения N n = 2,50 ) и число итераций

Для решения задачи оптимизации был выбран класс эволюционных алгоритмов. Были проведены эксперименты по оптимизации с использованием алгоритмов SPEA, VEGA, NSGA, SelfCOMOGA [5], а также коэволюционным генетическим алгоритмом однокритериальной оптимизации для сравнения однокритериального и многокритериального методов. В результате оптимизации мы получаем популяцию нейронных сетей с Парето-оптимальными значениями параметров. Получаемые сети, согласно оптимизируемым критериям, должны быть либо сложными, но обеспечивающими высокую точность классификации, либо простыми, но обеспечивающими высокую обобщающую способность. Для того чтобы объединить данные достоинства, а также чтобы получить единый выход системы классификации, получаемые Парето-оптимальные нейросети были объединены в коллектив несколькими способами: метод голосования, усреднение предсказанных вероятностей классов, метаклассификация. Результаты экспериментов по сравнению эффективности однокритериального и многокритериального метода оптимизации нейронных сетей представлены в таблице. Также в ней указаны способы объединения Парето-оптимальных нейронных сетей в коллектив, оказавшиеся наиболее эффективными для разных алгоритмов оптимизации. Из таблицы видно, что многокритериальный метод превосходит однокритериальный по точности на всех рассмотренных выборках данных, достигая максимальной точности 39,762 % при использовании аудиовыборки, алгоритма оптимизации NSGA-2 и метаклассификации для объединения Парето-оптимальных нейронных сетей в коллектив. Заключение. Для решения задачи распознавания эмоций был применен метод многокритериальной оптимизации параметров нейросетевых классификаторов. Данный метод превзошел по эффективности классический однокритериальный метод, поэтому рекомендуется использовать его в дальнейших работах по распознаванию эмоций для сравнения с другими методами. В качестве метода объединения неросетей в коллектив рекомендуется использовать метаклассификацию, так как данный метод обеспечил наилучшую точность классификации эмоций на большинстве использованных выборок.

обучения сети N τ (границы изменения N τ = 2, 200 ).

Точность классификации эмоций (%) при однокритериальной и многокритериальной оптимизации нейросетевых классификаторов Алгоритм оптимизации (число критериев)

Объединение коллектива классификаторов

Аудио (open SMILE)

QLZM

LBP

LBP-TOP

Аудио + видео

–

35,923

21,458

23,75

32,917

31,718

Усреднение

16,994

10,903

16,458

39,583

14,256

NSGA-2 (2)

Мета

39,762

11,528

17,5

38,125

34,94

VEGA (2)

Мета

38,899

13,958

29,167

36,736

37,292

SelfCOMOGA (2)

Мета

36,518

26,756

38,333

36,319

29,405

Коэволюционный ГА (1) SPEA (2)

Данные

43

Решетневские чтения. 2015

References 1. Leont’yev A. N. Potrebnosti, motivy i emotsyi [Needs, motives and emotions]. Moscow, 1971. 2. Haq S., Jackson P. J. B. Speaker-dependent audiovisual emotion recognition // In Proc. Int. Conf. on Auditory-Visual Speech Processing (AVSP’09), Norwich, UK, pp. 53–58, September, 2009. 3. OpenSMILE – the Munich versatile and fast opensource audio feature extractor / Eyben F., Wullmer M, Schuller B. // In Proceedings ACM Multimedia (MM), ACM, Florence, Italy. 2010. P. 1459–1462. 4. Local zernike moment representation for facial affect recognition / E. Sariyanidi, H. Gunes, M. Gokmen, A. Cavallaro // BMVC’13. 5. Ivanov I. A., Sopov E. A. [Self-configuring genetic algorithm for solving multi-objective choice support problems] // Vestnik SibGAU. 2013. No. 1(47), рp. 30–35 (In Russ.).

Библиографические ссылки 1. Леонтьев А. Н. Потребности, мотивы и эмоции. М., 1971. 2. Haq, S., Jackson, P. J. B. Speaker-dependent audiovisual emotion recognition // In Proc. Int. Conf. on Auditory-Visual Speech Processing (AVSP’09). Norwich, UK, 2009. Pp. 53–58, 3. Eyben F., Wullmer M., Schuller B. OpenSMILE – the Munich versatile and fast open-source audio feature extractor // Proceedings ACM Multimedia (MM), ACM. Florence, Italy, 2010. P. 1459–1462. 4. Local zernike moment representation for facial affect recognition / E. Sariyanidi [et al.] // BMVC’13. 5. Иванов И. А., Сопов Е. А. Самоконфигурируемый генетический алгоритм решения задач поддержки многокритериального выбора // Вестник СибГАУ. 2013. № 1(47). С. 30–35.

© Иванов И. А., 2015 __________ УДК 519.6 ОБ ЭВОЛЮЦИОННОМ МЕТОДЕ ВЗВЕШЕННОГО ГОЛОСОВАНИЯ В КОЛЛЕКТИВАХ В ЗАДАЧЕ КЛАССИФИКАЦИИ ТЕКСТОВ* Ю. А. Камшилова1, Р. Б. Сергиенко2 1

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] 2 Ульмский университет Германия, 89081, г. Ульм, аллея Альберта Эйнштейна, 43 E-mail: [email protected]

Рассматривается идея применения коллективов методов взвешивания термов, основанных на процедуре взвешенного голосования, в задаче определения тем входящих звонков клиентских служб. Для оптимизации весовых коэффициентов предлагается использование самоконфигурируемого генетического алгоритма. Ключевые слова: классификация текстов, определение тем входящих звонков, взвешенное голосование, самоконфигурируемый генетический алгоритм. ON EVOLUTIONARY METHOD OF WEIGHTED VOTING IN ENSEMBLES FOR TEXT CLASSIFICATION PROBLEM Iu. A. Kamshilova1, R. B. Sergienko2 1

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] 2 Ulm University 43, Albert Einstein Alee, Ulm, 89081, Germany E-mail: [email protected] In this paper concept of ensembles of term weighting methods based on weighted voting procedure for incomingcalls topics identification problem is considered. For weights optimization using of self-configuring genetic algorithm is proposed. Keywords: text classification, topicsidentification, weighted voting, self-configuring genetic algorithm. *

Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации в рамках проекта RFMEF157414X0037.

44

Математические методы моделирования, управления и анализа данных

conference on Human Factors in Computing Systems. 2002. P. 283–290. ACM. 3. Айвазян С. А. [и др.]. Прикладная статистика. Классификация и снижение размерности. М. : Финансы и статистика, 1989. 607 с. 4. Гуменникова А. В. [и др.] Об эволюционных алгоритмах решения сложных задач оптимизации // Вестник СибГАУ. 2003. № 4(10). С. 14–23. 5. Коромыслова А. А., Семенкина М. Е. Об эффективности эволюционных алгоритмов многокритериального проектирования искусственных нейронных сетей // Вестник СибГАУ. 2015. Т. 16, № 1. С. 79–85. 6. Semenkin E., Semenkina M. Self-configuring genetic algorithm with modified uniform crossover operator // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 7331 LNCS (PART 1), 2012. P. 414–421. 7. Stanovov V. [et al.]. Application of SelfGonfiguring Genetic Algorithm for Human Resource Management // J. of Siberian Federal University. Mathematics and Physics. 2015. № 8(1). P. 98–107.

В настоящее время, в условиях постоянно растущего объема информации и большого количества текстовых данных, хранящихся в цифровом формате, становится актуальной задача классификации текстовых документов – отнесение их к конкретным категориям в зависимости от тематики. Классификация текстов находит применение в различных областях: поиск информации, фильтрация сообщений, определение тем, составление каталогов и т. д. [1]. В данной работе рассматривается задача определения по семантическому содержанию тем входящих звонков клиентских служб [2]. Задача классификации текстов состоит из двух этапов: 1) предварительная обработка текстовой информации, извлечение числовых признаков; 2) применение алгоритмов классификации. На этапе предварительной обработки рассматривается применение различных методов взвешивания термов (TF-IDF, GR, CW, TM2, RF, TRR, NTW), которые позволяют преобразовать текстовую информацию в векторное пространство для составления словаря, учитывая частоту встречаемости слов в тексте. В качестве алгоритма классификации в данной работе используется метод ближайших соседей [3]. Использование коллективов различных методов взвешивания термов позволяет значительно повысить качество решения задачи в сравнении с использованием метода ближайших соседей. Коллектив состоит из семи классификаторов, построенных на основе метода ближайших соседей с применением одного из методов взвешивания термов, т. е. результат классификации зависит только от комбинации методов взвешивания термов для определенного алгоритма. Для повышения эффективности использования рассматриваемых коллективов предлагается использовать процедуру взвешенного голосования. В данной работе предлагается проводить оптимизацию весовых коэффициентов с помощью эволюционных алгоритмов, например, с помощью генетических алгоритмов [4], так как они показали хорошие результаты при отыскании глобальных оптимумов в решении задач оптимизации [5]. Однако эффективность решения поставленной задачи сильно зависит от выбранных параметров генетического алгоритма, поэтому имеется необходимость в автоматическом выборе значений параметров алгоритма. В связи с этим, для выбора весовых коэффициентов взвешенного голосования предлагается использование самоконфигурируемого генетического алгоритма [6; 7], что позволяет исключить необходимость экспертных знаний для настройки его параметров. Результаты будут представлены в докладе.

References 1. Aggarwal Charu C, &Zhai, ChengXiang. 2012. Mining text data. Springer, 222 p. 2. Bernhard Suhm, Josh Bers, Dan McCarthy, Barbara Freeman, David Getty, Katherine Godfrey, and Pat Peterson. 2002. A comparative study of speech in the call center: Natural language call routing vs. touch-tone menus // Proceedings of the SIGCHI conference on Human Factors in Computing Systems, рp. 283–290. ACM. 3. Ajvazjan S. A., Buhshtaber V. M., Enjukov I. S. i dr. Prikladnajastatistika. Klassifikacija i snizhenie razmernosti [Applied Statistics. Classification and dimension reduction]. M. : Finance and statistic, 1989, 607 p. 4. Gumennikova A. V., Emel’yanova M. N., Semenkin E. S., Sopov E. A. [About evolutionary algorithms for solving complex optimization problems] // Vestnik SibGAU. 2003. No. 4, рp. 14–23 (In Russ.). 5. Koromyslova A. A., Semenkina M. E. Multicriterial design of artificial neural networks with evolutionary algorithms // Vestnik SibGAU. 2015. Vol. 16, no. 1, рp. 79–85. 6. Semenkin E., Semenkina M. Self-configuring genetic algorithm with modified uniform crossover operator // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 7331 LNCS (PART 1), 2012, рp. 414–421. 7. Stanovov V., Skraba A., Kofiac D., Znidarsic A., Maletic M. Rozman C., Semenkin E., Semenkina M. Application of Self-Gonfiguring Genetic Algorithm for Human Resource Management // J. of Siberian Federal University. Mathematics and Physics, 2015. No. 8(1), рp. 98–107.

Библиографические ссылки 1. Aggarwal Charu C, & Zhai, ChengXiang. 2012. Mining text data. Springer. 222 p. 2. Bernhard Suhm [et al.]. A comparative study of speech in the call center: Natural language call routing vs. touch-tone menus // Proceedings of the SIGCHI

© Камшилова Ю. А., Сергиенко Р. Б., 2015

45

Решетневские чтения. 2015

УДК 519.87 РЕШЕНИЕ ЗАДАЧ МЕДИЦИНСКОЙ ДИАГНОСТИКИ МЕТОДАМИ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ* Т. С. Карасева Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] С целью повышения уровня космической медицины необходимо развивать интеллектуальные информационные технологии анализа данных для медицинской диагностики. Рассматриваются возможности решения задач медицинской диагностики различными методами и ансамблями методов с использованием системы RapidMiner. Ключевые слова: медицинская диагностика, классификация, интеллектуальный анализ данных. MEDICINE DIAGNOSTICS PROBLEMS SOLVING WITH DATA MINING TOOLS T. S. Karaseva Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] It is necessary to develop intelligent information technologies of data analysis for medical diagnosis to increase the level of space medicine. The possibility of medical diagnostics problems solving withvariety of methods and their ensembles using the RapidMiner system is considered. Keywords: medicine diagnostics, classification, data mining. стировании кардиалгии обладают метод k ближайших соседей и метод деревьев решений. Наиболее эффективен наивный байесовский классификатор, хотя его отличие от других методов несущественно. Наименьшей эффективностью при диагностике заболеваний щитовидной железы обладают следующие методы: линейный дискриминантный анализ, ближайших соседей и метод деревьев решений. Данное отличие статистически достоверно и существенно. Для увеличения точности был использован оператор Vote, использующий простое большинство голосов нескольких методов классификации, объединенных в ансамбль. * Для задачи по определению типа кардиалгии в ансамбль были включены машина опорных векторов, наивный байесовский классификатор, нейронная сеть, логистическая регрессия и индукция правил, показавшие сопоставимую точность в начальном численном эксперименте. Результат вектора производительности равен 91,19 %. В ансамбль для решения задачи по определению типа состояния щитовидной железы были включены следующие методы: наивный байесовский классификатор, нейронная сеть, логистическая регрессия и индукция правил. Результат вектора производительности равен 100 %. Можно сделать вывод, что для различных задач медицинской диагностики эффективными оказывают-

Для реализации проектов пилотируемой космонавтики требуется высокий уровень космической медицины. Одним из главных аспектов космической медицины является диагностика состояния космонавтов до полета и во время него. Интеллектуальные информационные технологии медицинской диагностики могут существенно помочь в этом. В ходе данной работы были протестированы методы классификации при решении двух задач медицинской диагностики. Первая задача состояла в диагностике патологии сердца, т. е. в определении наличия болезни сердца по известной симптоматике. Вторая задача состояла в диагностике состояния щитовидной железы, т. е. в определении принадлежности обследуемого пациента к следующим классам: здоровый человек (1), гипотиреоз (2), гипертиреоз (3) [1]. Анализ данных осуществлялся с помощью системы RapidMiner [2]. В ходе работы был создан процесс, содержащий методы классификации: наивный байесовский классификатор (NB [3]); метод k ближайших соседей (k-NN, [4]); деревья решений (DT [5]); индукция правил (IR [4]); логистическая регрессия (LR [6]); машина опорных векторов (SVM, [4]); нейронная сеть (ANN [7]); линейный дискриминантный анализ (LDA) [8]. С помощью оператора T-Test проведено сравнение используемых методов, чтобы увидеть, имеется ли между ними статистически значимое различие. В результате проведенных исследований установлено, что наименьшей эффективностью при диагно-

*

Работа выполнена RFMEFI57414X0037.

46

в

рамках

проекта

Математические методы моделирования, управления и анализа данных

ся различные методы, выбор которых связан со значительными затратами времени специалистов в области анализа данных и не может быть сделан медиками. Это значит, что необходимо использовать методы, которые могут автоматически настраиваться на решаемую задачу, не требуя от медиков экспертных знаний в области интеллектуального анализа данных. Используемая система RapidMiner не предоставляет таких возможностей, поэтому следует использовать другие системы, содержащие, например, такие подходы, как генетическое программирование [9; 10], в том числе самонастраивающиеся методы [11].

мационных технологий // Вестник СибГАУ. 2007. № 3 (16). С. 27–33. 11. Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover // IEEE Congress on Evolutionary Computation, CEC-2012. 2012. С. 6256587. References 1. Machine Learning Repository [Electronic resourse]. URL:http://archive.ics.uci.edu/ml/ datasets.html (date of visit: 4.12.2014). 2. RapidMiner [Electronic resourse]. URL: https://rapidminer.com/ (date of visit: 18.12.2014). 3. An analysis of Bayesian classifiers / Langley P., Iba W., & Thompson K. // Proceedings of the Tenth National Conference on Artificial Intelligence. 1992. Pp. 223–228. San Jose, CA: AAAI. 4. Fayyad U. M., Piatetsky-Shapiro G., Smyth P., and Uthurusamy R. Advances in Knowledge Discovery and Data Mining // The AAAI Press, 1996. 5. Quinlan J. R. Generating production rules from decision trees. In McDermott, John. Proceedings of the Tenth International Joint Conference on Artificial Intelligence (IJCAI-87). Milan, Italy. 1987. Pp. 304–307. 6. An introduction to logistic regression analysis and reporting / Peng Chao-YingJoann; Lee Kuk Lida; Ingersoll GaryM // J. of Educational Research 96(1). 2002. Pp. 3–13. 7. Data classification using support vector Machine Durgesh / K. Srivastava, Lekha Bhambhu // Journal of theoretical and applied information technology. 2009. Рp. 67–74. 8. Sparse Discriminant Analysis / Line Clemmensen, Trevor Hastie, Daniela Witten and Bjarne Ersboll // Technometrics. 2011. Vol. 53, no. 4, pp. 406–413, 9. Semenkin E. S., Shabalov A. A., Efimov S. N. Automated design of intelligent information technologies with genetic programming method // Vestnik SibSAU. 2011. № 3(36). С. 77–81. 10. Semenkin E. S., Semenkina M. E. Application of genetic programming algorithm with modified uniform crossover operator for automated design of intelligent information technologies // Vestnik SibSAU. 2007. № 3 (16). С. 27–33. 11. Semenkin E., Semenkina M. Self-configuring genetic programming algorithm with modified uniform crossover // 2012 IEEE Congress on Evolutionary Computation, CEC 2012. 2012. С. 6256587.

Библиографические ссылки 1. Machine Learning Repository [Электронный ресурс]. URL: http://archive.ics.uci.edu/ml/ datasets.html (дата обращения: 4.12.2014). 2. RapidMiner [Электронный ресурс]. URL: https://rapidminer.com/ (дата обращения: 18.12.2014). 3. Langley P., Iba W., Thompson K. An analysis of Bayesian classifiers // Proceedings of the Tenth National Conference on Artificial Intelligence. San Jose, CA : AAAI, 1992. P. 223–228. 4. Fayyad U. M., Piatetsky-Shapiro G., Smyth P., Uthurusamy R. Advances in Knowledge Discovery and Data Mining // The AAAI Press, 1996. 5. Quinlan J. R. Generating production rules from decision trees // Proceedings of the Tenth International Joint Conference on Artificial Intelligence (IJCAI-87). McDermott, John. Milan, Italy, 1987. P. 304–307. 6. Chao-YingJoann Peng; Kuk Lida Lee; Gary M. Ingersoll. An introduction to logistic regression analysis and reporting / // Journal of Educational Research. 2002. 96(1). P. 3–13. 7. Srivastava K., Bhambhu Lekha. Data classification using support vector Machine Durgesh // J. of theoretical and applied information technology. 2009. Р. 67–74. 8. Sparse Discriminant Analysis / Line Clemmensen, Trevor Hastie, Daniela Witten and Bjarne Ersboll // Technometrics. 2011. Vol. 53, № 4. P. 406–413, 9. Семенкин Е. С., Шабалов А. А., Ефимов С. Н. Автоматизированное проектирование коллективов интеллектуальных информационных технологий методом генетического программирования // Вестник СибГАУ. 2011. № 3(36). С. 77–81. 10. Семенкин Е. С., Семенкина М. Е. Применение генетического алгоритма с модифицированным оператором равномерной рекомбинации при автоматизированном формировании интеллектуальных инфор-

© Карасева Т. С., 2015

47

Решетневские чтения. 2015

УДК 658.512.001.56 АВТОМАТИЗАЦИЯ МОНИТОРИНГА ЭФФЕКТИВНОСТИ ОРГАНИЗАЦИОННОТЕХНОЛОГИЧЕСКИХ КОМПЛЕКСОВ ПРЕДПРИЯТИЙ Д. И. Ковалев, Е. В. Туева, Е. В. Туев, К. К. Першакова, О. О. Смирнов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматривается технология и состав автоматизированной системы мониторинга эффективности функционирования перерабатывающих предприятий с учетом вектора структурного состояния отдельного предприятия. Ключевые слова: мониторинг эффективности, вектор структурного состояния, организационнотехнологический комплекс. AUTOMATION OF PERFORMANCE MONITORING ORGANIZATIONAL – TECHNOLOGICAL COMPLEXES OF ENTERPRISES D. I. Kovalev, E. V. Tueva, E. V. Tuev, K. K. Pershakova, O. O. Smirnov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The research discusses the technology and automated system to monitor efficiency of functioning of the processing enterprises taking into account the vector of the structural condition of an individual enterprise. Keywords: performance monitoring, the structural state vector, organizational-technological complex. базам контрольно-измерительной информации каждого предприятия [5–7]. Создание модельно-алгоритмического обеспечения автоматизированной системы мониторинга является важной научно-практической задачей, связанной с разработкой алгоритмической и модельной основы, реализующей программное обеспечение мониторинга эффективности [8]. Система мониторинга эффективности ОТК состоит из трех основных блоков [9]. Блок «Методика анализа эффективности» производит замеры показателя эффективности работы ОТК на текущий момент и сообщает системе о состоянии всех ОТК. После анализа эффективности определяются неэффективные ОТК, на которые следует обратить внимание пользователя системы или лица, принимающего решение (ЛПР). По вектору структурного состояния, хранение и сбор информации в который осуществляет блок «Вектор структурного состояния ОТК», анализируются состояния параметров объектов неэффективного ОТК. Система по сигналу первого блока и данным второго блока принимает решение о формировании и выдаче рекомендаций, которые осуществляются в блоке «Механизм рекомендаций ОТК». Примененные рекомендации должны привести к корректировке режимов работы объектов и связей между ними и повысить эффективность функционирования предприятия. Исходя из особенностей функционирования организационно-технологических комплексов [7], работа автоматизированной системы мониторинга выглядит следующим образом (см. рисунок).

Организационно-технологический комплекс (ОТК) представляет собой совокупность технических и организационных средств автоматизации на уровне управления производством (АСУП) и технологическом уровне (АСУТП). Организационно-технологический комплекс – это комплекс, обеспечивающий организацию управления предприятием на базе использования экономико-математических методов и ЭВМ [1]. Для стабильной работы предприятия необходимо обеспечить эффективное функционирование ОТК с помощью создания математического и программного обеспечения мониторинга, необходимого при обосновании и принятии решений экспертами, а также при корректировке управляющих воздействий на подсистемы комплекса автоматизированного управления производством [2]. Решение этой задачи достигается путем осуществления мониторинга эффективности [3]. Мониторингом называют процесс систематического или непрерывного сбора информации о параметрах сложного объекта или деятельности для определения тенденций изменения параметров. Основным элементом системы мониторинга является элемент, решающий задачу по сбору, обработке и анализу всех видов измерительной информации произвольного типа [4]. В связи с этим возникает необходимость автоматизации мониторинга ОТК. Данная автоматизированная система может эффективно работать в едином информационном пространстве корпоративно объединенных предприятий, так как будет обеспечен общий доступ к 48

Математические методы моделирования, управления и анализа данных Подсистема получает параметры для расчета показателя эффективности и структурного состояния от всех ОТК корпоративной сети

Определение значения показателя эффективности для каждого ОТК

Задержка Tизм

Да

ОТК выборки эффективен Нет

Считываются параметры структурного состояния объектов неэффективных ОТК (вектор S)

Применение механизма выдачи рекомендаций для неэффективных ОТК

Алгоритм работы системы мониторинга

В начале работы системы мониторинга (в режиме обучения) происходит замер текущего структурного состояния каждого ОТК, определение эталонных рекомендаций и способы принятия решений (в автоматическом или полуавтоматическом, консультационном режиме). Интенсивность замеров регламентируется параметром Tизм. Задержка Tизм определяется при комплексном анализе работы ОТК и оперативности изменения основных параметров. Количество неэффективных ОТК может быть больше одного, и для каждого применяется аналогичный алгоритм анализа и выдачи рекомендаций. Таким образом, рассмотренная система мониторинга эффективности организационно-технологических комплексов позволяет оптимизировать процесс мониторинга эффективности и принятия решений по повышению эффективности организационно-технологических комплексов предприятий.

ления структурной динамикой сложных технических объектов. М. : Наука, 2006. 410 с. 4. Планирование периодичных задач при распределенной обработке информации / Н. А. Алексеев, О. В. Богданова, И. В. Ковалев, Р. Ю. Царев // Информационно-измерительные и управляющие системы. 2010. Т. 8, № 3. С. 11–14. 5. Kovalev I., Zelenkov P., Ognerubov S. The Efficiency Analysis of Automated Lines of Companies Based on DEA Method // Lecture Notes in Economics and Mathematical Systems, 2015. 675. P. 107–115. 6. The efficiency analysis of the automated plants / I. Kovalev [et al.] // IOP Conf. Ser.: Mater. Sci. Eng. 2015. 70(1), art. no. 012007, doi:10.1088/1757-899X/70/ 1/012007. 7. Ковалев И. В., Новожилов А. А., Рукавицына Т. А. Анализ эффективности организационно-технологических комплексов предприятий // Системы управления и информационные технологии. 2010. Вып. 4 (42). С. 36–39. 8. Анализ организационно-технологических комплексов предприятий на основе аналитического метода оценки эффективности функционирования сложных систем / Д. И. Ковалев [и др.] // Актуальные проблемы авиации и космонавтики. 2014. Т. 1. № 10. С. 314–316. 9. Ковалев И. В., Новожилов А. А., Рукавицына Т. А. Принятие управленческих решений на основе анализа эффективности организационно-технологических комплексов предприятий // Экономика и менеджмент систем управления. 2011. Т. 1, № 1. С. 36–42.

Библиографические ссылки 1. Кудрин Б. И., Буторин В. К. Организационнотехнологические системы: термины и определения. М. : Технетика, 2005. 20 с. 2. Гончарова И. С., Ковалев И. В. Модельноалгоритмическая поддержка анализа экономической деятельности структурно связанных подразделений фирмы // Актуальные проблемы авиации и космонавтики. 2012. Т. 1, № 8. С. 293–294. 3. Охтелев М. Ю., Соколов Б. В., Юсупов Р. М. Интеллектуальные технологии мониторинга и управ49

Решетневские чтения. 2015

the automated plants // 2015 IOP Conf. Ser.: Mater. Sci. Eng. 70(1), art. no. 012007, doi:10.1088/1757899X/70/1/012007. 7. Kovalev I. V., Novozhilov A. A., Rukovicyna T. A. Analiz jeffektivnosti organizacionno - tehnologicheskih kompleksov predprijatij [Analysis of the effectiveness of organizational-technological complexes of enterprises] // Sistemy upravlenija i informacionnye tehnologii. Moskva–Voronezh, 2010. Vyp. 4 (42), рр. 33–39. 8. Kovalev D. I., Tueva E. V., Klimenko A. V., Kovalev I. V., Zelenkov P. V. Analiz organizacionnotehnologicheskih kompleksov predprijatij na osnove analiticheskogo metoda ocenki jeffektivnosti funkcionirovanija slozhnyh system [The analysis organizational-technological complexes of the enterprises on the basis of an analytical method for performance evaluation of complex systems] // Aktual’nrye problemy aviacii i kosmonavtiki. 2014. Iss. 1, no. 10, рр. 314–316. 9. Kovalev I. V., Novozhilov A. A., Rukovicyna T. A. Prinjatie upravlencheskih reshhenij na osnove analiza jeffektivnosti organizacionno-tehnologicheskih kompleksov predprijatij [Management decisions based on the analysis of the efficiency of organizational and technological systems of enterprises] // Jekonomika i menedzhment sistem upravlenija. 2011. Iss. 1, no. 1, рр. 36–42.

References 1. Kudrin B. I., Butorin V. K. Organizacionnotehnologicheskie sistemy: terminy i opredelenija [Organizational and technological systems: terms and definitions]. M. : Tehnetika, 2005. 20 s. 2. Goncharova I. S., Kovalev I. V. Model’noalgoritmicheskaja podderzhka analiza jekonomicheskoj dejatel’nosti strukturno-svjazannyh podrazdelenij firmy [Model-algorithmic support for the analysis of economic activity of structurally-related parts of the firm] // Aktual’nye problemy aviacii i kosmonavtiki. 2012. Iss. 1, no. 8, рр. 293–294. 3. Intelektual’nye tehnologii monitoringai upravlenija strukturnoj dinamikoj slodnyh tehnicheskih obektov [Intellectual technologies of monitoring and management of structural dynamics of complex technical objects] / M. Ju. Ohtelev, B. Vju Sokolov, R. M. Jusupov. M. : Nauka, 2006. 410 s. 4. Alekseeva N. A., Bogdanova O. V., Kovalev I. V., Carev R. Ju. Planirovanie periodichnyh zadach pri raspredelennoj obrabotke informacii [Scheduling periodic tasks in distributed information processing] // Informacionno-izmeritel’nye i upravljajushhie sistemy. 2010. Iss. 8, no. 3, рр. 11–14. 5. Kovalev I., Zelenkov P., Ognerubov S. The Efficiency Analysis of Automated Lines of Companies Based on DEA Method // Lecture Notes in Economics and Mathematical Systems, 675 (2015). P. 107–115. 6. Kovalev I., Zelenkov P., Ognerubov S., Bahmareva K. and Denisova E. The efficiency analysis of

© Ковалев Д. И., Туева Е. В., Туев Е. В., Першакова К. К., Смирнов О. О., 2015

__________ УДК 519.6 О ПРИМЕНЕНИИ ЭВОЛЮЦИОННЫХ АЛГОРИТМОВ С ВЫБОРОМ НАИБОЛЕЕ ИНФОРМАТИВНЫХ ПРИЗНАКОВ ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ ТЕКСТОВ* А. А. Коромыслова1, Р. Б. Сергиенко2 1

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] 2 Ульмский университет Германия, 89081, г. Ульм, аллея Альберта Эйнштейна, 43 E-mail: [email protected]

Рассматривается проблема классификации устной речи на практических задачах большой размерности. Решение данных задач поможет в различных сферах, в том числе аэрокосмической. Предлагается использование алгоритмов анализа данных с выбором наиболее информативных признаков. Ключевые слова: классификация устной речи, информативные признаки, анализ данных. EVOLUTIONARY ALGORITHM WITH FEATURE SELECTION FOR TEXT CLASSIFICATION A. A. Koromyslova1, R. B. Sergienko2 1

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] *

Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации в рамках проекта RFMEF157414X0037.

50

Математические методы моделирования, управления и анализа данных 2

Ulm University 43, Albert Einstein Alee, Ulm, 89081, Germany E-mail: [email protected] We consider the problem of classifying speech on the practical problems of large dimension. Solving these problems will help in various areas including aerospace. We propose to use the algorithms data mining with features selection. Keywords: classification of speech, features selection, data mining. симальной (по всем подмножествам исходного множества признаков). Существует множество способов снижения размерности в задачах классификации текстов, такие как удаление общеупотребляемых слов, объединение однокоренных слов и удаление слов с низкими весами (т. е. тех, которые встречаются в тексте реже остальных). Однако использование перечисленных выше методов не всегда эффективно и, кроме того, требует наличия экспертных знаний и большого количества временных ресурсов. В данной работе для автоматизации выбора наиболее эффективных признаков предлагается использовать следующие методы анализа данных: 1. Метод k ближайших соседей [3]. 2. SVM (метод опорных векторов), который переводит исходные векторы в пространство более высокой размерности и ищет разделяющую гиперплоскость с максимальным зазором в этом пространстве [4]. 3. Многокритериальные эволюционные алгоритмы для настройки оптимальной структуры нейронных сетей с выбором наиболее информативных признаков [5]. 4. Многокритериальные эволюционные алгоритмы для формирования систем, основанных на нечёткой логике, с выбором наиболее информативных признаков, в которых в качестве критериев используется ошибка классификации, количество правил, количество термов каждой лингвистической переменной и количество используемых входов. 4. Результаты исследования будут представлены в докладе.

Классификация текстов является важной задачей обработки информации, которая часто встречается для фильтрации спама, снятия неоднозначности при автоматическом переводе текстов, определения кодировки и языка текста и в других областях науки и техники. В данном исследовании рассматриваются 4 задачи классификации устной речи по распознанным текстам: 1. Автоматическая маршрутизация вызовов на естественном языке. 2. Классификация ответов операторов в коллцентре. 3. Определение уровня вербального интеллекта по монологам (под вербальным интеллектом будем понимать способность анализировать и синтезировать речевые суждения, вникать в смысл слов, богатую словесно-понятийную базу); Определение уровня вербального интеллекта по диалогам, параметры которых указаны в таблице. В настоящее время для решения задач подобного вида активно используются методы классификации текстов на основе автоматического обучения [1]. Основная трудность использования этих методов состоит в очень большой размерности пространства признаков (тысячи или даже десятки тысяч), что для большинства алгоритмов интеллектуального анализа данных очень много. В связи с этим необходимо уменьшить размерность пространства признаков [2], т. е. выбрать такое подмножество признаков из исходного набора, что точность классификации, обученного на этом подмножестве признаков, будет мак-

Параметры задач классификации текстов Номер задачи 1 2 3 4

Число атрибутов 3 305 885 100 91

Размер выборки 292 156 337 3 138 6 987

Количество классов 20 5 2 2

Язык базы Английский Английский Немецкий Немецкий

5. Koromyslova A., Semenkina M. About the effectiveness of evolutionary algorithms for multicriterial design of artificial neural networks // Вестник СибГАУ. 2015. Т. 16, № 1. С. 79–85.

Библиографические ссылки 1. Langley Pat. The changing science of machine learning // Machine Learning. 2011. № 82(3). P. 275–279. 2. Joachims T. Text categorization with Support Vector Machines: Learning with many relevant features // Proceedings of the 10th European Conference on Machine Learning (ECML’1998). 1998. Р. 137–142. 3. Hall P., Park B. U., Samworth R. J. Choice of neighbor order in nearest-neighbor classification // Annals of Statistics. 2008. № 36(5). Р. 2135–2152. 4. Вапник В. Н. Восстановление зависимостей по эмпирическим данным. М. : Наука, 1979. 448 с.

References 1. Langley Pat. The changing science of machine learning // Machine Learning. 2011. No. 82(3), рр. 275–279. 2. Joachims T. Text categorization with Support Vector Machines: Learning with many relevant features // Proceedings of the 10th European Conference on Machine Learning (ECML’1998). 1998. Рр. 137–142. 51

Решетневские чтения. 2015

3. Hall P., Park B. U., Samworth R. J. Choice of neighbor order in nearest-neighbor classification // Annals of Statistics. 2008. No. 36(5), рр. 2135–2152. 4. Vapnik V. Vosstanovlenie zavisimostey po empiricheskim dannym [Restoring dependencies from empirical data]. Moscow : Nauka Publ.,1979. 448 p.

5. Koromyslova A., Semenkina M. About the effectiveness of evolutionary algorithms for multicriterial design of artificial neural networks // Vestnik SibGAU. 2015. Т. 16, no. 1, рр. 79–85. © Коромыслова А. А., Сергиенко Р. Б., 2015

______________ УДК 519.854.33 ВЫЧИСЛЕНИЕ ПОРОГОВЫХ ЗНАЧЕНИЙ ВЕЩЕСТВЕННЫХ ПРИЗНАКОВ ПРИ ПОСТРОЕНИИ ЛОГИЧЕСКИХ ЗАКОНОМЕРНОСТЕЙ Е. М. Краева, И. С. Масич1 Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Рассматриваются вопросы дискретизации и бинаризации вещественных признаков для возможности их использования при построении логических классификаторов. Ключевые слова: логические алгоритмы, распознавание, закономерности. CALCULATING REAL ATTRIBUTES TO CUTPOINTS FOR CONSTRUCTING LOGICAL RULES E. M. Kraeva, I. S. Masich1 Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] In this paper we consider issues of discretization and binarization of real attributes to be used in constructing logical classificators. Keywords: logic algorithms, recognition, pattern. Здесь i – номер исходного вещественного признака; j – номер порога; βij – значения порогов. В качестве потенциальных порогов можно взять середины интервалов между двумя последовательными значениями признака, соответствующими объектам различных классов: b( j ) + bi(+j1) . βij = i 2 Для двух произвольных объектов разных классов z ∈ K + и w ∈ K − определим величину

Среди различных методов распознавания существуют методы, которые изначально разработаны для работы с объектами, описываемыми бинарными признаками [1]. В то же время эти методы могут быть эффективны и при работе с разнотипными признаками. Это требует применения процедуры бинаризации, т. е. преобразования признаков различных типов в бинарные признаки. Как обсуждалось ранее [2], наиболее сложным является кодирование вещественных признаков. Число различных значений вещественного признака может быть велико, поэтому назначение бинарной переменной на каждое значение признака неприемлемо. Наилучшим является назначение бинарной переменной на некий интервал значений исходного признака. Таким образом, весь диапазон значений каждого вещественного признака следует разбить на интервалы. Границы таких интервалов называются порогами. Бинарные переменные указывают, превысило ли значение признака объекта соответствующий порог: ⎧⎪1, b j ≥ βij , xij = ⎨ j ⎪⎩0, b j < βi .

aijzw = xijz − xijw .

Если aijzw = 1 , то объекты z и w различны по бинарной переменной xij, т. е. значения численного признака bj у этих объектов лежат по разные стороны порога βij. Для описания решения, будет ли порог βij использоваться при дискретизации, введем бинарную переменную: ⎧⎪1, если порог βij используется, yij = ⎨ ⎪⎩0, в противном случае. 52

Математические методы моделирования, управления и анализа данных

Один из возможных способов отбора порогов – это решение задачи оптимизации [3]: d

2. Краева Е. М., Масич И. С. Бинаризация вещественных признаков для построения логических закономерностей // Решетневские чтения : материалы XVIII Междунар. науч. конф. ; СибГАУ. Красноярск, 2014. 3. Boros E., Hammer P. L., Ibaraki T., Kogan A. Logical analysis of numerical data // Mathematical Programming. 1997. № 79. Р. 163–190. 4. Antony M., Ratsaby J. Robust cutpoints in the logical analysis of numerical data // Discrete Applied Mathematics. 2012. № 160. Р. 355–356. 5. Казаковцев Л. А., Орлов В. И., Ступина А. А., Масич И. С. Задача классификации электронной компонентной базы // Вестник СибГАУ. 2014. № 4(56). С. 55–61.

kj

∑∑ yij → min, j =1 i =1 d

kj

∑∑ aijzw yij ≥ 1, z ∈ K + , w ∈ K − . j =1 i =1

Цель данной задачи – снижение числа порогов, достаточных для разделения объектов различных классов. Введем меру робастности порога [4]: ri j = r (βij ) = min x j − βij . x∈D

Изменим модель оптимизации следующим образом: d

References 1. Kraeva E. M., Masich I. S. Methods for pattern selection in logical algorithms of recognition // Materialy XVII Mezhdunarodnoy nauchnoy konferentsii “Reshetnevskie chteniya”, Krasnoyarsk, 2013. 2. Kraeva E. M., Masich I. S. Binarization of real attributes for constructing logical rules. Materialy XVIII Mezhdunarodnoy nauchnoy konferentsii “Reshetnevskie chteniya”, Krasnoyarsk, 2014. 2. Boros E., Hammer P.L., Ibaraki T., Kogan A. Logical analysis of numerical data // Mathematical Programming. 1997. No.79, рр. 163–190. 4. Antony M., Ratsaby J. Robust cutpoints in the logical analysis of numerical data // Discrete Applied Mathematics. 2012. No. 160, рр. 355–356. 5. Kazakovtsev L. A., Orlov V. I., Stupina A. A., Masich I. S. The problem of classifying electronic components // Vestnik SibGAU. 2014. No. 4(56), рр. 55–61.

kj

∑∑ g (ri j ) yij → min, j =1 i =1 d

kj

∑∑ aijzw yij ≥ 1, z ∈ K + , w ∈ K − . j =1 i =1

Здесь g ( z ) – положительная убывающая функция, например, g ( z ) = 1/ z . Определение порогов в соответствии с данной моделью оптимизации позволяет находить такое расположение порогов, которое способствует лучшему качеству классификатора. Данный подход полезен при решении многих практических задач, например [5]. Библиографические ссылки 1. Краева Е. М., Масич И. С. Методы отбора закономерностей в логических алгоритмах распознавания // Решетневские чтения : материалы XVII Междунар. науч. конф. / СибГАУ. Красноярск, 2013.

© Краева Е. М., Масич И. С., 2015

______________ УДК 004.414.23 ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧЕ ОПРЕДЕЛЕНИЯ КАЧЕСТВА МЕЖДИАЛОГОВОГО ВЗАИМОДЕЙСТВИЯ ПО ТИПУ «ЧЕЛОВЕК–ЧЕЛОВЕК»* У. Н. Круглова1, А. В. Спирина2 1

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] 2 Ульмский университет Германия, 89081, г. Ульм, аллея Альберта Эйнштейна, 43 E-mail: [email protected]

Рассматривается применение методов снижения признакового пространства, статистической обработки нечисловых данных и моделирования для решения задачи определения качества диалога. Ключевые слова: нейронные сети, метод главных компонент, нечисловые данные, автоматическая настройка нейронной сети. *

Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации в рамках проекта RFMEF157414X0037.

53

Решетневские чтения. 2015

USING ARTIFICIAL NEURAL NETWORKS IN THE PROBLEM OF INTERACTION QUALITY IN “HUMAN–HUMAN” CONVERSATIONS U. N. Kruglova1, A. V. Spirina2 1

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] 2 Ulm University 43, Albert Einstein Alee, Ulm, 89081, Germany E-mail: [email protected] This article considers the use of methods to reduce the feature space, the statistical treatment of non-numeric data and modeling to determine the dialogue quality. Keywords: neural networks, principal component analysis, non-numeric data, automatic configuration of the neural network. строении их моделей. Мы предлагаем построить модель рассмотренной ранее системы с помощью ИНС. Нейронные сети являются общим и эффективным методом для анализа данных. Однако количество параметров в задаче велико. Такое число данных может повлечь большие трудности при вычислительном процессе и негативно отразиться на качестве классификации. Это является причиной постановки еще одной задачи – снижение признакового пространства или выбор наиболее информативных признаков. Существуют базовые, классические методы снижения признакового пространства. Одним из ключевых подходов является метод главных компонент (МГК). Вычисление главных компонент может быть сведено к вычислению сингулярного разложения матрицы данных или к вычислению собственных векторов и собственных значений ковариационной матрицы исходных данных [2]. МГК является классическим, эффективным методом уменьшения признакового пространства путем сжатия (линейной комбинацией) нескольких признаков в один. Однако возникают трудности использования такого подхода, если исследуемый объект имеет не только числовые, но и качественные характеристики. В таком случае необходима предобработка данных. Одним из решений подобных проблем является группировка элементов объекта с одинаковыми качественными признаками, в результате чего становится возможным применение МГК внутри каждой группировки при фиксированном качественном показателе. Другой способ – проводить шкалирование нечисловых признаков. В статистике объектов нечисловой природы предложено использовать показатель различия d : X 2 → [ 0, +∞ ) , где его содержательный смысл

В современном мире идет прогресс развития технологии и техники. Все больше отраслей производства, бизнес-процессов и человеческого быта требуют не просто машинного вмешательства, а ведение диалога с машинными системами. Примерами могут служить голосовое управление аппаратными средствами, получение информации в общественных службах, звонки call-центров и даже управление домашними гаджетами. Разработчики подобных систем сталкиваются с такими проблемами, как недопонимание между машиной и человеком. Корень проблемы кроется в том, что человеческая речь является сложным, отлаженным столетиями механизмом, тогда как компьютерное мышление ограничено зашитыми в него алгоритмами. Компьютеры не имеют смекалку, интуицию и эмоциональный фактор. При исследовании этой проблемы было решено, что необходимо привить компьютерному интеллекту человеческие качества. Для того, чтобы как можно точнее понимать закономерности в человеческом диалоге, необходимо строить модели самого человеческого общения. Так появилась задача определения качества междиалогового взаимодействия по типу «человек–человек». Задача состоит в следующем: имеются записи диалогов по типу call-центров. Речевой компонент был обработан и представлен в виде числовых, качественных и статистических показателей, всего их более 384. Диалог разделен на несколько этапов, в каждом из которых статистически оцениваются различные показатели, и определяется экспертом качество диалога. Качество диалога представляется в виде 5 классов, где 5-й класс обозначает самый лучший расклад, а 1-й – самый худший. Таким образом, каждому элементу выборки может соответствовать около 1000 параметров или даже более. Необходимо построить модель, которая сможет оценить качество диалога в каждый момент времени, т. е. качество каждого выделенного фрагмента [1]. Сегодня существует огромное количество методов, позволяющих строить модели сложных систем с многовариантными наборами данных. Разнообразие подходов неслучайно – разные типы систем и базы данных требуют определенные инструменты при по-

заключается в следующем: чем больше d(x, y), тем больше различаются x и y, и определяет эмпирическое среднее как решение экстремальной задачи [3]. Несмотря на всю обоснованность и популярность использования метода главных компонент, он не является лучшим способом и имеет недостатки. Одним из таких недостатков можно обозначить линейность преобразования факторов. Линейность МГК может не учитывать некоторые важные характеристики струк54

Математические методы моделирования, управления и анализа данных

функционал в методе моделирования. Результаты исследования будут представлены в докладе.

туры данных. Поэтому часто рассматривают вариант нелинейного МГК. В качестве нелинейного МГК подразумевают автоассоциативные нейронные сети. Такие сети обучают выдавать в качестве выходов свои собственные входы, при этом промежуточные слои содержат меньшее количество нейронов, чем входной (выходной) слой. Тем самым для восстановления своих исходных данных сети потребуется научиться представлять их в более низкой размерности [4]. При исследовании задачи определения качества междиалогового взаимодействия невозможно заранее однозначно определить, какой из рассмотренных методов позволит сжать данные с наименьшей потерей информации, поэтому необходимо провести исследование каждого из методов и сравнить их результаты. После выбора нового набора сжатых данных необходимо построить саму модель системы с помощью ИНС, которая позволит классифицировать качество диалога. Определенное неудобство может вызвать сама настройка ИНС. В сложных задачах особенно важно подобрать «удачную» структуру для получения адекватных результатов, что порождает еще одну задачу – автоматическую настройку нейронной сети. Определенный интерес вызывает идея настройки ИНС по типу человеческих рассуждений или же по типу настройки экспертом. Существует подход, имитирующий рассуждения человека, – нечеткая логика (НЛ). Важной особенностью НЛ является использование лингвистических переменных. Применяется НЛ при недостаточном знании объекта управления, но при наличии опыта управления им, в нелинейных системах, идентификация которых слишком трудоемка, а также в случаях, когда по условию задачи необходимо использовать знания эксперта [5]. Согласно этому возможно реализовать автоматическое построение структуры ИНС, управляемое соответствующими правилами. Основываясь на том, что задача определения качества диалога по типу «человек–человек» является сложной и содержит большое количество смешанных данных, мы приходим к следующему выводу: стандартное построение модели окажется недостаточным, необходимо провести многоуровневую обработку параметров системы и использовать расширенный

Библиографические ссылки 1. Спирина А., Семёнкин Е., Шмитт А., Минкер В. Качество взаимодействия в разговорах типа «человек–человек»: проблемы и возможные решения // Журнал Сибирского федерального университета. Математика и физика. 2015. № 8(2). С. 217–223. 2. Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Классификация и снижение размерности. М. : Финансы и статистика, 1989. 607 с. 3. Орлов А. И. Прикладная статистика. М. : Экзамен, 2004. 4. Аджемов С. С., Терешонок М. В., Чиров Д. С., Снижение размерности признакового пространства в задачах идентификации излучающих объектов по данным радиомониторинга с использованием искусственных нейронных сетей / МТУСИ. М., 2008. 5. Методы робастного, нейро-нечеткого и адаптивного управления : учебник / под ред. Н. Д. Егупова. 2-е изд. М. : Изд-во МГТУ им. Бауман, 2002. 744 с. References 1. Spirina А., Semenkin E., Schmitt A., Minker W. Interaction Quality in Human-Human Conversations: Problems and Possible Solutions // J. of Siberian Federal University. Mathematics & Physics. 2015. No. 8(2), рр. 217–223. 2. Ayvazyan S., Buchstaber V., Enyukov J., Meshalkin L. Applied Statistics. Classification and reduction of dimension. M. : Finance and Statistics, 1989. 607 p. 3. Orlov A. Applied Statistics. M. : Exam, 2004. 4. Adjemov S., Tereshonok M., Chirov D. Reducing the dimension of feature space in problems of identification emitting objects according to radio monitoring with the use of artificial neural networks. MTUCI, 2008. 5. Methods of robust, neuro-fuzzy and adaptive control : textbook / ed. N. D. Egupova, ed. 2nd. M. : Publishing House of the MSTU. Bauman, 2002. 744 p. © Круглова У. Н., Спирина А. В., 2015

___________ УДК 62.501 О KT-МОДЕЛЯХ МНОГОМЕРНЫХ БЕЗЫНЕРЦИОННЫХ СИСТЕМ М. В. Кузьмин, Т. В. Мальцева, А. В. Медведев Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматривается задача идентификации многомерной безынерционной системы: компоненты вектора выходных переменных стохастически зависимы, априорная информация о каналах связи соответствует различным уровням неопределённости. Ключевые слова: непараметрические алгоритмы управления, априорная информация, многосвязность, комбинированная система, прогнозирование. 55

Решетневские чтения. 2015

ABOUT KT-MODELS OF MULTIDIMENTIONAL FREE-WHEELING SYSTEMS M. V. Kuz’min, Т. V. Maltseva, A. V. Medvedev Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The problem of identification of a multidimensional free-wheeling system for the case where the components of the output variables are stochastically dependent. A priori information about the link multidimensional system corresponds to the level of different uncertainty. Keywords: nonparametric control algorithms, prior information, multiply, combination system, forecasting. Исследуемая многомерная безынерционная система представлена на рис. 1, где приняты обозначения: U (t ) = (u1 (t ), ..., un (t )) – n-мерный вектор входных

– сначала в уравнение (1) последовательно подставляются элементы обучающей выборки X (ti ) = ( x1 (ti ), ..., xт (ti )), U (ti ) = (u1 (ti ), ..., un (ti )),

переменных; X (t ) = ( x1 (t ), ..., xт (t )) – m-мерный вектор выходных переменных; ξ(t) – помехи, действующие на объект. Вертикальные стрелки у компонент вектора X(t) означают их стохастическую зависимость. В результате измерения входных и выходных переменных может быть получена выборка: X (ti ) = ( x1 (ti ), ..., xт (ti )), U (ti ) = (u1 (ti ), ..., un (ti )),

i = 1, s, в результате получаем невязки ei , i = 1, s; – следующий шаг состоит в оценивании условного математического ожидания [1; 2]

{

( (

)

)

(2)

В качестве оценки (2) примем непараметрическую оценку регрессии

(

i = 1, s, которая используется для построения адаптивной модели этого объекта. Относительно некоторых каналов исследуемого процесса известна из имеющейся априорной информации параметрическая структура модели. О других каналах объекта известны только их качественные свойства. Процессы, выходные переменные которых имеют неизвестные стохастически связи, в дальнейшем названы T-процессами, а их модели, соответственно, T-моделями. Модели объектов, представленных на рис. 1, при разнотипной априорной информации о различных каналах связи назовём KT-моделями, которые имеют вид ⎧ Fl u < j > (t ), x < j > (t ), α = 0, j = 1, m1 , ⎪ JJG JJG ⎨ < j> < j> ⎪⎩ Fl u (t ), x (t ), xs , us = 0, j = m1 + 1, m,

}

x j = M x u < j > , e = 0 , j = 1, m.

)

x js u < j > = ⎛ u j − u j [t ] ⎞ m ⎛ e [t ] ⎞ ⎟∏ Φ ⎜ k ⎟ сsu j ⎟ k =1 ⎜ сse j ⎟ ⎝ ⎠ ⎝ ⎠, = ⎛ ⎞ ⎛ ⎞ u j − u j [t ] e [t ]

m s ⎟∏ Φ⎜ k ⎟ ∑ t =1 ∏ j =1 Φ ⎜⎜ с k = 1 ⎟ ⎜ сse j ⎟ su j ⎝ ⎠ ⎝ ⎠

∑ t =1 x1 ⋅ ∏ j =1 Φ ⎜⎜ s

j = 1, m,

(3)

где колоколообразные функции Ф(.) и коэффициентом размытости cs удовлетворяют условиям [3–6]. Таким образом, формула (3) даёт решение системы (1), которое и является оценкой (прогнозом) выходных переменных X(t) при значениях входной переменной равной U(t). Пример результатов вычислительного эксперимента представлен на рис. 2. В заключение отметим, что KT-модели являются моделями нового типа в теории идентификации. Обратим внимание на то, что KT-модели представляют собой органический синтез параметрических и непараметрических моделей. Проведённые многочисленные расчёты демонстрируют высокую эффективность работы KT-модели.

(1)

где α – вектор параметров; u < j > (t ), x < j > (t ) – составные JJG JJG векторы; xs , us – временные векторы. Используя эти модели, при заданном значении вектора входных переменных U(t) необходимо решить систему (1) относительно компонент вектора выходных переменных X(t). Общая схема решения такой системы такова:

Рис. 1. Многомерный объект

56

Математические методы моделирования, управления и анализа данных

Рис. 2. Прогноз выходной переменной при отсутствии помех

2. Maltseva T. V., Medvedev A. V. Issledovanie algoritma prognoza vyhoda kombinirovannoj mnogosvyaznoj sistemy [Investigation of combined multiply output for ecast system algorithm] // Molodojuchyonyj. 2011. No. 6(49), рр. 73–79. 3. Medvedev A. V. Neparametricheskie sistemy adaptacii [Nonparametric adaptation system]. Novosibirsk : Nauka, 1983. Pр. 176. 4. Harle V. Prikladnaya neparametricheskaya regressiya [Applied nonparametric regression]. M. : Мir, 1993. 327 p. 5. Vasil’ev V. A., Dobrovidov A. V., Koshkin G. M. Neparametricheskoe ocenivanie funkcionalov ot raspredelenij stacionarnyh posledovatel’nostej [Nonparametric estimation functional of the distribution of stationary sequences]. М. : Nauka, 2004. 508 p. 6. Medvedev A. V. Osnovy teorii adaptivnyh sistem [Fundamentals of the adaptive systems theory] // SibGAU. Krasnoyarsk. 2015. 525 p.

Библиографические ссылки 1. Медведев А. В. Теория непараметрических систем. Моделирование // Вестник СибГАУ. 2010. № 4(31). С. 4–9. 2. Мальцева Т. В., Медведев А. В. Исследование алгоритма прогноза выхода комбинированной многосвязной системы // Молодой учёный. 2011. № 6(49). С. 73–79. 3. Медведев А. В. Непараметрические системы адаптации. Новосибирск : Наука, 1983. С. 176. 4. Хардле В. Прикладная непараметрическая регрессия : пер. с англ. М. : Мир, 1993. 327 с. 5. Васильев В. А., Добровидов А. В., Кошкин Г. М. Непараметрическое оценивание функционалов от распределений стационарных последовательностей. М. : Наука, 2004. 508 с. 6. Медведев А. В. Основы теории адаптивных систем : монография / Сиб. гос. аэрокосмич. ун-т. Красноярск, 2015. 525 с. References 1. Medvedev A. V. Teoria nepаrametricheskih sistem. Modelirovanie [Theory of nonparametricsystems. Simulation] // Vestnik SibGAU, 2010. No. 4(31), рр. 4–9.

© Кузьмин М. В., Мальцева Т. В. Медведев А. В., 2015

_____________ УДК 004.891.3 АНАЛИЗ И ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ ПРИ АВТОМАТИЗИРОВАННОМ ФОРМИРОВАНИИ ДЕРЕВЬЕВ ПРИНЯТИЯ РЕШЕНИЙ МЕТОДОМ ГЕНЕТИЧЕСКОГО ПРОГРАММИРОВАНИЯ* Л. В. Липинский1, Т. В. Кушнарева2 Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected] Проводится анализ и интерпретация результатов, полученных с помощью алгоритма автоматизированного формирования деревьев принятия решений, на примере медицинской задачи определения степени тяжести перитонита. Данные методы применимы при решении задач ракетно-космической отрасли. Ключевые слова: деревья принятия решений, медицинская диагностика. *

Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037.

57

Решетневские чтения. 2015

ANALYSIS AND INTERPRETATION OF RESULTS IN THE AUTOMATED DESIGN OF DECISION TREE BY GENETIC PROGRAMMING* L. V. Lipinskiy1, T. V. Kushnareva2 Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected], [email protected] The work is carried out an interpretation and analysis of results obtained using the algorithm the Automated Design of Decision Trees in medical problems such as severity definition. These methods can be applied to aerospace problems. Keywords: decision trees, medical diagnosis. Введение. Авторами был разработан гибридный эволюционный алгоритм автоматизированного формирования деревьев принятия решений (ДПР) методом генетического программирования [1–3]. С помощью ДПР можно эффективно решать задачи диагностики, классификации, кластеризации и принятия решения из различных отраслей знаний, таких как ракетно-космическая отрасль, медицинская и социальная сферы. При этом структура дерева и способ его обхода интуитивно понятны пользователю, не обладающему специализированными знаниями, поэтому удобны в применении на практике. Помимо модели в виде ДПР исследователь получает информацию о взаимосвязях между входами и выходами, которые могут быть причинно-следственными, статистическими, корреляционными [4], и их анализ позволит специалистам предметной области получит новые знания о проблеме. По причине того, что алгоритм является эволюционным, в построенном ДПР с большей вероятностью выбираются те связи, которые оказывают наибольшее влияние на выход, т. е. попутно решается задача сокращения признакового пространства. Анализ отброшенных и, наоборот, включенных в модель входов также дает новые знания о проблеме. Таким образом, в результате работы алгоритма можно получить не только эффективно работающую модель ДПР, но и новые знания, которые весьма полезны для специалистов предметной области [5].

Рассмотрим процесс анализа ДПР на примере медицинской задачи. Задача определения степени тяжести перитонита. По результатам работы гибридного эволюционного алгоритма было получено дерево принятия решений (см. рисунок). Данное дерево включает в себя 4 входа из 11 данных в исходной выборке, т. е. выделены только значимые входы. Ошибка при этом по обучающей выборке составляет 7 %, по тестовой – нулевая. Также алгоритмом определены пороговые значения для каждого критерия, позволяющие эффективно разделять выборку на подвыборки. Подбор пороговых значений алгоритмом позволяет не привлекать специалиста предметной области к решению задачи. Показатель ЛИИ2. Нужен для диагностики только 1 и 2 класса, а на 3 его значения не влияют, что несет в себе ценную информацию для предметников. Подробный анализ покажет, является это случайностью или закономерностью, также как анализ отброшенных и используемых выходов. Библиографические ссылки 1. Кушнарева Т. В., Липинский Л. В. Алгоритм генетического программирования для автоматизированного формирования деревьев принятия решения // Решетневские чтения : материалы XVIII Междунар. науч. конф. / СибГАУ. Красноярск, 2014. Т. 2. С. 84–86. 2. Гибридный эволюционный алгоритм автоматизированного формирования деревьев принятия решения / Л. В. Липинский [и др.] // Вестник СибГАУ. 2014. Вып. 5 (57). С. 85–92. 3. Koza J. R. Genetic Programming: On the Programming of Computers by Means of Natural Selection. MIT Press, 1992. 4. Дейпер Н., Смит Г. Прикладной регрессионный анализ. М. : Диалектика, 2007. 912 с. 5. Кушнарева Т. В. О применении деревьев принятия решения в задачах медицинской диагностики [Электронный ресурс] // Проспект Свободный-2015 : материалы науч. конф. (15–25 апр. 2015, г. Красноярск) / отв. ред. Е. И. Костоглодова ; Сиб. федер. ун-т. 2015. Сер. Естественно-научное направление – математика, информатика: моделирование и оптимизация сложных систем. С. 31–32.

АБС.ЛИМ20.56

1

ИСЛ2.91 2

1 Дерево принятия решений в задаче определения степени тяжести перитонита

58

Математические методы моделирования, управления и анализа данных

3. Koza J. R. (1992), Genetic Programming: On the Programming of Computers by Means of Natural Selection. MIT Press. 4. Deyper N., Smith G. Prikladnoy regressionnyy analiz [Applied Regression Analysis]. M. : Dialectics. 2007. 912 p. 5. Kushnareva T. V. O primenenii derev’ev prinyatiya resheniya v zadachakh meditsinskoy diagnostiki [The application of a decision tree for purposes of medical diagnosis] P827 Prospectus // Free-2015: scientific materials. Conf., dedicated to the 70th anniversary of the Great Victory (15–25 April 2015) [Electronic resource] / Ed. E. I. Kostoglodova. Electron. dan. Krasnoyarsk. : Sib. Feder. University Press, 2015. Direction of natural science – mathematics, computer science: modeling and optimization of complex systems. S. 31–32.

References 1. Kushnareva T. V., Lipinskiy L. V. Algoritm geneticheskogo programmirovaniya dlya avtomatizirovannogo formirovaniya derev'ev prinyatiya resheniya [Genetic Programming Algorithm for Automated Decision Tree] // Reshetnev reading : Proceedings of the XVIII International scientific conference. Krasnoyarsk: Siberian State Aerospace University, 2014. Vol. 2. P. 84–86. 2. Gibridnyy evolyutsionnyy algoritm avtomatizirovannogo formirovaniya derev’ev prinyatiya resheniya [Hybrid evolutionary algorithm for the automated design of decision trees] / Lipinski L. V., Kushnareva T. V., Popov E. A., etc // Bulletin of the Siberian State Aerospace University. ak. MF Reshetnev. Issue. 5 (57), Krasnoyarsk, 2014, рp. 85–92.

© Липинский Л. В., Кушнарева Т. В., 2015 ___________ УДК 004.89 ПРИКЛАДНОЕ ИСПОЛЬЗОВАНИЕ МЕТОДОВ ОБРАБОТКИ ДАННЫХ В ПОЛИТИЧЕСКОМ АНАЛИЗЕ Ю. С. Ломаев, Ю. В. Сидорина Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Зачастую актуальной задачей является определение по характерным чертам принадлежности объекта к определённому классу как в промышленной и космической отрасли, так и в социальных сферах. Для этого могут быть использованы такие прикладные методы обработки данных, как кластерный и факторный анализы. Ключевые слова: классификация, метод ближайших соседей, алгоритм иерархической классификации, метод Варда, метод главных компонент. USING DATA PROCESSING TECHNIQUES IN POLITICAL ANALYSIS Yu. S. Lomaev, Yu. V. Sidorina Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] Significant task is often to define characteristic features of accessory to a certain class of object in industrial and aerospace industries, and in social spheres. Such methods of application data as cluster and factor analysis may be used. Keywords: classification, nearest neighbor, hierarchical classification algorithm, Ward’s method, principal component analysis. критерий «да» (1), «нет» (0) или «затрудняюсь» (–) [1]. Общее количество конгрессменов Oi, i = 1, …, 435. Фрагмент голосования Конгресса США приведён на рис. 1. В качестве метода заполнения пропущенных данных используется метод ближайших соседей [2]. Для пустых ячеек получаем определённые значения.

Рассматривается задача классификации с применением методов анализа и обработки данных. В качестве примера рассмотрим голосование Конгресса США (1984 год). По результатам голосования конгрессменов необходимо построить классификатор для идентификации принадлежности каждого конгрессмена к политическим партиям. Имеются 16 критериев голосования. Каждый конгрессмен отвечает на 59

Решетневские чтения. 2015

Рис. 1. Фрагмент голосования Конгресса США

Результатом заполнения данных являются десятичные числа. Теперь можно приступать к основной задаче – определению количества классов (партий). Для реализации этой задачи возможно использование агломеративного алгоритма иерархической классификации. Рассматриваемый алгоритм заключается в представлении всех экземпляров (конгрессменов) в признаковом пространстве (критерии голосования) и расчёте расстояния между данными экземплярами [3]. Определение расстояния между экземплярами производилось при помощи евклидовой метрики по следующему принципу (для примера 2-х точек имеющейся выборки): Di , j =

ваются исходные критерии голосования: социальная защита детей, водное распределение, бюджет, акт об экспорте с ЮАР. Преступность связана с образованием, поддержка странам сливается во внешнеполитическую направленность. В итоге возможно уменьшение размерности признакового пространства до 10. Однако в дальнейшем из собственных умозаключений проблематично сделать вывод об уменьшении признакового пространства. В этом случае используется метод главных компонент (МГК) [4]. Перед использованием МГК рассматривались 10 независимых факторов (признаков). В результате работы МГК были рассчитаны вклады факторов. Они соответственно равны: EV(Var1(защита детей)) = 7.42957, EV(Var2(образование)) = 1,42148, EV(Var3(бюджет)) = 1,12795, EV(Var4(внешняя политика)) = 0,861574, …, EV(Var10(судебная реформа)) = 0,13238. Далее отбираются только факторы с собственными значениями, равными или большими 1 (критерий Кайзера). Получается, что данным требованиям отвечают только первые 3 критерия. Таким образом, пространство признаков сократилось до трехмерного. В итоге получена наглядная иллюстрация классификации конгрессменов по политическим партиям (критерии защиты детей и образования при срезе составляющей бюджета, рис. 3).

( xi − x j ) 2 + ( yi − y j ) 2 + ... + (ti − t j ) 2 + + (mi − m j ) 2 + (ki − k j ) 2 + (ni − n j ) 2 ,

где i, j – точки; x, y, …, t, m, k, n – признаки. В качестве правила объединения множеств использовался метод Варда (между кластерами берется прирост суммы квадратов расстояний объектов до центров кластеров, получаемый в результате их объединения). Результатом работы алгоритма является графическое представление иерархии – дендрограмма (рис. 2).

Рис. 2. Классификация экземпляров в виде дендрограммы Рис. 3. Объекты Oi выборки в двумерном пространстве

Очевидно, что выделяются 2 кластера (партии). Принадлежность каждого объекта к конкретному классу: 1 класс – 189 объектов, 2 класс – 246 объектов. Однако такую классификацию трудно представить наглядно, поэтому необходимо сокращение признакового пространства. Первоначально рассматри-

Согласно данным по заседанию Конгресса США [5], политический состав был следующий: республиканцы – 242, социал-демократы – 193. Таким образом, в процентном соотношении ошибочная классифика60

Математические методы моделирования, управления и анализа данных

ция составила 0,958 %. При этом зашумлённость данных составила 4,14 %. Прикладные методы обработки данных необходимы для проведения политического анализа и прогнозирования с целью получения знаний из имеющейся информации.

References 1. URL: http://archive.ics.uci.edu/ml/datasets/Congressional+Voting+Records. 2. Zloba Ye., Yatskiye I. Statisticheskiye metody vosstanovleniya propushchennykh dannykh // Computer Modelling & New Technologies. 2002. Vol. 6. No. 1, рр. 51–61. 3. Klassifikatsiya i klaster / pod red. Rayzina D. V. M. : Mir, 1980. 393 s. 4. Vizualizatsiya mnogomernykh dannykh / pod red. Zinov’yeva A. Yu. Krasnoyarsk : Izd. KGTU, 2000. 168 c. 5. URL: http://archive.ics.uci.edu/ml/machine-learningdatabases/voting-records/house-votes-84.names.

Библиографические ссылки 1. URL: http://archive.ics.uci.edu/ml/datasets/Congressional+Voting+Records. 2. Злоба Е., Яцкие И. Статистические методы восстановления пропущенных данных // Computer Modelling & New Technologies. 2002. Vol. 6, № 1. С. 51–61. 3. Классификация и кластер / под ред. Д. В. Райзина. М. : Мир, 1980. 393 с. 4. Визуализация многомерных данных / под ред. А. Ю. Зиновьева. Красноярск : Изд. КГТУ, 2000. 168 c. 5. URL: http://archive.ics.uci.edu/ml/machine-learningdatabases/voting-records/house-votes-84.names.

© Ломаев Ю. С., Сидорина Ю. В., 2015

__________ УДК 519.87 О МНОГОКРИТЕРИАЛЬНОМ САМОКОНФИГУРИРУЕМОМ ЭВОЛЮЦИОННОМ АЛГОРИТМЕ ДЛЯ АВТОМАТИЗИРОВАННОГО ФОРМИРОВАНИЯ АНСАМБЛЕЙ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ* Е. Д. Лосева, Л. В. Липинский Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Разработан комплексный подход к автоматизированному формированию ансамблей (коллективов) нейросетевых моделей, позволяющий решать задачи прогнозирования, классификации, отбора информативных признаков с учетом многокритериальной оценки эффективности. Также разработан и применен альтернативный подход к формированию коллективного решения, в котором будут учтены решения отдельных его членов. Исследование эффективности было проведено на множестве тестовых задач: его работоспособность была установлена. Ключевые слова: многокритериальная оптимизация, самоконфигурируемое генетическое программирование, ансамбли нейросетевых моделей. ABOUT SELF-CONFIGURING MULTI-OBJECTIVE EVOLUTIONARY ALGORITHM FOR AUTOMATED DESISGN ENSEMBLES OF NEURAL NETWORK MODELS E. D. Loseva, L. V. Lipinskiy Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The complex approach for automated formation of ensembles (collectives) of neural network models is developed. This method allows to solve problems of prediction, classification, feature selection with multi-criteria evaluation of effectiveness. Also the alternative approach to the formation of a collective solution is developed in which the solutions of its individual members are considered. The study of an effectiveness with different test tasks is conducted: the performance efficiency is established. Keywords: multi-objective optimization, “Self-configuring” genetic programming, ensembles of the neural network models. *

Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037.

61

Решетневские чтения. 2015

Разработанный комплексный подход с применением самоконфигурируемого многокритериального эволюционного алгоритма позволяет автоматизировать формирование нейросетевых моделей, объединяющихся в коллективы (ансамбли), использующих конечное число предварительно обученных моделей. Выявлено, что способность к обобщению системы на основе нейронных сетей может быть значительно повышена за счет их объединения в коллектив. Этот подход был впервые предложен в [1]. Описание алгоритма для решения различных задач встречалось во многих работах, например в [2]. Главная идея алгоритма заключается в моделировании нейросетевых моделей, которые в ходе работы программы генерируются с помощью генетического программирования. Каждая нейросетевая модель является индивидом в популяции и представляется в виде дерева, в узлах которого устанавливаются операторы {+, >} из функционального множества F {ВХ1, ВХ2, ..., ВХn – входные воздействия, F1, F2, ..., Fm – функции активации} и из терминального множества T. Операторы {+, >} позволяют выполнить следующие функции: {+} – объединения в слой и {>} – объединения между слоями. Далее каждый индивид оценивается и отбирается по трем различным критериям эффективности. Преимуществом разработанного комплексного подхода является возможность автоматического моделирования структуры нейросетевой модели, что позволяет формировать подходящую структуру для той или иной задачи с минимизацией сложности состава (количества нейронов, количества слоев), при этом не проигрывая в эффективности [3; 4]. Каждая нейросетевая модель оценивается и отбирается с учетом нескольких критериев эффективности [5–7]. Ниже приведен перечень основных критериев: 1. Первый критерий – это точность. 2. Второй критерий – это сложность структуры нейросетевой модели. 3. Третий критерий – это точность ансамбля нейросетевых моделей. В зависимости от задачи и цели оптимизации количество критериев дополнялось или изменялось. Соответственно, менялись и функции пригодности для вычисления эффективности, например, в задаче прогнозирования в качестве первого критерия использовалась функция пригодности, вычисляемая по формуле (1):

Также применение самоконфигурируемого генетического программирования осуществляет выбор оптимального набора операторов для реализации эволюционных процессов, таких как селекция, рекомбинация и мутация. Оптимальность набора признаков рассматривается с точки зрения наибольшего значения по пригодности индивида – потомка, полученного выбранным набором операторов. Оценка пригодности каждого нового потомка осуществляется по формуле (3): ⎛ ∑ Fitki ⎜ j max ⎜ j =1, zl ⎜ ∑1 ⎝ j

E=

N

N

→ min,

Библиографические ссылки 1. Лосева Е. Д., Липинский Л. В. Ансамбли нейросетевых классификаторов с применением многокритериального самоконфигурируемого генетического программирования // Актуальные проблемы авиации и космонавтики : сб. тезисов конф. 2015. C. 25. 2. Loseva E., Lipinsky L., Kyklina A. Eensembles of Neural Networks with Application of Multi-Objective Self-Configuring Genetic Programming in Forecasting Problems // 11th Intern. Conf. on Natural Computation (ICNC 2015). China, Zhangjiajie, 2015. Р. 525. 3. Angeline P. J. Adaptive and self-adaptive evolutionary computations // Eds. M. Palaniswami, Y. Attikiouzel. Computational Intelligence: A Dynamic Systems Perspective / IEEE Press, 1995. P. 152–163. 4. Kasabov N. Foundations of Neural Networks, Fuzzy Systems, and Knowledge Engineering. 2nd printing. The MIT Press, Cambridge, 1998. P. 16. 5. O’Neill M., Vanneschi L., Gustafson S., Banzhaf W. Open issues in genetic programming // Genetic Programming and Evolvable Machines. 2010. P. 339–363. 6. Huang J.-J., Tzeng G.-H., Ong Ch.-Sh. Two – stage genetic programming (2SGP) for the credit scoring model // Applied Mathematics and Computation. 2006. P. 1039–1053. 7. Semenkina M. E. Self-adaptive evolutionary algorithms of information technologies design of data mining. Artificial intelligence and decision making. K., 2013. P. 28.

(1)

где N – количество значений выхода; y ∗ – эталонные значения; yˆ – получаемые выходные значения. А в задаче прогнозирования для описания точности выбрана функция пригодности, которая вычисляется по формуле (3): Pr ecision =

P → max, N

(3)

где k = 1, N , N - количество итераций; Fitki – пригодность значения i-th индивидуума на k-итерации. Программный продукт реализован с помощью среды программирования Visual Studio C# и протестирован на компьютере с 1 терабайтом памяти и 2-ядерным процессором Intel Core i5-2410 (2.10 GHz). Стоит отметить, что программная система была успешно использована для решения различных практических задач классификации, прогнозирования, а также модификация предложенного подхода позволила успешно осуществить задачу отбора информативных признаков, представляющих собой вектор акустических характеристик, и решить задачу распознавания пола, возраста и эмоций человека с высокой точностью.

i =1

∑ | yi* − yˆi |

⎞ ⎟ ⎟ ⇒ j, ⎟ ⎠

(2)

где P – это количество правильно классифицированных объектов; N – это общее количество объектов. 62

Математические методы моделирования, управления и анализа данных

4. Kasabov N. Foundations of Neural Networks, Fuzzy Systems, and Knowledge Engineering. 2nd printing. The MIT Press, Cambridge, 1998, рр. 16. 5. O’Neill M., Vanneschi L., Gustafson S., Banzhaf W. Open issues in genetic programming // Genetic Programming and Evolvable Machines, 2010, рр. 339–363. 6. Huang J.-J., Tzeng G.-H., Ong Ch.-Sh. Two – stage genetic programming (2SGP) for the credit scoring model // Applied Mathematics and Computation. 2006. Рр. 1039–1053. 7. Semenkina M. E. Self-adaptive evolutionary algorithms of information technologies design of data mining. Artificial intelligence and decision making. K., 2013. Рр. 28.

References 1. Loseva E. D., Lipinskiy L. V. Ensembles of neural network classifiers using genetic programming multicriteria self-configuring // Actual problems of aviation and cosmonautics: Sat. abstracts. 2015, рp. 25. 2. Loseva E., Lipinskiy L., Kyklina A. Eensembles of Neural Networks with Application of Multi-Objective Self-Configuring Genetic Programming in Forecasting Problems // 11th International Conference on Natural Computation (ICNC 2015). China, Zhangjiajie, 2015. Рр. 525. 3. Angeline P. J. Adaptive and self-adaptive evolutionary computations // Palaniswami M. and Attikiouzel Y. (Eds.) Computational Intelligence: A Dynamic Systems Perspective. IEEE Press, 1995, рр. 152–163.

© Лосева Е. Д., Липинский Л. В., 2015

___________ УДК 519.68 ОБ ЭВОЛЮЦИОННЫХ АЛГОРИТМАХ В ЗАДАЧЕ ОПТИМИЗАЦИИ ПРОЦЕССА ОТБОРА ИНФОРМАТИВНЫХ ПРИЗНАКОВ* Е. Д. Лосева, С. С. Бежитский Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Описываются эволюционные алгоритмы для реализации отбора информативных признаков. В качестве получаемых решений принимаются релевантные наборы признаков. Рассматриваются одно- и многокритериальные алгоритмы. Указаны преимущества предложенных подходов. Ключевые слова: многокритериальная оптимизация, генетическое программирование, генетический алгоритм, информативные признаки. ABOUT EVOLUTIONARY ALGORITHMS IN THE TASK OF OPTIMISATION PROCESS OF INFORMATIVE FEATURE SELECTION E. D. Loseva, C. C. Bezhitsky Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The evolutionary algorithms for informative feature selection are described. Relevant feature sets are adopted as a solution. The one – and multi-criteria algorithms are considered. The advantages of the proposed approaches are indicated. Keywords: multi-objective optimization, genetic programming, genetic algorithm, informative features. Проведенные эксперименты подтверждают свою высокую эффективность. Например, целесообразность применения однокритериального генетического алгоритма (ГА) к задаче выбора оптимального набора признаков объясняется следующими причинами:* 1. Это удобное представление каждого признака с помощью кода "0" или "1": 1 – это релевантный атрибут.

В настоящее время существует множество программных пакетов, предлагающих разнообразие методов снижения размерности. Но часто такие методы не показывают достаточную эффективность, поэтому были разработаны и применены нестандартные подходы, основанные на применении интеллектуального анализа данных (одно- и многокритериальные эволюционные алгоритмы). Успешные применения таких алгоритмов описаны в [1; 2]. Кроме того, были проведены эксперименты с применением многокритериального генетического алгоритма и генетического программирования.

*

Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037.

63

Решетневские чтения. 2015

2. В качестве целевой функции выбрана точность классификации на рассматриваемой подсистеме признаков. Также в работе [3] был предложен многокритериальный ГА для отбора информативных признаков. В качестве моделей используются классификаторы. Причем каждая выбранная подсистема признаков участвует в обучении этих классификаторов. Получается некоторая совокупность моделей. Решение о принадлежности объекта к определенному классу принимается на основе процедуры голосовая обученных классификаторов с учетом правила большинства [5]. В работе [6] предложен новый альтернативный подход с применением многокритериального генетического программирования, позволяющий комплексно подойти к решению задачи отбора информативных признаков. Концепция метода заключается в применении нейросетевых классификаторов, структура которых моделируется с применением генетического программирования. Каждый нейросетевой классификатор декодируется в виде дерева. Генерируется начальная популяция. На вход нейросетевой модели подается разное количество признаков. Далее осуществляется применение эволюционных операторов: селекции, рекомбинации и мутации. Для поиска оптимальной модели, а следовательно, релевантного набора признаков (входных воздействий), применяются следующие критерии эффективности: 1) уровень корреляции входных воздействий; 2) точность классификации; 3) сложность нейросетевой модели. Задачей алгоритма является поиск «лучшей» модели с точки зрения эффективности по вышеупомянутым критериям. Итоговое решение – это подсистема признаков, соответствующая набору входных воздействий модели. Работоспособность описанных алгоритмов была исследована на множестве задач распознавания эмоций, пола и возраста человека [7–9]. Полученные результаты показали высокое качество получаемых решений. Интеграция интеллектуальных модулей, например в диалоговую систему, сводится к внедрению блоков, реализующих акустический анализ речевого сигнала, и алгоритма обучения системы, примеры которых представлены в этой статье [10; 11].

Informatics in Control, Automation and Robotics (ICINCO). 2014. P. 851–855. 4. Брестер К. Ю. Архитектура программной системы для решения задач классификации с автоматическим извлечением информативных признаков многокритериальным генетическим алгоритмом // Решетневские чтения : сб. материалов. Красноярск, 2014. Ч. 2. С. 231–233. 5. Venkatadri M., Srinivasa Rao K. A multiobjective genetic algorithm for feature selection in data mining // International J. of Computer Science and Information Technologies. 2010. Vol. 1, no. 5. Р. 443–448. 6. Sergienko R. [Effectiveness investigation of the coevolutionary genetic algorithm for constrained optimization] // Vestnik SibGAU. 2009. No. 3 (24). Р. 31–34 (In Russ.). 7. Hall M. [et al.]. The WEKA Data Mining Software: An Update, SIGKDD Explorations, 2009. Vol. 11, iss. 1. 8. Burkhardt F. [et al.]. A database of german emotional speech. In Interspeech, 2005. Рp. 1517–1520. 9. Haq S., Jackson P. Machine Audition: Principles, Algorithms and Systems, chapter Multimodal Emotion Recognition. IGI Global, Hershey PA. 2010. Р. 398–423. 10. Schmitt A., Ultes S., Minker W. A parameterized and annotated corpus of the cmu let’s go bus information system // Proceedings of Intern. Conf. on Language Resources and Evaluation (LREC). 2012. References 1. Loseva E. D. Recognition of emotion, gender and age of the person for functioning the system “Smart house”. FIITM – 2014 : Proceedings of the international scientific – practical conference. Krasnoyarsk: SFU, 2014. Рр. 239–249. 2. Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection // Proceedings of International Conference on Engineering and Applied Sciences Optimization (OPT-i’14). 2014. Pр. 1838–1846. 3. Brester C., Sidorov M., Semenkin E. Acoustic Emotion Recognition: Two Ways of Features Selection Based on Self-Adaptive Multi-Objective Genetic Algorithm // Proceedings of the Intern. Conf. on Informatics in Control, Automation and Robotics (ICINCO). 2014. Pр. 851–855. 4. Brester K. Y. Architecture of a software system to solve classification problems with the automatic extraction of informative features multi-criteria genetic algorithm // Reshetnev reading. Krasnoyarsk, 2014. Coll. of the materials. Part 2, рр. 231–233. 5. Venkatadri M., Srinivasa Rao K. A multiobjective genetic algorithm for feature selection in data mining // International J. of Computer Science and Information Technologies. 2010. Vol. 1, no. 5. Р. 443–448. 6. Sergienko R. [Effectiveness investigation of the coevolutionary genetic algorithm for constrained optimization] // Vestnik SibGAU. 2009. no. 3(24), рp. 31– 34 (In Russ.).

Библиографические ссылки 1. Лосева Е. Д. Распознавание эмоций, пола и возраста человека для функционирования системы «Умный дом» // FIITM – 2014 : материалы Междунар. науч.-практ. конф. / СФУ. Красноярск 2014. С. 239–249. 2. Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection // Proceedings of Intern. Conf. on Engineering and Applied Sciences Optimization (OPTi’14). 2014. P. 1838–1846. 3. Brester C., Sidorov M., Semenkin E. Acoustic Emotion Recognition: Two Ways of Features Selection Based on Self-Adaptive Multi-Objective Genetic Algorithm // Proceedings of the Intern. Conf. on 64

Математические методы моделирования, управления и анализа данных

7. Hall M., Frank E., Holmes G., Pfahringer B., Reutemann P., Witten I. H. The WEKA Data Mining Software: An Update, SIGKDD Explorations, 2009, Vol. 11, iss. 1. 8. Burkhardt F., Paeschke A., Rolfes M., Sendlmeier W. F., and Weiss B. A database of german emotional speech. In Interspeech, 2005, рp. 1517–1520. 9. Haq S., Jackson P. Machine Audition: Principles, Algorithms and Systems, chapter Multimodal Emotion

Recognition. IGI Global, Hershey PA, Aug. 2010, рp. 398–423. 10. Schmitt A., Ultes S., and Minker W. A parameterized and annotated corpus of the cmu let’s go bus information system // Proceedings of International Conference on Language Resources and Evaluation (LREC), 2012. © Лосева Е. Д., Бежитский С. С., 2015

__________ УДК 519.87 О ПРИМЕНЕНИИ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ В ЗАДАЧАХ ТЕХНИЧЕСКОЙ ДИАГНОСТИКИ* Д. Ю. Мамонтов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Производится сравнение эффективности различных методов интеллектуального анализа данных в задачах классификации типов повреждений стальных пластин, а также диагностики отказов электродвигателей. Ключевые слова: техническая диагностика, интеллектуальный анализ данных, классификация, эволюционный алгоритм, оптимизация. ON DATA MINING TOOLS APPLICATION FOR SOLVING PROBLEMS OF TECHNICAL DIAGNOSTICS D. Yu. Mamontov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] In this article, the effectiveness of various data mining methods is compared to the problems of steel plate damage identification and diagnostics of electromotors. Keywords: technical diagnostics, data mining, classification, evolutionary algorithm, optimization. качества. База данных о стальных пластинах предоставлена итальянским научно-исследовательским центром наук о коммуникации Semeion [1]. База содержит 1941 вектор и 7 классов дефектов. Вторая база данных оценки качества электромоторов предоставлена университетом прикладных наук Германии. База содержит 58509 векторов и 11 классов [2]. Для решения задач использовалась система анализа данных Rapid Miner Studio 5.3.015 [3].* В качестве исследуемых методов анализа данных были выбраны: искусственная нейронная сеть (ANN [4]) с 1 скрытым слоем, состоящим из 19 нейронов с сигмоидальной логистической функцией в качестве функции активации (скорость обуче-

Безусловным требованием к ракетно-космической технике является ее надежность, обеспечение которой требует значительных усилий на всех стадиях разработки и изготовления, начиная от оценки качества исходных материалов и заканчивая приемочным контролем качества комплектующих и всего изделия в целом. Для выявления возможных дефектов на всех этапах контроля качества применяются методы технической диагностики, основанные на различных физических свойствах изделий. Однако во всех случаях полученные данные требуют дальнейшего анализа с использованием интеллектуальных информационных технологий. Данная работа посвящена изучению эффективности таких технологий в задачах технической диагностики. Для этого были выбраны две базы с данными технической диагностики на различных этапах оценки

*

Работа выполнена RFMEFI57414X0037.

65

в

рамках

проекта

Решетневские чтения. 2015

2. Bayer C. [et al.]. Sensorless drive diagnosis using automated feature extraction, significance ranking and reduction // Emerging Technologies & Factory Automation (ETFA) IEEE 18th Conference on. IEEE, 2013. С. 1–4. 3. Rapid Miner Studio Downloadable GUI for machine learning, data mining, text mining, predictive analytics and business analytics [Electronic resourse]. URL: https://rapidminer.com/ (date of visit: 21 August 2015). 4. Wang S. C. Artificial neural network. New York : Springer US – Interdisciplinary Computing in Java Programming, 2003. Pp. 81–100. 5. Wang H., Bell D. Extended k-Nearest Neighbours Based on Evidence Theory // The Computer Journal. 2004. Vol. 47(6). Рp. 662–672. 6. Osei-Bryson K. M. Overview on decision tree induction. New York : Springer US – Advances in Research Methods for Information Systems Research, 2014. Pp. 15–22. 7. Xiang Z. L. Novel Naive Bayes based on Attribute Weighting in Kernel Density Estimation // Joint 7th Intern. Conf. on and Advanced Intelligent Systems (ISIS). San Antonio. 2014. Pp. 1439–1442. 8. Breuel T. M., Shafait F. Automlp Simple, effective, fully automated learning rate and size adjustment // The Learning Workshop. 2010. Pp. 122–131. 9. Бежитский С. С., Семенкин Е. С., Семенкина О. Э. Гибридный эволюционный алгоритм для задач выбора эффективных вариантов систем управления // Автоматизация. Современные технологии. 2005. № 11. С. 24. 10. Семенкин Е. С., Семенкина М. Е. Применение генетического алгоритма с модифицированным оператором равномерной рекомбинации при автоматизированном формировании интеллектуальных информационных технологий // Вестник СибГАУ. 2007. Вып. 3(16). С. 27–33.

ния 0,11, импульс 0,61, оптимизированная по количеству циклов обучения 45); метод ближайших соседей (k-NN [5]), оптимизированный по количеству ближайших соседей; деревья решений (DT [6]) с параметрами, установленными по умолчанию (оптимизация не дала существенных улучшений в точности результатов); наивный байесовский классификатор с оценкой плотности ядра (NBK [7]), оптимизированный по количеству ядер; автоматический многослойный персептрон (AutoMLP [8]), оптимизированный по количеству циклов обучения. Для анализа второй базы использовались те же методы, но без оптимизации. После применения перечисленных методов на первом наборе данных были получены следующие оценки точности диагностирования: ANN – 72,85 %, k-NN – 71,65 %, DT – 50,34 %, NBK – 69,02 %, AutoMLP – 72,48 %. Следующий шаг был попыткой объединить несколько методов в одном алгоритме. Это ансамбли с голосованием, включающие все методы или только лучший и худший из них. Первый ансамбль показал результат 74,40 %, а второй – 74,23 %. Применение процедуры баггинга (10 итераций) для искусственной нейронной сети позволило получить самый высокий результат 75,09 %. Применения методов на второй базе данных дало следующие результаты: ANN – 98,09 %; k-NN – 11,64 %; DT – 65,54 %; NBK – 77,81 %; AutoMLP – 98,78 %. В отличие от первой базы данных, наблюдается широкий разброс в точности у различных методов от 11 до 98 %, поэтому использование ансамбля методов могло дать положительный эффект, если бы эти алгоритмы ошибались в различных частях выборки. Однако этого не происходило, и ансамбль не давал прироста в точности. Оба вида ансамблей дали худшие результаты (93,59 и 74,23 %). Применение баггинга позволило слегка повысить точность ANN (99,34 %). Можно утверждать, что методы интеллектуального анализа данных позволяют достигать иногда высоких результатов в области технической диагностики, но это обычно требует значительных затрат времени специалистов в обеих областях (технической диагностики и анализа данных). Стоит заметить, что использование готовых программных продуктов, таких как Rapid Miner Studio, не всегда позволяет гибко настраивать алгоритмы, что мешает достигать более высоких результатов, хотя и позволяет относительно быстро получить некоторый полезный результат. Поэтому применение полученных таким образом моделей на практике несет в себе большие риски, что недопустимо в ракетно-космической отрасли. В такой ситуации необходимо разрабатывать и применять более эффективные методы, основанные на специальных эволюционных алгоритмах [9; 10], а также отказываться от использования готовых универсальных программных продуктов.

References 1. Semeion, Research Center of Sciences of Communication, Via Sersale 117, 00128, Rome, Italy. Available at: www.semeion.it [21 August 2015]. 2. Bayer C. [et al.]. Sensorless drive diagnosis using automated feature extraction, significance ranking and reduction // Emerging Technologies & Factory Automation (ETFA), 2013 IEEE 18th Conference on. IEEE, 2013. С. 1–4. 3. Rapid Miner Studio Downloadable GUI for machine learning, data mining, text mining, predictive analytics and business analytics. Available at: https://rapidminer.com/ [21 August 2015]. 4. Wang S. C. Artificial neural network. New York : Springer US – Interdisciplinary Computing in Java Programming, 2003. Pp. 81–100. 5. Wang H. and Bell D. Extended k-Nearest Neighbours Based on Evidence Theory // The Computer Journal, Vol. 47(6) Nov. 2004, рp. 662–672. 6. Osei-Bryson K. M. Overview on decision tree induction. New York : Springer US – Advances in Research Methods for Information Systems Research, 2014. Pp. 15–22.

Библиографические ссылки 1. Semeion, Research Center of Sciences of Communication [Electronic resourse]. Via Sersale 117, 00128, Rome, Italy. URL: www.semeion.it (date of visit: 21 August 2015). 66

Математические методы моделирования, управления и анализа данных

7. Xiang Z. L. Novel Naive Bayes based on Attribute Weighting in Kernel Density Estimation. San Antonio // Joint 7th International Conference on and Advanced Intelligent Systems (ISIS), 2014. Pp. 1439–1442. 8. Breuel T. M., Shafait F. Automlp Simple, effective, fully automated learning rate and size adjustment // The Learning Workshop. 2010. Pp. 122–131. 9. Bezhitskiy S. S., Semenkin E. S., Semenkina O. E. Hybrid evolutionary algorithms for the choice of effective

variants of control systems // Avtomatizatsiya. Sovremennye technologii. 2005. № 11. P. 24. 10. Semenkin E. S., Semenkina M. E. Application of genetic programming algorithm with modified uniform crossover operator for automated design of intelligent information technologies // Vestnik SibSAU. 2007. No. 3(16), рp. 27–33. © Мамонтов Д. Ю., 2015

__________ УДК 519.6 ИССЛЕДОВАНИЕ ВЛИЯНИЯ РАЗНООБРАЗИЯ ИНДИВИДУАЛЬНЫХ МОДЕЛЕЙ НА ТОЧНОСТЬ АНСАМБЛЯ Е. С. Мангалова Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Задачи анализа данных возникают в ракетно-космической отрасли, экономике, медицине и т. д. Одним из методов их решения являются ансамбли моделей. Исследуется вопрос повышения точности ансамбля за счет увеличения разнообразия моделей. Ключевые слова: анализ данных, идентификация, ансамблевое обучение, разнообразие ансамбля. RESEARCH OF INFLUENCE OF INDIVIDUAL MODELS DIVERSITY ON ENSEMBLE ACCURACY E. S. Mangalova Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] Data analysis problems arise in space-rocket industry, economics, medicine, etc. Ensembles of models are one of the methods to solve them. This paper investigates the issue of increasing the ensemble accuracy by increasing the models diversity. Keywords: data analysis, identification, ensemble learning, ensemble diversity. Одна из основных задач, возникающих при построении ансамбля – генерация разнообразных индивидуальных моделей [2], так как объединение одинаковых моделей в ансамбле не может повысить точность прогноза. Задача генерации разнообразия усложняется тем, что, во-первых, индивидуальные модели обучаются для решения одной задачи, по одной обучающей выборке и вследствие этого обычно сильно коррелированы, во-вторых, индивидуальные модели не должны быть слишком неточными. Нахождение компромисса между точностью индивидуальных моделей и их разнообразием – одна из ключевых задач при построении ансамбля моделей [3]. В данной работе исследуются взаимосвязи между точностью ансамбля, точностью индивидуальных моделей и их разнообразием.

Введение. Универсальность методов интеллектуального анализа данных позволяет применять их в различных технических областях (в том числе и в ракетно-космической отрасли), в экономике, медицине и т. д. На сегодняшний день существует широкий спектр методов анализа данных для решения задач идентификации и распознавания образов. Однако при решении сложных задач может оказаться, что ни один из алгоритмов не обеспечивает желаемой точности. В подобных случаях целесообразно строить ансамбли моделей [1]. Под обучением ансамбля моделей понимается процедура обучения конечного набора индивидуальных моделей hi ( x ) (i = 1, 2,.... N ) и их последующая агрегация в едином правиле: H ( x ) = F ( h1 ( x ), h2 ( x ),..., hN ( x ) ) .

67

Решетневские чтения. 2015

Разнообразие генерировалось с помощью бутстрепметода. Из обучающей выборки могут быть сформированы различные обучающие подмножества. Чем меньшие мощности имеют попарные пересечения этих подмножеств, тем более разнообразны обученные на них индивидуальные модели. Из обучающей выборки формируется N подмножеств размерностью M: вероятность попадания каждого наблюдения в i-е обучающее подмножество – M / n, где n – количество наблюдений в обучающей выборке. Каждая модель обучается по своему обучающему подмножеству. Исследования показали сильное влияние разнообразия моделей в ансамбле на его точность. Для всех рассмотренных способов агрегации моделей в ансамбль (кроме выбора лучшей модели по валидационной выборке) и критериев качества уменьшение размерности подмножеств M от n до некоторого значения, зависящего от решаемой задачи, приводит одновременно к увеличению разнообразия моделей и повышению точности ансамбля.

Зависимость ошибки ансамбля от разнообразия моделей в ансамбле. В работе [4] показано, что ошибка коллективной модели зависит от точности индивидуальных моделей и их разнообразия следующим образом: N

err ( H | x ) = ∑ wi err (hi | x ) − ambi ( H | x ) , i =1

в том случае, если правило объединения моделей представляет собой среднее взвешенное, а в качестве меры точности выбрана среднеквадратическая ошибка err (hi | x ) = ( f ( x ) − hi ( x ) ) , 2

err ( H | x ) = ( f ( x ) − H ( x ) ) , 2

неопределенность ансамбля в точке x определяется как N

ambi ( H | x ) = ∑ wi ( hi ( x ) − H ( x ) )

2

i =1

и показывает рассогласование среди индивидуальных моделей в точке x . Эту величину будем понимать под мерой разнообразия ансамбля. Однако данные соотношения справедливы только для одного правила объединения моделей в ансамбле (среднего взвешенного) и одного (квадратичного) критерия качества. В работе проведены численные исследования, показывающие зависимость точности ансамбля от разнообразия входящих в него моделей при использовании различных правил агрегации моделей в ансамбль и различных критериев качества. Численные исследования. В ходе исследований решались задачи из репозитария [5]. Задачи отличались количеством наблюдений, количеством признаков и типами этих признаков. В качестве индивидуальных моделей использовались деревья регрессии и нейронные сети. В качестве правила объединения моделей в ансамбле – среднее взвешенное, медиана, мода, выбор лучшей индивидуальной модели по валидационной выборке. Были выбраны следующие критерии качества: RMSLE (Root Mean Squared Logarithmic Error), MAE (Mean Absolute Error), MSE (Mean Squared Error).

References 1. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. URL: http://statweb.stanford.edu/~tibs/Elem StatLearn/ (accessed: 1.09.2015). 2. Zhou Z.-H. Ensemble Methods: Foundations and Algorithms. Chapman & Hall/CRC, 2012. 236 p. Machine Learning & Pattern Recognition series. 3. Kuncheva L. I. Combining Pattern Classifiers. Methods and Algorithms, Wiley, 2004. 4. Krogh A., Vedelsby J. Neural network ensembles, cross validation and active learning // Advanced in Neural Information Processing System 7. Cambridge : MIT Рress, 1995. Pр. 231–238. 5. UCI Machine Learning Repository: Data Sets. URL: http://archive.ics.uci.edu/ml/datasets.html (accessed: 1.09.2015).

© Мангалова Е. С., 2015

_____________ УДК 004.414.23 НЕЧЕТКАЯ СИСТЕМА УПРАВЛЕНИЯ ВЕРОЯТНОСТЬЮ МУТАЦИИ В ГЕНЕТИЧЕСКОМ АЛГОРИТМЕ*

Я. С. Матюхина, Л. В. Липинский Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: автора: [email protected] Генетические алгоритмы широко и успешно применяются в задачах проектирования аппаратнопрограммных комплексов, однако их надежность и скорость работы на каждой отдельной задаче в большой степени зависят от выбранных настроек алгоритма. Ключевые слова: генетический алгоритм, задачи оптимизации, нечеткая логика, нечеткий контроллер. *

Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037.

68

Математические методы моделирования, управления и анализа данных

FUZZY CONTROL SYSTEM PROBABILITY OF MUTATION IN A GENETIC ALGORITHM

Yа. S. Matyukhina, L. V. Lipinskiy Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] Genetic algorithms are widely and effectively used in problems of designing software and hardware, but their reliability and speed on every individual problem to a large extent depend on the selected settings of the algorithm. Keywords: genetic algorithm, optimization problem, fuzzy logic, fuzzy controller. Генетические алгоритмы широко и успешно применяются в задачах проектирования аппаратнопрограммных комплексов, в том числе и в таких сферах, как разработка систем управления космическими аппаратами, систем управления дорожным трафиком, охранно-пожарными комплексами и т. д. На сегодняшний день генетические алгоритмы, основанные на случайном поиске, доказали свою конкурентоспособность на широком круге задач, однако их надежность и скорость работы на каждой отдельной задаче в большой степени зависят от выбранных настроек алгоритма. Генетические алгоритмы относятся к средствам решения широкого круга задач оптимизации и структурного синтеза, которые способны находить решения практически при полном отсутствии информации о характере исследуемой функции [1]. Два фактора – скорость и устойчивость – определяют эффективность генетического алгоритма для решения каждой конкретной задачи. Скорость генетического алгоритма оценивается временем, необходимым для выполнения заданного пользователем числа итераций, а устойчивость поиска – степенью устойчивости алгоритма к попаданию в точки локальных экстремумов и способностью постоянно увеличивать качество популяции от поколения к поколению. Правильная настройка этих факторов приводит к повышению скорости и устойчивости поиска, что существенно для применения генетических алгоритмов [2; 3]. Главный недостаток генетического алгоритма – это опасность преждевременного вырождения популяции хромосом, выражающегося в потере разнообра-

зия генного материала, или «застревание» в локальных экстремумах (стагнация) [4]. Одним из значимых операторов генетического алгоритма является мутация, которая позволяет предотвратить стагнацию. Управляя вероятностью мутации, мы можем существенно менять свойства генетического алгоритма. Чем больше вероятность мутации ( Pm ) отдельного гена, тем больше применяется стратегия исследования – глобальные свойства, чем меньше мутация – локальные свойства. На ранних итерациях больше нужны глобальные свойства, а поздних стадиях – локальные свойства. Одним из способов управления вероятностью мутации в генетическом алгоритме является применение средств нечеткой логики, а именно, нечеткого контроллера [4; 5]. Динамическое управление вероятностью мутации осуществляется на основе таких показателей, как номер итерации ( Niter ) и разнообразие популяции ( I t ), которые являются входами нечеткого логического контроллера. Текущим значениям входных признаков нечеткая система логического вывода ставит в однозначное соответствие выходной признак нечеткого контроллера – вероятность мутации (см. рисунок). Было проведено сравнение стандартного генетического алгоритма и генетического алгоритма, управляемого системой на нечеткой логике, на одном множестве тестовых задач. В ходе тестирования для всех комбинаций настроек проводилось усреднение по 20 прогонам, в каждом прогоне по 50 индивидов и 50 итераций, решение искалось с точностью 0,001, размер турнира – 2.

а

б Схема генетического алгоритма, управляемого системой на нечеткой логике: а – объект управления (ОУ), б – устройство управления (УУ)

69

Решетневские чтения. 2015 Сравнение надежностей алгоритмов Стандартный ГА Задача

ГА, управляемый системой на нечеткой логике Минимальная Максимальная надежность надежность 0,21 0,8

Функция Растригина, x, y ∈ [ −16;16]

Минимальная надежность 0,1

Максимальная надежность 0,68

Функция Розенброка, x1 , x2 ∈ [ −2;2]

0,2

0,78

0,38

0,85

Функция Катковника, x1 , x2 ∈ [ −2.5;2.5]

0,12

0,76

0,2

0,83

Функция Катникова, x1 , x2 ∈ [ −5;5]

0,64

1

0,68

1

Мультипликативная потенциальная функция, x1 , x2 ∈ [ 0;4]

0,88

1

0,92

1

Было проведено сравнение минимальных и максимальных надежностей этих двух алгоритмов, часть результатов представлена в таблице. На основе проделанной работы можно сделать вывод, что генетический алгоритм, управляемый системой на нечеткой логике, имеет на всех функциях надежность и скорость сходимости больше, чем стандартный генетический алгоритм.

5. Валландер Н. Нечеткие множества. Нечеткая логика. 2004. References 1. Batishchev D. I. Genetic algorithms for solving extreme problems / Ed. Ya. E. Lvovich. Voronezh, 1995. 2. Semenkin E. S., Semenkina O. E., Korobeynikov S. P. Adaptive search optimization techniques of complex systems. SIBUP. Krasnoyarsk, 1997. 3. Semenkin E. S., Terskov V. A. Models and methods of optimization of the management of complex objects. SUI Interior Ministry. Krasnoyarsk, 2000. 4. Rutkowski D., Pilinsky M., Rutkowski L. Neural networks, genetic algorithms and fuzzy systems. M. : Hotline Telecom, 2006. 5. Wallander N. Fuzzy sets. Fuzzy Logic. 2004.

Библиографические ссылки 1. Батищев Д. И. Генетические алгоритмы решения экстремальных задач : учеб. пособие / под ред. Я. Е. Львовича. Воронеж, 1995. 2. Семенкин Е. С., Семенкина О. Э., Коробейников С. П. Адаптивные поисковые методы оптимизации сложных систем / СИБУП. Красноярск, 1997. 3. Семенкин Е. С., Терсков В. А. Модели и методы оптимизации систем управления сложными объектами / СЮИ МВД РФ. Красноярск, 2000. 4. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М. : Горячая линия–Телеком, 2006.

© Матюхина Я. С., Липинский Л. В., 2015

__________ УДК 519.65 АВТОМАТИЗАЦИЯ ИССЛЕДОВАНИЙ ДИСКРЕТНО ИЛИ ГРАФИЧЕСКИ ЗАДАННЫХ ЗАВИСИМОСТЕЙ

В. В. Митюков Ульяновское высшее авиационное училище гражданской авиации (институт) Российская Федерация, 432071, г. Ульяновск, ул. Можайского, 8/8 E-mail: [email protected] Рассматривается задача обобщения существующих методов гладкого приближения дискретных данных. Предложена единообразная вычислительная схема, позволяющая автоматизировать различные процессы аппроксимирования. Применение такой единой схемы упрощает и ускоряет получение искомых результатов в задачах, возникающих в ракетно-космических исследованиях (при моделировании, в вычислительных экспериментах). Ключевые слова: задачи аппроксимации, вычислительные методы, линейные уравнения, универсальный алгоритм, численное дифференцирование, численные квадратуры. 70

Математические методы моделирования, управления и анализа данных

AUTOMATING THE RESEARCH OF DISCRETE OR GRAPHICALLY ASSIGNED RELATIONSHIPS

V. V. Mityukov Ulyanovsk Higher Civil Aviation School (Institute) 8/8, Mozhaysky Str., Ulyanovsk, 432071, Russian Federation E-mail: [email protected] The paper studies consolidation of existing methods for discrete data smooth approximation. A uniform computational scheme makes it possible to automate various processes; the scheme and approximating are proposed. The use of this unified scheme simplifies and accelerates obtaining the desired results in problems arising in rocket and space research (modeling, computational experiments). Keywords: approximation problems, computational methods, linear equations, universal algorithm, numerical differentiation, numerical quadratures. системы точек {xi, yi}, путем накопления результата в процессе LU-разложения. Для пояснения приводится модельный пример интерполирования функции Sin x полиномом 4-й степени в интерактивном режиме. Система из пяти дискретных значений выбрана как 3 точки (p = 0) + 2 наклона касательных на концах (p = 1). Здесь p – показатель кратности интегральных и/или дифференциальных операций. Результаты вычислений отображены на рисунке. Кривые получены путем присвоения p нужного значения и последующего нажатия кнопки «Интерп.» (в таблице слева значения x указаны в радианах, а на графике – в градусах).

В работах [1–3] было представлено математическое обоснование универсального алгоритма, обобщающего методы приближения произвольных наборов дискретных данных, полученных в результате проведения сложных экспериментов или громоздких расчетов. Использовалась традиционная линейная зависимость [4; 5], составленная из аналитически вычисляемых фрагментов – базисных функций (например, из членов степенного ряда или ряда Чебышева, ряда Фурье и т. д.) с некоторыми коэффициентами. Унификация и единообразие вычислений основывалось на прямом решении линейных систем, полученных из условий интерполирования или сглаживающего приближения (метод наименьших квадратов) заданной

Приближение пяти дискретных значений функции Sin x полиномом 4-й степени

71

Решетневские чтения. 2015

Коэффициенты и зависимости для полученных кривых получаются следующими (в них значения x подставляются в радианах).

p = −2 (соответствует повторному интегрированию) : xx

y ⋅ dx = x − Sin x ≈ 0,16667 ⋅ x 3 + 0,00247 ⋅ x 4 − 0,01107 ⋅ x 5 + 0,00117 ⋅ x 6 ∫∫ 00 p = −1 (определяет первоначальное интегрирование) : x

∫0 y ⋅ dx

= 1− Cos x ≈ 0,50 ⋅ x 2 + 0,00986 ⋅ x 3 − 0,05537 ⋅ x 4 + 0,00705⋅ x 5

p = 0 (непосредственное интерполирование) : y = Sin x ≈ 1,0 ⋅ x + 0,02959 ⋅ x 2 − 0,22148⋅ x 3 + 0,03525⋅ x 4

p = 1 (соответствует первой производной) : y′ = Cos x ≈ 1,0 + 0,05918⋅ x − 0,66444 ⋅ x 2 + 0,14010 ⋅ x 3 p = 2 (соответствует второй производной) : y′′ = − Sin x ≈ 0,05918 −1,32888⋅ x + 0,42299 ⋅ x 2 (интересно, что 3-я производная от полинома станет уже линейной). 4. Каханер Д., Моулер К., Нэш С. Численные методы и математическое обеспечение : пер. с англ. М. : Мир, 1998. 575 с. 5. Райс Дж. Матричные вычисления и математическое обеспечение : пер. с англ. М. : Мир, 1984. 264 с.

Программная реализация универсальной схемы может использоваться для автоматизации исследований, связанных с обработкой дискретно заданных зависимостей, без ограничений на расположение узлов (точек), на выбор базисных функций и на способ приближения (интерполирование или метод наименьших квадратов). В этих случаях предоставляется возможность простого и быстрого получения результатов в режиме «нажми на кнопку – получишь результат», что позволит эффективнее использовать вычислительные мощности. Другой областью, где могут оказаться полезными указанные возможности, являются задачи разработки или развития численных методов, вытекающих из процессов математического моделирования.

References 1. Mityukov V. V. Obobshchennyi algoritm i diskretnaya unifitsirovannaya struktura dlya vychislitel’nykh zadach. “Sovremennye informatsionnye tekhnologii i IT-obrazovanie”. Sbornik dokladov nauchnoprakticheskoi konferentsii: uchebno-metodicheskoe posobie. M. : INTUIT.RU, 2009. S. 675–681. 2. Mityukov V. V. Universal’noe programmnoe reshenie dlya zadach differentsirovaniya i integrirovaniya odnomernykh diskretnykh mnozhestv // AVIA–2013 : Materiali XI mizhnarodnoï naukovo-tekhnichnoï konferentsiï. T. 1. Kiev : NAU, 2013. Рр. 6.33–6.36. 3. Mityukov V. V. Unifitsirovannyi podkhod k voprosam approksimatsii diskretno zadannykh zavisimostei // Reshetnevskie chteniya : materialy XVII Mezhdunarodnoi nauchnoi konferentsii (12–14 noyabrya 2013 g., Krasnoyarsk) : v 2 ch. / pod obshch. red. Yu. Yu. Loginova ; Sib. gos. aerokosmich. un-t. Krasnoyarsk, 2013. Ch. 2, рр. 60–61. 4. Kahaner D., Moler C., Nash St. Numerical methods and software. Prentice–Hall International Inc., 1998. 575 p. 5. Rice J. R. Matrix computations and mathematical software. McGraw–Hill Bock Company, 1984. 264 p.

Библиографические ссылки 1. Митюков В. В. Обобщенный алгоритм и дискретная унифицированная структура для вычислительных задач // Современные информационные технологии и IT-образование : сб. докл. науч.-практ. конф. М. : ИНТУИТ.РУ, 2009. С. 675–681. 2. Митюков В. В. Универсальное программное решение для задач дифференцирования и интегрирования одномерных дискретных множеств // АВIA– 2013 : матерiали XI Мiжнар. наук.-техн. конф. Киев : НАУ, 2013. Т. 1. С. 6.33–6.36. 3. Митюков В. В. Унифицированный подход к вопросам аппроксимации дискретно заданных зависимостей // Решетневские чтения : материалы XVII Междунар. науч. конф. (12–14 нояб. 2013, г. Красноярск). В 2 ч. Ч. 2 / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2013. С. 60–61.

© Митюков В. В., 2015

72

Математические методы моделирования, управления и анализа данных

УДК 519.87 ОПТИМИЗАЦИЯ КОЭФФИЦИЕНТА РАЗМЫТОСТИ ЯДРА В МОДЕЛИРОВАНИИ ПРИ ПОМОЩИ ЯДЕРНЫХ ОЦЕНОК

Е. Д. Михов Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 Е-mail: [email protected] При построении модели объекта при помощи ядерных оценок важным параметром является коэффициент размытости ядра. Рассмотрены алгоритмы оптимизации данного параметра, а именно, метод перебора, метод деформируемого многогранника и генетический алгоритм. В качестве критерия оптимизации была выбрана среднеквадратичная ошибка модели исследуемого процесса, вычисленная при помощи скользящего экзамена. Представлены результаты при оптимизации вектора параметров размытости ядра (для каждого входного воздействия) и при оптимизации общего коэффициента на все входные взаимодействия. Ключевые слова: непараметрическая модель, непараметрические алгоритмы, коэффициент размытости, оптимизация. . OPTIMIZATION OF COEFFICIENT OF THE DIFFUSENESS OF THE CORE IN MODEL OPERATION BY MEANS OF NUCLEAR ESTIMATES E. D. Mikhov Siberian Federal University 79, Svobodny Av., Krasnoyarsk, 660041, Russian Federation E-mail: [email protected] Modeling the process using nuclear grade has an important parameter - the coefficient of blur kernel. In the research the optimization algorithms for this parameter, namely the method of brute force, the flexible polyhedron method and genetic algorithm are used. As an optimization criterion is selected, models of the mean square error are calculated using a sliding test. The results are applied in the optimization of the parameter vector of blur kernel (for each input action), and optimizing the overall rate for all input interaction. Keywords: nonparametric model, nonparametric algorithms, diffuseness coefficient, optimization. Введение. Непараметрическая идентификация представляется в виде моделирования при помощи ядерных оценок [1]: ⎛ un*, s +1 − un,i ⎞ ⎟ ⎟ cs x i =1 j =1 ⎝ ⎠. = s k ⎛ un*, s +1 − un,i ⎞ ∑∏ Ф ⎜⎜ c x ⎟⎟ i =1 j =1 s ⎝ ⎠ s

xs*+1

Для начала оптимизируем вектор коэффициента размытости ядра при помощи метода деформируемых многогранников. Слабостью данного метода можно считать то, что при нахождении минимума он может «застрять» в локальном экстремуме. Для того чтобы определить, применим ли данный метод для оптимизации cs, построим график зависимости среднеквадратичной ошибки (σ) от cs (рис. 2).

k

∑ u(i )1 ∏ Ф ⎜⎜

(1)

В формуле (1) Ф(*) – это ядерная «сглаживающая» функция (2), а cs x – коэффициент размытости ядра: ⎧⎪1 − o , если o ≤ 1, Φ (o ) = ⎨ ⎪⎩0 , если 1 < o .

(2)

Коэффициент размытости ядра определяет степень участия элементов выборки в вычислении xˆs +1 в точке uм (рис. 1). Ход исследования. Смысл исследования заключается в выяснении вопроса о необходимости оптимизации коэффициента размытости для каждого входного воздействия.

Рис. 1. Определение коэффициента размытости ядра

73

Решетневские чтения. 2015

После этого вектор коэффициентов размытости ядра будет оптимизироваться при помощи генетического алгоритма [3]. Вычислительный эксперимент. Моделируемый процесс имеет два входных воздействия и один выходной параметр. Обучающая выборка была взята в количестве 300. Помеха, воздействующая на объект, была равна 7 %. Критерием оптимизации была выбрана среднеквадратичная ошибка σ: σ=

Рис. 2. Зависимость среднеквадратичной ошибки от коэффициента размытости ядра (2-мерный случай)

1 n ∑ ( xi − x)2 . n i =1

(3)

Выведем результаты в виде таблицы, по которой видно, что оптимизация вектора коэффициента размытости занимает во много раз больше времени, чем оптимизация скалярного значения, при этом модель практически не становится лучше.

Как видно из рис. 2, данная зависимость плавная, и в ней нет локальных минимумов. В связи с этим можно проводить оптимизацию cs при помощи метода деформируемого многогранника [2].

Результаты оптимизации cs

Метод оптимизации Метод деформируемого многогранника Метод деформируемого многогранника Перебор возможных значений Перебор возможных значений Генетический алгоритм Генетический алгоритм

Оптимизируемый параметр Вектор cs Скаляр cs Вектор cs Скаляр cs Вектор cs Скаляр cs

Заключение. В докладе продемонстрировано, что нет необходимости в оптимизации коэффициента размытости ядра для каждого входного воздействия.

Время нахождения оптимального cs, миллисекунд 1 118 100 26 808 934 39 067 37 028

Среднеквадратичная ошибка ϭ 0,750 869 0,755 853 0,780 678 0,781 02 0,758 035 0,761 118

References 1. Zipkin Ya. Adaptatsiya i obuchenie v avtomaticheskikh sistemakh [Adaptation and learning in automatic systems]. Nauka 1968, pp. 400. 2. Ruban A. I. Metody analiza dannykh [Methods of Data Analysis] : A Tutorial. Krasnoyarsk: CPI KSTU. 2004. Vol. 2, pр. 319. 3. Prayoth Kumsawat. [A Genetic Algorithm Optimization Technique for Multiwavelet - Based Digital Audio Watermarking] EURASIP Journal on Advances in Signal Processing. 2010, Vol. 1, рp. 15–25.

Библиографические ссылки 1. Цыпкин Я. З. Адаптация и обучение в автоматических системах. M. : Наука, 1968. 400 с. 2. Рубан А. И. Методы анализа данных : учеб. пособие. 2-е изд., испр. и доп. Красноярск : ИПЦ КГТУ, 2004. 319 с. 3. Prayoth Kumsawat. A Genetic Algorithm Optimization Technique for Multiwavelet – Based Digital Audio Watermarking // EURASIP J. on Advances in Signal Processing. 2010. Vol. 1. P. 15–25.

© Михов Е. Д., 2015

__________ УДК 681.3 ПРОБЛЕМА СИНТЕЗА СТРУКТУРЫ АСУ КОСМИЧЕСКИМИ АППАРАТАМИ

К. О. Нечаева Красноярский государственный аграрный университет Российская Федерация, 660140, г. Красноярск, ул. Елены Стасовой, 14 E-mail: [email protected] Одним из наиболее важных этапов при создании новых и совершенствовании существующих АСУ космическими аппаратами является разработка структуры управляющей системы. Данная проблема требует учета множества функций и задач управления космическими аппаратами. Представлено формальное описание проблемы синтеза оптимальной структуры АСУ космическими аппаратами. Ключевые слова: АСУ, космические аппараты, структура, синтез. 74

Математические методы моделирования, управления и анализа данных

PROBLEM OF SYNTHESIS OF THE STRUCTURE OF SPACECRAFT CONTROL SYSTEM

K. O. Nechaeva Krasnoyarsk State Agrarian University 41, Elena Stasova Str., Krasnoyarsk, 660140, Russian Federation E-mail: [email protected] One of the most important stages in the creation of new spacecraft control systems and improvement of existing ones is the development of the system structure. This problem requires consideration of variety of functions and tasks of spacecraft control. The article presents a formal description of the problem of synthesis of optimal structure of spacecraft control system. Keywords: control system, spacecraft, structure, synthesis. Одной из характерных особенностей современного развития АСУ космическими аппаратами является усложнение структуры различных подсистем, включая компоненты космического базирования, что, в первую очередь, обусловлено ростом размеров и сложности процессов обработки и передачи информации и процессов управления самими подсистемами. Это выдвигает ряд проблем, связанных с научно обоснованным построением структуры таких систем, эффективным формированием состава подсистем передачи и обработки информации, включая космический сегмент [1]. Актуальными являются вопросы постановки и формализации задач синтеза структур, разработки оптимизационных и имитационных моделей, а также построения на их основе процедур синтеза структуры систем, позволяющих учитывать динамику функционирования элементов системы [2; 3]. В связи со сложностью постановки и решения задач синтеза структуры сложных систем наибольший эффект от их использования может быть достигнут в настоящее время при создании крупномасштабных и типовых систем массового использования, в частности, АСУ космическими аппаратами. Существенное влияние на структуру систем управления оказывает развитие средств вычислительной техники наземного комплекса АСУ космическими аппаратами (появление многопроцессорных и многомашинных вычислительных комплексов и сетей ЭВМ), а также бортовых вычислительных комплексов и систем обмена информацией [4]. Все это увеличивает число анализируемых вариантов построения системы, повышает требования к эффективности и качеству принимаемых проектных решений по выбору и дальнейшему развитию структуры системы. АСУ космическими аппаратами включают следующие элементы: наземные измерительные пункты (НИП), расположенные на территории страны, морские измерительные пункты и станции слежения, базирующиеся на научно-исследовательских судах (НИС), узлы связи (УС), спутники связи (СС), центры обработки научной информации (ЦОНИ) и центр управления полетами (ЦУП). Наземные измерительные пункты размещаются таким образом, чтобы своими зонами радиовидимости (зонами доступности) они перекрыли возможно большую часть территории, над которой пролетают летательные аппараты [5]. Морские НИПы непосред-

ственно перед запуском занимают определенные места в акватории Мирового океана. Типовой НИП содержит станции приема телеметрической информации, траекторных измерений, передачи команд на борт летательных аппаратов, приема информации и спутниковой связи, групп управления, баллистических расчетов и оперативной обработки телеметрической информации и службу единого времени. Одной из важнейших управленческих функций системы является проведение орбитальных измерений для прогнозирования параметров орбиты летательного аппарата. Траекторные измерения начинаются сразу же после выведения аппарата на орбиту, по их результатам рассчитываются параметры движения и время его очередного прохождения в зоне радиовидимости НИПов. Как правило, траекторные измерения производятся с нескольких НИПов, так как измерений, выполненных в одной точке земного шара, недостаточно для точного определения и прогнозирования параметров движения. Траекторная информация от НИПов поступает в ЦУП, где баллистическая группа определяет точную орбиту, накладывает ее на расчетную и в зависимости от результатов принимает решение о целесообразности ее коррекции, о соответствии или несоответствии орбиты программе полета. Информация о режимах функционирования оборудования и аппаратуры, а также данные о научнотехнических экспериментах и исследованиях, проводимых на борту аппаратов, принимаются радиотелеметрическими станциями на НИПах и НИСах и по каналам связи передаются в ЦУП. Часть информации может оперативно обрабатываться непосредственно на НИПах. Информация анализируется специалистами, делается заключение о состоянии приборов и систем аппарата, принимается решение об осуществлении тех или иных управляющих воздействий. Помимо оперативной обработки телеметрическая информация проходит полную обработку, результаты которой используются учеными, конструкторами для оценки работы системы. Проблема синтеза структуры АСУ космическими аппаратами включает выбор числа уровней и подсистем управления (иерархии управления); согласование целей подсистем различных уровней; создание контуров принятия решений; оптимальное распределение выполняемых функций (задач, информационных массивов и процедур) по уровням и узлам системы; 75

Решетневские чтения. 2015

3. Аналитико-имитационная процедура формирования структуры АСУ космических систем связи и навигации / Р. Ю. Царев [и др.] // Вестник СибГАУ. 2013. Вып. 2(48). С. 105–110. 4. Черниговский А. С., Царев Р. Ю. Оптимизация сетевого плана методом случайного поиска с пересчетом с переменной величиной шага // Современные проблемы науки и образования. 2015. № 1. URL: http://www.science-education.ru/121-19190 (дата обращения: 20.08.2015). 5. Zelenkov P. V. [et al.] Definition of the topological structure of the automatic control system of spacecrafts // Reshetnev Readings. IOP Conference Series : Materials Science and Engineering 17. Сер. XVII International Scientific Conference. 2015. С. 012013.

выбор структуры технических средств передачи и обработки информации. Пусть P – множество возможных принципов π ∈ P построения системы или ее элементов (возможные принципы функционирования системы обычно заданы, и при синтезе системы осуществляется выбор некоторых принципов из множества Р); F – множество взаимосвязанных функций, выполняемых системой управления (каждому набору π принципов построения системы соответствует некоторое множество функций F (π) , из которого при проектировании системы необходимо выбрать подмножество f ∈ F (π) , достаточное для реализации выбранных принципов управления π ); А – множество возможных взаимосвязанных элементов системы (подобными элементами могут быть узлы системы, технические средства, пункты обслуживания, коллективы людей и т. д.). Тогда задача синтеза оптимальной (рациональной) структуры АСУ космическими аппаратами состоит в определении множества принципов построения ( π ∈ P ), множества функций, выполняемых системой ( f ∈ F (π) ), множества элементов, способных реализовать выбранные принципы и выполнить функции ( A ∈ A ), а также в определении оптимального отображения элементов множества f на элементы мно-

References 1. Zelenkov P. V., Kayukov E. V., Tsarev R. Yu., Shtarik E. N., Shtarik A. V. [To the problem of synthesis of distributed information-analytical decision making support systems] // Fundamental’nye issledovaniya, 2013. Vol. 4, no. 2, рp. 286–289 (In Russ.). 2. Tsarev R. Yu., Kapulin D. V., Shtarik A. V., Shtarik E. N. [Synthesis and development management of cluster structure of automated control system of space systems] // Vestnik SibGAU, 2012. Vol. 2, no. 42, рp. 80– 84 (In Russ.). 3. Tsarev R. Yu., Prokopenko A. V., Litoshik S. V., Zelenkov P. V., Brezitskaya V. V. [Analytical and simulation procedure of formation of structure of ACS of space communication systems and navigation] // Vestnik SibGAU, 2013. Vol. 2, no. 48, рp. 105–110. (In Russ.) 4. Chernigovskiy A. S., Tsarev R. Yu. [Optimization of a net schedule by random search method with recalculation with variable step size] // Sovremennye problemy nauki i obrazovaniya, 2015, no. 1. URL: http://www.science-education.ru/121-19190 (In Russ.). 5. Zelenkov P. V., Karaseva M. V., Tsareva E. A., Tsarev R. Y. Definition of the topological structure of the automatic control system of spacecrafts (2015) IOP Conference Series: Materials Science and Engineering 17. Series: XVII International Scientific Conference “Reshetnev Readings”. 2015. Pр. 012013.

жества A , обеспечивающего требуемые характеристики функционирования системы. Таким образом, при создании новых и совершенствовании существующих АСУ космическими аппаратами важным этапом является разработка структуры системы. При этом выбираются принципы построения системы, определяется перечень функций и задач управления, которые должна выполнить система в соответствии с выбранным принципом. Библиографические ссылки 1. К проблеме синтеза распределенных информационно-аналитических систем поддержки принятия решений / П. В. Зеленков [и др.] // Фундаментальные исследования. 2013. Вып. 4. Ч. 2. С. 286–289. 2. Синтез и управление развитием кластерных структур АСУ космических систем / Р. Ю. Царев [и др.] // Вестник СибГАУ. 2012. Вып. 2(42). С. 80–84.

© Нечаева К. О., 2015

76

Математические методы моделирования, управления и анализа данных

УДК 004.932 ЛОКАЛИЗАЦИЯ КЛЮЧЕВЫХ ТОЧЕК КИСТИ РУКИ НА ИЗОБРАЖЕНИИ НА ОСНОВЕ НЕПРЕРЫВНОГО СКЕЛЕТА

А. В. Носов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Предложен метод локализации ключевых точек кисти руки: кончики пальцев, центр ладони. Приведены понятия «непрерывный скелет многоугольной фигуры», «радиальная функция скелета» и «максимальный пустой круг». Ключевые слова: обработка изображений, распознавание жестов, непрерывный скелет, ключевые точки. LOCALIZING KEY POINTS OF HAND GESTURE USING TOPOLOGICAL SKELETON

A. V. Nosov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] The author presents the method to localize key points of hand gestures such as center of hand and fingertips. The following terms are defined: “topological skeleton of polygonal figure”, “radial function of topological skeleton”, “maximum empty circle”. Keywords: image processing, hand gesture recognition, topological skeletons, key-points. Распознавание жестов рук является одной из важных задач при интерактивном взаимодействии «человек–компьютер». Применение технологии распознавания жестов рук включают в себя приложения виртуальной реальности, распознавания языка глухонемых, человеко-машинного взаимодействия и др. Задачу распознавания жестов можно разделить на два этапа: локализация кисти руки и распознавание образа жеста. В большинстве случаев первый этап решается путем сегментации изображений, полученных с помощью RGB-камеры и камеры глубины. Результатом локализации первого этапа является бинарное изображение, где белыми пикселями являются пиксели, принадлежащие кисти руки, а черными – все остальные [3; 4]. Для решения задачи распознавания жеста используют дескрипторы, которые строятся на основе координат ключевых точек [5]. Ключевыми точками кисти руки являются центр ладони, начала и окончания пальцев. Рассмотрим алгоритм локализации ключевых точек более подробно. Для локализации ключевых точек предлагается использовать непрерывный скелет. Предполагается, что мы успешно выполнили этап сегментации и имеем отсегментированное изображение с силуэтом кисти руки. На основе контурного представления силуэта жеста строится его скелет. Для определения скелета используется понятие максимального пустого круга. Определение 1. Для многоугольной фигуры F максимальным пустым кругом будем называть всякий круг B, полностью содержащийся внутри фигуры F,

такой, что любой другой круг B’, содержащийся внутри фигуры F, не содержит в себе B [1]. Определение 2. Скелетом многоугольной фигуры F является множество центров ее максимальных пустых кругов. Непрерывный скелет многоугольной фигуры является подмножеством диаграммы Вороного [1]. Совокупность общих линий всех пар несмежных ячеек диаграммы Вороного образуют ветви скелета [1]. На скелете определена радиальная функция R(x, y), ставящая в соответствие каждой точке скелета (x, y) значение радиуса максимального пустого круга с центром в этой точке. В большинстве случаев скелет ладони имеет шумы в виде малозначимых ветвей, которые, как правило, мешают дальнейшему анализу. Для удаления шумовых ветвей используется дополнительная обработка, называемая «стрижкой» [1; 5]. Процесс «стрижки» заключается в удалении ветвей, граничащих с контурами силуэта руки. Существующие эффективные алгоритмы позволяют выполнять построение скелета за время O (N log N), где N – число вершин в многоугольнике [2]. В связи с тем, что скорость построения скелета напрямую зависит от количества углов многоугольной фигуры, то для ускорения построения скелета можно применить аппроксимацию этой фигуры [5]. Демонстрация процесса построения скелета представлена на рис. 1. На основе непрерывного скелета и радиальной функции R(x, y) можно с большой точностью вычислить координаты кончиков пальцев и 77

Решетневские чтения. 2015

3. Радиальная функция начинает резко расти, т. е. частные производные R’ больше заданного порога (экспериментально было получено число 0,5). Первая точка на ветви где производная радиальной функции превышает заданный порог, является точкой конца пальца. Центром ладони будем считать точку, лежащую на скелете ладони, радиальная функция которой принимает максимальное значение. На рис. 2 демонстрируется результат вычисления ключевых точек на изображении.

координаты центра ладони. Каждый палец может принимать два условных состояния: сжатый в кулак или разжатый. Все ветви скелета, соответствующие пальцу, оканчиваются вершиной степени 1. Ветвь пальца можно разделить на две части: палец и пясть. Для классификации ветвей пальцев используется набор эвристических правил: 1. Ветвь пальца лежит на графе между вершинами со степенями 1 и 3. 2. Радиальная функция ветви на вершине степени 1 увеличивается более чем в 2,5 по сравнению с вершиной степени 3.

а

б

в

г

Рис. 1. Процесс построения скелета: а – исходное изображение; б – аппроксимированное изображение; в – скелет многоугольника; г – скелет после стрижки

а

б

Рис. 2. Определение ключевых точек: а – исходное изображение; б – скелет и ключевые точки на нем

Для распознавания простого, ограниченного набора жестов достаточно составить набор эвристических правил, основанных на следующих данных: количество пальцев, их длина, количество циклов в графе и их габариты. В более сложных случаях набора эвристических правил мало, и для распознавания жестов применяются дескрипторы формы кисти руки, состоящие из определенных инвариантных признаков. Достоинством метода распознавания жестов на основе непрерывного скелета является его быстродействие, высокая точность локализации особых точек и, как следствие, высокий результат распознавания.

2. Местецкий Л. М., Рейер И. Непрерывное скелетное представление изображения с контролируемой точностью // International Conference Graphicon. M., 2003. С. 51–54. 3. Phung S. L., Bouzerdoum A., Chai D. Skin Segmentation Using Color Pixel Classification: Analysis and Comparison // IEEE Trans. Pattern Anal. Mach. Intell. 2005. Vol. 27. P. 148–154. 4. Гонсалес Р., Вудс Р. Цифровая обработка изображений : пер. с англ. М. : Техносфера, 2006. 1072 с. 5. Носов А. В. Алгоритм распознавания жестов рук на основе скелетной модели кисти руки // Вестник СибГАУ. 2014. Вып. 2(54). С. 62–67.

Библиографические ссылки 1. Местецкий Л. М. Непрерывная морфология бинарных изображений: фигуры, скелеты, циркуляры. М. : Физматлит, 2009.

References 1. Mesteckij L. M. Nepreryvnaja morfologija binarnyh izobrazhenij: figury, skelety, cirkuljary. Moscow : Fizmatlit, 2009.

78

Математические методы моделирования, управления и анализа данных

4. Gonsales R., Vuds R. Cifrovaya obrabotka izobrazhenij / per. s angl. M. : Tekhnosfera, 2006. 1072 p. 5. Nosov A. V. Vestnik SibGAU. 2014. no. 2(54), pp. 62–67.

2. Mesteckij L. M., Rejer I. International Conference Graphicon. Moscow, 2003. Pp. 51–54. 3. Phung S. L., Bouzerdoum A., Chai D. Skin Segmentation Using Color Pixel Classification: Analysis and Comparison // IEEE Trans. Pattern Anal. Mach. Intell. 2005. January. Vol. 27. P. 148–154.

© Носов А. В., 2015

_________________ УДК 004.942:629.78 РАЗРАБОТКА СРЕДЫ МОДЕЛИРОВАНИЯ БОРТОВЫХ СИСТЕМ КОСМИЧЕСКИХ АППАРАТОВ НА БАЗЕ ТРЕХСТАДИЙНОГО МЕТОДА ДЕКОМПОЗИЦИИ

Д. С. Петров ОАО «Ракетно-космическая корпорация «Энергия» им. С. П. Королёва» Российская Федерация, 141070, Московская область, г. Королёв, ул. Ленина, д. 4а E-mail: [email protected] Сформулированы требования к среде математического моделирования бортовых систем космических аппаратов. Предложена концепция, основанная на методе трехстадийной декомпозиции математического описания, удовлетворяющая требованиям. Ключевые слова: среда моделирования, язык моделирования, трехстадийная декомпозиция, космический аппарат, математическое моделирование. DEVELOPMENT OF SPACECRAFT SUBSYSTEM SIMULATION ENVIRONMENT BASED ON THREE-STAGE DECOMPOSITION METHOD

D. S. Petrov S. P. Korolev Rocket and Space Corporation Energia 4a, Lenin Str., Korolev, Moscow area, 141070, Russian Federation E-mail: [email protected] Requirements for spacecraft subsystem simulation environment are specified. Primary requirements are: low entry threshold, domain specific interface, domain specific standard model library, ability to structure a model, high model quality. Concept of simulation environment based on three-stage decomposition is proposed. Keywords: simulation environment, modelling language, three-stage decomposition, spacecraft, simulation. Проблема моделирования служебных бортовых систем (СБС) космических аппаратов (КА) как систем с сосредоточенными параметрами возникает при проектировании КА и при управлении полетом КА. Несмотря на существование различных методов и инструментов моделирования систем с сосредоточенными параметрами и зрелость этой проблемы, универсальное средство моделирования не создано. Так, например, известные подходы не удовлетворяют требованиям, существенным для моделирования СБС КА. Кроме особенностей, характерных для конкретной предметной области, важными аспектами средства моделирования являются требования к уровню подготовки разработчиков, времени процесса разработки и собственно к создаваемым моделям. Разработчик моделей СБС КА, использующий любое средство моделирования, должен в достаточной мере знать устройство и принципы функционирования исследуемой системы (ИС), существующие протоколы взаимосвязи между различными СБС. В связи

с этим снижение требований к уровню подготовки разработчиков без потери адекватности моделей возможно только путем выполнения требования № 1: упростить средство моделирования, снабдить его интерфейсом, интуитивно понятным для разработчика СБС КА. Технические системы, принадлежащие к одной предметной области, как правило состоят из одних и тех же элементов. Для СБС КА такими элементами являются трубопроводы, клапаны, топливные баки, нагреватели, аккумуляторные батареи, реле и т. д. Консервативным также является спектр существенных для работы ИС физических взаимодействий (ФВ). Для сокращения времени разработки моделей СБС КА предъявляется требование № 2: обеспечить возможность разработки и расширения библиотеки моделей ФВ и моделей элементов ИС для конкретной предметной области. Для моделирования сложных технических систем, к которым относятся КА, существенным является 79

Решетневские чтения. 2015

требование № 3: обеспечить возможность структуризации модели, т. е. объединения моделей элементов в модели блоков, подсистем, систем, и раздельной разработки моделей. Предъявляется также требование № 4: разрабатываемые модели должны обладать качествами сопровождаемости, настраиваемости, интероперабельности, масштабируемости, и требование № 5: обеспечить возможность расчета созданной модели при наличии взаимодействия с реальной бортовой аппаратурой и сторонними моделями, разработанными без применения средства моделирования. Для моделирования технических систем с сосредоточенными параметрами существует ряд средств, опирающихся на различные подходы. Распространенным подходом является метод эквивалентных схем, заключающийся в представлении каждого элемента в виде набора линейных уравнений, связывающих фазовые переменные. Линейность уравнений, описывающих различные ФВ, позволяет сопоставить ИС электрическую аналогию, состоящую из сопротивлений, емкостей, индуктивностей, источников тока и источников напряжения, чем обеспечивается возможность производить моделирование в одном из программных пакетов для моделирования электрических схем, таких как gEDA1, SimOne2, Qucs3 и др. Существует универсальная методология Bondgraph, позволяющая моделировать потоки энергии различной физической природы (см. [1; 2]). На базе данной методологии реализованы средства моделирования OpenModelica с дополнением BondLib4, LMS Imagine. Lab Amesim5, пакет Simscape для MATLAB6 и др. Перечисленные средства обладают следующими недостатками, проявляющимися при моделировании СБС КА: 1. Моделирование явлений, описываемых только линейными уравнениями. 2. Эквивалентные электрические схемы не входят в предметную область разработчиков пневмо-, гидрои тепловых схем. Оригинальные обозначения, принятые в методологии Bondgraph, хоть и имеют корреляцию с предметными областями, но все равно требуют дополнительной подготовки и изучения методологии. 3. Методология Bondgraph не предусматривает структуризации модели. 4. Ни одно из перечисленных средств моделирования не имеет в своем составе библиотек стандартных элементов, подходящих для моделирования СБС КА. Существуют программные надстройки над Simscape – SimHydraulics, SimElectronics и др., содержащие большую часть необходимых стандарт-

ных элементов, но они не удовлетворяют остальным перечисленным требованиям. Авторами ранее был разработан метод моделирования, основанный на трехстадийной декомпозиции математического описания ИС. В качестве демонстрационных примеров были разработаны модели двигательной установки [3; 4] и системы терморегулирования [5] КА, удовлетворяющие перечисленным выше требованиям. Среда моделирования, разработанная на основе этого метода, позволила бы выполнить все требования к средствам моделирования, существенные для разработки СБС КА. В настоящей работе была разработана концепция среды моделирования, основанной на трехстадийной декомпозиции ИС, позволяющей создавать сопровождаемые, настраиваемые, интероперабельные, масштабируемые модели, обладающие высокой степенью повторного использования кода. Используемый метод моделирования позволяет составить библиотеки моделей ФВ и стандартных элементов для адекватного моделирования СБС КА, а также структурировать модель ИС в соответствии с иерархией структурной схемы ИС. Расчет модели осуществляется при помощи входящего в состав среды моделирования решателя – программы, считывающей структуру модели и обеспечивающей расчет параметров в соответствии с формулами, заложенными в модели элементов. Редактирование модели осуществляется с помощью графического пользовательского интерфейса, включающего в свой состав изображение схем моделей, выполненных в одном из трех вариантов: отображение структурной схемы модели, отображение принципиальной схемы модели заданного ФВ, выполненного в обозначениях данной предметной области, отображение полной принципиальной схемы модели в специальных обозначениях. Создание такой среды моделирования позволит расширить круг разработчиков моделей, сократить время на разработку и отладку моделей и повысить адекватность математических моделей СБС КА, что в конечном итоге приведет к уменьшению стоимость ракетно-космической техники и позволит ускорить экспансию человечества в космос. Библиографические ссылки 1. Mosterman P., Biswas G. A theory of discontinuities in physical system models // J. of the Franklin Institute. 1998. Vol. 335, no. 3, рр. 401–439. 2. Paynter H. Analysis and design of engineering systems. Cambridge, Mass. : M.I.T. press, 1961. 303 p. 3. Петров Д. С. Имитационное моделирование двигательной установки космического аппарата при помощи трехстадийного метода декомпозиции // Вестник МАИ. 2014. Т. 21. № 1. С. 43–57. 4. Павлов Д. В., Петров Д. С. Настройка модели двигательной установки космического аппарата с использованием трехстадийного метода декомпозиции // Вестник «НПО им. С. А. Лавочкина». 2015. № 1. С. 80–87. 5. Павлов Д. В., Петров Д. С. Использование метода трехстадийной декомпозиции для моделирования

1

URL: http://www.geda-project.org/. URL:http://eda.eremex.ru/products/simone/. 3 URL:http://qucs.sourceforge.net/. 4 URL:https://build.openmodelica.org/Documentation/ BondLib.html. 5 URL:http://www.plm.automation.siemens.com/en_us/ products/lms/imagine-lab/amesim/index.shtml. 6 URL:http://matlab.ru/products/simscape. 2

80

Математические методы моделирования, управления и анализа данных

4. Pavlov D. V., Petrov D. S. [Tuning of spacecraft propulsion system model using three stage decomposition method] // Vestnik “NPO im. S. A. Lavochkina”. 2015. No. 1, рp. 80–87 (In Russ.). 5. Pavlov D. V., Petrov D. S. [Use of three-stage decomposition method for simulation of spacecraft thermal control subsystem]. Vestnik Moskovskogo Aviatsionnogo Instituta. 2015. Vol. 22, no. 2, pр. 42–54 (In Russ.).

системы терморегулирования космического аппарата // Вестник МАИ. 2015. Т. 22, № 2. С. 42–54. References 1. Mosterman P., Biswas G. A theory of discontinuities in physical system models // Journal of the Franklin Institute, 1998. Vol. 335, no. 3, рp. 401–439. 2. Paynter H. Analysis and design of engineering systems // Cambridge, Mass., M.I.T. press, 1961. 303 p. 3. Petrov D. S. [Spacecraft propulsion system simulation using three-stage decomposition method] // Vestnik Moskovskogo Aviatsionnogo Instituta. 2014. Vol. 21, no. 1, рp. 43–57 (In Russ.).

© Петров Д. С., 2015

___________ УДК 519.87 МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ В ЗАДАЧАХ РАСПОЗНАВАНИЯ СИГНАЛОВ*

Я. С. Полонская Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail:[email protected] Производится сравнение эффективности различных методов интеллектуального анализа данных в задачах классификации радарных и гидролокационных сигналов с использованием системы Rapid Miner. Ключевые слова: радарные сигналы, гидроакустические сигналы, классификация, оптимизация, ансамбли. DATA MINING TECHNIQUES IN RECOGNIZING THE TYPE OF SIGNALS

Ya. S. Polonskaya Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail:[email protected] Effectiveness comparison of different methods of data mining is fulfilled for the tasks of classification of radar signal types and sonar signals using Rapid Miner system. Keywords: radar signals, sonar signals, classification, optimization, ensembles. правил (RI [5]), метод k ближайших соседей (k-NN [6]), дерево решений (DT [7]), наивный байесовский классификатор (NB [8]), случайный лес (RF [9]), логистическая регрессия (LR [10]), метод опорных векторов (SVM [11]).* Для первого набора данных лучшие результаты показали DT – 92,88 % и ANN – 91,84 %. После оптимизации, которая улучшила показатели всех методов, лучший результат было получен нейронной сетью (ANN 98,21 %). Применение ансамблей привело к ухудшению результатов. Для второго набора данных лучший результат показал NB 89,46 %. Оптимизация параметров также дала улучшение для всех методов, а лучший результат

Для проведения исследований были использованы две базы данных. Первая из них соответствует задаче классификации высокочастотных радарных сигналов, возвращаемых из ионосферы. База данных содержит 351 экземпляр и 34 атрибута [1]. Вторая задача состоит в классификации гидроакустических сигналов. Сонары посылают звук высокой частоты в определенном направлении и получают отраженную звуковую волну, по ее характеристике можно судить, от чего данная звуковая волна отразилась. База данных о гидроакустических сигналах содержит 208 экземпляров и 60 атрибутов [2]. Задачи решались при помощи программной системы анализа данных RapidMinerStudio [3]. В качестве методов анализа данных для обоих наборов данных были выбраны следующие алгоритмы: искусственная нейронная сеть (ANN [4]), индукция

*

Работа выполнена RFMEFI57414X0037.

81

в

рамках

проекта

Решетневские чтения. 2015

theoretical and applied information technology. 2009. Рp. 67–74. 12. Бежитский С. С., Семенкин Е. С., Семенкина О. Э. Гибридный эволюционный алгоритм для задач выбора эффективных вариантов систем управления // Автоматизация. Современные технологии. 2005. № 11. С. 24. 13. Семенкин Е. С., Семенкина М. Е. Применение генетического алгоритма с модифицированным оператором равномерной рекомбинации при автоматизированном формировании интеллектуальных информационных технологий // Вестник СибГАУ. 2007. № 3(16). С. 27–33.

продемонстрировала нейронная сеть ANN (93,94 %). Ансамбли обоих типов также не привели к улучшению результатов. Таким образом, мы наблюдаем, что в обоих случаях из всех использованных подходов лучший результат показала оптимизированная по скорости обучения нейронная сеть. Можно сделать вывод, что задачи распознавания сигналов могут быть решены с помощью программной системы RapidMiner, что может облегчить работу многих организаций, выполняющих исследования в области идентификации сигналов. Использованные подходы к распознаванию сигнальной информации позволили решить конкретные задачи распознавания применительно к системам обработки гидроакустической и радарной сигнальной информации. Данные методы могут быть использованы для широкого круга прикладных задач, связанных с распознаванием сигналов разного рода, но риск при решении этих задач неизбежен. В дальнейшем предполагается перейти от использования стандартных пакетов к применению более эффективных методов, основанных на специальных эволюционных алгоритмах [12; 13].

References 1. Ionosphere Data Set [Electronic resourse]. URL: http://archive.ics.uci.edu/ml/datasets/Ionosphere (date of the application: 5.09.2015). 2. Connectionist Bench (Sonar, Mines vs. Rocks) Data Set [Electronic resourse]. URL: https://archive.ics. uci.edu/ml/datasets/Connectionist+Bench+(Sonar%2C+M ines+vs.+Rocks) (date of the application: 6.09.2015). 3. RapidMiner [e-course] [Electronic resourse]. URL: https://rapidminer.com/ (date of the application: 6.09.2015). 4. Girosi F., Jones M., Poggio T. Regularization theory and neural network architecture // Neural Computation. 1995. Vol. 7. Рp. 219–270. 5. Cohen W. W. Fast effective rule induction // Proceedings of the twelfth international conference on machine learning. 1995. С. 115–123. 6. Adaptive. Soft k-nearest-neighbour classifiers / S. Bermejo, J. Cabestany // Pattern Recognition. 2000. Vol. 33, pp. 1999–2005. 7. Quinlan, J. R. Generating production rules from decision trees. In McDermott, John. Proceedings of the Tenth International Joint Conference on Artificial Intelligence (IJCAI-87). Milan, Italy. 1987. Pp. 304–307. 8. An analysis of Bayesian classifiers / Langley P., Iba W., & Thompson K. // Proceedings of the Tenth National Conference on Artificial Intelligence. 1992. Pp. 223–228. San Jose, CA: AAAI. 9. Antipov E. A., Pokryshevskaya E. B. Mass appraisal of residential apartments: An application of Random forest for valuation and a CART-based approach for model diagnostic // Expert Systems with Applications. 2012. Vol. 39, no. 2, рр. 1772–1778. 10. An introduction to logistic regression analysis and reporting / Peng, Chao-YingJoann; Lee, Kuk Lida; Ingersoll, GaryM // J. of Educational Research 96(1). 2002. Pp. 3–13. 11. Data classification using support vector Machine Durgesh K. Srivastava,Lekha Bhambhu Journal of theoretical and applied information technology. 2009. Рp. 67–74. 12. Bezhitskiy S. S., Semenkin E. S., Semenkina O. E. Hybrid evolutionary algorithms for the choice of effective variants of control systems // Avtomatizatsiya. Sovremennye technologii. 2005. № 11. P. 24. 13. Semenkin E. S., Semenkina M. E. Application of genetic programming algorithm with modified uniform crossover operator for automated design of intelligent information technologies // Vestnik SibSAU. 2007. No. 3(16), рp. 27–33.

Библиографические ссылки 1. Ionosphere Data Set [Электронный ресурс]. URL: http://archive.ics.uci.edu/ml/datasets/Ionosphere (дата обращения: 5.09.2015). 2. Connectionist Bench (Sonar, Mines vs. Rocks) Data Set [Электронный ресурс]. URL: https://archive. ics.uci.edu/ml/datasets/Connectionist+Bench+(Sonar%2C +Mines+vs.+Rocks) (дата обращения: 6.09.2015). 3. RapidMiner [Электронный ресурс]. URL: https://rapidminer.com/ (дата обращения: 6.09.2015). 4. Girosi F., Jones M., Poggio T. Regularization theory and neural network architecture // Neural Computation. 1995. Vol. 7, рp. 219–270. 5. Cohen W. W. Fast effective rule induction // Proceedings of the twelfth international conference on machine learning. 1995. С. 115–123. 6. Bermejo S., Cabestany J. Adaptive Soft k-nearestneighbour classifiers // Pattern Recognition. 2000. Vol. 33. Pp. 1999–2005. 7. Quinlan J. R. Generating production rules from decision trees // Proceedings of the Tenth International Joint Conference on Artificial Intelligence (IJCAI-87) / McDermott, John. Milan, 1987. Pp. 304–307. 8. Langley P., Iba W., & Thompson K. An analysis of Bayesian classifiers // Proceedings of the Tenth National Conference on Artificial Intelligence. San Jose, CA : AAAI, 1992. Pp. 223–228. 9. Antipov E. A., Pokryshevskaya E. B. Mass appraisal of residential apartments: An application of Random forest for valuation and a CART-based approach for model diagnostic // Expert Systems with Applications. 2012. Vol. 39, no. 2, рр. 1772–1778. 10. Chao-YingJoann Peng; Kuk Lida Lee; Gary M Ingersoll. An introduction to logistic regression analysis and reporting // J. of Educational Research. 2002. No. 96(1), pp. 3–13. 11. Durgesh K. Srivastava, Lekha Bhambhu. Data classification using support vector Machine // J. of

© Полонская Я. С., 2015 82

Математические методы моделирования, управления и анализа данных

УДК 004.93 РОЛЬ КЛАСТЕРИЗАЦИИ ПРИ РЕШЕНИИ ЗАДАЧИ РАСПОЗНАВАНИЯ ЭМОЦИЙ ПО АКУСТИЧЕСКИМ ХАРАКТЕРИСТИКАМ*

А. С. Полякова1, М. Ю. Сидоров2 1

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] 2 Ульмский университет Германия, 89081, Ульм, аллея Альберта Эйнштейна, 43 Е-mail: [email protected]

Для решения задачи автоматического распознавания эмоций предлагается использовать различные методы интеллектуального анализа данных, такие как искусственные нейронные сети, системы на нечеткой логике, метод опорных векторов и др. В качестве метода предобработки данных предлагается использовать предварительную кластеризацию данных с последующим применением классификации. Для выделения значимых признаков используется метод главных компонент. Ключевые слова: распознавание эмоций, кластеризация, классификация, искусственные нейронные сети, системы на нечеткой логике, метод опорных векторов. CLUSTERING IN SPEECH-BASED EMOTION RECOGNITION PROBLEMS USING ACOUSTIC CHARACTERISTICS

A. S. Polyakova1, M. Yu. Sidorov2 1

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] 2 Ulm University 43, Albert Einstein Alee, Ulm, 89081, Germany E-mail: [email protected] In this paper, a variety of data mining techniques, such as artificial neural networks, fuzzy logic system, support vector machines, and others, is proposed for solving the problem of automated emotions recognition. Author also suggests using preliminary data clustering as a preprocessing technique before using classification methods. Principal component analysis is used to extract the most informative features. Keywords: emotion recognition, clustering, classification, artificial neural networks, fuzzy logic, support vector machines. В процессе человеко-машинной коммуникации возникает ряд задач, связанных с обработкой текстовой, визуальной (изображения, видео) и аудиоинформации. Для успешного развития диалоговых систем необходимы исследования по разработке методов автоматического распознавания эмоций человека на основе таких данных. Понимание эмоций другого человека важно как для общения между людьми, так и при взаимодействии человека с системами искусственного интеллекта. Автоматическое распознавание речи и эмоций говорящего может найти активное применение, например, в телекоммуникационной сфере, в дистанционном обучении и в других областях, включая мониторинг психологического состояния экипажей космических кораблей в ходе выполнения длительных полетов [1]. Проблема распознавания эмоций представляет собой задачу классификации (обучение с учителем). Количество характеристик, которые можно извлечь

только из речевого сигнала, значительно и может достигать числа 6500, а количество признаков, основанных на графическом отображении (фото и видео), может быть более 16000. В таком случае использование всего набора данных в процессе распознавания может существенно замедлить и снизить точность получаемого решения. Поэтому важным для снижения размерности в процессе решения задачи идентификации эмоций является извлечение наиболее информативных признаков, используемых алгоритмами распознавания. Для того чтобы выбрать наиболее подходящие характеристики, могут быть использованы статистические методы, такие как метод главных компонент (PCA), а также более сложные, к примеру, генетические алгоритмы (GA).*

*

Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037.

83

Решетневские чтения. 2015

В работе [2] рассматривается процедура извлечения информативных признаков, основанная на адаптивном многокритериальном генетическом алгоритме, исследуется ее эффективность в сочетании с различными классификационными моделями. В данной работе решение задачи распознавания эмоций предлагается проводить в три этапа: 1. Отбор информативных признаков с помощью метода главных компонент. 2. Предварительная кластеризация данных по критерию эффективности алгоритмов классификации. 3. Использование различных (наиболее эффективных) методов классификации для каждого кластера. Процесс кластеризации зависит от выбранного метода. Для каждого метода необходимо ставить множество экспериментов по выбору разнообразных параметров, например, меры расстояния, типа стандартизации переменных, количества кластеров и т. д. Именно от вариации комбинаций этих параметров зависит качество решения задачи. Для задачи классификации применяется несколько методов интеллектуального анализа данных: искусственные нейронные сети [3], системы на нечеткой логике [4], метод опорных векторов, линейная регрессия, а также алгоритм k-средних. Для кластеризации применяются иерархические алгоритмы [5] и алгоритм k-средних. Для исследования работоспособности и качества предложенной схемы была использована база данных эмоций Emo-DB [6], содержащая более 500 экземпляров выборки. База данных включает в себя звуковые файлы, в которых находятся эмоциональные высказывания 10 актеров на немецком языке. Каждое высказывание имеет свою эмоциональную метку: нейтральное, злость, страх, радость и др. Каждый звуковой файл описывается 384 признаками, представляющими собой максимальное, минимальное, среднее значения или среднеквадратическое отклонение акустических характеристик, описывающих речевой сигнал, его высоту, вибрацию, интенсивность и т. п. Для анализа эффективности применения предварительной кластеризации была оценена точность классификации на полном наборе признаков. Результаты тестирования предлагаемого метода представлены в докладе.

2. Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection // Proceedings of International Conference on Engineering and Applied Sciences Optimization (OPT-i’14). 2014. P. 1838–1846. 3. Федотов Д. В., Семенкин Е. С. О прогнозировании экономических показателей с помощью нейроэволюционных моделей // Вестник СибГАУ. 2014. Вып. 5(57). С. 299–304. 4. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // Proceedings of the 11th Intern. Conf. on Informatics in Control, Automation and Robotics (ICINCO-2014). 2014. P. 318–323. 5. Барсегян А. А., Куприянов М. С., Степаненко В. В., Холод И. И. Методы и модели анализа данных: OLAP и Data Mining. СПб. : БХВ-Петербург, 2004. 6. Burkhardt F., Paeschke A., Rolfes M., Sendlmeier W. F., Weiss B. A database of german emotional speech. Interspeech. 2005. P. 1517–1520 References 1. Brester K. Yu., Semenkin E. S., Sidorov M. Yu. Sistema avtomaticheskogo izvlecheniya informativnykh priznakov dlya raspoznavaniya emotsiy cheloveka v rechevoy kommunikatsii // Programmnyye produkty i sistemy. 2014. No. 4(108). S. 127–131. 2. Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection // Proceedings of International Conference on Engineering and Applied Sciences Optimization (OPT-i’14). 2014. P. 1838–1846. 3. Fedotov D. V., Semenkin E. S. O prognozirovanii ekonomicheskikh pokazateley s pomoshch’yu neyroevolyutsionnykh modeley [On forecasting economic indexes by means of neuroevolutionary models] // Vestnik SibGAU. 2014. Vol. 5(57), рр. 299–304. 4. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics (ICINCO-2014). 2014. Pp. 318–323. 5. Barsegyan A. A., Kupriyanov M. S., Stepanenko V. V., Kholod I. I. Metody i modeli analiza dannykh : OLAP i Data Mining. SPb. : BKHV – Peterburg, 2004 . 6. Burkhardt F., Paeschke A., Rolfes M., Sendlmeier W. F., Weiss B. A database of german emotional speech. Interspeech. 2005. Рp. 1517–1520.

Библиографические ссылки 1. Брестер К. Ю., Семенкин Е. С., Сидоров М. Ю. Система автоматического извлечения информативных признаков для распознавания эмоций человека в речевой коммуникации // Программные продукты и системы. 2014. № 4(108). С. 127–131.

© Полякова А. С., Сидоров М. Ю., 2015

84

Математические методы моделирования, управления и анализа данных

УДК 517.977.1 ЧИСЛЕННЫЕ ОЦЕНКИ ВКЛЮЧЕНИЙ ТРУБОК ТРАЕКТОРИЙ УПРАВЛЯЕМЫХ СИСТЕМ НА ОСНОВЕ ФУНКЦИЙ ЧУВСТВИТЕЛЬНОСТИ

А. Н. Рогалев Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 E-mail: [email protected] Изучаются гарантированные методы решения дифференциальных уравнений с учетом управляющих воздействий и возмущений. Приводятся результаты численного оценивания трубок траекторий управляемых систем. Ключевые слова: трубки траекторий, гарантированные методы оценивания, символьные формулы. NUMERICAL EVALUATION OF CONTROL SYSTEM INCLUSION TRAJECTORY OF TUBES AND SENSITIVITY FUNCTIONS

A. N. Rogalyov Institute of Computational Modeling SB RAS 50/44, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: [email protected] Guaranteed methods of differential equation solutions taking into account control actions and disturbances are studied in the article. The article presents the results of numerical evaluation of trajectory tubes of control systems. Keywords: tube trajectories, guaranteed methods of estimations, symbolical formula.

ми данными или с краевыми условиями, для которых известны лишь границы всех возможных значений. Для уточнения этих границ применяются функции чувствительности, которые представляют собой производные переменных состояния по параметрам и начальным данным системы. Постановки таких задач связаны с оценками надежности функционирования сложных нелинейных управляемых систем: самолет, ракета, космический корабль. Общим принципом, на основе которого объединяется столь широкий класс задач, является анализ поведения состояния объекта (системы) при всем диапазоне возмущений, образованном экстремальными значениями этих параметров. Множеством достижимости Y * (t ) называется

Рассматриваются системы обыкновенных дифференциальных уравнений с начальными или краевыми условиями, которые зависят от параметрических возмущений или неточностей задания коэффициентов системы а также начальных и краевых условий. Известны лишь границы, в которых они могут лежать. Среди математических описаний подобных задач мы выделим задачи проверки гарантированных условий безопасности и задачи построения множеств достижимости [1–5]. К числу таких прикладных задач относятся задачи об обходе препятствия, о построении управления, удерживающего траектории системы в заранее заданном множестве, в частности, на заданном многообразии и многое другое. Структура управляемого объекта выражается системой дифференциальных уравнений dy = f (t , y, u ) (1) dt с заданными классами допустимых управлений и начальными и конечными состояниями управляемого объекта. В докладе строятся включения области достижимости управляемых систем с помощью гарантированного метода оценивания множеств решений систем обыкновенных дифференциальных уравнений на основе символьных формул для аппроксимации оператора сдвига вдоль траектории [6–10]. С помощью этих методов вычисляются границы множеств решений систем дифференциальных уравнений (трубок траекторий) в случае, когда поставлена задача с начальны-

множество всех точек из фазового пространства R n , в которые можно перейти на отрезке времени [t 0 , T ] из всех точек начального множества фазовых состояний M 0 по решениям системы (1) с начальным условием y (t 0 ) ∈ M 0 и с допустимым управлением u (t ). Точное или приближенное оценивание границ множества достижимости управляемой системы позволяет оценить предельные возможности системы управления, выбрать оптимальное управление. Совокупность возмущённых траекторий управляемого полёта, соответствующих множеству предельно возможных возмущающих факторов, образует так называемую трубку возмущённых траекторий, или траекторный пучок Y [⋅] = ∪ { y[⋅] = y (⋅, t0 , y0 )} [11]. y0 ∈Y0

85

Решетневские чтения. 2015

9. Rogalev A. N. Calculation of Guaranteed Boundaries of Reachable Sets of Controlled Systems // Optoelectronics, Instrumentation and Data Processing. 2011. Vol. 47, № 3. P. 287–296. 10. Рогалев А. Н., Рогалев А. А. Численный расчет включений фазовых состояний в задачах наблюдения за движением самолета // Вестник СибГАУ. 2012. № 1(41). С. 53–57. 11. Лисин В. В., Филиппова Т. Ф. Об оценивании траекторных трубок дифференциальных включений // Труды института математики и механики УрО РАН. 2000. Т. 6, № 2. С. 435–445.

Ширина этой трубки характеризует качество стабилизации движения системой управления. Выполнение гарантированных методов, основанных на аппроксимации оператора сдвига вдоль траектории, разделено на два этапа: предиктор и корректор. На первом этапе (предиктор) происходит построение (запись) символьных формул приближенных решений как векторных функций: S n (Y 0 ) S n −1 (Y 0 ) … S 1 (Y 0 ) , где вектор Y 0 – вектор начальных значений, рассматриваемых как символьные величины. Затем вычисляется область значений S y этой формулы.

References 1. Kurzhanskiy A. B. Upravlenie i nablyudenie v usloviyakh neopredelennosti. [Control and Observation under Uncertainty]. Moscow : Nauka Publ., 1977. 390 p. 2. Chernousko F. L. Otsenivanie fazovogo sostoyaniya dinamicheskikh sistem [Estimation of Phase State of Dynamic Systems]. Moscow, Nauka Publ., 1988. 320 p. 3. Chernousko F. L. State Estimation for Dynamic Systems. Boca Raton : CRC Press, 1994. 304 p. 4. Chernousko F. L. [Ellipsoidal approximation of reachable sets of controlled linear systems with uncertain matrix] // Prikladnaya Matematika i Mechanika. 1996. Vol. 60, no. 6, рp. 940–950. (In Russ.) 5. Kurzhanskii A. B., Furasov B. D. [Problems of Guaranteed Identification of Bilinear Systems with Discrete Time] // Izvestiya Akademii Nauk. Teoriya i sistemy upravleniya. 2000. No. 4, рp. 5–12 (In Russ.). 6. Novikov V. A., Rogalyov A. N. [Construction of convergent upper and lower estimations of Solutions of Ordinary Differential Equations Systems] // Zhurnal vychislitel’noy matematiki i matematicheskoy fiziki. 1993. Vol. 33, no. 2, рp. 219–231 (in Russ.). 7. Rogalyov A. N. [Guaranteed Methods for Ordinary Differential Equations Solving Based on Symbolic Formulae Development] // Vychislitel’nye tekhnologii. 2003. Vol. 8, no. 5, рp. 102–116 (in Russ.). 8. Rogalyov A. N. [Guaranteed Bounds and Reachable Sets Constructing for Nonlinear Controlled Systems] // Vestnik SibGAU. 2010, no. 5(31), рp. 148– 154 (in Russ.). 9. Rogalyov A. N. Calculation of Guaranteed Boundaries of Reachable Sets of Controlled Systems // Optoelectronics, Instrumentation and Data Processing. Allerton Press. 2011. Vol. 47, no. 3, рp. 287–296. 10. Rogalyov A. N., Rogalyov A. A. Numerical Computations of Phase States Inclusions for Problems of Aircraft Displacement Inspection // Vestnik SibGAU. 2012. No. 1(41), рp. 53–57 (in Russ.). 11. Lisin V. V., Filippova T. F. Ob ocenivanii traektornyh ntubok differenzialynych vklyucheniy // Trudy institute natematiki I mechaniku UrO RAN. 2000. Т. 6, no. 2, рр. 435–445 (in Russ.).

На втором этапе (корректор) определяется гарантированная оценка глобальной ошибки приближенного решения R(Y 0 , t ) . Подробное описание этих шагов гарантированного метода дано в работах [6–10]. Для уточнения этих границ применяются функции чувствительности, которые представляют собой производные переменных состояния по параметрам и начальным данным системы. Результаты применения методов, основанных на аппроксимации оператора сдвига вдоль траектории, дают хорошие оценки множеств решений, отклонение которых от точных решений стремится к 0 при уменьшении шага сетки. Библиографические ссылки 1. Куржанский А. Б. Управление и наблюдение в условиях неопределенности. М. : Наука, 1977. 390 с. 2. Черноусько Ф. Л. Оценивание фазового состояния динамических систем. М. : Наука, 1988. 320 с. 3. Chernousko F. L. State Estimation for Dynamic Systems. Boca Raton : CRC Press, 1994. 304 p. 4. Черноусько Ф. Л. Эллипсоидальные аппроксимации множеств достижимости управляемых линейных систем с неопределенной матрицей // Прикладная математика и механика. 1996. Т. 60, № 6. С. 940– 950. 5. Куржанский А. Б., Фурасов Б. Д. Задачи гарантированной идентификации билинейных систем с дискретным временем // Известия Академии наук. Теория и системы управления. 2000. № 4. С. 5–12. 6. Новиков В. А., Рогалев А. Н. Построение сходящихся верхних и нижних оценок решения систем обыкновенных дифференциальных уравнений // Журнал вычислительной математики и математической физики. 1993. Т. 33, № 2. С. 219–231. 7. Рогалев А. Н. Гарантированные методы решения систем обыкновенных дифференциальных уравнений на основе преобразования символьных формул // Вычислительные технологии. 2003. Т. 8, № 5. С. 102–116. 8. Рогалев А. Н. Гарантированные оценки и построение множеств достижимости для нелинейных управляемых систем // Вестник СибГАУ. 2010. 5(31). С. 148–154.

© Рогалев А. Н., 2015

86

Математические методы моделирования, управления и анализа данных

УДК 004.60 ХАРАКТЕРИСТИКА НАДЕЖНОСТИ ПРОГРАММНЫХ МОДУЛЕЙ

М. В. Сарамуд, П. В. Зеленков, И. В. Ковалев, Д. И. Ковалев, В. В. Брезицкая Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Описываются характеристики надежности программного обеспечения информационно-управляющих систем, понятия сбоя и отказа, правильной и надежной программы. Ключевые слова: программное обеспечение, информационно-управляющая система, надежность. CHARACTERISTICS OF SOFTWARE MODULE RELIABILITY

M. V. Saramud, P. V. Zelenkov, I. V. Kovalev, D. I. Kovalev, V. V. Bresizkaja Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The paper describes the characteristics of software reliability of management information systems, the concepts of failure and rejection, correct and reliable program. Keywords: software, information management system, reliability. взаимозависимость и способность к разрушению, старению или снижению надежности в процессе эксплуатации привели к тому, что этот фактор оказался превалирующим для надежности аппаратуры. Надежность ПО информационно-управляющей системы (ИУС) определяется теми же двумя факторами. Однако соотношение их влияния иное. Хранение программ на магнитных или иных носителях при отсутствии внешнего вмешательства характеризуется очень высокой надежностью. Доминирующим для надежности ПО ИУС является второй фактор – ошибки проектирования [1]. Программа любой сложности и назначения при строго фиксированных исходных данных и абсолютно надежной аппаратуре исполняется по однозначно определенному маршруту и дает на выходе строго определенный результат. Однако случайное изменение исходных данных и накопленной при обработке информации, а также множество условных переходов в программе создают огромное количество различных маршрутов исполнения для каждой программной системы. Такое количество вариантов исполнения программы нельзя проверить полностью из-за ограничений на длительность отладки и приемочных испытаний. Источниками ненадежности являются непроверенные сочетания исходных данных, при которых ПО дает неверные результаты или отказы. Понятие отказа связано с нарушением работоспособности изделия и его соответствия требованиям технической документации. Отказ при исполнении программ может проявиться как следствие нарушения кодов записи программ в памяти команд стирания или искажения данных в оперативной или долговременной памяти ЭВМ; нарушения нормального хода вычислительного процесса.

В настоящее время предложено множество подходов, которые призваны обеспечить надежность программ, среди которых и различные технологии, и программные средства, и методологии разработки. Использование этих средств порой требует значительных ресурсов, однако, в связи с тем, что данные технологии зачастую не связаны друг с другом и между ними не существует единых критериев определения надежности, не представляется возможным ответить на вопрос, становится ли программное обеспечение надежнее от применения этих технологий. Исходя из этого, можно сделать вывод, что прежде чем пытаться обеспечить надежность с помощью различных средств и технологий, вначале необходимо разработать метод, который позволял бы получить достоверные характеристики надежности программного обеспечения. Проблема надежности программного обеспечения (ПО) стала объектом особого внимания с самого начала развития средств машинной обработки информации. В начале внимание исследователей было привлечено к аппаратной надежности, но достаточно быстро стало понятно, что больше всего ресурсов уходит на исправление ошибок в программах. В то же время встала и другая проблема – возникла необходимость дать стандартное определение программной ошибки и надежности программы, для однозначного определения факта её наличия и проблемы, в результате которой она возникла. Надежность технических систем определяется в основном двумя факторами: надежностью компонентов и ошибками в модели системы, допущенными при проектировании или изготовлении. Относительно невысокая надежность компонентов, их глубокая 87

Решетневские чтения. 2015

Во всех случаях программные отказы приводят к прекращению выдачи пользователям информации и управляющих воздействий или к значительному искажению ее содержания и темпа выдачи. Понятие «сбой» в теории надежности трактуется как самоустраняющийся отказ, не требующий внешнего вмешательства для замены отказавших компонентов. Таким образом, понятия «сбой» и «отказ» применительно к аппаратуре отличаются степенью физического разрушения компонентов и необходимостью их замены. В процессе обработки данных обычно отсутствует физическое разрушение программ и не требуется замена или ремонт каких-либо материальных компонентов. Основной принцип классификации сбоев и отказов – разделение по временному показателю длительности восстановления после любого искажения программы, данных или вычислительного процесса. При длительности восстановления, меньшей заданного порога, аномалии при функционировании программ следует относить к сбоям. При восстановлении, превышающем по длительности пороговое значение и нарушающем работоспособность программ, искажения соответствуют отказу. Отсюда возникает задача классификации аномалий при функционировании программ на два типа: достаточные для нарушения работоспособности системы и малые отклонения от требований технической документации, при которых работоспособность сохраняется [2]. Ниже учитываются только значительные искажения программ, данных или вычислительного процесса, достаточные для нарушения работоспособности. Понятие правильной (корректной) программы может рассматриваться статически вне временного функционирования. Степень некорректности программ можно характеризовать вероятностью попадания в область исходных данных, которая предусматривалась требованиями спецификации, однако не была проверена при тестировании и испытаниях. Таким образом, неправильность программы определяется вероятностью совмещения следующих событий: попадания исходных данных в область, заданную требованиями спецификации, но не проверенную при отладке и испытаниях; проявления ошибки в программе при обработке таких данных. Правильность программы неопределенна вне области изменения данных, заданной спецификацией, и не зависит от динамики функционирования программ в реальном времени [3]. Надежная программа прежде всего должна обеспечивать низкую вероятность отказа в процессе реального функционирования. Быстрое реагирование на искажения программ, данных или вычислительного процесса и восстановление работоспособности за время меньшее, чем порог между сбоем и отказом, позволяют обеспечить высокую надежность программы. При этом неправильная программа может функционировать, в принципе, абсолютно надежно. Действительно, если при каждом появлении реальных исходных данных, стимулирующих неправильные результаты, они не приводят к событиям, соответствующим отказу, то такая программа функционирует безотказно и надежно, хотя и не всегда правильно [4; 5].

Библиографические ссылки 1. Зеленков П. В., Ковалев И. В., Брезицкая В. В. Инструментальные средства формирования мультиверсионной архитектуры отказоустойчивых программных систем / М-во сельского хоз-ва Российской Федерации ; Красноярский гос. аграрный ун-т. 2011. С. 152. 2. Стельмах В. О., Ковалев И. В. Построение отказоустойчивых систем управления на основе мультиверсионного подхода // Информационно-телекоммуникационные системы и технологии (ИТСИТ-2012) : материалы Всерос. молодеж. конф. 2012. С. 172–173. 3. Ковалёв П. В. Графоаналитический метод анализа мультиверсионных архитектур программного обеспечения // Международный журнал прикладных и фундаментальных исследований / Академия естествознания. 2009. № 6. С. 70. 4. Kovalev I., Zelenkov P., Ognerubov S. The minimization of inter-module interface for the achievement of reliability of multi-version software // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings”. 2015. С. 012006. 5. Kovalev I. V., Zelenkov P. V., Tsarev M. Y. The control of developing a structure of a catastrophe-resistant system of information processing and control // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings”. 2015. С. 012008. References 1. Zelenkov P. V., Kovalev I. V., Brezitskaya V. V. Instrumental’nye sredstva formirovaniya mul’tiversionnoi arkhitektury otkazoustoichivykh programmnykh system. M-vo sel’skogo khoz-va Rossiiskoi Federatsii, FGBOU VPO “Krasnoyarskii gos. agrarnyi un-t”. 2011. S. 152. 2. Stel’makh V. O., Kovalev I. V. Postroenie otkazoustoichivykh sistem upravleniya na osnove mul’tiversionnogo podkhoda. Materialy vserossiiskoi molodezhnoi konferentsii “Informatsionno-telekommunikatsionnye sistemy i tekhnologii (ITSIT-2012)”. 2012. S. 172–173. 3. Kovalev P. V. Grafoanaliticheskii metod analiza mul’tiversionnykh arkhitektur programmnogo obespecheniya // Mezhdunarodnyi zhurnal prikladnykh i fundamental’nykh issledovanii, Akademiya estestvoznaniya. 2009. № 6. S. 70. 4. Kovalev I., Zelenkov P., Ognerubov S. The minimization of inter-module interface for the achievement of reliability of multi-version software // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings” 2015. С. 012006. 5. Kovalev I. V., Zelenkov P. V., Tsarev M. Y. The control of developing a structure of a catastrophe-resistant system of information processing and control // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings” 2015. С. 012008.

© Сарамуд М. В., Зеленков П. В., Ковалев И. В., Ковалев Д. И., Брезицкая В. В., 2015 88

Математические методы моделирования, управления и анализа данных

УДК 004.6 ОБЗОР ИНТЕРПРЕТАТОРА ПОДМНОЖЕСТВА ЯЗЫКА С++ LABC++

М. В. Сарамуд, С. В. Ефремова, Е. В. Бурдина, Д. Г. Перанцев Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Описывается интерпретатор LabC++, его основные функции и переменные, использующиеся в самом процессе интерпретации. Ключевые слова: программное обеспечение, интерпретатор, лексический анализ. REVIEW OF THE SUBSET OF C++ INTERPRETER LABC++

M. V. Saramud, S. V. Efremova, E. V. Burdina, D. G. Perantsev Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The paper describes LabC++ interpreter, its basic functions and variables used in the process of interpretation. Keywords: software, interpreter, lexical analysis. Обнаружение точек входа для всех функций служит и другой цели. Как мы знаем, выполнение программы на С++ начинается не с первой строки кода, а с запуска функции main(). Более того, не требуется, чтобы описание этой функции было первым в программе. Следовательно, необходимо найти местоположение функции main() в исходном коде для того, чтобы выполнение программы могло начаться с этой точки (следует помните также о том, что объявления глобальных переменных могут предшествовать функции main(), поэтому даже если она описана в исходном коде первой, это вовсе необязательно означает, что с первой строки кода). Поскольку процедура предварительного просмотра находит точки входа для всех функций, она определяет точку вхождения в main(). Функция, выполняющая предварительный просмотр программы, называется prescan(). Функция prescan() работает следующим образом. Каждый раз, когда обнаруживается открывающая фигурная скобка, переменная brace увеличивается на единицу. Когда же найдена закрывающая фигурная скобка, переменная brace уменьшается на единицу. Следовательно, если переменная brace больше нуля, текущая лексема читается из тела функции. Если же при обнаружении переменной brace равна нулю, пресканер знает, что найдена глобальная переменная. Точно так же, если при brace, равной нулю, обнаружено имя функции, то это должно быть определение функции (напоминаем, что интерпретатор LabC++ не поддерживает прототипы функций). Функция interp() – это сердце интерпретатора. Она решает, какое действие предпринять, основываясь на лексеме, следующей за текущей во входном потоке. Эта функция интерпретирует одну логическую единицу кода и завершается. Если единица кода

Интерпретатор – это средство выполнения программы на С++. Cуть процесса интерпретации можно описать с помощью следующего алгоритма: Пока (есть_лексемы) { получи следующую лексему; выполни назначенное действие; }. Правда, следует помнить, что шаг «выполни назначенное действие» может включать чтение дополнительных лексем из входного потока и выполнение нового назначенного действия. Таким образом, шаг «выполни назначенное действие» может быть рекурсивным. Рассмотрим предварительный просмотр в интерпретаторе. Прежде чем интерпретатор начнет выполнение программы, следует решить две важные организационные задачи: должны быть найдены и инициализированы все глобальные переменные; должно быть определено местоположение каждой функции в программе. Эти задачи выполняются в интерпретаторе процедурой предварительного просмотра. В LabC++ весь выполняемый код сосредоточен внутри функций, поэтому интерпретатору незачем выходить за пределы функций. Но объявления глобальных переменных находятся вне функций. Следовательно, необходимо обработать эти объявления с помощью предварительного просмотра программы. У интерпретатора нет другого (эффективного) способа узнать о них. Для увеличения скорости выполнения важно (хотя в этом нет технической необходимости) знать местоположение каждой функции, определенной в программе, чтобы обеспечить их существенно более быстрый вызов. Если этот шаг не выполняется, для каждого вызова функции потребуется длительный последовательный поиск в исходном коде программы. 89

Решетневские чтения. 2015

ствие целочисленные эквиваленты, что позволяет использовать оператор switch вместо требуемой последовательности операторов if, включающих сравнения строк (которые выполняются очень медленно) [1–5].

содержит один оператор, то он интерпретируется, и функция возвращается. Если же прочитана открывающая фигурная скобка, то интерпретируются все операторы, входящие в блок. Для этого служит переменная-флаг – block, которой присваивается 1, если считана открывающая фигурная скобка. Благодаря этому функция продолжает интерпретировать операторы до тех пор, пока не будет прочитана закрывающая фигурная скобка. Если нет вызовов таких функций, как exit(), программа на С++ завершается, когда обнаружена последняя фигурная скобка (или оператор return) – необязательно в последней строке исходного кода. Это одна из причин, по которой функция interp() выполняет оператор или блок кода, а не всю программу целиком. Кроме того, концептуально С++ состоит из блоков кода. Следовательно, функция interp() вызывается каждый раз, когда обнаружен новый блок кода. Это может быть блок функции и блок, начинающийся в различных операторах С++, таких как if. В процессе выполнения программы интерпретатор LabC++ может вызывать функцию interp() рекурсивно. Функция interp() работает следующим образом. Сначала она определяет, не обнаружен ли в программе оператор break. Если да, то глобальная переменная breakfound будет равна true. Эта переменная сохраняет свое значение, пока она не будет очищена другой частью интерпретатора. Это видно при описании интерпретации управляющих операторов. Предположим, что breakfound равна false, тогда функция interp() читает следующую лексему из программы. Если прочитан идентификатор, то текущий оператор – выражение, поэтому вызывается анализатор выражений. Поскольку анализатор будет читать первую лексему выражения самостоятельно, она возвращается во входной поток с помощью функции putbacko. Когда завершится функция eval_exp(), переменная token будет содержать последнюю лексему, прочитанную анализатором выражений, которая должна быть точкой с запятой, если обрабатываемый оператор синтаксически корректен. Если лексема не содержит точки с запятой, выводится сообщение об ошибке. Если следующая лексема программы – открывающая фигурная скобка, переменной block присваивается 1, и текущий размер стека, названного local_var_stack, помещается в стек nest_scope_stack. Стек lосаl_var_stack содержит все локальные переменные, включая те, которые объявлены в областях видимости вложенных блоков. И наоборот, если следующая лексема – закрывающая фигурная скобка, стек iocai_var_stack усекается до размера, заданного в вершине стека nest_scope_stack. Это действие эффективно удаляет любые локальные переменные, которые могли быть объявлены внутри блока. Таким образом, "{" вызывает сохранение размера стека локальных переменных, а "}" возвращает стеку его предыдущий размер. Описанный механизм поддерживает вложенные локальные области видимости переменных. Наконец, если лексема – ключевое слово, выполняется оператор switch, вызывающий соответствующую процедуру для обработки оператора. В функции get_token () ключевым словам поставлены в соответ-

Библиографические ссылки 1. Ковалёв И. В., Кузнецов А. С. Генерация компиляторов мультисинтаксических языков программирования мультиверсионных систем // Программные продукты и системы. 2008. № 4. С. 31. 2. Каюков Е. В., Бахмарева К. К., Зеленков П. В. Разработка современных программных комплексов // Информационно-телекоммуникационные системы и технологии (ИТСИТ-2012) : материалы Всерос. молодежной конф. 2012. С. 30–31. 3. Шилдт Г. Искусство программирования на С++. БХВ-Петербург, 2005. С. 384. 4. Model of the reliability analysis of the distributed computer systems with architecture “CLIENT-SERVER” / I. V. Kovalev [et al.] // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings”. 2015. С. 012009. 5. Kovalev I. V., Zelenkov P. V., Tsarev M. Y. The control of developing a structure of a catastrophe-resistant system of information processing and control // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings”. 2015. С. 012008. References 1. Kovalev I. V., Kuznetsov A. S. Generatsiya kompilyatorov mul’tisintaksicheskikh yazykov programmirovaniya mul’tiversionnykh system. Programmnye produkty i sistemy. 2008. No. 4, рp. 31. 2. Kayukov E. V., Bakhmareva K. K., Zelenkov P. V. Razrabotka sovremennykh programm-nykh kompleksov // Materialy vserossiiskoi molodezhnoi konferentsii “Informatsionno-telekommunikatsionnye sistemy i tekhnologii (ITSIT-2012)”. 2012. Pр. 30–31. 3. Herbert Schildt. Iskusstvo programmirovaniya na C++ [Teach Yourself C++]. BKhV-Peterburg, 2005. Рp. 384. 4. Kovalev I. V., Zelenkov P. V., Karaseva M. V., Tsarev M. Y., Tsarev R. Y. Model of the reliability analysis of the distributed computer systems with architecture “CLIENT-SERVER” // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings” 2015. Рp. 012009. 5. Kovalev I. V., Zelenkov P. V., Tsarev M. Y. The control of developing a structure of a catastrophe-resistant system of information processing and control // IOP Conference Series: Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings”. 2015. Рp. 012008.

© Сарамуд М. В., Ефремова С. В., Бурдина Е. В., Перанцев Д. Г., 2015 90

Математические методы моделирования, управления и анализа данных

УДК 519.87 РАСПРЕДЕЛЕННЫЕ САМОКОНФИГУРИРУЕМЫЕ МНОГОАГЕНТНЫЕ ТЕХНОЛОГИИ ПРОЕКТИРОВАНИЯ И УПРАВЛЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫМИ ИНФОРМАЦИОННЫМИ СЕТЯМИ*

Е. С. Семенкин1, И. А. Панфилов2, И. С. Рыжиков3 Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected], [email protected] Представлена постановка задачи, применяемые подходы и предварительные итоги проекта, выполняемого в рамках Федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на 2014–2020 годы», приоритетное направление «Информационно-телекоммуникационные системы». Ключевые слова: информационные сети, интеллектуальный интерфейс, интеллектуальные технологии проектирования и управления, самоконфигурируемые и многоагентные алгоритмы, распределенные системы, интеллектуальный анализ данных. DISTRIBUTED SELF-CONFIGURING MULTI-AGENT TECHNOLOGIES OF INTELLIGENT INFORMATION NETWORKS DESIGN AND CONTROL*

E. S. Semenkin1, I. A. Panfilov2, I. S. Ryzhikov3 Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected], [email protected], [email protected] The research reports problem statement, approaches applied and preliminary results of the project fulfilled within Federal R&D program in priority areas of science and engineering system of Russia in 2014–2020, field of information and telecommunication systems. Keywords: information networks, intelligent interface, intelligent technologies of design and control, selfconfiguring and multi-agent algorithms, data mining. ность) и т. д. Следовательно, требуется проектирование эффективных интеллектуальных информационных технологий анализа данных «под задачу». Спроектированная технология, в свою очередь, должна иметь возможность самонастраиваться в процессе решения задачи.* В данном исследовании задачи проектирования и настройки интеллектуальных информационных технологий рассматриваются как оптимизационные, а для решения применяются универсальные самоконфигурируемые бионические алгоритмы. Для повышения логической надежности решения задачи используются коллективы моделей и алгоритмов. В свою очередь, алгоритм согласования индивидуальных решений в коллективе также проектируется каждый раз «под задачу», поскольку традиционные алгоритмы голосования и усреднения малоэффективны в условиях анализа плохо структурированной, гетерогенной информации. В докладе обсуждаются итоги выполнения проекта в 2015 году и приводятся как научные результаты, так и формальные показатели качества выполненных

Одна из существенных проблем современного Интернета связна с тем, что представленная в www информация не поддается прямой автоматизированной компьютерной обработке (по оценкам специалистов порядка 50–60 % всех информационных ресурсов). Как следствие, задачи, решаемые в web, решаются неэффективно. В частности, существует проблема эффективного информационного поиска. Несмотря на мощные алгоритмы оценки релевантности ответов на запросы пользователя, эффективность поисковых машин остается невысокой. Целью данного проекта является исследование и разработка комплекса научно-технических решений, направленных на создание распределенной самоконфигурируемой многоагентной технологии проектирования и управления интеллектуальными информационными сетями для повышения эффективности и обоснованности решения задач обеспечения информационных потребностей пользователей глобальной сети Интернет. Информационные потребности пользователя зачастую являются уникальными и могут приводить к различным формальным постановкам задач, которые могут решаться в различной информационной среде, использовать различные данные (форматы, размер-

*

Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037.

91

Решетневские чтения. 2015

Ensemble Design // Advances in Swarm and Computational Intelligence, LNCS 9140. 2015. Pp. 285– 293. 9. Semenkina M., Semenkin E. Memetic SelfConfiguring Genetic Programming for Solving Machine Learning Problems // Proceedings of 4th IIAI International Congress on Advanced Applied Informatics (IIAI AAI 2015) (July 12–16 2015. Okayama, Japan). 2015. Pp. 599–604. 10. Semenkina M., Semenkin E. Hybrid Selfconfiguring Evolutionary Algorithm for Automated Design of Fuzzy Classifier // Advances in Swarm Intelligence, LNCS 8794. 2014. Pp. 310–317. 11. Stanovov V., Semenkin E., Semenkina O. Selfconfiguring hybrid evolutionary algorithm for fuzzy classification with active learning // IEEE Congress on Evolutionary Computation (CEC’2015, Japan). 2015. Pp. 1823–1830. 12. Stanovov V., Semenkin E., Semenkina O. Instance selection approach for self-configuring evolutionary fuzzy rule based classification systems // Proceedings of 4th IIAI International Congress on Advanced Applied Informatics (IIAI AAI 2015) (July 12– 16 2015. Okayama, Japan). 2015. Pp. 574–579. 13. Stanovov V., Semenkin E., Semenkina O. Instance Selection Approach for Self-configuring Hybrid Fuzzy Evolutionary Algorithm for Imbalanced Datasets // Advances in Swarm and Computational Intelligence, LNCS 9140. 2015. Pp. 451–459. 14. Stanovov V., Semenkin E. Hybrid selfconfiguring evolutionary algorithm for automated design of fuzzy logic rule base // 11th Intern. Conf. on Fuzzy Systems and Knowledge Discovery (FSKD’2014. China). Pp. 317–321.

исследований, в том числе опубликованные научные работы [1–14]. References 1. Akhmedova Sh. and Semenkin E. Co-operation of Biology-Related Algorithms for Constrained Multiobjective Optimization // Advances in Swarm and Computational Intelligence, LNCS 9140. 2015. Pp. 487–494. 2. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms for Multi-Objective Binary Optimization // Proceedings of 4th IIAI Intern. Congress on Advanced Applied Informatics (IIAI AAI 2015) (July 12–16 2015, Okayama, Japan). 2015. Pp. 580–585. 3. Akhmedova Sh., Semenkin E. Co-Operation of Biology Related Algorithms Meta-Heuristic in ANNBased Classifiers Design. Proceedings of the World Congress on Computational Intelligence (WCCI’14). 2014. Pp. 867–873. 4. Akhmedova Sh., Semenkin E. Data Mining Tools Design with Co-operation of Biology Related Algorithms // Advances in Swarm Intelligence, LNCS 8794. 2014. Pp. 499–506. 5. Brester Ch., Semenkin E. Cooperative Multiobjective Genetic Algorithm with Parallel Implementation // Advances in Swarm and Computational Intelligence, LNCS 9140. 2015. Pp. 471–478. 6. Brester C., Semenkin E., Sidorov M., Kovalev I., Zelenkov P. Evolutionary feature selection for emotion recognition in multilingual speech analysis // Proceedings of the IEEE Congress on Evolutionary Computation (CEC2015). Sendai, 2015. Pp. 2406–2411. 7. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // Proceedings of the 11th Intern. Conf. on Informatics in Control, Automation and Robotics (ICINCO’2014, Austria). 2014. Pp. 318–323. 8. Semenkina M., Semenkin E. Memetic SelfConfiguring Genetic Programming for Fuzzy Classifier

© Семенкин Е. С., Панфилов И. А., Рыжиков И. С., 2015

___________ УДК 519.87 АЛГОРИТМ УМНЫХ КАПЕЛЬ РЕШЕНИЯ ЗАДАЧ КЛАССИФИКАЦИИ*

О. Е. Семенкина, Е. А. Попов Сибирский государственный аэрокосмический университет имени академика М.Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31, Е-mail: [email protected], [email protected] Рассматривается алгоритм AntMiner и вводится новый метод, основанный на алгоритме умных капель решения задачи классификации, что потенциально может применяться для обработки спутниковых изображений, поиска необходимых ресурсов при освоении космоса или прогнозирования аварийных ситуаций. Ключевые слова: алгоритм умных капель, муравьиный алгоритм, классификация.

*

Работа выполнена в рамках проекта RFMEFI57414X0037.

92

Математические методы моделирования, управления и анализа данных

INTELLIGENT WATER DROPS ALGORITHM FOR CLASSIFICATION PROBLEMS SOLVING

O. E. Semenkina, E. A. Popov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected], [email protected] This article describes a method Ant Miner and introduces a new method based on Intelligent Water Drops algorithm of classification problem solving, that potentially can be used to solve such problems as the processing of satellite images, looking-for the necessary resources when space exploration and forecasting of emergencies. Keywords: intelligent water drops algorithm, ant colony optimization, classification. ить эффективную базу правил проектируемых классификаторов по аналогии с ACO, учитывая некоторые параметры: α – относительная важность эвристики и β – относительная важность феромона. Одной из особенностей алгоритма Ant Miner является то, что классификатор проектируется в виде базы правил, понятных для человека, которые имеют следующий вид if < conditions > then < class >, где состоит из некоторого множества термов и определяет значения атрибутов, т. е. имеет вид: if term1 and term2 and ..., а часть < class > определяет принадлежность к тому или иному классу. Каждый терм представляет собой тройку вида < attribute, operator, value >, где attribute – наименование (или номер) некоторого атрибута данных, фиксируемого в этом терме, operator – это способ сравнения двух значений атрибутов (например, знак равенства "="), а value – конкретное фиксируемое значение выбранного атрибута из его множества значений. На основе принципа построения базы правил алгоритма Ant Miner авторами был модифицирован алгоритм умных капель решения задач комбинаторной оптимизации и разработан IWDs Miner. Этот алгоритм имеет похожую структуру с Ant Miner в методе классификации, однако отличный метод выбора термов для правил. Он получил название IWDs Miner. Разработанный алгоритм IWDs Miner показывает результаты, сопоставимые по надежности с алгоритмом Ant Miner и является новым интересным методом классификации, имеющим хорошие перспективы развития.

В настоящее время постоянно открываются и исследуются все новые алгоритмы решения задач интеллектуального анализа данных (Data mining), что связано с существенным влиянием даже небольшого улучшения работы алгоритма или его скорости на результат выполнения при использовании больших объемов данных. Задачу классификации можно назвать одной из наиболее важных отраслей интеллектуального анализа данных, так как она является ключом к эффективным методам человеко-машинного взаимодействия и используется в широком круге областей, начиная с медицинской диагностики [1] и заканчивая прогнозированием деградации солнечных батарей [2]. Более того, классификация, как и интеллектуальный анализ данных в целом, может применяться для решения многих задач, возникающих в связи с освоением космоса человеком, например, обработка спутниковых изображений, поиск необходимых ресурсов или прогнозирование аварийных ситуаций. Зачастую, формализованная постановка современных задач сводится к задачам оптимизации, а из-за обилия в них особенностей, выходящих за рамки условий использования стандартных методов оптимизации, используются стохастические методы [3], например, генетический алгоритм (Genetic algorithm) [4], муравьиный алгоритм (Ant colony optimization, ACO) [5], стайный алгоритм (Particle Swarm Optimization) [6], алгоритм умных капель (Intelligent water drops, IWDs) [7] и многие другие. Эти алгоритмы имеют обширную область применения, например, они могут быть использованы для построения структуры и настройки весовых коэффициентов искусственных нейронных сетей [8], построения базы нечетких правил [9] или для выделения информативных признаков [10]. Ранее в своей работе авторы исследовали ACO, GA и IWDs при решении задач комбинаторной оптимизации применительно к задаче коммивояжера [11], сравнивая их также со стандартным методом решения подобных задач – эвристикой Лина–Кернигана. Данные алгоритмы показали себя как эффективные методы решения задачи оптимизации, а потому целесообразным является дальнейшее исследование подобных алгоритмов для решения других задач. Алгоритм Ant Miner [12], основанный на базе автокаталитического муравьиного алгоритма комбинаторной оптимизации, позволяет автоматически стро-

Библиографические ссылки

1. Popov E. A., Semenkina M. E. Self-configuring genetic programming algorithm for medical diagnostic problems // Вестник СибГАУ. 2013. № 4 (50). С. 116–123. 2. Semenkin E., Semenkina M. Spacecrafts’ control systems effective variants choice with self-configuring genetic algorithm // Proceedings of the 9th Intern. Conf. on Informatics in Control, Automation and Robotics, 2012 (ICINCO’2012). С. 84–93. 3. Об эволюционных алгоритмах решения сложных задач оптимизации / А. В. Гуменникова [и др.] // Вестник СибГАУ. 2003. № 4 (10). С. 14–23. 4. Eiben A. E., Smith J. E. Introduction to Evolutionary Computing // Springer, 2003. 300 p. ISBN: 3540401849. 93

Решетневские чтения. 2015

5. Dorigo М., Gambardella L. M. Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem // Transactions on Evolutionary Computation. 1997. P. 53–66. 6. Ахмедова Ш. А. Particle Swarm Optimization Algorithms Development and Effectiveness Investigation // Вестник СибГАУ. 2012. Вып. 4 (44). С. 78–79. 7. Shah-Hosseini H. Problem solving by intelligent water drops // Proc. of IEEE Congresson Evolutionary Computation, Swissotel The Stamford, Singapore, 2007. P. 3226–3231. 8. Khritonenko D. I., Semenkin E. S. Distributed selfconfiguring evolutionary algorithms for artificial neural networks design // Вестник СибГАУ. 2013. Вып. 4 (50). С. 112–116. 9. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm // Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics ICINCO. 2014. Vol. 1. С. 318–323. 10. Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection // Proceedings of Intern. Conf. on Engineering and Applied Sciences Optimization (4–6 June 2014, Kos Island, Greece). 2014. P. 1838–1845. 11. Семенкина О. Е., Семенкина О. Э. Исследование эффективности бионических алгоритмов комбинаторной оптимизации // Программные продукты и системы. 2013. № 3 (103). С. 129–133. 12. Parpinelli R., Lopes H., Freitas A. Data Mining with an Ant Colony Optimization Algorithm // IEEE Transactions on Evolutionary Computation. 2002. № 6(4). P. 321–332.

3. Gumennikova A. V., Emel'yanova M. N., Semenkin E. S., Sopov E. A. [About evolutionary algorithms for solving hard optimization problems]. Vestnik SibGAU. 2003. No. 4, рр. 14–23 (In Russ.). 4. Eiben A. E., Smith J. E. Introduction to Evolutionary Computing. Springer, 2003. ISBN 3540401849. 5. Dorigo М., Gambardella L. M. Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem. Transactions on Evolutionary Computation. 1997. Pр. 53–66. 6. Akhmedova Sh. A. Particle Swarm Optimization Algorithms Development and Effectiveness Investigation. Vestnik SibGAU. 2012. No. 4 (44), pp. 78–79. 7. Shah-Hosseini H. Problem solving by intelligent water drops // Proc. of IEEE Congresson Evolutionary Computation, Swissotel The Stamford, Singapore, 2007. Pp. 3226–3231. 8. Khritonenko D. I., Semenkin E. S. Distributed selfconfiguring evolutionary algorithms for artificial neural networks design. Vestnik SibGAU. 2013. No. 4 (50), pp. 112–116. 9. Semenkin E., Stanovov V. Fuzzy rule bases automated design with self-configuring evolutionary algorithm. Proceedings of the 11th International Conference on Informatics in Control, Automation and Robotics ICINCO 2014. Vol. 1, рp. 318–323. 10. Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection. Proceedings of International Conference on Engineering and Applied Sciences Optimization (4–6 June 2014, Kos Island, Greece). 2014. Рp. 1838–1845. 11. Semenkina O. E., Semenkina O. E. Issledovanie effektivnosti bionicheskih algoritmov kombinatornoy optimizacii [Efficiency investigation of bionical algorithms for combinatorial optimization problems]. Programmnye produkty i sistemy [Software products and systems]. 2013. No. 3(103), рp. 129–133 (In Russ.). 12. Parpinelli R., Lopes H., Freitas A. Data Mining with an Ant Colony Optimization Algorithm. IEEE Transactions on Evolutionary Computation. 2002. No. 6(4), pp. 321–332.

References 1. Popov E. A., Semenkina M. E. Self-configuring genetic programming algorithm for medical diagnostic problems. Vestnik SibGAU. 2013. No. 4 (50), рp. 116–123. 2. Semenkin E., Semenkina M. Spacecrafts’ control systems effective variants choice with self-configuring genetic algorithm // Proceedings of the 9th International Conference on Informatics in Control, Automation and Robotics (ICINCO’2012). 2012. Pр. 84–93.

© Семенкина О. Е., Попов Е. А., 2015

__________ УДК 519.6 САМОКОНФИГУРИРУЕМОЕ ГЕНЕТИЧЕСКОЕ ПРОГРАММИРОВАНИЕ И АЛГОРИТМ ЛОКАЛЬНОГО СПУСКА*

М. Е. Семенкина Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Рассматриваются и тестируются самоконфигурируемый алгоритм генетического программирования для автоматического генерирования различных интеллектуальных информационных технологий и локальный спуск по деревьям. Ключевые слова: генетическое программирование, локальный спуск, интеллектуальный анализ данных. *

Работа выполнена в рамках проекта RFMEFI57414X0037.

94

Математические методы моделирования, управления и анализа данных

SELFCONFIGURING GENETIC PROGRAMMING AND LOCAL SEARCH ALGORITHM

M. E. Semenkina Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] A hybridization of self-configuring genetic programming algorithms with a local search in the space of trees is fulfilled to improve their performance for intellectual information technology automated design. Keywords:genetic programming, local search, data mining. тем, что узлы дерева, находящиеся ближе к его вершине, оказывают более существенное влияние на получаемый результат, при просмотре 2-соседней окрестности в первую очередь будут изменяться узлы, находящиеся ближе к вершине древа, т. е. просмотр будет осуществляться сверху вниз. В ходе работы было выполнено сравнение эффективности всех вариантов выполнения локального спуска по дереву. Эффективность всех предложенных алгоритмов [6] оценивалась на репрезентативном множестве тестовых задач и на двух реальных практических задачах классификации. По результатам тестирования можно сделать вывод, что лучший вариант локального спуска для различных форм интеллектуальных информационных технологий может иметь несущественные различия и продемонстрировал лучшую эффективность и существенно повысил эффективность самоконфигурируемого алгоритма генетического программирования. Гибридный алгоритм, состоящий в применении самоконфигурируемого алгоритма генетического программирования и локального спуска для p % лучших индивидов в каждом поколении, почти всегда превосходит лучший для конкретной задачи вариант алгоритма генетического программирования, что позволяет полностью отказаться от выбора его наиболее эффективного варианта настроек. При решении реальных задач анализа данных гибридный алгоритм продемонстрировал лучший результат среди всех рассмотренных альтернатив. Более подробно результаты исследования будут представлены в докладе.

Интеллектуальные информационные технологии анализа данных широко применяются при решении задач классификации, аппроксимации и прогнозирования в различных областях человеческой деятельности [1], в частности, в аэрокосмической области. Однако их проектирование является нетривиальной задачей оптимизации, поэтому эволюционные алгоритмы (ЭА) могут быть использованы при автоматизации генерирования интеллектуальных информационных технологий, таких как символьные выражения, искусственные нейронные сети и системы на нечеткой логике. Алгоритм генетического программирования может быть использован при создании структур нейронных сетей [2], баз правил в системах на нечеткой логике [3] и символьных выражений, а генетические алгоритмы часто используются для настройки лингвистических переменных, весовых коэффициентов нейронных сетей и параметров символьных выражений. Хотя ЭА успешно применяются при решении многих практических задач оптимизации и моделирования, существенная зависимость их эффективности от выбора настроек и параметров создает серьезные трудности для дальнейшего расширения возможности их применения. Поэтому в рамках данного исследования используются самоконфигурируемые эволюционные алгоритмы [4; 5], автоматически выбирающие наиболее эффективные комбинации операторов. Для повышения эффективности рассматриваемого подхода предлагается выполнить гибридизацию самоконфигурируемого алгоритма генетического программирования и локального спуска. В данной работе для локального спуска по дереву используются два способа перехода между деревьями (переход по первому улучшению и наискорейший спуск), две системы окрестностей (1-соседняя и 2-соседняя окрестности) и три стратегии просмотра этих систем окрестностей («полный», «неполный» и «усеченный» просмотры). 1-соседними к исходному дереву будем называть деревья, полученные изменением элементов терминального множества, а 2-соседними – деревья, полученные изменением элементов функционального множества. При «полном» локальном спуске просмотр дерева будет начинаться с просмотра 2-соседней окрестности и продолжаться просмотром 1-соседней окрестности, а при «неполном» локальном спуске будет выполняться просмотр только 1-соседней окрестности, алгоритм «усеченного» локального спуска подразумевает просмотр только n выбранных случайным образом узлов дерева. В связи

Библиографические ссылки 1. Семенкин Е. С. Эволюционные алгоритмы поддержки принятия решений при управлении сложными системами // Вестник СибГАУ. 2005. № 3. С. 83–85. 2. Липинский Л. В., Семенкин Е. С. Применение алгоритма генетического программирования в задачах автоматизации проектирования интеллектуальных информационных технологий // Вестник СибГАУ. 2006. Вып. 3(10). С. 22–26. 3. Stanovov V. V., Semenkin E. S. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems // Вестник СибГАУ. 2013. Вып. 4. С. 148–152. 4. Семенкина М. Е. Самоадаптивные эволюционные алгоритмы проектирования информационных технологий интеллектуального анализа данных //

95

Решетневские чтения. 2015

Искусственный интеллект и принятие решений. 2013. № 1. С. 13–23. 5. Semenkin E., Semenkina M. Self-configuring genetic algorithm with modified uniform crossover operator // Lecture Notes in Computer Science. 2012. Vol. 7331 LNCS. Part. 1. С. 414–421. 6. Semenkina M. E. Hybridization of local search with self-configuring genetic programming algorithm for automated fuzzy classifier design // Вестник СибГАУ. 2015. Т. 16, № 1. С. 113–118.

3. Stanovov V. V., Semenkin E.S. Self-adjusted evolutionary algorithms based approach for automated design of fuzzy logic systems // Vestnik SibGAU. 2013. No. 4(50), рр. 148–152. 4. Semenkina M. E. [Effectiveness investigation of adaptive evolutionary algorithms for data mining information technology design] // Iskusstvennyyintellekt i prinyatiyeresheniy. 2013. No. 1, рр. 13–23 (In Russ.). 5. Semenkin E., Semenkina M. Self-configuring genetic algorithm with modified uniform crossover operator // Lecture Notes in Computer Science. 2012. Vol. 7331 LNCS. Part 1, pр. 414–421. 6. Semenkina M. E. Hybridization of local search with self-configuring genetic programming algorithm for automated fuzzy classifier design // Vestnik SibGAU. 2015. No. 1(16), рp. 113–118.

References 1. Semenkin E. S. [Evolutionary algorithms of decision support for complex systems management and control] // Vestnik SibGAU. 2005. No. 3, рp. 83–85 (In Russ.). 2. Lipinsky L. V., Semenkin E. S. [Application of genetic programming algorithm in automated design of intellectual information technologies] // Vestnik SibGAU. 2006. No. 3(10), рp. 22–26 (In Russ.).

© Семенкина М. Е., 2015

___________ УДК 519.87 ЭФФЕКТИВНОСТЬ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ В ИДЕНТИФИКАЦИИ ХИМИЧЕСКОГО СОСТАВА*

А. В. Скороход Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматривается решение задачи классификации типов объектов по его химическому составу методами интеллектуального анализа данных в платформе программной системы RapidMiner. Произведено сравнение эффективности использованных методов и установлены наиболее эффективные из них. Ключевые слова: тип стекла, тип стали, классификация, оптимизация, ансамбль. DATA MININNG TECHNIQUE EFFECTIVENESS IN IDENTIFICATION OF CHEMICAL COMPOSITION

A. V. Skorokhod Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] Chemical composition identification problem is solved with data mining tools adopted from RapidMiner system. The performance of the used methods is compared and the most effective approaches are determined. Keywords: type of glass, type of annealing steel, classification, optimization, ensemble. Было создано несколько процессов в платформе программной системы RapidMiner [1] для решения проблем классификации: проверка гипотезы о различии средних для двух выборок для данных векторов производительности использованных методов с помощью оператора T-test по t-критерию Стьюдента.*Для обучения каждой технологии системы был

Проблема классификации типов объектов по его химическому составу имеет большое значение. Классификация стекла или стали, прошедшей отжиг, по типу их исходного использования является актуальной задачей в ситуациях расследования причин и последствий различных происшествий. Так, к примеру, задача классификации типа осколков стекла решалась составителями базы данных в области криминалистики.

*

96

Работа выполнена в рамках проекта RFMEFI57414X0037.

Математические методы моделирования, управления и анализа данных

использован метод перекрестной проверки (Cross Validation [2]). Также был создан процесс оптимизации классификационных моделей с оператором Optimize Parameters [1] и ансамбль методов при помощи оператора Vote [1]. В этих процессах для обучения каждой технологии системы был использован метод (Split Data [1]). Для решения поставленной задачи были использованы такие методы, как индукция правил (RI [3]), метод k-ближайших соседей (k-NN [4]), линейный дискриминантный анализ (LDA [5]), дерево решений (DT [6]), многослойный персептрон (MLP [7]), нейронная сеть (NN [8]), наивный байесовский классификатор (NB [9]), случайный лес (RF [10]), логистическая регрессия (LR [11]), метод опорных векторов (SVM [12]). Процесс оптимизации классификационных моделей по некоторым параметрам с оператором Optimize Parameters [1] был создан для улучшения показателей векторов производительности использованных методов. Было создано два ансамбля методов, реализованных при помощи оператора Vote [1], ансамбль, содержащий три метода, имеющих наилучшие показатели векторов производительности. Такими оказались индукция правил, многослойный персептрон и метод k ближайших соседей (для базы данных Glasses Identification) и индукция правил, дерево решений и метод k ближайших соседей (для базы данных Anneal). Также был создан ансамбль, содержащий все используемые методы. Созданный процесс позволил учитывать ошибки всех методов, использованных для решения задачи классификации. Задача классификации типов осколков стекла по его химическому составу была решена с наивысшей точностью (96,64 %) методом RI с оптимизационными настройками параметров. Ансамбль как с использованием всех методов, так и с использованием трех лучших методов не позволяет построить достаточно эффективные системы классификации стекол. Задача классификации типов отжига стали по ее химическому составу была решена с наилучшим результатом (99,26 %) методом DT. Остальные методы работают хуже, и это различие статистически значимо. Применение оптимизации настроек и обоих видов ансамблей ожидаемо не дало повышения точности решения задачи. Таким образом, проблема классификации типов объектов по химическому составу может быть успешно решена в платформе программной системы RapidMiner, однако для этого требуется специалист в области интеллектуального анализа данных. Разработка самонастраивающихся процедур интеллектуального анализа данных, с которыми сможет работать конечный пользователь (специалист в предметной области), возможна за счет применения более эффективных технологий, основанных на специальных эволюционных алгоритмах [13; 14].

3. Evett Ian W., Spiehler E. J. Rule Induction in Forensic Science // KBS in Government. 1987. P. 107–118 4. Angiulli F. Fast nearest neighbor condensation for large data sets classification // IEEE Transactions on Knowledge and Data Engineering. 2007. Vol. 19, no. 11. P. 1450–1464, 5. Sparse Discriminant Analysis / Line Clemmensen, Trevor Hastie, Daniela Witten and Bjarne Ersboll // Technometrics. 2011. Vol. 53, no. 4. P. 406–413. 6. Yuan Y., Shaw M. J. Induction of fuzzy decision trees // Fuzzy Sets and Systems. 1995. № 69. P. 125–139. 7. Stirling D. and Buntine W. Process routings in a steel mill: A challenging induction problem // Artifical Intelligence Developments and Applications / Ed. J. S. Gero and R. Stanton Amsterdam : North-Holland, 1988. P. 301–313. 8. Горбань А. Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики. 1998. Т. 1, № 1. С. 12–24. 9. Kevin P. Murphy Naive Bayes classifiers, Last updated. October 24, 2006. 10. Breiman L. Random forests // Machine Learning. 2001. № 45(1). Р. 5–32. 11. Friedman J., Hastie T., Tibshirani R. Additive logistic regression: a statistical view of boosting (With discussion and a rejoinder by the authors) // Ann. Statist. 2000. Vol. 28, № 2. Р. 337–407. 12. Suykens J. A. K., Vandewalle J. Least Squares Support Vector Machine Classifiers // Neural Processing Letters, Vol. 9, iss. 3. Pp. 293–300. 13. Бежитский С. С., Семенкин Е. С., Семенкина О. Э. Гибридный эволюционный алгоритм для задач выбора эффективных вариантов систем управления // Автоматизация. Современные технологии. 2005. № 11. С. 24. 14. Семенкин Е. С., Семенкина М. Е. Применение генетического алгоритма с модифицированным оператором равномерной рекомбинации при автоматизированном формировании интеллектуальных информационных технологий // Вестник СибГАУ. 2007. № 3(16). С. 27–33. References 1. RapidMiner [Электронный ресурс]. URL: https://rapidminer.com/ (date of visit: 5.09.2015). 2. Shao J. Linear Model Selection by Cross-validation // J. of the American Statistical Association. 1993. Vol. 88, pp. 486–494. 3. Rule Induction in Forensic Science / Ian W. Evett and E. J. Spiehler // KBS in Government. 1987. Pp. 107–118. 4. Angiulli F. Fast nearest neighbor condensation for large data sets classification, IEEE Transactions on Knowledge and Data Engineering. Nov. 2007. Vol. 19, no. 11, pp. 1450–1464, 5. Sparse Discriminant Analysis / Line Clemmensen, Trevor Hastie, Daniela Witten and Bjarne Ersboll // Technometrics. 2011. Vol. 53, no. 4, pp. 406–413. 6. Yuan Y. and Shaw M.J. Induction of fuzzy decision trees. Fuzzy Sets and Systems 69, 1995, pp. 125–139.

Библиографические ссылки 1. RapidMiner [Электронный ресурс]. URL: https://rapidminer.com/ (дата обращения: 5.09.2015). 2. Shao J. Linear Model Selection by Cross-validation // J. of the American Statistical Association. 1993. Vol. 88. Р. 486–494,

97

Решетневские чтения. 2015

7. Stirling D. and Buntine W., Process routings in a steel mill: A challenging induction problem, In Gero J. S. and Stanton R., editors, Artifical Intelligence Developments and Applications, Amsterdam : North-Holland, 1988. Pр. 301– 313. 8. Gorban A. N. Generalized approximation theorem and computational capabilities of neural networks // Siberian Journal of Computational Mathematics. 1998. Vol. 1, no. 1, pp. 12–24. 9. Kevin P. Murphy Naive Bayes classifiers, Last updated. October 24, 2006. 10. Breiman L. Random forests // Machine Learning, 2001. 45(1), рр. 5–32. 11. Friedman J., Hastie T., Tibshirani R. Additive logistic regression: a statistical view of boosting (With discussion and a rejoinder by the authors) // Ann. Statist. 2000. Vol. 28. Nо. 2, рр. 337–407.

12. Suykens J. A. K., Vandewalle J. Least Squares Support Vector Machine Classifiers // Neural Processing Letters. Vol. 9, iss. 3, pp. 293–300. 13. Bezhitskiy S. S., Semenkin E. S., Semenkina O. E. Hybrid evolutionary algorithms for the choice of effective variants of control systems // Avtomatizatsiya. Sovremennye technologii. 2005. № 11. P. 24. 14. Semenkin E. S., Semenkina M. E. Application of genetic programming algorithm with modified uniform crossover operator for automated design of intelligent information technologies // Vestnik SibGAU. 2007. № 3 (16), рp. 27–33.

© Скороход А. С., 2015

___________ УДК 519.85 ГЕНЕТИЧЕСКИЙ АЛГОРИТМ ДЛЯ ИДЕНТИФИКАЦИИ МНОЖЕСТВА ЭКСТРЕМУМОВ*

Е. А. Сопов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Предложен новый генетический алгоритм для решения задачи мультимодальной оптимизации, заключающейся в отыскании множества всех глобальных и локальных оптимумов задачи или построении хорошей аппроксимации этого множества. Используется самоконфигурируемая метаэвристика для кооперации многих мультимодальных стратегий поиска. Ключевые слова: генетический алгоритм, мультимодальная оптимизация, самоконфигурация, метаэвристика. GENETIC ALGORITHM FOR MULTIPLE OPTIMA IDENTIFICATION

E. A. Sopov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] In this paper a new genetic algorithm is proposed for solving multimodal optimization problems, which are to find the set of all global and local optima to the problem or a good approximation of the set. A self-configuring metaheuristic for the cooperation of many multimodal search strategies is used. Keywords: genetic algorithm, multimodal optimization, self-configuration, metaheuristic. ентировано на решение задач с вещественными переменными, что связано с лучшим понимаем свойств ландшафта целевой функции в непрерывном пространстве поиска. *В то же время многие практические задачи оптимизации являются моделью «черного ящика», их анализ затруднен или невозможен. Переменные задачи могут быть представлены в разных

Введение. Задача мультимодальной оптимизации (ММО) заключается в отыскании множества всех глобальных и локальных оптимумов задачи или построении хорошей аппроксимации этого множества. Генетические алгоритмы (ГА) довольно успешно справляются с многоэкстремальными задачами, однако имеют тенденцию сходиться к лучшему найденному решению. В последние годы ММО становится популярной, предложено множество различных подходов [1]. Большинство эффективных алгоритмов ори-

*

Работа поддержана грантом Президента Российской Федерации (МК-3285.2015.9).

98

Математические методы моделирования, управления и анализа данных

применение подхода при решении ряда практических задач можно найти, например, в [2]. Для решения задач ММО алгоритм формируется аналогично и обозначается SelfMMOGA (MMO – multimodal optimization). В данной работе в SelfMMOGA включены 6 популярных и хорошо изученных ГА для ММО. Алгоритмы и их параметры, существенные для решения задач ММО, представлены в табл. 1 (в связи с отсутствием общепринятой терминологии на русском языке, названия алгоритмов и их специфичных параметров приведены на английском языке как в первоисточниках). Для оценки успешности работы алгоритмов на заданном периоде адаптации используются следующие критерии, предложенные в [3]: BR (Basin Ratio – число идентифицированных областей притяжения оптимума) и нормализованная SDNN (Sum of Distances to Nearest Neighbour – сумма расстояний до ближайших соседей). Области притяжения аппроксимируются с помощью упрощенной процедуры кластерного анализа по объединению всех решений всех алгоритмов. Метрика BR показывает, сколько их областей притяжения локализовано конкретным алгоритмом. Метрика SDNN показывает разброс решений в пространстве поиска. Итоговая оценка K для сравнения алгоритмов имеет вид (1):

шкалах, включая слабые. В таком случае удобно использовать ГА с бинарным представлением решений. К сожалению, бинарные ГА для ММО исследованы хуже. Более того, при решении конкретной задачи возникает проблема выбора конкретной эвристики и настройки параметров алгоритма. В данной работе предложен новый подход, основанный на использовании самоконфигурируемой метаэвристики, управляющей взаимодействием нескольких различных ГА для ММО. Такой подход позволяет перераспределять вычислительные ресурсы в пользу более эффективных алгоритмов во время решения задачи, что избавляет пользователя от необходимости предварительно выбирать подходящий алгоритм. Алгоритм SelfMMOGA. В прошлых работах автора была предложена метаэвристика управления коллективом ГА с различными стратегиями решения поставленной задачи оптимизации. Метаэвристика является гибридом идей островного ГА, кооперативной и конкурирующей коэволюции. Основная идея подхода представлена на схеме на рисунке. Подход был назван Self*GA (или Self*EA в общем случае), где символ звезды заменяется на ссылку на конкретный класс задач оптимизации при формировании коллектива ГА. Исследование эффективности подхода для решения задач многокритериальной (SelfMOGA), нестационарной оптимизации (SelfDOPGA), а также

К = α × BR + (1 – α) × SDNN, α ∈ [0, 1]. (1)

Схема метаэвристики Self*GA/Self*EA Таблица 1 Алгоритмы ММО в составе SelfMMOGA

Алгоритм

Параметры

Алгоритм

Параметры

Alg1

Clearing

Clearing radius, Capacity of a niche

Alg4

Restricted Tournament Selection (RTS)

Window size

Alg2

Sharing

Niche radius

Alg5

Deterministic Crowding

–

Alg3

Clustering

Number of clusters, min distance to centroid, max distance to centroid

Alg6

Probabilistic Crowding

–

99

Решетневские чтения. 2015

Инициализация алгоритма – случайно, равномерно в пространстве поиска. Начальное распределение ресурсов – поровну между всеми алгоритмами. Схема перераспределения ресурсов – «лучший заменяет худшего». При этом для миграции индивидов используются решения, ранее определенные как центры областей притяжения (оценки локальных оптимумов). Критерий остановки – как в обычном ГА. Результаты численных экспериментов. Для оценки эффективности подхода использовано 2 тестовых набора: 6 бинарных задач из [4] и 8 вещественных (требующих бинаризации) задач с конкурса по ММО в рамках конференции CEC’2013 [5]. Результаты работы SelfMMOGA сравнены с результатами применения других известных алгоритмов. Все алгоритмы в сравнениях имели одинаковое

ограничение на число вычислений целевой функции. Задачи CEC’2013 решались строго по правилам конкурса. Усредненные результаты для задач CEC представлены в табл. 2 и сравнены с подходами – участниками и победителями конкурса. Критерии оценки эффективности: PR (Peak Ratio) – процент найденных оптимумов, SR (Success Rate) – процент успешных запусков (все оптимумы найдены). Заключение. В работе предложена самоконфигурируемая метаэвристика для решения задач ММО, позволяющая автоматизированно управлять работой многих ГА с различными стратегиями поиска. Подход показывает результаты, сравнимые с другими известными алгоритмами, но не требует привлечения дополнительных знаний о решаемой задаче и об используемых алгоритмах. Таблица 2

Сравнение подходов на тестовом наборе CEC’2013

Алгоритм

Self MMOGA

DE/nrand/ 1/bin

cDE/rand/ 1/bin

dADE/ nrand/1

N-VMO

PNA-NSGAII

Критерий

PR

SR

PR

SR

PR

SR

PR

SR

PR

SR

PR

SR

Среднее

0,916

0,780

0,837

0,750

0,822

0,706

0,956

0,854

0,956

0,784

0,893

0,759

Ранг по PR

2

4

5

1

1

3

Ранг по SR

3

5

6

1

2

4

References 1. Das, S., Maity, S., Qub, B.-Y., Suganthan, P. N. Real-parameter evolutionary multimodal optimization: a survey of the state-of-the art. Swarm and Evolutionary Computation 1. 2011. Pp. 71–88. 2. Sopov E. A Self-configuring Metaheuristic for Control of Multi-Strategy Evolutionary Search. ICSI-CCI 2015, Part III, LNCS 9142. 2015. Pp. 29–37. 3. Preuss M., Wessing S. Measuring multimodal optimization solution sets with a view to multiobjective techniques. EVOLVE – A Bridge between Probability, Set Oriented Numerics, and Evolutionary Computation

IV. AISC. Vol. 227, Springer, Heidelberg. 2013. Pp. 123– 137. 4. Yu E. L., Suganthan P. N. Ensemble of niching algorithms. Information Sciences. 2010. Vol. 180, No. 15. Pp. 2815–2833. 5. Li X., Engelbrecht A., Epitropakis M. G. Benchmark functions for CEC’2013 special session and competition on niching methods for multimodal function optimization. Evol. Comput. Mach. Learn. Group. RMIT University, Melbourne, VIC, Australia. Tech. Rep. 2013b. © Сопов Е. А., 2015

___________ УДК 519.87 МЕТОД СЕЛЕКЦИИ ОБУЧАЮЩИХ ПРИМЕРОВ В НЕЙРОСЕТЕВЫХ КЛАССИФИКАТОРАХ*

В. В. Становов1, Д. И. Хритоненко2, А. Шкраба3 1,2

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 3 Университет Марибора Словения, SI-4000, г. Крань, Кидричева цеста, 55a Е-mail: [email protected], [email protected], [email protected]

Рассматривается решение задач классификации искусственными нейронными сетями с использованием оригинального метода активной селекции обучающих примеров. Описывается основная идея метода. Работоспособность разработанного алгоритма демонстрируется на шести практических задачах классификации. *

Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037.

100

Математические методы моделирования, управления и анализа данных

Показано, что активная селекция обучающих примеров позволяет не только снизить время обучения классификатора, но и повысить качество классификации. Ключевые слова: нейронные сети, классификация, селекция обучающих примеров, эволюционные алгоритмы. INSTANCE SELECTION METHOD IN ANN-BASED CLASSIFIERS*

V. V. Stanovov1, D. I. Khritonenko2, A. Škraba3 1,2

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation 3 University of Maribor 55a, Kidričeva cesta, Kranj, SI-4000, Slovenia Е-mail: [email protected], [email protected], [email protected] In this article solving the classification problem with artificial neural networks using novel instance selection method is considered. The developed approach of workability is demonstrated on six real-world classification problems. It is shown, that introduced active instance selection allows not only reducing the classifier training time, but also increasing the classification quality. Keywords: evolutionary algorithms, neural networks, instance selection, classification. Классической проблемой при решении реальных задач классификации является необходимость обрабатывать большие объемы данных. Вследствие этого становится невозможным использование ряда методов машинного обучения. Одним из путей решения данной проблемы является использование методов селекции обучающих примеров (instance selection). Основная идея предлагаемого метода селекции обучающих примеров [1; 2] заключается в формировании подвыборок ограниченного объема, которые формируются из обучающей выборки. Формирование подвыборок происходит следующим образом: 1. Каждому примеру из выборки назначается счетчик Ui, обозначающий число успешных использований данного примера. Изначально счетчики устанавливаются как Ui = 1, i = 1, …, n. 2. Запускается процесс обучения на некоторое число итераций (период адаптации), в конце которого обновляются счетчики. Если пример j был классифицирован верно, то Ui = Ui + 1, иначе Ui = 1. 3. После обновления счетчиков формируется новая подвыборка с учетом новых значений счетчиков. При этом вероятность того, что пример i будет включен в новую подвыборку, рассчитывается по формуле (1). После формирования новой подвыборки осуществляется переход к шагу 2:

pi =

1 / Ui . ∑ j =1,n1 / U j

(1)

При проведении численных экспериментов структура нейронной сети выбиралась вручную: задавалось по 20–25 нейронов в одном скрытом слое, в качестве функции активации была выбрана сигмоида. Для обучения нейросети использовался самоконфигурируемый генетический алгоритм (ГА) оптимизации [3–5]. Число индивидов задавалось равным 100, число поколений – 2000. Размер подвыборки устанавливался равным 20 % от исходной выборки, длина периода адаптации задавалась равной 100 поколениям ГА. В качестве метода классификации и алгоритма его обучения могут быть использованы и другие подходы, например метод опорных векторов, обучаемый алгоритмом PSO [6]. В качестве задач классификации были выбраны шесть задач из репозиториев UCI [7] и KEEL [8]. В таблице представлены результаты сравнения оригинального алгоритма (без селекции обучающих примеров) с модифицированным. Приводятся значения точности классификации на обучающей и тестовой выборках.

Сравнение значений точности классификации

Задача

Обучающая

Тестовая

Без селекции

С селекцией

Без селекции

С селекцией

Australian

0,887

0,885

0,861

0,860

German

0,741

0,758

0,704

0,719

Phoneme

0,766

0,778

0,763

0,774

Ring

0,769

0,760

0,740

0,748

Twonorm

0,978

0,978

0,971

0,974

Magic

0,779

0,785

0,776

0,783

101

Решетневские чтения. 2015

По результатам сравнения можно заключить, что на тестовой выборке на 5 задачах из 6 селекция обучающих примеров позволила повысить точность классификации. При этом на задаче Australian разница между оригинальным и модифицированным методом незначительна. Также стоит отметить, что селекция обучающих примеров позволяет снизить разницу между точностью на обучающей и тестовой выборках, т. е. снизить эффект переобучения. При этом время, требуемое для обучения классификаторов, снижается в среднем в 5 раз. References 1. Stanovov V., Semenkin E. Hybrid self-configuring evolutionary algorithm for automated design of fuzzy logic rule base // 11th Intern. Conf. on Fuzzy Systems and Knowledge Discovery (FSKD, Xaimen, China). 2014. No. 19–21. Pp. 317–321. 2. Stanovov V., Semenkin E., Semenkina O. Instance Selection Approach for Self-configuring Hybrid Fuzzy Evolutionary Algorithm for Imbalanced Datasets // ICSICCI 2015. Part I, LNCS 9140, 2015. Pp. 451–459. 3. Khritonenko D. I., Semenkin E. S. Distributed Self-Configuring Evolutionary Algorithms For Artificial

Neural Networks Design // Vestnik SibGAU. 2013. No. 4(50). Pp. 112–116. 4. Khritonenko D. I., Semenkin E. S., Sugak E. V., Potilitsina E. N. Solving the problem of city ecology forecasting with neuro-evolutionary algorithms // Vestnik SibGAU. 2015. Iss. 16, No. 1, pp. 137–142. 5. Brester C., Semenkin E. Development of adaptive genetic algorithms for neural network models multicriteria design // Vestnik SibGAU. 2013. No. 4(50), pp. 99–103. 6. Akhmedova S. A., Semenkin E. S., Gasanova T., Minker. W. Co-Operation of Biology Related Algorithms for Support Vector Machine Automated Design // Engineering and Applied Sciences Optimization (OPTi’14). 2014. 7. Asuncion A., Newman D. UCI machine learning repository / University of California, Irvine, School of Information and Computer Sciences. 2007. 8. Alcalá-Fdez J. [et al.]. KEEL: A software tool to assess evolutionary algorithms for data mining problems. Soft Comput. 2009. Vol. 13, no. 3, рp. 307–318. © Становов В. В., Хритоненко Д. И., Шкраба А., 2015

__________ УДК 66.012 ФОРМИРОВАНИЕ ПОДСИСТЕМЫ МОНИТОРИНГА ЭФФЕКТИВНОСТИ ОРГАНИЗАЦИОННО-ТЕХНОЛОГИЧЕСКИХ КОМПЛЕКСОВ

Е. В. Туева, Е. В. Туев Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Одной из подсистем ОТК, предназначенной для информационного обеспечения управления, является подсистема мониторинга эффективности ОТК. В условиях повышения требований к автоматизированным системам управления производством эффективность ее работы во многом определяется эффективностью системы мониторинга как подсистемы ОТК. Ключевые слова: подсистемы мониторинга, эффективность организационно-технологических комплексов, подсистемы мониторинга. THE FORMATION OF THE SUBSYSTEM OF MONITORING THE EFFECTIVENESS OF ORGANIZATIONAL-TECHNOLOGICAL COMPLEXES

E. V. Tueva, E. V. Tuev Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] One of organizational-technological complexes subsystems intended for information support of management is the subsystem of monitoring of effectiveness (SME) OTC. While increasing requirements of automated production control systems, its efficiency is largely determined by the effectiveness of the monitoring system, as a subsystem of the OTC. Keywords: subsystem monitoring the effectiveness of organizational and technological systems, monitoring subsystem. 102

Математические методы моделирования, управления и анализа данных

Одной из подсистем организационно-технологических комплексов (ОТК), предназначенной для информационного обеспечения управления, является подсистема мониторинга эффективности (ПМЭ) ОТК. В условиях повышения требований к автоматизированным системам управления производством эффективность ее работы во многом определяется эффективностью системы мониторинга как подсистемы ОТК. Тем более, что в рамках системы мониторинга циркулируют большие и сверхбольшие потоки информации, значительная часть которой является измерительной и составляет свыше 80 % от всего объема информации, используемой в контуре ОТК. При этом требования к процессам обработки и представления результатов обработки этой доли информации достаточно жесткие, так как на ее основе осуществляется управление системой мониторинга в режиме реального времени (РВ, realtime) [1]. Определим понятие ПМЭ ОТК. Подсистема мониторинга эффективности ОТК – составляющая системы мониторинга организационно-технологического комплекса, отвечающая за анализ и обеспечение комплексной эффективности предприятий. Одним из свойств, которыми должна в определенной мере обладать подсистема мониторинга эффективности ОТК, это адаптивность (лат. adaptatio – прилаживание, приспособление) – свойство системы изменять свое поведение с целью сохранения, улучшения или приобретения новых характеристик в условиях меняющейся во времени среды, априорная информация о которой является неполной. Это свойство возникает в результате наличия у системы определенного механизма изменения параметров, структуры или стратегии управления на основе информации, поступающей в процессе функционирования системы. С точки зрения адаптивных систем и механизма адаптации целесообразно различать процессы обучения, самообучения, адаптивного управления, адаптивной организации и самоорганизации [2]. Автоматизация процессов мониторинга является сложной задачей, и ее решение наталкивается на следующие проблемы: – измерение и учет параметров, характеризующих состояние предприятия; – определение подходящего набора иерархических моделей для решения задач планирования и управления; – эффективное применение математических методов. Осуществление внедрения и сопровождения ПМЭ ОТК предполагает ряд следующих шагов [3]: 1. Внедрение подсистемы мониторинга: – комплексный анализ предприятия; – способы внедрения подсистемы; – планируемые результаты внедрения. 2. Обеспечение эффективной работы подсистемы мониторинга: – выбор режима анализа (постоянный или периодический опрос); – глубина влияния на производственную систему (до каких структур, какие структуры остаются на саморегулировании);

– адекватность и исключение ошибочного анализа (верифицируемость). 3. Применение функций подсистемы мониторинга ОТК для повышения эффективности работы предприятий: – способы продуцирования рекомендаций на основе анализа; – структурирование и формализация рекомендаций (унификация для АСУ разных предприятий со своими особенностями); – применение рекомендаций (в виде директив, управляющих воздействий АСУ, указаний по изменению структуры, прямой и самостоятельной реконфигурации систем производства и объектов управления). Разберем основные задачи, которые должна решать подсистема для осуществления своих функций. Задачи подсистемы мониторинга эффективности в ОТК [4]: 1. Анализ и оценка целевых и информационнотехнологических возможностей предприятия. 2. Анализ наблюдаемости производственной системы и достижимости целей повышения эффективности. 3. Анализ и прогнозирование структурных состояний, ситуаций, обстановки предприятия относительно внешних воздействий. 4. Определение внешней среды в вопросах: – индифферентности (участности) внешней среды во влиянии на процесс автоматизации или (и) выполнении производственной деятельности; – степени неопределенности сведений о параметрах (детерминированная, стохастическая, с нечетким описанием, с неизвестностью, с комбинированным описанием неопределенных факторов). На подсистему мониторинга также накладываются требования систем OLAP (Online Analytical Processing) – сервиса, представляющего собой инструмент для анализа больших объемов данных в режиме реального времени [5]. Подсистема мониторинга эффективности может представляться в качестве специального программно-математического обеспечения. Подсистема ОТК может также относиться к координирующим системам, предполагающим изменение структуры производственной системы, разрыв (расчленение) взаимодействий, сопряжение и вложение взаимодействующих подсистем. К числу основных недостатков (и соответствующих проблем), выявленных к настоящему моменту в ходе создания автоматизированной системы мониторинга эффективности, можно отнести следующие: 1. Многие автоматизированные системы (прежде всего системы управления) в основном имеют характер информационных систем, в которых не автоматизированы процессы, связанные собственно с принятием решений, или удельный вес автоматизации последних процессов незначителен по сравнению с автоматизацией процессов сбора и обработки информации. В них слабо используются возможности привлечения методов и алгоритмов комплексного моделирования для обоснования решений. 2. Во многих автоматизированных системах отсутствует необходимое программно-математическое обеспечение для проведения системного анализа функционирования производственного объекта, управления качеством его функционирования.

103

Решетневские чтения. 2015

3. Создание автоматизированной системы не увязывается соответствующим образом с задачами развития, наделением данной системы высокой степенью гибкости и адаптации к изменениям в окружающей обстановке. Таким образом, проблемы создания и развития автоматизированных систем – это прежде всего модельно-алгоритмические и информационные проблемы, требующие для своего решения разработки фундаментальной теоретической базы [6]. Библиографические ссылки 1. Хасанов Е. Р., Зеленков П. В., Бахмарева К. К., Смирнов О. О. Система анализа эффективности деятельности предприятий социальной сферы // Путь науки. 2015. № 1 (11). С. 48–49. 2. Хасанов Е. Р., Смирнов О. О., Бахмарева К. К., Зеленков П. В. К вопросу анализа эффективности деятельности предприятий ЖКХ // Международный научно-исследовательский журнал. 2014. № 7–1 (26). С. 60. 3. Хасанов Е. Р., Зеленков П. В., Смирнов О. О. Баланс социальной и экономической эффективности в анализе деятельности предприятий ЖКХ // Потенциал современной науки. 2014. № 4. С. 30–32. 4. Хасанов Е. Р., Зеленков П. В. Информационные технологии в оценке эффективности деятельности предприятий // Информационно-телекоммуникационные системы и технологии (ИТСиТ-2012) : материалы Всерос. молодежной конф. Кемерово, 2012. С. 82. 5. Гончарова И. С., Ковалев И. В. Повышение эффективности метода DEA за счет предварительного анализа параметров предприятия // Актуальные проблемы авиации и космонавтики. 2011. Т. 1, № 7. С. 313–314. 6. Ковалев Д. И., Туева Е. В., Клименко А. В. Анализ организационно-технологических комплексов предприятий на основе аналитического метода оценки эффективности сложных систем // Международный журнал прикладных и фундаментальных исследований. 2014. № 8–2. С. 159–162.

References 1. Hasanov E. R., Zelenkov P. V., Bahmareva K. K., Smirnov O. O. [System analysis of efficiency of activity of enterprises of the social sphere] // Putnayka. 2015. No. 1(11), рp. 48–49 (In Russ.). 2. Hasanov E. R., Smirnov O. O. Bahmareva K. K., Zelenkov P. V. [To the question of analysis of efficiency of activity of the enterprises of housing and communal services] // Megdunarodniy nauchno-issledovatelskiy gurnal. 2014. No. 7–1(26), рp. 60 (In Russ.). 3. Hasanov E. R., Smirnov O. O. Smirnov O. O. [The balance of social and economic efficiency in the analysis of activity of the enterprises of housing and communal services] // Potencial sovremennoi nauki. 2014. No. 4, рp. 30–32 (In Russ.). 4. Hasanov E. R., Zelenkov P. V. Information technology in the assessment of the efficiency of enterprises [Informacionnie tehnologii v ocenke effektivnosti deiatelnosti predpriatiy] // Materialy Vserossiyskoy molodegnoy konferencii “Informacionnotelecommynikacionnye sistemy i tehnologii” [Materials of all-Russian youth conference “Information and telecommunication systems and technologies”]. Kemerovo, 2012. Pр. 82 (In Russ/). 5. Goncharova I. S., Kovalev I. V. Improving the efficiency of the DEA method due to the preliminary analysis of the enterprise [Povyshenie effektivnosti metoda DEA za schet predvaritelnogo analiza parametrov predpryatia] // Aktualnie problemy aviacii i kosmonavtiki [Actual problems of aviation and cosmonautics]. Krasnoyarsk, 2011. No. 7, pp. 313–314 (In Russ.). 6. Kovalev D. I., Tueva E. V., Klimenko A. V. [The analysis of organizational and technological systems of the enterprises on the basis of an analytical method of evaluating the effectiveness of complex systems] // Megdunarodniy gurnal prikladnyh i fundamentalnyh issledovaniy. 2014. No. 8–2, рp. 159–162.

© Туева Е. В., Туев Е. В., 2015

_____________ УДК 537.525.5 МОДЕЛИРОВАНИЕ ПРОЦЕССОВ ИОНИЗАЦИИ В КАТОДНОМ ПЯТНЕ ВАКУУМНОЙ ДУГИ

А. В. Ушаков1,2, И. В. Карпов1,2, А. А. Лепешев2,3 1

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 2 Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 3 Красноярский научный центр Сибирского отделения Российской академии наук Российская Федерация, 660036, г. Красноярск, Академгородок, 50 E-mail: [email protected]

Рассматривается модель катодного пятна вакуумной дуги в рамках дрейфово-диффузионного представления. Показано, что основным источником электронов, обеспечивающих токоперенос вакуумной дуги, являются ионизационные процессы в прикатодной области, а эмиссионные процессы являются вспомогательным источником «затравочных» электронов. Ключевые слова: моделирование, дуговой разряд, вакуумные дуги, катоды. 104

Математические методы моделирования, управления и анализа данных

MODELING METAL VAPOR IONIZATION PROCESSES IN THE CATHODE SPOT OF A VACUUM ARC

A. V. Ushakov1,2, I. V. Karpov1,2, A. A. Lepeshev2,3 1

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation 2 Siberian Federal University 79, Svobodny Av., Krasnoyarsk, 660041, Russian Federation 3 Krasnoyarsk Scientific Center, Siberian Branch, Russian Academy of Sciences 50, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: [email protected] In this paper the model of the cathode spot of a vacuum arc is considered in the framework of the drift-diffusion representation. It is shown that the main source of electrons, providing current transfer vacuum arc are ionization processes in the cathode region and emission processes are auxiliary source of “bare” electrons. Keywords: Arc discharges, Cathodes, Modeling, Plasma arc devices, Vacuum arcs. Повышение конкурентоспособности изделий в аэрокосмической отрасли в значительной степени связано с использованием перспективных материалов различного функционального назначения, и в том числе нанопорошков, одним из методов получения которых является дуговой разряд низкого давления. При его использовании возникают задачи по теоретическому исследованию процессов, происходящих в катодном пятне, и выделению параметров, оказывающих наибольшее влияние на физико-химические свойства нанопорошков [1–4]. Все указывает на то, что у дуговых разрядов много общего с искровыми разрядами [5; 6], однако из-за небольшой протяженности катодного пятна использовать традиционные модели таундсендовского лавинно-стримерного механизма производства плазмы нельзя. В модели решалась нестационарная одномерная задача с однородным полем. Система дифференциальных уравнений в частных производных решалась в программном пакете Comsol методом конечных элементов. Поскольку все процессы, протекающие в катодном пятне, имеют характерные времена 5–100 ns, то решение задачи об ионизации описывается уравнением Нернста–Планка–Эйнштейна, дополненным уравнением Пуассона, пренебрегая процессами образования плазмы, электронейтральности и т. д., что позволило выявить влияние отдельных механизмов ионизации на структуру и динамику развития катодного пятна: ∂ne ⎧ + div ⎣⎡ − De ∇ne − μe ne E ⎦⎤ = ⎪ ∂t ⎪ ⎪= vion ( E ) ne − vatt ( E ) ne − cee ne n+ + S ph + Sun , ⎪ ∂n+ ⎪ + div ⎡⎣ − D+ ∇n+ − μ + n+ E ⎤⎦ = ⎨ ∂t ⎪ = vion ( E ) ne − cee n+ ne + S ph + Sun , ⎪ ⎪ ⎛ e ⎞ ⎪ Δϕ = − ⎜ ⎟ ( n+ − ne ) ; E = −∇ϕ. ⎪ ⎝ ε0 ⎠ ⎩ На рисунке показано развитие дугового разряда в различные моменты времени. Видно изменение концентрации электронов, эмитируемых катодом в про-

цессе движения к ионному облаку. Количество электронов в нем постепенно нарастает под действием ударной ионизации, а радиус облака увеличивается из-за диффузии. Объемный заряд пока слишком мал, чтобы заметно изменить электрическое поле – это начальная фаза.

График изменения концентрации электронов в прикатодной области в моменты времени от 2 до 5 ns с шагом 0,1 ns

В процессе развития разряда отчетливо проявляются два максимума концентрации электронов. Первый, основной – в прикатодной области, второй – рядом с ионным облаком. Появление второго максимума вызвано первыми немногочисленными электронами, достигшими ионного облака. Из-за диффузии отдельные электроны достигают его раньше, чем до него доходит основная часть электронов. Эти электроны из-за высокой напряженности поля вблизи ионов и, как следствие, высокой частоты ионизации, приводят к быстрому повышению концентраций непосредственно у ионного облака. Этот максимум быстро обгоняет первый по величине, и в момент t = 2,8 ns становится заметным на его фоне. Тем не менее, поскольку скорость ионизационных процессов значи-

105

Решетневские чтения. 2015

тельно выше скорости дрейфа электронов, первый максимум начинает интенсивно расти, и в момент времени 4,2 ns они сравниваются. Напряженность поля плазменного столба катодного пятна существенно понижена. Сам столб окружен объемным зарядом медленных положительных ионов, обеспечивающих высокую напряженность поля перед ним. На стадии сформировавшегося плазменного котла ионизация металлического пара идет преимущественно в тонком слое перед облаком ионов, а в столбе преобладает рекомбинация ионов. Ионизация обеспечивает постоянное удлинение проводящего плазменного столба и перемещение слоя объемного заряда на внешнюю границу текущего состояния, т. е. в направлении от катода. Это, в свою очередь, приводит к перемещению локального максимума электрического поля и зоны интенсивной ионизации и обеспечивает движение так называемой волны ионизации. Библиографические ссылки 1. Особенности поведения электродуговых наночастиц CuO в магнитном поле / А. В. Ушаков [и др.] // ФТТ. 2015. № 57(5). С. 903–907. 2. Влияние концентрации кислорода на формирование кристаллических фаз наночастиц ZrO2 в процессе синтеза в плазме дугового разряда низкого давления / А. В. Ушаков, И. В. Карпов, А. А. Лепешев // ФТТ. 2015. № 57(11). С. 2251–2253. 3. Enhancing of magnetic flux pinning in YBa2Cu3O7−x/CuO granular composites / A. V. Ushakov [et al.] // J. Appl. Phys. 2015. № 118(2). P. 023907. URL: http://dx.doi.org/10.1063/ 1.4926549. 4. Technology Ready Use For Producing Nanomaterials in the Plasma of a Low-Pressure Pulsed Arc Discharge / А. В. Ушаков [и др.] // Вестник СибГАУ. 2015. № 16(2). С. 485–490. 5. Автоэмиссия катода как возможный фактор перехода стримерного канала в искровой / Д. Г. Коре-

нюгин, А. М. Марциновский, К. Е. Орлов // Письма в ЖТФ. 2009. № 35(20). С. 34–40. 6. Rakhovskii V. Experimental Study of the Dynamics of Cathode Spots Development // IEEE Transactions on Plasma Science. 1976. № 4(2). P. 81–102. References 1. Ushakov A. V., Karpov I. V., Lepeshev A. A., Petrov M. I., Fedorov L. Yu. Specific Features of the Behavior of Electroarc CuO Nanoparticles in a Magnetic Field / Physics of the Solid State, 2015. Vol. 57, no. 5, рp. 919–923. 2. Ushakov A. V., Karpov I. V., Lepeshev A. A. The influence of oxygen concentration on the formation of crystalline phases ZrO2 nanoparticles during the synthesis of the plasma arc discharge of low pressure // Physics of the Solid State, 2015. Vol. 57, no. 11, рp. 2251–2253. 3. Ushakov A. V., Karpov I. V., Lepeshev A. A., Petrov M. I. Enhancing of magnetic flux pinning in YBa2Cu3O7−x/CuO granular composites // J. Appl. Phys. 2015. Vol. 118, no 2, рp. 023907. URL: http://dx.doi.org/ 10.1063/1.4926549. 4. Ushakov A. V., Karpov I. V., Lepeshev A. A., Shaikhadinov A. A., Fedorov L. Yu. [Technology Ready Use For Producing Nanomaterials in the Plasma of a Low-Pressure Pulsed Arc Discharge] // Vestnik SibGAU. 2015. No. 16, рp. 485–490. 5. Korenyugin D. G., Martsinovsky A. M., Orlov K. E. Field electron emission from cathode as a possible factor in the transition from a streamer to spark discharge channel // Technical Physics Letters, 2009. Vol. 35, no. 10, рp. 944–947. 6. Rakhovskii V. Experimental Study of the Dynamics of Cathode Spots Development // IEEE Transactions on Plasma Science. 1976. No. 4(2), рp. 81–102.

© Ушаков А. В., Карпов И. В., Лепешев А. А., 2015

___________ УДК 004.93 О ПРИМЕНЕНИИ НЕЙРОЭВОЛЮЦИОННЫХ МЕТОДОВ ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ ЭМОЦИЙ*

Д. В. Федотов1, М. Ю. Сидоров2 1

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] 2 Ульмский университет Германия, 89081, г. Ульм, аллея Альберта Эйнштейна, 43 Е-mail: [email protected]

Рассматривается задача распознавания эмоций по видео-, аудио- и текстовым данным. Предлагается использование сверточных нейронных сетей, эволюционных алгоритмов и коллективов методов интеллектуального анализа данных. Ключевые слова: распознавание эмоций, сверточные нейронные сети, эволюционные алгоритмы. *

Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации в рамках проекта RFMEF157414X0037.

106

Математические методы моделирования, управления и анализа данных

ON USING NEUROEVOLUTIONARY METHODS FOR EMOTION RECOGNITION PROBLEM

D. V. Fedotov1, M. Yu. Sidorov2 1

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] 2 Ulm University 43, Albert Einstein Alee, Ulm, 89081, Germany E-mail: [email protected] Emotion recognition problem based on video, audio and text information is considered. Author proposes to use convolutional neural networks, evolutionary algorithms and ensembles of intellectual data analysis methods. Keywords: emotion recognition, convolutional neural networks, evolutionary algorithms. В настоящее время набирают популярность исследования в области человеко-машинного взаимодействия. В жизнь прочно входят персональные голосовые помощники, такие как Google Now (Google), Siri (Apple), Cortana (Microsoft), S Voice (Samsung). Повысить качество систем человеко-машинного взаимодействия можно с помощью распознавания эмоций человека. При решении задач классификации и распознавания образов широко используются нейронные сети. Для работы с задачами компьютерного зрения, анализа речи и предсказания временных рядов в 1980 году были разработаны сверточные нейронные сети. В основе сверточных нейронных сетей лежит система нейронов зрительной коры головного мозга. Широкое распространение сверточные нейронные сети получили в 1990-х годах [1–4]. Для решения задачи распознавания эмоций в рамках данной работы происходит накопление базы данных, содержащей 3 типа информации: видео; аудио; текст, который произносит говорящий (при наличии). Эмоции говорящих соответствуют одному из следующих вариантов: (нейтральная, грусть, злость, радость, удивление). Помимо соответствующей эмоции каждая запись в базе данных содержит информацию о поле говорящего, его возрасте (если известен) и силе проявления эмоции. На настоящий момент в базе данных собрано более 150 видеороликов. Распределение эмоций представлено на рисунке.

Распределение эмоции в базе данных

При решении задач с разнородными данными больших размерностей может возникнуть потребность в отборе информативных признаков. Для решения этой задачи возможно применение эволюционных алгоритмов, которые позволяют значительно сократить размерность данных [5–8]. Центральной технологией в разрабатываемой системе распознавания эмоций являются нейронные сети, которые также продемонстрировали высокое качество работы при решении подобных задач [9]. Для повышения гибкости системы предлагается использование коллективов методов интеллектуального анализа данных [10]. Результаты работы будут представлены в докладе. References

1. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-Based Learning Applied to Document Recognition // Proceedings of the IEEE. 1998. 86(11), рр. 2278–2324. 2. Bottou L., LeCun Y., Bengio Y. Global training of document processing systems using graph transformer networks // Proc. of Computer Vision and Pattern Recognition. Puerto-Rico, 1997. 3. LeCun Y., Bottou L., Bengio Y. Reading checks with graph transformer networks // Intern. Conf. on Acoustics, Speech, and Signal Processing. Munich, 1997. Vol. 1, pр. 151–154. 4. LeCun Y., Jackel L. D., Bottou L., Brunot A., Cortes C., Denker J. S., Drucker H., Guyon I., Muller U. A., Sackinger E., Simard P., Vapnik V. Comparison of learning algorithms for handwritten digit recognition // International Conference on Artificial Neural Networks / editors F. Fogelman, P. Gallinari. Paris, 1995. EC2 & Cie. Pр. 53–60. 5. Brester C., Semenkin E., Sidorov M., Kovalev I., Zelenkov P. Evolutionary feature selection for emotion recognition in multilingual speech analysis // Proceedings of the IEEE Congress on Evolutionary Computation (CEC2015), Sendai, Japan, 2015. Pp. 2406–2411. 6. Brester C., Semenkin E., Sidorov M., Minker W. Self-adaptive multi-objective genetic algorithms for feature selection // Proceedings of the International Conference on Engineering and Applied Sciences Optimization. Kos Island, Greece, 2014. Pp. 1838–1846.

107

Решетневские чтения. 2015

7. Brester C., Sidorov M., Semenkin E. Acoustic Emotion Recognition: Two Ways of Features Selection based on Self-Adaptive Multi-Objective Genetic Algorithm // Proceedings of the 11th Intern. Conf. on Informatics in Contrgorithms, self-tuning, optimization, binary variables, multi-objective problems. 8. Sidorov M., Brester C., Minker W., Semenkin E. Speech-Based Emotion Recognition: Feature Selection by Self-Adapted Multi-Criteria Genetic Algorithm // Proceedings of the 9th edition of the Language Resources and Evaluation Conference (LREC). Reykjavik, Iceland, 2014. Pp. 3481–3485. 9. Sidorov M., Brester C., Semenkin E., Minker W. Speaker State Recognition with Neural Network-based

Classification and Self-adaptive Heuristic Feature Selection // Proceedings of the 11th Intern. Conf. on Informatics in Control, Automation and Robotics (ICINCO’2014). Vienna, Austria, 2014. Vol. 1. Pp. 699– 703. 10. Brester C., Semenkin E., Sidorov M. Speechbased emotion recognition: Application of collective decision making concepts // Proceedings of the Intern. Conf. on Computer Science and Artificial Intelligence (ICCSAI2014), Wuhan, China, 2014. Pp. 216–220.

© Федотов Д. В., Сидоров М. Ю., 2015

______________ УДК 338.001.36 К ВОПРОСУ ОБ ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ ПРЕДПРИЯТИЙ

Е. Р. Хасанов, М. О. Петросян, К. К. Першакова, Е. В. Туева, О. О. Смирнов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Рассмотрены общие вопросы анализа экономической эффективности предприятий. Приведены частные показатели, характеризующие экономическую эффективность предприятий, основные причины неэффективности деятельности предприятия. Ключевые слова: эффективность предприятия, анализ эффективности, экономическая эффективность. ON THE ECONOMIC EFFICIENCY OF ENTERPRISES

E. R. Hasanov, М. О. Petrosyan, К. К. Pershakova, Е. V. Tueva, О. О. Smirnov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation The general questions of the analysis of economic efficiency of enterprises are researched. Partial indicators that characterize the economic efficiency of enterprises are shown; the main reasons for the inefficiency of the company are described. Keywords: enterprise efficiency, efficiency analysis, economical efficiency. Успешное функционирование предприятий в современных условиях требует повышения эффективности производства, конкурентоспособности продукции и услуг на основе внедрения достижений научнотехнического прогресса, эффективных форм хозяйствования и управления производством, активизации предпринимательства и т. д. [1–8]. Важная роль в реализации этой задачи отводится анализу хозяйственной деятельности предприятий. С его помощью вырабатываются стратегия и тактика развития предприятия, обосновываются планы и управленческие решения, осуществляется контроль над их выполнением, выявляются резервы повышения эффективности производства, оцениваются результаты деятельности предприятия, его подразделений и работников. В современных экономических условиях деятельность каждого хозяйствующего субъекта является предметом внимания обширного круга участников

рыночных отношений (организация и лиц), заинтересованных в результате его функционирования. На основании доступной им отчетности, учетной информации указанные лица стремятся оценить финансовое положение предприятия. Основным инструментом для этого служит финансовый анализ, при помощи которого можно объективно оценить внутренние и внешние отношения анализируемого объекта: охарактеризовать его платежеспособность, эффективность и доходность деятельности, перспективы развития, а затем по его результатам принять обоснованные решения. Финансовое состояние организации характеризуется совокупностью показателей, отражающих процесс формирования и использования его финансовых средств. В рыночной экономике финансовое состояние организации по сути дела отражает конечные результаты ее деятельности. Именно конечные резуль-

108

Математические методы моделирования, управления и анализа данных

таты деятельности организации интересуют собственников (акционеров) организации, ее деловых партнеров, налоговые органы. Все это предопределяет важность проведения анализа финансового состояния экономического субъекта и повышает роль такого анализа в экономическом процессе. Устойчивое финансовое состояние достигается при достаточности собственного капитала, хорошем качестве активов, достаточном уровне рентабельности с учетом операционного и финансового риска, достаточности ликвидности, стабильных доходах и широких возможностях привлечения заемных средств. Для обеспечения финансовой устойчивости предприятие должно обладать гибкой структурой капитала, уметь организовать его движение таким образом, чтобы обеспечить постоянно превышение доходов над расходами с целью сохранения платежеспособности и создания условий для самовоспроизводства. Значение анализа финансового состояния в настоящее время существенно возрастает как для собственников и руководителей организаций, так и для региональных и федеральных органов власти, инвесторов, деловых партнеров и других заинтересованных пользователей. Рассмотрим основные частные показатели, характеризующие экономическую эффективность предприятий: – годовую экономию (годовой прирост прибыли); – снижение издержек производственно-хозяйственной деятельности на объектах управления; – повышение производительности труда; – экономия по видам ресурсов; – высвобождение работающего персонала; – повышение качества выпускаемой продукции. Поэтому эффективность предприятий можно повысить следующим образом: – совершенствованием структуры технологических процессов с целью повысить их управляемость и качество; – уменьшить влияние вероятностных изменений промежуточных технологических процессов на изменение выходных параметров; – увеличить объем обрабатываемой информации с целью уменьшить неупорядоченность технологических процессов. Также приведем основные причины неэффективности деятельности предприятия: 1. Неэффективность вследствие неоптимального масштаба развернутости производства с избытком резервных элементов или их неупорядоченностью (неэффективность по масштабу). 2. Неэффективность внутренних технологических процессов объектов предприятия. 3. Неэффективность вследствие нерационального распределения потребляемых ресурсов и несоответствия качества (количества) продукции спросу на нее. 4. Неэффективность вследствие недостаточно продуманного механизма управленческих решений, неполной реализации потенциала персонала и средств АСУ.

Библиографические ссылки 1. Хасанов Е. Р., Зеленков П. В. Информационные технологии в оценке эффективности деятельности предприятий // Информационно-телекоммуникационные системы и технологии (ИТСиТ-2012) : материалы Всерос. молодежной конф. Кемерово, 2012. С. 82. 2. К вопросу анализа эффективности деятельности предприятий ЖКХ / Е. Р. Хасанов [и др.] // Международный научно-исследовательский журнал. 2014. № 7-1(26). С. 60. 3. Хасанов Е. Р., Зеленков П. В., Смирнов О. О. Баланс социальной и экономической эффективности в анализе деятельности предприятий ЖКХ // Потенциал современной науки. 2014. № 4. С. 30–32. 4. The efficiency analysis of the automated plants / I. Kovalev [et al.] // IOP Conference Series : Materials Science and Engineering 17. Сер. XVII International Scientific Conference “Reshetnev Readings”, 2015. С. 012007. 5. Kovalev I., Zelenkov P., Ognerubov S. The efficiency analysis of automated lines of companies based on DEA method // Lecture Notes in Economics and Mathematical Systems. 2014. Т. 675. С. 107–115. 6. Система анализа эффективности деятельности предприятий социальной сферы / Е. Р. Хасанов [и др.] // Путь науки. 2015. № 1(11). С. 48–49. 7. Анализ организационно-технологических комплексов предприятий на основе аналитического метода оценки эффективности функционирования сложных систем // Д. И. Ковалев [и др.] // Актуальные проблемы авиации и космонавтики. 2014. Т. 1, № 10. С. 314–316. 8. Гончарова И. С., Ковалев И. В. Повышение эффективности метода DEA за счет предварительного анализа параметров предприятия. Актуальные проблемы авиации и космонавтики. 2011. Т. 1, № 7. С. 313–314. References 1. Hasanov E. R., Zelenkov P. V. Informatsionnyie tehnologii v otsenke effektivnosti deyatelnosti predpriyatiy // Materialyi Vserossiyskoy molodezhnoy konferentsii “Informatsionno-telekommunikatsionnyie sistemyi i tehnologii (ITSiT-2012)”. Kemerovo, 2012. P. 82. 2. Hasanov E. R., Smirnov O. O., Bahmareva K. K., Zelenkov P. V. K voprosu analiza effektivnosti deyatelnosti predpriyatiy ZhKH // Mezhdunarodnyiy nauchno-issledovatelskiy zhurnal. 2014. № 7-1(26), р. 60. 3. Hasanov E. R., Zelenkov P. V., Smirnov O. O. Balans sotsialnoy i ekonomicheskoy effektivnosti v analize deyatelnosti predpriyatiy ZhKH // Potentsial sovremennoy nauki. 2014. № 4. P. 30–32. 4. Kovalev I., Zelenkov P., Ognerubov S., Bahmareva K., Denisova E. The efficiency analysis of the automated plants // IOP Conference Series: Materials Science and Engineering 17. Ser. XVII International Scientific Conference “Reshetnev Readings”. 2015. Pр. 012007.

109

Решетневские чтения. 2015

5. Kovalev I., Zelenkov P., Ognerubov S. The efficiency analysis of automated lines of companies based on DEA method // Lecture Notes in Economics and Mathematical Systems. 2014. T. 675, рр. 107–115. 6. Hasanov E. R., Zelenkov P. V., Bahmareva K. K., Smirnov O. O. Sistema analiza effektivnosti deyatelnosti predpriyatiy sotsialnoy sferyi // Put nauki. 2015. № 1(11). S. 48–49. 7. Kovalev D. I., Tueva E. V., Klimenko A. V., Kovalev I. V., Zelenkov P. V. Analiz organizatsionnotehnologicheskih kompleksov predpriyatiy na osnove

analiticheskogo metoda otsenki effektivnosti funktsionirovaniya slozhnyih system // Aktualnyie problemy aviatsii i kosmonavtiki. 2014. T. 1. Pр. 314– 316. 8. Goncharova I. S., Kovalev I. V. Povyishenie effektivnosti metoda DEA za schet predvaritelnogo analiza parametrov predpriyatiya // Aktualnyie problemy aviatsii i kosmonavtiki. 2011. T. 1. Pр. 313–314. © Хасанов Е. Р., Петросян М. О., Першакова К. К., Туева Е. В., Смирнов О. О., 2015

____________ УДК 519.234 ГЕНЕРАЦИЯ РАБОЧЕЙ ВЫБОРКИ НАБЛЮДЕНИЙ ПРИ НЕПАРАМЕТРИЧЕСКОМ МОДЕЛИРОВАНИИ

Е. А. Чжан Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 Е-mail: [email protected] Рассматривается задача повышения качества исходных выборок наблюдений при идентификации дискретно-непрерывных процессов. Исходные данные могут содержать такие недостатки, как разреженности и пропуски. Предложенный алгоритм позволяет устранить такого рода «изъяны», что приводит к повышению точности моделирования в несколько раз. Подобного рода задачи встречаются при моделировании процессов в металлургии, нефтехимии, а также в космической отрасли. Ключевые слова: непараметрическая идентификация, выборка, анализ данных. GENERATION OF THE WORKING SAMPLE OBSERVATION IN NONPARAMETRIC MODELING

E. A. Chzhan Siberian Federal University 79, Svobodny Av., Krasnoyarsk, 660041, Russian Federation E-mail: [email protected] To identify discrete-continuous processes the problem of improving the quality of source samples is considered. Source data may comprise irregularities such as gaps and emissions. The proposed algorithm eliminates such “flaws”, which leads to higher accuracy of the identification by several times. Such problems are encountered in modeling processes in metallurgy, petrochemical, as well as in the space industry. Keywords: nonparametric identification, sample, data analysis. Введение. При рассмотрении производственных процессов в различных областях, таких как металлургия, стройиндустрия, возникает задача построения адекватной модели, которую в дальнейшем можно будет использовать в целях управления. На практике математическое описание объекта остается неизвестным, поэтому целесообразно использовать методы идентификации в широком смысле. В этом случае удается избежать ошибок при выборе математической структуры объекта. Качество модели зависит, прежде всего, от качества исходных данных, а именно, выборки наблюдений входных и выходных переменных. При этом в исходной выборке наблюдений могут присутствовать недостатки, такие как пропуски и разреженности. Предложенный

алгоритм получения рабочей выборки позволяет выявить и устранить данные недостатки, что приведет к повышению точности решения задачи идентификации. Постановка задачи. Наблюдения в исходной выборке могут располагаться неравномерно – могут существовать области разреженности и пропусков. Для простоты рассуждения и иллюстрации рассмотрим объект, имеющий две входные переменные и одну выходную. Поле корреляции такого объекта может иметь вид, представленный на рисунке. Как видно из рисунка, выборка расположена неравномерно. В областях разреженности и для граничных точек значение прогноза будет неточным или его вовсе не удастся получить.

110

Математические методы моделирования, управления и анализа данных

Поле корреляции по входным переменным u1, u2

В рамках данной работы предлагается искусственно генерировать наблюдения в тех областях пространства входных-выходных переменных, где их плотность невелика. Таким образом, вблизи граничных точек также будут сгенерированы искусственные наблюдения, что приведет к повышению качества восстановления. Вычислительный эксперимент. Рассмотрим результаты моделирования следующего многомерного объекта: x(u ) = 0,5u1 − sin 3u2 + 0,3u32 + u4 + 0, 2u52 + ξ , (1) где ξ – равномерно распределенная помеха, значения входных переменных распределены в интервале [0;3]. В качестве модели примем непараметрическую оценку функции регрессии по наблюдениям Надарая– Ватсона: s

m

i =1

j =1

( (

xs ( u ) = ∑ xi ∏ Φ cs−1 u j − uij

)) ∑ ∏ Φ (c (u s

m

i =1 j =1

−1 s

j

))

− uij ,

(2) где − ui )), i = 1, s, j = 1, m – ядерная колоколообразная функция и коэффициент размытости ядра cs удовлетворяют условиям сходимости [1; 2]. Сгенерируем исходную выборку наблюдений для объекта (1) объемом 1000 наблюдений таким образом, чтобы в ней присутствовали области разреженности. Вид зависимости (1) используется лишь для генерации исходной выборки и в дальнейшем считается неизвестным. Затем с помощью разработанного алгоритма были сгенерированы дополнительные точки, которые в совокупности с исходной выборкой составляют рабочую выборку наблюдений. Построим непараметрическую модель и вычислим относительную ошибку моделирования, используя в качестве обучающей исходную выборку, объем которой составляет 1000 наблюдений. Восстанавливать оценку (2) будем для элементов исходной выборки. Затем проведем аналогичные вычисления, но уже в качестве обучающей выборки будем использовать рабочую, сгенерированную с помощью предложенного алгоритма. Φ (сs−1 (u j

j

Относительная ошибка восстановления для исходной выборки составила 0,259. Для 6 наблюдений исходной выборки не удалось получить значение прогноза. Если же в качестве обучающей выборки использовать рабочую, то ошибка уменьшается почти в два раза и составляет 0,195. При этом для всех точек исходной выборки удалось получить значение прогноза. Для граничных точек ошибка восстановления по исходной выборке составила 0,42, в то время как по рабочей выборке – 0,2. Заключение. Решение задачи идентификации затрудняет как малый объем исходных данных, так и наличие в них изъянов. В данной работе рассмотрены такие недостатки, как подобласти разреженности и отсутствия наблюдения. Разработанный алгоритм позволяет устранить подобного рода недостатки, что приводит к повышению качества восстановления в несколько раз. Приводятся результаты численных экспериментов. Библиографические ссылки 1. Медведев А. В. Анализ данных в задаче идентификации // Компьютерный анализ данных моделирования. Минск : БГУ, 1995. Т. 2. С. 201–206. 2. Надарая Э. А. Непараметрические оценки плотности вероятности и кривой регрессии. Тбилиси : Изд-во Тбил. ун-та, 1983. 194 с. References 1. Medvedev A. V. Analiz dannih v zadache identifikacii (Data analysis in the identification problem). Minsk : BGU, 1995. Vol. 2, pp. 201–206. 2. Nadaraya E. A. Neparametricheskie ocenki plotnosti veroyatnosti i krivoj regressii (Non-parametric estimation of the probability density and the regression curve). Tbilisi : Izd. Tbil. un-tа (publishing house of the University of Tbilisi), 1983. 194 p.

111

© Чжан Е. А., 2015

Решетневские чтения. 2015

УДК 519.63 ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ ПОЛЁТА КОСМИЧЕСКОГО ТЕЛА В АТМОСФЕРЕ ЗЕМЛИ*

Г. И. Щепановская Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 E-mail: [email protected] Рассмотрено предсказание процессов взаимодействия астероидно-кометных тел с атмосферой Земли. Прохождение кометных осколков, а также дробящихся, аморфных, пылевых тел вызывает множество незакрытых вопросов, порождающих экзотические объяснения сопровождающих явлений. Ключевые слова: уравнения Навье–Стокс, вязкий теплопроводный газ, астероидно-кометное тело, полулагранжевый метод, метод конечных элементов. COMPUTING EXPERIMENT OF THE SPACE BODY FLIGHT THROUGH THE EARTH ATMOSPHERE

G. I. Shchepanovskaya Institute of Computational Modeling SB RAS 50/44, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: [email protected] In the paper, the mathematical model and numerical algorithm are proposed for modeling the complex of phenomena which accompany the passage of a friable asteroid-comet body through the Earth atmosphere. Keywords: Navier-Stokes equation, viscous heat-conducting gas, friable asteroid-comet body, semi-Lagrangian approximation, conforming finite element method. Исследования состоят в создании и настройке алгоритмов, реализуемых на высокопроизводительных вычислительных системах на основе решения уравнений Навье–Стокса для вязкого теплопроводного газа и моделирующих комплекс явлений, сопровождающих прохождение космического тела в атмосфере Земли. Использование созданного комплекса программ дает существенный вклад в технологии предупреждения и ликвидации чрезвычайных ситуаций природного характера, что непосредственно связано с безопасностью населения и важных объектов. Сформированы физическая и математическая модели прохождения космического тела в атмосфере Земли. Для физической модели атмосферы взято распределение по высоте плотности, давления и температуры стандартной атмосферы. Детально изучена двумерная модель прохождения тела и ее алгоритмические и программные реализации [1–4]. На этом этапе в качестве космического тела взято исходно круглое тело, состоящее из газопылевой среды с однородной плотностью и существенной «вязкостью», моделирующей показатель прочности газопылевого тела. Разработан численный алгоритм решения начально-краевой задачи для расширенной задачи Навье– Стокса на основе комбинации полулагранжевого метода и конформного метода конечных элементов [5] применительно к рассматриваемой проблеме взаимодействия астероидно-кометных тел с атмосферой Земли. Вычислительный эксперимент проведен для

широкого диапазона геометрических и газодинамических параметров.* Библиографические ссылки 1. Шайдуров В. В., Щепановская Г. И., Якубович М. В. Краевые условия в методе конечных элементов для уравнений Навье–Стокса // Образовательные ресурсы и технологии. 2014. № 4(1). С. 162–170. 2. Shchepanovskaya G. I., Shaidurov V. V. The problem of numerical modeling of flow in expansible channel // Zbornik radova konferencije MIT 2013. Beograd. 2014. P. 586–594. 3. Shaidurov V. V., Shchepanovskaya G. I., Yakubovich M. V. Some new approaches to solving Navier-Stokes equations for viscous heat-conductive gas // Lecture Notes in Computer Science. NAA-2012 / I. Dimov, I. Farag’o, and L. Vulkov (Eds.): SpringerBerlin Heidelberg, Verlag, 2013. Vol. 8236. Pp. 122–131. 4. Shaydurov V., Shchepanovskaya G., Yakubovich M. Semi-Lagrangian Approach in Finite Element Method for Navier-Stokes Equations of Viscous Heat-Conducting Gas // AIP Conference Proceedings. 2014. Vol. 1629. P. 19–31. 5. Шайдуров В. В., Щепановская Г. И., Якубович М. В. Полулагранжевый метод и метод конечных элементов в моделировании сверхзвукового обтека*

Работа выполнена при финансовой поддержке Российского научного фонда (проект 14-11-00147).

112

Математические методы моделирования, управления и анализа данных

ния клиновидного профиля // Решетневские чтения : материалы XVIII Междунар. науч. конф. ; СибГАУ. Красноярск, 2014. С. 162–163. References 1. Shajdurov V. V., Shhepanovskaja G. I., Jakubovich M. V. Kraevye uslovija v metode konechnyh jelementov dlja uravnenij Nav’e-Stoksa // Obrazovatel’nye resursy i tehnologii. 2014. № 4(1). S. 162–170. 2. Shchepanovskaya G. I., Shaidurov V. V. The problem of numerical modeling of flow in expansible channel // Zbornik radova konferencije MIT 2013. Beograd. 2014. P. 586–594. 3. Shaidurov V. V., Shchepanovskaya G. I., Yakubovich M. V. Some new approaches to solving NavierStokes equations for viscous heat-conductive gas // Lecture Notes in Computer Science. I. Dimov, I. Farag’o, and

L. Vulkov (Eds.): NAA-2012 – Springer-Verlag; Berlin Heidelberg. 2013. Vol. 8236, рp. 122–131. 4. Shaydurov V., Shchepanovskaya G., Yakubovich M. Semi-Lagrangian Approach in Finite Element Method for Navier-Stokes Equations of Viscous Heat-Conducting Gas // AIP Conference Proceedings. 2014. Vol. 1629, рр. 19–31. 5. Shajdurov V. V., Shhepanovskaja G. I., Jakubovich M. V. Polu-lagranzhevyj metod i metod konechnyh jelementov v modelirovanii sverhzvukovogo obtekanija klinovidnogo profilja // Reshetnjovskie chtenija : Materialy XVIII Mezhdunarodnoj nauchnoj konferencii / SibGAU. Krasnojarsk, 2014. Рр. 162–163.

113

© Щепановская Г. И., 2015

Решетневские чтения. 2015

114

Ðешетневские ×тения

Cекция

«ПРИКЛАДНАЯ МАТЕМАТИКА»

4

Решетневские чтения. 2015

UDC 517.95 ON THE NONLINEAR INVERSE PROBLEM FOR A PARTIAL DIFFERENCE EQUATION OF THE HIGHER ORDER T. K. Yuldashev Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The paper proposes a method to study the inverse problem for a nonlinear partial difference equation with difference hyperbolic operator of the arbitrary natural power. In solving the inverse problem with respect to the restore function the nonlinear summary equation of the first kind is obtained, the equation is reduced by the aid of special nonclassical summary transform into nonlinear summary equation of the second kind. Further the method of successive approximations combined it with the method of compressing maps is used. Keywords: inverse problem, difference equation, nonlinear right-hand side, one-value solvability, the method of successive approximation. О НЕЛИНЕЙНОЙ ОБРАТНОЙ ЗАДАЧЕ ДЛЯ УРАВНЕНИЯ В ЧАСТНЫХ РАЗНОСТЯХ ВЫСШЕГО ПОРЯДКА Т. К. Юлдашев Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Предложен метод изучения однозначной разрешимости обратной задачи для нелинейного разностного уравнения с гиперболическим разностным оператором произвольной натуральной степени. При решении обратной задачи относительно функции восстановления получено нелинейное суммарное уравнение первого рода, которое с помощью неклассического суммарного преобразования сведено к нелинейному суммарному уравнению второго рода. Далее применен метод последовательных приближений в сочетании с методом сжимающих отображений. Ключевые слова: обратная задача, разностное уравнение, нелинейная правая часть, однозначная разрешимость, метод последовательных приближений. Mathematical modeling of many processes occurring in the real world leads to the study of inverse problems for equations of mathematical physics. Inverse problems are rapidly developing area of modern theory of differential equations. Intensive study of inverse problems is largely due to the need to develop mathematical methods for solving a broad class of important applied problems related to the processing and interpretation of observations. We note, that difference equations as analog of differential equations are important in numerical solving the differential equations (see, for examples [1–5]). In solving the inverse problem in this paper we will use the method of characteristics, because with the aid of this method we can change the considering problem to equivalent nonlinear summary equation. Inverse problem is called nonlinear if the restore function is included in this equation is nonlinear [6]. With respect to the restore function it is obtained the nonlinear summary equation of the first kind, which is reduced by the aid of special nonclassical summary transform into nonlinear summary equation of the second kind. Then we use the method of successive approximations in combination it with the method of compressing mapping.

On the set D we consider a nonlinear difference equation of the following form

(Δ

2 n

−Δ

2 m

)

k

u ( n , m) = f

( n , m , u ( n , m) , ϑ ( n ) )

with end-point and additional conditions u ( n , m ) n = N = ϕ 1 ( m) , Δ ni u (n , m)

n= N

(2)

= ϕ i +1 (m) , i = 1, 2 k − 1 ,

u ( n , m 0 ) = ψ ( n) ,

(3) f (n , m , u , ϑ ) ,

where u (n , m) is unknown function, i = 1, 2 k

are

D ≡ DN × Z ,

defined

{

for

all

}

DN ≡ n0 ≤ n ≤ N ,

(1)

n ≥ n0 , Z

m 0 > 0,

is the set of

integer numbers, the given functions ϕ i (m) , i = 1, 2 k

are defined for all integer numbers, k is arbitrary natural number, ψ (n) and restore function ϑ (n) are defined for all n ≥ n 0 ,

116

Δ

2 n

u ( n , m) = Δ

n

u (n + 1, m) − Δ

n

u ( n , m) =

= u (n + 1, m) − 2 u (n , m) + u (n − 1, m) ,

Прикладная математика 2 m

Δ

u ( n , m) = Δ

m

u (n , m + 1) − Δ

m

{ },

u ( n , m) =

2. f (n , m , u , ϑ) ∈ Bnd ( M 0 ) ∩ Lip L

= u (n , m + 1) − 2 u (n , m) + u (n , m − 1) , Δ n u (n , m) = u (n + 1, m) − u (n , m) ,

0 < L = const ;

3. 0
ui ,

(2)

i =0

где < s, ui > – числовой коэффициент при мономе ui . Наконец, будем считать, что два ФСР равны в том и только в том случае, когда равны соответствующие

124

Прикладная математика

числовые коэффициенты этих рядов при мономах универсального базиса. Теперь имеет смысл вопрос не только о существовании, но и единственности решения системы уравнений (1). Дадим следующее определение. Будем говорить, что система уравнений (1) имеет бесконечно много решений, если ее общее решение зависит хотя бы от одного произвольного ФСР от переменных x1 ,..., xm . Поставим в соответствие ФСР (2) его коммутативный образ ci ( s ) – степенной ряд, который получается из s в предположении, что символы x1 ,..., xm обозначают коммутативные переменные, принимающие значения из поля комплексных чисел. В этом предположении любой моном ui можно записать в виде x1α1 ... xmαm , где α j – число вхождений (степень) deg x j (ui ) символа в моном. Если обозначить α = (α1 ,..., α m ) ,

мультииндекс

то

можно

запи-

сать α = deg x (ui ) и далее равенства: ∞

∞

i =0

i =0

ci ( s ) = ci (∑ < s, ui > ui ) = ∑ < s, ui > ci (ui ) = = ∑( α

∑

α= deg x (ui )

< s, ui >) x α =:∑ cα x α . α

Впервые коммутативный образ ФСР рассмотрел А. Л. Семёнов, использовав его как инструмент решения ряда алгоритмических проблем [5]. Обозначим z = z ( x) = ( z1 ( x),..., zn ( x)) решение системы (1), представленное ФСР. Имеет место следующее предложение. Предложение 1. Если z = z ( x) – решение некоммутативной системы уравнений (1) в виде ФСР, то ci ( z ( x)) – решение коммутативной системы уравнений ci ( P1 ( z , x)) = ... = ci ( Pn ( z , x)) = 0, (3) записанное в виде коммутативных ФСР. Для доказательства заметим, что имеют место равенства: ci ( Pj ( z , x)) |z =ci ( z ( x )) = ci ( Pj ( z ( x), x)) = = ci (l j ) = ∑ 0 ⋅ ci (ui ) = 0, j = 1,..., n; i

т. е. ci ( z ( x)) – решение системы уравнений (3). Итак, совместность, т. е. наличие решения, понимается для некоммутативной системы (1) в смысле символьных ФСР, а для коммутативной системы (3) – в смысле точки в комплексном пространстве. Предложению 1 эквивалентно следующее предложение. Предложение 2. Если система уравнений (3) не имеет решения z = z ( x) , то и система (1) не имеет решения. Таким образом, условия несовместности системы уравнений (3) также представляют значительный интерес.

Пусть ⎛ ∂ (ci ( Pi ( z , x))) ⎞ J = J ( z , x) = det ⎜ ⎟ – ⎜ ⎟ ∂z j ⎝ ⎠ якобиан системы уравнений (3) относительно переменных z1 ,..., zn . Имеет место следующая теорема. Теорема. Если при некотором x 0 имеет место ра-

венство J ( z , x 0 ) ≡ 0 , то система уравнений (1) либо не имеет решения, либо их бесконечно много, т. е. общее решение зависит от произвольного ФСР. Таким образом, можно сделать вывод о том, что ряд свойств систем некоммутативных полиномиальных уравнений, имеющих приложение в теории систем автоматического управления, может быть установлен на основе исследования коммутативного образа этой системы с использованием методов, разработанных ранее.

Библиографические ссылки 1. Сафонов К. В., Егорушкин О. И. О синтаксическом анализе и проблеме В. М. Глушкова распознавания контекстно-свободных языков Хомского // Вестник Том. гос. ун-та. 2006. № 17. С. 63–67. 2. Safonov K. V. On conditions for the sum of a power series to be algebraic and rational // Mathematical Notes. 1987. № 3(41). P. 185–189. 3. Safonov K. V. On Power Series of Algebraic and Rational functions in Cn // J. of Math. Analysis and Applications. 2000. Vol. 243. Р. 261–277. 4. Salomaa A., Soitolla M. Automata-theoretics Aspects of Formal Power Series. N.-Y. : Springer Verlag. 1978. 171 p. 5. Семёнов А. Л. Алгоритмические проблемы для степенных рядов и контекстно-свободных грамматик // Доклады АН СССР. 1973. Т. 212. С. 50–52. References 1. Safonov K. V., Egorushkin O. I. [On syntax analysis and V. M. Glushkov,s problem of recognition for context-free languages] // Vestnik TGU. 2006. No. 17, pр. 63–67 (In Russ.). 2. Safonov K. V. On Conditions for the Sum of a Power Series to be Algebraic and Rational // Mathematical Notes. 1987. No. 3(41), рp. 185–189. 3. Safonov K. V. On Power Series of Algebraic and Rational functions in Cn // J. of Math. Analysis and Applications. 2000. Vol. 243, рp. 261–277. 4. Salomaa A., Soitolla M. Automata-Theoretics Aspects of Formal Power Series. N.-Y. : Springer Verlag, 1978, 171 p. 5. Semenov A. L. Algorithmic Problems for Power Series and Context-Free Grammars // Soviet Doklady Mathematics. 1973. Vol. 212, рp. 50–52. (In Russ.)

125

© Егорушкин О. И., Колбасина И. В., Насыров И. Р., Сафонов К. В., 2015

Решетневские чтения. 2015

УДК 004.023:519.853.4

ИНТЕЛЛЕКТУАЛИЗАЦИЯ ПРОЦЕССА ПОИСКА В ГИБРИДНЫХ ЭВРИСТИЧЕСКИХ МЕТОДАХ ГЛОБАЛЬНОЙ ОПТИМИЗАЦИИ В. Д. Кошур Сибирский федеральный университет Российская Федерация, 660074, г. Красноярск, ул. Киренского, 26 «б» E-mail: [email protected] Представлен краткий обзор эвристических методов глобальной оптимизации и новые разработки на основе мультиагентной интеллектуализации и гибридизации процесса поиска глобального минимума целевой функции в виде «черного ящика» (black-box optimization). Результаты могут быть использованы при создании более совершенных образцов ракетно-космической техники. Ключевые слова: методы глобальной оптимизации, мультиагентные системы, метод роя частиц, роевой интеллект, оценки константы Липшица, нечеткая логика, нейронные сети.

INTELLEKTUALIZATION PROCESS OF SEARCHING FOR HYBRID HEURISTIC METHOD OF GLOBAL OPTIMIZATION V. D. Koshur Siberian Federal University 26b, Kirenskogo Str., Krasnoyarsk, 660074, Russian Federation E-mail: [email protected] The brief review of the heuristic methods of Global Optimization and new developments on the base of multiagent intellectualization and hybridization of the searching process for a global minimum of target functions in the manner of black-box optimization are presented. These results can be used to design more perfect samples of racket-cosmic technology. Keywords: global optimization methods, multiagent systems, partial swarm optimization, swarm intelligent, estimations of the Lipstick constant, fussy logic, neural networks.

Введение. Совершенствование инженерных сооружений, технических устройств и технологий, включая ракетно-космическую технику, тесно связано с решением прикладных задач оптимизации с заданными целевыми функциями (ЦФ), например, оптимизация конструкций летательных аппаратов по весу, прочности, стоимости при выделенных изменяемых параметрах с учетом их взаимосвязи и технологических ограничений. Для успешного решения задач оптимизации желательно уметь находить наилучшие оптимальные параметры, которым соответствует глобальный минимум или максимум ЦФ. Разработке компьютерных методов глобальной оптимизации (ГО) для ЦФ, заданных в виде «черного ящика» (black-box optimization) посвящена данная работа. Эвристические методы ГО. К базовым эвристическим методам ГО следует отнести метод роя частиц PSO (Particles Swarm Optimization), метод дифференциальной эволюции DE (Differantial Evoluation), эволюции «разума» ME (Mind Evoluation), селекции, мутации [1]. Предложенные модификации PSO, основанные на гибридизации, оценках изменяемости ЦФ и проведении пробных вычислений константы Липшица в области поиска, показали достаточную работоспособность при решении ряда тестовых задач ГО [2; 3]. Оценки изменяемости ЦФ, хотя и связаны с большим

объёмом вычислений, являются эффективным инструментом прогноза и предсказания наиболее перспективных направлений поиска, а также для формирования различных модификаций нейронечёткого управления процессом поиска [3]. Использование нейронных сетей и мультиагентных технологий представляет перспективное направление в развитии новых эвристических методов ГО, что подтверждается проведёнными вычислительными экспериментами по условиям системы тестов CEC-2013 [4; 5]. Интеллектуализация процесса поиска глобального минимума ЦФ. В модификации одного из эффективных методов ГО на основе роевого интеллекта в виде мультиагентной системы [3] с введением нечёткого выбора «перспективного» роя частиц-агентов в определенной степени удаётся достичь следующих целей: – уменьшить число затратных вычислений ЦФ за счет использования памяти о сделанных вычислениях на предыдущих Q-итерационных шагах смещений роя частиц путем введения мультиагентной системы в виде Q-слойной виртуальной системы частиц-агентов; – повысить адаптивные свойства метода за счет расширенного обмена информацией между частицами-агентами выделенной виртуальной Q-слойной системы частиц и нечёткого выбора «перспективно-

126

Прикладная математика

го» роя частиц на основе нечеткого логического вывода и использования нечётких нейронных сетей. Напомним, что результирующее стохастическое движение частиц-агентов базируется на взвешенном суммировании четырех составляющих движения: инерционного движения, когнитивной и социальной составляющих движения, движения в направлении взвешенных координат частиц-агентов и движения в направлении возможного максимально изменения ЦФ [2; 3]. В предлагаемой модификации эвристического методе PSO с усиленным роевым интеллектом мультиагентной системы весовые коэффициенты указанных видов движения являются адаптивно подстраиваемыми параметрами вычислительного алгоритма на основе реализации нейронечёткого управления [3]. Проведённые вычислительные эксперименты поиска глобального минимумы для многоэкстремальных функций Растригина и Экли для 500 переменных показали обнадёживающие результаты. Было использовано 10 роёв частиц с 200 частицамиагентами в каждом рое, при случайном их распределении в области поиска. Анализ результатов численной минимизации функции Растригина с 500 переменными показал, что, хотя за 10 итераций общей сходимости в вычислительном алгоритме не достигнуто (об этом свидетельствует достаточно высокие значения ЦФ в взвешенных усреднённых координатах частиц по всем 10 роям), при этом индивидуальные частицы для 1, 2, 5 и 9 роёв достигли глобального минимума с точностью 10–4 по значению ЦФ. В данном вычислительном эксперименте было произведено 1580046 вычислений ЦФ и затрачено 46,2 часа процессорного времени на ПК с процессором Intel(R) Core(TM) 2 с частотой 2,33 GHz. Аналогичные результаты получены и при минимизации функции Экли. Таким образом, предложенные модификации PSO с элементами интеллектуализации процесса поиска глобального минимума ЦФ представляются перспективными для решения прикладных оптимизационных задач с большим количеством варьируемых параметров.

Библиографические ссылки 1. Карпенко А. П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой : учеб. пособие. М. : Изд-во МГТУ им. Н. Э. Баумана, 2014. 446 с. 2. Кошур В. Д. Методы глобальной оптимизации и повышение адаптивных свойств вычислительных алгоритмов. Интеллектуализация поиска экстремумов // XVI Всерос. науч.-техн. конф. с междунар. участием «Нейроинформатика-2014» : лекции по нейроинформатике. М. : НИЯУ МИФИ, 2014. С. 46–61.

3. Koshur V. D. Reinforcement Swarm Intelligence in the Global Optimization Method via Neuro-Fuzzy Control of the Search Process // Optical Memory & Neural Networks (Information Optics). 2015. Vol. 24, No. 2. P. 102–108. 4. Koshur V. D., Pushkaryov K. V. Global Optimization via Neural Network Approximation of Inverse Coordinate Mappings // Optical Memory and Neural Networks (Information Optics). 2011. Vol. 20, No. 3. P. 181–193. 5. Пушкарев К. В., Кошур В. Д. Гибридный эвристический параллельный метод глобальной оптимизации [Электронный ресурс] // Вычислительные методы и программирование. 2015. Т. 16. С. 242–255. URL: http://num-meth.srcc.msu.ru/zhurnal/tom_2015/v16r224. html (дата обращения: 10.10.2015).

References 1. Karpenko A. P. Sovremennye algoritmy poiskovoi optimizazhii [Modern algorithm of searching optimization]. Moscow : Published by MGTU, 2014. 446 p. (in Russ.). 2. Koshur V. D. Metody global’noj optimizacii i povyshenie adaptivnyh svojstv vychislitel’nyh algoritmov. Intellektualizacija poiska jekstremumov [Methods of global optimization and increase adaptive properties of computer algorithms. Intellectualization of searching processes] // XVI Vserossijskaja nauchno-tehnicheskaja konferencija c mezhdunarodnym uchastiem “Nejroinformatika-2014” [Conference of neuro informatics – 2014]: Lekcii po nejroinformatike [Neuro informatics Lectures]. Moscow : Published by NIJaU MIFI, 2014, pp. 46–61 (In Russ.). 3. Koshur V. D. Reinforcement Swarm Intelligence in the Global Optimization Method via Neuro-Fuzzy Control of the Search Process, Optical Memory & Neural Networks (Information Optics), 2015, Vol. 24, no. 2, pp. 102–108. 4. Koshur V. D. and Pushkaryov K. V. Global Optimization via Neural Network Approximation of Inverse Coordinate Mappings, Optical Memory and Neural Networks (Information Optics), 2011. Vol. 20, no. 3, pp. 181–193. 5. Pushkaryov K. V., Koshur V. D. Hibrignyi evristicheskii parallelnyi metod globalnoi optimizazhii [A Hybrid Heuristic Parallel Method of Global Optimization] // Scientific on-line open access journal. Numerical Methods and Programming, 2015. Vol. 16, pp. 242–255. Available at: http://nummeth.srcc.msu.ru/ zhurnal/tom_ 2015/v16r224.html.

127

© Кошур В. Д., 2015

Решетневские чтения. 2015

УДК 519.683.8

ИССЛЕДОВАНИЕ ГРАФОВ КЭЛИ ГРУПП ДЖЕВОНСА В КАЧЕСТВЕ ТОПОЛОГИЙ МНОГОПРОЦЕССОРНЫХ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ* А. А. Кузнецов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Исследованы свойства графов Кэли групп Джевонса, заданных различными порождающими множествами. Вычислены диаметры и средние диаметры указанных графов. Потребность в знаниях такого рода связана с тем, что графы Кэли широко применяются для моделирования топологий многопроцессорных вычислительных систем – суперкомпьютеров. Ключевые слова: группа Джевонса, граф Кэли, многопроцессорная вычислительная система.

STUDY OF THE CAYLEY GRAPHS OF JEVONS GROUPS AS TOPOLOGIES OF MULTIPROCESSOR COMPUTING SYSTEMS A. A. Kuznetsov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] We studн the properties of the Cayley graphs of Jevons groups given with different generating sets. Diameters and average diameters of these graphs are calculated. The need for this kind of knowledge is linked to the fact that the Cayley graphs are widely used to model the topology of multiprocessor computing systems – supercomputers. Keywords: Jevons group, Cayley graph, multiprocessor computing system. Пусть Jn – алгебраическая группа Джевонса размерности n. Отметим, что в различных литературных источниках группу Jn называют также обобщенной симметрической группой, или гипероктаэдральной группой. Данная группа зарекомендовала себя как эффективный инструмент при построении различных инженерно-технических решений. Строение Jn хорошо известно, однако характеристики графов Кэли этой группы, заданной различными порождающими множествами, изучены недостаточно [1; 2]. Потребность в знаниях такого рода связана с тем, что графы Кэли широко применяются для моделирования топологий многопроцессорных вычислительных систем (МВС) – суперкомпьютеров. Такие известные топологии сетей, как кольцо, гиперкуб, многомерный тор, баттерфляй, являются графами Кэли. Это связано с тем, что графы Кэли имеют много привлекательных свойств, из которых выделим их регулярность, вершинную транзитивность, малые диаметр и степень при достаточно большом количестве вершин в графе. При рассмотрении графа в качестве топологии МВС берут во внимание следующие характеристики графа: количество вершин, степень (для регулярного графа), диаметр и средний диаметр. При сравнении двух графов Γ1 и Γ2 будем считать, что топология Γ1 предпочтительнее Γ2, если | V1 |=| V2 | , но s1 ≤ s2 , D1 < D2 и d1 < d 2 .

Цель настоящей работы – восполнить указанный пробел, т. е. исследовать свойства графов Кэли групп Jn, заданных различными порождающими множествами. Рассмотрим основные определения и понятия. Определение 1. Пусть X – симметричное порождающее множество группы G, т. е., x ∈ X ⇔ x −1 ∈ X и G = X . Графом Кэли Г = Cay ( G, X ) = (V , E ) называют неориентированный граф, обладающий следующими свойствами: – множество вершин V(Г) соответствуют элементам группы G; – множество ребер E(Г) состоит из всех неупорядоченных пар {g, xg}, где g ∈ G и x ∈ X . * Таким образом, Г = Cay (G, X ) = (V , E ) , где V = G и E = {{g, x g} g ∈ G, x ∈ X } .

Количество вершин Γ равно порядку группы G. Граф Кэли является регулярным, и его степень s, т. е. количество ребер, выходящих из каждой вершины, равна числу порождающих элементов группы: s =| X | . Диаметр графа Кэли D (средний диметр d), т. е. максимальное (среднее) кратчайшее расстояние *

Работа выполнена при поддержке гранта Президента РФ (проект МД-3952.2015.9).

128

Прикладная математика

от произвольной фиксированной вершины до других вершин графа, равен максимальной (средней) длине минимальных слов группы, записанных через порождающие элементы [3]. Определение 2. Пусть S n – симметрическая группа степени n. Группой Джевонса J n будем называть внешнее полупрямое произведение S 2n на Sn . Таким образом, J n = S 2n S n . Из определения Jn следует, что

⎧([e,..., e, (1, 2), e], (1, 2)), если i = 1, ⎪ yi = ⎨([e,..., e, (1, 2)], (1, 3)), если i = 2, ⎪ ⎩([e,..., e], (1, i + 1)), если 3 ≤ i ≤ n − 1, Yn = { yi | 1 ≤ i ≤ n − 1} , J n = Yn .

При помощи компьютерных вычислений по алгоритму из [1] были получены следующие результаты (см. таблицу). Характеристики графов Cay ( J n , X n ) и Cay( J n , Yn ) n 4 5 6

∀g ∈ J n g = (a, b) , где a = [a1 , a2 ,..., an ] ∈ S2n ,

2 ⎞ ⎛ 1 ⎛ 1 ... n ⎞ ai = ⎜ ⎟ ∈ S2 , b = ⎜ ⎟ ∈ Sn . ⎝ b(1) ... b(n) ⎠ ⎝ ai (1) ai (2) ⎠ Поскольку | S 2n |= 2n

и

S2n . Поэтому зафиксируем данную операцию (обозначив ее D ) следующим образом: (a, b) D (c, d ) = ([a1 , a2 ,..., an ], b) D ([c1 , c2 ,..., cn ], d ) = = ([a1 ⋅ c

b −1 (1)

, a2 ⋅ c

b −1 (2)

,..., an ⋅ c

b−1 ( n )

], b ⋅ d ).

Символом « ⋅ » обозначена операция умножения перестановок. Тождественную перестановку (как в S2, так и в Sn) будем обозначать символом е. Начнем исследование графов Кэли Cay ( J n , X n ) для n > 3 со случая, когда группа Sn задается транспозициями вида (i, i + 1) , где 1 ≤ i ≤ n − 1 , т. е. порождающими Коксетера: ⎧([e,..., e, (1, 2), e], (1, 2)), если i = 1, ⎪ xi = ⎨([e,..., e, (1, 2)], (2, 3)), если i = 2, ⎪([e,..., e], (i, i + 1)), если 3 ≤ i ≤ n − 1, ⎩ X n = {xi | 1 ≤ i ≤ n − 1} , J n = X n .

После этого вычислим характеристики графов Cay ( J n , Yn ) , в которых Sn задается транспозициями вида (1, i ) , где 2 ≤ i ≤ n , т. е. порождающими типа «звезда»:

s 3 4 5

DX 10 14 22

DY 10 12 16

dX 6,3 8,5 12,6

DY 6,4 7,6 9,1

Из таблицы видно, что топологии Cay ( J n , X n ) и

| Sn |= n ! , то, очевидно,

| J n |= 2n n ! Как известно, операцию умножения элементов группы при полупрямом произведении можно задавать различными способами, зависящими от выбора гомоморфизма группы Sn в группу автоморфизмов

|Jn| 24·4! = 384 25·5! = 3840 26·6! = 46080

Cay ( J n , Yn ) обладают схожими характеристиками при

n = 3. Однако при n > 3 топология Cay ( J n , Yn ) предпочтительнее Cay ( J n , X n ). Следует также отметить, что при изменении порождающих элементов, сохраняя их количество, характеристики графов Кэли могут измениться.

Библиографические ссылки 1. Heydari M. H. On the diameter of the pankace network // J. of Algorihms. 1997. Vol. 30. P. 67–94. 2. Zhou S. M., Xiao W. J. A New Family of Interconnection Networks of Fixed Degree Three // J. Computer Science and Technology. 2004. Vol. 19. P. 218–223. 3. Кузнецов А. А., Кузнецова А. С. Параллельный алгоритм для исследования графов Кэли групп подстановок // Вестник СибГАУ. 2014. № 1. С. 33–39. References 1. Heydari M. H. On the diameter of the pankace network // Journal of Algorihms, 1997, Vol. 30, pp. 67–94. 2. Zhou S. M., Xiao W. J. A New Family of Interconnection Networks of Fixed Degree Three // Journal Computer Science and Technology, 2004. Vol. 19, pp. 218–223. 3. Kuznetsov A. A., Kuznetsova A. S. A parallel algorithm for study of the Cayley graphs of permutation groups // Vestnik SibGAU. 2014. No. 1, pp. 33–39. © Кузнецов А. А., 2015

129

Решетневские чтения. 2015

УДК 539.3+539.4

ПРЕДЕЛЬНЫЕ ДЕФОРМАЦИИ ТЕРМОУПРУГИХ ПЛОСКИХ КОНСТРУКЦИЙ С КРИВОЛИНЕЙНЫМ АРМИРОВАНИЕМ Ю. В. Немировский1, Р. Терлецкий2, Н. А. Федорова3 1

Институт теоретической и прикладной механики им. С. А. Христиановича СО РАН Российская Федерация, 630090, г. Новосибирск, ул. Институтская, 4/1 2 Институт прикладных проблем механики и математики им. Я. С. Подстригача НАН Украины Украина, 79060, г. Львов, ул. Научная, 3 «б» 3 Сибирский федеральный университет Российская Федерация, 660074, г. Красноярск, ул. Киренского, 26 E-mail: [email protected] С целью описания поведения волокнистого композита, армированного волокнами по криволинейным траекториям, получена разрешающая система дифференциальных уравнений. Формулировка задачи выполнена на основе структурной модели в рамках плоской неоднородной линейной задачи термоупругости. Построен эффективный численный метод, учитывающий особенности разрешающей системы для армированной среды. Получены частные решения соответствующих краевых задач. Приведены рекомендации по эффективному армированию плоских конструкций. Ключевые слова: армирование, структурная модель, криволинейные траектории.

BREAKING STRAINS OF PLANAR THERMOELASTIC CONSTRUCTIONS REINFORCED BY CURVILINEAR STRUCTURES Yu. V. Nemirovsky1, R. Terletsky2, N. A. Feodorova3 1

Khristianovich Institute of Theoretical and Applied Mechanics SB RAS 4/1, Institutskaya Str., Novosibirsk, 630090, Russian Federation 2 Pidstrihach Institute for Applied Problems of Mechanics and Mathematics NAS of Ukraine 3b, Nauchnay Str., Lviv, 79060, Ukraina 3 Siberian Federal University 26, Kirenskogo Str., Krasnoyarsk, 660074, Russian Federation E-mail: [email protected] To describe the behaviour of fibrous composite material reinforced by fibers along curvilinear trajectories a resolving system of differential equations has been obtained. The problem is stated on the basis of a structural model in the framework of the two-dimensional non-uniform linear thermoelasticity problem. The effective numerical method is constructed to take into account the particularity of a resolving system for the reinforced structure. Partial solutions of the corresponding boundary problems have been obtained. The suggestions for the effective reinforcement of planar constructions have been presented. Keywords: reinforcement, structural model, curvilinear trajectories. В работах авторов [1; 2] сформулирована плоская задача армированной среды в криволинейных ортогональных координатах ( ξ, η ), которая включает уравнения равновесия, обобщенный закон Дюамеля– Неймана в условиях термоупругого анизотропного деформирования [3], соотношения для напряжений в волокне на основе структурной модели [4]. Пусть армирование выполнено k семействами волокон, ϕm − углы армирования m-м семейством волокон ( m = 1,..., k ) – являются непрерывными функциями координат, ε m − деформация в волокне, ωm − интенсивность армирования m-м семейством волокон. Деформации в волокне определим по структурной модели [4]:

2

2

ε11lm1 + ε 22 lm 2 + ε12 lm1 lm 2 = ε0m , ε0m = ε m + εTm , εTm = α ma T , *

где lm1 = cos ϕm , lm 2 = sin ϕm , α am – коэффициент линейного расширения m-го семейства волокон; T – заданная постоянная температура. Напряжение в волокне σm находим по формуле σm = Em ε m + Em εTm , где Em − модуль Юнга материала m-го семейства волокон. Связь напряжений и деформаций для неоднородного армированного материала запишем в виде * Работа выполнена при частичной поддержке грантом Российского фонда фундаментальных исследований № 14-01-90400 Укр_а.

130

Прикладная математика k

σij = a σijc + ∑ σm ωm lmi lmj , где напряжения в связуюm =1

щем

σijc

определяем по формулам σiic =

E (1 − ν 2 )

σijc =

( εii + νε jj − αc (1 + ν ) T ) ,

E ε , j = 3 − i, i = 1, 2, 1 + ( ν ) ij

где E , ν − соответственно модуль Юнга и коэффициk

ент Пуассона связующего материала; a = 1 − ∑ ωm – m =1

удельная интенсивность прослоек связующего между армирующими слоями. При наложении дополнительных условий постоянства сечений волокон, что соответствует условиям технологического процесса, интенсивность армирования ωm удовлетворяет следующим соотношениям: ∂ ∂ ( H 2 ωm cos ϕm ) + ( H1ωm sin ϕm ) = 0. ∂ξ ∂η

(1)

Интенсивность ωm найдем из (1) после вычисления углов армирования при задании уравнений конкретных траекторий армирования и начальных условий выхода арматуры. В работе построены изогональные траектории к данным семействам плоских кривых, что расширяет многообразие непрерывных криволинейных траекторий. В рамках прямой задачи (известна структура армирования) замкнутая разрешающая система формулируется относительно компонент тензора деформации, поставлена краевая задача в криволинейных координатах [1; 2]. Коэффициенты системы и краевых условий содержат все структурные характеристики композита (заданные углы армирования, интенсивность армирования, механические характеристики материалов связующего и арматуры. В случае осесимметрической задачи (концентрическое кольцо) армирование проводится одним, двумя и тремя семействами волокон, представляющих собой алгебраические спирали и им изогональные траектории. Разрешающая система формулируется в перемещениях и приводит к краевой задаче для системы обыкновенных дифференциальных уравнений относительно радиального и окружного перемещений. Особенность полученной системы состоит в том, что она является системой, не разрешенной относительно старшей производной. На основе работы [5] для такой системы разработан новый эффективный численный метод, учитывающий особенности армированной среды и уменьшающий ошибки численного счета. Такой подход позволяет решать задачи о криволинейно армированных вращающихся дисках, являющихся элементами конструкций ответственного назначения [6].

Сформулированная плоская задача армированной среды в криволинейных ортогональных координатах позволяет решать и обратную задачу по определению эффективной рациональной структуры, если к ней добавить требования равнодефомируемости волокон и равнотрещиностойкости в связующем по критерию Баландина [2]. Полученные численные результаты показывают, что за счет выбора вида структуры, геометрии армирования (углы армирования, интенсивность армирования), комбинаций материалов связующего и арматуры возможно управление технологическими параметрами и создание конструкции с заранее заданными прочностными характеристиками.

Библиографические ссылки 1. Немировский Ю. В., Федорова Н. А. Математическое моделирование плоских конструкций из армированных волокнистых материалов : монография / СФУ. Красноярск, 2010. 136 с. 2. Немировский Ю. В., Федорова Н. А. Исследование рациональных структур криволинейного армирования в полярной системе координат // Вестн. Сам. гос. техн. ун-та. «Сер. Физ.-мат. науки». 2013. № 1(30). С. 233–244. 3. Коваленко А. Д. Введение в термоупругость. Киев : Наук. думка, 1965. 204 с. 4. Nemirovsky Yu. V. On the elastic behavior of the reinforced layer // Int. J. Mech. Sci. 1970. Vol. 12. P. 898–903. 5. Бабенко К. И. Основы численного анализа. М. : Наука, 1986. 744 с. 6. Немировский Ю. В., Федорова Н. А. Предельное деформирование дисков газовых и гидротурбин при различных структурах армирования // Известия высших учебных заведений. Физика. 2013. Т. 56, №7/3. С. 191–196. References 1. Nemirovsiy Yu. V, Feodorova N. A. Matematicheskoe modelirovanie ploskikh konstruktsii iz armirovann’ykh voloknist’ykh materialov / Sib. fed. univ. Krasnoyarsk, 2010. 136 s. 2. Nemirovsiy Yu. V, Feodorova N. A Vestn. Samar. gos. techn. univ. Ser. fiz.-mat. nauki, 2013. No. 1(30), s. 233–244. 3. Kovalenko A. D. Vvedenie v termouprugost. Kiev : Naukova Dumka, 1965. 204 s. 4. Nemirovsky Yu. V. On the elastic behavior of the reinforced layer // Int. J. Mech. Sci. 1970. Vol. 12. 5. Babenko K. I. Osnovy chislennogo analiza. M. : Nauka, 1986. 6. Nemirovsiky Yu. V., Feodorova N. A. Izvestia vuzov. Phisics. 2013. Vol. 56, no. 7/3, s. 191–196 .

131

© Немировский Ю. В., Терлецкий Р., Федорова Н. А., 2015

Решетневские чтения. 2015

УДК 519.45

АПЕРИОДИЧЕСКИЕ СЛОВА В. И. Сенашов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 Е-mail: [email protected]

Приведен обзор результатов исследований по проблеме Бернсайда. В связи с этими результатами рассматриваются множества апериодических слов. Результаты могут найти применение при кодировании информации, иcпользующейся в сеансах космической связи. Ключевые слова: группа, условие конечности, апериодические слова, проблема Бернсайда, локальная конечность. APERIODIC WORDS V. I. Senashov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Institute of Computational Modeling SB RAS 50/44, Akademgorodok, Krasnoyarsk, 660036, Russian Federation Е-mail: [email protected]

The research reviews the results on the Burnside problem. In connection with these results we consider sets of aperiodic words. The results can be applied when encoding information which is used in space communications. Keywords: group, finiteness condition, aperiodic words, Burnside problem, local finiteness. В докладе мы приводим обзор результатов исследований по проблеме Бернсайда. В 1902 году Уильям Бернсайд поставил вопрос о локальной конечности групп, все элементы которых имеют конечные порядки. Впоследствии этот вопрос приобрел статус проблемы Бернсайда о периодических группах. Отрицательный ответ на него был получен впервые лишь спустя 62 года, в 1964 году Е. С. Голодом [1]. Позднее С. В. Алешиным [2], Р. И. Григорчуком [3], В. И. Сущанским [4] была предложена целая серия отрицательных примеров. Сам У. Бернсайд в своей статье [5] обратил особое внимание на вопрос о локальной конечности групп с тождественным соотношением хn = 1. Группа B(d, n) = F/Fn, d > 1, которая получается факторизацией свободной группы F = F(d) с d образующими по нормальной подгруппе Fn, порожденной nми степенями всех элементов из F, называется сейчас свободной бернсайдовской группой показателя (или периода) n. Ее конечность, установленная в разное время для n = 2 (тривиальный случай), n = 3 (У. Бернсайд), n = 4 (У. Бернсайд для d = 2; И. Р. Санов [6] для произвольного d), n = 6 (М. Холл [7]). Доказательство бесконечности группы B(n, d), d ≥ 2, для нечетных показателей n ≥ 4381 было дано в работе П. С. Новикова и С. И. Адяна [8], а для нечетных n ≥ 665 – в книге С. И. Адяна [9]. Гораздо более доступный и геометрически наглядный вариант

доказательства для нечетных n > 1010 был предложен А. Ю. Ольшанским [10], который на основе усовершенствованного им геометрического метода построил для каждого достаточно большого простого числа p бесконечную р-группу, все собственные подгруппы которой имеют порядок р. Это наиболее сильная форма отрицательного ответа на вопрос Бернсайда, означающая существование бесконечного множества конечно порожденных периодических групп с тождеством, сколь угодно далеких по своим свойствам от конечных. В связи с этими результатами автор рассматривает множества апериодических слов, которые могут быть как конечными, так и бесконечными. Результаты могут найти применение при кодировании информации, иcпользующейся в сеансах космической связи.

Библиографические ссылки 1. Голод Е. С. О ниль-алгебрах и финитноаппроксимируемых группах // Изв. АН СССР. Сер. мат. 1964. № 2 (28). С. 273–276. 2. Алешин С. В. Конечные автоматы и проблема Бернсайда о периодических группах. // Мат. заметки. 1972. № 3 (11). С. 319–328. 3. Григорчук Р. И. О проблеме Бернсайда о периодических группах // Функцион. анализ. и его прил. 1980. № 1(14). С. 53–54.

132

Прикладная математика

4. Сущанский В. И. Периодические р-группы подстановок и неограниченная проблема Бернсайда // ДАН СССР. 1979. Т. 247. С. 557–560. 5. Burnside W. On an unsettled question in the theory of discontinuous groups // Quart. J. Pure. Appl. Math. 1902. Vol. 33. P. 230–238. 6. Санов И. Н. Решение проблемы Бернсайда для показателя 4 // Уч. зап. ЛГУ. 1940. Т. 55. С. 166–170. 7. Холл М. Теория групп. М. : Иностр. лит-ра. 1962. 468 с. 8. Новиков П. С. О периодических группах // ДАН СССР. 1959. Т. 127. С. 749–752. 9. Новиков П. С., Адян С. И. О коммутативных подгруппах и проблеме сопряженности в свободных периодических группах нечетного порядка // Изв. АН СССР. Сер. мат. 1967. № 1(32). С. 212–244. № 2(32). С. 251–324; № 3(32). С. 708–731. 10. Ольшанский А. Ю. Геометрия определяющих соотношений в группах. М. : Наука, 1989. 300 с.

References 1. Golod Ye. S. [On nil-algebras and the finite approximated groups] // Izv. AN SSSR. Ser. mat., 1964. No. 2(28), рp. 273–276 (In Russ.). 2. Aleshin S. V. [Finite machine guns and Bernsayd’s problem on periodic groups] // Mat. zametki. 1972. No. 3(11), рp. 319–328 (In Russ.).

3. Grigorchuk R. I. [On Bernsayd’s problem in periodic groups] // Funktsion. analiz. i yego pril., 1980. No. 1 (14), рp. 53–54 (In Russ.). 4. Sushchanskiy V. I. [Periodic r-groups of substitutions and an unlimited problem of Bernsayd] // DAN SSSR, 1979. Vol. 247, рp. 557–560 (In Russ.).. 5. Burnside W. [On an unsettled question in the theory of discontinuous groups] // Quart. J. Pure. Appl. Math., 1902. Vol. 33, рp. 230–238. 6. Sanov I. N. [A solution of the problem of Bernsayd for an indicator 4] // Uch. zap. LGU, 1940. Vol. 55, рp. 166–170 (In Russ.). 7. Kholl M. Teoriya grupp [Groups theory]. Moscow, Inostrannaya literatura. 1962. 468 p. 8. Novikov P. S. [On periodic groups]. DAN SSSR, 1959. Vol. 127, рp. 749–752. 9. Novikov P. S., Adyan S. I. [On commutative subgroups and a problem of an associativity in free periodic groups of an odd order] // Izv. AN SSSR, Ser. mat. 1967. No. 1(32), рp. 212–244; no. 2(32), рp. 51–324; no. 3(32), рp. 708–731 (In Russ.). 10. Ol’shanskiy A. Yu. Geometriya opredelyayushchikh sootnosheniy v gruppakh [Geometry of the defining ratios in groups]. Moscow, Nauka Publ., 1989. 300 p. © Сенашов В. И., 2015

__________ УДК 519.8

МЕТОДЫ МОДЕЛИРОВАНИЯ СОЦИАЛЬНЫХ СЕТЕЙ В. А. Суслова, А. А. Городов1 Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected]

Рассмотрены общие свойства и подходы к моделированию социальных сетей. Перечислены основные численные измерения и подходы выбора математических моделей при моделировании социальных сетей. Ключевые слова: социальные сети, графы, модели социальных сетей. METHODS OF MODELING SOCIAL NETWORKS V. A. Suslova, А. А. Gorodov1 Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]

In the article general properties and approaches to modeling social networks are presented. The research proposes a list of the basic numerical measurements and approaches to the choice of the mathematical models in the simulation of social networks. Keywords: social network, graph, models of social networks. Во второй половине XX в. такое понятие, как социальная сеть начало активно использоваться на Западе при исследованиях социальных связей и челове-

ческих отношений. В настоящее время практически от каждого человека можно услышать такое словосочетание, как социальная сеть.

133

Решетневские чтения. 2015

Под социальной сетью может пониматься не только принятое взаимодействие в классических социальных сетях, но и опосредованные взаимодействия между различными индивидуумами, «входящими» в некоторую совокупность. Сетевые взаимодействия могут связывать представителей разных наук – математиков, социологов, психологов, экономистов, биологов и т. д. Основные типы сетей [1]: – неориентированная сеть только с одним типом вершины и одного типа края:

В случайном большом графе каждое ребро присутствует или отсутствует с равной вероятностью, и распределения степени вершин биномиальное или пуассоновское. Далекие от распределения Пуассона распределения степени вершин в большинстве сетей искажены со скосом вправо – распределения имеют длинную правую хвостовую часть значений. При этом часть вершин в сети, которые имеют степень k, определяются как pk. Для решения этой проблемы определение распределения степени вершин данные о степени представляют формированием кумулятивной функции распределения Pk =

– сети с множеством дискретных вершинных и краевых видов:

– сеть с переменным типом вершин и ребер веса:

– направленная сеть, в которой каждое ребро имеет направление:

Часто социальные сети с математической точки зрения представляются в виде моделей случайного графа. Поэтому социальные сети численно измеримы с некоторой долей погрешности, и к таким типам измерений относится следующее: – расстояние между двумя вершинами; – диаметр графа; – степень вершин (количество контактов); – распределение степеней вершин; – меры центральности узла; – распределение меры центральности; – коэффициент кластеризации; – коэффициент ассортативности. Своеобразным отличием социальных сетей от обычных графов является наличие вершин с «тяжелым хвостом» – вершин с достаточно большой степенью. При этом удаление даже 10 % таких вершин чаще всего приводит к распаду сети на мелкие компоненты [2].

∞

∑ pk ′ , которая являет-

k ′= k

ся вероятностью того, что степень ≥ k [3]. Последние годы теория моделирования социальных сетей успешно развивается. При этом можно выделить разнообразие в подходах выбора математических моделей. Перечислим некоторые из них: – модели случайных графов; – кооперативные теоретико-игровые модели; – некооперативные теоретико-игровые модели. Анализ социальных сетей с помощью математических моделей весьма актуален. Их построение позволит не только понимать сущность и типологию построения социальной сети, но и позволит управлять данными процессами в различных интересах.

Библиографические ссылки 1. Newman M. E. J. The structure and function of complex networks / Department of Physics, University of Michigan, Ann Arbor, MI 48109, USA and Santa Fe Institute, 1399 Hyde Park Road, Santa Fe, NM 87501, USA. 2. Вельц С. В. Моделирование информационного противоборства в социальных сетях на основе теории игр и динамических байесовских сетей // Инженерный журнал «Наука и инновации». 2013. Вып. 11(23). С. 39. 3. Holger Ebel, Lutz-Ingo Mielsch, Bornholdt S. Scale-free topology of e-mail networks / Institut f¨ur Theoretische Physik, Universit¨at Kiel, Leibnizstraße 15, D-24098 Kiel, Germany. References 1. Newman M. E. J. The structure and function of complex networks / Department of Physics, University of Michigan, Ann Arbor, MI 48109, U.S.A. and Santa Fe Institute, 1399 Hyde Park Road, Santa Fe, NM 87501, U.S.A. 2. Velz S. V. Modelirovanie informazionnogo protivoborstva v sozialnih setiah na osnove teorii igr [Modeling information warfare in social networks based on game theory and dynamic Bayesian networks] // Engineering journal: science and innovation. Publ., 2013. No. 11(23), рp. 39. 3. Holger Ebel, Lutz-Ingo Mielsch, Bornholdt S. Scale-free topology of e-mail networks / Institut f¨ur Theoretische Physik, Universit¨at Kiel, Leibnizstraße 15, D-24098 Kiel, Germany.

134

© Суслова В. А., Городов А. А., 2015

Прикладная математика

УДК 517.95

СВОЙСТВА РЕШЕНИЙ СПЕЦИАЛЬНОЙ МОДЕЛИ ДВУМЕРНЫХ ДВИЖЕНИЙ СПЛОШНЫХ СРЕД Ю. В. Шанько Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 E-mail: [email protected]

В аэрокосмической науке и технике имеет большое значение исследование моделей движения сплошных сред. Рассмотрена одна такая специальная модель. Обсуждаются некоторые физические свойства соответствующих решений. Ключевые слова: уравнения движения сплошных сред, переопределенная система. PROPERTIES OF SOLUTIONS OF A SPECIAL MODEL FOR TWO-DIMENSIONAL MOTIONS OF CONTINUOUS MEDIA Yu. V. Shan’ko Institute of Computational Modeling SB RAS 50/44, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: [email protected]

Investigation of models of continuous media has a great importance in aerospace science and technology. In this paper we consider a special model of motions of continuous media. We discuss some physical properties of these motions. Keywords: equations of motion of continuous media, overdetermined system. Исследование моделей сплошной среды имеет большое значение при изучении перемещения транспортных средств, включая ракетно-космические аппараты. В работе рассматривается одна из специальных моделей, которая задается дифференциальными уравнениями: ut + uu x + vu y + px = 0, vt + uvx + vv y + p y = 0, u x + v y = 0,

pt + upx + vp y = 0,

(1)

где t – время, x и y – пространственные координаты; u и v – компоненты вектора скорости; p – давление. Эта система описывает тепловые движения политропного газа [1], а также течения жидкости, при которых каждая из изобар может служить свободной границей. Система уравнений (1) является переопределенной, следовательно, необходимо исследовать ее на совместность. Этому посвящены работы [2–5], где уравнения (1) были переписаны в лагранжевых координатах: xtt − yξ = 0, ytt + xξ = 0, xξ yη − xη yξ = 1. (2) Систему уравнений (2) удается полностью проинтегрировать и найти все классы точных решений. В работе исследуются свойства найденных решений. В частности, показано, что для всех решений давление и завихренность связаны функциональной зависимостью. Найдены классы решений, отвечающие за перемещение жидкости с граничными условиями типа движущихся твердых стенок.

Библиографические ссылки 1. Овсянников Л. В. О «простых» решениях уравнений динамики политропного газа // ПМТФ. 1999. Т. 40, № 2. С. 5–12. 2. Нещадим М. В., Чупахин А. П. О некоторых решениях уравнений движения сплошной среды со специальной термодинамикой // Сиб. электрон. матем. изв. 2011. Т. 8. С. 317–332. 3. Шанько Ю. В. Об одной переопределенной системе уравнений движения сплошной среды // Решетневские чтения. 2013. Т 2, № 17. С. 122–123. 4. Хабиров С. В. Плоские изотермические движения идеального газа без расширений // ПММ. 2014. Т. 78, № 3. С. 411–424. 5. Шанько Ю. В. Об одной переопределенной системе уравнений двумерных движений идеальной жидкости // Решетневские чтения. 2014. Т 2, № 18. С. 163–164. References 1. Ovsyannikov L. V. “Simple” solutions of the equations of dynamics for a polytropic gas // Journal of Applied Mechanics and Technical Physics. 1999. Vol. 40, issue 2, pp. 191–197, doi: 10.1007/BF02468514. 2. Neshchadim M. V., Chupakhin A. P. O nekotorykh resheniyakh uravneniy dvizheniya sploshnoy sredy so spetsial'noy termodinamikoy [About some solutions of the equation moving continuous medium with special thermodynamics] / Sib. elektron. matem. izv. 2011. Vol. 8, pp. 317–332 (In Russ.).

135

Решетневские чтения. 2015

3. Shan’ko Yu. V. Ob odnoy pereopredelennoy sisteme uravneniy dvizheniya sploshnoy sredy [About one overdetermined system of equations of motion of a continuous medium] // Reshetnevskie chteniya. 2013. Vol. 2, no. 17, pp. 122–123 (In Russ.). 4. Khabirov S. V. The plane isothermal motions of an ideal gas without expansions // Journal of Applied Mathematics and Mechanics. 2014, Vol. 78, iss. 3, pp. 287–297, doi: 10.1016/j.jappmathmech.2014.09.012.

5. Shan’ko Yu. V. Ob odnoy pereopredelennoy sisteme uravneniy dvumernykh dvizheniy ideal'noy zhidkosti [On one overdetermined system of equations of two-dimensional motions of an ideal fluid] // Reshetnevskie chteniya. 2014. Vol. 2, no. 18, pp. 163– 164 (In Russ.). © Шанько Ю. В., 2015

__________ УДК 517.9

ОБ ОДНОМ ИНТЕГРО-ДИФФЕРЕНЦИАЛЬНОМ УРАВНЕНИИ ТИПА ВОЛЬТЕРРА С НЕЛИНЕЙНОЙ ПРАВОЙ ЧАСТЬЮ Т. К. Юлдашев, О. В. Солодова Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected]

Рассмотрены вопросы об однозначной разрешимости для одного нелинейного интегро-дифференциального уравнения типа Вольтерра с начальным условием. С помощью несложного интегрального преобразования задача сведена к нелинейному интегральному уравнению типа Вольтерра. Доказана теорема о существовании и единственности решения данной задачи на рассматриваемом отрезке. Ключевые слова: интегро-дифференциальное уравнение, начальная задача, интегральное преобразование, нелинейное интегральное уравнение, однозначная разрешимость. TO VOLTERRA TYPE INTEGRO-DIFFERENTIAL EQUATION WITH NONLINEAR RIGHT-HAND SIDE Т. К. Yuldashev, О. V. Solodova Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected], [email protected]

The questions of one-valued solvability for a nonlinear Volterra type integro-differential equation with initial value condition are considered. By the aid of uncomplicated integral transformation this problem is reduced to the nonlinear Volterra type integral equation. The theorem of existence and uniqueness of the solution of given initial value problem in considering segment are proved. Keywords: integro-differential equation, initial value problem, integral transformation, nonlinear integral equation, one-valued solvability. Рассматривается

на

отрезке

DT

интегро-

дифференциальное уравнение Вольтерра вида (1)

0

с начальным условием u (t ) где K (t ) ∈ C ( D T ) ,

t =0

= ϕ,

(3)

0

t

u ′ (t ) − λ ∫ K ( s ) u ( s ) d s = f (t , u (t ))

t

ϑ (t ) = ∫ K ( s ) u ( s ) d s .

(2)

f (t , u ) ∈ C ( D) , λ − параметр;

D ≡ D T × R; D T ≡ [ 0; T ] ; R ≡ (−∞ ; ∞).

Тогда уравнение (1) принимает вид u ′(t ) − λ ϑ(t ) = f (t , u (t )). Интегрируя (4) по t , получаем t

t

0

0

u (t ) = ϕ + λ ∫ ϑ( s ) d s + ∫ f ( s , u ( s )) d s .

Подставляя (5) в (3), имеем

Отметим, что для интегро-дифференциальных уравнений типа Фредгольма подобная методика разработана в работах [1–3]. Примем обозначение 136

(4)

t

s

t

0

0

0

ϑ (t ) = λ ∫ K ( s ) ∫ ϑ (θ) d θ d s + ϕ ∫ K ( s ) d s +

(5)

Прикладная математика t

s

t

+ ∫ K ( s ) ∫ f (θ , u (θ)) d θ d s . 0

0

0

Из (6), используя формулу Дирихле, получаем

+ ∫ H (t , s ) f ( s , u ( s )) d s,

t

где ℜ (t , s) = (t − s) ℜ (t , s ; λ ); H (t , s) = (t − s) H (t , s) + 1,

0

+ ∫ H (t , s ) f ( s , u ( s )) d s,

t

(7)

g (t ) = ϕ + ∫ g ( s ) d s .

0

0

s

0

Теорема. Пусть выполняются следующие условия:

где ψ (t ) = ϕ ⋅ ∫ K ( s ) d s ; H (t , s ) = ∫ K (θ) d θ.

{

t

α = max ∫ ℜ (t , s ; λ ) t∈D T

s

ϑ (t ) = g (t ) + ∫ ℜ (t , s ; λ ) ∫ H ( s , θ) f (θ , u (θ)) d θ d s + 0

}

1) f (t , u ) ∈ Bnd ( M ) ∩ Lip L (t ) | u ,

Применяя метод резольвенты к интегральному уравнению (7) с ядром H (t , s ) , имеем t

(9)

0

t

t

0

t

ϑ (t ) = λ ∫ H (t , s ) ϑ ( s ) d s + ψ (t ) +

t

s

u (t ) = g (t ) + ∫ ℜ (t , s ; λ ) ∫ H ( s , θ) f (θ , u (θ)) d θ d s +

(6)

∫

H ( s , θ) d θ d s < ∞ ;

0

2) β = max ∫ H (t , s ) d s < ∞ ;

0

t∈D T

t

+ ∫ H (t , s ) f ( s , u ( s )) d s,

0 t

s

(8)

0 t

3) ρ = max ∫ ℜ (t , s ; λ )

0

t∈D T

t

где g (t ) = ψ (t ) + ∫ ℜ ( t , s ; λ ) ⋅ ψ ( s ) d s .

0

g (t ) < ∞ ;

s

∫

H ( s , θ) L (θ) d θ d s +

0

t

+ max ∫ H (t , s ) L ( s ) d s < 1.

0

t∈D T

Подставляя (8) в (5), окончательно имеем следующее нелинейное интегральное уравнение типа Вольтерра:

0

Тогда существует единственное решение задачи Коши (1), (2) на отрезке D T .

Доказательство. Итерационный процесс Пикара для интегрального уравнения (9) определим следующим образом: ⎧u 0 (t ) = g (t ) , u k +1 (t ) = g (t ) + ⎪ t s t ⎨ ( t , s ; ) H ( s , ) f ( , u ( )) d d s + ℜ λ θ θ θ θ + k ⎪ ∫ ∫ ∫ H (t , s) f ( s , u k (s)) d s , 0 0 ⎩ 0 k = 0,1, 2 ...

(10)

В силу условий теоремы, из (10) получаем следующие оценки

≤M

u k +1 (t ) − u k +1 (t ) ≤ ≤

t

s

t

0

0

0

∫ ℜ (t , s ; λ ) ∫ H (s , θ) f (θ , u 0 (θ)) d θ d s + ∫ H (t , s) f ( s , u 0 ( s)) d s ≤

u 1 (t ) − u 0 (t ) ≤ t

s

0

0

∫ ℜ (t , s ; λ ) ∫ H (s , θ) d θ d s + M

t

∫ H (t , s) d s

≤ M (α + β) ,

t

s

t

s

0

0

0

0

∫ ℜ (t , s ; λ ) ∫ H (s , θ) f (θ , u k (θ)) d θ d s − ∫ ℜ (t , s ; λ ) ∫ H (s , θ) f (θ , u k −1 (θ)) d θ d s t

t

0

0

(11)

0

+

∫ H (t , s) f (s , u k ( s)) d s − ∫ H (t , s) f ( s , u k −1 ( s)) d s ≤

+

t

≤ max ∫ ℜ (t , s ; λ ) t∈D T

0

s

∫

H ( s , θ) L (θ) u k (θ) − u k −1 (θ) d θ d s +

0

t

+ max ∫ H (t , s ) L ( s ) u k ( s ) − u k −1 ( s ) d s ≤ ρ ⋅ u k (t ) − u k −1 (t ) . t∈D T

(12)

0

В силу последнего условия теоремы, из оценки (12) следует, что оператор в правой части (9) является сжимающим. Из оценок (11) и (12) заключаем, что для оператора (9) существует единственная неподвижная точка на отрезке D T . Следовательно, задача Коши (1), (2) имеет единственное решение на отрезке D T . 137

Решетневские чтения. 2015

Библиографические ссылки 1. Юлдашев Т. К. Обратная задача для одного интегро-дифференциального уравнения Фредгольма в частных производных третьего порядка // Вестник СамГТУ. Сер. «Физ.-мат. науки». 2014. № 1. С. 56–65. 2. Юлдашев Т. К. Об одном интегродифференциальном уравнении Фредгольма в частных производных третьего порядка // Изв. вузов. Математика. 2015. № 9. С. 74–79. 3. Yuldashev T. K. A double inverse problem for a partial Fredholm integro-differential equation of fourth order // Proc. of Jangjeon Math. Society. 2015. Vol. 18, No 3. P. 417–426.

References 1. Yuldashev T. K. [Inverse problem for a partial Fredholm integro-differential equations of third order] // Vestn. Samar. gos. tekhn. univ. Ser. Fiz.-mat. nauki. 2014. No. 1, рp. 56–65 (In Russ.). 2. Yuldashev T. K. A certain Fredholm partial integro-differential equation of the third order // Russian Mathematics. 2015. Vol. 59, no. 9, рp. 62–66. 3. Yuldashev T. K. A double inverse problem for a partial Fredholm integro-differential equation of fourth order // Proc. of Jangjeon Math. Society. 2015. Vol. 18, no. 3, рp. 417–426. © Юлдашев Т. К., Солодова О. В., 2015

____________ УДК 517. 968

ОБРАТНАЯ ЗАДАЧА ДЛЯ ПСЕВДОПАРАБОЛИЧЕСКОГО ИНТЕГРО-ДИФФЕРЕНЦИАЛЬНОГО УРАВНЕНИЯ ФРЕДГОЛЬМА С ВЫРОЖДЕННЫМ ЯДРОМ Т. К. Юлдашев1, К. Х. Шабадиков2 1

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] 2 Ферганский государственный университет имени Улугбека Узбекистан, 150100, г. Фергана, ул. Мураббийлар, 19 E-mail: [email protected]

Рассмотрены вопросы об однозначной разрешимости обратной задачи для одного нелинейного псевдопараболического интегро-дифференциального уравнения типа Фредгольма с вырожденным ядром. Разработан метод вырожденного ядра для случая рассматриваемого псевдопараболического интегро-дифференциального уравнения типа Фредгольма третьего порядка. Использован метод ряда Фурье разделения переменных. Применен метод последовательных приближений в сочетании его с методом сжимающих отображений. Ключевые слова: обратная задача, интегро-дифференциальное уравнение, псевдопараболическое уравнение, вырожденное ядро, однозначная разрешимость. INVERSE PROBLEM FOR A FREDHOLM PSEUDOPARABOLIC INTEGRO-DIFFERENTIAL EQUATION WITH DEGENERATE KERNEL T. K. Yuldashev1, K. H. Sabadikov2 1

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] 2 Fergana State University named after Ulugbek 19, Murabbiylar str., Fergana, 150100, Uzbekistan E-mail: [email protected]

The paper considers the questions of one value solvability of the double inverse problem for a nonlinear Fredholm type pseudoparabolic integro-differential equation with degenerate kernel. The method of degenerate kernel is developed to the case of considering Fredholm type pseudoparabolic integro-differential equation of the third order. The Fourier method of separation of variables is used. The method of successive approximations is proposed combining it with the method of compressing maps. Keywords: inverse problem, integro-differential equation, pseudoparabolic equation, degenerate kernel, a valued solvability. 138

Прикладная математика

Математическое моделирование многих процессов, происходящих в реальном мире, часто приводит к изучению обратных задач для уравнений, не имеющих аналогов в классической математической физике. Представляют большой интерес с точки зрения приложений дифференциальные уравнения в частных производных третьего порядка. В области D рассматривается уравнение T

∂ u (t , x) ∂ 3u (t , x) ∂ 2 u ( s , x) − − μ K t s ds= ( , ) ∫ ∂t ∂ t ∂ x2 ∂ x2 0 ⎛ Tl ⎞ = η (t ) g ( x) + f ⎜ x , ∫ ∫ H (θ , y ) u (θ , y ) d y d θ ⎟ ⎜ ⎟ ⎝ 00 ⎠

(1)

с условиями u (t , x )

t =0

= ϕ ( x ) , u (t , x )

= u (t , x )

x =0

x =l

= 0,

u (t 0 , x) d s = ψ ( x) , t 0 ∈ ( 0; T ) ,

где

η (t ) ∈ C ( D T );

g ( x) ∈ C ( Dl ) −

f ( x , γ ) ∈ С ( D l × R );

m

T l

i =1

00

K (t , s) = ∑ a i (t ) b i ( s); a i (t ) , b i ( s) ∈ C ( D T ); μ − параметр; D ≡ DТ × Dl ;

D T ≡ [ 0, T ] ;

(2)

функция

H (t , x) d x d t < ∞ ; ϕ ( x )∈ C 3 ( Dl ) ; ϕ ( x)

∫∫

ψ ( x )∈ C ( Dl ) ;

восстановления;

x =0 =

ϕ ( x) x =l = 0;

D l ≡ [ 0, l ] ; 0 < l < ∞ , 0 < T < ∞.

Решение данной задачи ищем в виде ряда Фурье: ∞

u (t , x ) = ∑ u n ( t ) ⋅ϑ n ( x ) , n =1

2 nπ ; n = 1, 2 ... sin λ n x ; λ n = l l Используя метод вырожденного ядра, получаем [1–5]:

где ϑn ( x ) =

u n (t , μ) = Q n (t , μ) + g n (μ) ⋅ G n (t , μ) + f n ( γ ) ⋅ Φ n (t , μ) ,

(3)

где Q n (t , μ) = ϕ n − μ τ n

m

Δ 1i n (μ)

i =1

Δ n (μ)

∑

Φ n (t , μ) = τ n=

1 + μ τ n A11 Δ k i n (μ) =

λ 2n

q i (t ); G n (t , μ) = t

1+ λ

2 n

p (t ) 1+ λ

m

Δ 3i n (μ)

i =1

Δ n (μ)

−μ τ n ∑

2 n

−μ τn

m

Δ 2 i n (μ)

i =1

Δ n (μ)

∑

q i (t );

t

t

0

0

; p (t ) = ∫ η ( s ) d s ; q i (t ) = ∫ a i ( s ) d s ; 2

1+ λ n

μ τ n A1(i −1)

B k 1n

μ τ n A1(i +1)

...

μ τ n A1m

μ τ n A 21

... μ τ n A 2(i −1)

Bk 2n

μ τ n A2(i +1)

...

μ τ n A2 m

... μ τ n A m1

... ... ... μ τ n Am (i −1)

...

... μ τ n Am (i +1)

... ... ... 1 + μ τ n Am m

...

Bk mn

1 + μ τ n A11

μ τ n A12

...

μ τ n A1m

μ τ n A 21

1 + μ τ n A2 2

...

μ τ n A2 m

...

...

...

...

μ τ n A m1

μ τ n Am 2

Δ n (μ) =

T

B1i n = ∫ b i ( s )ϕ n d s ; B 2 i n = 0

l

, k = 1,3;

T

≠ 0, Ai j = ∫ b i ( s ) q j ( s ) ds ; 0

. . . 1 + μ τ n Am m 1 1 + λ n2

g n = ∫ g ( y ) ϑ n ( y ) d y; 0

q i (t );

T

∫ bi (s) p (s) ds ; B 3i n = 0

l

1 1 + λ n2

f n (γ) = ∫ f ( y , γ ) ϑ n ( y) d y . 0

139

T

∫ b i (s) s ds; 0

Решетневские чтения. 2015

Для определения функции восстановления, используя дополнительное условие из (2), получаем l ∞ ⎛ Tl ⎞ g n (μ) = α 1n (μ) + α 2 n (μ) ∫ f ⎜ y , ∫ ∫ H (θ , z ) ∑ u k (θ , μ) ⋅ϑ k ( z ) d z d θ ⎟ ϑ n ( y ) d y , ⎜ ⎟ k =1 0 ⎝ 00 ⎠

где α 1n (μ) =

ψ n − Q n (t 0 , μ) G n (t 0 , μ)

; α 2 n (μ) =

Φ n (t 0 , μ) G n (t 0 , μ)

(4)

l

; ψ n = ∫ ψ ( y) ϑ n ( y) d y . 0

Подставляя (4) в (3), окончательно получаем счетную систему нелинейных интегральных уравнений (ССНИУ) l ∞ ⎛ Tl ⎞ u n (t , μ) = F n (t , μ) + E n (t , μ) ⋅ ∫ f ⎜ y , ∫ ∫ H (θ , z ) ∑ u k (θ , μ) ⋅ϑ k ( z ) d z d θ ⎟ ϑ n ( y ) d y , (5) ⎜ ⎟ k =1 0 ⎝ 00 ⎠ где F n (t , μ) = Q n (t , μ) + α1n (μ) ⋅ G n (t , μ); E n (t , μ) = Φ n (t , μ) + α 2 n (μ) ⋅ G n (t , μ).

Лемма. Если 1) G n (t 0 , μ) ≠ 0, t ∈ D T ; γ1 = F (t , μ) 2) M = f ( x , u )

L 2 (l )

B 2 (T )

{

< ∞ ; γ 2 = E (t , μ)

< ∞ ; f ( x , u ) ∈ Lip L ( x)

u

};

δ 1 = L ( x)

T l

3) δ 2 = ∫ ∫ H (t , x) d x d t < ∞ ; ρ = γ 2 δ 1 δ 2 δ 3 < 1 ; δ 3 = 00

∞

∑

n =1

B 2 (T ) L 2 (l )

< ∞;

< ∞;

ϑ n ( x)

2

< ∞,

то ССНИУ (5) имеет единственное решение в пространстве B 2 (T ) .

Теорема. Пусть выполняются условия леммы. Тогда существует единственная пара решений обратной задачи (1), (2):

{ u (t , x) ∈ С

1, 2

}

( D) , g ( x) ∈ C ( D l ) .

Библиографические ссылки 1. Юлдашев Т. К. Обратная задача для одного интегро-дифференциального уравнения Фредгольма в частных производных третьего порядка // Вестник СамГТУ. Сер. «Физ.-мат. науки». 2014. № 1. С. 56–65. 2. Юлдашев Т. К. Двойная обратная задача для интегро-дифференциального уравнения Фредгольма эллиптического типа // Вестн. СамГТУ. Сер. «Физ.мат. науки». 2014. № 2. С. 39–49. 3. Юлдашев Т. К., Новоселов О. В. Об одном интегро-дифференциальном уравнении Фредгольма в частных производных четвертого порядка с вырожденным ядром // Журнал СВМО. 2015. Том 17, № 1. С. 128–134. 4. Юлдашев Т. К. Об одном интегродифференциальном уравнении Фредгольма в частных производных третьего порядка // Изв. вузов. Математика. 2015. № 9. С. 74–79. 5. Yuldashev T. K. A double inverse problem for a partial Fredholm integro-differential equation of fourth order // Proc. of Jangjeon Math. Society. 2015. Vol. 18, № 3. P. 417–426.

References 1. Yuldashev T. K. [Inverse problem for a partial Fredholm integro-differential equations of third order] // Vestn. Samar. gos. tekhn. univ. Ser. Fiz.-mat. nauki. 2014. No. 1, рp. 56–65 (In Russ.). 2. Yuldashev T. K. A double inverse problem for Fredholm integro-differential equation of elliptic type // Vestn. Samar. gos. tekhn. univ. Ser. Fiz.-mat. nauki. 2014. No. 2, рp. 39–49 (In Russ.). 3. Yuldashev T. K., Novoselov O. V. [On a Fredholm partial integro-differential equations of fourth order with degenerate kernel] // Journal of Middle Volga Math. Society. 2015. Vol. 17, no. 1, pр. 128–134 (in Russ.). 4. Yuldashev T. K. A certain Fredholm partial integro-differential equation of the third order // Russian Mathematics. 2015. Vol. 59, no. 9, рp. 62–66. 5. Yuldashev T. K. A double inverse problem for a partial Fredholm integro-differential equation of fourth order // Proc. of Jangjeon Math. Society. 2015. Vol. 18, no. 3, рp. 417–426.

140

© Юлдашев Т. К., Шабадиков К. Х., 2015

Ðешетневские ×тения

Cекция

«МЕХАНИКА СПЛОШНЫХ СРЕД (ГАЗОДИНАМИКА, ГИДРОДИНАМИКА, ТЕОРИЯ УПРУГОСТИ И ПЛАСТИЧНОСТИ, РЕОЛОГИЯ)»

2

Решетневские чтения. 2015

УДК 539.37 ВЫЧИСЛИТЕЛЬНЫЙ АЛГОРИТМ ДЛЯ МОДЕЛИРОВАНИЯ МИКРОПОЛЯРНЫХ ТОНКИХ ПЛАСТИН* М. П. Варыгина Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 E-mail: [email protected] Для исследования динамических процессов в микрополярных пластинах и оболочках, широко применяющихся в аэрокосмической промышленности, разработаны эффективные алгоритмы для численной реализации математических моделей несимметричной теории упругости, учитывающих вращательные степени свободы частиц материала. Ключевые слова: микрополярная теория упругости, динамика, пластины и оболочки. NUMERICAL ALGORITHM FOR MODELING MICROPOLAR THIN PLATES M. P. Varygina Institute of Computational Modeling SB RAS 50/44, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: [email protected] To research dynamic processes in micropolar plates and shells widely used in aerospace industry effective numerical methods are developed for numerical implementation of mathematical models of nonsymmetric elasticity theory taking into account rotational degrees of freedom of particles. Keywords: micropolar elasticity theory, dynamics, plates and shells. Введение. Тонкостенные конструкции, такие как пластины и оболочки, широко используются в авиакосмической промышленности в качестве основных структурных элементов. Структура – один из важнейших показателей качества материалов, непосредственно влияющий на их прочностные характеристики. В зависимости от типа материала и масштаба исследований в практических задачах требуется учитывать структуру нано-, микро- или мезоуровня. Классическая теория сплошных сред не учитывает микроструктуру материала, для ее описания необходимо построение и внедрение новых математических моделей микрополярных сред. Вопросы численной реализации моментной модели в плоском и пространственном случаях рассматриваются в работах [2; 3]. В настоящей работе приводится вычислительный алгоритм для моделирования микрополярных тонких пластин. Математическая модель.*В модели микрополярной среды кроме поступательного движения рассматриваются независимые малые повороты частиц, а наряду с тензором напряжений вводится несимметричный тензор моментных напряжений. Полную систему уравнений, учитывающую малые повороты частиц, составляют уравнения движения, кинематические соотношения и обобщенный закон линейной теории упругости [1]: *

Работа выполнена при поддержке Российского фонда фундаментальных исследований (проект № 14-01-00130).

ρ v = ∇τ,

j ω = ∇ m − 2σ х ,

Λ = ∇ v + ω, M = ∇ ω, σ = λ ( I : Λ s ) I + 2μ Λ s + 2α Λ a ,

(1)

m = β ( I : M s ) I + 2 γ M s + 2ε M a , где v – скорость движения среды; ω – угловая скорость; σ – тензор напряжений; m – тензор моментных напряжений; ρ – плотность среды; j – постоянная, характеризующая инерцию частицы; λ, μ, α, β, γ, ε – феноменологические параметры упругости. Верхние индексы s и a служат для обозначения симметричной и антисимметричной частей тензора, через σx обозначен вектор антисимметричной составляющей тензора σ. Систему уравнений, описывающих поведение тонкой микрополярной пластины, полученную из системы уравнений (1) на основе метода гипотез, разработанного в [4; 5], в предположении малости толщины пластины h, можно привести к симметричной форме

A

∂U ∂U ∂U = B1 + B2 + QU , ∂t ∂x1 ∂x2

относительно вектор-функции U, включающей в себя компоненты линейных и угловых скоростей частиц, а также компоненты силовых и моментных напряжений. Матрицы коэффициентов системы A, B1, B2 симметричны, матрица Q антисимметрична. Матрица A положительно определена, и система уравнений является гиперболической по Фридрихсу. Для такой системы выполняется закон сохранения энергии

142

Механика сплошных сред (газодинамика, гидродинамика, теория упругости и пластичности, реология)

∂ (UAU ) ∂ (UB1U ) ∂ (UB 2U ) , = + ∂t ∂x1 ∂x2

из которого следует корректность постановки задачи Коши и краевых задач с диссипативными граничными условиями. Вычислительный алгоритм. Алгоритм численного решения задачи основан на методе двуциклического расщепления по пространственным переменным и времени. Процедура расщепления состоит из пяти этапов, приводящих к решению одномерных систем: A

∂U 1 ∂U 1 , U 1 (t , x ) = U (t , x ), = B1 ∂t ∂x1

A

∂U 2 ∂U 2 = B2 , U 2 (t , x ) = U 1 (t + τ / 2, x ), ∂t ∂x2

∂U 3 = QU 3 , U 3 (t , x ) = U 2 (t + τ / 2, x ), ∂t ∂U 4 ∂U 4 A = B2 , U 4 (t + τ / 2, x ) = U 3 (t + τ, x ), ∂t ∂x2

A

A

∂U 5 ∂U 5 = B1 , U 5 (t + τ / 2, x ) = U 4 (t + τ, x ). ∂t ∂x1

Искомое значение U(t + τ, x) = U5(t + τ, x). На первом этапе решается одномерная задача в направлении x1 на интервале времени (t; t + τ/2) с помощью явной монотонной разностной схемы Годунова типа «предиктор–корректор». На втором этапе аналогично решается одномерная задача в направлении x2. На третьем этапе к системе обыкновенных дифференциальных уравнений применяется неявная разностная схема Кранка–Николсон с полным шагом по времени: A

U m +1 − U m U m +1 + U m =Q , 2 τ

где m – номер шага по времени. Четвертый и пятый этапы – этапы пересчета задачи в направлениях x2 и x1 соответственно на интервале времени (t + τ/2; t + τ). Рассматриваемый метод двуциклического расщепления обеспечивает устойчивость численного решения при выполнении условия устойчивости Куранта– Фридрихса–Леви.

Библиографические ссылки 1. Пальмов В. А. Основные уравнения теории несимметричной упругости // Прикладная математика и механика. 1964. Т. 28, вып. 3. С. 401–408. 2. Sadovskii V., Sadovskaya O., Varygina M. Numerical solution of dynamic problems in couplestressed continuum on multiprocessor computer systems // International Journal of Numerical Analysis and Modeling. Series B. 2011. Vol. 2, no. 2–3. P. 215–230. 3. Варыгина М. П., Киреев И. В., Садовская О. В., Садовский В. М. Программное обеспечение для анализа волновых движений в моментных средах на многопроцессорных вычислительных системах // Вестник СибГАУ. 2009. Вып. 2 (23). С. 104–108. 4. Саркисян С. О. Общая динамическая теория микрополярных упругих тонких пластин со свободным вращением и особенности их свободных колебаний // Акустический журнал. 2011. Том. 57, № 4. С. 461–469. 5. Sargsyan S. O. General theory of thin plates on the basis of nonsymmetric theory of elasticity // Mechanics of solids. 2012. Vol. 47, no. 1. P. 119–136. References 1. Palmov V. A. General equations of nonsymmetric elasticity theory // Applied mathematics and mechanics. 1964. Vol. 28, no. 3, рр. 401–408. 2. Sadovskii V., Sadovskaya O., Varygina M. Numerical solution of dynamic problems in couplestressed continuum on multiprocessor computer systems // International Journal of Numerical Analysis and Modeling, Series B. 2011. Vol. 2, no. 2–3, рр. 215–230. 3. Varygina M. P., Kireev I. V., Sadovskaya O. V., Sadovskii V. M. Software for the analysis of wave motions in moment media on multiprocessor computer systems // Vestnik SibGAU. 2009. Vol. 2 (23), рр. 104–108. 4. Sargsyan S. O. General theory of micropolar elastic thin plates with independent rotation and particular properties of theirs free oscillations // Acoustic journal. 2011. Vol. 57, no. 4, рр. 461–469. 5. Sargsyan S. O. General theory of thin plates on the basis of nonsymmetric theory of elasticity // Mechanics of solids. 2012. Vol. 47, no. 1, рр. 119–136.

143

© Варыгина М. П., 2015

Решетневские чтения. 2015

УДК 539.3 ЧИСЛЕННОЕ МОДЕЛИРОВАНИЕ ПРОЦЕССА РАЗРУШЕНИЯ ЛЬДА* В. П. Глазырин1, М. Ю. Орлов1, Ю. Н. Орлов1, Ю. Н. Орлова2 1

Национальный исследовательский Томский государственный университет Российская Федерация, 634050, Томск, просп. Ленина, 36 2 Национальный исследовательский Томский политехнический университет Российская Федерация, 634050, Томск, просп. Ленина, 30 Е-mail: [email protected] Представлены результаты комплексных теоретико-экспериментальных исследований по взрывному нагружению льда. Приведены результаты натурных испытаний по взрывному нагружению речного льда эмульсионным зарядом взрывчатого вещества (ВВ). Проведены параметрические исследования разрушения льда в зависимости от глубины закладки ВВ. Получены рекомендации по более эффективному разрушению льда с учетом влияние слоя воды. Практическая значимость заключается в необходимости создания новых элементов летательных аппаратов с защитой от ледяных небесных тел. Ключевые слова: лед, модель, эксперимент, расчет, взрыв, деформация, разрушение. NUMERICAL SIMULATION OF THE ICE DESTRUCTION V. P. Glazyrin1, M. Yu. Orlov1, Yu. N. Orlov1, Yu. N. Orlova2 1

National Research Tomsk State University 36, Lenin Av., Tomsk, 634050, Russian Federation 2 National Research Tomsk Polytechnic University, 30, Lenin Av., Tomsk, 634050, Russian Federation Е-mail: [email protected] The results of complex theoretical and experimental studies on the explosive loading of ice are presented. The results of field tests of explosive loading of river ice emulsion explosive charge is considered. There has been new scientific knowledge about the behavior of ice under the explosion. Keywords:ice, model, experiment, calculation, explosion, deformation, destruction. Введение. Известно, что для развития отечественной ракетно-космической отрасли необходимо исследовать поведение льда при динамических нагрузках. Многие небесные тела состоят изо льда, поэтому не исключена возможность их столкновения с летательными аппаратами. В НАСА «ледовые» исследования активизировались после катастрофы «Колумбии». В результате была разработана феноменологическая модель его поведения при динамических нагрузках [1]. Анализ публикационной активности указывает на то, что модель является наиболее распространенной. Однако лед является древнейшим природным и плохо изученным материалом, некоторые результаты (теоретические и экспериментальные) не согласуются между собой. В настоящее время для проведения исследований по динамическому нагружения льда необходимы надежные экспериментальные данные.* В НИИ прикладной математики и механики Томского государственного университета постоянно ведутся поисковые научные исследования процесса динамического нагружения льда: разработана физикоматематическая модель деформирования и разруше*

Работа поддержена РФФИ 13-08-00509а.

ния льда при ударных и взрывных нагрузках, численный метод расчета его напряженно-деформированного и термодинамического состояния с учетом разрушения на фрагменты, обобщены теоретические и экспериментальные результаты. По инициативе сотрудников лаборатории. Прочности неоднократно были организованы экспедиции с целью проведения натурных испытаний по взрывному нагружению льда и других природных материалов. На территории Западно-Сибирского федерального округа проведено более 10 экспедиций и подорвано более 10 000 кг взрывчатки в тротиловом эквиваленте. Целью данной работы являлось теоретико-экспериментальное исследование поведения льда при взрывных нагрузках для получения новых знаний о его поведении при данных условиях [2]. Результаты натурных испытаний. В апреле 2015 г. проведены натурные испытания по подрыву пресноводного льда штатным эмульсионным ВВ Эмуласт АС-30 ФП. Масса заряда ВВ – 4 кг. Эксперимент проведен совместно с ОАО «КузбаcсСпецВзрыв» и МЧС РФ по ТО в рамках ежегодных противопаводковых мероприятий. Объект исследования – заснеженный ледяной покров. Первичный осмотр экспериментальной площадки показал, что лед имел сэндвич-

144

Механика сплошных сред (газодинамика, гидродинамика, теория упругости и пластичности, реология)

структуру: снег (55 см) + шуга (20 см) + монолитный лед (50 см). Экспериментальная площадка выбрана почти в середине реки. Согласно метеоданным зима была относительно теплая, аномально низкой температуры (–45 ºС) отмечено не было. Исследовано 6 лунок до и после взрыва. Первые фотографии получены через 5 минут после подрыва ВВ со спасательного катера. В первые две лунки помещали по два заряда ВВ в полиэтиленовой оболочке, а в остальные – по одному. Установлено, что во льду сформировалась майна, по форме близкая к окружности. Диаметр составил ~3,5 м. При последующем детальном осмотре кромка льда оказалась довольно развитой [3]. Результаты численного моделирования. Описание поведения льда при динамических нагрузках проводится с позиции феноменологической макроскопической теории механики сплошных сред на основе фундаментальных законов сохранения. В качестве основного инструмента исследований использован модифицированный лагранжев метод, расчетная часть которого дополнена механизмами расщепления расчетных узлов и разрушения расчетных элементов [4; 5]. Объект исследования – массивный ледяной цилиндр размерами в сечении 500×250 см. Глубина закладки ВВ варьировалась в диапазоне от 22 до 221 см. В качестве ВВ использован безоболочечный заряд тринитротолуола. Масса заряда была 4,8 кг. На контактной границе «лед–ВВ», «лед–вода», а также кромках льда задано условие скольжения. Серия вычислительных экспериментов состояла из 8 вариантов и проведена в двумерной постановке с учетом осевой симметрии. Результаты исследований получены в виде рассчитанных конфигураций «лед–ВВ–вода», а также графиков и таблиц. Проведенные исследования позволяют рекомендовать для более эффективного разрушения льда в данных условиях закладывать ВВ в середине слоя преграды. Библиографические ссылки 1. Carney K. S., Benson D. J., DuBois P., Lee R. A phenomenological high strain rate model with failure for ice // International Journal of Solids and Structures. 2006. № 43. Р. 7820–7839. 2. Глазырин В. П., Орлов Ю. Н., Орлов М. Ю. Разрушение льда при ударном и взрывном нагружении //

Вычислительные технологии : спец. выпуск. 2008. Т. 13, №. 1. С. 425–432. 3. Орлов М. Ю. Исследование процесса взрывного нагружения льда эмульсионным ВВ. Итоги работы мобильной лаборатории «Взрывное разрушение природных материалов» // Наука. Промышленность. Оборона : тр. XVI Всерос. науч.-техн. конф. / под ред. К. А. Матвеева. Новосибирск : Изд-во НГТУ, 2015. С. 608–610. 4. Орлова Ю. Н. Комплексное теоретико-экспериментальное исследование поведения льда при ударных и взрывных нагрузках : автореф. дис. … канд. физ.-мат. наук. Томск, 2014. С. 26. 5. Взрывное нагружение конструкций. Осесимметричная задача : свид. о гос. регистрации программы для ЭВМ № 2010615392 от 20.08.2010 / Ю. Н. Орлова, В. П. Глазырин, М. Ю. Орлов, Ю. Н. Орлов. References 1. Carney K. S., Benson D. J., DuBois P., Lee R. A phenomenological high strain rate model with failure for ice // International Journal of Solids and Structures 43 (2006), рр. 7820–7839. 2. Glazyrin V. P., Orlov Yu. N., Orlov M. Yu. The destruction of the ice under shock and explosive loading // Computational technologies. 2008. Vol. 13, no. 1, pp. 425–432 (In Russ.). 3. Orlov M. Yu. Investigation of the process of explosive loading of ice emulsion explosives. Results of the mobile laboratory “explosive destruction of natural materials” // Science. Industry. Defence: Proceedings of the XVI All-Russian scientific and technical conference / ed. K. A. Matveeva. Novosibirsk : Novosibirsk State Technical University Publishing House, 2015, pp. 608– 610 (In Russ.). 4. Orlova Yu. N. Complex theoretical and experimental study of the behavior of ice under impact and explosive loads. Abstract of dissertation for the degree of candidate of Physical and Mathematical Sciences, Tomsk, 2014. p. 26. 5. Orlova Yu. N., Glazyrin V. P., Orlov M. Yu., Orlov Yu. N. Certificate of state registration of the computer № 2010615392 of 20.08.2010 “Explosive loading designs. Axisymmetric problem”.

145

© Глазырин В. П., Орлов М. Ю., Орлов Ю. Н., Орлова Ю. Н., 2015

Решетневские чтения. 2015

УДК 539.374 О РАСТЯЖЕНИИ ПЛАСТИНКИ, ОСЛАБЛЕННОЙ ДВУМЯ КРУГОВЫМИ ОТВЕРСТИЯМИ О. В. Гомонова Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматривается задача об одноосном растяжении пластинки конечной ширины, ослабленной двумя круговыми отверстиями одинакового диаметра. Приводится методика построения упруго-пластической границы, образующейся вокруг отверстий, с использованием законов сохранения. Ключевые слова: упруго-пластическая граница, законы сохранения, растяжение пластинки, точное решение. PROBLEM OF TENSION OF A PLATE HOLED BY TWO CIRCULAR APERTURES O. V. Gomonova Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] А problem of uniaxial tension of finite width plate holed by two circular apertures of the same diameter is considered in the research. A technique to construct elasto-plastic boundary appearing around of the apertures, using conservation laws is proposed. Keywords: elasto-plastic boundary, conservation laws, tension of a plate, exact solution. В ракетно-космической технике, а также в самолёто- и судостроении широко используются конструкции, целостность которых нарушена различного рода отверстиями, вырезами и щелями, вокруг которых при эксплуатации конструкций возникают зоны концентраций напряжений, а также упругие и пластические области. Знание границ раздела данных областей позволяет более точно рассчитать допустимые нагрузки на элементы механизмов в процессе их использования. Точные решения задач о растяжении конечной и бесконечной пластинок с одним круговым отверстием известны. Решение задачи об одноосном растяжении бесконечной пластинки с одним круговым отверстием впервые было получено Киршем в 1898 г. С результатами исследований распределения напряжений вокруг отверстий в пластинках конечной ширины можно ознакомиться в трудах Л. А. Галина [1], С. П. Тимошенко [2], Г. Н. Савина [3]. В данной работе предлагается методика нахождения упруго-пластической границы в задаче об одноосном растяжении пластинки конечной ширины, ослабленной двумя круговыми отверстиями одинакового диаметра. Для ее решения используется техника законов сохранения [4; 5]. Важно отметить, что определение границы между упругой и пластической областями – одна из сложнейших задач механики деформируемого твердого тела. Эта граница заранее не известна и определяется в процессе решения упругопластической задачи. В ряде случаев ее форму можно угадать из общих соображений [6].

Для построения границы необходимо решить упруго-пластическую задачу для области, ограниченной контуром Г, состоящим из внешнего контура Г1 и двух внутренних – Г2 и Г3 (см. рисунок).

Область для решения упруго-пластической задачи

На Г ставятся следующие граничные условия: σ x n1 + τn2 = f1 , σ y n2 + τn1 = f 2 ,

(σx − σ y )

2

(1)

+ 4τ 2 = 4k 2 ,

G где n = ( n1 , n2 ) – нормальный вектор к контуру Г. Далее поставленная задача распадается на две. Первая заключается в решении уравнения Лапласа ΔF = 0 с граничными условиями F |Γ = σ x + σ y |Γ

(

)

(функции σ x , σ y находятся из условий (1)). Вторая состоит в решении уравнений ∂σ x ∂τ ∂τ ∂σ x ∂F , + = 0, + = ∂x ∂y ∂x ∂y ∂y

где F ( x, y ) = σ x + σ y со следующими граничными условиями:

146

(2)

Механика сплошных сред (газодинамика, гидродинамика, теория упругости и пластичности, реология)

σx = −

n2 f τ+ 1 , n1 n1 2

⎛ ⎛ n2 n1 ⎞ f1 f 2 ⎞ 2 2 ⎜⎜ ⎜ − ⎟ τ − + ⎟⎟ + 4τ = 4k . n n n n 2 ⎠ 1 2 ⎠ ⎝⎝ 1

(3)

Развернутое решение поставленной задачи будет приведено в последующих работах автора. Подробнее с методикой применения законов сохранения для решения упруго-пластических задач можно ознакомиться в трудах [7; 8], в них разрешена проблема построения упруго-пластической границы для двусвязных областей. Автор выражает благодарность профессору С. И. Сенашову за постановку задачи и обсуждение результатов. Библиографические ссылки 1. Галин Л. А. Упруго-пластические задачи. М. : Наука, 1984. 232 с. 2. Тимошенко С. П. Сопротивление материалов. М. : Наука, 1965. 480 с. 3. Савин Г. Н. Распределение напряжений около отверстий. Киев : Наук. думка, 1968. 888 с. 4. Киряков П. П., Сенашов С. И., Яхно А. Н. Приложение симметрий и законов сохранения к решению дифференциальных уравнений. Новосибирск : Изд-во СО РАН, 2001. 192 с. 5. Сенашов С. И., Гомонова О. В., Яхно А. Н. Математические вопросы двумерных уравнений идеальной пластичности / Сиб. гос. аэрокосмич. ун-т. Красноярск, 2012. 139 с. 6. Senashov S. I., Filyushina E. V., Gomonova O. V. Construction of Elasto-Plastic Boundaries Using Conservation Laws [Построение упруго-пластических границ с использованием законов сохранения] // Vestnik SibGAU. 2015. Vol. 16, no. 2. P. 343–359. 7. Сенашов С. И., Гомонова О. В. Нахождение упруго-пластической границы для областей конечных размеров // Решетневские чтения : материалы XVIII Междунар. науч. конф. (11–14 ноября 2014, г. Крас-

ноярск). В 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2014. С. 155–156. 8. Сенашов С. И., Гомонова О. В. Об упругопластическом кручении стержня, находящегося под действием давления, меняющегося вдоль образующей // Вестник ЧГПУ им. И. Я. Яковлева. Сер. «Механика предельного состояния». 2015. № 1 (23). С. 75–84. References 1. Galim L. A. Uprugoplasticheskie zadachi [ElastoPlastic Problems]. Moscow, Nauka Publ., 1984. 232 p. 2. Timoshenko S. P. Soprotivlenie materialov [Resistance of Materials]. Moscow, Nauka Publ., 1965. 480 p. 3. Savin G. N. Raspredelenie napryazheniy vokrug otverstiy [Stress Distribution Around the Holes].Kiev, Naukova Dumka Publ., 1968. 888 p. 4. Kiryakov P. P., Senashov S. I., Yakhno A. N. Prilozhenie simmetriy I zakonov sohraneniya k resheniyu differentsial’nykh uravneniy [Applications of Symmetries and Conservation Laws to Solution of Differential Equations]. Novosibirsk, SB RAS Publ., 2001. 192 p. 5. Senashov S. I., Gomonova O. V., Yakhno A. N. Matematicheskie voprosy dvumernukh uravneniy ideal’noy plastichnosti [Mathematical Problems of 2-Dimensional Ideal Plasticity Equations]. Krasnoyarsk : SibSAU Publ., 2012. 139 p. 6. Senashov S. I., Filyushina E. V., Gomonova O. V. Construction of Elasto-Plastic Boundaries Using Conservation Laws // Vestnik SibGAU, 2015. Vol. 16, no. 2, рр. 343–359. 7. Senashov S. I., Gomonova O. V. [Determination of Elasto-Plastic Boundary for the Domains of Limit Sizes]. Materialy XVIII Mezhdunar. nauch. conf. “Reshetnevskie chteniya”. [Materails XVIII Intern. Scientific Conf. “Reshetnev Readings”]. Krasnoyarsk, November 11–14, 2014. Vol. 2, рp. 155–156. (In Russ.) 8. Senashov S. I., Gomonova O. V. [About ElastoPlastic Torsion of a Rod Under the Action of Pressure Changing Along the Generatrix] // Vestnik Yakovlev ChGPU. Series: Mechanics of Limiting State, 2015. no. 1 (23), рp. 75–84 (In Russ.).

© Гомонова О. В., 2015 ___________ УДК 517.95 ДИФФЕРЕНЦИАЛЬНЫЕ УРАВНЕНИЯ ДЛЯ НАХОЖДЕНИЯ УПРУГО-ПЛАСТИЧЕСКИХ ГРАНИЦ ПРИ КРУЧЕНИИ СТЕРЖНЯ С МНОГОСВЯЗНЫМ ПОПЕРЕЧНЫМ СЕЧЕНИЕМ

А. В. Кондрин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Решена задача о кручении стержня с многосвязным поперечным сечением. Для решения задачи используются законы сохранения. Для кусочно-гладких границ решение найдено квадратурой. Написаны программы, позволяющие с любой точность строить пластические и упругие области в скручиваемом стержне с многосвязным поперечным сечением. Ключевые слова: законы сохранения, неизвестная граница, задача кручения стержня, дифференциальные уравнения. 147

Решетневские чтения. 2015

DIFFERENTIAL EQUATIONS TO DETERMINE ELASTIC-PLASTIC BOUNDARY OF RODS WITH MULTIPLY CONNECTED CROSS-SECTION

A. V. Kondrin Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] The problem of rod torsion with multiply connected cross-section is solved. It is assumed that the domain of plasticity covers the entire external boundary. The laws of conservation are used to solve the problem. The solution is found by quadrature for a piecewise smooth boundary. Programs are written to build any precision plastic and elastic region in a torsion rod with multiply connected cross-section. Keywords: conservation law, unknown boundary, the problem of torsion of a rod, differential equation. Нахождение упруго-пластической границы в скручиваемых металлических стержнях – важная научная задача. В работах [1; 2] предложены формулы для аналитического определения величины касательных напряжений τ xz = u , τ yz = v во всех внутренних точках стержня для случая кусочно-гладкой ориентированной границы поперечного сечения. Эти формулы выводятся из закона сохранения для уравнений упругости и пластичности и имеют вид u ( x0 . y0 ) =

2 2 T 1 ( f ( t ) − x0 ) ( f ′ ( t )) + (ϕ′ ( t )) + ( π ∫0 ( f ( t ) − x0 ) 2 + (ϕ ( t ) − y0 ) 2

+ af ′ ( t ) arctg

ϕ ( t ) − y0

f ( t ) − x0

Рис. 2. Упруго-пластические границы стержня прямоугольного сечения с прямоугольным отверстием, параметр, характеризующий кручение, – 0,4

)dt ,

2 2 T 1 ( ϕ ( t ) − y0 ) ( f ′ ( t )) + (ϕ′ ( t )) + v ( x0 . y0 ) = ∫ ( π0 ( f ( t ) − x ) 2 + (ϕ ( t ) − y ) 2 0

0

(

)

a + f ′ ( t ) ln(( f ( t ) − x0 ) 2 + ϕ ( t ) − y0 ) 2 dt , 2 где a = −2Gθ – постоянная; G – модуль упругости при сдвиге. Точки, в которых выполняется условие u 2 + v 2 ≥ 1, принадлежат пластической области, а те, в которых это выражение меньше единицы, упругой. В работе [3] описывается, что на основании предложенных формул разработаны программы ЭВМ, позволяющие находить упруго-пластические границы для стержней, сечение которых является односвязным.

Рис. 1. Упруго-пластические границы стержня прямоугольного сечения с прямоугольным отверстием, параметр, характеризующий кручение, – 0,3

Рис. 3. Упруго-пластические границы стержня прямоугольного сечения с треугольным отверстием, параметр, характеризующий кручение, – 0,3

С помощью данных формул были также разработаны программы ЭВМ [4; 5], позволяющие находить упруго-пластические границы для стержней с многосвязным поперечным сечением. На рис. 1 и 2 решена задача для стержня прямоугольного сечения с прямоугольным отверстием. Звездами выделена пластическая область, круглыми точками – упругая область. На рис. 3 решена задача для стержня прямоугольного сечения с треугольным отверстием. Звездами выделена пластическая область, круглыми точками – упругая область. Библиографические ссылки 1. Сенашов С. И., Черепанова О. Н., Кондрин А. В. Об упруго-пластическом кручении стержня // Вестник СИбГАУ. 2013. Вып. 3 (49). С. 100–103.

148

Механика сплошных сред (газодинамика, гидродинамика, теория упругости и пластичности, реология)

2. Сенашов С. И., Кондрин А. В. Разработка информационной системы для нахождения упругопластической границы стержней прокатного профиля // Вестник СИбГАУ. 2014. Вып. 4 (56). С. 119–125. 3. Senashov S. I., Cherepanova O. N., Kondrin A. V. On elastoplastic torsion of a road with multiply connected cross-section // J. Siberian Federal Univ., Math. & Physics. 2015. Vol. 8. P. 343–351. 4. Расчет напряженного состояния во всех точках упруго-пластического стержня прямоугольного сечения произвольной формы с треугольным отверстием : свид. № 2015614040 о гос. регистрации программы для ЭВМ / А. В. Кондрин, С. И. Сенашов, Е. В. Филюшина, О. Н. Черепанова. Зарег. в реестре программ для ЭВМ 03.04.2015. 5. Расчет напряженного состояния во всех точках упруго-пластического стержня прямоугольного сечения произвольной формы с прямоугольным отверстием : свид. № 2015614041 о гос. регистрации программы для ЭВМ / А. В. Кондрин, С. И. Сенашов, Е. В. Филюшина, А. Н. Яхно. Зарег. в реестре программ для ЭВМ 03.04.2015. References 1. Senashov S. I., Cherepanova O. N., Kondrin A. V. Ob uprugoplasticheskom kruchenii sterzhnya // Vestnik SibGAU, 2013, vyp. 3 (49), рр. 100–103.

2. Senashov S. I., Kondrin A. V. Razrabotka informacionnoj sistemy dlya nahozhdeniya uprugoplasticheskoj granicy sterzhnej prokatnogo profilya // Vestnik SibGAU, 2014, vyp. 4 (56), рр. 119–125. 3. Senashov S. I., Cherepanova O. N., Kondrin A. V. On elastoplastic torsion of a road with multiply connected cross-section // J. Siberian Federal Univ., Math. & Physics., 2015, vyp. 8, pр. 343–351. 4. Svidetelstvo № 2015614040 o gosudarstvennoy registratsii programmy dlya EVM / Raschet napryazhennogo sostoyaniya vo vsekh tochkah uprugo plasticheskogo sterzhnya pryamougolnogo secheniya proizvolnoj formy s treugolnym otverstiem / A. V. Kondrin, S. I. Senashov, Ye. V. Filyushina, O. N. Cherepanova. Zaregistrirovano v reyestre programm dlya EVM 03.04.2015. 5. Svidetelstvo № 2015614041 o gosudarstvennoy registratsii programmy dlya EVM / Raschet napryazhennogo sostoyaniya vo vsekh tochkah uprugo plasticheskogo sterzhnya pryamougolnogo secheniya proizvolnoj formy s pryamougolnym otverstiem / A. V. Kondrin, S. I. Senashov, Ye. V. Filyushina, A. N. Yakhno Zaregist-rirovano v reyestre programm dlya EVM 03.04.2015. © Кондрин А. В., 2015

__________ УДК 539.3 РАСЧЕТ КОМПОЗИТНЫХ ЦИЛИНДРИЧЕСКИХ ОБОЛОЧЕК С ПРИМЕНЕНИЕМ МНОГОСЕТОЧНЫХ ЭЛЕМЕНТОВ

А. Д. Матвеев1, А. Н. Гришанов2 1

Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 2 Новосибирский государственный технический университет Российская Федерация, 630073, г. Новосибирск, просп. К. Маркса, 20 Е-mail: [email protected] Предложен расчет упругих композитных цилиндрических оболочек (которые широко используются в ракетно-космической технике) с применением криволинейных многосеточных элементов. Предлагаемые элементы учитывают неоднородную структуру оболочек и порождают дискретные модели малой размерности. Ключевые слова: композиты, упругость, оболочки, многосеточные конечные элементы. CALCULATING COMPOSITE CYLINDRICAL SHELLS USING MULTIGRID ELEMENTS

A. D. Matveev1, A. N. Grishanov2 1

Institute of Computational Modeling SB RAS 50/44, Akademgorodok, Krasnoyarsk, 660036, Russian Federation 2 Novosibirsk State Technical University 20, K. Marx Av., Novosibirsk, 630073, Russian Federation Е-mail: [email protected] Calculating the elastic composite cylindrical shells with curvilinear multigrid elements is proposed. The proposed elements take into account the heterogeneous shell structure and generate a discrete model of small dimension. Keywords: composites, elasticity, shells, multigrid finite elements. 149

Решетневские чтения. 2015

Предложен вариант расчета цилиндрических композитных оболочек в декартовых системах координат с применением уравнений трехмерной задачи теории упругости. Базовые дискретные модели оболочек представляем однородными криволинейными конечными элементами (КЭ) Ve 1-го порядка с характерными размерами hxe × hye × hze (рис. 1, где α e – угол раствора КЭ Ve , O1 x1 y1 z1 – локальная декартовая система координат, cd – ось оболочки). При построении функций перемещений для КЭ Ve 1-го (2-го, 3-го) порядка используем известные интерполяционные полиномы 1-го (2-го, 3-го) порядка [1; 2], записанные в декартовой системе координат O1 x1 y1 z1 . Подробно процедуры построения КЭ Ve (рис. 1) рассмотрены в [3; 4]. Сложные МнКЭ проектируем на основе криволинейных двухсеточных КЭ (ДвКЭ). 1. Криволинейные ДвКЭ. Кратко изложим процедуру построения ДвКЭ Vna 3-го порядка с харак-

H a , Ni = Ni ( x, y, z ) – функция формы i-го узла сетки H a , i = 1, ..., 32 .

На базовом разбиении Ra ДвКЭ Vna , используя метод конденсации [2], строим суперэлемент Gn , полную потенциальную энергию П n которого запишем в матричной форме: 1 (2) П n = δTn [ K n ] δ n − δTn Pn , 2 где [ K n ] – матрица жесткости; Pn , δ n – вектор узловых сил, перемещений суперэлемента Gn . Используя (1), строим равенство δ n = [ Ana ] δ an , где δ an – вектор узловых перемещений крупной сетки

H a , [ Ana ] – прямоугольная матрица. Учитывая связь

между

однородную структуру, состоит из КЭ Ve 1-го порядка и порождает мелкую сетку ha . На мелкой сетке ha определяем крупную сетку H a . На сетке H a строим аппроксимирующие функ-

ции перемещений ua , va , wa для ДвКЭ Vna , используя известные интерполяционные полиномы 3-го порядка [1, 2], записанные в декартовой системе координат Oxyz . Узлы сетки H a (рис. 2) отмечены точками (32 узла). Функции ua , va , wa представим в виде 32

32

32

i =1

i =1

i =1

ua = ∑ Ni ui , va = ∑ Ni vi , wa = ∑ N i wi ,

(1)

где ui , vi , wi – перемещения i-го узла крупной сетки

Рис. 1. КЭ Ve

δn ,

δ an

в

(2),

из

условия

∂П n / ∂δ an = 0 получаем матричное уравнение вида [K na ] δ an = Fna , где

терными размерами hxa × hya × hza (рис. 2) в локальной декартовой системе координат Oxyz . ДвКЭ и МнКЭ формы прямоугольного параллелепипеда рассмотрены в [5; 6]. Считаем, что между компонентами неоднородной структуры ДвКЭ Vna связи идеальные. При построении ДвКЭ используем две вложенные сетки: мелкую и крупную. Мелкая сетка порождена базовым разбиением Ra ДвКЭ Vna , которое учитывает его не-

векторами

[ K na ] = [ Ana ]T [ K n ][ Ana ] , Fna = [ Ana ]T Pn ,

где [ K na ] – матрица жесткости; Fna – вектор узловых сил ДвКЭ Vna . 2. Криволинейные сложные МнКЭ. Кратко покажем процедуру построения криволинейного сложного МнКЭ Vαm 3-го порядка с характерными размерами hxm × hym × hzm , расположенного в локальной декартовой системе координат O2 x2 y2 z2 (рис. 3). Область МнКЭ Vαm разбиваем на ДвКЭ Vna 3-го порядка (рис. 2), n = 1,..., N , N – общее число ДвКЭ Vna . Для рис. 3 имеем: N = 27 , hxm = 3hxa , hym = 3hya , hzm = 3hza . На крупных сетках ДвКЭ Vna определяем более крупную сетку H m для сложного МнКЭ Vαm . Узлы крупной сетки H m МнКЭ Vαm на рис. 3 отмечены точками (32 узла). МнКЭ Vαm включает множество криволинейных различных мелких и крупных вложенных сеток ДвКЭ Vna и сетку H m .

Рис. 2. ДвКЭ Vna

150

Рис. 3. Сложный МнКЭ Vαm

Механика сплошных сред (газодинамика, гидродинамика, теория упругости и пластичности, реология)

Так как при мелком разбиении угол раствора α m

где [ K αm ] , Fαm – матрица жесткости и вектор узловых

МнКЭ Vαm мал, то формы МнКЭ Vαm и прямоугольного параллелепипеда мало отличаются. Поэтому при построении на сетке H m аппроксимирующих функ-

сил сложного МнКЭ Vαm . Криволинейные ДвКЭ (сложные МнКЭ) 1-го, 2-го порядка строим по процедуре, которая аналогична процедуре п. 1 (п. 2). Сложные МнКЭ подробно рассмотрены в [7; 8].

ций перемещений um , vm , wm для МнКЭ Vαm (3-го порядка) используем известные интерполяционные полиномы 3-го порядка [1; 2], записанные в локальной декартовой системе координат O2 x2 y2 z2 . Функции перемещений um , vm , wm применяем в виде 32

32

um = ∑ Nim uim , vm = ∑ Nim vim , i =1

i =1

32

wm = ∑ N im wim ,

(3)

i =1

где Nim – базисная функция i-го узла сетки H m ; uim , vim , wim – перемещения в i-м узле сетки H m , опреде-

ляемые в декартовой системе координат O2 x2 y2 z2 . Обозначим q m – вектор узловых перемещений (размерности 96) сетки H m , определяемый в декартовой системе координат O2 x2 y2 z2 . Ось Oy системы координат Oxyz (рис. 2) параллельна оси O2 y2 системы координат O2 x2 y2 z2 (рис. 3). Пусть векторы δ an , δbn (размерности 96) узловых перемещений ДвКЭ Vna отвечают соответственно декартовым системам координат Oxyz и O2 x2 y2 z2 . Векторы δ an , δbn связаны равенством δ an = [Tnb ] δbn , (4)

где [Tnb ] – матрица вращений [2] размерности 96 × 96 . Используя (4), строим соотношения [1]: [ K nb ] = [Tnb ]T [ K na ][Tnb ] , Pnb = [Tnb ]T Pna ,

где [ K na ] , [ K nb ] – матрицы жесткости; Pna , Pnb – векторы узловых сил ДвКЭ Vna , отвечающие соответственно декартовым системам координат Oxyz и O2 x2 y2 z2 . Полную потенциальную энергию Wm

сложного МнКЭ Vαm представим в матричной форме N ⎧1 ⎫ Wm = ∑ ⎨ (δbn )T [ K nb ] δbn − (δbn )T Pnb ⎬ . 2 ⎩ ⎭ n =1

(5)

Используя (3), строим равенство δbn = [ Anm ] q m ,

(6)

где [ Anm ] – квадратная матрица размерности 96 × 96 , n = 1, ..., N . Подставляя (6) в (5), из условия ∂Wm / ∂q m = 0 получим уравнение [K αm ] q m = Fαm , N

N

n =1

n =1

где [ K αm ] = ∑ [ Anm ]T [ K nb ][ Anm ] ; Fαm = ∑ [ Anm ]T Pnb ,

Библиографические ссылки 1. Зенкевич О. Метод конечных элементов в технике : монография. М. : Мир, 1975. 541 с. 2. Норри Д., де Фриз Ж. Введение в метод конечных элементов : монография. М. : Мир, 1981. 304 с. 3. Матвеев А. Д., Гришанов А. Н. Двухсеточное моделирование цилиндрических оболочек и панелей переменной толщины // Вестник КрасГАУ. 2014. № 4. С. 90–97. 4. Матвеев А. Д., Гришанов А. Н. Одно- и двухсеточное криволинейные элементы трехмерных цилиндрических панелей и оболочек // Известия АлтГУ. Сер. «Математика и механика». 2014. № 1/1. С. 84–89. 5. Матвеев А. Д. Некоторые подходы проектирования упругих многосеточных конечных элементов. Деп. в ВИНИТИ, № 2990–В00. Красноярск, 2000. 30 с. 6. Матвеев А. Д. Многосеточное моделирование композитов нерегулярной структуры с малым коэффициентом наполнения // ПМТФ. 2004. № 3. 7. Матвеев А. Д. Построение сложных многосеточных элементов с неоднородной и микронеоднородной структурой // Известия АлтГУ. 2014. № 1/1. Сер. «Математика и механика». С. 80–83. 8. Матвеев А. Д., Гришанов А. Н. Смешанные многосеточные дискретные модели трехмерных цилиндрических композитных панелей и оболочек сложной формы // Сб. ст. XIX зимней шк. по механике сплошных сред. Пермь. 2015. С. 198–211. References 1. Zenkevych O. The finite element method in engineering [Metod konechnykh elementov v technike]. Moscow, Mir, 1975. 541 p. 2. Norrie D., de Vries J. An Introduction to Finite Element Analysis [Vedenie v metod konechnykh elementov]. Moscow, Mir, 1981. 304 p. 3. Matveev A. D., Grishanov A. N. Double-grid modeling of cylindrical shells and panels of variable thickness // Vestnik KrasGAU. 2014, № 4, pp. 90–97. 4. Matveev A. D., Grishanov A. N. Single- and double-grid curvilinear elements of three-dimensional cylindrical panels and shells // Journal of Altai State University. 2014, № 1/1, pp. 84–89. Edition: Mathematics and Mechanics. 5. Matveev A. D. Some approaches of designing elastic multigrid finite elements [Nekotorye podkhody proektirovania uprugikh mnogosetochnykh konechnykh elementov]. VINITI Proceedings № 2990-B00. Krasnoyarsk, 2000. 30 p. 6. Matveev A. D. Multigrid modeling of composites of irregular structure with a small filling ratio [Mnogosetochnoe modelirovanie kompozitov neregularnoi struktury s malym koefitsientom nopolnenia] //

151

Решетневские чтения. 2015

Journal of Applied Mechanics & Technical Physics. 2004, no. 3, p. 161–171. 7. Matveev A. D. Construction of the complex multigrid elements of inhomogeneous and microinhomogeneou structure // Journal of Altai State University, 2014, № 1/1, pp. 80–83. Edition: Mathematics and Mechanics.

8. Matveev A. D., Grishanov A. N. Mixed multiugrid discrete models of three-dimensional cylindrical composite shells and panels of complex shape // Collection of Articles of Winter School XIX on continuum mechanics. Perm, 2015, pp. 198–211. © Матвеев А. Д., Гришанов А. Н., 2015

_____________ УДК 532.5.031 РАЗРАБОТКА ГИДРОЛОТКА ХЕЛЕ–ШОУ ДЛЯ ВИЗУАЛИЗАЦИИ ОБТЕКАНИЯ ДВУМЕРНЫХ ТЕЛ Е. А. Николаева, Я. С. Киунов Самарский государственный аэрокосмический университет имени академика С. П. Королева (Национальный исследовательский университет) Российская Федерация, 443086, г. Самара, Московское шоссе, 34 E-mail: [email protected] Ячейка Хеле–Шоу служит для визуализации и исследования обтекания жидкостью аэродинамических профилей. Параметры ячейки таковы, что в ней имитируется идеальное течение. Поскольку течение идеально, то ячейка служит для решения уравнения Лапласа, что в свою очередь позволяет решить множество задач в ракетно-космической сфере (можно говорить о применимости полученных данных для исследования обтекания ракеты в атмосфере). Ключевые слова: ячейка Хеле–Шоу, идеальное течение, аэродинамический профиль, жидкость. DEVELOPING HYDROTRAY OF HELE–SHOU TO VISUALIZE THE FLOW OF TWO-DIMENSIONAL BODIES E. A. Nikolaeva, Ya. S. Kiunov Samara State Aerospace University 34, Moskovskoye shosse, Samara, 443086, Russian Federation E-mail: [email protected] Hele–Shaw’s cell serves to visualise and research flows of liquid of around airfoil. Parameters of a cell are that ideal current is imitated. As the current is ideal, the cell serves for the solution of Laplace equation that in turn allows to solve a set of problems in the space-rocket field (it is possible to speak about applicability of the obtained data for research of a flow of the rocket in the atmosphere). Keywords: Cell, Hele–Shaw, ideal current, aerodynamic profile, liquid. Ячейка Хеле-Шоу стала знаменитой как своего рода аналоговое вычислительное устройство для решения уравнения Лапласа [1], и в этом качестве она оказалась особенно полезной для визуализации двумерных течений в пористых средах в предположении, что они достаточно медленные, чтобы следовать закону Дарси. Однако на протяжении последних пятидесяти лет гидролоток Хеле–Шоу начал функционировать для визуализации обтекания двумерного потока жидкости около геометрических объектов [2], что служит для решения множества задач в ракетно-космической сфере. Разрабатываемый гидролоток Хеле–Шоу представляет собой плоский канал с высотой живого сечения 1 мм. Стенками канала для течения жидкости являются прозрачные стекла, через которые можно наблюдать картину течения [3]. Гидролоток имеет размеры 600×300 мм. Разработанный гидролоток (см. рисунок)

выполнен из композиционных материалов, что позволяет сохранить долговечность и технологичность конструкции. Гидролоток Хеле–Шоу состоит из основного корпуса, прокладки, позволяющей создать толщину стекла, и уплотнительной рамки. По сечению гидролотка вклеены 10 игл для подачи чернил и краски.

152

3D-модель гидролотка Хеле-Шоу

Механика сплошных сред (газодинамика, гидродинамика, теория упругости и пластичности, реология)

Подача чернил производится с помощью соединения трубками иголок и бачка. Для обеспечения требуемой скорости потока используется насос, который обеспечивает скорость 1 см/с через сечение 220 мм2 [4]. Суть эксперимента заключается в том, что в ячейку Хеле–Шоу поочередно помещаются различные крыловые профили либо другие геометрические объекты, после чего вес фотофиксируется для визуализации процесса обтекания. Визуализация процесса производится при помощи разноцветной краски или чернил [5] для видимости реальной картины обтекания около геометрических объектов. Библиографические ссылки 1. Логвинов О. А. Об устойчивости боковой поверхности вязких пальцев, образующихся при вытеснении жидкости из ячейки Хеле–Шоу // Вестн. Моск. ун-та. Сер. 1. Математика. Механика. 2011. № 2. 40–46. 2. Ивашнев О. Е., Логвинов О. А. Вытеснение вязких жидкостей из ячейки Хеле–Шоу // Ломоносовские чтения : тез. докл. науч. конф. М., 2009. С. 81. 3. Журавлев П. А. К вопросу о движении жидкости в каналах // Зап. ЛГИ. Диссертации по физике, математике и химии. 1956. 33, № 3. С. 54–61.

4. Гуревич М. И. Теория струй идеальной жидкости. М. : Наука, 1979, 536 с. 5. Седов Л. И. Механика сплошной среды. М. : Наука, 1970. Т. 2. References 1. Logvinov O. A. About stability of a side surface of the viscous fingers which are formed at replacement of liquid of a cell Hele-Shaw // Vestn. Mosk. un-ta. It is gray. 1, Matem. Mekhan. 2011, no. 2, рр. 40–46. 2. Ivashnev O. E., Logvinov O. A. Replacement of viscous liquids from a cell Helie-Shou // Tez. dokl. nauch. konf. “Lomonosov readings”. Section. Mekhan. Moscow. 2009, рр. 81. 3. Zhuravlev P. A. To a question of the movement of liquid in channels // Zap. LIE. 1956. 33, no. 3, рр. 54–61. Theses on physics, mathematics and chemistry. 4. Gurevich M. I. Theory of streams of ideal liquid, Science. M., 1979. 536 p. 5. Sedov L. I. Mekhanik’s sets of the continuous environment. Vol. 2. M. : Science, 1970.

© Николаева Е. А., Киунов Я. С., 2015

_________ УДК 539.3 ПРИМЕНЕНИЕ МОДЕЛИ АНИЗОТРОПНОЙ НЕОДНОРОДНОЙ ОБОЛОЧКИ ДЛЯ РЕШЕНИЯ НЕЛИНЕЙНЫХ ЗАДАЧ Р. А. Сабиров Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Рассматривается задача расчета нелинейно-упругих тонких оболочек с позиции подхода, заключающегося в использовании на шаге линеаризации нелинейных уравнений модели линейной неоднородной анизотропной оболочки переменной толщины. Цель – разработка метода расчета физически нелинейных тонких оболочек. Ключевые слова: нелинейность физическая, анизотропия, линеаризация, вариационно-разностный метод. APPLYING THE MODEL OF ANISOTROPIC HETEROGENEOUS SHELLS FOR THE SOLUTION OF NONLINEAR PROBLEMS R. A. Sabirov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The task is to calculate nonlinear elastic thin shells based on approach to use nonlinear equations models of linear nonhomogeneous anisotropic shells of variable thickness at the linearising stage. Objective is to develop a method of calculation of physically nonlinear thin shells. Keywords: physical nonlinearity, anisotropy, linearization of the variational-difference method. Элементы тонких оболочек и пластин, используемые в военно-морских и космических структурах, подвергаются значительным силовым воздействиям.

К примеру, возникают упруго-пластические деформации, ползучесть материала, его повреждаемость при повторных загружениях, коррозия. Материал при

153

Решетневские чтения. 2015

этом проявляет нелинейность, причем, даже изначально изотропный материал становится анизотропным и неоднородным. Физические или определяющие уравнения таких задач на шаге линеаризации разрешающих нелинейных уравнений удобно представлять в виде модели неоднородной анизотропной оболочки переменной толщины и кривизны. Такое обобщение позволяет рассматривать различные нелинейные модели оболочек с единых позиций. Рассмотрим класс нелинейно-упругих задач, в котором связь между напряжениями σ и деформациями ε запишем в виде σ = ψ (ε ) (1) или предположим существование упругого потенциала напряжений, т. е. существование функции тензора напряжений П(ε) такой, что σ = ∂П(ε) / ∂ε . (2) Разрешающие нелинейные уравнения краевой задачи F (u , q ) = 0 (3) линеаризуем методом приращений по нагрузке в сочетании на каждом шаге с итерационым методом Ньютона--Канторовича или его модификациями [1]. Через F в (3) обозначен нелинейный оператор, являющийся функцией неизвестного поля перемещений u и параметра нагрузки q . Расчет заключается в решении на каждом шаге приращения по нагрузке уравнения вида f (u m −1 , q) + f ′(u m −1 , q) Δu = 0 ,

(4)

линейного относительно вектора приращений перемещений Δu с вычислением u m = u m −1 + Δu на каждой итерации (m = 1, 2,...) . Здесь f – дискретный оператор уравнения (3); u m – вектор неизвестных перемещений координат дискретной задачи; f ′ – матрица производных по координатам. Вычислить оператор f (u, q) для (4) можно используя первую вариацию функционала Э Л = Э Л (u1 , u2 ,..., un ) [2; 3]: fi (u, q) = (∂Э Л / ∂uk )δuk ,

(5)

где δuk = 1 при k = i ; δuk = 0 при k ≠ i . Коэффициенты матрицы fij′ (u , q ) в (4) можно вычислять, применив вторую вариацию функционала fij′ (u , q ) =

1 ∂Э Л δ1uk δ2 ul , 2 ∂uk ∂ul

(6)

где δ1uk = 1 при k = i и δ1uk = 0 при k ≠ i ; δ2 ul = 1 при l = j и δ2 ul = 0 при l ≠ j . Или 1 fij′ (u , q ) = δ2 Э Л (e, δ1e, δ2 e) = 2 1 ∂ δП(e) 1 ∂ 2 П(e) = ∫ δers dV = ∫ δ1e pq δ2 ers dV = 2 V ∂ers 2 V ∂e pq ∂ers =

1 ∂ σ pq δ 2 ers dV . 2 V∫ ∂ers

(7)

Здесь e11 = ε1 + z κ1 , e22 = ε 2 + z κ 2 , e12 = γ + zχ xy – деформации оболочки как трехмерного тела – вычисляются через деформации ее базисной плоскости [4–6]. ∂ σ pq ∂ 2 П(e) В (7) физические соотношения или ∂ers ∂e pq ∂ers соответствуют формам (1) и (2) и имеют вид полностью заполненной матрицы коэффициентов соотношений упругости и представляют модель анизотропной оболочки. Если коэффициенты являются функциями координат, тогда модель становится неоднородной анизотропной. В модели деформационной теории пластичности [7; 8] формы физических уравнений (1) и (2) равноправны; линеаризация может выполняться методом Ньютона, методом переменных параметров упругости или методом дополнительных нагрузок. На первом шаге при начальных нулевых перемещениях решается упругая задача. Ползучесть с неизменяющейся скоростью накопления остаточных деформаций называют установившейся ползучестью [9]. Сопоставление уравнений установившейся ползучести с уравнениями деформационной теориеи пластичности показывает их сходство. Формально уравнения установившейся ползучести можно получить из уравнений деформационной теории пластичности, заменив в последних компоненты деформации пластичности компонентами скорости деформации ползучести. Поэтому уравнения деформационной теории пластичности можно применить для решения задач установившейся ползучести. Композитную оболочку с образованием в процессе деформирования трещин в условиях плоского напряженного состояния можно представить как анизотропную конструкцию [10]. Задачу о развитии трещин также можно обобщить моделью линейно неоднородных анизотропных оболочек. Однако здесь нельзя применить метод Ньютона, так как функция σ = ψ (ε) разрывная. В качестве шагового процесса можно использовать метод приращений по нагрузке в сочетании с методом переменных параметров упругости. Библиографические ссылки 1. Бате К., Вилсон Е. Численные методы анализа и метод конечных элементов. М. : Стройиздат, 1982. 448 с. 2. Ланцош К. Вариационные принципы механики : пер. с англ. М. : Мир, 1965. 408 с. 3. Васидзу К. Вариационные методы в теории упругости и пластичности : пер. с англ. М. : Мир, 1987. 542 с. 4. Власов В. З. Общая теория оболочек и её приложения в технике. М.-Л. : Гостехиздат, 1949. 783 с. 5. Ван Цзи-де. Прикладная теория упругости. М. : Физматгиз, 1959. 400 с. 6. Вольмир А. С. Устойчивость упругих систем. М. : Физматгиз, 1963. 880 с.

154

Механика сплошных сред (газодинамика, гидродинамика, теория упругости и пластичности, реология)

7. Ильюшин А. А. Пластичность. М. : Гостехиздат, 1948. 8. Качанов Л. М. Основы теории пластичности. М. : Наука, 1969. 9. Биргер И. А., Шорр В. Ф. Термопрочность деталей машин. М. : Машиностроение, 1975. 10. Сендецки Дж. Механика композиционных материалов. М. : Мир, 1978. References 1. Bate K., Vilson E. Chislennye metody analiza i metod konechnyh jelementov [Numerical methods of analysis and finite element method]. Moscow : Strojizdat, 1982. 448 p. 2. Lancosh K. Variacionnye principy mehaniki [Variation principles of mechanics]. Moscow, Mir Publ., 1965. 408 p. 3. Vasidzu K. Variacionnye metody v teorii uprugosti i plastichnosti [Variation methods in the elasticity and plasticity theory]. Moscow, Mir Publ., 1987. 542 p.

4. Vlasov V. Z. Obshhaja teorija obolochek i ejo prilozhenija v tehnike [General theory of shells and its applications in engineering]. Gostehizdat, Leningrad– Moscow, 1949. 783 p. 5. Van Czi-de. Prikladnaja teorija uprugosti [Applied theory of elasticity]. Moscow : Fizmatgiz, 1959. 400 p. 6. Vol’mir A. S. Ustojchivost’ uprugih sistem [Stability of elastic systems]. Moscow : Fizmatgiz, 1963. 880 p. 7. Il’jushin A. A. Plastichnost’ [Plasticity]. Moscow : Gostehizdat, 1948. 8. Kachanov L. M. Osnovy teorii plastichnosti [fundamentals of theory of plasticity]. Moscow : Nauka, 1969. 9. Birger I. A., Shorr V. F. Termoprochnost’ detalej mashin [thermal resistance of the machine parts]. Moscow : Mashinostroenie, 1975. 10. Sendecki Dzh. Mehanika kompozicionnyh materialov [Mechanics of composite materials]. Moscow : Mir, 1978. © Сабиров Р. А., 2015

__________ УДК 539.3 КРИТЕРИЙ УСТОЙЧИВОСТИ И ЕГО ПРИЛОЖЕНИЕ ДЛЯ КРАЕВОЙ ЗАДАЧИ ДЕФОРМИРОВАНИЯ ПЛАСТИН ВАРИАЦИОННО-РАЗНОСТНЫМ МЕТОДОМ СИЛАМИ ИНЕРЦИИ Р. А. Сабиров Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Рассмотрены вопросы, определяющие равновесные состояния деформируемых систем; на их основе разработан вариационно-разностный метод решения краевой задачи с использованием вариаций функционала Лагранжа. Задача приводится к обобщенной проблеме собственных чисел, в которой параметр ускорения как параметр нагрузки является единственной неизвестной характеристикой. Цель – разработать метод расчета пластин на инерционные нагрузки. Ключевые слова: расчет пластин, устойчивость, вариационно-разностный метод. THE STABILITY CRITERION AND ITS APPLICATION TO BOUNDARY VALUE PROBLEM OF PLATEDEFORMATION OF THE VARIATIONAL-DIFFERENCE METHOD WITH THE INERTIA FORCES R. A. Sabirov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The paper considers the issues to determine the equilibrium state of deformable systems; based on them, it develops a variation-difference method to solve boundary value problem using a variation of the Lagrange functional. The task is reduced to the generalized problem of eigenvalues, in which the acceleration parameter as a parameter of the load, is the only unknown characteristic. Purpose is to develop a method to calculate plates for inertial loadings. Keywords: calculation of plates, stability, variation and differential method. Элементы тонких пластин, используемые в военно-морских и аэронавигационных структурах, часто подвергаются нормальным и сдвигающим силам. Ре-

шения проблем устойчивости имеют практическое значение при конструировании ракет, высокоскоростных самолетов, подвергнутых значительным ускоре-

155

Решетневские чтения. 2015

ниям. Законом, устанавливающим равновесие механической системы и определяющим критерии равновесных положений, следует назвать теорему Лагранжа–Дирихле и Ляпунова [1]. Для деформируемых конструкций, в частности для пластин, приложение энергетических принципов к проблеме устойчивости приводится в большом количестве научных разработок, например [2–13]. Пусть Э Л = Э Л ( w1 , w2 ,..., wn ) – (1)

в котором матрица размерностью n × n содержит коэффициенты при вариациях перемещений уравнения (6). Данная система будет иметь решение, отличное от нуля, лишь в том случае, если определитель матрицы (7), составленный из ее коэффициентов, равен нулю [9]. В (7) группировка коэффициентов при независимых вариациях перемещений дает нулевой определитель:

функционал Лагранжа конечного числа переменных w1 , w2 ,..., wn краевой задачи. Приращение полной потенциальной энергии деформирования для вариаций w1 + δw1 , w2 + δw2 ,..., wn + δwn с удержанием членов не выше второго порядка имеет вид ΔЭ Л = Э Л ( w1 + δw1 , w2 + δw2 ,..., wn + δwn ) −

Рассмотрим задачу устойчивости пластин от воздействия ускорения, в которой коэффициенты (8) являются функциями параметров жесткости конструкции и функциями внутренних усилий. Первым шагом решения проблемы устойчивости конструкции пластины является решение плоской задачи теории упругости с целью вычисления внутренних усилий. На втором шаге для формирования (7) применяется вторая вариация функционала [15]:

−Э Л ( w1 , w2 ,..., wn ) = δЭ Л + δ 2 Э Л / 2. (2) Здесь первая и вторая вариации (1) соответственно равны δЭ Л = (∂Э Л / ∂wk )δwk , (3)

(

)

δ2 Э Л = ∂ 2 Э Л / ∂wk ∂wl δwk δwl

∂2ЭЛ = 0 , k = 1, 2,..., n , l = 1, 2,..., n . ∂wk ∂wl

δ2 Э Л =

∫

x =0

(4)

⎡δ2 κ x δ1κ x + μ(δ2 κ x δ1κ y + δ2 κ y δ1κ x ) + ⎤ ⎥× D ∫ ⎢⎢+δ κ δ κ + 2 (1 − μ ) δ χ δ χ ⎥ y =0 2 xy 1 xy ⎣ 2 y 1 y ⎦ y =b

× dx dy +

с суммированием по повторяющимся индексам: k = 1, 2,..., n , l = 1, 2,..., n . Для любого равновесного состояния [7] δЭ Л = 0 . В задачах устойчивости о характере равновесия судят по знаку второй вариации функционала. Устойчивое равновесие существует, если δ2 Э Л > 0 для всех допустимых виртуальных перемещений, а неустойчивое равновесие наличествует, если хотя бы для одного допустимого виртуального перемещения δ 2 Э Л < 0 . Первая верхняя критическая нагрузка соответствует переходу от устойчивых равновесных положений к неустойчивым, следовательно, для этого значения нагрузки должно быть [9; 13; 14] δ2 Э Л = 0 . (5)

x=a

(8)

x=a

+

y =b ⎛

N x δ2 ϑx δ1ϑx + N y δ2 ϑ y δ1ϑ y + ⎞ ⎜ ⎟ dx dy . (9) ⎜ ⎟ y = 0 ⎝ + S xy (δ 2 ϑ y δ1ϑ x + δ 2 ϑ x δ1ϑ y ) ⎠

∫ ∫

x =0

где δi , i = 1, 2 – операторы варьирования; δi κ x = −∂ 2 δi w / ∂x2 , δi κ y = −∂ 2 δi w / ∂y 2 , δi ϑx = ∂δi w / ∂x ,

δi χ xy = −∂ 2 δi w / ∂x∂y ;

δi ϑ y = ∂δi w / ∂y

– вариации

кривизны и вариации углов поворота. Внутренние усилия в (9) считаются известными, они неоднородные, т. е. являются функциями координат и содержат параметр ускорения a : N x = N x ( x, y, a ) , N y = N y ( x, y, a ) , S xy = S xy ( x, y, a) .

δ 2 Э Л = δ 2 (δ1Э Л ( w1 , w2 ,..., wn ;

Выполним дискретизацию уравнений рассмотренных выше уравнений методом конечных разностей [16] для прямоугольной равномерной сетки ωij = ( xi = iλ x , y j = jλ y ), i = 0,1, ..., m, j = 0,1,..., n на

δ1w1 , δ1w2 ,..., δ1wn ;

отрезках [0, lx ] и [0, l y ] . Здесь x = xi и y = y j – узлы

Введем в (4) операторы варьирования δ1 и δ2 [12]. Теперь запишем (5) так:

{

}

(6)

сетки; λ x = lx / m и λ y = l y / n – шаг сетки, а lx и l y –

Условие (5) с учетом (6) эквивалентно следующему уравнению:

размеры пластинки по направлениям осей координат x и y. Теперь задача (8) приводится к обобщенной проблеме собственных чисел [ B ]{w} = s [ A]{w} ,

δ2 w1 , δ2 w2 ,..., δ2 wn )) = 0 .

{δ2 w1 ⎡ ∂ 2ЭЛ ⎢ ⎢ ∂w1∂w1 ⎢ 2 ⎢ ∂ ЭЛ × ⎢ ∂w1∂w2 ⎢ ⎢ ... ⎢ ∂ 2Э Л ⎢ ⎢⎣ ∂wn ∂w1

δ2 w2

∂2ЭЛ ∂w1∂w2 ∂2ЭЛ ∂w2 ∂w2 ... 2

∂ ЭЛ ∂wn ∂w2

... δ2 wn } ×

∂ 2ЭЛ ⎤ ⎥ ∂w1∂wn ⎥ ⎥ ⎧ δ1w1 ⎫ ⎪ ⎪ ... ... ⎥ ⎪δ1w2 ⎪ ⎥⎨ ⎬ = 0, (7) ⎥ ⎪ ... ⎪ ... ... ⎥ ⎪ ⎩δ1wn ⎪⎭ 2 ∂ ЭЛ ⎥ ⎥ ... ∂wn ∂wn ⎥⎦ ...

где [ B ] – матрица внутренних усилий; [ A] – матрица жесткости; {w} = ( w1 , w2 ,..., wn ) – собственный вектор для n переменных; s – собственные числа. Параметр ускорения как параметр нагрузки, является единственной неизвестной характеристикой определителя (8); причем его значения, обращающие определитель в нуль, будут соответствовать критическим значениям нагрузки. Таким образом, корни

156

Механика сплошных сред (газодинамика, гидродинамика, теория упругости и пластичности, реология)

системы уравнений (8) определяют n собственных чисел, т. е. все критические нагрузки, в том числе и наименьшую из них. В качестве примера приведем один из результатов расчета пластины (см. рисунок), закрепленной с левого торца, когда три других ее края свободны и не закреплены. Пластина имеет размеры в плане 0, 6 × 0,8 м и толщину

0,1 ⋅10−3 м; модуль Юнга материала равен

2 ⋅1011 Па; коэффициент Пуассона 0, 25 ; плотность материала 7800 кг/м3. Ускорение a y (это параметр) на-

правлено по оси ординат. Вычислены критические ускорения. На рисунке а отображен деформированный вид плоскости пластины, а на рисунке б показана первая форма потери устойчивости, соответствующая критическому ускорению порядка 3 м/с2.

а

б Пластина: а – деформированный вид пластинки; б – первая форма потери устойчивости

Определен спектр критических ускорений, которые нельзя допустить при эксплуатации рассмотренной тонкой пластины. Библиографические ссылки 1. Яблонский А. А., Норейко С. С. Курс теории колебаний. М. : Высш. шк., 1966. 255 с. 2. Szilard R. Theories and Applications of Plate Analysis: Classical, Numerical and Engineering Methods. Copyright © 2004 John Wiley & Sons, Inc. 1039 p. 3. Xiang Y., Kitipornchai S. & Wang C. Y. Buckling and spanning capacity of cantilevered vertical plates under body forces // The IES Journal. Part A: Civil & Structural Engineering. 2008. 1:2. Р. 116–122. 4. Тимошенко С. П. Устойчивость упругих систем. М.-Л. : ОГИЗ-Гостехиздат, 1946. 532 с.

5. Филоненко-Бородич М. М. Теория упругости. М.-Л. : Физматлит, 1947. 300 с. 6. Тимошенко С. П., Гудьер Дж. Теория упругости. М. : Наука, 1975. 576 с. 7. Васидзу К. Вариационные методы в теории упругости и пластичности : пер. с англ. М. : Мир, 1987. 542 с. 8. Ван Цзи-де. Прикладная теория упругости. М. : Физматгиз, 1959. 400 с. 9. Вольмир А. С. Устойчивость упругих систем. М. : Физматгиз, 1963. 880 с. 10. Лейбензон Л. С. Курс теории упругости. М.-Л. : ОГИЗ, 1947. 465 с. 11. Lopatin A. V., Morozov E. V. Approximate buckling analysis of the CCFF orthotropic plates subjected to in-plane bending // International Journal of Mechanical Sciences. 2014. 85. Р. 38–44. 12. Ланцош К. Вариационные принципы механики : пер. с англ. М. : Мир, 1965. 408 с. 13. Новожилов В. В. Основы нелинейной теории упругости. М.-Л. : ОГИЗ-Гостехиздат, 1948. 112 с. 14. Михлин С. Г. Вариационные методы в математической физике. М. : Наука, 1970. 512 с. 15. Сабиров Р. А. Особенности дифференциальной и вариационно-разностной формулировок задачи продольно-поперечного изгиба стержня от сил инерции // Вестник СибГАУ. 2014. № 3(55). С. 131–138. 16. Самарский А. А. Теория разностных схем. М. : Наука, 1977. 656 с. References 1. Jablonskij A. A., Norejko S. S. Kurs teorii kolebanij [Course of the theory of fluctuations]. Moscow : Vyssh. shk., 1966. 255 p. 2. Szilard R. Theories and Applications of Plate Analysis: Classical, Numerical and Engineering Methods. Copyright © 2004 John Wiley & Sons, Inc. 1039 p. 3. Xiang Y., Kitipornchai S. & Wang C. Y. (2008): Buckling and spanning capacity of cantilevered vertical plates under body forces, The IES Journal Part A: Civil & Structural Engineering, 1:2, 116–122. 4. Timoshenko S. P. Ustojchivost’ uprugih sistem [Stability of elastic systems]. Moscow-Leningrad : OGIZ Gostehizdat, 1946. 532 p. 5. Filonenko-Borodich M. M. Teorija uprugosti [Theory of elasticity]. Moscow–Leningrad : OGIZ Gosudarstvennoe izdatel’stvo tehniko-teoreticheskoj literatury, 1947. 300 p. 6. Timoshenko S. P., Gud’er Dzh. Teorija uprugosti. Moscow : Nauka, 1975. 576 p. 7. Vasidzu K. Variacionnye metody v teorii uprugosti i plastichnosti [Variation methods in the elasticity and plasticity theory]. Moscow : Mir Publ., 1987, 542 p. 8. Van Czi-de. Prikladnaja teorija uprugosti [Applied theory of elasticity]. Moscow : Fizmatgiz, 1959. 400 p. 9. Vol’mir A. S. Ustojchivost’ uprugih sistem [Stability of elastic systems]. Moscow : Fizmatgiz, 1963. 880 p. 10. Lejbenzon L. S. Kurs teorii uprugosti [Course of the theory of elasticity]. Moscow–Leningrad : OGIZ, 1947. 465 p. 11. Lopatin A. V., Morozov E. V. Approximate buckling analysis of the CCFF orthotropic plates subjected to in-plane bending // International Journal of Mechanical Sciences. 2014. 85. Р. 38–44.

157

Решетневские чтения. 2015

12. Lancosh K. Variacionnye principy mehaniki [Variation principles of mechanics]. Moscow : Mir Publ., 1965. 408 p. 13. Novozhilov V. V. Osnovy nelinejnoj teorii uprugosti [Bases of the nonlinear theory of elasticity]. Moscow–Leningrad : OGIZ Gostehizdat, 1948. 112 p. 14. Mihlin S. G. Variacionnye metody v matematicheskoj fizike [Variation methods in mathematical physics]. Moscow : Nauka, 1970. 512 s. 15. Sabirov R. A. Osobennosti differencial’noj i varia-cionno-raznostnoj formulirovok zadachi prodol’no-

poperechnogo izgiba sterzhnja ot sil inercii [Features of differential and variation-differential formulations of the problem of the longitudinally cross bend of the core from inertia forces] // Vestnik SibGAU, 2014. no. 3(55), рр. 131–138. 16. Samarskij A. A. Teorija raznostnyh shem [Theory of differential schemes]. Moscow : Nauka Publ., 1977. 656 p.

© Сабиров Р. А., 2015

__________ УДК 539.37 ЧИСЛЕННОЕ МОДЕЛИРОВАНИЕ ДЕФОРМАЦИИ ПОРИСТЫХ МЕТАЛЛОВ*

В. М. Садовский, О. В. Садовская Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 E-mail: [email protected] На основе обобщенного реологического метода построена математическая модель упруго-пластического деформирования пористых металлов, которые могут применяться в аэрокосмической промышленности в качестве легковесных наполнителей. Разработан алгоритм численной реализации модели на многопроцессорных вычислительных системах. Ключевые слова: пористая среда, реология, упругость, пластичность, динамика, параллельные вычисления. NUMERICAL MODELING POROUS METALS DEFORMATION

V. M. Sadovskii, O. V. Sadovskaya Institute of Computational Modeling SB RAS 50/44, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: [email protected] Based on the generalized rheological method, we construct the mathematical model of elastic-plastic deformation of porous metals, which can be used as lightweight fillers in the aerospace industry. We develop the algorithm for numerical implementation of this model on clusters. Keywords: porous medium, rheology, elasticity, plasticity, dynamics, parallel computations. Математические модели пористых сред имеют большое практическое значение для приложений в аэрокосмической, судостроительной, автомобильной и нефтедобывающей отраслях, а также в геомеханике и геодинамике. Пористые металлы (металлические пены) – новые искусственные материалы, которые находят широкое применение благодаря низкой плотности и хорошим демпфирующим свойствам [1–3]. Их можно использовать в различных технических устройствах в качестве разрушаемых предохранителей, рассеивающих энергию динамического удара, предотвращая разрушение механической системы. Нелинейная математическая модель динамического деформирования пористого металла, учитывающая в рамках теории малых упруго-пластических деформаций пороговый характер изменения податливости

материала при схлопывании пор, может быть записана в следующем виде [4; 5]:* ρ v = ∇ ⋅ σ + f , σ = s + π(q + q ), ( s − s ) : (a : s − ∇v) ≥ 0, s, s ∈ F , 2 b : q = ∇v + (∇v)∗ .

Эта система включает в себя уравнения движения, определяющие соотношения в виде вариационного неравенства и кинематические уравнения. Здесь ρ – плотность пористого материала; v – вектор скорости; σ – тензор напряжений; s – произвольная допустимая вариация тензора условных напряжений s; f – вектор объемных сил; a и b – тензоры модулей упругой по-

158

*

Работа поддержана грантом РФФИ 14-01-00130.

Механика сплошных сред (газодинамика, гидродинамика, теория упругости и пластичности, реология)

датливости; ∇ – оператор Гамильтона. Точка над символом означает производную по времени, двоеточие – двойную свертку тензоров, звездочка служит для обозначения сопряженного тензора; производится суммирование по повторяющимся индексам. Тензор условных напряжений q вычисляется через тензор деформаций ε по линейному закону Гука с начальными деформациями: p : q = ε + ε , а вспомогательный тензор q определяется по тому же закону через заданный тензор пористости. Символ π означает проекцию суммы q + q по евклидовой норме на выпуклый конус K в пространстве напряжений, с помощью которого моделируется переход к уплотненному состоянию среды, F – выпуклое и замкнутое множество допустимых вариаций в пространстве напряжений, ограниченное поверхностью текучести материала. Явный по времени алгоритм численной реализации математической модели строится на основе метода расщепления по физическим процессам. Сначала на каждом временном слое решается задача деформирования упругой пористой среды, а затем полученное решение корректируется для учета пластических свойств [4]. Для решения упругой задачи используется метод двуциклического расщепления по пространственным переменным. Одномерные системы уравнений на этапах расщепления решаются с помощью явной монотонной ENO-схемы типа «предиктор– корректор». Алгоритм реализован в виде комплекса параллельных программ для исследования процессов деформирования пористых сред под действием внешних динамических нагрузок на многопроцессорных вычислительных системах кластерной архитектуры. Программный комплекс позволяет проводить расчеты распространения волн, вызванных внешними механическими воздействиями, в массиве среды, составленном из произвольного числа разнородных блоков с криволинейными границами. Распараллеливание вычислений производится на этапе расщепления задачи

по пространственным переменным. Используется библиотека передачи сообщений MPI, язык программирования – Fortran. Численные расчеты проводились на кластерах МВС–1000М ИВМ СО РАН (г. Красноярск) и МВС– 100К МСЦ РАН (г. Москва). Для тестирования алгоритма и программ в одномерной постановке решалась серия задач о распространении плоских продольных волн в полупространстве. Сопоставление показало хорошее соответствие численных результатов и точных решений. Кроме того, в качестве теста использовалось точное решение осесимметричной задачи о расширении цилиндрической области в безграничной пористой среде, полученное в [6]. Расчеты выполнялись при медленном нагружении давлением на границе полости. Сравнение проводилось по характерным радиусам пластических зон и зон схлопывания пор. Оказалось, что с помощью численных расчетов можно достоверно определять границы всех зон, включая зоны неполной и полной пластичности, а также зоны схлопывания пор. На рисунке представлены результаты численного решения задачи о расширении цилиндрического слоя под действием локализованной нагрузки с периодически повторяющимися короткими П-образными импульсами. На внешнем радиусе ставились условия жесткого закрепления, боковые границы расчетной области считались линиями симметрии. Результаты получены для пенистого алюминия с пористостью 1 %. Внутренний радиус слоя равен 10 см, внешний радиус – 1 м. На рисунке последовательно чередуются зоны схлопывания пор, в которых объемное сжатие выше пористости, и зоны объемного растяжения материала. Разностная сетка состоит из 400×400 узлов. Расчеты выполнены на 40 процессорах кластера (границы расчетных областей, обслуживаемых разными процессорами, отрисованы тонкими линиями). Линии уровня объемной деформации θ(ε): t = 107, 150, 172, 215 мкс (слева направо).

Периодическая локализованная нагрузка на внутренней границе цилиндрического слоя

Библиографические ссылки 1. Banhart J., Baumeister J. Deformation characteristics of metal foams // J. Mater. Sci. 1998. Vol. 33, № 6. P. 1431–1440. 2. Gibson L. J. Mechanical behavior of metallic foams // Annu. Rev. Mater. Sci. 2000. Vol. 30. P. 191–227. 3. Ashby M. F. Plastic deformation of cellular materials // Encyclopedia of Materials: Science and Technology. Pergamon Press, 2001. P. 7068–7071.

4. Sadovskaya O., Sadovskii V. Mathematical Modeling in Mechanics of Granular Materials. Heidelberg – New York – Dordrecht – London, Springer, 2012. 390 p. Ser. Advanced Structured Materials. Vol. 21. 5. Sadovskii V. M., Sadovskaya O. V. Mathematical modeling of a metal foam as an elastic-plastic continuum with changing resistance // AIP Conference Proceedings. 2015. Vol. 1648. P. 630005-1–630005-4.

159

Решетневские чтения. 2015

6. Садовский В. М., Садовская О. В., Лукьянов А. А. Радиальное расширение сферической и цилиндрической полостей в безграничной пористой среде // Прикладная механика и техническая физика. 2014. Т. 55, № 4. С. 160–173. References 1. Banhart J., Baumeister J. Deformation characteristics of metal foams // J. Mater. Sci., 1998, vol. 33, no. 6, рp. 1431–1440. 2. Gibson L. J. Mechanical behavior of metallic foams // Annu. Rev. Mater. Sci., 2000, vol. 30, pр. 191–227. 3. Ashby M. F. Plastic deformation of cellular materials // Encyclopedia of Materials: Science and Technology. UK, Pergamon Press, 2001, pр. 7068–7071. 4. Sadovskaya O., Sadovskii V. Mathematical Modeling in Mechanics of Granular Materials. Ser.:

Advanced Structured Materials, Vol. 21. Heidelberg – New York – Dordrecht – London, Springer, 2012, 390 p. 5. Sadovskii V. M., Sadovskaya O. V. Mathematical modeling of a metal foam as an elastic-plastic continuum with changing resistance // AIP Conference Proceedings, 2015, vol. 1648, p. 630005-1–630005-4. 6. Sadovskii V. M., Sadovskaya O. V., Luk'yanov A. A. Radial expansion of cylindrical or spherical cavity in an infinite porous medium // J. Appl. Mech. Tech. Phys., 2014, vol. 55, no. 4, рp. 689–700.

© Садовский В. М., Садовская О. В., 2015

___________ УДК 539.374 УПРУГО-ПЛАСТИЧЕСКОЕ КРУЧЕНИЕ ОРТОТРОПНОГО СТЕРЖНЯ*

С. И. Сенашов, Е. В. Филюшина Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Изучается упруго-пластическое кручение однородного прямолинейного стержня с ортотропной анизотропией. Предполагается, что боковая поверхность стержня свободна от напряжений и находится в пластическом состоянии. Построена бесконечная система законов сохранения, зависящая линейно от компонент тензора напряжений. Законы сохранения позволили свести задачу об определении напряженного состояния во внутренних точках стержня к вычислению интегралов по границе контура сечения. Это дало возможность определить упруго-пластическую границу внутри поперечного сечения, которое ограничено произвольным кусочно-гладким контуром. Ключевые слова: упруго-пластическое кручение, ортотропный стержень, упруго-пластическая граница, законы сохранения. ELASTIC-PLASTIC TORSION OF ORTHOTROPIC ROD

S. I. Senashov, E. V. Filyushina Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The paper studies elastic-plastic torsion of uniform rectilinear rod with orthotropic anisotropy. It is assumed that the lateral surface of the rod is free from stresses and stored in a plastic state. We construct an infinite system of conservation laws, which depends linearly on the components of the stress tensor. The conservation laws allow to reduce the problem of determining the state of stress in the interior of the rod to the calculation of integrals over the boundary contour section. This makes it possible to determine the elastic-plastic boundary within the cross section, which is limited with arbitrary piecewise smooth contour. Keywords: elastic-plastic torsion rod orthotropic, elastic-plastic boundary conservation laws. Введение. Ортототропной анизотропией обладают многие конструкционные материалы. Такая анизотропия возникает из-за технологической обработки: прокатки, сварки и т. п. Поэтому изучение поведения ортотропных материалов под действием различных нагрузок является актуальной задачей. В предлагаемой

работе изучается упруго-пластическое кручение ортотропных стержней. *Постановка задач и подробный анализ состояния задач об упруго-пластическом *

Работа поддержана Министерством образования и науки РФ № Б-180-14.

160

Механика сплошных сред (газодинамика, гидродинамика, теория упругости и пластичности, реология)

кручении изотропных стержней подробно изложен в [1; 2]. Методы законов сохранения хорошо зарекомендовали себя при решении краевых задач идеальной пластичности [3; 4]. Законы сохранения позволяют свести задачу об определении напряженного состояния во внутренних точках стержня к вычислению интегралов по границе контура сечения. Это дало возможность определить упруго-пластическую границу внутри поперечного сечения, которое ограничено произвольным кусочно-гладким контуром Г. Эта задача уже решена для изотропных стержней и в этой статье будет решена и для ортотропных. Отсылаем читателя к статьям, в которых можно ознакомиться с другими результатами по использованию симметрий и законов сохранения в МДТТ [5–13]. Постановка задачи. Пусть однородный стержень обладает ортотропной анизотропией. Предположим, что усилия распределены по торцам и на каждом из них возникает скручивающий момент M t : M t = ∫ ∫ ( xτ23 − y τ13 ) dxdy.

В стержне, при достаточно большом значении скручивающего момента, возникают две зоны: упругая и пластическая. Рассмотрим упругую область. В этом случае задача сводится к определению двух компонент тензора напряжений τ xz и τ yz , которые связаны с компонентами тензора деформаций с помощью обобщенного закона Гука: 1 1 τ xz = ε xz , τ yz = ε yz , (1) G2 G1 где G1 , G2 – модули сдвига для плоскостей yz и xz . Пусть, как это принято в задачах кручения, компоненты вектора перемещения имеют вид u = −θyz , v = θxz , w = −θφ ( x, y ) , (2) где θ – относительный угол закручивания (крутка). При этих предположениях из (1) получаем условия совместности: 1 ∂τ xz 1 ∂τ yz F1 = − + 2θ = 0 . (3) G2 ∂y G1 ∂x Это уравнение и уравнение равновесия ∂τ yz ∂τ (4) =0 F2 = xz + ∂x ∂y дают возможность определить компоненты тензора напряжений в упругой области. Граничное условие получаем из предположения, что боковая поверхность свободна от напряжений. Это условие имеет вид τ xz cos ( n, x ) + τ yz cos ( n, y ) = τ xz l1 + τ yz l2 = 0 .

(5)

Рассмотрим пластическую область. Предполагается, что торцевые моменты M t таковы, что в стержне возникают пластические зоны. Пусть в пластической зоне выполняется условие пластичности 2a13 τ2xz + 2a23 τ2yz = 1 , (6) где параметры a13 , a23 характеризуют текущее состояние пластической анизотропии.

Решая эту задачу с помощью законов сохранения, получаем выражения для u = τ xz , v = τ yz на Г. Это позволяет определить пластическую и упругую зоны. Те точки, где 2a13 τ2xz + 2a23 τ2yz 〈1 принадлежат упругой зоне, остальные попадают в пластическую зону. Заключение. Результаты, полученные в этой работе, еще раз показывают, что использование законов сохранения эффективно для решения краевых задач. Глобальные по своей сути, они позволяют свести решение краевой задачи к нескольким квадратурам. Библиографические ссылки 1. Аннин Б. Д., Черепанов Г. П. Упруго-пластическая задача. Новосибирск : Наука, 1983. 238 с. 2. Сенашов С. И., Черепанова О. Н., Кондрин А. В. Об упругопластическом кручении стержня // Вестник СибГАУ. 2013. Вып. 3(49). С. 100–103. 3. Киряков П. П., Сенашов С. И., Яхно А. Н. Приложение симметрий и законов сохранения к решению дифференциальных уравнений. Новосибирск : Изд-во СО РАН, 2001. 190 с. 4. Сенашов С. И., Гомонова О. В., Яхно А. Н. Математические вопросы двумерных уравнений идеальной пластичности / СибГАУ. Красноярск, 2012. 137 с. 5. Сенашов С. И. Черепанова О. Н., Кондрин А. В. Elastoplastic Bending of Beam // J. Siberian Federal Univ. Сер. «Math. & Physics». 2014. № 7(2). Р. 203–208. 6. Senashov S .I., Yakhno A. N. Some symmetry group aspects of a perfect plane plasticity system // J. Phys. A: Math. Theor. 2013. № 46. С. 355202. 7. Senashov S. I., Yakhno A. N. Conservation Laws [Электронный ресурс] // Hodograph Transformation and Boundary Value Problems of Plane Plasticity SIGMA 8. 2012. 071. 16 p. Special Issue “Geometrical Methods in Mathematical Physics”. URL: http://dx.doi.org/10.3842/ SIGMA. 2012.071 (дата обращения: 10.10.2015). 8. Senashov S. I., Yakhno A. N. Group analysis of solutions of 2-dimensional differential equations. Lie Groups: New research. Nova science publishers. New York, 2009, p. 123–138. 9. Senashov S. I., Yakhno A. N. Deformation of characteristic curves of the plane ideal plasticity equations by point symmetries. Nonlinear analysis 71. 2009. Р. 1274–1284. 10. Сенашов С. И., Гомонова О. В., Яхно А. Н. Математические вопросы двумерных уравнений идеальной пластичности / СибГАУ. Красноярск, 2012. 137 с. 11. Сенашов С. И., Филюшина Е. В. Законы сохранения плоской теории упругости // Вестник СибГАУ. 2014. Вып. 1(53). С. 79–81. 12. Сенашов С. И., Филюшина Е. В, Гомонова О. В. Построение упруго-пластических границ с помощью законов сохранения // Вестник СибГАУ. 2015. Т. 16, № 2. С. 343–360. 13. Сенашов С. И., Черепанова О. Н., Кондрин А. В. Об упруго-пластическом кручении стержня // Вестник СибГАУ. 2013. Вып. 3(49). С. 100–103.

161

Решетневские чтения. 2015

References 1. Annin B. D., Cherepanov G. P. Uprugoplasticheskaya zadacha [The elastic-plastic problem] // Novosibirsk : Nauka Publ., 1983. 238 p. 2. Senashov S. I., Cherepanova O. N., Kondrin A. V. [About elastoplastic torsion rod]. Vestnik SibGAU, 2013, no. 3(49), p. 100–103. (In Russ.) 3. Kiryakov P. P., Senashov S. I., Yakhno A. N. Prilozhenie simmetrii i zakonov sokhraneniya k resheniyu differentsial'nykh uravnenii [Application of symmetries and conservation laws to solving differential equations]. Novosibirsk : SO RAN Publ., 2001. 190 p. 4. Senashov S. I., Gomonova O. V., Yakhno A. N. Matematicheskie voprosy dvumernykh uravnenii ideal'noi plastichnosti [Mathematical problems of two-dimensional equations of the perfect plasticity] / SibGAU. Krasnoyarsk, 2012. 137 p. 5. Senashov S. I., Cherepanova O. N., Kondrin A. V. [Elastoplastic Bending of Beam] // J. Siberian Federal Univ., Math. & Physics., 2014, no. 7(2), рp. 203–208. 6. Senashov S. I., Yakhno A. N. [Some symmetry group aspects of a perfect plane plasticity system] // J. Phys. A: Math. Theor., no. 46 (2013) 355202. 7. Senashov S. I., Yakhno A. N. Conservation Laws (2012) Hodograph Transformation and Boundary Value Problems of Plane Plasticity SIGMA, no. 8, 071, рp. 16.

URL: http://dx.doi.org/10.3842/SIGMA.2012.071. Special Issue “Geometrical Methods in Mathematical Physics”. 8. Senashov S. I., Yakhno A. N. [Group analysis of solutions of 2-dimensional differential equations. Lie Groups: New research]. Nova science publishers, New York, 2009, рp. 123–138. 9. Senashov S. I., Yakhno A. N. [Deformation of characteristic curves of the plane ideal plasticity equations by point symmetries]. Nonlinear analysis 71(2009), pp. 1274–1284. 10. Senashov S. I., Gomonova O. V., Yakhno A. N. [Matematicheskie voprosy dvumernykh uravneniy ideal’noy plastichnosti]. SibGAU. Krasnoyarsk, 2012, pр. 137 (In Russ.) 11. Senashov S. I., Filyushina E. V. [Conservation laws of plane elasticity theory] // Vestnik SibGAU, 2014, Vol. 1(53), рp. 79–81 (In Russ.). 12. Senashov S. I., Filyushina E. V, Gomonova O. V. [Construction of elastic-plastic boundaries using conservation laws] // Vestnik SibGAU, 2015, Vol. 16, no. 2, рp. 343–360 (In Russ.). 13. Senashov S. I., Cherepanova O. N., Kondrin A. V. [On the elastic-plastic torsion bar] // Vestnik SibGAU, 2013, Vol. 3(49), рp. 100–103 (In Russ.). © Сенашов С. И., Филюшина Е. В., 2015

___________ УДК 539.374 ЗАКОН ГУКА КАК ГРУППА НЕПРЕРЫВНЫХ ПРЕОБРАЗОВАНИЙ*

С. И. Сенашов, Е. В. Филюшина Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассмотрен обобщенный закон Гука, учитывающий начальные деформации упругого анизотропного материала. Предполагается, что характеристики материала зависят линейно от начальных деформаций. Деформации считаются малыми. Показано, что построенный закон Гука порождает группу непрерывных преобразований. Количество параметров в группе определяется количеством ненулевых компонент тензора напряжений. Такой подход позволяет классифицировать упругие материалы по виду алгебры Ли, соответствующей этой группе. Приведены эксперименты, которые могли бы позволить проводить классификацию упругих материалов с начальными деформациями по виду закона Гука. Ключевые слова: закон Гука, группа непрерывных преобразований, классификация упругих материалов. HOOKE’S LAW AS A GROUP OF CONTINUOUS TRANSFORMATIONS

S. I. Senashov, E. V. Filyushina Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] We have considered the generalized Hooke's law. This law accepts the initial deformation of the elastic anisotropic material. It is assumed that the characteristics of the material depends on the initial linear deformations. Deformations *

Работа поддержана Министерством образования и науки РФ № Б-180-14.

162

Механика сплошных сред (газодинамика, гидродинамика, теория упругости и пластичности, реология)

are considered small. It is shown that it generates a group of continuous transformations. The number of parameters in the group is determined by the number of non-zero components of the stress tensor. This approach allows us to classify the type of elastic materials on the Lie algebra corresponding to the group generated by Hooke’s law. The paper presents experiments that might allow the classification of elastic materials with initial strains in form of Hooke's law. Keywords: Hooke’s law, a group of continuous transformations, classification of elastic materials. Одна из основных задач математики – классификация. Пример такой задачи, прекрасно решенной средствами теории групп, – классификация кристаллов. Ряд авторов заметили аналогии между теорией упругости и группами непрерывных преобразований (группами Ли). Первым следует упомянуть А. Лява [1]. Он показал, что линейные однородные деформации упругого тела порождают группу непрерывных преобразований. Подобных взглядов придерживается и один из авторов статьи. Некоторые соображения по этому поводу содержатся в работах [2; 3]. Заметим, что методы изучения симметрий уже достаточно успешно используются для решения задач механики деформируемого твердого тела. Примеры такого использования можно найти в [4–12]. Сама идея классификации упругих материалов по виду закона Гука не нова. Она восходит к классификации кристаллов. Считается, что упругий материал наследует симметрийные свойства составляющих его кристаллов. Поэтому упругие материалы классифицируют по сингониям. Напомним, что Н. Стентон (1669) разбивает все кристаллы на семь сингоний (сходноугольных): триклинную, моноклинную, ромбическую, тригональную, гексагональную, тетрагональную и кубическую. Далее, используя понятие решетки кристалла, О. Браве (1848) делит кристаллы на 14 классов. В 1867 г. А. В. Гадолин вводит 32 кристаллических класса, и в 1890–1894 гг. завершает классификацию Е. С. Федоров введением 230 кристаллических групп. Необходимо отметить, что все эти гениальные открытия были сделаны задолго до экспериментального открытия кристаллической решетки с помощью рентгеновских лучей. Эта классификация актуальна до сих пор и широко используется в разных областях науки. Упругие материалы, которые описываются линейным законом Гука, тоже в соответствии с кристаллической симметрией (сингонией) удается классифицировать по количеству постоянных, входящих в закон Гука. Их число может быть 81, 21, 13, 9, 5 и 2. В этой работе проводится классификация анизотропных линейных упругих материалов с остаточными деформациями, предполагая, что материальные константы зависят от остаточных деформаций. Каждому обобщенному закону Гука ставится в соответствие некоторая точечная группа Ли, а ей, в свою очередь, алгебра Ли. Каждой двумерной подалгебре этой алгебры соответствует некоторый эксперимент на сложное нагружение, что позволяет определить зависимость материальных констант от остаточных деформаций. Это позволяет провести классификацию таких материалов и разбить их на достаточно большое количество классов.

План доклада следующий: 1) напомнить определение группы Ли и алгебры Ли непрерывных преобразований; 2) написать закон Гука для материалов с остаточными деформациями и проверить, что эти законы удовлетворяют всем свойствам группы непрерывных преобразований; 3) по данным группам построить алгебры Ли для разных вариантов теории анизотропной упругости; 4) описать эксперименты мысленные, которые позволяют классифицировать упругие материалы. Библиографические ссылки

1. Ляв А. Математическая теория упругости. М.-Л. : ОНТИ, 1935. 674 с. 2. Киряков П. П., Сенашов С. И., Яхно А. Н. Приложение симметрий и законов сохранения к решению дифференциальных уравнений. Новосибирск : Изд-во СО РАН, 2001. 190 с. 3. Сенашов С. И. Группы Ли и классификация упругих материалов // Доклады РАН. 1994. Т. 335, № 6. С. 712–715. 4. Сенашов С. И., Черепанова О. Н., Кондрин А. В. Elastoplastic Bending of Beam // J. Siberian Federal Univ. Сер. «Math. & Physics». 2014. № 7(2). Р. 203–208. 5. Senashov S. I., Yakhno A. N. Some symmetry group aspects of a perfect plane plasticity system // J. Phys. A: Math. Theor. 2013. № 46. С. 355202. 6. Senashov S. I., Yakhno A. N. Conservation Laws [Электронный ресурс] // Hodograph Transformation and Boundary Value Problems of Plane Plasticity SIGMA. 2012. № 8. 071. 16 p. Special Issue “Geometrical Methods in Mathematical Physics”. URL: http://dx.doi. org/10. 3842/SIGMA.2012.071 (дата обращения: 10.10.2015). 7. Senashov S. I., Yakhno A. N. Group analysis of solutions of 2-dimensional differential equations. Lie Groups: New research. Nova science publishers. New York, 2009. P. 123–138. 8. Senashov S. I., Yakhno A. N. Deformation of characteristic curves of the plane ideal plasticity equations by point symmetries. Nonlinear analysis 71. 2009. Р. 1274–1284. 9. Сенашов С. И., Гомонова О. В., Яхно А. Н. Математические вопросы двумерных уравнений идеальной пластичности. СибГАУ. Красноярск, 2012. 137 с. 10. Сенашов С. И., Филюшина Е. В. Законы сохранения плоской теории упругости // Вестник СибГАУ. 2014. Вып. 1(53). С. 79–81. 11. Сенашов С. И., Филюшина Е. В., Гомонова О. В. Построение упруго-пластических границ с помощью законов сохранения // Вестник СибГАУ. 2015. Т. 16, № 2. С. 343–360. 12. Сенашов С. И., Черепанова О. Н., Кондрин А. В. Об упруго-пластическом кручении стержня // Вестник СибГАУ. 2013. Вып. 3(49). С. 100–103.

163

Решетневские чтения. 2015

References 1. Lyav A. Matematicheskaya teoriya uprugosti [Mathematical theory of elasticity]. ONTI. M.-L., 1935. 674 p. 2. Kiryakov P. P., Senashov S. I., Yakhno A. N. Prilozhenie simmetrii i zakonov sokhraneniya k resheniyu differentsial’nykh uravnenii [Application of symmetries and conservation laws to solving differential equations]. Novosibirsk : SORAN Publ., 2001. 190 p. 3. Senashov S. I. [Lie groups and classification of elastic materials] // Doklady RAN. 1994. Vol. 335, no. 6, рр. 712–715 (In Russ.). 4. Senashov S. I., Cherepanova O. N., Kondrin A. V. [Elastoplastic Bending of Beam] // J. Siberian Federal Univ., Math. & Physics., 2014, no. 7(2), рp. 203–208. 5. Senashov S. I., Yakhno A. N. [Some symmetry group aspects of a perfect plane plasticity system] // J. Phys. A: Math. Theor., no. 46 (2013) 355202. 6. Senashov S. I., Yakhno A. N. Conservation Laws (2012) // Hodograph Transformation and Boundary Value Problems of Plane Plasticity SIGMA, no. 8, 071, рp. 16, URL: http://dx.doi.org/10.3842/SIGMA.2012.071. Special Issue “Geometrical Methods in Mathematical Physics”.

7. Senashov S. I., Yakhno A. N. [Group analysis of solutions of 2-dimensional differential equations. Lie Groups: New research.] Nova science publishers, New York, 2009, рp. 123–138. 8. Senashov S. I., Yakhno A. N. [Deformation of characteristic curves of the plane ideal plasticity equations by point symmetries] Nonlinear analysis 71 (2009), pp. 1274–1284. 9. Senashov S. I., Gomonova O. V., Yakhno A. N. [Matematicheskie voprosy dvumernykh uravneniy ideal’noy plastichnosti]. SibGAU. Krasnoyarsk, 2012, рp. 137 (In Russ.). 10. Senashov S. I., Filyushina E. V. [Conservation laws of plane elasticity theory]. Vestnik SibGAU, 2014. Vol. 1(53), рp. 79–81 (In Russ.). 11. Senashov S. I., Filyushina E. V., Gomonova O. V. [Construction of elastic-plastic boundaries using conservation laws] // Vestnik SibGAU, 2015. Vol. 16, no. 2, рp. 343–360 (In Russ.). 12. Senashov S. I., Cherepanova O. N., Kondrin A. V. [On the elastic-plastic torsion bar] // Vestnik SibGAU, 2013. Vol. 3(49), рp. 100–103 (In Russ.). © Сенашов С. И., Филюшина Е. В., 2015

___________ УДК 539.37 АНАЛИЗ КОЛЕБАТЕЛЬНЫХ ПРОЦЕССОВ В СТРУКТУРНО НЕОДНОРОДНЫХ МАТЕРИАЛАХ С ПОМОЩЬЮ ДИСКРЕТНОГО МОДЕЛИРОВАНИЯ**

Е. П. Ченцов Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 E-mail: [email protected] На основе дискретной математической модели анализируются резонансные частоты поперечновращательных колебаний в блочном материале с податливыми упругими прослойками. Разработанная модель позволяет описывать деформационные процессы в структурно неоднородных материалах, используемых в аэрокосмической отрасли. Ключевые слова: дискретная модель, блочный материал, резонансные частоты. OSCILLATORY PROCESSES ANALYSIS IN STRUCTURALLY INHOMOGENEOUS MATERIALS USING DISCRETE MODELING

E. P. Chentsov Institute of Computational Modeling SB RAS 50/44, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: [email protected] Based on the discrete mathematical models resonant frequencies of transverse-rotational oscillations in blocky material with elastic interlayers are analyzed. The developed model is used to describe deformation processes of structurally inhomogeneous materials in aerospace branch. Keywords: discrete model, blocky material, resonant frequencies. *

Работа выполнена при поддержке РФФИ (проект № 14-01-00130).

164

Механика сплошных сред (газодинамика, гидродинамика, теория упругости и пластичности, реология)

Введение. Исследование деформационных процессов (в частности, колебательных) в структурно неоднородных блочных, слоистых, композитных и пористых материалах представляет большой практический интерес в аэрокосмической отрасли [1–3]. Особое место занимает явление резонанса, способное привести к разрушению материала при определенной частоте и характере колебания. Данное исследование направлено на изучение вращательно-поперечных колебаний в дискретных цепочках, моделирующих микроструктуру материала. Постановка задачи. Рассмотрим линейный случай. Пусть имеется дискретная цепочка из n материальных точек массы m, соединенных между собой пружинами жесткости k. Расстояние между центрами масс блоков равно h, а общая длина цепочки l = (n + 1)h. На элементы цепочки действуют поперечные силы Qj и вращательные моменты Rj, в результате чего элементы поворачиваются на малые углы φj и получают в поперечном направлении малые перемещения ωj (рис. 1). Введем два дополнительных элемента с индексами j = 0 и j = n + 1 и зададим граничные условия в виде

Подстановка в однородные уравнения выражений 1⎞ 1⎞ ⎛ ⎛ ˆ iωt sin ⎜ j − ⎟ α, ϕ j = ϕˆ eiωt cos ⎜ j − ⎟ α, u j = ue 2⎠ 2⎠ ⎝ ⎝ πs α= , ( s = 1, 2, ..., n), n +1

которые автоматически удовлетворяют граничным условиям, приводит к системе линейных уравнений для амплитуд. Условие равенства нулю определителя системы позволяет получить уравнение для определения собственных частот: α = 0, 2 h Ja + mb 2 α α C = macos 2 + 4 sin . 2 2 h2 mJ ω4 − C ω2 + 16

mu j = a

u j −1 − 2u j + u j +1 h

 j = a Jϕ

2

u j +1 − u j −1

+b

2h

−a

−a

ϕ j +1 − ϕ j −1

ϕ j −1 + 2ϕ j + ϕ j +1

ϕ j −1 − 2ϕ j + ϕ j +1 h2

2h 4

+ Rj.

+ Qj , +

4

sin 4

Собственные частоты при естественных ограничениях на параметры цепочки всегда действительные и различные для разных s. Если номер s зафиксировать, то при заданной длине цепочки l существуют конечные пределы

ω1 + ω0 = 0; ωn+1 + ωn = 0; φ1 – φ0 = 0; φn+1 – φn = 0.

lim

Выбор таких граничных условий обусловлен тем, что для них резонансные частоты легко получить в матричной форме. Уравнения Лагранжа принимают следующий вид:

ab

h →0

4 h

2

sin 2

α 1 π2 s 2 = ν, lim 2 sin 2α = ν, ν = 2 . 2 h →0 h l

Устремляя теперь l к бесконечности, т. е. ν → 0, можно установить, что ω0 = (α/J)1/2. Это единственная собственная частота в бесконечной цепочке бесконечной длины, которая связана с вращательным движением элементов. На рис. 2 изображен матричный портрет для дискретной цепочки из 9 элементов, построенный по технологии, представленной С. К. Годуновым [4]. По размеру пятен на этом рисунке можно судить о практической достижимости частоты ω0.

Рис. 1. Схема цепочки при вращательно-поперечных колебаниях

Рис. 2. Спектральный портрет матрицы коэффициентов, l = 0,5 м

165

Решетневские чтения. 2015

Уравнения в пределе для бесконечной цепочки длины l переходят в одномерные дифференциальные уравнения континуума Коссера: ρ0 u = a0 (u xx − ϕ x ) + q( x, t ),  = a0 (u x − ϕ) + b0 ϕ xx + r ( x, t ) J0ϕ

с граничными условиями u(0) = u(l) = 0; φx(0) = φx(l) = 0. Коэффициенты уравнений пересчитываются через механические параметры дискретной модели из соображений сохранения суммарного момента инерции и полной массы; собственные частоты континуума вычисляются по формулам, полученным с помощью предельного перехода в формулах для частот собственных колебаний конечной цепочки. Резонансные свойства континуума Коссера на основе моделей пространственного напряженно-деформированного состояния представлены в [5; 6]. В них установлено, что в моментной среде существует резонансная частота, связанная с вращательным движением частиц, не зависящая от размеров области и от типа граничных условий на ее границе. Выводы. При поперечно-вращательных колебаниях существует группа резонансных частот, зависящих от числа элементов и длины цепочки. Однако наряду с ней существует частота, определяемая исключительно значениями механических параметров модели. Библиографические ссылки 1. Fish J., Shek K. Finite deformation plasticity for composite structures: computational models and adaptive strategies // Comput. Methods in Appl. Mech. Eng. 1999. Vol. 172, iss. 1–4. P. 145–174. 2. Arenas J. P., Crocker M. J. Recent trends in porous sound-absorbing materials // J. Sound Vib. 2010. № 7 (44). P. 12–18.

3. Крушенко Г. Г. Получение и применение пористых металлических материалов в технике // Вестник СибГАУ. 2012. № 5 (45). С. 182–184. 4. Годунов С. К. Современные аспекты линейной алгебры. Новосибирск : Науч. кн., 1997. 416 с. 5. Садовская О. В., Садовский В. М. Математическое моделирование в задачах механики сыпучих сред. М. : Физматлит, 2008. 368 с. 6. Sadovskaya O. V., Sadovskii V. M. Analysis of rotational motion of material microstructure particles by equations of the Cosserat elasticity theory // Acoust. Phys. 2010. № 6 (56). P. 942–950. References 1. Fish J., Shek K. Finite deformation plasticity for composite structures: computational models and adaptive strategies // Comput. Methods in Appl. Mech. Eng. 1999. Vol. 172, iss. 1–4, рp. 145–174. 2. Arenas J. P., Crocker M. J. Recent trends in porous sound-absorbing materials // J. Sound Vib., 2010. Vol. 44, no. 7, рp. 12–18. 3. Krushenko G. G. [Production and application of porous metal materials in engineering] // Vestnik SibGAU, 2012. Vol. 45, no. 5, рp. 182–184 (In Russ.). 4. Godunov S. K. Sovremennye aspekty lineynoy algebry [Modern aspects of linear algebra]. Novosibirsk: Nauchnaya kniga, 1997, 416 p. (In Russ.). 5. Sadovskaya O. V., Sadovskii V. M. Matematicheskoe modelirovanie v zadachah mehaniki sypuchih sred [Mathematical Modeling in Mechanics of Granular Materials]. M. : Fizmatlit, 2008, 368 p. (In Russ.). 6. Sadovskaya O. V., Sadovskii V. M. Analysis of rotational motion of material microstructure particles by equations of the Cosserat elasticity theory // Acoust. Phys., 2010. Vol. 56, no. 6, рp. 942–950.

166

© Ченцов Е. П., 2015

Cекция

«ИНФОРМАЦИОННОУПРАВЛЯЮЩИЕ СИСТЕМЫ»

5

Решетневские чтения. 2015

УДК 004.414.22 КОНЦЕПЦИЯ ВНЕДРЕНИЯ СИСТЕМЫ ЦЕХОВОГО ПЛАНИРОВАНИЯ И УЧЕТА В АО «КРАСМАШ» Н. В. Балышова, И. В. Жуковская, С. К. Щелканов, А. С. Галаев АО «Красноярский машиностроительный завод» Российская Федерация, 660123, г. Красноярск, просп. им. газ. «Красноярский рабочий», 29 Е-mail: [email protected] Описано текущее состояние автоматизации процессов планирования производства и концепция внедрения системы цехового планирования и учета. Ключевые слова: ERP, MES, цеховое планирование и учет. THE CONCEPT OF INTRODUCING SHOP PLANNING AND ACCOUNT SYSTEM AT JSC “KRASMASH” N. V. Balyshova, I. V. Zhukovskaya, S. K. Shchelkanov, A. S. Galayev JSC “Krasnoyarsk Machine Building Plant” 29, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660123, Russian Federation E-mail: [email protected] The paper describes current state of automation of production planning processes and the concept of introducing of shop planning and account system. Keywords: ERP, MES, shop planning and account. В настоящее время на АО «Красмаш» внедрен интегрированный модуль АСУ «Планирование» в составе комплексной АСУ «Производство». Можно выделить основные недостатки существующей автоматизированной системы планирования: − несовершенный алгоритм планирования (планирование машинокомплектами); − недостаточность исходных данных НСИ; − намеренные ограничения системы; − неоптимальные механизмы учета НЗП. Их следствия: − некорректный подетальный план цеха; − невозможность рассчитать потребность в материалах на производственную программу; − отсутствие контроля над расходом материалов; − ручное планирование на уровне цеха; − отсутствие реальной информации о состоянии НЗП. Исходя из проведенного анализа, можно сделать вывод: для достижения поставленных целей автоматизации процессов планирования и учета производства необходимо наладить учет незавершенного производства и автоматизировать процесс планирования на уровне деталеопераций (т. е. на уровне цеха). Данные задачи решает MES-система – один из модулей ERP, который может использоваться как в составе, так и как самостоятельное решение. Это класс систем оперативного управления производством. MES-системы являются инструментом контроля выполнения производственного плана. В MES-систему входит набор программных и аппаратных средств, обеспечивающих функции управления производственной деятельностью: от заказа на изготовление партии продукции

и до завершения производства. Данная система обеспечивает возможность ведения детального материального учета, учета работы оборудования и затрат на персонал, сбора, агрегирования актуальных данных о состоянии производства и передачи их в ERP-систему или систему планирования в случае внедрения без ERP-системы [1]. Учитывая тот факт, что внедрение полноценной ERP-системы является очень затратным процессом, как в плане времени, таки в плане денежных ресурсов [2], на первом этапе было принято решение о внедрении MES-системы в рамках пилотного проекта на базе одного из производственных цехов. Кроме того, опыт других машиностроительных предприятий показывает, что в проектах внедрения автоматизированной системы управления производством сначала необходимо запустить подсистему производственного учета с решением задач диспетчеризации – централизованного оперативного контроля и координации управления производственными процессами, а затем – производственное планирование [3]. В связи с этим было принято решение о внедрении на предприятии модуля учета производства с элементами внутрицехового планирования. Внедрение MES-системы позволит формировать и оперативно вносить корректировки в производственные расписания с учетом внешних (например, изменение спроса) и внутренних факторов (например, задержки поступления сырья); повысить эффективность диспетчеризации производства; осуществлять контроль содержания и прохождения документов, сопровождающих изготовление продукции, ведение плановой и отчетной цеховой документации [4].

168

Информационно-управляющие системы

План

Факт

Концептуальная схема комплексной системы оперативного планирования

Таким образом, концептуальная схема комплексной системы оперативного планирования производства на АО «Красмаш» должна выглядеть в соответствии с рисунком. В соответствии с данной схемой планирование на АО «Красмаш» должно иметь 4 уровня: 1. Перспективное – на основании маркетинга и формирования плана продаж, пакета заказов. Это работа отделов маркетинга, сбыта и управления внешнеэкономических связей, планово-экономического. Единица измерения – изделие. Планирование в основном для оценки экономических результатов деятельности предприятия. 2. Объемно-календарное планирование производства изделий (единица измерения – изделие с данными по трудовым и материальным ресурсам на изделие). Горизонт планирования – год, квартал, месяц. Результат – план производства в изделиях (номенклатурный план), потребность в комплектующих, потребность в материалах, потребность в трудовых ресурсах. 3. Оперативное планирование производства на месяц, неделю, сутки. Планирование с точностью до цеха/рабочего центра (единица измерения – цех/деталь, цех/операция) с указанием даты и количества (получаем календарный план для цехов). Уточненная потребность в материалах и комплектующих в зависимости от модификаций продукции. Уточненные данные о загрузке оборудования и рабочей силы. 4. Внутрицеховое планирование (MES-система), (внутризаводское планирование). Внутрицеховое планирование с горизонтом сутки, неделя учитывает особенности производства, наличие работников на рабочих местах, наличие инструмента, оснастки, заготовок, комплектующих, загрузку оборудования – параметры, непосредственно влияющие на процесс производства. Внедрение MES-системы, исходя из мирового опыта, позволит достичь следующего эффекта: − сокращение НЗП; − равномерная загрузка оборудования;

− снижение времени реакции на остановки/простои; − сокращение времени по предоставлению оперативной информации о ходе производства [5]. В качестве основного программного обеспечения в проекте внедрения системы была выбрана ERPсистема «IT-Предприятие». Выбор специалистами данного программного продукта был обусловлен тем, что он ориентирован на комплексную автоматизацию промышленных предприятий России и ближнего зарубежья, а также применяется на других машиностроительных заводах. Библиографические ссылки 1. Гаврилов Д. А. Управление производством на базе стандарта MRP II. СПб. : Питер, 2006. 448 с. 2. Годин В. В. Корнеев И. К. Управление информационными ресурсами : 17-модульная программа для менеджеров «Управление развитием организации». Модуль 17. М. : Инфра-М, 2000. 352 с. 3. Геворкян А. М. Методы и модели в управлении опытным производством М. : Машиностроение, 1980. 224 с. 4. Милаев В. А., Фаткин А. А, Рулева Т. В. Автоматизация управления в условиях многономенклатурного мелкосерийного производства // PC Week/RE, 2001. № 10, 11. 5. Шепеленко Г. И. Экономика, организация и планирование производства на предприятии. М. : Март, 2004. 698 с. References 1. Gavrilov D. A. Upravlenie proizvodstvom na baze standarta MRP II [Production management on the base of standard MRP II]. SPb. : Piter, 2006. 448 p. 2. Godin V. V. Korneev I. K. Upravlenie informatcionnymi resursami : 17-modul’naya programma dlya menedgerov ”Upravlenie razvitiem organizatsii”. Modul 17 [Management of information resources:

169

Решетневские чтения. 2015

17-modular program for managers “Management of development of the organization”. Module 17]. Moscow : Infra-M, 2000. 352 p. 3. Gevorkyan A. M. Metody i modeli v upravleniiopytnymproizvodstvom [Methods and models in management of pilot production]. Moscow : Mechanical engineering, 1980. 224 p. 4. Milayev V. A., Fatkin A. A., Ruleva T. V. Avtomatizatsiya upravleniya v usloviyakh mnogonomenklaturnogo melkoseriynogo proizvodstva [Automation of

management in the conditions of multinomenclature small-scale production] // PC Week, 2001, no. 10, 11. 5. Shepelenko G. I. Ekonomika, organizatsiya i planirovanieproizvodstvanapredpriyatii [Economics, organization and production scheduling on the enterprise]. M. : Mart, 2004. 698 p. © Балышова Н. В., Жуковская И. В., Щелканов С. К., Галаев А. С., 2015

__________ УДК 004.91 ПРОЕКТИРОВАНИЕ СИСТЕМЫ ЭЛЕКТРОННОГО ДОКУМЕНТООБОРОТА ДЛЯ УЧРЕЖДЕНИЯ ДОПОЛНИТЕЛЬНОГО ОБРАЗОВАНИЯ ДЕТЕЙ Н. А. Безъязыкова, Е. Л. Вайтекунене Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Приводится анализ деятельности МАУДО «ДДТ» г. Сосновоборска, выделяются основные недостатки в области документооборота. Описываются пути решения данных проблем. Ключевые слова: система электронного документооборота, бизнес-процесс, облачное хранилище данных, система дистанционного обучения. EDMS ENGINEERING TO ESTABLISH CHILDREN ADDITIONAL EDUCATION N. A. Bezyazykova, E. L. Vaytekunene Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The article analyses the municipal autonomous institutions of additional education “Children Activity Center” in Sosnovoborsk, major shortcomings are allocated in the area of document management. It describes the ways of solving these problems. Keywords: electronic document management system, business process, cloud storage, the system of distance learning. Дополнительное образование детей является неотъемлемой частью общего образования. Нестандартные и, как правило, интересные направления работы учреждений дополнительного образования для своего логического развития требуют соответствующих условий, которые должны обеспечиваться и с точки зрения информатизации. Муниципальное автономное учреждение дополнительного образования «Дом детского творчества» города Сосновоборска (МАУДО «ДДТ» города Сосновоборска) – многопрофильное учреждение дополнительного образования [1] Основным бизнеспроцессом учреждения является оказание образовательных услуг. Образовательный процесс строится на основе календарно-тематического плана, который составляется педагогом дополнительного образования перед началом учебного года и представляет доку-

мент, обеспечивающий методически правильное планирование учебного занятия в строгой последовательности с дополнительной образовательной программой. В течение всего учебного года педагог обязан вести журнал учета работы объединения в системе дополнительного образования детей по установленной форме. Журнал учета работы объединения в ДДТ является государственным, учетным, финансовым документом [1]. В результате обследования предметной области был выделен ряд проблем: 1. Большой объём бумажной работы. 2. Высокая трудоемкость заполнения журналов учета работы объединения и других документов, связанных с личными данными обучающихся, при этом большое количество данных дублируется вручную.

170

Информационно-управляющие системы

3. Осложнён поиск необходимой документации. 4. Отсутствует система внутреннего электронного документооборота. В ежегодных отчетах специалистами ставятся задачи, которые практически не решаются, особенно в части использования информационных технологий. К таким нерешенным и проблемным задачам относятся: обновление содержания дополнительного образования через разработку и реализацию образовательных проектов и программ, способствующих включению обучающихся в современные формы мышления и деятельности; повышение качества образовательного процесса; увеличение охвата детей дополнительным образованием; обеспечение участия различных категорий детей в реализации образовательных программ и проектов. Решить обнаруженные проблемы можно путем систематизации процессов обмена и обработки информации. Для этого необходимо разработать систему облачного хранения данных, автоматизировать процесс ведения журнала учета работы объединения, а также внедрить систему дистанционного обучения. В настоящее время на рынке представлен широкий спектр облачных хранилищ данных. Были исследованы наиболее популярные сервисы: Copy, Box, Яндекс.Диск, Облако Mail.ru, MEGA, OneDrive, Google Drive, Dropbox [2], среди которых следует отметить сервис «Облако Mail.ru», поскольку сервис «Облако@ Mail.Ru» интегрирован со специальным пакетом для образовательных учреждений, который может позволить более детально организовать работу ДДТ и устранить обозначенные в работе проблемы в части организации документооборота [3]. Сервисы GETCOURSE и ANTIТРЕНИНГИ обладают широким спектром возможностей для организации дистанционного обучения и могли бы гармонично вписаться в работу учреждения дополнительного образования детей. Но существенным ограничением при этом выступает цена на использование данных сервисов. Наиболее подходящей системой организации дистанционного обучения может стать Moodle [4–6]. Для автоматизации процесса ведения журналов учета работы объединения в системе дополнительного образования детей среди существующих разработок не была найдена система, подходящая под данные нужды, поэтому необходимо разработать проект новой системы, которая могла бы служить учреждению. Проект по систематизации процессов обмена и обработки информации в МАУДО «ДДТ» г. Сосновоборска должен включать в себя три основных подпроекта: 1. Проект внедрения комплекса технологий mail.ru. 2. Разработка технического задания на разработку системы ведения журнала учета работы объединения «Электронный журнал». 3. Проект внедрения системы дистанционного обучения. Системы ведения журнала и дистанционного обучения в перспективе должны быть интегрированы в единую систему, поэтому систему «Электронный журнал» можно считаться дополнительным модулем системы дистанционного обучения на базе Moodle.

Проблемы в части ведения документации решаются посредством комплекса технологий mail.ru и включают в себя почтовый сервис, мессенджер, облачное хранилище и многофункциональный календарь. Внедрение в работу учреждения комплекса технологий mail.ru, системы «Электронный журнал» и системы дистанционного обучения повлечет за собой ряд изменений в бизнес-процессе оказания образовательных услуг. При участии новых ресурсов изменениям подвергаются оформление возникновения образовательных отношений; формирование базы данных обучающихся; реализация образовательных услуг. Предложенные решения позволят систематизировать процессы обмена и обработки информации в МАУДО «ДДТ» г. Сосновоборска, сократить время и трудозатраты на обработку основной документации в учреждении, а также повысить качество образовательного процесса; увеличить охват детей дополнительным образованием, а также обеспечить участие различных категорий детей в реализации образовательных программ и проектов, поскольку получать дистанционное образование смогут дети, проживающие на территории других муниципальных образований, а также дети с ОВЗ. Библиографические ссылки 1. Отчет по самообследованию МАУДО «ДДТ» г. Сосновоборска. 2. Обзор 10+ облачных хранилищ данных [Электронный ресурс]. URL: http://www.topobzor.com/obzor10-oblachnyx-xranilishh-dannyx/.html (дата обращения: 1.06.2015). 3. Помощь Облако Mail.ru [Электронный ресурс]. URL: https://help.mail.ru/cloud_web (дата обращения: 2.06.2015). 4. Сайт ANTIТРЕНИНГИ [Электронный ресурс]. URL: http://antitreningi.ru/# (дата обращения: 27.05.2015). 5. Сайт GETCOURSE [Электронный ресурс]. URL: http://getcourse.ru/ (дата обращения: 27.05.2015). 6. Анисимов А. М. Работа в системе дистанционного обучения MOODLE : учеб. пособие. М. ; Харьков : ХНАГХ, 2009. С. 292. References 1. Report on self-examination Maud “DDT” Sosnovoborsk. 2. Review of 10+ cloud storage. Available at: http://www.topobzor.com/obzor-10-oblachnyx-xranilishhdannyx/.html (accessed: 01.06.2015). 3. Help Cloud Mail.ru. Available at: https://help.mail. ru/cloud_web (accessed: 02.06.2015). 4. Site ANTITRENINGI. Available at: http:// antitreningi.ru/#, (accessed: 05.27.2015). 5. Site GETCOURSE. Available at: http:// getcourse.ru/ (accessed: 05.27.2015). 6. Anisimov AM “Working in distance learning system MOODLE”. M. : Kharkiv, KNAME, 2009. S. 292.

171

© Безъязыкова Н. А., Вайтекунене Е. Л., 2015

Решетневские чтения. 2015

УДК 004.9 РЕКОНСТРУКЦИЯ РАЙОННОЙ АВТОМАТИЧЕСКОЙ ТЕЛЕФОННОЙ СТАНЦИИ КОМПАНИИ «РОСТЕЛЕКОМ» Д. Е. Белоусов, Е. В. Ноздрин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] На сегодняшний день телефон остается основным видом связи, предоставляя услугу передачи речевых сообщений. В телефонной сети общего пользования во всем мире в настоящее время свыше 900 миллионов абонентов. В целях повышения качества связи, расширения ассортимента услуг связи, автоматизации сети, в развитых странах еще с 1970-х годов аналоговые и коммутационные станции переводятся на электронные цифровые. Ключевые слова: телефон, связь, технологии, автоматизация, АТС. RECONSTRUCTING THE LOCAL ROSTELECOM AUTOMATIC TELEPHONE EXCHANGE D. E. Belousov, E.V. Nozdrin Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] Nowadays, the phone remains the primary form of communication, which provides voice messaging service. There are more than 900 million subscribers in the telephone network in the world now. Since the 1970s, analog and switching stations have been transferring to the electronic digital ones to improve the quality of communication, expanding the range of communication services, network automation. Keywords: telephone, communication, technology, automation, ATS. На сегодняшний день телефон остается основным видом связи, предоставляя услугу передачи речевых сообщений. В телефонной сети общего пользования во всем мире в настоящее время свыше 900 миллионов абонентов. В целях повышения качества связи, расширения ассортимента услуг связи, автоматизации сети в развитых странах еще с 1970-х годов аналоговые и коммутационные станции переводятся на электронные цифровые [1; 2]. Проблема заключается в том, что в настоящее время телефонные станции координатного типа являются морально и физически устаревшими. Они не могут предоставить в полном объеме все услуги, которые доступны пользователям современных электронных АТС, не могут дать высококачественного быстрого соединения, требуют большого количество обслуживающего персонала, требуют огромных затрат на эксплуатацию. Для лучшего качества обслуживания абонентов и предоставления широкого спектра услуг нужна замена существующего оборудования на цифровое оборудование, в том числе и на оборудование сетей нового поколения. Необходимым требованиям удовлетворяют цифровые телефонные станции, построенные на базе IP, которые благодаря способу построения и использованию современных технологий могут обеспечить максимум эффекта при минимуме эксплуатационных затрат. Новые цифровые АТС используют оптические линии связи для передачи данных, что во много раз пре-

вышает по скорости и качеству сигнала медные линии связи. Так, предоставление доступа в Интернет, используя ADSL-модем, предполагает максимальную длину линии в 5 км. При этом скорость передачи данных будет около 1,5–2 Мбит/сек. Чем меньше длина линии, тем больше скорость передачи данных. Однако максимальная скорость передачи данных по ADSL при хороших условиях 8–10 Мбит/с (длина линии не более 1,5–2 км, кабель хорошего качества, отсутствие внешних помех на линии). Длина оптической линии связи может достигать 100 км и более, практически без потери качества сигнала. Скорость передачи данных по оптическому кабелю может быть в несколько раз выше 1 Гбит/с. Библиографические ссылки 1. Карташевский В. Г., Росляков А. В. Цифровые системы коммутации для ГТС. М. : Эко-Трендз, 2008. 2. Гольдштейн Б. С. Системы коммутации : учебник для вузов. 2-е изд. СПб. : БХВ–Санкт-Петербург, 2004. 314 с.: ил. References 1. Kartashevskii V. G., Roslyakov A. V. Digital switching systems for GTS. M. : Eco-Trends 2008. 2. Goldstein B. S. Switching Systems : Textbook for universities. 2nd ed. SPb. : BHV–St. Petersburg, 2004. 314 p.: ill. © Белоусов Д. Е., Ноздрин Е. В., 2015

172

Информационно-управляющие системы

УДК 004.414.22 ПРОБЛЕМЫ ВНЕДРЕНИЯ СИСТЕМ ОПЕРАТИВНОГО УПРАВЛЕНИЯ ПРОИЗВОДСТВОМ А. С. Галаев, И. В. Жуковская АО «Красноярский машиностроительный завод» Российская Федерация, 660123, г. Красноярск, просп. им. газ. «Красноярский рабочий», 29 Е-mail: [email protected] Рассматриваются основные проблемы внедрения систем оперативного управления производством на предприятиях. Ключевые слова: система оперативного управления производством, корпоративная информационная система, внедрение. ISSUES OF MANUFACTURING EXECUTION SYSTEM IMPLEMENTATION A. S. Galaev, I. V. Zhukovskaja JSC “Krasnoyarsk Machine Building Plant” 29, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660123, Russian Federation Е-mail: [email protected] The article highlights the primary issues of manufacturing execution system implementation to the enterprises. Keywords: manufacturing execution system, corporate information system, implementation. MES-системы (Manufacturing Execution System – система оперативного управления производством) давно появились на российском рынке, однако количество проектов, успешно внедренных на предприятиях на данный момент, весьма невелико. Причины увеличения сроков внедрения или даже неуспешности отдельных проектов схожи для предприятий различных отраслей. Рассмотрим основные проблемы, возникающие на предприятиях при внедрении MES-систем. Их можно разделить на организационные и технические. Организационные проблемы: 1. Недостаточная поддержка высшего руководства предприятия. Руководству следует активно принимать участие в процессе внедрения MES-систем для обеспечения принятия быстрых решений, устранения конфликтных ситуаций, мотивации персонала [1]. 2. Недостаточно хорошо организованное обучение при работе с системой или полное его отсутствие влечет за собой проблемы в эксплуатации MES-систем. Персонал предприятия должен пройти соответствующее обучение, чтобы знать и понимать принципы работы в новой системе. Особое внимание следует уделить обучению сотрудников, занимающихся непосредственным внедрением, доработкой и сопровождением MES-систем. От их квалификации напрямую зависит успешность внедрения. 3. Неготовность персонала предприятия подчиняться новым правилам организации производства. Действенный результат от процесса планирования и оптимизации производства можно получить только в том случае, если организация деятельности персонала полностью подчинена плану работ, полученному системой планирования. Без привлечения руководства предприятия данная проблема практически неразрешима.

4. Отсутствие плана внедрения. Весь объем работ в рамках проекта внедрения необходимо делить на отдельные, самостоятельные этапы, фиксируя ожидаемый результат и время его достижения для каждого из этих этапов. Такой подход позволяет контролировать риски проекта, двигаясь поступательно к намеченной цели [2]. 5. Отсутствие мониторинга внедрения. Мониторинг должен охватывать все этапы опытной эксплуатации системы в компании и сводиться к периодической оценке некоторых показателей прогресса процесса внедрения системы. Для этого руководство компании должно сформировать набор ключевых показателей эффективности (KPI) процесса внедрения для руководителя проекта, руководителей подразделений – участников проекта и руководителя службы информационных технологий [3]. Могут быть использованы такие показатели, как «количество активных пользователей системы, отнесённое к общему количеству пользователей, заведённых в системе», «скорость прироста количества пользователей с запуска системы в опытную эксплуатацию» и т. д. [4]. 6. Отсутствие мотивации команды внедрения. Эффективная и слаженная работа исполнителей проекта является залогом успеха внедрения MES-систем. Для мотивации руководство может использовать повышение заработной платы, карьерный рост, прохождение дополнительных курсов для повышения квалификации сотрудников. Потеря ценного работника может значительно увеличить сроки внедрения системы. Технические проблемы: 1. Нехватка соответствующей инфраструктуры и, как следствие, возникновение дополнительных расходов, не связанных напрямую с внедрением MES-

173

Решетневские чтения. 2015

систем, но являющихся необходимым условием их эффективного использования. Закупка серверного оборудования, оборудования для отслеживания изделий (принтеры и сканеры штрих-кодов), организация локальной вычислительной сети на производстве. 2 Сложность интеграции MES-систем с существующими информационными системами на предприятии. Различные информационные системы используют отдельные базы данных для хранения информации, что существенно снижает уровень их возможного взаимодействия. Как правило, часть данных в таких системах дублируется, а часть вообще нигде не учитывается. Необходимо определить основные информационные системы для каждого вида информации и наладить обмен данными между системами. Желательно внедрить единую систему нормативносправочной информации [5]. Внедрение системы оперативного управления производством, как и любое серьезное преобразование на предприятии, является сложным и зачастую болезненным процессом. Но зная заранее трудности, с которыми предстоит столкнуться при осуществлении проекта, можно значительно сократить сроки его реализации, а позитивный эффект от грамотного и успешного внедрения, несомненно, оправдает затраченные ресурсы и усилия. Библиографические ссылки 1. Гаврилов Д. А. Управление производством на базе стандарта MRP II. СПб. : Питер, 2006. 448 с. 2. Карпов Д. В. Проблемы внедрения ERP-систем // Вестник Нижегород. ун-та им. Н. И. Лобачевского. 2010. № 4 (1). С. 233–239. 3. Марков Н. Г., Капилевич О. Л. Методика мониторинга процесса внедрения MES в нефтегазодобы-

вающей компании // Доклады ТУСУРа. 2013. № 4(30). С 147–152. 4. Проскурня Ю. Лидеры перемен будут востребованы // Страна РОСАТОМ. 2013. № 19(99). С. 10–11. 5. Фортунов Е. С., Гуляев А. Ю., Галаев А. С. Преимущества внедрения единой системы нормативно-справочной информации // Решетневские чтения : материалы XVII Междунар. науч. конф. (12–14 нояб. 2013, г. Красноярск) : в 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2013. С. 162–164. References 1. Gavrilov D. A. Upravlenie proizvodstvom na baze ztandarta MRP II [Production management on the base of standard MRP II]. SPb. : Piter, 2006, 448 p 2. Karpov D. V. [Current problems in the implementation of ERP systems] // Vestnik Nizhegorodskogo universiteta im. N. I. Lobachevskogo. 2010. No 4, p. 233–239 (In Russ.) 3. Markov N. G., Kapilevich O. L. [Monitoring evaluation of the MES implementation in an oil and gas company]. Doklady TUSURa. 2013, no. 4, рp. 147–157 (In Russ.). 4. Proskurnya Yu. [Change leaders will be in demand]. Strana ROSATOM. No. 19, рp. 10–11 (In Russ.). 5. Fortunov E. S., Gulyaev A. Y., Galaev A. S. [Benefits of implementation a unified system of reference data] // Мaterialy XVII Mezhdunar. nauch. konf. “Reshetnevskie chteniya” [Materials XVII Intern. Scientific. Conf “Reshetnev reading”]. Krasnoyarsk, 2013, рp. 162–164 (In Russ.). © Галаев А. С., Жуковская И. В., 2015

______________ УДК 004.414.22 ОСОБЕННОСТИ АВТОМАТИЗАЦИИ ОПЕРАТИВНО-КАЛЕНДАРНОГО ПЛАНИРОВАНИЯ И УЧЕТА НА ПРЕДПРИЯТИЯХ РАКЕТНО-КОСМИЧЕСКОЙ ОТРАСЛИ И. В. Жуковская, С. К. Щелканов, А. С. Свиридова, А. С. Галаев АО «Красноярский машиностроительный завод» Российская Федерация, 660123, г. Красноярск, просп. им. газ. «Красноярский рабочий», 29 Е-mail: [email protected] Описаны алгоритм и проблематика получения внутрицехового плана производства для предприятий ракетно-космической отрасли. Ключевые слова: единичное и мелкосерийное производство, оперативно-календарное планирование и учет. FEATURES OF AUTOMATING QUICK SCHEDULING AND ACCOUNT AT THE ENTERPRISES OF SPACE-ROCKET BRANCH I. V. Zhukovskaja, S. K. Shchelkanov, A. S. Sviridova, A. S. Galayev JSC “Krasnoyarsk Machine Building Plant” 29, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660123, Russian Federation E-mail: [email protected] 174

Информационно-управляющие системы

The algorithm and perspective of obtaining the intra shop plan of production for the enterprises of space-rocket branch are described. Keywords: single and small-scale production, quick scheduling and account. Оперативно-календарное планирование в единичном и мелкосерийном производстве (ЕМП), к которому относится и производство ракетно-космической техники, ведется по отдельным заказам, так как даже однотипные изделия, изготовляемые для различных заказчиков, тем не менее имеют часто различные конструктивно-технологические решения. К числу особенностей оперативного производственного планирования в ЕМП относятся: – необходимость согласования плана изготовления и выпуска изделий с планом подготовки производства по каждому заказу, особенно для изделий с длительным производственным циклом и при постановке на производство новой продукции; – сложность распределения всех процессов во времени и пространстве, обеспечивающего выполнение каждого заказа в установленный срок при наиболее полной загрузке всех рабочих мест; – отсутствие в момент составления оперативных планов необходимых норм (времени, расхода материалов и др.) или задержка с их разработкой [1]; – отсутствие детально разработанного маршрута изготовления ДСЕ. Календарно-плановые расчеты в ЕМП и установленные на их базе графики действуют лишь в течение периода времени изготовления данного заказа, при изготовлении аналогичных заказов расчеты также могут принимать нормативный характер. Следует отметить наличие в единичном производстве тесной связи каледарно-плановых расчетов с планированием технической подготовки производства. Система оперативного планирования при этом охватывает весь процесс выполнения заказов, включая его подготовку к производству, которая занимает значительное место в цикле изготовления продукции [2]. Исходным документом, с построения которого начинается производственное планирование, является маршрутносборочная схема заказа. На ее основе строится цикловой график, определяются длительность производственного цикла заказа (ДПЦ), порядок и сроки подачи отдельных его частей. Для расчета ДПЦ сборки Tцсб в наиболее простых случаях обычно используется следующая формула [1]: ∑ tn , Tцсб = (1) p ⋅ Fp где p – число рабочих, участвующих в сборке;

∑ tn –

суммарное необходимое (включая подготовительнозаключительное) время на производство всех операций сборки с учетом планируемого коэффициента выполнения норм; Fp – фонд времени, которым обладает один рабочий в течение одного рабочего дня. В случаях, когда предполагается, что сборка разбивается на k укрупненных сборочных операций, предлагается другая формула расчета:

Tцсб =

t ⎞ 1 ⎛ t1 t2 +…+ k ⎟ , ⎜ + Fp ⎝ p1 p2 pk ⎠

(2)

где t1 , t2 , …, tk – необходимое время для выполнения укрупненных сборочных операций; p1 , p2 , …, pk – число рабочих, одновременно выполняющих данную укрупненную операцию. Обработка деталей в ЕМП осуществляется в большинстве случаев последовательным способом, поэтому формула расчета длительности цикла их изготовления выглядит следующим образом: m

tk t + m мо + tе , sq i =1 ksq

Tцд = n∑

(3)

где n – число деталей в партии; m – число операций в технологическом процессе; tk – штучно-калькуляционная норма времени на операцию, ч; k – число рабочих мест, параллельно занятых выполнением операции; s – число рабочих смен в сутках; q – длительность рабочей смены, ч; tмо – межоперационное время, ч; tе – продолжительность естественных процессов, дн. Отметим, что подготовительно-заключительное время в условиях ЕМП в качестве отдельного норматива может не указываться, а учитываться косвенно с помощью коэффициентов пересчета штучного времени. Коэффициенты пересчета устанавливаются для каждого вида технологических операций и интервала значений размера запускаемой партии. При этом некоторая определенная величина партии считается «стандартной» (принятой на предприятии), коэффициент пересчета которой равен единице. Время перемещения деталей между смежными операциями в качестве отдельного параметра также не учитывается. Если транспортировка деталей не выделяется отдельной строкой в технологическом процессе, то считается, что затрачиваемое время перекрывается межоперационным временем. Наиболее сложным элементом в расчете ДПЦ в условиях ЕМП является время межоперационного пролеживания, продолжительность которого определяется целым рядом факторов: уровнем специализации участка и рабочих мест, числом операций в технологическом процессе, загрузкой оборудования и др. В литературе предлагаются различные варианты расчета tмо . Их можно свести к трем основным: аналитический, графический, статистический [3; 4]. После построения цикловых графиков по отдельным заказам строится сводный график изготовления всех изделий, предусмотренных производственной программой на очередной плановый период, который обеспечивает согласование календарных графиков работы технических и производственных подразделений предприятия, а также пропускной способности и ведущих групп оборудования. При составлении свод-

175

Решетневские чтения. 2015

ного графика выполняются объемно-календарные расчеты загрузки оборудования. Разработка оперативных производственных заданий должна обеспечивать согласованную работу цехов и комплектацию сборки деталями, требующимися для выполнения производственной программы. Формирование оперативных заданий выполняется на основе календарно-плановых расчетов и календарных графиков. Следующим этапом календарного планирования является внутрицеховое оперативное планирование. Оно заключается в том, чтобы, во-первых, довести месячное производственное задание до каждого участка и рабочего места; во-вторых, уточнить календарный план работы по выполнению отдельных заказов; в-третьих, организовать разработку сменно-суточных заданий и текущее распределение работ по рабочим местам; в-четвертых, обеспечить оперативную подготовку всего необходимого для выполнения сменно-суточных планов и осуществлять контроль за текущим ходом работы. Результатом является подетально-пооперационное задание по участкам с указанием наиболее позднего срока запуска каждой деталеоперации. Разработка заданий по участкам сопровождается объемными расчетами по группам взаимозаменяемого оборудования. В результате расчетов устанавливается сменность работы участков, отдельных единиц оборудования и уточняется потребность в рабочей силе. Отметим, что формирование оперативных заданий в единичном и мелкосерийном производстве осложнено отсутствием подробно разработанного технологического маршрута изготовления ДСЕ. При составлении планов обычно приходится руководствоваться лишь укрупненным его представлением в виде последовательности основных подразделений, ответственных за изготовление. Особое значение в ЕМП имеет сменно-суточное планирование. Сменно-суточные задания разрабатываются как для участков или смен в целом, так и для отдельных рабочих мест. При всей важности сменносуточного планирования следует отметить, что в ЕМП оно не всегда выполняется, а если и выполняется, то носит, как правило, формальный характер. Причинами этого является широкая номенклатура одновременно производимой продукции, низкая достоверность и неразвитость нормативно-справочной базы, а также ручное выполнение плановых процедур. Основным звеном при составлении сменно-суточных планов является мастер, однако, не будучи вооруженным соответствующими методами, он руководствуется при этом лишь здравым смыслом и своими чисто субъективными оценками. Составление сменно-суточных заданий в основном сводится к реагированию на дефицит, выявляемый вышестоящими уровнями планирования [5]. Существенное влияние на качество разрабатываемых программ и оперативно-календарных планов оказывает оперативный производственный учет. Действующий в настоящее время оперативный учет на предприятии не обеспечивает в полной мере своевременного контроля хода производства. Недостаточная степень автоматизации оперативного учета, отсутствие четко определенных процедур его проведения, закрепленных стандартом предприятия, низкое

качество первичных документов при большом их разнообразии являются основными препятствиями осуществления эффективного контроля движения предметов труда в многономенклатурном мелкосерийном производстве, что усугубляется недостатком теоретических разработок по организации оперативного учета и регулирования. Библиографические ссылки 1. Годин В. В., Корнеев И. К. Управление информационными ресурсами: 17-модульная программа для менеджеров «Управление развитием организации». Модуль 17. М. : Инфра-М, 2000. 352 с. 2. Геворкян А. М. Методы и модели в управлении опытным производством. М. : Машиностроение, 1980. 224 с. 3. Файнгольд М. Л., Кузнецов Д. В. Проблемы совершенствования методики расчета длительности производственного цикла / под науч. ред. М. Л. Файнгольда. Владимир : Изд-во ВГПУ, 2001.47с. 4. Файнгольд М. Л., Кузнецов Д. В. Методика расчета длительности производственного цикла и календарных планов выпуска продукции / под науч. ред. М. Л. Файнгольда. Владимир : Изд-во ВГПУ, 2003. 11 с. 5. Милаев В. А., Фаткин А. А., Рулева Т. В. Автоматизация управления в условиях многономенклатурного мелкосерийного производства // PC Week. 2001. № 10, 11. References 1. Godin V. V. Korneev I. K. Upravlenie informatcionnymi resursami: 17- modul’naya programma dlya menedgerov ”Upravlenie razvitiem organizatsii”. Modul 17 [Management of information resources: 17-modular program for managers “Management of development of the organization”. Module 17]. Moscow : Infra-M, 2000. 352 p. 2. Gevorkyan A. M. Metody i modeli v upravlenii opytnym proizvodstvom [Methods and models in management of pilot production]. Moscow : Mechanical engineering, 1980. 224 p. 3. Fayngold M. L., Kuznetsov D. V. Problemy sovershenstvovaniya metodiki rasheta dlitel’nosti proizvodstvennogo tsikla [Problems of improvement of a method of calculation of duration of a production cycle]. Under a scientific edition of M. L. Fayngold. Vladimir : VGPU publishing house, 2001. 47 p. 4. Fayngold M. L., Kuznetsov D. V. Metodikia rascheta dlitel’nosti proizvodstvennogo tsikla I kalendarnykh planov vypuska produktsii [A method of calculation of duration of a production cycle and planned schedules of release of production] / Under a scientific edition of M. L. Fayngold. Vladimir : VGPU publishing house, 2003. 11 p. 5. Milayev V. A., Fatkin A. A, Ruleva T. V. Avtomatizatsiya upravleniya v usloviyakh mnogonomenklaturnogo melkoseriynogo proizvodstva [Automation of management in the conditions of multinomenclature small-scale production] // PC Week, 2001. No. 10, 11.

176

© Жуковская И. В., Щелканов С. К., Свиридова А. С., Галаев А. С., 2015

Информационно-управляющие системы

УДК 004.93’12 РАЗРАБОТКА ПРОГРАММНОЙ БИБЛИОТЕКИ РАСПОЗНАВАНИЯ ПАТТЕРНОВ ДВИГАТЕЛЬНОЙ АКТИВНОСТИ В РЕАЛЬНОМ ВРЕМЕНИ А. А. Канашкин Специальное конструкторско-технологическое бюро «Наука» КНЦ СО РАН Российская Федерация, 660049, г. Красноярск, просп. Мира, 53 E-mail: [email protected] Рассмотрена арихтектура программной библиотеки для распознавания жестов (паттернов) в реальном времени из видеопотока. Приводится пошаговый пример работы библиотеки. Предложены алгоритмы и комплект разработки, необходимые для реализации библиотеки. Подобная библиотека может применяться при создании механических систем для проведения работ в космосе. Ключевые слова: распознавание жестов, реальное время, видеопоток, программная библиотека. REAL-TIME MOTOR ACTIVITY PATTERN RECOGNITION LIBRARY DEVELOPMENT A. A. Kanashkin Special Designed Technological Bureau “Nauka” KSC SB RAS 53, Mira Av., Krasnoyarsk, 660049, Russian Federation E-mail: [email protected] The architecture of program library for real-time video stream gesture (pattern) recognition is studied. A step-bystep example of the library’s work is given. Necessary algorithms and SDK for library’s development are offered. This library can be used to develop mechanical systems for work in the space. Keywords: gestures recognition, real-time, video stream, program library. Распознавание образов (объектов, сигналов, ситуаций, явлений или процессов) – это самая распространенная задача, которую человеку приходится решать практически ежесекундно от первого до последнего дня своего существования. Множество визуальных образов в окружающем мире является наиболее объемным источником для человека. Благодаря развитию технологий, перспектива обучить современные компьютеры распознаванию образов становится реальностью. Это позволит человеку и компьютеру общаться на вполне естественном для человека языке образов и жестов. Обучив машину распознаванию образов, возможно будет эмулировать бытовое общение между людьми. Сфера применения подобных технологий широка: начиная от систем, помогающих в ежедневных делах, заканчивая устройствами управления сложными системами. Примером последнего может быть система, позволяющая космонавту, не выходя в открытый космос, управлять механической рукой, работающей снаружи с инструментом. В настоящее время подобные разработки ведутся такими корпорациями, как Microsoft (Handpose) [4], Intel (RealSense) [5] и многие другие разработчики. Целью данной работы является разработка программной библиотеки, способной считывать движение руки пользователя и сопоставлять считанную информацию с некоторым паттерном, который хранится в базе данных. Подобные системы необходимы при разработке программ с поддержкой человекомашинных интерфейсов.

Необходимость этой работы обоснована тем, что разработчикам приходится сталкиваться с ограничениями, накладываемыми поставщиками технологии и SDK, с необходимостью изучения особенностей их работы и использования. Предложена библиотека, способная взять на себя задачу поддержки различных технологий, а также предоставляющая инструменты для создания базы паттернов жестов для распознавания, необходимых конечному пользователю, в дополнение ко встроенным алгоритмам распознавания жестов. Система в реальном времени получает данные с инфракрасного датчика, размещенного на расстоянии 0,4–0,8 м от пользователя, обычно, закрепленного на экране монитора или встроенного в панель ноутбука. Полученные данные обрабатываются входным фильтром, преобразовываются в совместимый формат и направляются требуемому модулю. Изначально данные с датчика при обработке каждого кадра представляют собой набор («отпечаток» – snapshot) трехмерных координат кончиков пяти пальцев, центров ладони и кисти. На основе этих данных создается кинематическая модель руки: используя инверсную кинематику, строится и корректируется виртуальная моделей физической руки пользователя, в которой рассчитаны координаты остальных десяти точек (костей пальцев) [3]. После обработки кадра данные – координаты всех 17 костей – с виртуальной модели передаются распознавателю. Распознаватель является совокупностью математических алгоритмов, решающих задачу классифика-

177

Решетневские чтения. 2015

ции набора данных. В его памяти хранится совокупность пар «запись, класс»: запись – последовательность координат ключевых точек руки пользователя во времени, класс – уникальный идентификатор данной последовательности (целое число, хеш-сумма, подсчитанная на этапе создания нового жеста). Алгоритм во время своей работы принимает на входе обработанный и приведенный к совместимому формату сигнал с инфракрасного датчика, относит данный сигнал к некоторому классу (либо ни к одному из них) и на выходе выдает следующий результат: класс жеста (0 в случае несоответствия ни одному из них) и степень соответствия. В качестве распознавателя может использоваться алгоритм-классификатор, который: – должен быть подвержен машинному обучению; – способен обрабатывать матрицы со строками одинаковой размерности; – способен обрабатывать матрицы различной длины. Полученные с датчиков данные ни в коем случае не могут быть похожи друг на друга, даже если это два максимально идентичные друг другу движения. Алгоритм должен быть устойчив к колебаниям входных данных в определенных диапазонах, обеспечивая при этом высокую точность распознавания. Добиться этого позволяет обучение алгоритма распознавателя на схожих примерах одного и того же движения, причем, чем больше будет повторений, тем выше будет точность. В то же время, данные из видеопотока могут иметь различную длину: раньше/позже началась/закончилась запись, изменилась дискретность записи, добавились шумы и т. д. В системе будут использоваться скрытые марковские модели (СММ/HMM) [1] и алгоритм Dynamic Time Warping (DTW) [2], так как они полностью соответствуют данным требованиям. Планируется провести исследование результатов работы алгоритмов с

целью определения их поведения в различных ситуациях. В качестве устройств ввода будет использоваться комплект Intel RealSense, оснащенный камерой глубины, способный записать в реальном времени, обработать видеоизображения и создать в памяти компьютера скелетную модель руки пользователя [3]. Разрабатываемая библиотека будет иметь возможность переключения «на лету» между устройствами ввода, алгоритмами распознавания, их конфигурациями и конкретными моделями распознавателей, обученных разными наборами данных. References 1. Wilson Andrew D., Bobick Aaron F. Hidden Markov Models for Modeling and Recognizing Gesture Under Variation. URL: http://research.microsoft.com/enus/um/people/awilson/publications/old/ijprai.pdf (accessed: 31.8.2015). 2. Gillian Nicholas, Knapp R. Benjamin, O’Modhrain Sile. Recognition Of Multivariate Temporal Musical Gestures Using N-Dimensional Dynamic Time Warping. URL: http://www.nickgillian.com/papers/Gillian_NDDTW. pdf (accessed: 31.8.2015). 3. Stan Melax, Leonid Keselman, Sterling Orsten Dynamics Based 3D Skeletal Hand Tracking // Graphics Interface Conference (29–31 May 2013, Regina, Saskatchewan, Canada). URL: http://lkeselman.com/wpcontent/uploads/2013/01/p63-melax.pdf (accessed: 8.31.2015). 4. Microsoft Research Fully Articulated Hand Tracking. URL: http://research.microsoft.com/en-us/ projects/handpose/ (accessed: 4.9.2015). 5. Intel RealSense Overview. URL: http://www.intel. eu/content/www/eu/en/architecture-and-technology/realense-overview.html (accessed: 4.9.2015). © Канашкин А. А., 2015

___________ УДК 621.37 РАЗРАБОТКА И ПРОЕКТИРОВАНИЕ УСТРОЙСТВА ДЛЯ СЛЕЖЕНИЯ ЗА МЕСТОНАХОЖДЕНИЕМ И ПЕРЕДВИЖЕНИЕМ РОБОТОТЕХНИЧЕСКОГО КОМПЛЕКСА ДЛЯ БЕСТРАНШЕЙНОЙ ПРОКЛАДКИ ПОДЗЕМНЫХ КОММУНИКАЦИЙ С. А. Клешнина, В. Ю. Клешнин Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 E-mail: [email protected] Описываются этапы разработки и проектирования устройства для слежения местонахождения и передвижения робототехнического комплекса. Рассмотрены основные принципы построения данного устройства. Составлена структурная схема устройства и представлена её реализация в программе Altium Designer. Ключевые слова: робототехнический комплекс, бестраншейная прокладка подземных коммуникаций, абсолютный датчик ориентации. 178

Информационно-управляющие системы

DESIGN AND DEVELOPMENT OF THE DEVICE FOR MONITORING THE LOCATION AND MOVEMENT OF THE ROBOTIC SYSTEM FOR TRENCHLESS LAYING OF UNDERGROUND COMMUNICATIONS S. А. Kleshnina, V. Yu. Kleshnin Siberian Federal University 79, Svobodny Av., Krasnoyarsk, 660041, Russian Federation E-mail: [email protected] The article describes the design and development of a device for tracking the location and movement of the robotic system. The basic principles of this equipment are discussed. Block diagram and its implementation in the Altium Designer are shown. Keywords: robotic system, trenchless laying of underground communications, absolute orientation sensor. Разработанное устройство входит в робототехнический комплекс, предназначенный для бестраншейной прокладки подземных коммуникаций, отвечает за определение его местонахождения, что важно для корректной работы при прокладке коммуникаций под землёй. В устройстве можно выделить основные блоки: абсолютный датчик ориентации, блок управления, блок питания, датчик температуры. В качестве абсолютного датчика ориентации используется 9-осевой датчик BMX055 компании Bosch Sensortec, имеющий 20-выводной LGA-корпус размерами 3×4,5×0,95 мм [1]. BMX055 объединяет в себе три высокоточных трёхосевых датчика: акселерометр, геомагнитный датчик, гироскоп [2], что позволяет получать точные данные об угловой скорости, ускорении и данные геомагнитных измерений [3]. Управление разработанным устройством осуществляется микроконтроллером от компании Atmel, в задачи которого входит передача информации через интерфейсы связи, контроль температуры, питаюших напряжений и положения комплекса. Связь

обеспечивается посредством интерфейсов RS485, USB [4]. Для связи микроконтроллера с датчиком температуры и датчиком ориентации используется последовательный интерфейс SPI [5]. В качестве вторичного источника питания в данном устройстве используется микросхема, производимая компанией National Semiconductor, которая имеет защиту от короткого замыкания, тепловую защиту и обеспечивает точность выходного напряжения в пределах ±1 %. Структурная схема устройства слежения за местонахождением и передвижением робототехнического комплекса для бестраншейной прокладки подземных коммуникаций представлена на рис. 1. Устройство разрабатывалось в программном обеспечении Altium Designer, полученная 3D-модель платы представлена на рис. 2. На данный момент устройство изготовлено, идет процесс написания программного обеспечения и отладки макетного образца.

Рис. 1. Структурная схема разработанного устройства

179

Решетневские чтения. 2015

Рис. 2. 3D-модель печатной платы

Библиографические ссылки 1. BMX. Small, versatile 9 – axis sensor module [Electronic resource]. URL: http://www.mouser.com/ ds/2/621/ BST-BMX055-DS000-01v2-371988.pdf (date of visit: 31.8.2015). 2. Сысоева С. Мобильные МЭМС – датчики инерции. Стандарты де-факто и новые шаги производителей [Электронный ресурс] // Компоненты и технологии. 2013. № 1. URL: http://kit-e.ru/assets/files/pdf/ 2013_1_9.pdf/ (date of visit: 31.8.2015). 3. Датчики, МЭМС и другие электронные инновации [Электронный ресурс]. URL: http://www.innovationsinsightmag.com/ (date of visit: 31.8.2015). 4. RS-485 [Электронный ресурс]. URL: https:// ru.wikipedia.org/wiki/RS-485 (date of visit: 31.8.2015)/ 5. Serial Peripheral Interface [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/Serial_Peripheral_ Interface (date of visit: 31.8.2015).

References 1. BMX. Small, versatile 9 – axis sensor module [Electronic resource]. URL: http://www.mouser.com/ds/2/ 621/BST-BMX055-DS000-01v2-371988.pdf (accessed: 8.31.2015). 2. Sysoev S. Mobile MEMS – sensors inertia. De facto standard for manufacturers and new steps / components and technologies [Electronic resource]. 2013. № 1. URL: http://kit-e.ru/assets/files/pdf/2013_1_9.pdf/ (accessed: 8.31.2015). 3. Sensors, MEMS, and other electronic innovations / [Electronic resource]. URL: http://www.innovationsinsightmag.com/ (accessed: 31.8.2015). 4. RS-485 / [Electronic resource]. URL: https://ru. wikipedia.org/wiki/RS-485 (accessed: 31. 8.2015). 5. Serial Peripheral Interface / [Electronic resource]. URL: https://ru.wikipedia.org/wiki/Serial_Peripheral_ Interface (accessed: 31.8.2015). © Клешнина С. А., Клешнин В. Ю., 2015

____________ УДК 004.434 РАЗРАБОТКА СРЕДСТВ АВТОМАТИЗАЦИИ УПРАВЛЕНИЯ КОСМИЧЕСКИМИ АППАРАТАМИ Н. А. Космынина1, А. А. Лапин1, А. И. Легалов2 1

АО «Информационные спутниковые системы» имени академика М. Ф. Решетнева» Российская Федерация, 662972, г. Железногорск Красноярского края, ул. Ленина, 52 2 Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 E-mail: [email protected] Представлено описание разработанного языка управления космическими аппаратами, инструментальных средств управления, а также системы автоматизированного создания сценариев управления на основе анализа эксплуатационной документации. Ключевые слова: сценарии управления, язык управления космическими аппаратами, процесс управления космическими аппаратами. 180

Информационно-управляющие системы

DEVELOPMENT OF SATELLITE CONTROL AUTOMATION TOOLS N. A. Kosmynina1, A. A. Lapin1, A. I. Legalov2 1

JSC “Academician M. F. Reshetnev “Information satellite systems” 52, Lenin Str., Zheleznogorsk, Krasnoyarsk region, 662972, Russian Federation 2 Siberian Federal University 79, Svobodny Av., Krasnoyarsk, 660041, Russian Federation E-mail: [email protected] This paper includes a description of the developed satellite control language, programming tools, and automated control scripts creation system, based on analysis of operating documentation. Keywords: control scripts, satellite control language, satellite control process. Введение. В АО «Информационные спутниковые системы» имени академика М. Ф. Решетнева» последовательности команд управления космическими аппаратами, объединенные некоторой общей целью, называются типовыми процедурами управления и описываются в эксплуатационной документации (ЭД) по управлению КА. Для описания процедур управления КА, содержащихся в ЭД, используется специализированный проблемно ориентированный язык – ЯОТР. В настоящее время возможности ЯОТР перестали соответствовать требованиям предметной области: язык не поддерживает новых возникающих функциональных задач и слишком сложен для быстрого освоения. Помимо этого, процесс создания типовых работ проводится вручную и занимает много времени. Данные причины вызвали необходимость в разработке нового языка и инструментальных средств управления. Язык управления. На основе анализа вновь возникающих требований предметной области, зарубежных аналогов (Python, PLUTO, CSL, STOL, TAO, CSTOL, CCL, JAS, ICL, Btscript, Cecil, CIL, TOPE/tcl, UCL, Elisa, PIL [1; 2]), стандартов на языки управления (ECSS-E-ST-70-32C [3], OMG SOLM [4]) был разработан новый язык управления «Дельта», обладающий простым синтаксисом, с применением терминов предметной области в качестве ключевых слов, поддерживающий как русский, так и английский варианты написания операторов языка. В языке поддерживаются основные функции управления: выдача управляющих воздействий, анализ поступающей телеметрии, паузы, печать сообщений, условные операторы и др. Инструментальные средства. Включают в себя интерпретатор языков «Дельта» и ЯОТР, помимо исполнения созданных сценариев управления позволяющий проверять их на наличие ошибок; текстовый редактор с подсветкой ключевых слов указанных языков. В качестве системы хранения сценариев используется БД. Система анализа эксплуатационной документации. Разработанная система [5] позволяет проанализировать указанный пользователем документ на наличие таблиц определенного формата; последовательно переходя от таблицы к таблице и от строки к строке в текущей обрабатываемой таблице, формировать текст сценария управления в соответствии с синтаксически-

ми правилами языка описания ТР. Система поддерживает оба существующих на настоящий момент языка управления, как ЯОТР, так и «Дельта». Для сравнения созданного языка «Дельта» и эксплуатируемого языка ЯОТР, а также ручного и автоматизированного (разработанного) методов создания сценариев управления были созданы два набора сценариев на основе следующих документов: – ЕАТ1.ИЭ62 ч. 2, прил. 1 (КА «Экспресс-АТ1», «Инструкция по разработке программы полета. Часть вторая. Типовая программа полета»); – ЕАМ6.ИЭ62 ч. 2, прил. 1 (КА «Экспресс-АМ6», «Инструкция по разработке программы полета. Часть вторая. Типовая программа полета. Приложение 1. Программа ввода в эксплуатацию»). 217482

216629

ЯОТР "Дельта"

33349

31960

ЕАТ1.ИЭ62 ч.2 Прил.1

ЕАМ6.ИЭ62 ч.2 Прил.1

Рис. 1. Число символов в итоговых сценариях управления в случае использования существующего языка (ЯОТР) и разработанного («Дельта») 35000 30000

28800

28800 Ручной метод

25000 20000

Разработанный метод

15000 10000

181

3600

5000

3600

16

16

ЕАТ1.ИЭ62 ч.2  Прил.1

ЕАМ6.ИЭ62 ч.2  Прил.1

0

Разработанный метод с  учетом времени  корректировки

Рис. 2. Сравнение времени создания сценариев управления в случае использования ручного и автоматизированного (разработанного) методов, в секундах

Решетневские чтения. 2015

По итогам сравнения (рис. 1. и 2) можно сделать следующие выводы: – разработанный язык позволяет значительно (приблизительно в три раза) сократить длину итоговых сценариев управления без потери смысловой составляющей; – разработанная система автоматизированного создания скриптов управления позволяет значительно сократить (даже с учетом времени на последующий просмотр и корректировку полученных сценариев) время создания сценариев управления. Заключение. В ходе выполнения проекта был спроектирован и разработан язык управления космическими аппаратами «Дельта», инструментальные средства и система анализа эксплуатационной документации, использование которых значительно сокращает время разработки сценариев управления. Данная разработка предназначена для управления большинством космических аппаратов разработки АО «ИСС» как в отечественных, так и в международных проектах. Библиографические ссылки 1. A Model for a Spacecraft Operations Language [Электронный ресурс]. URL: http://arc.aiaa.org/doi/pdf/ 10.2514/6.2006-5708 (дата обращения: 08.09.2015) 2. Космынина Н. А. Языки управления космическими аппаратами // Тр. МАИ. 2015. Вып. 81. 3. ECSS-E-ST-70-32C Space Engineering Test and Operations Procedure Language. [Электронный ресурс]. URL: ftp://ftp.heanet.ie/disk1/sourceforge/o/op/open-hades/

Documentation/ECSS-E-ST-70-32C%20(31July2008).pdf (дата обращения: 08.09.2015). 4. Satellite Operations Language Metamodel (SOLM) [Электронный ресурс]. URL: http://www.omg. org/spec/SOLM/1.0/PDF/ (дата обращения: 08.09.2015). 5. Космынина Н. А. Метод автоматизации подготовки типовых работ по управлению космическими аппаратами // Вестник СибГАУ. 2015. Т. 16, № 1. С. 183–187. References 1. A Model for a Spacecraft Operations Language. Available at: http://arc.aiaa.org/doi/pdf/10.2514/6.20065708 (accessed: 08.09.2015). 2. Kosmynina N. A. Satellite control languages // Trudi MAI, iss. 81, 2015. 3. ECSS-E-ST-70-32C Space Engineering Test and Operations Procedure Language. Available at: ftp://ftp.heanet.ie/disk1/sourceforge/o/op/open-hades/ Documentation/ECSS-E-ST-70-32C%20(31July2008).pdf (accessed: 08.09.2015). 4. Satellite Operations Language Metamodel (SOLM). Available at: http://www.omg.org/spec/SOLM/ 1.0/PDF/ (accessed: 08.09.2015). 5. Kosmynina N. A. Automation method of satellite control scripts creation // Vestnik SibGAU. Vol. 16, no. 1, Krasnoyarsk, 2015. P. 183–187. © Космынина Н. А., Лапин А. А., Легалов А. И., 2015

__________ УДК 004.9 АВТОМАТИЗИРОВАННАЯ СИСТЕМА АНАЛИЗА СВЯЗЕЙ ПОЛЬЗОВАТЕЛЕЙ СОЦИАЛЬНЫХ СЕТЕЙ Н. А. Крицкий Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматривается проблема раскрытия и предотвращения преступлений, связанных с незаконным оборотом наркотических веществ. В связи со сложностью поиска преступников в социальных сетях предлагается создание приложения, способного находить связи между возможными участниками преступления. В заключение оцениваются преимущества применения данной системы. Ключевые слова: пользователь, социальная сеть, граф, оборот наркотиков. THE AUTOMATED ANALYSIS SYSTEM OF CONNECTIONS OF SOCIAL NETWORK USERS N. A. Kritskiy Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] This article describes the problem of detection and prevention of crimes related to drug trafficking. Due to the complexity of the search of criminals in social networks the research proposes the creation of applications that have the 182

Информационно-управляющие системы

ability to find the connection between the possible participants in the crime. In conclusion, the work evaluates the benefits of this system. Keywords: user, social network, graph, interface, drug trafficking. В настоящее время согласно статистическим данным увеличивается количество наркозависимых. Наркомания представляет собой не только тотальное поражение личности и физического здоровья наркозависимого, но и представляет собой угрозу для общества и государства в целом. Существует много способов распространения наркотиков. Сегодня наркодилеры – это не только те, кто предлагает психотропные вещества в клубах, школах, улице, но и те, кто занимается распространением наркотиков в социальных сетях. Преимущества данного рынка сбыта в том, что распространитель сохраняет анонимность путем создания страниц несуществующих людей, а также огромная возможность для привлечения большей аудитории к своему продукту. Например, на сайте vk.com зарегистрировано более 300 миллионов пользователей, с помощью автоматической рассылки можно разослать пользователям сообщение об абсолютно легальных наркотиках, что на выходе даст количество действующих и привлеченных наркозависимых в сотни тысяч. Для оперативно-розыскной деятельности органов наркоконтроля стоит задача не только поймать распространителей наркотиков в социальных сетях, но и предостеречь граждан от их воздействия. Для решения данной проблемы достаточно установить лиц, которые представляют оперативный интерес, и взаимодействия между ними. Вручную данные связи искать трудоемко, а также присутствует человеческий фактор. Решением является создание автоматизированной системы, способной находить цепочку пользователей, соединяющую двух лиц. Данную систему можно представить как совокупность точек и линий, где точками являются пользователи социальной сети, а линиями – связи между ними. Такое представление называется графом [1–3].

Основные преимущества предлагаемой автоматизированной системы анализа связей пользователей социальных сетей: – уменьшение времени на оперативно-поисковую деятельность сотрудников правоохранительных органов; – возможность работать с потенциально большим числом пользователей; – уменьшить количество наркодилеров и потенциальных жертв. Библиографические ссылки 1. Граф (математика) [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/Граф_(математика) (дата обращения: 6.09.2015). 2. Чернец В., Базлова Т., Иванова Э. Влияние через социальные сети. М. : Фонд «Фокус-медиа», 2010. 200 с. 3. Касьянов В. Н., Евстигнеев В. А. Графы в программировании: обработка, визуализация и применение. СПб. : БХВ-Петербург, 2003. 1103 с. References 1. Graf (matematika). Available at: https://ru. wikipedia.org/wiki/Граф_(математика) (accessed: 2.09.2015). 2. Chernec V., Bazlova T., Ivanova E. Vlianie cherez socialnie seti. Мoscow : Fond “Focus-media”, 2010. 200 p. 3. Kasyaov V. N., Evstigneev V. А. Grafi v programirovanii: obrabotka, visualizacia i primenenie. St.Petersburg. BHV-Peterburg, 2003. 1103 p.

© Крицкий Н. А., 2015

____________ УДК 004.896 ПРИМЕНЕНИЕ МЕТОДОВ НЕЧЕТКОЙ ЛОГИКИ В ИНДУКЦИОННОЙ ПАЙКЕ ВОЛНОВОДНЫХ ТРАКТОВ КОСМИЧЕСКИХ АППАРАТОВ А. В. Милов, В. С. Тынченко Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Предлагается использование методов нечеткой логики в управлении процессом индукционной пайки волноводных трактов космических аппаратов, а также рассматриваются преимущества и недостатки данных методов. Ключевые слова: нечеткая логика, индукционная пайка, космические аппараты. 183

Решетневские чтения. 2015

FUZZY LOGIC APPLICATION TO SPACECRAFT WAVEGUIDES INDUCTION SOLDERING A. V. Milov, V. S. Tynchenko Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] It is proposed to use fuzzy logic methods to manage the process of induction brazing waveguide paths of spacecraft, as well as the article discusses the advantages and disadvantages of these methods. Keywords: fuzzy logic, induction soldering, spacecraft. В аэрокосмической промышленности жесткие ограничения по массе летательных аппаратов обусловливают применение различных элементов модулей полезных нагрузок с оптимальными массовыми и габаритными характеристиками. Это относится и к волноводным трактам космических аппаратов. При этом надежность элементов должна быть достаточно высокой для обеспечения их функционирования в течение всего срока активного существования. Основное целевое назначение системы волноводных трактов в конструкции космических аппаратов состоит в обеспечении функционирования космического аппарата и его бортовых систем в соответствии с заданной программой функционирования, зафиксированной в технологических циклах. В работе [1] представлена разработка автоматизированного оборудования и технологии для пайки волноводных трактов космических аппаратов. Однако программное обеспечение данной системы в качестве алгоритма управления использует ПИД-регулятор [2], что не обеспечивает достаточного контроля за параметрами быстропротекающего процесса. В связи с этим предлагается использование методов нечеткой логики в управлении данным процессом. Впервые термин «нечеткая логика» (fuzzy logic) был введен американским профессором азербайджанского происхождения Лотфи Заде в 1965 году в работе «Нечеткие множества» в журнале «Информатика и управление» [3]. Нечеткая логика основана на теории нечетких множеств. При помощи нечетких множеств можно формально определить неточные и многозначные понятия, такие как «высокая температура», «молодой человек», «средний рост» и т. д. Перед формулированием определения нечеткого множества необходимо задать так называемую область рассуждений. В случае неоднозначного понятия «много денег» большой будет признаваться одна сумма в диапазоне [0,1000] руб. и совсем другая – в диапазоне [0,1000000] руб. Область рассуждений будем обозначать X, X – четкое множество. Нечетким множеством А в некотором непустом пространстве X называется множество пар A = {(x, μА(x)); x ∈ X}, где μА:Х→[0,1] – функция принадлежности нечеткого множества А. Эта функция приписывает каждому элементу x∈X степень его принадлежности к нечеткому множеству А, при этом можно выделить 3 случая: μА(x) = 1 означает полную принадлежности, μА(x) = 0 означает от-

сутствие принадлежности и 0 < μА(x) < 1 означает частичную принадлежность [4]. Мощь и интуитивная простота нечеткой логики как методологии разрешения проблем гарантирует ее успешное использование во встроенных системах контроля и анализа информации. При этом происходит подключение человеческой интуиции и опыта оператора. В отличие от традиционной математики, требующей на каждом шаге моделирования точных и однозначных формулировок закономерностей, нечеткая логика предлагает совершенно иной уровень мышления, благодаря которому творческий процесс моделирования происходит на наивысшем уровне абстракции, при котором постулируется лишь минимальный набор закономерностей. Числовые значения, получаемые в результате «не вполне точных измерений», во многом аналогичны распределениям теории вероятностей, но свободны от присущих последним недостатков: малое количество пригодных к анализу функций распределения, необходимость их принудительной нормализации, соблюдение требований аддитивности, трудность обоснования адекватности математической абстракции для описания поведения фактических величин. В пределе, при возрастании точности, нечеткая логика приходит к стандартной, булевой. По сравнению с вероятностным методом, нечеткий метод позволяет резко сократить объем производимых вычислений, что, в свою очередь, приводит к увеличению быстродействия нечетких систем. Экспериментально показано, что нечеткое управление дает лучшие результаты по сравнению с получаемыми при классических алгоритмах управления. Очевидной областью внедрения алгоритмов нечеткой логики являются всевозможные экспертные системы, в том числе [5]: 1) нелинейный контроль и управление в производстве; 2) самообучающиеся системы; 3) системы, распознающие тексты на естественном языке; 4) системы планирования и прогнозирования, опирающиеся на неполную информацию; 5) финансовый анализ в условиях неопределенности; 6) управление базами данных; 7) совершенствование стратегий управления и координации действий, например, сложное промышленное производство.

184

Информационно-управляющие системы

Недостатками нечетких систем являются: – отсутствие стандартной методики конструирования нечетких систем; – невозможность математического анализа нечетких систем существующими методами; – применение нечеткого подхода по сравнению с вероятностным не приводит к повышению точности вычислений. При разработке системы управления процессом индукционной пайки требуется провести следующие этапы проектирования [3]: 1) определить входы и выходы создаваемой системы; 2) задать для каждой из входных и выходных переменных функции принадлежности с термами; 3) разработать базы правил выводов для реализуемой нечёткой системы; 4) провести дефаззификацию; 5) провести настройку и анализ адекватности разработанной модели реальной системе; 6) программно реализовать нечеткий регулятор на конкретном микроконтроллере. Система управления, реализованная на базе нечеткой логики, позволит повысить качество управления процессом индукционной пайки, ускорит принятие решения об аварийном отключении индукционного нагревателя, а также обеспечит более гибкую настройку процесса нагрева. Библиографические ссылки 1. Автоматизированное оборудование и технология для пайки волноводных трактов космических аппаратов / В. С. Тынченко [и др.] // Вестник СибГАУ, 2014. Вып. 4(56). С. 219–229. 2. Модуль взаимодействия с аппаратным обеспечением АСУ «Пайка» : свид. о регистрации программы для ЭВМ / В. С. Тынченко, А. В. Бочаров, С. Н. Серегин, В. Д. Лаптенок. № 2015611846 ; заявл. 11.12.2014 ; опубл. 06.02.2015. 1 с.

3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М. : Горячая линия–Телеком, 2006. 452 с. 4. Рыжов А. П.. Элементы теории нечетких множеств и измерения нечеткости. М. : Диалог-МГУ, 1998. 283 с. 5. Борисов В. В., Федулов А. С., Зернов М. М. Основы теории нечетких отношений. М. : Горячая линия – Телеком, 2014. 86 с. References 1. Tynchenko V. S., Zlobin S. K., Mikhnev M. M., Laptenok V. D., Seregin Yu. N., Bocharov A. N., Dubets Yu. P., Dolgopolov B. B. [Automated equipment and technology for spacecrafts waveguide path soldering]. Vestnik SibGAU. 2014. № 4(56). P. 219–229. 2. Tynchenko V. S., Bocharov A. N., Seregin Yu. N., Laptenok V. D. Modul’ vzaimodeistviya s apparatnym obespecheniyem ASU “Paika” [The hardware interaction module of ACS “Soldering”]. EVM software patent. № 2015611846 ; заявл. 11.12.2014 ; опубл. 06.02.2015. 1 с. 3. Rutkovskaya D., Pilin’skiy M., Rutkovskiy L. Neyronnye seti, geneticheskie algoritmy i nechetkie sistemy [Neural networks, genetic algorithms and fuzzy systems]. M. : Goryachaya liniya – Telekom Publ., 2006. 452 p. 4. Ryzhov A. P.. Elementy teorii nechetkikh mnozhestv i izmereniya nechetkosti [Elements of the theory of fuzzy sets and measure the fuzziness]. Moscow : DialogMGU Publ., 1998. 283 p. 5. Borisov V. V., Fedulov F. C., Zernov M. M. Osnovy teorii nechetkikh otnoshenyi [The basics of the fuzzy relations theory]. Moscow : Goryachaya liniya – Telekom, 2014. 86 p.

© Милов А. В., Тынченко В. С., 2015

____________ УДК 004.492 РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВ НА ОСНОВЕ НЕЧЕТКОЙ ЛОГИКИ Ю. В. Сажина1, Л. В. Липинский2, А. С. Свиридова1 1

АО «Красноярский машиностроительный завод» Российская Федерация, 660123, г. Красноярск, просп. им. газ. «Красноярский рабочий», 29 E-mail: [email protected] 2 Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассмотрены основные вопросы проектирования интеллектуального агента. Предложен подход к усовершенствованию механизма принятия решения за счет нечеткого контроллера, реализованного средствами нечеткой логики и генетического алгоритма. Ключевые слова: интеллектуальный агент, нечеткая логика, нечеткий контроллер, генетический алгоритм. 185

Решетневские чтения. 2015

DEVELOPING INTELLIGENT AGENT BASED ON FUZZY LOGIC U. V. Sazhina1, L. V. Lipinskiy2, A. S. Sviridova1 1

JSC “Krasnoyarsk Machine Building Plant” 29, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660123, Russian Federation Е-mail: [email protected] 2 Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The main issues to design the intelligent agent are considered. The article presents an approach to improve the mechanism of decision-making by the fuzzy controller implemented by means of fuzzy logic and genetic algorithms. Keywords: intelligent agent, fuzzy logic, fuzzy controller, genetic algorithm. В современной деятельности человека все большее значение имеет использование автоматических и автоматизированных устройств, которые распространены во всех сферах – от бытовой техники до сложных систем управления производственными процессами, в том числе в ракетно-космической сфере. Особенно важную роль занимает разработка роботов, способных без вмешательства человека решать поставленную задачу, адаптируясь к окружающей среде. В настоящее время все больше внимания уделяется методам представления знаний с помощью нечеткой логики. Средствами нечеткой логики можно построить методологии для вычислений со словами: моделирование рассуждений в интеллектуальных системах. Границы информационных множеств, которые представляются лингвистическими переменными, можно описать с помощью нечетких функций принадлежности. Это основа теории нечетких множеств типа 1. Но в случае, когда границы множеств плохо различимы, например выражены некоторыми зонами, их можно выражать нечеткими множествами типа 2 и выше. У таких множеств отдельные значения принадлежности задаются функциями принадлежности. Чаще всего имеется в виду лингвистическая неопределенность, связанная с различными оттенками смысла слов в моделях знаний, основанных на правилах. Нечеткими множествами типа 2 можно характеризовать степени неопределенности, связанные с принятием решений в интеллектуальной системах, в том числе мультиагентных [1]. Агентом в интеллектуальных системах является сущность, которая может воспринимать внешнюю среду с помощью датчиков (сенсоров) и воздействовать на нее с помощью исполнительных механизмов (рис. 1). Функцией агента является абстрактное математическое описание того, что должен делать агент. Задачей искусственного интеллекта является разработка программы агента, т. е. того, как именно должен действовать агент [2; 4]. Основными элементами интеллектуального агента, позволяющими ему обладать определенным уровнем восприятия, умения познавать и действовать, являются базы знаний в определенной сфере жизнедеятельности, содержащие модели простейших ценностей и отношений и алгоритмы анализа, обучения и ситуативной ориентации. Для сохранения

простоты агента область его деятельности должны быть очень узкой.

Рис. 1. Описание функции агента

Основными компонентами архитектурной модели нечеткого агента являются фаззификатор, система правил, средства нечеткого вывода и процессор выходных значений. Процессор выходных значений создает на выходе нечеткое множество типа 1 и дефаззификатора, генерирующего соответствующее ему четкое значение [1; 3]. Основу функционирования интеллектуального агента, основанного на нечеткой логике, составляет система правил нечеткого вывода ЕСЛИ– ТО. Использование таких нечетких термов, как, например, «очень малое», «приблизительно равно», «слегка увеличить», «выбрать в интервале» и т. п., отражает неточность представления исходных данных и неопределенность, присущую самому процессу принятия решений. Правила (или нечеткие высказывания) строятся по схеме логической импликации ЕСЛИ-ТО, где условие «ЕСЛИ» соответствует принятию лингвистической переменной х некоторого значения А, а вывод (действие) «ТО» означает необходимость выбора значения В для лингвистической переменной у: (х = А) → (у = В). Механизм построения правил принятия решений в конкретной задаче выглядит при этом следующим образом (рис. 2): на основе заданной цели с помощью механизма упрощения, позволяющего выделить наиболее существенные и отсечь второстепенные факторы, определяется начальное состояние системы, желаемое конечное состояние и правила действий, переводящих систему в желаемое конечное состояние [1; 3]. Набор таких правил, обеспечивающих получение приближенного решения поставленной задачи, реализуется с помощью механизма вывода.

186

Информационно-управляющие системы

4. Общие принципы построения интеллектуальных систем управления на основе нечеткой логики [Электронный ресурс]. URL: http://texproc.ru/index. php/biblioteka/90-o-intellektualnykh-sistemakh-upravleniya/nechlog/140-ppis (дата обращения: 20.05.2015). 5. Генетическое программирование [Электронный ресурс]. URL: http://www.codenet.ru/progr/alg/smart/ Genetic-Programming.php (дата обращения: 20.05.2015).

Цель

Упрощение

ЕСЛИ состояние А1, ТО выбрать правила для А1

ЕСЛИ состояние А2, ТО выбрать правила для А2

Правила для А1: ЕСЛИ…, ТО …

Правила для А2: ЕСЛИ…, ТО …

Рис. 2. Построение правил принятия решений

Для того чтобы минимизировать вероятность появления ошибки при принятии решения агентом, предложено использовать вместо имеющегося механизма принятия решения нечеткий контроллер [5], созданный на основе нечеткой логики и генетического алгоритма, описанный в предыдущих статьях. Библиографические ссылки 1. Громов Ю. Ю., Иванова О. Г., Алексеев В. В. Интеллектуальные информационные системы и технологии : учеб. пособие. М. ; Тамбов : Изд-во ФГБОУ ВПО «ТГТУ», 2013. 244 с. 2. Что такое интеллектуальные агенты [Электронный ресурс]. URL: http://aivanoff.blogspot.co.uk/ 2007/12/blog-post_18.html (дата обращения: 20.05.2015). 3. Интеллектуальные интернет-технологии [Электронный ресурс]. URL: http://lib.alnam.ru/book_bki. php?id=88 (дата обращения: 20.05.2015).

References 1. Gromov Yu. Yu. Intelleсtualnie informacionnie sistemi i tehnologii: uchebnoe posobie [Intelligent information systems and technologies: a tutorial]. Tambov, TSTU, 2013. 244 p. 2. What is (intellectual) agents. Available at: http://aivanoff.blogspot.co.uk/2007/12/blog-post_18.html (accessed: 20.05.2015). 3. Intellectual the Internet-technologies. Available at: http://lib.alnam.ru/book_bki.php?id=88 (accessed: 20.05.2015). 4. The general principles of creation of intellectual control systems on the basis of fuzzy logic. Available at: http://texproc.ru/index.php/biblioteka/90-o-intellektualnykh-sistemakh-upravleniya/nechlog/140-ppis (accessed: 20.05.2015). 5. Genetic programming. Available at: http:// www. codenet.ru/progr/alg/smart/Genetic-Programming.php (accessed: 20.05.2015). © Сажина Ю. В., Липинский Л. В., Свиридова А. С., 2015

___________ УДК 004.45 СИСТЕМА УПРАВЛЕНИЯ ДВИЖЕНИЕМ АВТОНОМНОЙ КОЛЕСНОЙ ПЛАТФОРМЫ А. В. Саяпин, А. Г. Зотин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматриваются особенности реализации управляющей микропрограммы аппарата, имитирующего автономную платформу для исследования поверхности иных планет, используемого при проведении занятий в Международной летней технической школе. Ключевые слова: система управления, Arduino, микроконтроллер, конечный автомат, автоматное программирование. MOVEMENT CONTROL SYSTEM FOR AN AUTONOMOUS WHEELED PLATFORM A. V. Sayapin, A. G. Zotin Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]

187

Решетневские чтения. 2015

We have considered the features of the control firmware for an extraterrestrial exploration vehicle simulator for the International summer technical school. Keywords: control system, Arduino, microcontroller, finite automaton, automata-based programming. Введение. При исследовании космического пространства и поверхности иных небесных тел широко применяются автоматические и автоматизированные системы. Разработка подобных систем требует от специалиста знаний и навыков в различных областях знания, в том числе и в области микроконтроллерных систем. Обучение подобных специалистов должно включать в себя не только теоретическую подготовку, но и получение практических навыков работы с автоматизированными системами и разработки таких систем. В рамках Международной летней технической школы, проходившей в СибГАУ в 2013–2014 годах, студентам было предложено разработать программное обеспечение автономного колесного исследовательского аппарата, предназначенного для имитации отбора проб грунта на поверхности иных небесных тел [1]. В состав системы управления данного аппарата входил бортовой компьютер, роль которого исполнял микрокомпьютер RaspberryPi, а также микроконтроллер Arduino Duemilanove, связанный с бортовым компьютером посредством USB-интерфейса и управлявший колесным приводом аппарата [2; 3]. Состав системы управления движением аппарата. Выбор направления движения аппарата осуществляет связка из нейронной сети (определяющей, в каком направлении находится маркер, обозначающий конечную точку маршрута) и системы нечеткой логики, выбирающей направление движения аппарата на основе данных нейронной сети и датчиков расстояния до препятствий. Выбранное направление движения преобразуется в команды и передается в систему управления движением. Система включает в себя микроконтроллер ArduinoDuemilanove на основе ATMega 328. Для управления работой двигателей предназначен силовой модуль расширения Ardumoto L298P MotorDriverShield. На модуле расширения для дополнительного прототипирования установлен модуль датчиков, оборудованный магнетометром и акселерометром. Кроме того, именно к этому модулю подключены ультразвуковые датчики расстояния, оценивающие расстояние до препятствий перед платформой слева и справа по направлению движения. По центру платформы в передней части расположен инфракрасный датчик препятствий, выдающий сигнал в случае, если препятствие находится прямо перед платформой на расстоянии 800 мм и менее. Программное обеспечение микроконтроллера. Движением аппарата управляет микроконтроллер, микропрограмма которого включает в себя блок инициализации, в котором производится настройка датчиков, а также основной цикл, в котором последовательно производится опрос датчиков аппарата, определение возможности движения в данный момент, остановка движения в случае наличия препятствия в непосредственной близости, передача телеметрической информации в бортовой компьютер, а также

прием и анализ команд, поступивших от бортового компьютера. Одним из важнейших требований к программному обеспечению микроконтроллера являлась высокая надежность работы и устойчивость к возникновению прерываний и сбоев в канале передаче данных между бортовым компьютером и микроконтроллером. Исходя из этих требований, для реализации программного обеспечения микроконтроллера была выбрана концепция автоматного программирования [4]. Часть программного кода, ответственная за командноинформационный обмен с бортовым компьютером, представляет собой конечный частично определенный детерминированный автомат-распознаватель [5]. Автомат содержит 13 состояний и 26 переходов между ними. Прием числовых данных реализован отдельной процедурой, причем возникновение ошибки в ходе приема информации немедленно переводит автомат в исходное состояние, что обеспечивает высокую устойчивость системы к ошибкам и сбоям. Программное обеспечение на стороне бортового компьютера, принимающее телеметрические данные от микроконтроллера, реализовано по такому же принципу. Таким образом, сбой работы микроконтроллера так же не приводит к прекращению обменом информацией между бортовым компьютером и управляющим микроконтроллером или зависанию программы. Для возобновления нормального функционирования системы достаточно перезагрузить микроконтроллер либо бортовой компьютер, других специальных шагов предпринимать не требуется. Выводы. Описанная выше система является частью мобильной платформы и была использована для обучения студентов по дисциплинам «Основы обработки изображений», «Нейронные сети» и «Нечеткая логика». Использование показало высокую эффективность предложенной системы, отсутствие сбоев во время работы и заинтересованность студентов в процессе обучения. В дальнейшем предполагается участие студентов в разработке программного обеспечения микроконтроллера, также возможна интеграция в состав системы управления, основанной на ROS (RoboticOperatingSystem [6]). Данная система может быть использована для проведения исследований и опытно-конструкторских работ в области робототехники, разработки автономных исследовательских систем и систем автоматического управления, а также для проведения практических занятий со студентами, бакалаврами и магистрантами соответствующих направлений. Библиографические ссылки 1. Мобильные системы для исследования космических объектов [Электронный ресурс]. URL: http://www.summerschools.sibsau.ru/index.php/ru/zhizne obespechenie-kosmicheskikh-sistem (дата обращения: 09.09.2015).

188

Информационно-управляющие системы

2. Зотин А. Г., Саяпин А. В. Разработка полуавтономной исследовательской системы с использованием видеоданных и сенсорных устройств // Решетневские чтения. 2013. Т. 2, № 17. С. 203–204. 3. Саяпин А. В., Зотин А. Г. Автономная колесная платформа и ее использование для изучения основ обработки изображений, нейронных сетей и систем нечеткой логики // Евразийский союз ученых. 2015. № 2(11), ч. 3. С. 38–40. 4. Поликарпова Н., Шалыто А. Автоматное программирование. СПб. : Питер, 2011. 176 с. 5. Брауэр В. Введение в теорию конечных автоматов. М. : Книга по требованию, 2012. 272 с. 6. Kerr J., Nickels K. Robot operating systems: Bridging the gap between human and robot // System Theory (SSST), 2012: 44th Southeastern Symposium on. 2012. P. 99–104. References 1. Mobil’nye sistemy dlya issledovaniya kosmicheskikh ob’ektov [Mobile systems for an extraterrestrial exploration]. Aviable at: http://www. summerschools.sibsau.ru/index.php/ru/zhizneobespecheni e-kosmicheskikh-sistem (accessed: 09.09.2015).

2. Zotin A. G., Sayapin A. V. Razrabotka poluavtonomnoy issledovatel’skoy sistemy s ispol’zovaniem videodannykh i sensornykh ustroystv [The semiautonomous exploration vehicle equipped with video sensor development] // Reshetnevskie chteniya. 2013. T. 2, no. 17. 203–204 p. 3. Sayapin A. V., Zotin A. G. Avtonomnaya kolesnaya platforma i ee ispol’zovanie dlya izuchenie osnov obrabotki izobrazheniy, neyronnykh setey i sistem nechetkoy logiki [The autonomous wheeled platform for study in Neural networks, Image handling and Fuzzy logic systems] // Evraziyskiy soyuz uchenykh. 2015. No. 2(11), part 3, pp. 38–40. 4. Polikarpova N., Shalyto A. Avtomatnoe programmirovanie. SPb. : Piter, 2011. 176 p. 5. Brauer V. Vvedenie v teoriyu konechnykh avtomatov. M. : Kniga po trebovaniyu, 2012. 272 p. 6. Kerr J., Nickels K. Robot operating systems: Bridging the gap between human and robot // System Theory (SSST), 2012: 44th Southeastern Symposium on, 2012. P. 99–104. © Саяпин А. В., Зотин А. Г., 2015

___________ УДК 004.051 КЛАССИФИКАЦИЯ И УНИФИКАЦИЯ РЕСУРСОВ ПРЕДПРИЯТИЯ НА БАЗЕ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ УЧЕТА ПРОИЗВОДСТВА И ПЛАНИРОВАНИЯ РЕСУРСОВ А. С. Свиридова1, О. А. Эмилова2, Ю. В. Сажина1, И. В. Жуковская1 1

АО «Красноярский машиностроительный завод» Российская Федерация, 660123, г. Красноярск, просп. им. газ. «Красноярский рабочий», 29 E-mail: [email protected] 2 Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Рассматривается методика организации номенклатуры ресурсов предприятия в автоматизированной системе учета производства и планирования ресурсов. Поскольку от сущности и модели размещения во многом зависит скорость обработки и получения данных, то этот процесс заслуживает внимания со стороны исследователей и разработчиков. Ключевые слова: информационные системы, ресурсы предприятия, данные, классификатор, нормативносправочная информация. CLASSIFICATION AND STANDARTDIZATION OF ENTERPRISE RESOURCE ON THE BASIS OF AN AUTOMATED ACCOUNTING SYSTEM OF PRODUCTION AND RESOURCE PLANNING A. S. Sviridova1, О. А. Emilova2, Yu. V. Sazhina1, I. V. Zhukovskaya1 1

JSC “Krasnoyarsk Machine Building Plant” 29, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660123, Russian Federation Е-mail: [email protected] 2 Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] 189

Решетневские чтения. 2015

The article outlines the technique to organize the range of enterprise resources in an automated accounting system of production and resource planning. Since the model essence and deployment impacts largely on the speed of processing and receiving data, this process deserves the attention of researchers and developers. Keywords: information systems, enterprise resources, the data classifier, the regulatory background. Определяющими предпосылками управления информационными ресурсами являются: организация учета существующих ресурсов, закрепление их в собственности (материальной и/или интеллектуальной), в оперативном управлении и хозяйственном ведении, определение правомочий владельцев. Полноценный учет любых объектов невозможен без использования элементов систематизации этих объектов. Основные составляющие систематизации – унификация (нормализация), классификация и кодирование. Существует множество разновидностей информационных ресурсов и, как следствие, множество подходов к их классификации [1]. Рассмотрим несколько существующих подходов, которые используются в автоматизированных системах учета и планирования производства. В системе существует несколько подходов построения иерархического представления данных. Подходы отличаются между собой хранением информации, необходимой для построения табличной иерархии, и типом построения. Итак, информация для построения может быть [2; 4]: 1. Хранимая. В этом случае все данные, которые могут быть задействованы в процессе построения табличной иерархии, располагаются в определенной для этих целей таблице с данными. 2. Вычислимая. Данные, используемые при построении иерархии, вычисляются в процессе построения курсора интерфейса после выборки данных из системы управления базы данных и после модификации строк таблицы. Часть данных иерархии может храниться в таблице с данными. Для обработки вычислимых полей нужно создавать процедуру. Типы построения [3]: – по дугам: произвольное вхождение вершин (табл. 1); – по вхождению: код вершины родителя должен начинаться на код вершины родителя (табл. 2).

Таблица 2 Формирование хранения данных по вхождению Уровень 0 1 2 2 1 2 2

Версия 1.1 1.1.01 1.1.01.01 1.1.01.02 1.1.02 1.1.02.01 1.1.02.02

Версия родителя 1.1 1.1.01 1.1.01 1.1 1.1.02 1.1.02

Конкретным примером классификации и унификации ресурсов предприятия является организация изготавливаемой и закупаемой номенклатуры. Цель данной классификации заключается в формировании хранилища ресурсов предприятия с полным перечнем характеристик ресурсов, а также формирование нормативно-справочной информации (НСИ) – формирование классификаторов и справочников. Фиксирование различных параметров ресурса в справочнике и классификация данных обеспечивают снижение времени доступа к данным, уменьшают нагрузку на персонал, сокращают спорные вопросы при загрузке данных. В итоге, все эти факторы могут позволить полностью автоматизировать процесс загрузки данных в автоматизированной системе. Пример подобной классификации представлен на рисунке [5].

Таблица 1 Формирование хранения данных по дугам Уровень 0 1 0 1 2 1

Изделие x01 x02 x03 x04 x010 x05

Изделие-родитель x01 x03 x04 x03

Пример организации классификаторов и справочников

Для хранимой иерархии существует правило: поля, по которым нужно строить табличную иерархию, указываются параметрами иерархии в описании курсора интерфейса.

В дополнение следует отметить, что данные, которые были занесены в классификатор ресурсов, группируются внутри определенных групп – подразделений, участков и т. д. Заносятся их характеристики, что в последующем дает возможность применения фасет.

190

Информационно-управляющие системы

Библиографические ссылки 1. Васильев А. С. Управление данными в автоматизированной системе. Методы и алгоритмы. М. : Инфра-М, 2014. 326 с. 2. Гаврилов Д. И. Управление производством на базе стандарта MRPII. СПб. : Питер, 2008. 416 с. 3. Жихарев А. П. Использование систем классификации при учете информационных ресурсов // Компьюлог. 2005. Июль/август. 4. Нестеров А. Л. Проектирование АСУТП. М. : Деан, 2012. Кн. 2. 212 с. 5. Тюняткин А. В. MES – теория и практика. М. : Российская рабочая группа MESA International, 2009. 128 с.

References 1. Vasiliev A. S. Upravlenie dannimy v avtomatizirovannoy sisteme. Metody I algoritmy. Moscow : Infra-M, 2014. 326 p. 2. Gavrilov D. I. Upravlenieproisvodstvomna base standartaMRPII. SpB : Piter, 2008, 416 p. 3. Zhiharev A. P. Ispolzovanie system klassificacii pri uchete informacionnih resursov // Kompiulog. 2005. Iule/august. 4. Nesterov A. L. Proektirovanie ASUTP. Kniga 2. Moscow, Dean, 2012. 212 p. 5. Tunyatkin A. V. MES – teoriya i practika. Moscow : Rossiyskaya rabochaya gruppa MESA International, 2009. 128 p. © Свиридова А. С., Эмилова О. А., Сажина Ю. В., Жуковская И. В., 2015

____________ УДК 00.1082 ОРГАНИЗАЦИЯ ПОДКЛЮЧЕНИЯ ПРИЛОЖЕНИЙ НА МОБИЛЬНОЙ ОПЕРАЦИОННОЙ СИСТЕМЕ ANDROID К SQL БАЗАМ ДАННЫХ А. А. Третьяков1, И. С. Филимонов2 1

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] 2 АО «Красноярский машиностроительный завод» Российская Федерация, 660123, г. Красноярск, просп. им. газ. «Красноярский рабочий», 29 E-mail: [email protected]

Рассмотрено создание стабильного и надёжного подключения к базе данных, исключающего возможность перехвата данных, необходимых, чтобы получить доступ к базе, а также взаимодействие с данными, их кодирование, получение и декодирование. Ключевые слова: разработка приложений, программирование, мобильная операционная система Android. ORGANIZING APPLICATION CONNECTION ON THE MOBILE OPERATING SYSTEM “ANDROID” TO THE SQL DATABASES A. A. Tretyakov1, I. S. Filimonov2 1

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] 2 JSC “Krasnoyarsk Machine Building Plant” 29, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660123, Russian Federation E-mail: [email protected] The article researches creation of a stable and reliable connection to the database, eliminating the possibility of interception of data required to get access to the database. The paper analyses interacting with data, encoding them, their receiving and decoding. Keywords: application development, programming, mobile operating system “Android”. В текущих реалиях процесса разработки мобильных приложений для операционной системы Android, есть возможность организовать прямое подключение

к базе данных, используя IP-адрес сервера, где она расположена, порт, её название, а также логин и пароль, необходимые для подключения [1–3].

191

Решетневские чтения. 2015

На мой взгляд, организация такого подключения небезопасна, так как все эти данные можно перехватить и, следовательно, получить полный доступ и контроль над базой данных. Потеря всех данных исключается лишь разграничением уровней доступа пользователей этой самой базы данных. Прямое подключение и взаимодействие являются достаточно ресурсоёмкими, чтобы использовать всю оперативную память на слабых устройствах, процесс получения данных также скажется на количестве отправляемых и получаемых пакетов информации и, как следствие, приведёт к увеличению объёма траффика, необходимого для выполнения всех этих операций [4]. В процессе разработки мы пришли к выводу, что можно организовать подключение не напрямую через приложение, а использую модуль связи, хранящийся на удалённом сервере. Его использование позволяет

Приложение пользователя

почти полностью исключить возможность перехвата данных между клиентом и сервером [5]. Реализуется такое подключение следующим образом (см. рисунок): 1) устройство устанавливает соединение с удалённым сервером аутентификации, передавая логин и пароль в закодированном формате; 2) модуль связи декодирует логин и пароль и отправляет их вместе с нужным запросом на сервер, где хранится база данных; 3) сервер БД отправляет обратно в модуль связи искомые данные, и уже модуль связи занимается конвертацией их в формат JSON-объекта или же JSONмассива объектов; 4) приложение на смартфоне принимает этот JSON-объект или массив и занимается преобразованием его в читаемый пользователем текст.

1

2 4

Модуль связи приложения и базы данных, хранящийся на удалённом сервере

3

Сервер базы данных

Схема взаимодействия приложения с модулем связи и базой данных

Библиографические ссылки 1. Медникс З., Дорнин Л., Мик Б., Накамура М. Программирование на Android. 2012. 486 с. 2. Харди Б., Филлипс Б. Программирование на Android, Питер, 2012. 267 с. 3. Саймон Дж. Программирование на Android с нуля. М. : Эксмо, 2011. 532 с. 4. Арнольд К., Гослинг Д. Язык программирования Java. М. : Эксмо, 2011. 231 c. 5. Нильсон П. Библия пользователя SQL Server 2008, М. : Диалектика, 2009. 1683 с.

References 1. Madnix Z., Dornin L., Mick B., Nakamura M. Android Development, Razeware LCC, 2012. 486 p. 2. Hardy B., Phillips B. Android Development, Apress, 2012. 267 p. 3. Simon J., Head First Android Development, O’Reilly, 2011. 532 p. 4. Arnold K., Gosling D. Java language, Packt Publishing, 2011. 231 p. 5. Nilson P. Microsoft SQL Server 2008 Bible, Wiley Publishing INC, 2009. 1683 p. © Третьяков А. А., Филимонов И. С., 2015

192

Информационно-управляющие системы

УДК 004.051 ОСОБЕННОСТИ ПРИМЕНЕНИЯ OLAP-ТЕХНОЛОГИЙ В ТОРГОВЛЕ К. С. Цыцура, А. И. Потоловский Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Рассматриваются особенности применения аналитической обработки данных в сфере торговли, для решения задач анализа продаж, закупок, цен, маркетинга, движения денежных средств и склада. Ключевые слова: OLAP, торговля, анализ, обработка данных. FEATURES OF APPLICATION OF OLAP-TECHNOLOGY IN TRADE K. S. Tsitsura, A. I. Potolovsky Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The article considers features of the application of analytical data processing in trade, to solve the problems of analysis of sales, purchasing, pricing, marketing, cash flow and stock. Keywords: OLAP, trade, analysis, processing. Через современные предприятия ежедневно проходит огромное количество информации. Необходимо затрачивать очень много времени на ее обработку, изза этого процесс принятия решений сильно затягивается. Так как предприятию для развития и получения прибыли необходимо быть успешным и конкурентоспособным, приходится прибегать к помощи информационных систем и технологий, основанных на аналитической обработке данных. В качестве такой системы выступает OLAP (Online Analytical Processing) – система аналитической обработки данных для поддержки принятия важных решений [1]. Системы OLAP, успешно решают следующие аналитические задачи в сфере торговли: 1) анализ цен (упрощает и структурирует процесс ценообразования); 2) анализ закупок (находит поставщиков, подходящих по различным показателям: надежности, максимальной выгоды от сделки, самого быстрого время поставки; 3) анализ продаж (структурный и сравнительный анализ, анализ динамики продаж); 4) маркетинг (выявление потребностей на какойлибо товар, анализ эффективности сезонных или других маркетинговых акций); 5) движение денежных средств (анализ движения и оптимизация денежных потоков); 6) склад (анализ загруженности склада, времени поставок и отправок, сроков хранения). Анализ этих задач позволяет значительно улучшить процесс управления запасами товаров на складе, а также отслеживать потоки товарооборота и быть

постоянно в курсе о необходимости дополнительных поставок. В «фундаменте» каждого торгового предприятия лежат два ключевых вопроса: «Какое количество товара продано» и «Сколько прибыли было получено» По мере расширения предприятия возникают все новые и новые вопросы: «Сколько прибыли получено в этом месяце по сравнению с предыдущим» или «Сколько заработал магазин № 1 по сравнению с магазином № 2» и т. п. Рассмотрение подобных вопросов необходимо для принятия решений об изменении цен, ассортимента, открытии новых филиалов или закрытии старых, о начале проведения акций и распродаж или об их прекращении. Если проанализировать основные данные, которыми пользуются предприятия для улучшения своей работы, то можно получить таблицу, предназначенную для анализа продаж (рис. 1). Представленная таблица выступает в качестве шаблона, который требует небольших изменений исходя из специфики работы каждого конкретного предприятия. Системы OLAP открывают доступ к различным эффективным методам анализа [2]: 1) структурный анализ (производится анализ структуры продаж для определения наиболее важных и эффективных методов продаж); 2) динамический анализ (выявление колебаний сезонного спроса или колебаний спроса, связанных с социально-экономическими факторами); 3) сравнительный анализ (анализируются результаты продаж за различные промежутки времени или для определенной группы товаров).

193

Решетневские чтения. 2015

Информация о процессах продаж – это еще не все, что нужно знать для успешной работы предприятия. Вместе с продажами в OLAP-системах ведется и анализ закупок и состояния склада. Процесс закупок не менее важен, так как предприятия, работающие в сфере торговли, приобретают товары для последующей перепродажи. Для удобства представления результаты анализа формируются OLAP-системами в отчеты. Отчеты дают ответы на широкий спектр вопросов: себестои-

мость товаров, анализ расходов и доходов (как в общем виде, так и по определенным параметрам) и т. д. Программные продукты, основанные на технологии OLAP, могут выступать либо в качестве многомерной серверной СУБД, OLAP-сервера, либо в качестве OLAP-клиента. Предпочтение, как правило, отдается OLAP-клиентам, по той причине, что содержание OLAP-клиента значительно ниже, чем OLAP-сервера. Пример процесса внедрения технологии OLAP в клиентское приложение представлено на рис. 2.

Рис. 1. Шаблон таблицы анализа продаж

Рис. 2. Пример применения методологии OLAP в клиентских приложениях

Производя анализ информационных систем для автоматизации работы предприятия, все чаще отдается предпочтение OLAP-технологиям, так как они позволяют с большой скоростью обрабатывать сложные многотабличные запросы [3]. После чего пользователь может увидеть значения показателей не только в общем виде, но и при необходимости ознакомиться с информацией более детально. Несомненно, можно сказать, что OLAP-технологии являются очень эффективным инструментом для успешного развития предприятия. Однако следует отметить, что успешное применение этой технологии возможно только, когда собранная и проанализированная информация используется всеми подразделениями предприятия. Библиографические ссылки 1. Баргесян А. А., Куприянов М. С. Методы и модели анализа данных OLAP и Data Mining. СПб. : БХВ-Петербург, 2004. 331 с.

2. Баргесян А. А., Куприянов М. С. Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP. СПб. : БХВ-Петербург, 2007. 384 с. 3. Бергера А., Горбач И. Microsoft SQL Server 2005 Analysis Services. OLAP и многомерный анализ данных. СПб. : БХВ-Петербург, 2007. 928 с. Reference 1. Bargesyan A. A., Kupriyanov M. S. Metody I modeli analiza dannih OLAP i Data Mining. BXVPeterburg, 2004. 331 p. 2. Bargesyan A. A., Kupriyanov M. S. Tehnologii analiza dannih. Data Mining, Visual Mining, Text Mining, OLAP. BHV-Peterburg, 2007. 384 p. 3. Bergera A., Gorbach I. Microsoft SQL Server 2005 Analysis Services. OLAP i mnogomernyj analiz dannih. BHV-Peterburg, 2007. 928 p.

194

© Цыцура К. С., Потоловский А. И., 2015

Информационно-управляющие системы

УДК 007.621.391 ТЕХНОЛОГИЯ УМНОГО ДОМА В УСЛОВИЯХ НЕЙРОРЕАБИЛИТАЦИИ ЧЕЛОВЕКА А. О. Шадрин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] В настоящее время, согласно статистическим данным, увеличивается количество заболеваний, связанных с дисфункцией работы головного мозга человека. Это и повышение количества психических расстройств, и повышение частоты возникновения инсультов среди людей юного возраста. Для решения данной проблемы разрабатываются методы нейрореабилитации, задачей которых является повышение адаптации человека к окружающей среде. Для реализации таких методов нейрореабилитации уместно использование технологии умного дома, которой и посвящено данное исследование [1]. Ключевые слова: человек, дом, технологии, методики, исследование, нейрореабилитация. SMART TECHNOLOGY HOMES IN NEUROREHABILITATION OF A HUMAN A. O. Shadrin Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] Nowadays, according to the statistics, an increasing number of diseases is associated with dysfunction of the brain of a person. There is an increase in the number of mental disorders and the increasing incidence of stroke among people of young age. To solve this problem, methods of neurorehabilitation are being developed; objectives are to improve human adaptation to the environment. To implement such methods of neurorehabilitation it is appropriate to use smart home technology, which the study is devoted to [1]. Keywords: human, home, technology, methods, research, neurorehabilitation. Принцип новой методики – преобразование окружающей среды и проектирование интерьера, способствующего постоянной стимуляции познавательной деятельности человека. В проекте уже создана специализированная комната с предметами ежедневного использования, для работы с которыми пациенту постоянно необходимо решать несложные интеллектуальные задачи [2]. Системы домашней автоматизации включают в себя следующие типы устройств: – датчики для измерения или обнаружения таких факторов, как температура, влажность, дневной свет или движение; – контроллеры, такие как ПК или специального контроллера домашней автоматизации; – приводы моторизованных клапанов, выключатели и двигатели; – шины связи, которые могут быть проводными или беспроводными. Жители такого дома могут взаимодействовать с системой контроля и управления. Это может быть специализированный терминал или, более того, приложение, работающее на смартфоне или планшетном компьютере. Устройства могут обмениваться данными по выделенным каналам или по проводной сети, а также с использованием беспроводной сети одного либо нескольких протоколов. Сети автоматизации

зданий, разработанные для институциональных или коммерческих сооружений, могут быть выполнены с возможностью управления в отдельных домах. В данном случае может быть использован либо централизованный контроллер, либо несколько интеллектуальных устройств, расположенных по всему дому [3]. Например, чтобы открыть дверь, оснащенную специальным магнитным замком, пациенту нужно найти последовательность чисел на планшете, соединенном с замком, а для того чтобы включить чайник, необходимо выбрать правильную серию картинок. Основные преимущества предлагаемой автоматизированной системы управления состоянием организма человека: – оперативное выявление неблагоприятных психофизиологических состояний человека, вызванных внешними воздействиями (хроническими болезнями, стрессами, климатическими факторами и др.) с возможностью их частичной или полной компенсации; – выявление негативных тенденций в состоянии здоровья индивидов на основе значительного количества статистических данных медперсоналом для выработки своевременных и адекватных мер; – возможность дистанционного наблюдения медперсоналом, консультации и консилиумы со специалистами, обладающими самой высокой квалификацией;

195

Решетневские чтения. 2015

– универсальность – возможность использования также в санаторно-курортных учреждениях и в некоторых производственных помещениях [4]. Библиографические ссылки 1. Наводачный М. «Умность» дома и «интеллект» здания: конвергенция интересов людей и бизнеса // Мир компьютерной автоматизации. 2006. № 1. С. 30–34. 2. Мальцев Н. В. Дом, который был разумным // Мир компьютерной автоматизации. 2003. № 2. С. 15–18. 3. Smart Homes Market – by Products (Security, Access, Lighting, Entertainment, Energy Management Systems, HVAC, and Ballast & Battery Pack), Services (Installation & Repair, Renovation & Customization) and Geography – Analysis & Global Forecast. 2013–2020. 4. Умный дом – маркетинговые исследования российского рынка: текущее состояние и перспективы развития // Директ ИНФО. 2014. Янв.

References 1. Navodachny M. “Cleverness” home “intellect” buildings: the convergence of the interests of people and business // The world of computer automation. 2006. № 1. S. 30–34. 2. Maltsev N. V. House, which was reasonable // The world of computer automation. 2003. № 2. S. 15–18. 3. Smart Homes Market – by Products (Security, Access, Lighting, Entertainment, Energy Management Systems, HVAC, and Ballast & Battery Pack), Services (Installation & Repair, Renovation & Customization) and Geography – Analysis & Global Forecast (2013–2020). 4. Smart home – marketing research of the Russian market: current status and outlook of development // Direct INFO, January 2014. © Шадрин А. О., 2015

_____________ УДК 004.415.2 РАЗРАБОТКА ПОДСИСТЕМЫ ИНВЕНТАРИЗАЦИИ В ФЕДЕРАЛЬНОМ БТИ М. С. Яковлева, Е. Л. Вайтекунене Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Приводится перечень основных бизнес-процессов Сосновоборского отделения ФГУП «Ростехинвентаризация–Федеральное БТИ» по Красноярскому краю, выделяются основные недостатки. Указываются пути решения проблем, описывается разработанная подсистема. Ключевые слова: бизнес-процесс, требования к информационной системе, мобильное приложение, электронный архив, интерфейс. DEVELOPMENT OF AN INVENTORY SUBSYSTEM FOR FEDERAL BTI M. S. Yakovleva, E. L. Vaitekunene Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] There is a list of key business processes at the Sosnovoborsk branch of FSUE “Rostehinventarizatsiya–Federal BTI” in Krasnoyarsk Territory, the main shortcomings are highlighted. The research includes the ways to solve the problems revealed by the subsystem. Keywords: business process, requirements for the information system, mobile application, an electronic archive, interface. В России учет недвижимости велся на протяжении многих столетий, но БТИ в привычном для всех виде появились только после установления советской власти. На сегодняшний день технический учет различных объектов недвижимости осуществляется аккредитованными государственными и муниципальными предприятиями. ФГУП «Ростехинвентаризация – Фе-

деральное БТИ» – крупнейшее в нашей стране государственное предприятие, работающее в указанной сфере [1]. Филиал Федерального БТИ в городе Сосновоборске организован в мае 1994 года на базе архивов, созданных Кировским БТИ города Красноярска [2]. Основными бизнес-процессами сосновоборского отделения БТИ являются:

196

Информационно-управляющие системы

− проведение технической инвентаризации объектов капитального строительства; − осуществление кадастрового учета объектов недвижимости; − выдача справок о зарегистрированных правах (до 1999 г.); − составление экспликации; − ведение архива инвентарных дел. В результате обследования на предприятии были выявлены проблемы в следующих бизнес-процессах: 1. Проведение технической инвентаризации объектов капитального строительства. 2. Ведение архива инвентарных дел. При проведении технической инвентаризации объектов капитального строительства техникинвентаризатор на бумаге отмечает описание конструктивных элементов объекта (фундамент, стены и перегородки, перекрытия, проемы, отделка и т. д.), а затем вручную переносит эти сведения в электронный документ, что является повторной работой. Архив на предприятии представлен в бумажном виде, он очень объемный, вследствие чего возникает проблема поиска нужного документа. Также бумажный архив характеризуется следующими проблемами: ухудшение качества бумаги, в бумажный документ сложно внести изменения и т. д. Для решения перечисленных проблем было принято решение разработать подсистему инвентаризации, которая позволит улучшить деятельность сотрудника БТИ при проведении технической инвентаризации и систематизировать хранение инвентарных дел на предприятии. Электронный архив должен удовлетворять следующим требованиям: − при работе в информационной системе пользователь должен иметь возможность создания, просмотра, изменения, удаления инвентарного дела; − при создании инвентарного дела пользователь должен иметь возможность прикрепления необходимых документов (технического паспорта, правоустанавливающих документов на объект, абрисов) к инвентарному делу; − при работе в информационной системе пользователь должен иметь возможность поиска необходимого

инвентарного дела по адресу объекта, по дате создания инвентарного дела, инвентарному номеру объекта. Требования к мобильному приложению: − при работе с мобильным приложением пользователь должен иметь возможность создания, просмотра, изменения, удаления проекта технического паспорта; − при вводе информации в форму проекта технического паспорта пользователь должен иметь возможность выбора значений для некоторых полей в справочниках; − мобильное приложение должно иметь сервис обмена с платформой 1С, установленной на стационарном компьютере. В результате работы было создано мобильное приложение с помощью мобильной платформы 1С. Был разработан интерфейс приложения (рис. 1). Между мобильным приложением и основной информационной базой предприятия был настроен обмен элементами справочника и документами «Проект технического паспорта» (рис. 2). Также был разработан пример интерфейса электронного архива (рис. 3).

Рис. 2. Обмен данными

197

Рис. 1. Пример интерфейса мобильного приложения

Решетневские чтения. 2015

Рис. 3. Интерфейс электронного архива

Библиографические ссылки 1. Официальный сайт ФГУП «Ростехинвентаризации − Федеральное БТИ» [Электронный ресурс]. URL: http://www.rosinv.ru/about/info/ (дата обращения: 15.06.2015). 2. Филиал ФГУП «Ростехинвентаризации – Федеральное БТИ» по Красноярскому краю, Сосновоборское отделение. [Электронный ресурс]. URL: http://r24.rosinv.ru/about_management/division/24_sosno voborsk/ (дата обращения: 15.06.2015).

References 1. Official site of FSUE “RostehinventarizatsiyaFederal BTI”. Available at: http://www.rosinv.ru/about/ info/ (accessed: 15.06.2015). 2. The branch of the “Rostehinventarizatsiya-Federal BTI” the Krasnoyarsk Territory, Department of Sosnovoborsk. Available at: http://r24.rosinv.ru/about_ management/division/24_sosnovoborsk/ (accessed: 15.06.2015). © Яковлева М. С., Вайтекунене Е. Л., 2015

__________ УДК 004.9 CRM-СИСТЕМА НА БАЗЕ МНОГОМЕРНЫХ OLAP-КУБОВ Е. С. Якуба, В. С. Тынченко Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярскийрабочий», 31 E-mail: [email protected] В настоящее время перед владельцам компаний, директорами и руководителями среднего звена возникает актуальная проблема привлечения и удержания клиентов. Все чаще можно слышать о снижении количества заказов, клиентов, спаде продаж и т. д. Проблема заключается в том, что компания не может автоматизировать и оптимизировать процесс работы с клиентами. Решение этой проблемы видится в создании или внедрении в менеджмент компании новых инновационных продуктов, таких как CRM-системы (Customer Relationships Management – управление взаимоотношениями с клиентами). CRM – деловая стратегия привлечения (выбора) и управления клиентами, нацеленная на оптимизацию их ценности в долгосрочной перспективе. Ключевые слова: CRM-система, многомерная база данных, OLAP, OLAP-кубы, бизнес, менеджмент. CRM-SYSTEM ON MULTIDIMENSIONAL OLAP-CUBE PLATFORM Ye. S. Yakuba, V. S. Tynchenko Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] 198

Информационно-управляющие системы

Currently the problem to attract and keep customers is acute for company owners and managers. We can hear about order number decrease, customer number reduction, sales slowdown and others. The problem is the companies is unable to automise and optimise the process of interacting with clients. The solution to the problem is to develop or implement innovation products such as CRM system (Customer Relationship Management) to the company management. CRM is a business strategy to attract (choose) and manage customers, it is aimed at optimizing their values within long terms. Keywords: CRM system, multidimensional database, OLAP, OLAP-cubes, business, management. В настоящее время перед владельцам компаний, директорами и руководителями среднего звена возникает актуальная проблема привлечения и удержания клиентов. Все чаще можно слышать о снижении количества заказов, клиентов, спаде продаж и т. д. Проблема заключается в том, что компания не может автоматизировать и оптимизировать процесс работы с клиентами. Часто начинающие компании в малом и среднем бизнесе работают без системы учета клиентов. Можно рассмотреть, что же из этого выходит. Каждый менеджер по продажам и работе с клиентами организовывает свой рабочий процесс так, как ему удобно: некоторые ведут всю фиксацию взаимодействия с клиентами на бумаге, некоторые пользуются Excelтаблицами и т. д. В итоге получается, что компания остается без единой системы учета, возникает хаос, в котором зачастую сложно работать. А если представить, что менеджер, который работал с клиентом, вдруг перестал работать в компании? Все его неоконченные переговоры и необработанные контакты компания может потерять, что также крайне нежелательно для эффективной работы отдела продаж. Решение этой проблемы видится в создании или внедрении в менеджмент компании новых инновационных продуктов, таких как CRM-системы (Customer Relationships Management – управление взаимоотношениями с клиентами). CRM – деловая стратегия привлечения (выбора) и управления клиентами, нацеленная на оптимизацию их ценности в долгосрочной перспективе. CRM предполагает наличие в организации философии и культуры, ориентированных на клиента, направленных на эффективность работы в области маркетинга, продаж и сервисного обслуживания. CRM – это подход к управлению, модель, которая помещает клиента в центр бизнес-процессов и методов работы компании [1–3]. Существует два типа CRM-систем, созданных на основе разных технологий. 1. Saas или система как сервис. При этом варианте все программное обеспечение и данные находятся на сервере поставщика услуг. Вы получаете onlineдоступ к системе через браузер, программу-клиент или мобильное приложение. Все процессы происходят на стороне поставщика услуг. 2. Standalone – лицензия на установку и использование программного продукта. Вы получаете решение, которое устанавливаете на собственный сервер, при желании, дорабатываете под свои потребности, в зависимости от тех возможностей, которые предоставляет поставщик CRM-системы.

На основе этих технологий существует различное множество готовых CRM-систем: «Мегаплан», «1С-Битрикс: Корпоративный портал», «amoCRM (exqCRM)» и многие другие. Все они имеют примерно одинаковый набор функциональных возможностей. Тогда назревает вопрос, зачем нужна еще одна CRM-система? Большинство CRM-систем обрабатывают запрос к данным, выводя в итоге сравнительные таблицы, отчеты и т. д. И здесь очень важно обработка скорости данных и вариативность выборки данных. Чтобы ускорить этот процесс, предлагается использовать OLAP-кубы и многомерные базы данных. OLAP (англ. online analytical processing – аналитическая обработка в реальном времени) – технология обработки данных, заключающаяся в подготовке суммарной (агрегированной) информации на основе больших массивов данных, структурированных по многомерному принципу. Причина использования OLAP для обработки запросов – скорость. Реляционные БД хранят сущности в отдельных таблицах, которые обычно хорошо нормализованы. Эта структура удобна для операционных БД (системы OLTP), но сложные многотабличные запросы в ней выполняются относительно медленно. OLAP-структура, созданная из рабочих данных, называется OLAP-куб. Куб создаётся из соединения таблиц с применением схемы звезды или схемы снежинки. В центре схемы звезды находится таблица фактов, которая содержит ключевые факты, по которым делаются запросы. Множественные таблицы с измерениями присоединены к таблице фактов. Эти таблицы показывают, как могут анализироваться агрегированные реляционные данные. Количество возможных агрегирований определяется количеством способов, которыми первоначальные данные могут быть иерархически отображены. OLAP-куб содержит базовые данные и информацию об измерениях (агрегаты). Куб потенциально содержит всю информацию, которая может потребоваться для ответов на любые запросы. При огромном количестве агрегатов зачастую полный расчёт происходит только для некоторых измерений, для остальных же производится «по требованию». В итоге можно получить CRM-систему на основе технологии SaaS с использованием многомерных OLAP-кубов. Это решение поможет: 1. Получить общую для компании стандартизированную базу контактов (клиентов, контрагентов). 2. Эффективно осуществлять контроль качества работы отдела продаж в любой момент времени.

199

Решетневские чтения. 2015

3. Получить статистику и аналитику эффективности работы с лидами (входящими звонками, запросами). 4. Планировать повышение качества работы и разрабатывать стратегию развития бизнеса. 5. Система OLAP, которая имеет такие возможности, как быстрый доступ к данным, преагрегация, иерархия, работа со временем. Библиографические ссылки 1. Krzysztof J. Cios, Data Mining: A Knowledge Discovery Approach. Springer 2007. ISBN 978-0-38733333-5. Page 123 “4.2 OLAP Server Architectures”. 2. Robert Wrembel, Christian Koncilia. Data warehouses and OLAP: concepts, architectures, and solutions. IRM Press, 2007. P. 1–26.

3. Гринберг П. CRM со скоростью света = CRM atthespeedoflight. СПб. : Символ Плюс, 2007. 528 с. ISBN 978-5-93286-079-3. References 1. Krzysztof J. Cios, Data Mining: A Knowledge Discovery Approach, Springer 2007, ISBN 978-0-38733333-5. Page 123 “4.2 OLAP Server Architectures”. 2. Robert Wrembel, Christian Koncilia. Data warehouses and OLAP: concepts, architectures, and solutions. IRM Press, 2007. P. 1–26. 3. Greenberg P. CRM at the speed of light = CRM at thespeedoflight. SPb. : The Plus Symbol, 2007. 528 p.

200

© Якуба Е. С., Тынченко В. С., 2015

Cекция

«ПРОГРАММНЫЕ СРЕДСТВА И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ»

7

Решетневские чтения. 2015

УДК 004.775 ПРОЕКТИРОВАНИЕ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ РЕФЕРИРОВАНИЯ ТЕКСТОВ К. А. Андреева1, Р. С. Шайдуров2 Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected] Рассматривается решение задачи автоматизированного извлечения структурированных данных из неструктурированных или слабоструктурированных текстов, получаемых поисковым роботом информационнопоисковой системы сайтов (ИПС). Ключевые слова: информационно-поисковая система, поисковый робот, релевантность, синтаксическое дерево, автоматизированное реферирование. DEVELOPMENT OF AUTOMATIC TEXT SUMMARIZATION SYSTEM K. A. Andreeva1, R. S. Shaydurov2 Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected], [email protected] This article considers the problem of automated extraction of structured data (knowledge) from unstructured or semi-structured text, obtained by search robot of information retrieval system. Keywords: information retrieval system, search engine, relevance, syntax tree, automated text summarization. На сегодняшний день происходит стремительное увеличение количества неструктурированной текстовой информации, что является причиной трудной доступности целевых знаний, когда в них возникает потребность. Современные ИПС не рассчитаны на решение данной задачи, поскольку они оперируют словами из текста, а не знаниями, содержащимися в нем, что порождает глубокий семантический разрыв между пользователем и ИПС. В связи с этим для более релевантного удовлетворения пользовательских запросов необходима некоторая система извлечения знаний из текстов, позволяющая автоматически выделять смысловую, оценочную и прочие виды информации. Результаты данной работы могут находить применение в различных предметных областях, в том числе в авиационной и ракетно-космической промышленности, предоставляя возможность проведения автоматизированного анализа текстового содержимого с целью извлечения из него конкретных знаний, позволяющих кратко обозначить основную мысль текста и, соответственно, обновить или заполнить базу данных ими. Задачей проектируемой системы является формирование синтаксического дерева зависимостей для каждого предложения. Под деревом зависимостей предложения подразумевается ориентированный граф, вершинами которого являются ключевые слова, а дугами – связи между ними, обозначающие синтаксическое подчинение (рис. 1) [1]. Синтаксический анализ текста разделяют на глубокий анализ и поверхностный [2; 3]. Задачей глубокого синтаксического анализа является построение

полного синтаксического дерева предложения с максимальной связностью. Поверхностный синтаксический анализ направлен на построение неполной синтаксической структуры текста разной сложности [4]. Для использования проектируемой системы в ИПС проведения поверхностного синтаксического анализа текста более чем достаточно.

Рис. 1. Дерево зависимостей предложения «Мама мыла раму»

Формирование поверхностного синтаксического дерева предложения должно состоять из следующих этапов: 1. Грубое разделение предложения на синтаксические группы в местах употребления союзов и знаков препинания. Например: «[Я позвонила], и [мне тут же открыли дверь].» Однако на данном этапе есть ряд своих нюансов. Например, не всегда союзами и знаками препинания разделяются разные смысловые части. Эти проблемы необходимо предусмотреть. 2. Замена ключевых слов в группах на обозначения соответствующих частей речи и удаление остальных «незначительных» слов. Для решения данной задачи необходимо сформировать морфологические категории для разных частей речи. Например:

202

Программные средства и информационные технологии

программирования Python, Perl, C++. Такая модификация ИПС позволит повысить релевантность информационного поиска.

Морфологические признаки глаголов Прошедшее время

Настоящее время

Будущее время

Несовершенный вид

Воспитывались

Воспитываются

Будут воспитываться

Совершенный вид

Были воспитаны

Воспитаны

Будут воспитаны

Для упрощения и ускорения данного этапа используются различные синтаксически размеченные языковые корпусы. Одним из лучших синтаксических корпусов русского языка считается «СинТагРус» [5]. 3. Соединение полученных на предыдущих этапах синтаксических групп операторами булевой алгебры для установления их связей друг с другом. 4. Определение ролей в каждой синтаксической группе. Для этого могут быть использованы фреймы, индуктивное логическое программирование, принцип максимальной энтропии. В результате выполнения данных этапов из исходного предложения формируется граф зависимостей, который впоследствии может быть использован ИПС для более эффективного удовлетворения пользовательских запросов (рис. 2).

Рис. 2. Синтаксические зависимости предложения «Съешьте еще этих булок, да выпейте же чаю»

В настоящее время предполагается реализация базового варианта предложенного алгоритма и его интеграция в ИПС, разработанную авторами. В качестве средств реализации будут использоваться языки

Библиографические ссылки 1. Смирнов И. В., Шелманов А. О. Семантикосинтаксический анализ естественных языков // Искусственный интеллект и принятие решений. 2013. № 1. С. 43–54. 2. Синтаксический и семантический парсер, основанный на лингвистических технологиях ABBY Compreno / К. В. Анисимович [и др.] // Диалог 2014 : тр. Междунар. конф. 2014. 3. Протасов С. Преимущества грамматики связей русского языка // Диалог 2005 : тр. Междунар. конф. 2005. 4. Синтаксический анализатор системы этап: современное состояние / Л. Л. Иомдин [и др.] // Dialogue : papers from the Annual International Conference. 2012. 5. Синтаксически размеченный корпус русского языка [Электронный ресурс]. URL: http://www. ruscorpora.ru/index.html (дата обращения: 15.08.2015). References 1. Smirnov I. V., Shelmanov A. O. Semantikosintaksicheskij analiz estestvennyh jazykov // Iskusstvennyj intellekt i prinjatie reshenij. 2013. № 1. S. 43–54. 2. Sintaksicheskij i semanticheskij parser, osnovannyj na lingvisticheskih tehnologijah ABBY Compreno / K. V. Anisimovich, K. Ju. Druzhkin, K. A. Zuev i dr. // Trudy mezhdunarodnoj konferencii “Dialog 2014”. 2014. 3. Protasov S. Preimushhestva grammatiki svjazej russkogo jazyka // Trudy mezhdunarodno j konferencii “Dialog 2005”. 2005. 4. Sintaksicheskij analizato r sistemy jetap: sovremennoe sostojanie. / L. L. Iomdin, V. V. Petrochenkov, V. G. Sizovi dr. // Papers from the Annual International Conference “Dialogue”. 2012. 5. Sintaksicheski razmechennyj korpus russkogo jazyka. Available at: http://www.ruscorpora.ru/index.html (accessed: 15.08.2015). © Андреева К. А., Шайдуров Р. С., 2015

____________ УДК 621.391 МОДЕЛИРОВАНИЕ КАНАЛА СВЯЗИ КОМАНДНО-ИЗМЕРИТЕЛЬНОЙ СИСТЕМЫ КОСМИЧЕСКОГО АППАРАТА С. Б. Арыков1, А. А. Судьбин1, В. А. Шатров2, С. А. Рябушкин2, А. И. Вильданов2 1

ЗАО «СофтЛайн Трейд» Российская Федерация, 115114, г. Москва, Дербеневская набережная, 7 2 АО «Информационные спутниковые системы» имени академика М. Ф. Решетнёва» Российская Федерация, 662972, г. Железногорск Красноярского края, ул. Ленина, 52 E-mail: [email protected], [email protected] 203

Решетневские чтения. 2015

Описывается возможность применения модельно-ориентированного проектирования для моделирования радиоканала при разработке командно-измерительной системы космического аппарата. Ключевые слова: модельно-ориентированное проектирование, командно-измерительная система. MODELING COMMUNICATION CHANNEL OF SPACECRAFT COMMAND AND RANGING SYSTEM S. B. Arykov1, A. A. Sudbin1, V. A. Shatrov2, S. A. Ryabushkin2, A. I. Vildanov2 1

JSC “Softline Trade” 7, Derbenevskaja emb., Moscow, 115114, Russian Federation 2 JSC “Academician M. F. Reshetnev “Information satellite systems” 52, Lenin Str., Zheleznogorsk, Krasnoyarsk region, 662972, Russian Federation E-mail: [email protected], [email protected] The article describes model-based approach for design and its application to modeling communication channel of spacecraft. Keywords: model-based design; telemetry, command and ranging system. Введение. В настоящее время в АО «ИСС» разрабатывается технологический комплекс производства бортовой аппаратуры (БА) командноизмерительной системы (КИС). Проектирование – один из основных этапов создания БА КИС, при этом радиотехнические характеристики являются ключевыми при проектировании системы. Традиционные методы проектирования успешно применяются для существующих, отработанных структур сигналов, однако не позволяют изменять параметры системы и оценивать их эффективность. В данной статье рассматривается возможность применения математического моделирования для оптимизации проектирования каналов связи КИС. Концепция модельно-ориентированного проектирования. Модельно-ориентированное проектирование (МОП) – методология сквозного проектирова-

ния сложных изделий посредством использования визуальных системных моделей на всех этапах проектирования [1; 2]. При МОП исходное тактико-техническое задание преобразуется в системную модель или исполняемую спецификацию, которая дополняется и используется на всём протяжении процесса проектирования. Исполняемая спецификация представляет проектируемое изделие в виде блок-схемы и позволяет однозначно зафиксировать требования, а также выполнить анализ осуществимости и совместимости требований посредством моделирования. Далее выполняется детальное проектирование работы каждого блока исполняемой спецификации, в том числе разработка алгоритмов. При этом существенная часть отладки алгоритмов может выполняться с помощью программного моделирования работы изделия.

Рис. 1. Модель канала связи

204

Программные средства и информационные технологии

Рис. 2. Спектр исследуемых сигналов реальных испытаний

Рис. 3. Спектр исследуемых сигналов в модели

Разработка модели канала связи. Для эффективного проектирования бортовой и наземной аппаратуры космического аппарата модель канала связи командно-измерительной системы должна удовлетворять ряду требований: – позволять моделировать передачу данных с учётом бюджета канала на основной полосе частот; – давать возможность изменять параметры приёмника и передатчика (скорость передачи данных, тип и параметры модуляции, вид и параметры кодирования и др.); – давать возможность изменять энергетические характеристики трактов и среды распространения. Прототип такой модели был разработан с помощью МОП и представлена на рис. 1. Для ее реализации были использованы инструменты компании MathWorks: MATLAB, Simulink, Stateflow, Signal Processing Toolbox, DSP System Toolbox, Communications System Toolbox [3]. Модель реализует передачу данных согласно Стандарту радиочастот и модуляции, Стандарту пакетной телеметрии европейского космического агентства ESA-PSS-04-105 и ESA-PSS-04-106 соответственно. На рис. 2 и рис. 3 представлены спектры сигналов, полученных при испытаниях и на одном из этапов моделирования. Параллельно с информационными данными передаётся сигнал измерения текущих навигационных параметров [4] согласно Стандарту измерения дальности ESA-PSS-04-103. Заключение. Использование МОП позволило смоделировать канал связи командно-измерительной системы с возможностью изменять параметры бортовой и наземной аппаратуры КИС, а также характеристики среды распространения. Построенная модель позволяет в режиме симуляции отражать значения BER (вероятность ошибки на бит), ППМ (плотность потока мощности), ЭИИМ (эквивалентная изотропноизлучаемая мощность), запас мощности и других данных для анализа качества радиолинии. Результаты моделирования подтверждают возможность оптимизации процесса проектирования КИС с помощью МОП.

Библиографические ссылки 1. Антипин А. М., Арыков С. Б., Отрадных А. В. Применение методики модельно-ориентированного проектирования при разработке сложных радиоэлектронных систем // СВЧ-2014 : материалы V Юбилейной общерос. науч.-техн. конф.. Омск : Изд-во ОмГТУ, 2014. С. 11–19. 2. Арыков С. Б., Судьбин А. А. Быстрое прототипирование приемника на основе модельноориентированного проектирования // СИНХРОИНФО 2015 : сб. тр. Междунар. науч.-техн. конф. М. : Изд. дом «Медиа Паблишер». 2015. С. 203–205. 3. Официальный сайт компании MathWorks в России [Электронный ресурс]. URL: http://matlab.ru/ products/ (дата обращения: 01.09.2015). 4. Шатров В. А., Патюков В. Г., Рябушкин С. А. Командно-измерительная система космического аппарата на геостационарной орбите // Современные проблемы радиоэлектроники : тр. XVII Всерос. науч. техн. конф. / СФУ. Красноярск, 2014. С. 268–273. References 1. Antipin A. M., Arykov S. B., Otradnyh A. V. Model-Based Design Approach to Complex Radio Electronic Systems Development // Materials V Anniversary All-Russian Scientific. Conf. “Microwaves 2014”. Omsk, OmSTU Publ., 2014. Pp. 11–19. 2. Arykov S. B., Sudbin A. A. Using Model-Based Design for Rapid Prototyping of Receiver // Proceedings of Intern. Scientific. Conf. “SINCHROINFO 2015”. Moscow, Publishing House Media Publisher, 2015. Pp. 203–205. 3. MathWorks site in Russia. Available at: http://matlab.ru/products/ (accessed: 01.09.2015). 4. Shatrov V. A., Patyukov V. G., Ryabushkin S. A. Telemetry, Command and Ranging System of Geo Spacecraft // XVII Russia wide scientific and technical conference “Modern Problems of Radioelectronic”. Krasnoyarsk, SFU, 2014. Pp. 268–273.

205

© Арыков С. Б., Судьбин А. А., Шатров В. А., Рябушкин С. А., Вильданов А. И., 2015

Решетневские чтения. 2015

УДК 004.021 ОБЗОР ФРЕЙМВОРКА XAMARIN В. В. Бастрикина Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Представлено описание кроссплатформенного фреймворка Xamarin. Приведен пример использования фреймворка в спутниковой связи. Приведено описание основных частей. Описаны ограничения, которые могут возникнуть при использовании в разных операционных системах. Ключевые слова: мобильные приложения, Xamarin, фреймворк, язык программирования C#. OVERVIEWING XAMARIN FRAMEWORKS V. V. Bastrikina Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The research presents the description of the cross-platform Xamarin framework. The article gives an example of the use of the framework in satellite communications. The paper describes main parts. The limitations that may arise when using different operating systems are outlined. Keywords: mobile applications, Xamarin, framework, programming language C#. На сегодняшний день мобильные приложения находятся на пике своей популярности. Количество разработчиков мобильных приложений увеличивается, количество доступных приложений растет, а также и число их загрузок. В связи с этим развивается большое количество кроссплатформенных мобильных фреймворков для успешного создания приложений. Повсеместно мобильные приложения используют данные со спутников, при этом фреймворк позволяет сделать общение с модулями спутниковой связи намного удобнее, поскольку не требуется писать отдельные нативные приложения для каждой платформы. Перед нами стоит задача разработать мобильное приложение, которое будет собирать информацию со всех интернет-магазинов, а также порталов, связанных с книжной индустрией. Для этого нам нужно выбрать кроссплатформенный мобильный фреймворк, в котором создание приложений осуществляется на языке программирования C#. На данный момент существует семь популярных кроссплатформенных мобильных фреймворков, таких как Appcelerator Titanium, Kony Platform, Adobe PhoneGap, IBM Worklight, Telerik Platform, Verivo Akula и Xamarin [1]. Но только Xamarin создает приложения с помощью языка C#. Xamarin – это фреймворк для кроссплатформенной разработки мобильных приложений (iOS, Android, Windows Phone) с использованием языка C#. Xamarin основан на open-source реализации платформы .NET – Mono. Код программы пишется на широко используемом языке программирования C# с применением всех привычных языковых особенностей, к примеру, LINQ, лямбда-выражений, Generic и Async. При этом

имеется полный доступ ко всем возможностям SDK платформы и механизму создания UI (user interface), получая на выходе приложение, которое, строго говоря, ничем не отличается от нативных и не уступает им в производительности. Фреймворк Xamarin состоит из нескольких основных частей: – Xamarin.IOS – библиотека классов, предоставляющая разработчику доступ к iOS SDK; – Xamarin.Android – библиотека классов, предоставляющая доступ к Android SDK; – компиляторы для iOS и Android; – IDE Xamarin Studio; – плагин для Visual Studio [2]. Ограничения в Xamarin.IOS связаны в тем, что в iOS, в отличие от .NET и Mono нет виртуальной машины. Поэтому возникают трудности с поддержкой Generic. Отсюда возникают такие ограничения: – нельзя использовать Virtual Generic методы, так как компилятор не может учесть все возможные варианты использования; – нельзя создавать Generic-наследников от класса NSObject, который является базовым в иерархии Objective-C [3]. Для каждой платформы Xamarin предоставляет возможность использовать нативные средства разработки UI и нативные элементы пользовательского интерфейса. Для Android создание UI может происходить непосредственно в коде или же при помощи декларативного подхода с описанием интерфейса в XML. Для iOS это также либо код, либо использование нативных средств проектирования интерфейса.

206

Программные средства и информационные технологии

Для каждой из платформы потребуется реализовать собственный слой UI, т. е. код, который отвечает за внешний вид приложения, придется написать для каждой платформы отдельно. Если разбивать приложение на слои, то получается такая схема: – Data Layer (DL) – хранилище данных, например, база SqlLite или xml-файлы; – Data Access Layer (DAL); – Business Layer (BL) – слой, содержащий бизнеслогику приложения; – Service Access Layer (SAL) – слой, отвечающий за взаимодействие с удаленными сервисами; – Application Layer (AL) – слой, содержащий платформозависимый код; – User Interface Layer (UI) – слой пользовательского интерфейса [4]. Кроссплатформенными являются все слои, расположенные выше Application Layer. Разработчики Xamarin в качестве среды разработки предлагают использовать либо собственную IDE – Xamarin Studio, либо Visual Studio. Xamarin Studio – кроссплатформенная IDE, которая работает как на Mac OS X, так и на Windows [2]. Также Xamarin предлагает возможность вести разработку в Visual Studio после установки специального плагина [5]. Таким образом, можно сделать вывод, что фреймворк Xamarin удовлетворяет всем необходимым возможностям и может использоваться при дальнейшей разработке мобильного приложения.

2. Официальный сайт Xamarin [Электронный ресурс]. URL: http://xamarin.com/ (дата обращения: 05.09.2015). 3. Arstechnisa [Электронный ресурс]. URL: http://arstechnica.com/information-technology/2014/05/ xamarin-3-review-making-cross-platform-mobile-development-painless/ (дата обращения: 27.08.2015). 4. ПрогХаус [Электронный ресурс]. URL: http://www.proghouse.ru/programming/27-xamarin (дата обращения: 05.09.2015). 5. Блюстайн М. Изучаем MonoTouch. Создание приложений на платформе iOS с помощью C# и .NET. М. : ДМК Пресс, 2012. 336 с. References 1. Corporate Blog “Center of High Technologie”. Available at: http://blog.htc-cs.ru/post/nativevsframeworks (accessed: 26.08.2015). 2. Official Website “Xamarin”. Available at: http:// xamarin.com/ (accessed: 05.09.2015). 3. Arstechnisa. Available at: http://arstechnica.com/ information-technology/2014/05/xamarin-3-review-makingcross-platform-mobile-development-painless/ (accessed: 27.08.2015). 4. ProgHaus. Available at: http://www.proghouse.ru/ programming/27-xamarin (accessed: 05.09.2015). 5. Blyustayn M. Learning MonoTouch. Creating application an iOS using C # and .NET. M. M. : DMK Press, 2012. 336 p.

Библиографические ссылки 1. Корпоративный блог «Центр высоких технологий» [Электронный ресурс]. URL: http://blog.htc-cs.ru/ post/nativevsframeworks (дата обращения: 26.08.2015).

© Бастрикина В. В., 2015

_____________ УДК 65.011.56 ПРОБЛЕМЫ МОНИТОРИНГА ПРОЦЕССОВ УПРАВЛЕНИЯ КОСМИЧЕСКИМИ АППАРАТАМИ В СИСТЕМЕ ОБРАБОТКИ ТЕЛЕМЕТРИИ Е. О. Благова1, М. В. Некрасов2, Д. Н. Пакман3 АО «Информационные спутниковые системы» имени академика М. Ф. Решетнева» Российская Федерация, 662972, г. Железногорск Красноярского края, ул. Ленина, 52 E-mail: [email protected], [email protected], [email protected] Рассматривается общая структура автоматизированной системы управления космическим аппаратом, а также проблемы обработки и представления телеметрии в части мониторинга процессов управления космическими аппаратами. Предлагаются пути развития и модернизации системы обработки телеметрической информации для центра управления полётом космических аппаратов. Ключевые слова: система управления, космический аппарат, телеметрия. SPACECRAFT CONTROL MONITORING ISSUES IN THE TELEMERY PROCESSING SYSTEM E. O. Blagova1, M. V. Nekrasov2, D. N. Packman3 JSC “Academician M. F. Reshetnev “Information satellite systems” 52, Lenin Str., Zheleznogorsk, Krasnoyarsk region, 662972, Russian Federation E-mail: [email protected], [email protected], [email protected] 207

Решетневские чтения. 2015

The article considers the general structure of automated spacecraft control system, telemetry processing and telemetry representation issues of specifically monitoring spacecraft control. The article is centered on development and modernization of telemetry information processing in spacecraft control center. Keywords: control system, spacecraft, telemetry. Автоматизированная система управления космическим аппаратом (АСУ КА) предназначена для обеспечения работы бортовых систем КА в течение всего времени его активного существования. АСУ КА представляет собой совокупность бортовых и наземных средств управления с необходимым математическим обеспечением и включает бортовой и наземный комплексы управления [1;2]. Задачи управления космическими аппаратами решаются с использованием аппаратных и программных средств наземного комплекса управления (НКУ) космическими аппаратами. Наземный комплекс управления предназначен для непрерывного выполнения задач управления космическими аппаратами и их орбитальной группировкой в целом, контроля полётов КА и поддержания заданных технических и баллистических характеристик [1; 2]. В структуре НКУ циркулирует информация различных видов, основными из которых являются разовые и программные команды, командно-програм-мная информация, результаты функционального контроля, баллистическая и телеметрическая информация. В сложной автоматизированной системе управления особую роль играет реакция управляемого космического аппарата на управляющие воздействия, а именно телеметрическая информация. Она поступает с передающих устройств спутника по радиолинии и содержит сведения о состоянии и режимах функционирования бортовой аппаратуры, выполнении лётных программ и реакции спутника на управляющие воздействия [3]. Комплексный анализ принимаемой телеметрической информации осуществляется с использованием специального программного обеспечения обработки телеметрической информации (СПО ОТИ), расположенного в центре управления космическими аппаратами (ЦУП КА). СПО ОТИ обеспечивает приём, обработку, архивирование и отображение телеметрической информации, а также позволяет подготавливать исходные данные для обработки телеметрической информации. СПО ОТИ решает следующие задачи: − подготовка исходных данных для обработки; − проведение сеанса приёма телеметрии со спутника; − проведение послесеансной обработки и анализа телеметрии. Существующие на данный момент программные комплексы из состава СПО ОТИ предоставляют средства контроля состояния КА посредством отображения значений первичных и вторичных телеметрических параметров, параметров обобщенного контроля, графиков и мнемосхем бортовых систем. При этом они не предоставляют возможности непосредственно-

го мониторинга процессов управления, которое осуществляется посредством выполнения циклограмм. Таким образом, для обеспечения контроля процессов управления необходима система динамического мониторинга выполнения циклограмм, а также средства их редактирования, позволяющие описывать логику циклограмм как можно менее трудозатратным способом. В настоящее время для осуществления контроля состояния различных объектов используют SCADAсистемы. Анализ наиболее популярных из них показал, что они не удовлетворяют требованиям, выдвигаемым к системе мониторинга процессов управления космическими аппаратами [4; 5]. С целью увеличения возможностей СПО ОТИ предлагается внедрить программный комплекс, имеющий в своем составе инструменты описания циклограмм со сложной разветвленной логикой и средства отображения хода их выполнения. Для снижения трудозатрат, требуемых для описания циклограмм, предлагается отказаться от использования скриптов и описывать циклограммы графически с использованием блок-диаграмм, что значительно облегчит процесс описания логики управляющих действий и увеличит читабельность такой циклограммы при выполнении. Помимо прочего разрабатываемая система должна предоставлять возможность мониторинга выполнения активной ветви алгоритма циклограммы в реальном времени, отображая планируемые в будущем работы с учетом состояния телеметрических параметров, характеризующих работу бортовых систем КА. Предложенные решения по усовершенствованию специального программного обеспечения обработки телеметрической информации позволят существенно упростить процесс управления космическими аппаратами, сделать его более прозрачным и дружественным. На данный момент система мониторинга процессов управления космическими аппаратами находится на стадии разработки и позволит в будущем расширить функционал СПО ОТИ. Библиографические ссылки 1. Камнев В. Е., Черкасов В. В., Чечин Г. В. Спутниковые сети связи : учеб. пособие. М. : Альпина Паблишер, 2004. 536 с. 2. Соловьев Ю. А. Системы спутниковой навигации. М. : Эко-Трендз, 2000. 270 с. 3. Вершинин А. Б., Некрасов М. В., Пакман Д. Н. Построение унифицированной системы обработки телеметрической информации в центрах управления полетами космических аппаратов // Исследования наукограда. 2012. Вып. 1. С. 19–24. 4. Мир компьютерной автоматизации – Системы диспетчерского управления сбора данных : журнал

208

Программные средства и информационные технологии

(SCADA-системы). URL: http://www.mka.ru/?p=41524 (дата обращения: 01.09.2015). 5. SCADA net ru: справочник по существующим SCADA-системам, сравнение функциональных возможностей, цены. URL: http://scadanews.ru/catalog2.php (дата обращения: 01.09.2015). References 1. Kamnev V. E., Cherkasov V. V., Chechin G. V. Sputnikovye seti svyazi [Satellite network]. Moscow : Al’pina Pablisher, 2004. 536 p. 2. Solov’ev Yu. A. Sistemy sputnikovoy navigatsii [Satellite navigation systems]. Moscow : Eko-Trendz, 2000, 270 p. 3. Vershinin A. B., Nekrasov M. V., Pakman D. N. [Development of the unified telemetry informationprocessing system in the spacecraft control centers].

Issledovaniya naukograda. 2012. No. 1, рp. 19–24 (In Russ.). 4. Zhurnal Mir komp'yuternoy avtomatizatsii – Sistemy dispetcherskogo upravleniya sbora dannykh (SCADA-sistemy) [Journal The world of computerization – supervisory control and data acquisition systems (SCADA systems)]. Available at: http://www.mka.ru/ ?p=41524 (accessed: 01.09.2015). 5. SCADA net ru:: Spravochnik po sushchestvuyushchim SCADA sistemam, sravnenie funktsional'nykh vozmozhnostey, tseny [SCADA systems guide, functionality comparison, price]. Available at: http://scadanews.ru/catalog2.php (accessed: 01.09.2015). © Благова Е. О., Некрасов М. В., Пакман Д. Н., 2015

_____________________________ УДК 004.042, 004.4’22, 004.4’242 МОДЕЛЬНО-ОРИЕНТИРОВАННАЯ РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ КРИТИЧЕСКИХ ПО НАДЕЖНОСТИ ВСТРАИВАЕМЫХ СИСТЕМ С ПРИМЕНЕНИЕМ ПРОГРАММНОГО КОМПЛЕКСА SCADE ОТ КОМПАНИИ ESTEREL TECHNOLOGIES А. Ю. Бурков, М. Б. Насыров ООО «АНСИС» Российская Федерация, 119049, г. Москва, ул. Мытная, 31 E-mail: [email protected] Рассматриваются преимущества модельно-ориентированного подхода при разработке программного обеспечения (ПО) критических по безопасности систем в ракетно-космической отрасли на примере технологии SCADE. Ключевые слова: MBSD, SCADE (Safety Critical Application Development Environment), Esterel, DO-178C, ECSS Q80, IEC 61508, автоматизированная генерация кода. MODEL-BASED SOFTWARE DEVELOPMENT FOR SAFETY-CRITICAL EMBEDDED SYSTEMS WITH SCADE SOLUTIONS FROM ESTEREL TECHNOLOGIES A. Yu. Burkov, M. B. Nasyrov LLC “ANSYS” 31, Mytnaya Str., Moscow, 119049, Russian Federation E-mail: [email protected] This article discusses the advantages of model-based approach for safety-critical systems software development (SW) in Aerospace industry with SCADE technology. Keywords: MBSD, SCADE (Safety Critical Application Development Environment), Esterel, DO-178C, ECSS Q80, IEC 61508, automated code generation. Введение. ПО значительно сложнее аппаратной части [1] и достижение требуемого уровня его надежности достигается с большими затратами. Значимость ПО в бортовых системах возрастает с увеличением объема реализуемых функций, сложности и требований по безопасности. Традиционные методы разработки (написание технического задания, описание требований, построе-

ние функциональных схем в различных графических редакторах, ручные кодирование и верификация и т. п.) являются трудоемкими и низкоэффективными, особенно с учетом необходимости выполнения всех требований стандартов и прохождения сертификации. Сравнение классического подхода к разработке ПО и модельно-ориентированного подхода, реализуемого технологией SCADE. Основные промыш-

209

Решетневские чтения. 2015

ленные стандарты по функциональной безопасности определяют все этапы разработки ПО ответственных систем и их последовательность [2]. При «ручном» подходе, согласно классической V-образной модели жизненного цикла ПО, на основе требований пишется код и появляется необходимость в написании тестов для его функциональной верификации. Тесты пишутся на основании требований. На следующем шаге проводится анализ полноты тестового покрытия. Данная процедура позволяет дать количественную оценку тестам, насколько глубоко и полно проверяется код, содержит ли он незадекларированный функционал и «мертвый» код [3]. Далее тестирование проводится на целевой платформе. Верификация и валидация являются самыми трудоемкими и дорогостоящими этапами при разработке ответственного ПО. При «ручном» подходе ошибка разработчика может стоить очень дорого, так как придется возвращаться на первый шаг и проходить все этапы с самого начала. В случае модельно-ориентированного подхода практически все этапы разработки выполняются на уровне модели [4]. Основной задачей модельно-ориентированного подхода является переход с текстового языка на формальный. Таким образом, это означает, что любое формализованное выражение может трактоваться однозначно и есть возможность проверить его при заданных условиях. Одним из способов, позволяющих сократить затраты на разработку ПО бортовых систем, повысить уровень взаимопонимания между разработчиками и заказчиками, является применение комплекса SCADE [5] компании Esterel Technologies, в основе которого лежит модельный подход при разработке ПО и автоматическая генерация кода на языках С и ADA. Основное назначение комплекса SCADE – модельно-ориентированная разработка критичного по безопасности ПО для встраиваемых систем, спецификаций к нему, генерация отчетной документации и поддержка ПО на всех этапах его жизненного цикла. Все инструменты, входящие в комплекс SCADE, ориентированы на построение эффективных процессов в соответствии с промышленными стандартами и обеспечение надежности разрабатываемых систем. Предлагаемый набор инструментов охватывает весь жизненный цикл разрабатываемого ПО: от системного проектирования и разработки дизайна, до тестирования на целевой платформе. Генераторы кода и документации, входящие в комплекс SCADE, являются сертифицированными/квалифицированными согласно основным промышленным стандартам, в частности, по авиационному стандарту DO-178C и вытекающему из него ECSS Q80 для космической промышленности. Это гарантирует полное соответствие генерируемых кода и документации разрабатываемым моделям и позволяет существенно сократить затраты (ресурсов и времени) на разработку ПО и на подтверждение его надежности. Код, получаемый из моделей, созданных в средах SCADE Suite и SCADE Display при помощи сертифи-

цированных кодогенераторов, не требует выполнения низкоуровневого тестирования. Получаемый код трассирует с моделью, имеет статическое распределение памяти, не зависит от операционной системы и аппаратной платформы. Комплекс SCADE включает в себя: – SCADE System – графическое описание архитектуры, функционала и интерфейсов будущей системы на языке SysML; описание распространения данных в системе и проверка целостности; автоматизированная генерация конфигурационных и интерфейсных документов; – SCADE Suite – графическое представление блок-схем потоков данных и безопасных конечных автоматов, позволяет создавать точную и однозначную спецификацию с возможностью симуляции и последующей генерацией кода на языках С и ADA; – SCADE Display – модельно-ориентированная разработка детальных прототипов и спецификаций для встроенных человеко-машинных интерфейсов, с последующей генерацией кода; – SCADE Test – подготовка тестовых сценариев, их запуск и получение формальных отчетов тестирования; оценка полноты покрытия модели и кода согласно заданным критериям. Генерация подтверждающих отчетов автоматизирована, что позволяет значительно сэкономить время и средства относительно ручного тестирования; – SCADE Lifecycle – шлюз к системам управления требованиями (Requirements Management Gateway), позволяет графически организовать связи между моделями SCADE и другими структурированными документами, в частности, требованиями высокого уровня и тестовыми планами. Генератор отчётов SCADE Reporter автоматизирует трудоёмкую работу по созданию подробных отчетов, описывающих модели SCADE. Технология SCADE оптимально подходит для разработки таких приложений, как системы управления полетом, навигационные системы, бортовые системы жизнеобеспечения, ПО для наземных пунктов контроля, системы корректировки орбиты. Данная технология нашла свое применение в следующих космических программах: – ARIANE 5 и 5 ME – ракеты-носители (ESA/ Astrium) [6]; – HOMER – посадочный модуль (ESA/Astrium); – ATV Jules Verne – транспортный модуль (ESA/ Astrium) – модуль мониторинга и жизнеобеспечения, код сертифицирован по DO-178B уровень А [6]; – VEGA – ракета-носитель (Fiat Avio/ELV, EADS Astrium) – система управления полетом; – Long March – ракета-носитель CZ-5 (CALT) – система навигации и наведения; – ZY-3 спутник (CAST) – блок контроля температуры. Заключение. С помощью модельно-ориентированного подхода при разработке бортового ПО удается значительно снизить затраты на разработку и сопровождение ПО за счет простоты разработки функциональных спецификаций и архитектуры, удобства обмена информацией между разработчиками, отсут-

210

Программные средства и информационные технологии

ствия необходимости в навыках программирования, возможности частичного и полного использования существующих разработок в новых проектах, автоматизации этапов верификации и генерации кода и отчетной документации. Библиографические ссылки 1. Майерс Г. Надежность программного обеспечения. М. : Мир, 1980. 360 с. 2. ECSS-Q-ST-80C. Space product assurance: software product assurance, 2009. 3. Синицын С. В., Налютин Н. Ю. Верификация ПО. М. : БИНОМ, 2008. 4. Berry G. The Effectiveness of Synchronous Languages for the Development of Safety-Critical Systems. Esterel Technologies [Electronic resourse]. 2003. URL: http://dnlcenter.esterel-technologies.com/ (date of visit: 10.10.2015). 5. Conquet E., Dormoy F., Lesens D. Formal Model Driven Engineering for Space Onboard Software [Electronic resourse] // ERTS². 2012. URL: http://dnlcenter. esterel-technologies.com/ (date of visit: 10.10.2015). 6. Lesens D. SCADE Suite in Space Applications at EADS Astrium Space Transportation [Electronic resourse]. 2008. URL: http://dnlcenter.esterel-technologies.com/ (date of visit: 10.10.2015).

References 1. Mayers G. Nadezhnost’ programmnogo obespecheniya [SW Reliability]. M. : Mir, 1980. 360 p. 2. ECSS-Q-ST-80C. Space product assurance: software product assurance, 2009. 3. Sinitsyn S. V., Nalyutin N. Yu. Verifikatsiya programmnogo obespecheniya [Software Verification]. M. : BINOM, 2008. 4. Berry G. The Effectiveness of Synchronous Languages for the Development of Safety-Critical Systems. Esterel Technologies [Electronic resourse]. 2003. URL: http://dnlcenter.esterel-technologies.com/ (date of visit: 10.10.2015). 5. Conquet E., Dormoy F., Lesens D. Formal Model Driven Engineering for Space Onboard Software [Electronic resourse]. ERTS². 2012. URL: http://dnlcenter.esterel-technologies.com/ (date of visit: 10.10.2015). 6. David L. SCADE Suite in Space Applications at EADS Astrium Space Transportation [Electronic resourse]. 2008. URL: http://dnlcenter.estereltechnologies.com/ (date of visit: 10.10.2015).

© Бурков А. Ю., Насыров М. Б., 2015

___________ УДК 004.42 ГРАФИЧЕСКАЯ СРЕДА ПОСТРОЕНИЯ СЦЕНАРИЕВ ИСПЫТАНИЙ БОРТОВОЙ АППАРАТУРЫ КОСМИЧЕСКОГО АППАРАТА* Р. В. Вогоровский Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 E-mail: [email protected] Рассматриваются принципы построения сценариев испытаний бортовой аппаратуры космического аппарата с использованием графического редактора. Ключевые слова: космический аппарат; бортовая аппаратура; контрольно-проверочная аппаратура. GRAPHIC ENVIRONMENT FOR BUILDING SCRIPTS OF TESTING SPACECRAFT ONBOARD SYSTEMSОшибка! Закладка не определена. R. V. Vogorovskiy Institute of Computational Modeling SB RAS 50/44, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: [email protected] The principles of building test scripts for the spacecraft onboard systems using graphic editor are observed. Keywords: spacecraft; onboard systems; test and control equipment. *

Работа выполнена при финансовой поддержке Минобрнауки России в Институте вычислительного моделирования СО РАН (договор № 02.G25.31.0041). Руководитель работ Л. Ф. Ноженкова.

211

Решетневские чтения. 2015

Высокая надежность бортовой аппаратуры космических аппаратов (КА) обеспечивается за счет выполнения различных испытаний на всех этапах производства. Испытания направлены на установление соответствия характеристик объекта испытания заданным требованиям. На производствах бортовой аппаратуры КА, несмотря на сложности при проведении испытаний в условиях опытного или мелкосерийного производства, применяются автоматизированные измерительные системы [1; 2], в частности, комплексы контрольно-проверочной аппаратуры (КПА) с современным программным и математическим обеспечением. Испытания проводятся путем выполнения с помощью КПА различных измерений в заданной последовательности и объеме, в соответствии с программой испытаний [3]. Существуют различные программные средства и способы описания логики и последовательности выполнения испытаний. В частности, в программном обеспечении управления испытаниями TestStand компании National Instruments используется текстовое представление испытаний. В данной работе рассматривается графическая среда построения сценариев испытаний, используемая в программном обеспечении КПА, для испытаний бортовой аппаратуры командноизмерительной системы (БА КИС) КА [4]. Под сценарием испытаний понимается формализованное представление в программном обеспечении КПА последовательности измерений из программы

испытаний. Измерения в сценарии представляются в виде специальных условных блоков – действий. Действие характеризуется наименованием измерения, исполняющим измерительным оборудованием КПА, наборами входных и выходных параметров. Входные параметры служат для настройки измерительного оборудования при проведении измерения. Выходные параметры представляют результаты измерений. Примерами действий и соответствующих им измерений являются «Измерение мощности спектра», «Измерение номинала частоты», «Измерение спектра с использованием маски». Упорядоченные последовательности действий, имеющие конкретное назначение, например испытание определенных подсистем БА КИС, формируют так называемые задания. В свою очередь, упорядоченные последовательности заданий составляют сценарий испытаний бортовой аппаратуры КИС. Редактирование сценариев выполняется в графическом редакторе (см. рисунок). Редактор состоит из панели элементов, панели редактора, обозревателя текущего сценария, панели свойств элемента сценария, панели ошибок. Панель элементов содержит доступные для добавления в сценарий задания или действия. Перечень действий является расширяемым [5]. Добавление новых элементов в сценарий осуществляется путем их перетаскивания из панели элементов на панель редактора.

Графический редактор сценариев испытаний

212

Программные средства и информационные технологии

Элементы сценария (действия и задания) на панели редактора представляются в виде условных блоков прямоугольной формы, размещенных на табличной форме. В строках формы размещаются одноименные элементы сценария, а столбцы являются этапами выполнения элементов сценария. Этапы служат для задания очередности и продолжительности (по этапам) выполнения элементов сценария. Блоки, расположенные на одном этапе, будут выполнятся параллельно. В обозревателе сценариев отображается структура сценария в виде дерева элементов, по которому можно осуществлять навигацию внутри сценария. В панели свойств выполняется настройка выбранного элемента сценария. В редакторе сценариев реализован ряд функций, позволяющих составлять нелинейные сценарии со сложной логикой выполнения: − формирование условий запуска и остановки выполнения действий, которые позволяют выполнять условные переходы между действиями при их выполнении; − настройка циклов по заданиям, т. е. выполнение последовательности действий в рамках задания в цикле со счетчиком либо в цикле пока один или несколько параметров действий изменяется в определенном интервале с шагом (например, цикл по всем значениям напряжения питаний от 1 до 10 В с шагом 0,5 В); − механизм задания зависимости между параметрами различных действий – изменение параметра в одном действии (источнике) влечет за собой изменение значения в параметре другого действия (подписчике); − проверка правильности составления сценария во время редактирования, при этом обнаруженные ошибки мгновенно отображаются на соответствующей панели редактора. Представленный графический редактор позволяет решать задачи по описанию логики выполнения испытаний бортовой аппаратуры космического аппарата. Использование графического подхода повышает наглядность составляемых сценариев испытаний.

Библиографические ссылки 1. Технология сборки и испытаний космических аппаратов : учебник для высших техн. учеб. заведений / И. Т. Беляков [и др.] М. : Машиностроение, 1990. 352 с. 2. Батоврин В. К., Бессонов А. С., Мошкин В. В. Автоматизация измерений и испытаний : учеб. пособие. М. : Изд-во МФТИ, 2011. 128 с. 3. ГОСТ 16504–81. Система государственных испытаний продукции. Испытания и контроль качества продукции. Основные термины и определения. М., 1982. 24 с. 4. Вогоровский Р. В. Архитектура программного обеспечения для поддержки проведения испытаний командно-измерительной системы КА // Решетневские чтения : материалы XVIII Междунар. науч. конф. / Сиб. гос. аэрокосмич. ун-т. Красноярск. 2014. Ч. 2. С. 237–238. 5. Вогоровский Р. В. Организация взаимодействия с измерительным оборудованием при проведении испытаний бортовой аппаратуры КА // Молодой ученый. 2015. № 11. С. 22–27. References 1. Belyakov I. T., Zernov I. A., Antonov E. G. Tekhnologiya sborki i ispytanii kosmicheskikh apparatov : Uchebnik dlya vysshikh tekhnicheskikh uchebnykh zavedenii. Moscow, Mashinostroenie Publ., 1990. 352 p. 2. Batovrin. V. K., Bessonov A. S., Moshkin V. V. Avtomatizatsiya izmerenii i ispytanii: uchebnoe posobie. Moscow. MFTI Publ, 2011. 128 p. 3. GOST 16504–81. The state system of testing products. Product test and quality inspection. General terms and definitions. Moscow, 1982. 24 p. 4. Vogorovskiy R. V. [Architecture of the software for support of testing the spacecraft command and measuring system] // Мaterialy XVIII Mezhdunar. nauch. konf. “Reshetnevskie chteniya” [Materials XVIII Intern. Scientific. Conf “Reshetnev reading”]. Krasnoyarsk, 2014. Pр. 237–238 (In Russ.). 5. Vogorovskiy R. V. [Organization of interaction with the measuring equipment for testing of the spacecraft onboard systems]. Molodoy uchenyy, 2015. No. 11, рp. 22–27 (In Russ.). © Вогоровский Р. В., 2015

__________ УДК 004.94 КАРТОГРАФИЧЕСКОЕ ПРЕДСТАВЛЕНИЕ ДАННЫХ МОНИТОРИНГА СОСТОЯНИЯ ОКРУЖАЮЩЕЙ СРЕДЫ НА ОСНОВЕ OLAP А. А. Евсюков Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 E-mail: [email protected] Рассматривается картографическое представление данных мониторинга состояния окружающей среды. Для решения задачи предлагается взаимодействие технологий геоинформационных систем и оперативной аналитической обработки данных. 213

Решетневские чтения. 2015

Ключевые слова: оперативная аналитическая обработка данных, картографическое представление данных, мониторинг окружающей среды. CARTOGRAPHIC REPRESENTATION OF ENVIRONMENTAL MONITORING DATA BASED ON OLAP-MODELING A. A. Evsyukov Institute of Computational Modeling SB RAS 50/44, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: [email protected] This article reviews the cartographic representation of environmental monitoring data. The integration of GIS and OLAP technologies for this task is proposed. Keywords: online analytical processing, cartographic representation, environmental monitoring. Введение. Работа посвящена картографическому представлению оперативной обстановки в системах мониторинга состояния окружающей среды и оценки угрозы возникновения ЧС [1]. Данные мониторинга могут быть получены от систем как наземного, так и дистанционного зондирования Земли. Для наблюдения за состоянием окружающей среды (метеорологической, гидрологической, сейсмической, радиационной обстановками) предлагается построение отдельных OLAP-моделей [2]. При этом OLAP-технология применяется не только для формирования многомерного куба, выполнения стандартных операций над ним и агрегирования данных, но и для оперативного выявления опасностей в процессе мониторинга обстановки. На основе результатов оперативного анализа мониторинговых данных поставлена задача динами-

ческого картографического представления обстановки [3]. Индикация критических состояний. Оценка рисков возникновения ЧС происходит на основе аналитических индикаторов, позволяющих сравнивать результаты аналитической обработки оперативных (первичных) данных с пороговыми значениями показателей обстановки. Пороговые (критические) значения наблюдаемых показателей имеют пространственновременную привязку, так же как и исходные мониторинговые данные. Наличие пространственно-временной привязки мониторинговых данных делает возможным оперативное моделирование обстановки на карте. Разработанные средства географического моделирования позволяют отображать динамику изменения процессов на основе переключения временного измерения.

Отображение гидрологической обстановки

214

Программные средства и информационные технологии

Визуально состояние обстановки отображается в виде цветового индикатора, раскрашенного по принципу семафора. Нормальному состоянию обстановки соответствует зеленый индикатор. Если наблюдаемые показатели приближаются к критическому значению и достигают опасного уровня, требующего повышенного внимания, тогда индикатор аналитической модели становится желтым. При выходе за пределы допустимого интервала индикатор меняет цвет на красный – это означает, что ситуация требует немедленного реагирования. Картографический анализ. Для картографического представления оперативных данных используется модуль Яндекс.Карты для системы управления контентом Drupal [4]. В картографический модуль внедрен шаблон метки, состоящей из графического объекта и текста. Шаблон включает в себя изображение и текст. Например, для гидрологической обстановки выбран показатель суточного изменения уровня воды (см. рисунок). Контур метки раскрашен цветом индикатора: зеленым – в нормальном состоянии, желтым – при приближении к критическому значению уровня воды, красным – в случае его превышения. Кроме шаблона метки разработан шаблон информационного окна, содержащего более подробную информацию об объекте: наименование гидропоста, дату наблюдения, текущий и критический уровень воды. Модуль Яндекс.Карты получает данные OLAPмодели из сгенерированного xml-файла, состоящего из данных, полученных в результате среза гиперкуба по текущей дате. На основе полученных данных формируется новый картографический слой. Размещение объектов производится с использованием встроенных методов кластеризации: объекты, изображения которых накладываются друг на друга при заданном масштабе, объединяются в группы. Для навигации по группам разработан шаблон кластера, позволяющий получать информацию по каждому объекту группы. Заключение. Картографическое представление данных для задач мониторинга состояния окружающей среды и оценки угрозы возникновения ЧС повышает эффективность использования оперативной информации в органах управления МЧС. Применение систем автоматизированного мониторинга выводит на более качественный уровень эффективность управления мероприятиями по предупреждению и ликвидации чрезвычайных ситуаций. Оперативная информация о состоянии окружающей среды Красноярского края, республик Хакасия и Тыва находится в открытом доступе сети Интернет [5].

на региональном уровне управления / Л. Ф. Ноженкова [и др.] // Совершенствование системы управления, предотвращения и демпфирования последствий ЧС регионов и проблемы безопасности жизнедеятельности населения : сб. матер. Междунар. научно-практич. конгресса. Новосибирск : СГГА, 2010. С. 3–11. 2. Korobko A. V., Penkova T. G., Nicheporchuk V. V., Minaev A. S. The integral OLAP-model of the emergency risk estimation in case of Krasnoyarsk region // Proc. 36th Intеrnational Convention. The conference «Business Intelligence Systems (miproBIS)». 2013. Pp. 1456–1461. 3. Евсюков А. А. Оперативное географическое моделирование в системах мониторинга чрезвычайных ситуаций // Информатизация и связь. 2013. № 5. С. 53–57. 4. Яндекс.Карты [Электронный ресурс]. URL: https://yandex.ru/support/maps/ (дата обращения: 01.09.2015). 5. Сайт Территориального центра мониторинга и прогнозирования ЧС Главного управления МЧС России по Красноярскому краю [Электронный ресурс]. URL: http://tcmp.krasn.ru/ (дата обращения: 01.09.2015). References 1. Nozhenkova L. F, Isaev S. V., Nicheporchuk V. V., Evsyukov A. A., Morozov R. V., Markov A. A. The application of methods for effective data analysis to process the results of emergency monitoring at the regional level management // The materials collection of Intern. scientific-practical. Congress “Improving the system of control, prevention and damping of the consequences of emergency situations of the regions and the issues of life safety of the population”. 2010. Pp. 3–11. 2. Korobko A. V., Penkova T. G., Nicheporchuk V. V., Minaev A. S. The integral OLAP-model of the emergency risk estimation in case of Krasnoyarsk region // Proc. 36th International Convention. The conference “Business Intelligence Systems (miproBIS)”, 2013. Рp. 1456–1461. 3. Evsyukov A. A. Operative geographic modeling systems for emergency situations monitoring // Information and communication. 2013. № 5. Pp. 53–57. 4. Yandex.Maps [Web link]. URL: https://yandex.ru/support/maps/ (date of visit: 10.09.2015). 5. The website of the Territorial centre of monitoring and forecasting of emergency situations of the Main Department of Emercom of Russia in Krasnoyarsk Krai [Web link]. URL: http://tcmp.krasn.ru/ (date of visit: 10.09.2015).

Библиографические ссылки 1. Применение методов оперативного анализа данных для обработки результатов мониторинга ЧС

215

© Евсюков А. А., 2015

Решетневские чтения. 2015

УДК 629.78:004.65 АВТОМАТИЗИРОВАННАЯ СИСТЕМА КОНТРОЛЯ МАССОВЫХ ХАРАКТЕРИСТИК КОСМИЧЕСКОГО АППАРАТА: ОПЫТ ВНЕДРЕНИЯ, РЕЗУЛЬТАТЫ РАБОТЫ Е. В. Зайцева, А. В. Темляков АО «Информационные спутниковые системы» имени академика М. Ф. Решетнева» Российская Федерация, 662972, г. Железногорск Красноярского края, ул. Ленина, 52 E-mail: [email protected] Приводится опыт внедрения системы контроля массовых характеристик КА в АО «ИСС». Представлены результаты анализа работы, обозначены недостатки и основные направления доработки системы. Ключевые слова: контроль масс, СУБД, САПР. AUTOMATIC SYSTEM FOR MASS CONTROL OF THE SPACECRAFT: EXPERIENCE IN IMPLEMENTING, RESEARCH RESULTS E. V. Zaytseva, A. V. Temlyakov JSC “Academician M. F. Reshetnev “Information satellite systems” 52, Lenin str., Zheleznogorsk, Krasnoyarsk region, 662972, Russian Federation E-mail: [email protected] The article summarises experience of implementing systems for control mass properties of spacecraft at JSC “ISSReshetnev”. Results of the research analysis, the shortcomings and the main directions for further development of the system are presented. Keywords: mass control, DBMS, CAD. Одной из важнейших задач, решаемых при проектировании/изготовлении космических аппаратов (КА), является контроль массовых характеристик деталей и сборочных единиц КА. Значимость этой задачи обусловлена спецификой изготовления космических аппаратов: к массе изготавливаемого изделия предъявляются жёсткие ограничения по величине массы, выводимой ракетоносителем на орбиту. Общие требования к контролю масс изложены в государственном стандарте по контролю масс и положений центров масс [1]. Решение задачи контроля массовых характеристик изделия начинается с проектного бюджетирования массовых величин отдельных подсистем КА. Окончательный контроль массовых характеристик, как отдельных деталей, так и сборочных единиц, выполняется после их изготовления для верификации соответствия действительных и проектных массовых характеристик изготовленных деталей и сборочных единиц (ДСЕ). Контроль массовых характеристик представляет собой постоянный мониторинг значений фактической и проектной величины массы ДСЕ КА на каждом этапе проектирования/изготовления КА, в котором задействованы проектные, конструкторские и производственные подразделения предприятия, включая отдел технического контроля. Автоматизация контроля и учета массовых характеристик ДСЕ КА – один из основных этапов повышения качества проектируемых КА. Для автоматизации процесса контроля массовых характеристик в 2008 году в АО «ИСС» была начата

разработка специализированной системы [2]. Разработка была выполнена с использованием архитектуры «клиент–сервер» [3]. Серверная часть системы базируется на СУБД Oracle [4], клиентское приложение (программная оболочка MControl) реализовано в виде приложения под Windows, разработано на языке C++ с использованием библиотеки MFC, в среде Visual Studio. Для взаимодействия с базой данных использована технология ODBC, базовые запросы к СУБД реализованы в виде хранимых серверных процедур. Проводится резервное копирование данных системы на различных уровнях, сервер базы данных расположен на виртуальной машине, работающей под управлением механизмов WMware ESXi [5]. Таким образом, обеспечивается фактически бесперебойная работа системы. Система в течение шести лет активно используется в АО «ИСС». В системе работают более двух сотен человек, задействовано около десятка конструкторских подразделений, а также сотрудники производственных цехов и проектных подразделений. Система дала возможность оперативно вносить и контролировать изменения массовых характеристик в проектной и конструкторской документации. Уровни доступа в системе разграничены в соответствии с ролями пользователей. «Гости» – пользователи системы, задачи которых сводятся к просмотру содержащейся в ней информации. «Конструкторы» – пользователи, имеющие возможность работать с узлами, к которым им открыт доступ: создают узлы, соответствующие сборочным

216

Программные средства и информационные технологии

единицам; вносят в узлы данные (обозначение, наименование, тип, масса); выпускают по данным в системе документ ТБВ. Для открытия доступа к нужным узлам или при возникновении каких-либо затруднений обращаются к операторам системы. «Операторы» – пользователи, имеющие возможность осуществлять любые действия в программной оболочке MControl, допустимые её функционалом: имеют возможность вносить в систему схему деления изделия. Также операторы вносят в систему информацию из весовых талонов, принимают обращения пользователей с последующим выполнением необходимых действий. Операторы имеют права на такие операции, как открытие доступа к узлам, перемещение узлов, удаление узлов, смена авторства узлов, созданных другим автором, смена параметров узла, удаление узлов, созданных другим автором, изменение фактической массы узла, регистрация новых пользователей, добавление новых материалов в систему. В АО «ИСС» было разработано положение о работе в системе контроля масс, регламентирующее действия пользователей системы, включающее описание взаимодействий работающих в ней подразделений. Несмотря на очевидную приносимую пользу использования системы контроля масс, проведённый анализ работы системы выявил следующие её недостатки: 1. Недостаточно полное разграничение пользовательских прав: на текущий момент функционирование системы контроля масс невозможно без задействования для её обслуживания отдельной группы людей, которая регистрируется в ней с правами «Оператор». Их вмешательство необходимо для осуществления типовых действий, таких как выдача прав доступа на создание новых узлов, перемещение, копирование, удаление, изменение параметров имеющихся, передача прав и авторства другому пользователю и т. д. Эти действия могут быть разграничены между остальными пользователями системы, однако на текущий момент для множества типичных ситуаций автоматизация этих функций для конструкторской группы не предусмотрена, пользователи вынуждены обращаться к оператору, чтобы тот выполнил их вручную. 2. В техническом обслуживании системы также имеются проблемы: большинство штатных функций администрирования, предусмотренные системой, в том числе ежедневные обновления масс и контроль целостности связей, а также решение проблем пользователями, не автоматизированы. 3. Отмечена недоработка функционала, связывающего распределение масс по конструкторской схеме деления с бюджетом лимитов массовых величин, по этой причине в проектном подразделении система оказалась невостребованной и практически не используется, специалисты проектного отдела лишь формально имеют возможность просматривать информацию системы. Сформулированы основные направления доработки системы: − функционал системы должен предоставлять полноценные возможности мониторинга проектных и

фактических масс, отслеживание связей между схемой деления КА и лимитной сводкой масс по подсистемам; − в разрабатываемой системе контроля масс должны быть полностью автоматизированы базовые операции, работа техников-операторов сведена к минимуму; − функционал администрирования, обновление масс аппаратов, проверка целостности связей и корректности сводки масс должно проводиться автоматически, типовые действия администратора через прямые обращения к базе данных должны быть автоматизированы через системное меню программы с целью снижения вероятности совершения ошибки; − пользовательский интерфейс должен быть переработан в сторону удобства и эффективности использования; − интеграция с действующими в АО «ИСС» системами, такими как CATIA, SmarTeam, АСУ управления и производства. После окончательного утверждения перечня планируемых изменений будет принято решение о доработке системы и выпуске нового регламента работы с нею. Библиографические ссылки 1. ГОСТ 17265–80. Детали и сборочные единицы ракетных и космических изделий. Контроль масс и положений центров масс. 2. Автоматизированная система контроля, учета и анализа массовых характеристик деталей и сборочных единиц космического аппарата при его проектировании и изготовлении // Решетневские чтения : материалы XVIII Междунар. науч. конф. Красноярск, 2014. 284 с. 3. Таненбаум Э., Ванн Стеен М. Распределенные системы. Принципы и парадигмы. СПб. : Питер, 2003. 877 с. 4. Почему Oracle Database 12c? [Электронный ресурс]. URL: http://www.oracle.com/ru/database/overview/index.html (дата обращения: 15.09.2015). 5. vSphere ESXi Hypervisor [Электронный ресурс]. URL: http://www.vmware.com/ru/products/vsphere/features/ esxi-hypervisor (дата обращения: 15.09.2015). References 1. GOST 17265–80. Detali i sborochnye edinitsy raketnykh i kosmicheskikh izdeliy. Kontrol' mass i polozheniy tsentrov mass [Parts and assembly units of rocket and space products. Control of weight and center of gravity]. 2. Avtomatizirovannaya sistema kontrolya, ucheta i analiza massovykh kharakteristik detaley i sborochnykh edinits kosmicheskogo apparata pri ego proektirovanii i izgotovlenii // Reshetnevskie chteniya [Automatic system for accounting and mass control of parts and assembly units of the spacecraft during its design and]. Materialy XVIII Mezhdunarodnoy nauchnoy konferentsii. Krasnoyarsk, 2014. 284 p. 3. Tanenbaum E., Vann Steen M. Raspredelennye sistemy. Printsipy i paradigm [Distributed systems. The

217

Решетневские чтения. 2015

principles and paradigms]. St. Petersburg : Piter, 2003. 877 p. 4. Pochemu Oracle Database 12c? [Why Oracle Database 12c?] Available at: http://www.oracle.com/ru/ database/overview/index.html (accessed: 15.09.2015).

5. vSphere ESXi Hypervisor. Available at: http://www.vmware.com/ru/products/vsphere/features/esx i-hypervisor (accessed: 15.09.2015). © Зайцева Е. В., Темляков А. В., 2015

_________ УДК 004.9 СИСТЕМА ПЕРСОНИФИЦИРОВАННОГО ФОРМИРОВАНИЯ ЗАНЯТИЯ ПО ОБУЧЕНИЮ ИНОСТРАННОМУ ЯЗЫКУ Н. В. Ивлева, М. В. Карасева, П. В. Зеленков Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматривается проблема планирования занятий по иностранному языку. Предлагается разработка системы персонифицированного формирования занятия и курса, которая способствует более эффективному планированию занятий и курса в целом с учетом индивидуальных характеристик отдельного учащегося. Ключевые слова: система персонифицированного формирования занятия, планирование, характеристики учащегося. COMPUTERIZED STUDENT-ORIENTED SYSTEM ON LANGUAGE TEACHING N. V. Ivleva, M. V. Karaseva, P. V. Zelenkov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The paper considers the problem of foreign language lesson and course planning. It is offered to design a computerized student-oriented system on language teaching which could contribute into more effective lesson and course planning taking individual characteristics of each potential student into account. Keywords: computerized student-oriented system on language teaching, planning, students’ characteristics. На протяжении десятилетий изучение иностранных языков носит характер необходимости в связи интеграцией и глобализацией мирового сообщества, обусловленных переходом общества в стадию информационного. Все больше и больше людей стремятся овладеть иностранным языком с целью применения его в своей профессиональной деятельности, обучения за рубежом и просто общения в иноязычном сообществе. Однако приоритетной потребностью в знании иностранного языка является профессиональная сфера человека. Все больше и больше глобальных компаний открывают свои представительства и филиалы в разных странах мира, соответственно, специалисты вынуждены изучать иностранный язык, а именно английский, который носит статус глобального. Существует множество методов и подходов в обучении иностранному языку, однако отсутствует система персонифицированного формирования занятия по обучению иностранному языку, которая смогла бы разработать план занятия и в целом курс для специалистов различных областей знаний, нуждающихся в получении языковой компетенции.

Под системой персонифицированного формирования занятия по обучению иностранному языку понимается программное обеспечение, которое служит методической поддержкой для преподавателей иностранного языка и способствует более эффективному планированию занятий и курса по изучению иностранного языка с учетом индивидуальных характеристик учащегося, уровня языковой компетентности и профессиональной сферы деятельности. Система предполагает обработку данных, полученных при вводе в систему преподавателем, и формирование плана занятия или курса, который будет использоваться в образовательном процессе [6]. Подразумевается, что система самостоятельно обращается к базе данных, которая содержит перечень учебно-методических материалов с определенными параметрами, и выбирает необходимые ресурсы под заданные характеристики учащегося. База данных должна иметь статус редактируемой, чтобы преподаватели самостоятельно могли добавлять ресурсы с целью поддержания ее актуальности [7].

218

Программные средства и информационные технологии

Учебно-методические ресурсы группируются согласно языковым навыкам: чтение, аудирование, письмо и говорение [4]. В зависимости от потребности учащегося необходимо акцентировать внимание на те или иные навыки в процессе обучения [5]. Все это зависит от данных, введенных преподавателем в систему. В настоящее время имеется огромный выбор учебно-методических материалов, которые используются для тренировки языковых навыков. Проанализировав ресурсы, предлагаемые зарубежными издательствами Cambridge University Press, Oxford University Press, Longman, Macmillan, можно утверждать, что все учебные пособия можно разделить на учебные, пособия по грамматике и лексике, пособия по совершенствованию рецептивных навыков (чтение, аудирование) и продуктивных навыков (письмо, говорение). Материалы по совершенствованию навыков чтения, аудирования, письма и говорения можно найти как в учебных пособиях, так и в отдельных пособиях. Материал выбирается по педагогическим и техническим аспектам. Другая задача системы персонифицированного формирования занятия – выбор наиболее подходящего метода и подхода обучения на основе полученных данных системой. Существует 12 распространенных методов и подходов, которые являются интернациональными и используются во всем мире по работе с учащимися [1]. Однако бизнес-сообщество отличается своей спецификой. Не все существующие методы работают с данной целевой аудиторией, как показывает практика. Таким образом, система должна включать только те методы и подходы, которые действительно будут работать на практике. Основываясь на опыте, можно утверждать, что лишь 4 метода работают на должном уровне: коммуникативный подход; обучение на основе цикла работ, близких к потребностям повседневной жизни и необходимым умениям; личностно ориентированный подход; а также предметно-языковое интегрированное обучение. Данные методы считаются универсальными в методике преподавания иностранного языка для специальных целей. Методы способствуют ведению предмета в рамках контекста, что стимулирует учащихся овладеть иностранным языковом в качестве средства общения, инструмента для решения бизнес-проблем, а также принятия решения. Таким образом, при использовании вышеуказанных методов учащиеся из различных сфер профессиональной деятельности имеют возможность эффективнее вести бизнес и решать сопутствующие задачи. Исходя из вышеупомянутого, чтобы удовлетворить потребности учащихся, занимающихся различной профессиональной деятельностью, необходимо разработать систему персонифицированного формирования занятий, включающую такие параметры, как личные качества учащегося, срок обучения и цели изучения иностранного языка. В процессе исследования планируется разработать модифицированные методы анализа индивидуальных характеристик (психологические, физиологические) с учетом профессиональной области знаний учащегося [3], разработать

модифицированные методы формирования узкоспециализированных занятий [2], разработать систему формирования персонифицированных занятий с учетом мультилингвистических потребностей учащихся. Библиографические ссылки 1. Jim Scrivener. Learning Teaching. The Essential Guide to English Language Teaching. 3rd ed. Macmillan, 2011. P. 418. 2. Ковалев И. В., Зеленков П. В. Автоматизация формирования информационно-терминологического базиса мультилингвистических обучающих технологий // Дистанционное и виртуальное обучение. 2005. № 3. С. 68–81. 3. Построение частотных словарей на основе исходных текстов с применением лемматизации / И. В. Ковалев [и др.] // Вестник СибГАУ. 2013. Вып. 4(50). С. 39–41. 4. Оптимизация обработки данных в распределенных образовательных средах / И. В. Ковалев [и др.] // Программные продукты и системы. 2007. № 3. С. 28. 5. Ковалев И. В., Лесков О. В., Карасева М. В. Внутриязыковые ассоциативные поля в мультилингвистической адаптивно-обучающей технологии // Системы управления и информационные технологии. 2008. Т. 33, № 3.1. С. 157–160. 6. Ковалев И. В., Карасева М. В., Суздалева Е. А. Системные аспекты организации и применения мультилингвистической адаптивно-обучающей технологии // Образовательные технологии и общество. 2002. Т. 5, № 2. С. 198–212. 7. Ковалев И. В., Карасева М. В., Лесков В. О. Информационно-терминологический базис как совокупность лексически связанных компонентов // Вестник СибГАУ. 2009. Вып. 1-1(22). С. 54–56. References 1. Jim Scrivener. [Learning Teaching]. The Essential Guide to English Language Teaching, 3rd ed. Macmillan. 2011. P. 418. 2. Kovalev I. V., Zelenkov P. V. [Automatization of Information and Terminology Basis of Multilinguistic Educational Technologies] // Distantsionnoe i virtualnoe obuchenie. 2005. № 3. P. 68–81 (In Russ.). 3. [Formation of Frequency Dictionaries on Basis of Original Texts using Lemmatization] / Kovalev I. V., Seredin A. I., Karaseva M. V., Zelenkov P. V., Khrapunova V. V. // Vestnik SibGAU. 2013. No. 4(50). P. 39–41 (In Russ.). 4. [Optimization of Data Processing in Distributed Educational Environments] / Kovalev I. V., Zelenkov P. V., Yarkova S. A., Shevchuk S. F. // Programmnye produkty i sistemy. 2007. № 3. P. 28 (In Russ.). 5. Kovalev I. V., Leskov O. V., Karaseva M. V. [Intralingual Associative Fields in Multilinguistic Adaptive Educational Technology] // Sistemy upravleniya i informatsionnye tekhnologii. 2008. Vol. 33. № 3.1. P. 157–160 (In Russ.).

219

Решетневские чтения. 2015

6. Kovalev I. V., Karaseva M. V., Suzdaleva E. A. [System Aspects of Organization and Usage of Multilinguistic Addaptive Educational Technology] // Obrazovatelnye tekhnologii i obschestvo. 2002. Vol. 5. № 2. P. 198–212 (In Russ.).

7. Kovalev I. V., Karaseva M. V., Leskov V. O. [Information and Terminology Basis as Complex of Lexically Connected Components] // Vestnik SibGAU. 2009. No. 1-1(22). P. 54–56 (In Russ.). © Ивлева Н. В., Карасева М. В., Зеленков П. В. 2015

____________ УДК 338.46.5 ПРИМЕНЕНИЕ ШАБЛОНОВ KNOWLEDGE BASED ENGINEERING В САПР CATIA V5 ДЛЯ МОДЕЛИРОВАНИЯ СОТОВЫХ ПАНЕЛЕЙ В. И. Калинцев, М. В. Лихачев АО «Информационные спутниковые системы» имени академика М. Ф. Решетнёва» Российская Федерация, 662972, г. Железногорск Красноярского края, ул. Ленина, 52 E-mail: [email protected], [email protected] Разработана методика полуавтоматического конструирования сотовых панелей КА с использованием интеллектуальных шаблонов в САПР CATIA V5. Ключевые слова: САПР, интеллектуальный шаблон, повторное использование данных. CATIA V5 KNOWLEDGE BASED ENGINEERING TEMPLATE METHODOLOGY APPLICATION FOR HONEYCOMB PANELS MODELLING V. I. Kalintsev, M. V. Lihachev JSC “Academician M. F. Reshetnev “Information satellite systems” 52, Lenin str., Zheleznogorsk, Krasnoyarsk region, 662972, Russian Federation E-mail: [email protected], [email protected] A methodology for semi-automatic honeycomb panels for 3D model creation with knowledge-based template CATIA V5 CAD is developed. Keywords: CAD, PLM, knowledge based engineering, data re-use. Современные приборы полезной нагрузки космических аппаратов (КА) представляют собой отдельные функционально законченные блоки, имеющие соответствующую массу, что позволяет распределить общую массу по поверхности платформы, а не концентрировать ее на небольшой монтажной плоскости конструкции. Для обеспечения равнопрочности и размеростабильности в целом всей несущей конструкции современных КА негерметичного исполнения широко используются трехслойные композитные сотовые, в частности алюминиевые, несущие панели. Проектирование сотопанелей (СП) с использованием традиционных методов в САПР – процесс, занимающий много времени из-за большого количества построений. Процесс проектирования выглядит следующим образом: создаётся эскиз, на основе которого нужно построить лист обшивки (ЛО) определённой толщины, назначить материал (материал назначается каждому из элементов СП). Далее с использованием контекстных связей на поверхности ЛО нужно создать эскиз, из которого построить сотозаполнитель (СЗ), толщина которого вычисляется как разность толщины СП и суммы толщины двух ЛО (как правило, толщина у них совпадает), и, нако-

нец, создать эскиз второго ЛО при помощи контекстных связей на поверхности СЗ. Если СП состоит из двух и более частей, то описанные выше три построения нужно повторить в количестве частей, из которых состоит СП, а также по два эскиза усиливающих накладок (УН) на стыках листов обшивки, т. е. всего будет 3 Χ + 2( Χ − 1) эскизов, где Х – количество частей из которых состоит СП. В случае с наличием УН появляются дополнительные построения: в СЗ необходимо создать карманы под накладки (рис. 1). В большинстве случаев количество частей СП варьируется от одной до пяти. Чтобы спроектировать СП из пяти частей, конструктору необходимо создать двадцать три эскиза и на их основе строить листы обшивки, сотозаполнитель, накладки и карманы для них. Необходимо соблюдать определённую иерархию внутри сборки СП. Цикл построения СП занимает несколько часов, из которых большую часть занимает создание эскизов и построения элементов СП. Для сокращения затрат времени на построение СП было принято решение создать шаблон с использованием модуля Product Knowledge Template (PKT) САПР CATIA V5.

220

Программные средства и информационные технологии

Рис. 1. Структура сотопанели

Интеллектуальный шаблон PKT представляет собой параметризованную многоуровневую 3D-модель сборочной единицы, содержащую контекстные связи, внешние ссылки, формулы, параметры и публикации разных элементов панели (плоскости, эскизы, оси и др.), реплицируемую в рамках некоторого, часто возникающего, контекста. Для разработки шаблона были проанализированы: – структура СП; – основные свойства и особенности составляющих; – иерархия деталей в сборке. При разработке шаблона нужно учитывать сборочные ограничения таким образом, чтобы после применения не возникали ошибки из-за избыточных (конфликтующих) ограничений в сборке, к которой будет применяться шаблон. Толщина СП задаётся двумя ограничивающими плоскостями («плоскость панели» и «верх панели»), а ЛО – числовым параметром в мм. При помощи формул вычисляется толщина СЗ. Добавлены параметры с выбором материала ЛО и СЗ. В шаблон заложена требуемая иерархия. Создание СП с использованием шаблона выглядит следующим образом: нужно построить две ограничивающие плоскости, на одной из них создать эскизы будущих листов обшивки и оси для усиливающих накладок. Далее следует открыть библиотеку с шаблонами и выбирать шаблон по количеству частей СП. Указать входные данные – эскизы ЛО, оси УН и две ограничивающие плоскости (рис. 2) и получить готовую СП (рис. 3). Изменение базовых эскизов, к которым применялся шаблон, или ограничивающих плоскостей приводит к перестроению СП. В настоящее время библиотека шаблонов внедрена в подразделениях АО «ИСС», проектирующих СП. Применение шаблона позволяет использовать наименьшее количество вспомогательной геометрии,

в связи с этим время для создания готовой СП существенно сократилось. Появилась возможность прорабатывать большее количество вариантов конструкции КА в ограниченное время [1–3].

Рис. 2. Входные данные для шаблона

Рис. 3. После применения шаблона

Библиографические ссылки 1. Ушаков Д. Интеллектуализация программных решений в области PLM: Стратегия компании Ледас // Ledas LTD : Preprint. 12. 2004. 36 c. 2. CATIA V5 Training Knowledge Based Engineering [Электронный ресурс]. URL: https://d2t1xqejof9utc. cloudfront.net/files/24023/EDU_CAT_EN_KBE_FF_V5 R18_toprint.pdf?1374070986 (дата обращения: 10.10.2015).

221

Решетневские чтения. 2015

3. Лихачев М. В. Повторное использование данных электронного макета изделия при нисходящем проектировании в PLM-системах // Информационные технологии в проектировании и производстве. 2015. № 3. References 1. Ushakov D. PLM sofrwaare intellectualizattion: LEDAS company strategy. Novosibirsk: Ledas LTD, Preprint 12, 2004, 36 p.

2. CATIA V5 Training Knowledge Based Engineering URL: https://d2t1xqejof9utc.cloudfront.net/ files/24023/EDU_CAT_EN_KBE_FF_V5R18_toprint.pd f?1374070986. 3. DMU data re-use at with top-down design at PLM Systems // Information Technology of CAD/CAM/CAE. 2015. № 3. © Калинцев В. И., Лихачев М. В., 2015

___________ УДК 004.942 ИНФОРМАЦИОННЫЕ СИСТЕМЫ ОПОВЕЩЕНИЯ ОБ ЭКОЛОГИЧЕСКОМ СОСТОЯНИИ РЕГИОНА Е. В. Ковалева Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Выявлены наиболее существенные факторы, влияющие на экологическое состояние Земли. Проанализированы существующие на сегодняшний день электронные ресурсы, информирующие население региона – Красноярского края. В результате проведенного анализа были сформулированы требования к разрабатываемой информационной системе, основными из них являются актуальность и наглядность. Данный веб-ресурс сможет в доступной форме информировать пользователей о текущей экологической ситуации, а также строить прогнозы в виде графиков. Ключевые слова: экологические факторы, мониторинг, информирование, прогнозирование, веб-ресурс. THE INFORMATION SYSTEM OF NOTIFICATION ABOUT THE REGION ECOLOGICAL STATE E. V. Kovaleva Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The author identifies the main parameters, which influence on ecological state of the Earth. There are existing electronic resources to inform the population of Krasnoyarsk region. Result of analysis requirements for the information system is formulated; the major of them are relevance and visualization. This web-resource can inform users in an accessible form about the current environmental situation, and build forecasts in graphs. Keywords: environmental factors, monitoring, notification, forecasting, web-resource. В современном мире экологическая ситуация привлекает все больше внимания со стороны различных мировых сообществ. Актуальные на сегодняшний день проблемы состояния окружающей среды связаны с целым рядом факторов: 1. Достигнут определенный уровень развития промышленности и сельского хозяйства. 2. Количественный рост антропосистемы. 3. Недостаточное внимание со стороны многих правительств и парламентов к экологическим проблемам. 4. Слабый контроль состояния природных ресурсов.

Также в конце XX – начале XXI века ученые заговорили об экологическом кризисе планеты Земля [1]. Данные проблемы носят глобальный характер и потому заслуживают пристального внимания всех территорий, государств, регионов. Все выше сказанное подтверждает актуальность выбранной темы. Под экологической ситуацией понимают состояние окружающей среды или отдельных ее факторов, имеющих эмоциональную, количественную или качественную оценку. Именно потому, что экологические факторы можно измерить и, соответственно, работать с ними как с некими презентативными выборками,

222

Программные средства и информационные технологии

данные показатели используются в качестве входных данных представленной работы. Однако основным объектом исследования данной работы выступает не экологическая ситуация, а информационная система оповещения о состоянии этой ситуации. Согласно Приказу Министра охраны окружающей среды и природных ресурсов Российской Федерации от 9 февраля 1995 г. № 49 опубликовано положение, определяющее цели и задачи организации и функционирования Единой государственной системы экологического мониторинга, одной из задач которой, согласно данному документу, является обеспечение доступности интегрированной экологической информации широкому кругу потребителей (центральному и местному руководству, ведомствам и организациям, населению) [2]. В настоящее время на официальном сайте краевого государственного бюджетного учреждения «Центр реализации мероприятий по природопользованию и охране окружающей среды Красноярского края» публикуется и ежедневно обновляется информация экологического мониторинга: состояние атмосферного воздуха в г. Красноярске, г. Ачинске, п. Березовка Березовского района и д. Кубеково Емельяновского района, радиационная и сейсмическая обстановка на территории Красноярского края, полученная по результатам проводимых наблюдений. На данном ресурсе, работающем в тестовом режиме, для большей наглядности представлена также карта Красноярского края, на которой отмечены точки, в которых проводится мониторгинг состояния атмосферного воздуха, радиационной и сейсмической обстановки. Кроме табличного представления значений измерений, на сайте можно также ознакомиться с графиками изменения выбранных показателей за определенный промежуток времени [3]. Целью данной работы является создание информационной системы оповещения не только о текущей экологической ситуации региона – Красноярского края, а также прогнозирование и представление результатов прогноза в виде графиков, наглядно и ярко демонстрирующих пользователям изменения экологических показателей. Инструментом построения для обработки входной выборки и построения прогнозов,

а также наглядного отображения результатов прогнозов является программа Deductor Academic 5.3. В состав Deductor включен новый серверный компонент Deductor Integration Server, который является вебсервисом. Таким образом, результат любой аналитической обработки становится доступным для всех продуктов, взаимодействующих при помощи обмена XML-запросами. Конечным результатом работы будет ориентированный на пользователя без специального образования полноценный веб-ресурс, с описанием экологических показателей, графиками прогноза поведения данных показателей, а также с мультимедийным контентом, пропагандирующим сохранение и защиту природной среды. Библиографические ссылки 1. Бурко Р. А., Терёшина Т. В. Экологические проблемы современного общества и их пути решения // Молодой ученый. 2013. № 11. С. 237–238. 2. Министерство природных ресурсов и экологии Российской Федерации [Электронный ресурс]. URL: http://www.mnr.gov.ru/ (дата обращения: 10.10.2015). 3. Министерство природных ресурсов и экологии Красноярского края, краевое государственное бюджетное учреждение «Центр реализации мероприятий по природопользованию и охране окружающей среды Красноярского края» [Электронный ресурс] // КГБУ ЦРМПиООС. 2013–2014. URL: http://krasecology.ru/ (дата обращения: 10.10.2015). References 1. Burko R. A., Tereshina T. V. Ecological problems of modern society and their solutions // Young scientist. 2013. № 11. P. 237–238. 2. The Ministry of natural resources and ecology of the Russian Federation [Electronic resource]. URL: http://www.mnr.gov.ru/ (date of visit: 10.10.2015). 3. The Ministry of natural resources and environment of the Krasnoyarsk region, the Regional state budgetary institution “Center for the implementation of activities on natural resources and environment of the Krasnoyarsk territory” [Electronic resource]. URL: http://krasecology. ru/ (date of visit: 10.10.2015). © Ковалева Е. В., 2015

__________ УДК 004.42 УЧЕБНО-ИССЛЕДОВАТЕЛЬСКАЯ СИСТЕМА КОНСТРУКТОРА КОМАНДНО-ИЗМЕРИТЕЛЬНОЙ СИСТЕМЫ КОСМИЧЕСКОГО АППАРАТА* А. Ю. Колдырев Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 E-mail: [email protected] *

Работа выполнена при финансовой поддержке Минобрнауки России в Институте вычислительного моделирования СО РАН (договор № 02.G25.31.0041). Руководитель работ Л. Ф. Ноженкова.

223

Решетневские чтения. 2015

Рассматривается учебно-исследовательская система конструктора бортовой аппаратуры командноизмерительной системы, описаны функциональные возможности данной системы. Ключевые слова: учебно-исследовательская система, дифференциация учебного курса, командноизмерительная система. EDUCATION AND RESEARCH SYSTEM FOR DESIGNER OF SPACECRAFT COMMAND AND MEASURING SYSTEM A. Yu. Koldyrev Institute of Computational Modeling SB RAS 50/44, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: [email protected] The education and research system are observed in this article, functionalities of this system are described. Keywords: education and research system, differentiation of the educational course, command and telemetry system. Рост сложности бортовой аппаратуры командноизмерительной системы (БА КИС) космического аппарата требует от конструкторов совершенствования знаний и навыков работы с оборудованием [1]. Для решения этих задач разработана учебно-исследовательская система, вошедшая в состав программного комплекса ПММ БА КИС (программно-математическая модель бортовой аппаратуры командноизмерительной системы), созданного для поддержки деятельности конструктора БА КИС [2; 3]. Учебно-исследовательская система позволяет создавать учебный курс с теоретическим наполнением, обеспечивающим базовую подготовку для работы с оборудованием. Процесс создания учебного курса предполагает ведение тематического тезауруса, который объединяет в себе расширенный справочник

ключевых слов, описывающих отдельные понятия учебного материала, и связи между ними. Для оценивания уровня знаний и умений обучаемого предусмотрено создание тестов по каждому разделу курса с различными типами вопросов. Интеграция учебно-исследовательской системы с ПММ БА КИС даёт возможность пользователю создавать и просматривать различные примеры работы командно-измерительной системы космического аппарата (см. рисунок), которые наглядно демонстрируют различные особенности функционирования оборудования [3; 4]. Возможность интерактивной работы с моделью БА КИС позволяет вырабатывать и развивать у пользователя навыки решения практических задач работы с оборудованием.

Пример работы с моделью оборудования

224

Программные средства и информационные технологии

Система позволяет выбирать индивидуальные траектории обучения в зависимости от опыта работы пользователя с изучаемым оборудованием, целей обучения и других характеристик пользователей [5]. Библиографические ссылки 1. Башмаков А. И., Башмаков И. А. Разработка компьютерных учебников и обучающих систем. М. : Филинъ, 2003. 616 с. 2. Ноженкова Л. Ф., Исаева О. С., Грузенко Е. А. Построение программно-математической модели командно-измерительной системы космического аппарата // Информатизация и связь. 2014. № 1. С. 87–93. 3. Моделирование и анализ функционирования бортовой аппаратуры командно-измерительной системы космического аппарата / О. С. Исаева [и др.] // Информатизация и связь. 2015. № 1. С. 58–64. 4. Колдырев А. Ю. Программно-инструментальная поддержка учебно-исследовательской подготовки конструкторов бортовой аппаратуры командно-измерительной системы космического аппарата // Решетневские чтения : материалы XVIII Междунар. науч. конф. Красноярск, 2014. Ч. 2. С. 253–254. 5. Колдырев А. Ю. Дифференциация учебного процесса на основе алгоритма классификации // Молодой ученый. 2015. № 11. С. 56–59. References 1. Bashmakov A. I., Bashmakov I. A. Razrabotka komp’juternyh uchebnikov i obuchajushhih sistem

[Development of computer manuals and training systems]. M. : Informatsionno-izdatel’skiy dom “Filin”, 2003. 616 p. 2. Nozhenkova L. F., Isaeva O. S., Gruzenko E. A. Postroenie programmno-matematicheskoj modeli komandno-izmeritel’noj sistemy kosmicheskogo apparata [Building software and a mathematical model of spacecraft command and measuring system] // Informatizatsiya i svyaz. 2014. No. 1, рp. 87–93. 3. Modelirovanie i analiz funkcionirovanija bortovoj apparatury komandno-izmeritel’noj sistemy kosmicheskogo apparata [Simulation and analysis of the functioning of on-board equipment of command and measuring system of the spacecraft] / Isaeva O. S., Gruzenko E. A., Vogorovskiy R. V., Koldyrev A. Yu. // Informatizatsiya i svyaz. 2015. No. 1, рp. 58–64. 4. Koldyrev A. Yu. Programmno-instrumental'naja podderzhka uchebno-issledovatel'skoj podgotovki konstruktorov bortovoj apparatury komandno-izmeritel’noj sistemy kosmicheskogo apparata [Software tool support of education and research activities of designers of onboard command and measuring system of the spacecraft] // Мaterialy XVIII Mezhdunar. nauch. konf. “Reshetnevskie chteniya” [Materials XV Intern. Scientific. Conf “Reshetnev reading”]. Krasnoyarsk, 2015. P. 2, рp. 253–254. 5. Koldyrev A. Yu. Differenciacija uchebnogo processa na osnove algoritma klassifikacii [Differentiation of the educational process based-on classification algorithm] // Molodoj uchenyj. 2015. No. 11, рp. 56–59. © Колдырев А. Ю., 2015

_________ УДК 004.9 ИНФОРМАЦИОННАЯ СИСТЕМА ФОРМИРОВАНИЯ И УЧЕТА УЧЕБНО-МЕТОДИЧЕСКИХ КОМПЛЕКСОВ ДИСЦИПЛИН С. Н. Колмыков Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Представлена архитектура системы в виде функциональных модулей, выполняющих преобразования данных. Описаны модели потоков данных для режимов создания и редактирования учебно-методических комплексов дисциплин. Ключевые слова: модель потоков данных, учебно-методический комплекс дисциплины. INFORMATION SYSTEM TO FORM AND ACCOUNT EDUCATIONAL-METHODICAL COMPLEX OF A DISCIPLINE S. N. Kolmykov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] 225

Решетневские чтения. 2015

The research represents architecture of a system in the form of functional modules that perform data conversion. The paper also describes data flow model for mode of creation and editing educational-methodical complex of a discipline. Keywords: data flow model, educational-methodical complex of a discipline. Важнейшим этапом создания информационной системы (ИС) является её архитектурное проектирование. Одним из способов проектирования архитектуры системы является определение ее функциональных модулей на основе моделей потоков данных. Преимуществами такого подхода являются возможность повторного использования преобразований и модификации системы путем непосредственного добавления новых преобразований, простота реализации как последовательной, так и параллельной систем [1]. Основой реализации требований федеральных государственных образовательных стандартов (ФГОС) в учебном процессе являются учебно-методические комплексы дисциплин (УМКД) [2; 3]. Процесс разработки и модификации УМКД (при изменении поколений ФГОС) преподавателями кафедр является весьма трудоемким, что делает актуальной задачу разработки информационной системы автоматизации этого процесса. Такая информационная система должна поддерживать режимы разработки создания и редактирования УМКД. Модель потоков данных для режима создания УМКД представлена на рис. 1. На входе в систему

подаются документы, составляющие УМКД, например, такие как рабочая программа дисциплины, рейтинг-планы, график учебного процесса и т. п. Далее система открывает шаблон документа, на основе которого будет создан один из документов, входящих в перечень УМКД, например, рабочая программа дисциплины. Затем происходит заполнение полей шаблона преподавателем, на основании созданного им ранее документа рабочей программы. Система выдаст электронные версии документов, которые после будут связаны в один комплекс, который и будет являться результатом работы системы. В режиме редактирования УМКД (рис. 2) система может вносить изменения в существующие УМКД. Редактирование будет происходить следующим образом: открывается существующий УМКД, выбирается один из документов для внесения изменений, например, рабочая программа дисциплины. Система получает поля, доступные для редактирования, в которые впоследствии вносятся изменения. Эти изменения, в дальнейшем, при сохранении позволяют обновить содержание документов, составляющих УМКД.

Рис. 1. Модель потоков данных для режима создания УМКД

Рис. 2. Модель потоков данных для режима редактирования УМКД

226

Программные средства и информационные технологии

Данная система разрабатывается в виде модуля на платформе ERP-системы [4] Odoo [5].

5. Официальный сайт Odoo [Электронный ресурс]. URL: http://odoo.com (дата обращения: 4.09.2015).

Библиографические ссылки 1. Соммервилл И. Инженерия программного обеспечения. М. : Вильямс, 2002. 219 с. 2. УМКД [Электронный ресурс]. URL: http://www.bti.secna.ru/teacher/umk/standard.shtml (дата обращения: 4.09.2015). 3. ФГОС [Электронный ресурс]. URL: http:// минобрнауки.рф/документы/336#sel=1.1,1:35 (дата обращения: 4.09.2015). 4. ERP definition – Enterprise Resource Planning – Gartner IT [Электронный ресурс]. URL: http://www. gartner.com/technology/it-glossary/erp.jsp (дата обращения: 4.09.2015).

References 1. Sommerville I. Software Engineering. E. : AddisonWesley, 2002. 219 p. 2. EMCD. Available at: http://www.bti.secna.ru/ teacher/umk/standard.shtml (accessed: 4.09.2015). 3. FSES. Available at: http://минобрнауки.рф/документы/336#sel=1.1,1:35 (accessed: 4.09.2015). 4. ERP definition – Enterprise Resource Planning – Gartner IT. Available at: http://www.gartner.com/ technology/it-glossary/erp.jsp (accessed: 4.09.2015). 5. Official site Odoo. Available at: http://odoo.com (accessed: 4.09.2015). © Колмыков С. Н., 2015

____________________ УДК 004.056:378.048.2 МОДЕЛЬ ИНФОРМАЦИОННОЙ СТРУКТУРЫ ОРГАНИЗАЦИИ НА ОСНОВЕ КОМПЕТЕНТНОСТНОГО ПОДХОДА И. З. Краснов E-mail: [email protected] Изложен опыт применения технологий в устойчивых информационных системах с учетом человеческого фактора. Приведено описание методики и результаты использования компетентностного подхода к организации устойчивых информационных систем с учетом человеческого фактора как основного ресурса производства. Ключевые слова: компетентность, человеческий фактор, инсайдеры, матрица доступа, устойчивость информационной системы. MODEL OF INFORMATION STRUCTURE OF THE ORGANIZATION ON THE BASIS OF THE COMPETENCY APPROACH I. Z. Krasnov E-mail: [email protected] The article describes the experience of using technology in sustainable information systems, taking into account the human factor. The author gives a description of the methodology and results of using the competency approach to the organization of sustainable information systems, taking into account the human factor as the main production resource. Keywords: competence, the human factor, insiders, access matrix, the stability of the information system. Проблема обеспечения устойчивости информационных систем. С развитием информационных технологий все более актуальной становится задача разработки методов обеспечения устойчивости информационных систем. Актуальность работы соответствует более широкой проблеме, чем создание технологической защиты информационных ресурсов в системе информационной безопасности по защите от деятельности инсайдеров. В современных условиях информатизации общества одним из решающих факторов, определяющих устойчивое функционирование информационной системы,

является высокий уровень профессионализма пользователей, которые обращаются к информационным ресурсам организации. Профессионализм пользователя определяется расчетным уровнем компетентности относительно требуемой деятельности соответствующего бизнес-процесса, основанного на ИС. В расчетах уровня компетентности учитываются как психологические предрасположенности к деятельности, так и образовательные характеристики каждого пользователя, его профильное образование и опыт работы в векторе профессиональной деятельности. В соответствии с расчетным уровнем компетентности каждый пользователь

227

Решетневские чтения. 2015

получает ранг доступа к соответствующему уровню информационного ресурса организации. При условии несанкционированного доступа пользователей к ресурсу устойчивость системы резко снижается, и в особенности, когда низкий уровень компетентности не соответствует рангу доступа к информационному ресурсу. На сегодняшний день эта проблема является актуальной для большинства организаций, деятельность которых основана на информационных технологиях [1–3]. Решение данной проблемы основывается на разработке методики расчета уровня компетентности пользователей относительно требуемой деятельности с учетом психологической предрасположенности к конкретному виду деятельности и уровня образовательных характеристик, разграничение пользователей по расчетным уровням компетентности с присвоением соответствующего ранга доступа к информационному ресурсу. На втором этапе разрабатывается алгоритм разграничения доступа на основе матрицы доступа с учетом расчетного уровня компетентности пользователей относительно требуемой деятельности, что является актуальной задачей обеспечения устойчивости информационной системы. Исходя из такой постановки задачи в данной работе, коллективные и индивидуальные пользователи в активной системе отождествляются с уровнями доступа к соответствующему информационному ресурсу, поскольку перед системой ставится задача получения достоверных данных об уровне компетентности каждого пользователя относительно актуальности жизненного цикла информационного ресурса. Компетентность – интегральная характеристика личности, распадающаяся на

спектр отдельных компетенций. В обобщенном виде компетентность рассматривается как обладание свойством, проявляющееся в профессиональной деятельности. Компетентный человек сможет творчески и, как следствие, продуктивно действовать тогда, когда он, обладая знаниями и навыками, разработает требуемый алгоритм выхода из ситуации, не утрачивая своей эффективности, и в тот момент, когда нет требуемого способа действия, создаст его. Таким образом, назрела необходимость в организации системы разграничения уровня доступа пользователей к информационным ресурсам организации с учетом расчетного уровня компетентности. Кратко суть методики организации системы разграничения прав доступа к информационному ресурсу через требуемую деятельность с учетом психологических ресурсов коллективных пользователей ИС на основе МД представлена на рис. 1. От психологического ресурса человека через требуемую деятельность соответствующего бизнеспроцесса к уровню информационного ресурса. На сегодняшний момент основным недостатком любой организации является то, что практически любой пользователь имеет доступ к информационному ресурсу без учета его психологических предрасположенностей, характеристик профильного образования и соответствующего опыта работы. Эти предрасположенности и характеристики в соответствии с требованиями к предстоящей деятельности и определяют уровень компетентности каждого пользователя. Чем выше расчетный уровень компетентности, тем больше прав доступа получает пользователь.

Рис. 1. Структура распределения доступа

228

Программные средства и информационные технологии

Компетентность считается высокой, если пользователь психологически предрасположен к конкретному виду деятельности Pi, а также имеет образовательные характеристики Qi (профильное образование Q1 и опыт работы Q2) в соответствии с требуемым видом деятельности Di. В таком случае пользователь получает доступ к информационному ресурсу с полными правами (M, W, R). Условие определения наивысшего ранга доступа V1 относительно уровня компетентности, при имеющемся профильном образовании Q1 и опыте работы Q2. Ранг доступа V1 определяется следующим условием: если Pi = Di и имеется профильное образование Q1 и опыт работы Q2, то компетентность считается высокой и пользователю предоставляется полный доступ к информационному ресурсу. При условии отсутствия психологической предрасположенности пользователя к конкретному виду деятельности Pi и отсутствии профильного образования Q1 и опыта работы Q2, комплектность считается низкой. Соответственно уровень доступа определяется как минимальный, и ему присваивается ранг доступа V4 с отказом в доступе к ресурсу, информация которого не соответствует требуемому виду деятельности Di. Всех коллективных пользователей распределяем по уровням компетентностей относительно требуемых видов деятельности соответствующих бизнеспроцессов организации. Пользователь с высоким уровнем компетентности определяется как владелец бизнес-процесса, и ему присваивается ранг доступа V1.

Пользователь, имеющий средний уровень компетентности, определяется как менеджер процесса, и ему присваивается ранг доступа V2. Пользователь с низким уровнем компетентности определяется как исполнитель, и ему присваивается ранг доступа V3. Пользователь с минимальным уровнем компетентности определяется как инсайдер, ему присваивается ранг доступа V4. В доступе к ресурсу отказано. Экспертным мнением установим значение расчетного уровня компетентности в диапазоне от 1 до 0,1, ему будет присвоен ранг доступа V1, значению в диапазоне от 0,1 до 0,01 будет присвоен ранг доступа V2, соответственно значению в диапазоне от 0,01 до 0,005 будет присвоен ранг доступа V3. А значению, которое ниже 0,005 расчетных параметров уровня компетентности, будет присвоен ранг доступа V4 (табл. 1). Чем выше компетентность, тем выше уровень доступа к информационному ресурсу и, соответственно, ранг доступа. Причем для различных Di (i = 1, 2, 3, 4) будут получаться различные ранги в зависимости от значения компетентности для Pij с характеристикой Qi. Пусть имеются информационные ресурсы: конфиденциальная информация (КИ), информация для служебного пользования (ДСП), общедоступная информация (ОИ). К каждому ресурсу можно обращаться при наличии одного из 3-х рангов (V1, V2 или V3). В результате расчетов получаем математическую модель матрицы доступа к уровням информационного ресурса относительно требуемой деятельности D1 (табл. 2). Таблица 1

Соответствие рангов и прав доступа Право доступа к ИР Ранг доступа

rwd (полный доступ) V1

rw (чтение и запись) V2

r (только чтение) V3

Нет доступа V4 Таблица. 2

Расчетная матрица доступа к ресурсу относительно деятельности D1 D1

P1

P2

P4

Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 Q2 Q3 Q4 Q1 Q2 Q3 Q4

0,3136 0,1736 0,0560 0,0168 0,0672 0,0372 0,0120 0,0036 0,0186 0,0060 0,0018 0,1456 0,0806 0,0260 0,0078

КИ V1 0,3112

V2 0,185

V3 0,1705

ДСП V1 0,1323

V2 0,0752

V3 0,0441

ОИ V1 0,0456

V2 0,0235

V3 0,0119

0,2160 0,1196 0,0386 0,0116 0,0463 0,0256 0,0083 0,0025 0,0128 0,0041 0,0012 0,1003 0,0555 0,0179 0,0054

0,255 0,141 0,045 0,013 0,054 0,030 0,009 0,002 0,015 0,004 0,001 0,118 0,065 0,021 0,006

0,2601 0,1440 0,0465 0,0139 0,0557 0,0309 0,0100 0,0030 0,0154 0,0050 0,0015 0,1208 0,0669 0,0216 0,0065

0,2721 0,1506 0,0486 0,0146 0,0583 0,0323 0,0104 0,0031 0,0161 0,0052 0,0016 0,1263 0,0699 0,0226 0,0068

0,2900 0,1605 0,0518 0,0155 0,0621 0,0344 0,0111 0,0033 0,0172 0,0055 0,0017 0,1347 0,0745 0,0240 0,0072

0,2998 0,1659 0,0535 0,0161 0,0642 0,0356 0,0115 0,0034 0,0178 0,0057 0,0017 0,1392 0,0770 0,0249 0,0075

0,2993 0,1657 0,0534 0,0160 0,0641 0,0355 0,0115 0,0034 0,0178 0,0057 0,0017 0,1390 0,0769 0,0248 0,0074

0,3062 0,1695 0,0547 0,0164 0,0656 0,0363 0,0117 0,0035 0,0182 0,0059 0,0018 0,1422 0,0787 0,0254 0,0076

0,3099 0,1715 0,0553 0,0166 0,0664 0,0368 0,0119 0,0036 0,0184 0,0059 0,0018 0,1439 0,0796 0,0257 0,0077

229

Решетневские чтения. 2015

На основе математической модели расчета матрицы доступа к уровням информационного ресурса рассчитываем уровни требуемой деятельности для D2, D3, D4. Цветами выделены требуемые виды деятель-

ности: D1 – зеленый, D2 – красный, D3 – синий, D4 – желтый. Графически данное распределение можно представить следующим образом (рис. 2–6).

Рис. 2. Распределение доступов относительно D1

Рис. 3. Распределение доступов относительно D2

Рис. 4. Распределение доступов относительно D3

Рис. 5. Распределение доступов относительно D4

Рис. 6. Распределение пользователей по уровням компетентности относительно Dk, k = 1, 2, 3, 4

230

Программные средства и информационные технологии

На последнем рисунке отчётливо видно, что при различных Dk к разным ресурсам с разным уровнем доступа требуется разная компетентность с учётом ценности ресурса в соответствии с его жизненным циклом. Жирными линиями разграничены Dk. Самые большие всплески значений соответствуют ожиданиям, где Pi = Di, i = 1, 2, 3, 4. А самые низкие значения также в ожидаемой зоне, где Pi = Di+2, при i = 1, 2 и Pi = Di–2, при i = 3, 4. Заключение. Предложенная автором методика позволяет решать задачи обеспечения устойчивости информационной системы с учетом человеческого фактора как основного ресурса производства. В данной статье рассмотрены технологии разграничения уровней доступа пользователей информационной системы на основе матрицы доступа, имеющих психологическую предрасположенность к конкретному виду деятельности, соответствующий уровень образования и опыт профессиональной деятельности, что соответствует высокому уровню компетентности. Таким образом, решается задача организации устойчивости информационной системы: чем выше уровень компетентности, тем больший уровень доступа пользователя к соответствующему информационному ресурсу, тем стабильнее работает система. Чем ниже уровень компетентности, тем больше вероятность перехода пользователя в категорию инсайдера, что приводит к дестабилизации деятельности информационной системы. Библиографические ссылки 1. Барсуков В. С., Водолазский В. В. Современные технологии безопасности, интегральный подход. М. : Нолидж, 2000. 229 с. 2. Зима В., Молдовян А. Безопасность глобальных сетевых технологий. СПб. : БХВ-Петербург, 2003. 223 с. 3. Ильин Е. П. Дифференциальная психология профессиональной деятельности. СПб. : Питер, 2011. 196 с. 4. Шейн Э. Организационная культура и лидерство. СПб. : Питер, 2008. 142 с. 5. Никифоров Г. С. Психологическое обеспечение профессиональной деятельности. Теория и практика. СПб., 2010. 514 с. 6. Краснов И. З. Матрица доступа как пассивный элемент защиты информационных ресурсов. // Проблемы информационной безопасности государства, общества и личности : материалы XV Всерос. науч.-

практ. конф. (Томск–Иркутск). Томск : В-Спектр, 2014. С. 202– 210. 7. Краснов И. З. Дифференцированный подход к подготовке специалистов информационной безопасности // Доклады VI Пленума СибРОУМО по образованию в области информационной безопасности, XV конференции (Томск–Иркутск). Томск : В-Спектр, 2014. С. 94– 99. 8. Краснов И. З. О проблемах борьбы с инсайдерами // Обеспечение информационной безопасности. Региональные аспекты : материалы VI Всерос. конф. Сочи. 2007. C. 99–103. 9. Краснов И. З., Карелин О. И. Методика анализа и оценки рисков организации // Вестник СибГАУ. 2014. Вып. 2(54). С. 37–44. References 1. Barsukov V. S., Vodolazsky V. V. Modern security technologies, integrated approach. Moscow Izd. “Knowledge”, 2000. 229 s. 2. Zima V., Moldovyan A. The security of global network technologies. Saint-Petersburg : “BHV– Petersburg”, 2003. 223 s. 3. Ilyin E. P. Differential psychology of professional activity. SPb. : Piter, 2011. 196 s. 4. Shane E. Organizational culture and leadership. SPb. : Piter, 2008. 142 s. 5. Nikiforov G. S. Psychological support of professional activity. Theory and practice. It. SPb., 2010. 514 s. 6. Krasnov I. Z. The access Matrix as a passive element in the protection of information resources. // Proceedings of the XV all-Russian scientific-practical conference “problems of information security of the state, society and personality”. Tomsk–Irkutsk. Tomsk : InRange. 2014. Pр. 202–210. 7. Krasnov I. Z. Differentiated approach to training of information security // Reports of the VI Plenum of Dibromo education in the field of information security and the XV conference. Tomsk–Irkutsk. Tomsk : InRange, 2014. Pр. 94–99. 8. Krasnov I. Z. On problems of fight against insiders // Materials of VI all-Russian conference “Information security. Regional aspects”. Sochi, 2007. Рр. 99–103. 9. Krasnov Z. I., Karelin, O. I. Methodology of risk analysis and assessment of organization // Vestnik SibGAU. 2014. No. 2(54). Рр. 37–44.

231

© Краснов И. З., 2015

Решетневские чтения. 2015

УДК 004.432.2 ИНСТРУМЕНТАЛЬНАЯ ПОДДЕРЖКА ЭВОЛЮЦИОННОГО РАСШИРЕНИЯ ПРОГРАММ СРЕДСТВАМИ ПРОЦЕДУРНО-ПАРАМЕТРИЧЕСКОГО ПРОГРАММИРОВАНИЯ* А. И. Легалов1, П. В. Косов2 1

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 2 Сибирский федеральный университет Российская Федерация, 660041, г. Красноярск, просп. Свободный, 79 E-mail: [email protected]

Рассматриваются методы эволюционного расширения, обеспечивающие дополнительные возможности при создании программ. Их использование повышает эффективность гибких методологий, позволяя их использовать при разработке программного обеспечения космических аппаратов и автономных объектов. Ключевые слова: эволюционная разработка программного обеспечения, процедурно-параметрическое программирование, парадигмы программирования, языки программирования, методы гибкой разработки программ. TOOL SUPPORT OF EVOLUTIONARY EXTENSION OF PROGRAMS USING PROCEDURAL-PARAMETRIC PROGRAMMING A. I. Legalov1, P. V. Kosov2 1

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation 2 Siberian Federal University 79, Svobodny Av., Krasnoyarsk, 660041, Russian Federation E-mail: [email protected] The methods of evolutionary extension, providing additional opportunities to create programs are viewed. Their using increases the effectiveness of Agile methodologies, allowing these to use in software development of spacecrafts and autonomous objects. Keywords: evolutionary software development, procedural and parametric programming, programming paradigms, programming languages, agile methods of program development. Введение. Повышение эффективности процесса разработки программного обеспечения (ПО) для космических аппаратов и автономно функционирующих объектов зачастую связано с сокращением времени его создания при сохранении требуемых критериев качества. Часто требуется наращивать и изменять функциональность уже работающих систем. В методологическом контексте данное направление активно развивается за счет использования гибких (Agile) методов [1]. Однако отвергая ряд традиционных подходов, данные методы не всегда обеспечивают адекватную им замену [2]. Зачастую недостатки Agile связаны не столько с организационными аспектами, сколько с отсутствием современных языковых и инструментальных средств, позволяющих гибко реагировать на требования, предъявляемые к процессу создания программ. Поэтому для их поддержки предлагается процедурно-параметрическая парадигма программирования [3], обеспечивающая эволюционную расширяемость и в большей степени ориентированная на методы гибкой разработки ПО. Для повышения гибкости и безболезненного расширения данная парадигма предлагает обобщенные записи [4], подклю-

чаемые модули [5] и перегрузку процедур с одинаковой сигнатурой [6]. Обобщенные записи. Обобщенная запись развивает концепцию процедурно-параметрического обобщения [3], добавляя в нее дополнительные поля, общие для всех специализаций. Это обеспечивает поддержку полиморфизма в обобщающих параметрических процедурах, также допускающих эволюционное расширение.* Подключаемые модули. Идея подключаемых модулей схожа с использованием механизма наследования вместо прямого включения типов во вновь формируемый программный объект. Но вместо копирования родительских данных расширение модуля может подключаться к уже существующему базовому модулю, образуя вместе с ним единое пространство имен. *

Работа выполнена при поддержке гранта РФФИ № 13-01-00360 «Методы и средства эволюционной разработки программного обеспечения с применением процедурно-параметрической парадигмы программирования».

232

Программные средства и информационные технологии Эволюционное расширение в простых ситуациях для различных парадигм Ситуация Добавление специализации и ее обработчиков Добавление процедур с дополнительной функциональностью Добавление новых полей в существующий тип Добавление обработчика специализации, включенной в обобщение Создание обобщения на основе существующих специализаций Добавление в программу мультиметода Изменение мультиметода при добавлении специализации

Подходы ОО

Процедурный нет есть

есть нет

есть есть

косвенное, для расширяемых типов есть

косвенное, при наличии RTTI нет

есть

косвенное

косвенное, при использовании обобщенной записи есть процедурный и параметрический есть

есть нет

нет нет

есть есть

Главной особенностью подключаемого модуля является возможность описания в нем расширений обобщенных записей и обобщающих параметрических процедур. На практике это позволяет организовать прямые взаимодействия, отличающиеся от существующих языковых структур. Перегрузка процедур с одинаковой сигнатурой. Основная идея перегрузки с одинаковой сигнатурой заключается в написании процедур, отличающихся друг от друга только рангом, определяющим порядок выполнения относительно других таких же процедур. То есть используется некоторая система приоритетов, обеспечивающих требуемый порядок выполнения. Перегрузка процедур с одинаковой сигнатурой позволяет гибко наращивать функциональность по различным направлениям. Сравнение возможностей эволюционного расширения при различных парадигмах программирования. Для анализа возможностей эволюционного расширения по сравнению с процедурным и объектно-ориентированным (ОО) подходами выделен ряд типичных ситуаций (см. таблицу). Показано, что процедурно-параметрическая парадигма обеспечивает расширение практически во всех случаях, перекрывая по гибкости процедурный и ОО подходы. Заключение. Предлагаемая концепция эволюционной разработки ПО может быть реализована практически для любого процедурного или функционального языка. Применение данных средств при разработке программ для космических аппаратов, а также встроенных и автономных систем позволит повысить их гибкость и надежность. Библиографические ссылки 1. Субраманиам В., Хант Э. Этюды на тему быстрой разработки программного обеспечения. Работа в реальном мире : пер. с англ. М. : Лори, 2009. 2. Meyer B. Agile! The Good, the Hype and the Ugly. Springer International Publishing, Switzerland. 2014. 3. Легалов А. И. Швец Д. А. Процедурный язык с поддержкой эволюционного проектирования // Научный вестник НГТУ. 2003. № 2(15). С. 25–38. 4. Легалов И. А. Применение обобщенных записей в процедурно-параметрическом языке программирования // Науч. вестник НГТУ. 2007. № 3(28). С. 25–38.

ПП

5. Легалов А. И., Бовкун А. Я., Легалов И. А. Расширение модульной структуры программы за счет подключаемых модулей // Доклады АН ВШ РФ. 2010. № 1(14). С. 114–125. 6. Легалов А. И., Косов П. В., Легалов И. А. Использование процедур с одинаковой сигнатурой для эволюционного расширения программ // Доклады АН ВШ РФ. 2015. № 1 (26). С. 41–51. References 1. Subramaniam V., Hunt E. Etjudy na temu bistro razrabotki programmnogo obespechenija.Rabota v real’nom mire [Practices of an Agile Developer. Working in the Real World]. Moskow : Lori, 2009. 2. Meyer B. Agile! The Good, the Hype and the Ugly / Springer International Publishing, Switzerland, 2014. 3. Legalov A. I., Shvets D. A. Protsedurnyi yazyk s podderzhkoi evolyutsionnogo proektirovaniya [Procedural language with support for evolutionary design] // Nauchnyi vestnik NGTU – Science bulletin of the Novosibirsk state technical university, 2003. No. 2(15), pp. 25–38. 4. Legalov I. A. Primenenie obobschennyh zapisey v procedurno-parametricheskom jazyke programmirovanija [Using Generalized Records in procedure-parametric programming language] // Nauchnyi vestnik NGTU – Science bulletin of the Novosibirsk state technical university, 2007. No. 3(28), pp. 25–37. 5. Legalov A. I., Bovkun A. Ya., Legalov I. A. Rasshirenie modul'noi struktury programmy za schet podklyuchaemykh modulei [Extension of program’s modular structure at the expense of attachable modules] // Doklady Akademii nauk vysshei shkoly Rossiiskoi Federatsii – Proceedings of the Russian higher school Academy of sciences, 2010. No. 1(14), pp. 114–125. 6. Legalov A. I., Kosov P. V., Legalov I. A. Ispol’zovanie protsedur s odinakovoi signaturoi dlya evolyutsionnogo rasshireniya programm [Using identical signature procedures for evolutionary extension of programs] // Doklady Akademii nauk vysshei shkoly Rossiiskoi Federatsii – Proceedings of the Russian higher school Academy of sciences. 2015. No. 1(26), рр. 41–51.

233

© Легалов А. И., Косов П. В., 2015

Решетневские чтения. 2015

УДК 004.93’12 РАЗРАБОТКА ПРОГРАММНОЙ СИСТЕМЫ ДЛЯ ТРЕНИРОВКИ ДВИГАТЕЛЬНОЙ АКТИВНОСТИ И ИДЕНТИФИКАЦИИ ЖЕСТОВ МЕЛКОЙ МОТОРИКИ РУК, СЧИТЫВАЕМЫХ С ПЕРЧАТКИ ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ Л. А. Маслешов Специальное конструкторско-технологическое бюро «Наука» КНЦ СО РАН Российская Федерация, 660049, г. Красноярск, просп. Мира, 53 E-mail: [email protected] Рассматривается процесс разработки программной системы, способной более эффективно влиять на процесс реабилитации космонавтов после полёта. Описана архитектура системы, математическая модель, выявлено ее влияние на процесс реабилитации пациентов. Ключевые слова: нейрофизиология, геймификация, реабилитация, двигательная активность, динамические системы. DEVELOPMENT OF SOFTWARE SYSTEM FOR THE TRAINING OF MOTOR ACTIVITY AND IDENTIFICATION OF HAND GESTURE FINE MOTOR SKILLS, READ WITH GLOVES OF VIRTUAL REALITY L. A. Masleshov Special Designed Technological Bureau “Nauka” KSC SB RAS 53, Mira Av., Krasnoyarsk, 660049, Russian Federation E-mail: [email protected] The paper considers the process of developing a software system, capable to provide more effective influence on the process of rehabilitation of cosmonauts after a flight. It describes the architecture of the system, the mathematical model; the research reveals the influence on the process of rehabilitation of patients. Keywords: neurophysiology, gamification, rehabilitation, motor activity, dynamical systems. В 2010 году американские ученые из Университета Маркетт в американском штате Висконсин выявили, что время, проведенное в невесомости, приводит к деградации мышц космонавта [1]. Эта проблема не нова. Еще в 1989 году доктор психологических наук В. И. Лебедев писал о крайне плохом физическом состоянии космонавтов, вернувшихся на Землю, а также о том, что процессы их реабилитации и реадаптации к земному притяжению занимают продолжительное время [2]. Группой ученых кафедры нейрофизиологии КГМУ в 1992–1995 гг. было сделано открытие: пациент, получающий специфическую обратную связь в виде звуковых, световых и прочих сигналов, способен довольно быстро и во многих случаях практически полностью восстанавливать расстроенные функции речи и/или двигательной активности [3]. Такой подход возможно применить в процессе восстановления космонавтами утерянных двигательных функций, в частности, при нарушениях мелкой моторики рук. Целью данного проекта является разработка программной системы, которая решает проблему нарушений мелкой моторики рук. Работа программы осуществляется за счет использования перчатки виртуальной реальности. Данная программная система позволяет считывать информа-

цию о позиционировании и ориентации элементов пальцев и кисти рук путем обработки и анализа данных сенсорных датчиков, расположенных на перчатке, распознавать паттерны мелкой моторики рук, назначать в соответствии с паттернами двигательной активности команды тренажерной программы и осуществлять управление самими тренажерными программами. Продукт использует специализированную библиотеку, в основе которой лежит математическая модель распознавания динамических паттернов двигательной активности. В основе архитектуры программного продукта лежит трехуровневая модель, позволяющая отделить клиентский, логический уровни и уровень данных. Такой подход удобен при разработке и поддержке приложений, так как позволяет разрабатывать компоненты приложений независимо друг от друга [4]. Структурная схема приложения отображена на рисунке. Координаты всех подвижных элементов руки формируют общую структуру данных для кинематики кисти StructCommon: ((x, y, z), (А, В, Г), (F11, F12, F13, F14, F15), (F21, F22, F23, F24, F25), (F31, F32, F33, F34, F35), (А12, А23, А34, А45)).

234

Программные средства и информационные технологии

Структурная схема программной системы

1. Координаты тыльной стороны ладони (6DOF сенсор): а) координаты (x, y, z); б) эйлеровы углы (А, В, Г). 2. Углы сгиба первого сустава пальцев в плоскости сгиба (F11 – большой, F12 – указательный, F13 – средний, F14 – безымянный, F15 – мизинец). 3. Углы сгиба второго сустава пальцев в плоскости сгиба (F21 – большой, F22 – указательный, F23 – средний, F24 – безымянный, F25 – мизинец). 4. Углы сгиба третьего сустава пальцев в плоскости сгиба (F31 – большой, F32 – указательный, F33 – средний, F34 – безымянный, F35 – мизинец). 5. Относительные углы абдоминальных движений пальцев (A12 – угол между большим и указательным пальцем, А23 – угол между указательным и средним пальцем, А34 – угол между средним и безымянным пальцем, А45- угол между безымянным пальцем и мизинцем). Включение в модель описания кинематики движения предплечья и плеча потребует ввести блок координат, описывающий 6DOF для соответствующих отделов конечности [5]. Кинематика каждого из подвижных отделов руки не является независимой, поэтому при наложенных связях у кисти и предплечья независимыми будут только углы ориентации. Но в данный момент такие движения мы не рассматриваем.

В результате опытной эксплуатации прототипа системы наблюдался значительный прогресс в восстановлении двигательной активности рук. Библиографические ссылки 1. Ежедневная деловая газета РБК Daily [Электронный ресурс]. URL: http://www.rbcdaily.ru/autonews/ 562949978984680 (дата обращения: 5.09.2013). 2. Лебедев В. И. Личность в экстремальных условиях. М. : Политиздат, 1989. C. 266–277. 3. Руднев В. А., Прокопенко С. В. Новые принципы реабилитации двигательных и речевых функций человека. Красноярск : Гротеск, 1999. С. 50–53. 4. Microsoft Developer Network – MSDN [Электронный ресурс]. URL: https://msdn.microsoft.com/enus/library/bb384398.aspx (дата обращения: 5.09.2015). 5. 6DOF – Simulation and Finite Elements Web Portal [Электронный ресурс]. URL: http://www. 6dof.com/ (дата обращения: 5.09.2015). References 1. Ezhednevnaya delovaya gazeta RBK Daily. Available at: http://www.rbcdaily.ru/autonews/5629499 78984680 (accessed: 5.09.2013). 2. Lebedev V. I. Lichnost’ v ekstremal’nykh usloviyakh. Moscow : Politizdat, 1989. Рp. 266–277.

235

Решетневские чтения. 2015

3. Rudnev V. A., Prokopenko S. V. Novye printsipy reabilitatsii dvigatel’nykh i rechevykh funktsiy cheloveka. Krasnoyarsk : Grotesk, 1999. Рр. 50–53. 4. Microsoft Developer Network – MSDN. Available at: https://msdn.microsoft.com/en-us/library/bb384398. aspx (accessed: 5.09.2015).

5. 6DOF – Simulation and Finite Elements Web Portal. Available at: http://www.6dof.com/ (accessed: 5.09.2015). © Маслешов Л. А., 2015

_____________ УДК 004.932.2 ИДЕНТИФИКАЦИЯ ПЛОСКИХ ПОВЕРХНОСТЕЙ В ПОМЕЩЕНИИ ПО ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ П. В. Мовчан, А. С. Петров Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Представлен метод оценки алгоритмов определения геометрии сцены по данным одной камеры. Предложен вариант алгоритма, а также приведены результаты работы и быстродействия алгоритма. Ключевые слова: трехмерная структура по движению, анализ сцены, визуальное ориентирование. IDENTIFICATION OF INDOOR FLAT SURFACES USING VIDEOSEQUENCE P. V. Movchan, A. S. Petrov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] Method of algorithm estimation for determining a scene geometry using single camera is represented. Variant of algorithm is proposed and the results of the work and performance of the algorithm are also analyzed. Keywords: structure from motion, scene analysis, visual orientation. При возникновении чрезвычайных ситуаций (ЧС) часто появляется необходимость произвести спасательные работы в опасной зоне. Обычно для выполнения работ в такой зоне используют дистанционно управляемых роботов, но при работе в помещениях возникают затруднения в поддержании постоянной связи с таким роботом – стены ограничивают использование радиосигнала, а использование передающего кабеля значительно уменьшает мобильность системы. Возникает необходимость в автономной работе такого робота. Для автономной работы необходимо, используя данные камеры и других датчиков, определять геометрические параметры окружающего пространства. Для определения базовой геометрии окружающего пространства возможно использование одной камеры. В этом случае производится анализ трёхмерной структуры на основе движения камеры [1] (Structure from Motion, SfM): при изменении положения камеры меняется угол обзора на наблюдаемый объект, благодаря чему возможно определение относительного расположения точек на поверхности объекта.

Для решения задачи на основе SfM используется определённая последовательность действий. В первую очередь необходимо выделить на изображении ключевые точки, относительное положение которых и будет определяться в итоге. Для этого возможно применение какого-либо детектора особых точек. Используя два соседних изображения, необходимо соотнести одинаковые выделенные точки. В этих целях используется одновременно два подхода: возможно соотнести пары точек на изображениях, используя какой-либо дескриптор (например SURF [2]), а затем отфильтровать полученные пары по какомулибо ограничению. Для фильтрации возможно использовать алгоритм RANSAC [3] как проверенный и хорошо изученный алгоритм. Ограничение подбирается в соответствии с выбранной моделью камеры, модель камеры используется и для преобразования массива пар точек в массив трёхмерных точек. Различные модели камеры используют различное количество внутренних настроечных параметров. Модель аффинной камеры использует только один параметр – масштаб, и потому подходит для простейших случаев

236

Программные средства и информационные технологии

определения геометрии. Допуская отсутствие при получении видеопотока от реальной камеры сильных рывков, параметром масштаба можно пренебречь вследствие малости его изменения относительно двух отдельно взятых кадров. Для аффинной камеры возможно использование эпиполярного ограничения при фильтрации пар точек. После получения базового решения задачи SfM необходимо получить конкретный вариант решения – определение геометрии окружающего пространства. Типичная структура помещений, созданных человеком – различные версии параллелепипеда. В общем случае параллельны плоскости потолка и пола, плоскости стен могут быть наклонены друг относительно друга под произвольным углом по оси вращения, перпендикулярной плоскости пола–потолка. Принятие во внимание этих ограничений позволяет значительно ускорить определение геометрической структуры окружающего пространства. При этом задачи определения пола–потолка и стен целесообразно разделить [4]. Для определения горизонтальных плоскостей можно использовать обычные алгоритмы кластеризации точек по оси Z. Алгоритмы семейства ForEL [5] являются сходящимися и эффективными для компактных выборок. Для определения стен возможно использование любого алгоритма определения линий на основе набора точек для оси XY. На основе предложенной связки алгоритмов и методов на языке C++ была реализована программа, позволяющая на основе полученного на вход видеофайла определить облако точек и проверить его соответствие заданным параметрам точности.

Для определения степени погрешности используется опорная трёхмерная модель. Облако точек, из которых состоит трёхмерная модель, и результирующее облако точек подвергают одинаковым тестам и сравнивают результаты. Так как возможно только относительное определение положения трёхмерных точек, на модель и на сцену накладываются ограничения. Определяются центры масс точек (масштаб точек должен быть нормирован), а также сумма углов между плоскостями условных стен. Описанные параметры позволяют оценить точность определения геометрических параметров, полученных с помощью описанного метода. Произведено тестирование полученного программного продукта. Тестирование производилось на следующей конфигурации оборудования: Intel Core i3 2.10 GHz, 3 Гб ОЗУ, OS Windows 7. Производилось 100 запусков программы, результаты усреднены. Результаты представлены в табл. 1. Определение точности производилось на основе искусственной сцены, так как необходимо было использование опорной модели. Опорная модель служила также материалом для рендеринга самой сцены. Результаты представлены в табл. 2. Полученные данные точности для использованного метода одной камеры без использования калибровочных коэффициентов являются удовлетворительными. Для увеличения точности работы возможно использование более сложных моделей камер, но в этом случае необходимо производить калибровку физической камеры и определять для неё параметры математической модели. Таблица 1

Оценка быстродействия Описание видеопоследовательности Искусственная сцена Коридор Обзор комнаты

Длительность, с

Время обработки, с 87 280,7 140,4

10 30 15

Таблица 2 Результаты оценки точности Критерий Минимальное расстояние до центра масс Максимальное расстояние до центра масс Оценка среднего угла

Значение, % 78,3 74,5 70,7

Библиографические ссылки 1. Форсайт Д. А., Понс Ж. Компьютерное зрение. Современный подход. М. : Вильямс, 2004. С. 366–379. 2. Bay H., Tuytelaars T., Van Gool L. SURF: Speeded Up Robust Features [Электронный ресурс] // Elsevier, 2008. URL: http://www.vision.ee.ethz.ch/~surf/ eccv06.pdf. 3. Hartley R., Zisserman A. Multiple View Geometry in Computer Vision. Cambridge University Press, 2004. 655 с. 4. Lee D. C., Martial H., Takeo K. Geometric Reasoning for Single Image Structure Recovery [Элек-

тронный ресурс] // Proc. CVPR. 2009. URL: https://www.cs.cmu.edu/~dclee/pub/cvpr09lee.pdf. 5. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. Новосибирск : ИМ СО РАН, 1999. 270 с. References 1. Forsyth D. A. Kompjuternoe zrenie. Sovremennyj podhod [Computer Vision: A Modern Approach] 2004. Рр. 366–379. 2. Bay H. [SURF: Speeded Up Robust Features] Elsevier, 2008. Available at: http://www.vision.ee.ethz. ch/~surf/eccv06.pdf (accessed: 09.09.2015).

237

Решетневские чтения. 2015

3. Hartley R. [Multiple View Geometry in Computer Vision] Cambridge University Press, 2004. 655 p. 4. Lee D. C. [Geometric Reasoning for Single Image Structure Recovery] // In proc. CVPR, 2009. Available at: https://www.cs.cmu.edu/~dclee/pub/cvpr09lee.pdf (accessed: 09.09.2015).

5. Zagorujko N. G. Prikladnye metody analiza dannyh i znanij. [Applied methods of data analysis and knowledge]. Novosibirsk : IM SO RAN, 1999. 270 p. © Мовчан П. В., Петров А. С., 2015

___________ УДК 004.932 ПРИМЕНЕНИЕ БИОМЕТРИЧЕСКОЙ ИНФОРМАЦИИ НА ОСНОВЕ ОТПЕЧАТКОВ ПАЛЬЦЕВ ДЛЯ ПОВЫШЕНИЯ УСТОЙЧИВОСТИ ЦИФРОВЫХ ВОДЯНЫХ ЗНАКОВ Е. И. Орешкина Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Разработан алгоритм для повышения уровня защиты цифровых водяных знаков от несанкционированного доступа с использованием отпечатков пальцев. Ключевые слова: цифровые водяные знаки, маркирование, цифровые отпечатки пальцев. APPLYING BIOMETRIC INFORMATION BASED FINGERPRINT TO INCREASE ROBUSTNESS OF DIGITAL WATERMARKING E. I. Oreshkina Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The article demonstrates the development of the algorithm to amplify protection of digital watermarking against illegal access. Protection is based on the fingerprint information. Keywords: digital watermarking, marking, digital fingerprint. В наше время в связи с активным использованием сети Интернет и расширением возможностей передачи, копирования и распространения различной мультимедийной информации усилилась необходимость защиты авторских прав от нелегального использования. Одной из технологий, реализующих упомянутые задачи, является технология нанесения на мультимедиасообщение цифровых водяных знаков (ЦВЗ). Данная технология полностью применима для систем документооборота, в том числе в аэрокосмической отрасли. С помощью цифровых водяных знаков можно осуществлять передачу важных сообщений, скрывать системную информацию в документах, организовывать защиту содержимого документа, в том числе снимков или других изображений. Используемые методы маркирования должны быть устойчивыми к действиям злоумышленника, для этого применяют секретные ключи, усложняют алгоритмы встраивания и шифруют передаваемые данные [1–3]. Во многих алгоритмах маркирования предлагается использовать в качестве ключей псевдослучайную последовательность (ПСП) [2]. Однако для того чтобы воспроизвести данную последовательность, необхо-

димо обладать неким правилом ее формирования, что также является дополнительной информацией, подверженной попыткам «вскрытия». В противовес ПСП было предпринято использовать биометрическую информацию, что обусловлено, в первую очередь, отсутствием необходимости запоминать и хранить эту последовательность. В качестве биометрических данных для данной задачи были выбраны отпечатки пальцев, по причине массового распространения специальных сканеров, что значительно упрощает использование и делает доступным пользователю. Кроме того, из отпечатка можно извлечь несколько видов информации, которая может быть использована различными методами маркирования. Алгоритм, реализующий один из способов комбинации цифровых отпечатков пальцев и водяных знаков, представлен на рисунке. Специфика этого способа в том, что биометрическая информация используется на этапе преобразования самого водяного знака, следовательно, методы, применяемые для нанесения и дальнейшего извлечения ЦВЗ, могут быть разнообразны. В работе для нанесения ВЗ применен частотный метод Коха–Жао [4].

238

Программные средства и информационные технологии Преобразование отпечатка в строку бит. BRIEF

Применение XOR между битами отпечатка и ЦВЗ

Встраивание измененного ЦВЗ по методу Коха-Жао

Схема нанесения ЦВЗ с применением биометрического шифрования

На первом этапе цифровой отпечаток пальца необходимо преобразовать в уникальную битовую последовательность с помощью дескриптора особых точек BRIEF [5]. Далее необходимо произвести побитовую логическую операцию исключающего ИЛИ (XOR) над битами водяного знака и битами отпечатка пальца. Полученную последовательность бит встраиваем в контейнер с использованием выбранного метода встраивания ЦВЗ. Извлечение знака осуществляется в обратном порядке: после извлечения ЦВЗ необходимо применить повторно операцию XOR для расшифровки полученного ЦВЗ. Таким образом, данная модификация алгоритма нанесения ЦВЗ увеличивает робастность передаваемой информации от несанкционированного доступа, так как без цифрового отпечатка пальца злоумышленник не имеет возможности прочесть водяной знак. Библиографические ссылки 1. Грибунин В. Г., Оков И. Н., Туринцев В. И. Цифровая стеганография. М. : СОЛОН-Пресс, 2002. 272 с. 2. Конахович Г. Ф., Пузыренко А. Ю. Компьютерная стеганография. Теория и практика. К. : МКПресс, 2006. 288 с. 3. Langelaar G. C., Setyawan I., Lagendijik R. I. Watermarking digital image and video data // IEEE Signal Processing Magazine. 2000. Vol. 17, no. 5, рр. 20–46.

4. Koch E., Zhao J. Towards Robust and Hidden Image Copyright Labeling // IEEE Workshop on Nonlinear Signal and Image Processing. 1995. P. 123–132. 5. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: Binary Robust Independent Elementary Features // Proc. European Conf. on Computer Vision. 2010. P. 778–792. References 1. Gribunin V. G., Okov I. N., Turincev V. I. Digital steganography. M. : SOLON-Press, 2002. 272 p. 2. Konahovich G. F., Puzirenko A. U. Komp’uternaya steganografiya. Teoriya i praktika [Computer’s steganography. Theory and practice]. К. : MK-Press, 2006. 288 p. 3. Langelaar G. C., Setyawan I., Lagendijik R. I. Watermarking digital image and video data // IEEE Signal Processing Magazine. 2000. Vol. 17, No. 5, рр. 20–46. 4. Koch E., Zhao J. Towards Robust and Hidden Image Copyright Labeling // IEEE Workshop on Nonlinear Signal and Image Processing. 1995. Pр. 123–132. 5. Calonder M., Lepetit V., Strecha C., Fua P. BRIEF: Binary Robust Independent Elementary Features [Text] // Proc. European Conference on Computer Vision. 2010. Pр. 778–792. © Орешкина Е. И., 2015

_____________ УДК 519.246.8 РАЗРАБОТКА ПРИЛОЖЕНИЯ ДЛЯ ПОСТРОЕНИЯ ЭКОНОМИЧЕСКИХ ПРОГНОЗОВ* И. А. Панфилов, Т. В. Пен Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected] Рассмотрен метод получения прогноза экономики предприятия, работающего в кооперации ракетнокосмического комплекса. Используется математический аппарат обработки временных рядов и получения прогнозных оценок. Ключевые слова: рынок труда, прогнозирование, метод наименьших квадратов, уравнение регрессии, система моделирования. APPLICATION DEVELOPMENT TO CREATE ECONOMIC FORECASTS I. A. Panfilov, T. V. Pen Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected], [email protected] *

Работа выполнена при финансовой поддержке Министерства образования и науки Российской Федерации, в рамках проекта RFMEFI57414X0037.

239

Решетневские чтения. 2015

In the article the authors review the method of getting economic forecast for a company of rocket and space complex. Authors use the mathematical apparatus to process time series and get an economic assessment. Keywords: labor-market, forecast, least square method, the regression equation modeling of system. Эффективная деятельность предприятий ракетнокосмической отрасли в современных условиях в значительной степени зависит от построения модели прогноза [1]. Роль прогнозирования в управлении предприятием очевидна. Прогнозируемые показатели способствуют успешному существованию предприятия в долгосрочной перспективе. К ним относятся: величина прибыли, объем реализации продукции, фондоотдача, рентабельность, производительность труда, показатели рынка труда и т. д. Наличие неопределенностей у перечисленных факторов значительно усложняют процесс управления организации. В первую очередь, это связано с тем, что в связи с развитием предприятия ракетнокосмической промышленности возникают новые цели и конкретные задачи, налаживаются новые хозяйственные связи, формируются новые механизмы управления. Результаты, полученные благодаря прогнозированию, позволят принимать наиболее верные экономические и управленческие решения [2]. Процесс прогнозирования основывается на статистическом методе и проходит в два этапа. Первый этап состоит в сборе информации и обобщении данных за некоторый период времени. Затем на этой основе строится сама модель процесса, представляемая в виде аналитической зависимости оцениваемой величины от одного или нескольких факторов. Построение модели процесса для прогнозирования включает в себя выбор формы уравнения, которое описывает динамику и взаимосвязь явлений. Вторым этапом является сам прогноз. На данном этапе на основе полученных закономерностей определяют показатели прогнозируемого значения. Вектор (Х) есть множество временных интервалов – в нашем случае один месяц. Соответственно (Y) – это интересующие нас данные за каждый соответствующий промежуток времени. Данный массив чисел является временным рядом, позволяющим, с одной стороны, выявить тренд и возможные периодичности в колебании спроса и предложения на рынке труда и, с другой стороны, построить прогноз спроса и предложения на рынке на заданный интервал времени. Если же временные ряды содержат значительный шум, то первым шагом для выделения тренда является процедура сглаживания, представляющая собой способ усреднения данных, при котором несистематические компоненты взаимно погашают друг друга, что способствует повышению точности оценки коэффициентов уравнения регрессии. Для повышения точности прогноза целесообразно применять формализованные методы: методы прогнозной экстраполяции и методы математического моделирования. Сущность экстраполяции заключается в анализе тенденций развития объекта в прошлом, в настоящем и переносе их на будущее. Среди мето-

дов экстраполяции наиболее широкое распространение получил метод наименьших квадратов. Он базируется на минимизации суммы квадратов отклонений между расчетными и наблюдаемыми величинами, а именно, строится функционал невязки и минимизируется по параметрам уравнения регрессии, подлежащих следующему определению: (1) ∑ ( yi − yxi )2 → min, где yi – расчетные значения; yxi – наблюдаемые величины. В результате получаем аналитическое выражение, являющееся математической моделью динамики спроса и предложения на рынке труда: y = a + bx , (2) где a, b – коэффициенты уравнения регрессии. Для построения прогноза спроса и предложения на рынке труда необходимо реализовать определенный алгоритм: – рассчитать коэффициент корреляции; он необходим для определения зависимости между соседними уровнями ряда; – проанализировать коррелированности отклонений при помощи критерия Дарбина–Уотсона; – проверить нормальность распределения остаточной компоненты при помощи RS-критерия. Но также хотелось бы отметить, что применение метода наименьших квадратов не требует нормального закона распределения ошибок [3]; – проверить модель на адекватность при помощи критерия Фишера; – оценить качество уравнения регрессии с помощью ошибки абсолютной аппроксимации. Ошибка аппроксимации в пределах 8–10 % свидетельствует о хорошем подборе уравнения регрессии к исходным данным; – оценить качество построенной модели, применив сумму квадратов полученных абсолютных ошибок, другими словами, необходимо рассчитать коэффициент детерминации. Чем выше полученный коэффициент, тем точность подбора уравнения регрессии выше; – оценить статистическую значимость коэффициентов уравнения регрессии при помощи критерия Стьюдента [4; 5]. Для реализации данного алгоритма было разработано веб-приложение, работающее на программной платформе Yii-framework. На основе отсортированных данных, вводимых пользователем, формируется график. По оси абсцисс расположено время, по оси ординат – количество данных на этот промежуток времени. На основании этих статистических показателей формируется временной ряд и при помощи метода наименьших квадратов находятся коэффициенты уравнения регрессии, по которому в дальнейшем строятся прогнозные значения.

240

Программные средства и информационные технологии

Пример работы веб-приложения для прогнозирования рынка труда ИТ-специалистов

Данный проект был апробирован для анализа и решения задач прогнозирования спроса и предложения на рынке труда ИТ-специалистов в г. Красноярске (см. рисунок), а также принятия управленческих решений на основе прогнозируемых данных. Библиографические ссылки 1. Орлов А. И. Эконометрика. 3-е изд. М. : Экзамен, 2004. 576 с. 2. Орлов А. И. Эконометрическая поддержка контроллинга // Контроллинг. 2002. № 1. С. 42–53. 3. Бородюк В. П., Лепцкий Э. К. Статистическое описание промышленных объектов. М. : Энергия, 1971. 156 с. 4. Плотников В. В. Основы эконометрики : учеб. материал. Владивосток : ДВГАЭУ, 2003.

5. Минзов А. С. Эконометрика. М. : Изд-во МФА, 2001. C. 54. References 1. Orlov A. I. Jekonometrika. 3-e izd. M. : Jekzamen, 2004. 576 s. 2. Orlov A. I. Jekonometricheskaja podderzhka kontrollinga // Kontrolling. 2002. № 1. S. 42–53. 3. Borodjuk V. P., Lepckij E. K. Statisticheskoe opisanie promishlennih obektov. M. : Energiya, 1971. 156 s. 4. Plotnikov V. V. Osnovi ekonometriki. Uchebniy material. Vladivostok : DVGAEU, 2003. 5. Minzov A. S. Ekonometrika. M. : Izdatel’stvo MFA, 2001. S. 54. © Панфилов И. А., Пен Т. В., 2015

_____________ УДК 004.93'12 ПРИМЕНЕНИЕ МЕТОДА ВИОЛЫ–ДЖОНСА ДЛЯ ДЕТЕКТИРОВАНИЯ ЛЮДЕЙ В СЛОЖНЫХ СЦЕНАХ А. С. Петров Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Представлен пример использования метода Виолы–Джонса для детектирования людей в сложных сценах. Метод обучен с помощью алгоритма AdaBoost, проведено тестирование и представлены результаты тестирования. Ключевые слова: распознавание образов, пешеходы, метод Виолы–Джонса, каскад признаков Хаара, AdaBoost. 241

Решетневские чтения. 2015

USING VIOLA–JONHES METHOD TO DETECT PEOPLE IN COMPLEX SCENES A. S. Petrov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] This paper presents an example of Viola–Jones method for detecting people in complex scenes. The method was taught by the algorithm AdaBoost, testing is conducted and the results of testing are presented. Keywords: pattern recognition, pedestrians, Viola–Jones object detection, cascade of Haar features, AdaBoost. На текущий момент в мире существует множество задач, в которых требуется обнаруживать людей в сложных сценах. Частным примером такой задачи является обнаружение людей в терминале аэропорта. Разные задачи обладают различными требованиями к быстродействию и вычислительным мощностям. При решении ряда задач можно использовать более ресурсоемкий и медленный алгоритм, дающий при этом повышенную точность, но в ряде задач такая возможность отсутствует, результат нужно получать практически в режиме реального времени и с минимальными затратами. Существующие методы обладают различными требованиями к ресурсам и различной точностью работы [1]. Одним из методов, который обладает низкими требованиям к ресурсам и приемлемой точностью работы, является метод Виолы–Джонса [2; 3]. В данной работе показано применение метода Виолы– Джонса для определения пешеходов на видеопоследовательности. Для определения пешеходов на видеопоследовательности был реализован и обучен с помощью метода AdaBoost [4; 5] на наборе данных Caltech Pedestrian Detection Dataset [6]. Обучающая выборка содержала 10 тыс. изображений отдельных пешеходов и 5 тыс. изображений, не содержащих пешеходов. Итоговый каскад содержит 15 стадий, каждая из которых со-

держит от 17 до 221 признака, при этом количество признаков равномерно возрастает при увеличении номера стадии. Для тестирования были сформированы четыре тестовые выборки на основе данных, представленных в Caltech Pedestrian Detection Dataset. Описание выборок приведено в табл. 1. Тестовая конфигурация: ЦП AMD A6 1,5 ГГц, 6 ГБ ОЗУ. Результаты тестирования приведены в табл. 2. По результатам тестирования можно сделать вывод, что обученный каскад признаков Хаара совершает очень много ошибок при недостаточном освещении. Также много ошибок совершено при большом количестве людей, которые накладываются друг на друга на кадре. Данное поведение вызвано тем, что обучение происходило на выборке данных, состоящей из изображений отдельных пешеходов. Также следует отметить, что использование нескольких потоков для параллельной обработки кадров позволяет существенно увеличить количество кадров в секунду, при этом дополнительные расходы, накладываемые механизмом параллелизма, относительно невелики. Алгоритм показал удовлетворительные результаты обнаружения на видеопоследовательностях с ровным освещением, которые содержат отдельных пешеходов и небольшое количество групп пешеходов. Таблица 1

Описание тестовых выборок Номер видео 1 2 3 4

Описание Статическая сцена, ровное дневное освещение, среднее количество людей отдельно и группами, разрешение 640×480 Статическая сцена, приглушенное освещение, небольшое количество отдельных людей, разрешение 640×480 Статическая сцена, ровное дневное освещение, большое количество людей группами, разрешение 640×480 Статическая сцена, ровное дневное освещение, небольшое количество отдельных людей, разрешение 640×480 Таблица 2 Результаты тестирования

Номер выборки 1 2 3 4

1 поток 9,50 11,12 10,26 9,91

Количество кадров в секунду, к/с 2 потока 3 потока 4 потока 17,77 26,66 35,55 19,4 30,13 39,6 18,84 27,96 38,01 18,34 26,93 36,78

242

Время на кадр, мс 105 92 96 109

Правильно распознанные объекты, % 19 88 76 11

Ошибки второго рода, ед./к 0,01 0,001 0,01 0,01

Программные средства и информационные технологии

References 1. Enzweiler M. Monocular Pedestrian Detection: Survey and Experiments. Pattern Analysis and Machine Intelligence. 2009. Pр. 2179–2195. 2. Freund Y. A Short Introduction to Boosting. Shannon Laboratory, USA. 1999. Рp. 771–780. 3. Matas J. AdaBoost. Center for Machine Perception / Czech Technical University. Prague. 2010. Рp. 67–78. 4. Viola P., Jones M. J. Robust real-time face detection // International Journal of Computer Vision. 2004. Vol. 57, no. 2, рp. 137–154.

5. Viola P., Jones M. J. Rapid object detection using a boosted cascade of simple feature // Conference on Computer Vision and Pattern Recognition (CVPR). 2001. Рp. 511–518. 6. Caltech Pedestrian Detection Benchmark. Available at: http://www.vision.caltech.edu/Image_ Datasets (accessed: 10.6.2015). © Петров А. С., 2015

___________ УДК 004.932 БЫСТРЫЙ ЛОКАЛЬНЫЙ ДЕСКРИПТОР ДЛЯ КАТЕГОРИЗАЦИИ ИЗОБРАЖЕНИЙ ПО ТИПУ СЦЕНЫ А. В. Проскурин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Предложен метод Fast Dense Gauge Speeded-Up Features, вычисляющий набор локальных дескрипторов для всего изображения. Представлены экспериментальные результаты сравнения предложенного дескриптора с дескрипторами G-SURF и SURF. Ключевые слова: категоризация сцен, локальные дескрипторы, G-SURF, SURF. FAST LOCAL DESCRIPTOR FOR SCENE IMAGE CATEGORIZATION A. V. Proskurin Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] The author presents the method called Fast Dense Gauge Speeded-Up Features for calculation set of local descriptors for the whole image. The experiments show that the presented method has comparable precision of scene categorization with G-SURF descriptor, while its calculation is several times faster. Keywords: scene categorization, local descriptors, G-SURF, SURF. Активное распространение цифровых устройств со встроенными видеокамерами привело к экспоненциальному увеличению количества изображений, доступных пользователям в сети Интернет. Для изучения истории развития летательных аппаратов по снимкам необходимо провести автоматическую категоризацию изображений по типу сцены. Большинство алгоритмов, предложенных для решения данной проблемы, основано на представлении изображений в виде наборов визуальных слов (Bag-of-Visual-Words, BoVWs) [1], для формирования которых требуется вычисление локальных дескрипторов, таких как Speeded-Up Robust Features (SURF) [2]. В работе [3] было показано, что при категоризации изображений по типу сцены вычисление дескрипторов с использованием регулярной сетки эффективнее по сравнению с другими

детекторами. При этом увеличение пересечения областей, на которых вычисляются дескрипторы, повышает точность категоризации. Однако это приводит к значительному увеличению вычислительных затрат. Для решения этой проблемы в данной работе предложен метод Fast Dense Gauge Speeded-Up Features (FDG-SUF), являющийся модификацией дескриптора Gauge Speeded-Up Robust Features (G-SURF) [4] и вычисляющий набор локальных дескрипторов для всего изображения. Рассмотрим его подробнее. Алгоритм FDG-SUF состоит из двух этапов: вычисление матрицы частей дескрипторов M и построение с ее помощью набора локальных дескрипторов. На первом этапе все изображение I разделяется сеткой на ячейки размером 5s × 5s пикселей, где s – масштаб. После этого в каждой ячейке для 5 × 5 равно-

243

Решетневские чтения. 2015

мерно распределенных точек вычисляются вектор градиента w и перпендикулярный к нему вектор v: ⎛ ∂L ( p, σ ) ∂L ( p, σ ) ⎞ w=⎜ , ⎟= ∂y ⎠ ⎝ ∂x 1 = ⋅ Lx ( p, σ ) , Ly ( p, σ ) , (1) 2 Lx ( p, σ ) + L2y ( p, σ )

(

=

)

⎛ ∂L ( p, σ ) ∂L ( p, σ ) ⎞ ,− v=⎜ ⎟= ∂x ⎠ ⎝ ∂y 1 ⋅ Ly ( p, σ ) , − Lx ( p, σ ) , 2 Lx ( p, σ ) + L2y ( p, σ )

(

)

(2)

где p(x, y) – точка в изображении I; σ – масштаб фильтра; Lx (p, σ) – свертка части изображения I в точке p с первой производной Гауссиана g(σ): ∂ Lx ( p, σ ) = I ( p ) * g ( σ ) . (3) ∂x Значение Ly (p, σ) вычисляется аналогично выражению (3). Наибольший интерес представляют производные второго порядка выражений (1) и (2), использующие матрицы Гессе и обозначенные как Lww (p, σ) и Lvv (p, σ): 1 Lww ( p, σ ) = 2 Lx ( p, σ ) Ly ( p, σ ) × Lx ( p, σ ) + L2y ( p, σ )

(

)

⎛ Lxx ( p, σ ) Lxy ( p, σ ) ⎞ ⎛ Lx ( p, σ ) ⎞ ⎟⎜ (4) ×⎜ ⎟, ⎜ Lyx ( p, σ ) Lyy ( p, σ ) ⎟ ⎜ Ly ( p, σ ) ⎟ ⎠ ⎝ ⎠⎝ 1 Lvv ( p, σ ) = 2 Ly ( p, σ ) − Lx ( p, σ ) × Lx ( p, σ ) + L2y ( p, σ )

(

)

⎛ Lxx ( p, σ ) Lxy ( p, σ ) ⎞ ⎛ Ly ( p, σ ) ⎞ ⎟⎜ ×⎜ (5) ⎟. ⎜ Lyx ( p, σ ) Lyy ( p, σ ) ⎟ ⎜ − L ( p, σ ) ⎟ ⎠ ⎝ ⎠⎝ x Выражение (4), вычисляющее Lww (p, σ), содержит информацию об изменении градиента в направлении градиента, а выражение (5) для расчета Lvv (p, σ) часто используется как детектор «хребтов» («хребет» – это протяженный регион с приблизительно постоянной шириной и интенсивностью, точки которого являются локальными максимумами). Благодаря их использованию края на изображении остаются четкими, а текстура размывается, что является положительным фактором для снижения шумов. На последнем шаге для каждой ячейки формируется вектор VDFDG-SUF = (ΣLww, ΣLvv, |ΣLww|, |ΣLvv|),

образуя часть дескриптора. Полученные части дескриптора сохраняются в матрицу M. На втором этапе алгоритма формируется набор локальных дескрипторов. Для этого по матрице M перемещается скользящее окно размером 4 × 4 ячейки. Каждый локальный дескриптор представляет собой объединение частей дескриптора, попавших в скользящее окно. Изменяя шаг смещения скользящего окна, можно существенно увеличить количество локальных дескрипторов, извлеченных из изображения, без значительных вычислительных затрат. Для проверки предложенного метода использовался набор из 8 категорий сцен (далее – OT8) [5]. OT8 состоит из 2688 изображений, размер каждого изображения 256 × 256 пикселей. Для обучения из каждой категории случайным образом выбиралось по 100 изображений, остальные использовались для тестирования. Проводилось сравнение локальных дескрипторов FDG-SUF, G-SURF и SURF. Для последних двух вычисления осуществлялись на точках интереса, поученных с помощью регулярной сетки и детектора «быстрый Гессиан». В случае FDG-SUF и регулярной сетки масштаб s равен 1, а сдвиг точек интереса составлял 5 пикселей. Для формирования словаря визуальных слов из обучающей выборки случайным образом выбиралось 200 000 локальных дескрипторов, которые кластеризовались с помощью алгоритма k-средних. В этой работе количество кластеров (визуальных слов) равно 400. С помощью словаря каждому изображению присваивалось BoVWs-описание. В качестве классификатора использовалась реализованная в библиотеке dlib [6] машина опорных векторов с пересечением гистограмм (Histogram Intersection) в качестве ядра. Для экспериментов использовался компьютер с процессором Intel Core i5-2430M 2,4 ГГц и оперативной памятью Kingston 1333 МГц, DDR3 8 ГБ. Вычисления производились с использованием одного процессорного ядра. Все расчеты повторялись 5 раз, после чего результаты усреднялись (см. таблицу). Как видно из приведенных данных, предложенный дескриптор FDG-SUF позволяет получить точность категоризации изображений по типу сцены, сопоставимую с дескриптором G-SURF, затрачивая в несколько раз меньше времени. В дальнейших работах планируется разработать быстрый алгоритм формирования визуальных слов, основанный на самоорганизующейся нейронной сети.

Сравнение локальных дескрипторов при категоризации набора OT8 Тип локального дескриптора

Среднее количество вычисленных дескрипторов

Среднее время вычисления дескрипторов, мс

Точность категоризации, %

FDG-SUF

2 788

20,87

85,61

G-SURF (Сетка)

2 788

96,35

85,53

SURF (Сетка)

2 788

57,26

81,05

G-SURF (Гессиан)

207

15,78

74,38

SURF (Гессиан)

207

12,35

70,03

244

Программные средства и информационные технологии

References 1. Zhang D., Islam Md. M., Lu G. A Review on Automatic Image Annotation Techniques // Pattern Recognition. 2012. Vol. 45, no. 1, рp. 346–362. 2. Bay H., Ess A., Tuytelaars T., Gool L.V. SpeededUp Robust Features (SURF) // Computer Vision and Image Understanding. 2008. Vol. 110, no. 3, рp. 346–359. 3. Li F.-F., Perona P. A Bayesian Hierarchical Model for Learning Natural Scene Categories // Computer Vision and Pattern Recognition. 2005. Vol. 2, рp. 524–531.

4. Alcantarilla P. F., Bergasa L. M., Davison A. J. Gauge-SURF Descriptors // Image and Vision Computing. 2013. Vol. 31, no. 1, рp. 103–116. 5. Modeling the Shape of the Scene: a Holistic Representation of the Spatial Envelope. Available at: http://people.csail.mit.edu/torralba/code/spatialenvelope (accessed: 28.08.2015). 6. Dlib C++ Library. Available at: http://dlib.net (accessed: 28.08.2015). © Проскурин А. В., 2015

_____________ УДК 004.932.2 ОБНАРУЖЕНИЕ ДЫМА НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ С ПРИМЕНЕНИЕМ ЛОКАЛЬНЫХ БИНАРНЫХ ШАБЛОНОВ В УСЛОВИЯХ ШУМА А. В. Пятаева Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Визуальное обнаружение дыма на открытых пространствах имеет большое значение для раннего обнаружения задымлений и возгораний, в частности, на территории аэродромов. Изучено воздействие различных шумов на качество детектирования дыма. Ключевые слова: детектирование дыма, шум, локальные бинарные шаблоны. VIDEO-BASED SMOKE DETECTION USING LOCAL BINARY PATTERNS IN NOISE VODEOSEQUENCES A. V. Pyataeva Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] Video-based smoke detection in outdoor spaces is particularly important for early warning systems because smoke usually rises before flames arise. The influence of different noise types on a quality of smoke detection is studied. Keywords: smoke detection, noise, local binary pattern. Видеоизображения, полученные в результате видеосъемки в реальных условиях, могут включать артефакты, возникающие из-за помех оборудования или линии передачи информации, а также связанные с погодными условиями. В связи с этим возникает необходимость проверки областей-кандидатов на дым, когда такие области уже выделены в видеопоследовательности. Рассмотрим алгоритмическую компенсацию сложных погодных условий съемки при детектировании дыма на видеопоследовательностях. Для имитации атмосферных осадков на изображение накладывался аддитивный белый гауссов шум. На изображения был также наложен импульсный шум типа «соль-перец», который возникает из-за проблем с оборудованием, а также может быть связан с ошибками при передаче изображений в 5,2, 7,01 и 10 дБ.

В качестве фильтра размытия использован фильтр Гаусса. Фильтр размытия Гаусса основывается на матрице свертки, которая заполняется нормализованными коэффициентами, полученными с помощью функции Гаусса двух переменных [1; 2]: G ( x, y ) =

1

−

x2 + y 2 2 σ2

e , 2πσ2 где σ – коэффициент пропорциональности размытия; x, y – расстояния от центрального элемента матрицы до элемента, для которого рассчитывается коэффициент по вертикали и горизонтали соответственно. Для повышения резкости изображения использован фильтр Лапласа. Дискретный лапласиан определяется как сумма вторых производных и аппроксимируется суммой перепадов на соседних пикселях относительно центрального пикселя:

245

Решетневские чтения. 2015

∇2 f =

δ2 f δx 2

+

δ2 f δy 2

=

= [ f ( x + 1, y ) + f ( x − 1, y ) − 2 f ( x, y ) ] + + [ f ( x, y + 1) + f ( x, y − 1) − 2 f ( x, y ) ] = = f ( x + 1, y ) + f ( x − 1, y ) + f ( x, y + 1) + + f ( x, y − 1) − 4 f ( x, y ).

В работе предложен алгоритм автоматического детектирования дыма, включающий в себя анализ текстуры с помощью локальных бинарных шаблонов (LBP), локальных тернарных шаблонов (LTP) и расширенных локальных бинарных шаблонов (ELBP). Пространственно-временные шаблоны (STLBP) являются одним из способов исследования динамических свойств текстур в видеопоследовательности [3] и объединяют в себе информацию из соседних кадров относительно центрального пикселя. 2D- и 3D-шаблоны показаны на рисунке (пустой кружок обозначает центральный пиксель). Основная идея алгоритма состоит в исследовании применимости различных методов STLBP при детектировании дыма для изображений, подверженных воздействию указанных шумов. Для классификации областей дыма в работе использован гистограммный подход как один из наиболее простых и быстрых способов. Для равномерных и тернарных шаблонов требуется предобработка перед построением гистограммы, классический LBP не требует предобработки. Предобработка тернарного n-разрядного кода состоит в разбиении полученного кода на два бинарных n-разрядных кода. Для расширенных бинарных шаблонов предобработка заключается в нахождении равномерных шаблонов и всех их циклических сдвигов. Равномерные шаблоны определяют такие важные особенности изображения, как пятна, концы линий, углы, грани [4]. Конечная гистограмма LTP и ELBP строится классическим способом по итоговому набору десятичных чисел. Мерой различия гистограмм двух сопоставляемых изображений при построении соответствующего

решающего правила использовалось расстояние Кульбака–Лейблера: P ( P −1) + 3 f DK , L ( f , g ) = ∑ f k ln k , gk k =1 где f и g – гистограммы первого и второго изображения; k – номер столбца; Р – число точек в окрестности LBP. Для проведения экспериментальных исследований использованы данные из базы данных динамических текстур DynTex [5]. Использовано три видеопоследовательности густого дыма, одна видеопоследовательность с прозрачным дымом и шесть видеопоследовательностей без дыма, из которых вручную были извлечены фрагменты дыма. При зашумлении изображений аддитивным белым шумом Гаусса, эффективность работы тернарных шаблонов не изменяется, а эффективность расширенных бинарных шаблонов падает на 1,5 % для густого дыма. Для шума типа «соль–перец» расширенные бинарные шаблоны выдерживают, без падения точности, шум до 7,01 дБ, при увеличении шума до 10 дБ происходит падение точности на 3 % для густого дыма. Тернарные шаблоны работают хуже на 6,8–8,7 % при увеличении шума от 5 до 10 дБ для густого дыма. При детектировании прозрачного дыма ELBP выдерживают падение освещенности в два раза, точность детектирования при этом 86–88 %, при шуме типа «соль–перец» для прозрачного дыма точность составляет 90 % при шуме в 7 дБ. Эксперименты с фильтром размытия показали, что для густого и прозрачного дыма требуются дополнительные методы борьбы с размытием, фильтр Лапласа обеспечивает незначительное увеличение точности детектирования. Анализ результатов при детектировании густого дыма показывает, что STLTP и STELBP являются устойчивыми к шуму, STELBP обеспечивают точность детектирования густого дыма в 98–99 %, тернарные шаблоны показывают значение точности в 90–98 %. Для прозрачного дыма наиболее эффективными являются ELBP в двумерном случае.

кадр i + 1 кадр i

кадр i –1 а

б Шаблоны: а – базовый LBP; б – 3D-STLBP

246

Программные средства и информационные технологии

References 1. Zhang Z., Klassen E., Srivastava A., Turaga P., Chellappa R. Blurring-Invariant Riemannian Metrics for Comparing Signals and Images // Conference: International Conference on Computer Vision – ICCV, 2011. Pp. 1770–775. 2. Réti Z. Deblurring images blurred by the discrete Gaussian. Applied Mathematics Letters. 1995. Vol. 8, iss. 4, рр. 29–35. 3. Zhao G., Pietikäinen M. Dynamic Texture Recognition Using Volume Local Binary Patterns //

Dynamical Vision / R. Vidal, A. Heyden, Y. Ma (eds) LNCS. 2007. Vol. 4358, рр. 165–177. 4. Feiniu Y. Rotation and Scale Invariant Local Binary Pattern Based on High Order Directional Derivatives for Texture Classification. Digital Signal Processing. 2014. No. 26, pp. 142–152. 5. Renaud P., Fazekas S., Mark J. Huiskes. DynTex: A comprehensive database of dynamic textures // Pattern Recognition Letters. 2010. No. 1, pp. 1627–1632. © Пятаева А. В., 2015

___________ УДК 004.932 АЛГОРИТМ ПАРАЛЛЕЛЬНОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ НА МОБИЛЬНЫХ УСТРОЙСТВАХ С МНОГОЯДЕРНЫМ ПРОЦЕССОРОМ А. С. Савельев, А. И. Томилина Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Представлен алгоритм параллельного вычисления и обработки изображений на мобильном устройстве с многоядерным процессором, показаны его особенности на примере задачи распознавания дорожной разметки. Данная тематика также актуальна и для использования в аэрокосмической технике, где мобильность, низкое энергопотребление и компактность являются не менее важными факторами, чем производительность системы. Ключевые слова: параллельные вычисления, обработка изображений, распознавание образов, дорожная разметка, мобильные вычислительные системы. ALGORITHM FOR PARALLEL IMAGE PROCESSING ON MOBILE DEVICES WITH MULTI-CORE PROCESSORS A. S. Savelev, A. I. Tomilina Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] This paper presents an algorithm for parallel computation and image processing on mobile devices with a multicore processor, the example of the recognition problem of road markings is shown. This subject is also relevant to be used in the aerospace engineering where mobility is low power consumption and compact size is a no less important factor than the performance of the system. Keywords: parallel computing, image processing, pattern recognition, road markings, mobile computing systems. На данный момент смартфоны или КПК повсеместно встречаются в нашей повседневной жизни. С течением времени данные устройства обзавелись аппаратным обеспечением, сопоставимым по некоторым показателям со стационарными компьютерами. При всем этом, включая в себя множество современных высокотехнологичных компонентов и сохраняя невысокую стоимость, данные устройства находят применение в решении различных задач, в том числе и для использования в аэрокосмической технике, где мобильность, низкое энергопотребление и компактность являются не менее важными факторами, чем производительность системы. В данной статье рас-

сматривается возможность параллельных вычислений [1] для решения задачи анализа изображения. Одним из примеров задачи анализа изображения может служить система предупреждения о смене полосы [2], используемая в автомобилях для поддержания контроля за дорожной ситуацией. На первом этапе используется видеопоследовательность, полученная с камеры устройства, затем производится выборка кадров из данной видеопоследовательности. Абстрагируясь от нюансов связанных с предварительной обработкой изображения выбранного кадра, мы приходим к следующим условиям: имеется изображение дорожного полотна, на котором белым цветом нанесена

247

Решетневские чтения. 2015

дорожная разметка (полосы). Первоначальной задачей является выделение разметки на общем фоне. На данном этапе появляется возможность распараллеливания задачи на несколько потоков. Если предположить, что у нас имеется устройство с четырехядерным процессором, то становится очевидным вариант разбиения матрицы изображения на 4 подматрицы [3] (рис. 1). Рис. 2. Область «интереса» на бинаризированом изображении Сравнение времени обработки Метод Последовательный Параллельный

Рис. 1. Схема разделения матрицы

На данном этапе необходимо произвести выделение разметки на имеющемся изображении. Так как разметка нанесена белым цветом, необходимо выделить пиксели, цветовые составляющие которых больше определенного значения [4]: g ( x, y ) = ⎧255, если r ( x, y ) > val , g ( x, y ) > val , b( x, y ) > val , =⎨ 0, иначе. ⎩

После первого этапа необходимо проанализировать положение автомобиля относительно полос движения. Для этого рассматривается центральная область изображения, на которой представлена разметка полосы, в которой двигается автомобиль. Принимая во внимание эффект перспективы [5], можно выделить область в центре, которая должна находиться между двух полос движения и не включать в себя элементы разметки. Если же данная область и разметка совпали, то данная ситуация сигнализируется как съезд с полосы движения (рис. 2). Данный алгоритм был протестирован на входном изображении с разрешением 640×480, результаты времени вычислений представлены в таблице.

Время обработки, мс 1 438 571

Из представленных в таблице данных можно вычислить, что ускорение при использовании параллельной обработки составило около 270 %. References 1. Catanzaro B. Ubiquitous Parallel Computing form Berkeley, Illinois, and Stanford // IEEE Computer Society. 2010. С. 41–55. 2. Chanawangsa P., Chen C. A New Smartphone Lane Detection System: Realizing TruePotential of Multicore Mobile Devices, MoVid’12. 2012. С. 19–24. 3. Yang T., Doolan D. Mobile Parallel computing // Proc. of the Fifth International Symposium on Parallel and Distributed Computing. IEEE International. 2006. 4. Bertozzi M., Broggi A. GOLD: A Parallel RealTime Stereo Vision System for Generic Obstacle and Lane Detection // IEEE Transaction on image processing. 1998. Vol. 7, no. 1. 5. Marshall D. Parallel Programming with Microsoft Visual Studio. Microsoft Corporation by: O’Reilly Media, 2011. © Савельев А. С., Томилина А. И., 2015

__________ УДК 004.6 СПОСОБЫ ХРАНЕНИЯ ДАННЫХ В ПРИЛОЖЕНИЯХ ANDROID OS А. А. Сидора Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Android – популярная мобильная платформа, используемая во множестве мобильных устройств, и даже автомобильных мультимедийных системах, в которых неотъемлемой частью является наличие навигационной системы, использующей спутники ГЛОНАСС и GPS. Для улучшения работы навигационных приложений, требуется хранить и использовать информацию о спутниках (их количестве, положении и т. д.). Рассматриваются способы хранения данных в приложениях операционной системы Android и их назначение. Приведены их характеристики и выделены основные случаи их использования в зависимости от типов данных. Ключевые слова: Android, база данных, способы хранения данных. 248

Программные средства и информационные технологии

THE METHODS OF STORING DATA IN ANDROID OS APPLICATIONS A. A. Sidora Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] Android is a popular mobile platform, which is used in many mobile devices, even in the car multimedia systems, in which an integral part is the presence of a navigation system using GLONASS and GPS satellites. To improve the navigation application it is required to store and use information about satellites (their number, position, etc.). The methods of storing data in android operating system applications are considered. Their characteristics are given and major cases of using depending on the types of data are shown. Keywords: Android, database, methods of storing data. Большинству приложений для Android требуется хранить те или иные данные, будь то данные о состоянии активности приложения или различные пользовательские настройки. Некоторым приложениям требуется хранить и оперировать достаточно большим объёмом информации в файлах и базах данных. В операционной системе Android существует несколько способов хранения данных: 1. Shared Preferences. 2. Обычные файлы, используя внутреннюю или внешнюю память. 3. База данных SQLite. Каждый из перечисленных способов имеет свои достоинства и недостатки, что обусловлено их предназначением. Первый из рассматриваемых способов – Shared Preferences (общие настройки). Данный способ представляет собой хранение простых данных в виде «ключ–значение» в XML-файле, находящемся в поддиректории shared-prefs «приватной» папки приложения. Shared Preferences поддерживает базовые типы boolean, string, float, long, int и используется для быстрого сохранения значений по умолчанию, пользовательских настроек, переменных экземпляра класса, текущего состояния пользовательского интерфейса. Чаще всего используется для обеспечения постоянства данных между сессиями пользователя и не подходит для хранения множества однотипных структурированных данных. Второй способ подходит для чтения и записи больших объёмов данных в порядке от начала к концу без пропусков. Этот способ оптимален для изображений, медиа и других файлов, передаваемых по сети [2]. Большинство Android устройств имеют две области хранения файлов: внутреннюю и внешнюю. Если ко внутреннему хранилищу относится встроенная память, то ко внешним могут относиться как карты памяти, USB-накопители, так и часть внутренней памяти, которая может быть поделена на внутренний и внешний разделы. Хранение файлов во внутренней памяти лучше подходит для ситуаций, когда ни пользователь, ни другие приложения не должны иметь доступа к файлам вашего приложения. Внутренняя память всегда доступна. При удалении приложения Android удалит из внутренней памяти все его файлы.

Внешнее хранилище в отличие от внутренней памяти доступно не всегда, потому что пользователь может в любое время подключать и отключать такие хранилища. Такие хранилища доступны для чтения везде, поэтому вы не контролируете чтение сохраненных в них данных, из-за чего оно подходит для файлов без ограничений доступа и для файлов, которые вы хотите сделать доступными другим приложениям или пользователю через компьютер. При работе приложения с внешним хранилищем можно выделить две группы файлов: 1. Общедоступные файлы: доступны другим приложениям и пользователю, при удалении приложения должны оставаться доступными. 2. Личные файлы: принадлежат приложению и удаляются вместе с ним. Для записи во внешнее хранилище нужен запрос на разрешение, в то время как для записи файлов на внутреннюю память разрешений не требуется, приложение всегда может читать и записывать файлы в свой каталог. Также при работе с внешним хранилищем следует проверять его доступность. Третий способ хранения данных – это использование встраиваемой базы данных SQLite [3]. Данный способ идеально подходит для повторяющихся и сложных структурированных данных. SQLite в Android реализована в виде библиотеки на языке C, и каждая база данных считается частью приложения, которое её создало. Благодаря этому минимизируется число внешних зависимостей, уменьшаются задержки, упрощаются синхронизация и блокирование при выполнении транзакций [1]. Так как по умолчанию доступ к базе есть только у приложения, создавшего её, существует механизм, предоставляющий обмен данными. Источники данных предоставляют общий интерфейс, основанный на простой адресной модели URI для доступа к любой информации путём отделения логики приложения от слоя, отвечающего за хранение данных. Библиографические ссылки 1. Майер Р. Android 2: программирование приложений для планшетных компьютеров и смартфонов : пер. с англ. М. : Эксмо, 2011. 672 с. 2. Android Developers [Электронный ресурс]. URL: https://developer.android.com/ (дата обращения: 5.09.2015).

249

Решетневские чтения. 2015

3. SQLite – Wikipedia [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/SQLite (дата обращения: 5.09.2015). References 1. Maier R. Professional Android 2 Application Development. Translate from English. М. : Eksmo, 2011. 672 p.

2. Android Developers [Electronic resource]. URL: https:// developer.android.com / (address date: 5.09.2015). 3. SQLite – Wikipedia [Electronic resource]. URL: https://ru.wikipedia.org/wiki/SQLite (дата обращения: 5.09.2015). © Сидора А. А., 2015

___________ УДК 004.418 РАЗРАБОТКА ПРИЛОЖЕНИЯ ДЛЯ УПРАВЛЕНИЯ МЕДИАКОНТЕНТОМ ИНФОРМАЦИОННЫХ РЕСУРСОВ ОБЩЕГО НАЗНАЧЕНИЯ Р. Д. Синицын Специальное конструкторско-технологическое бюро «Наука» КНЦ СО РАН Российская Федерация, 660049, г. Красноярск, просп. Мира, 53 E-mail: [email protected] Представлена информационная система для автоматизации и планирования процесса распространения контента, связанного с ракетно-космической тематикой, в социальных сетях и блогах, а также для хранения контента. Ключевые слова: информационная система, автоматизация, медиаконтент, социальные сети. DEVELOPING APPLICATION FOR MEDIA CONTENT MANAGEMENT OF INFORMATION RESOURCES OF GENERAL PURPOSES R. D. Sinitsyn Special Designed Technological Bureau “Nauka” KSC SB RAS 53, Mira Av., Krasnoyarsk, 660049, Russian Federation E-mail: [email protected] An information system to automate the process of planning and distribution of content is associated with the rocketspace theme in social networks and blogs, as well as content storage. Keywords: information system, automation, media content, social networks. В настоящее время на сайтах в Интернете содержится огромное количество информации, например, научные публикации, связанные с ракетно-космической тематикой. В последние годы особое место заняли веб-ресурсы, где у пользователей есть возможность объединяться по интересам и просматривать только интересующую их информацию. Например, к таким веб-сайтам относятся блоги и социальные сети. А для пользователей, заинтересованных в предоставлении такой информации, появилась возможность легально и незатратно загружать контент для дальнейшего его распространения. С ростом числа пользователей такой процесс превратился в серьёзное дело: на группу в социальной сети может быть подписаны тысячи пользователей, и администратору необходимо своевременно загружать новый контент. Тут администратор сталкивается с рядом процессов, которые можно было бы автоматизировать. Продукт представляет собой мобильное приложение, которое позволяет автоматизировать процесс размещения содержимого в блоги и социальные сети.

Пользователь, зарегистрировавшись в системе, добавляет сайты, на которые будет происходить дальнейшее размещение контента. При этом он получает следующие преимущества по сравнению с обычной загрузкой: – единый интерфейс: загрузка ведётся из одного центра; – единое упорядоченное хранилище: содержимое, загружаемое пользователем, хранится в облаке; – анализ статистических данных: пользователю доступна статистика, включающая в себя, когда, что и куда он загружал; – автоматическая загрузка контента: пользователь может установить расписание, и загрузка будет происходить в автоматическом режиме; – один раз настроив загрузку в установленное время, пользователь может повторять её для разного контента; – загрузка одинакового контента в одно и то же время доступна сразу для нескольких сайтов. Варианты использования программного продукта [1] представлены на рисунке.

250

Программные средства и информационные технологии

Варианты использования

Веб-приложение было решено развернуть в облачном сервисе Windows Azure. Облачные сервисы имеют ряд преимуществ относительно обычных вебхостингов: вычисления более эффективные, отказоустойчивость выше, облачные сервисы безопасны [2]. Хранимые сущности программы размещаются в структурированном облачном хранилище Windows Azure Storage. Приложение может выполнять доступ к своим данным в любой момент времени из любой точки планеты, хранить любой объем данных и как угодно долго. При этом данные гарантированно не будут повреждены и утеряны. Хранилище поддерживает высокомасштабируемые таблицы в облаке, которые могут содержать миллиарды сущностей и терабайты данных. По мере увеличения трафика система будет эффективно масштабироваться, автоматически подключая тысячи серверов [3]. В результате разработанное приложение решает не только свою первостепенную задачу – автоматизацию процесса размещения контента на веб-ресурсах в фоновом режиме (система отложенного постинга), но и представляет собой упорядоченное хранилище. Данное приложение может быть использовано маркетологами для рекламы своих продуктов, администраторами информационных ресурсов различной направленности, в том числе и научной.

программных систем. 2013. URL: http://www. caseclub.ru/articles/use_case.html (дата обращения: 10.10.2015). 2. Чем хороши корпоративные облачные сервисы [Электронный ресурс] // РОСТ-ПРО: Эксперт программных решений. URL: http://rost-pro.ru/articles/ ?item=21 (дата обращения: 10.10.2015). 3. WINDOWS AZURE TABLE [Электронный ресурс] // MSDN – сеть разработчиков Microsoft. URL: https://msdn.microsoft.com/ru-ru/library/ee872426.aspx (дата обращения: 10.10.2015). References 1. What good corporate cloud services [Electronic resource] // PRO-GROWTH: Expert software solutions: [site]. URL: http://rost-pro.ru/articles/?item=21 (date of visit:10.10.2015). 2. Trofimov S. Options Use (UseCase) [Electronic resource] // Club development of software systems: [site]. [2013]. URL: http://www.caseclub.ru/articles/use_case. html (date of visit:10.10.2015). 3. WINDOWS AZURE TABLE [Electronic resource] // Learn to Develop with Microsoft Developer Network | MSDN: [сайт]. URL: https://msdn.microsoft.com/ruru/library/ee872426.aspx (date of visit:10.10.2015).

Библиографические ссылки 1. Трофимов С. Варианты использования (Use Case) [Электронный ресурс] // Клуб разработчиков 251

© Синицын Р. Д., 2015

Решетневские чтения. 2015

УДК 681.3.07 ОРГАНИЗАЦИЯ ЖУРНАЛА ОПЕРАЦИЙ С БАЗОЙ ДАННЫХ В ИНФОРМАЦИОННОЙ СИСТЕМЕ ООО «РУСПРОМКОМ» А. А. Таскаева Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Предлагается подход к организации журнала операций с базой данных. Основная идея используемой технологии заключается в создании журнальной таблицы для каждой рабочей таблицы базы данных, а также в создании трех правил (CREATERULE): для операций вставки, обновления и удаления записей из рабочих таблиц. При выполнении операций с рабочей таблицей копии вставляемой, обновляемой или удаляемой записи вставляются в журнальную таблицу. Ключевые слова: организация журнала операций с базой данных, создание журнальной таблицы, рабочая таблица, операция вставки. ORGANIZING LOG OF DATABASE OPERATIONS IN THE INFORMATION SYSTEM AT “ROSPROMECO” LTD A. A. Taskaeva Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] We propose an approach to organize database operations. The basic idea of the technology is used to create a specific log table for each of the working tables of the database, as well as three rules (CREATERULE: operation inserting, updating and deleting records from a worksheet. When operations are performed with the working tables, copies of inserted, updated or deleted records are inserted into that specific table. Keywords: organize database operations, creating a log table, operation inserting, working table, Одним из основных требований к СУБД является надежность хранения данных во внешней памяти. Это означает, что СУБД должна суметь восстановить последнее согласованное состояние базы данных (БД) после любого аппаратного или программного сбоя. Обычно рассматриваются два возможных вида аппаратных сбоев: «мягкие сбои» – внезапная остановка работы компьютера (например, аварийное выключение питания), и «жесткие сбои», характеризуемые потерей информации на носителях внешней памяти. В любом случае для восстановления БД нужно иметь дополнительную информацию. Поддержание надёжности хранения данных в БД требует избыточности хранения данных. При этом особо надёжно должны храниться данные, используемые для восстановления. Распространённым методом поддержания такой избыточной информации является ведение журнала изменений БД. Журнал – это поддерживаемая с особой тщательностью часть БД, недоступная пользователям СУБД. В неё поступают записи обо всех изменениях основной части БД. Иногда поддерживают две копии журнала, размещая их на разных физических дисках. Во всех случаях придерживаются стратегии «упреждающей» записи в журнал. Это означает, что запись об изменении любого объекта БД должна по-

пасть во внешнюю память журнала раньше, чем измененный объект попадёт во внешнюю память основной части БД. Если в СУБД корректно соблюдается протокол WAL (WriteAheadLog), то с помощью журнала можно решить все проблемы восстановления БД после любого сбоя. Целью процесса восстановления после мягкого сбоя является состояние внешней памяти основной части БД, которое возникло бы при фиксации во внешней памяти изменений всех завершившихся транзакций и которое не содержало бы никаких следов незаконченных транзакций. Для этого сначала производят откат незавершенных транзакций (undo), а потом повторно воспроизводят (redo) те операции завершенных транзакций, результаты которых не отображены во внешней памяти. Этот процесс содержит много тонкостей, связанных с общей организацией управления буферами и журналом. Для восстановления БД после жесткого сбоя используют журнал и архивную копию БД. Архивная копия – это полная копия БД к моменту начала заполнения журнала. Для нормального восстановления БД после жесткого сбоя необходимо, чтобы журнал не пропал. К сохранности журнала во внешней памяти в СУБД предъявляются особо повышенные требования. Тогда восстановление БД состоит в том, что,

252

Программные средства и информационные технологии

исходя из архивной копии, по журналу воспроизводится работа всех транзакций, которые закончились к моменту сбоя. В принципе, можно даже воспроизвести работу незавершенных транзакций и продолжить их работу после завершения восстановления. При эксплуатации информационных систем возможны не только сбои в работе оборудования, но также и ошибки оператора. В первом случае может потребоваться выполнить восстановление БД с ее резервной копии. Для этого используются стандартные утилиты, входящие в комплект системы управления базами данных (СУБД). Такие утилиты имеются и в составе СУБД PostgreSQL. В случае же ошибок оператора, особенно если они обнаружены с опозданием, выполнение восстановления базы данных посредством системной утилиты приведет к тому, что будут утрачены и корректные изменения базы данных, выполненные после проведения последнего резервного копирования. Таким образом, даже небольшая ошибка оператора может привести к необходимости повторного выполнения ввода или корректировки значительного объема данных. Если бы в базе данных сохранялась вся история изменений каждой реляционной таблицы, то администратор имел бы возможность выполнять восстановление не только всей таблицы целиком, но и каждой конкретной строки в таблице. В докладе предлагается организовать такую систему учета изменений базы данных, которая была бы построена на основе системы правил (rules) СУБД PostgreSQL. Основные принципы и правила ее построения следующие. 1. В каждую таблицу базы данных вводятся следующие атрибуты, содержащие служебную информацию: who_chgtext DEFAULT USER – кем добавлена (изменена) запись; when_chg timestamp; DEFAULTCURRENT_TIMESTAMP – когда добавлена (изменена) запись. 2. Для каждой таблицы базы данных, которые назовем рабочими таблицами, должна быть создана таблица, которую будем называть журнальной. Эта таблица содержит все атрибуты рабочей таблицы и дополнительно еще три атрибута: db_operationtext – операция над БД; who_addtextDEFAULTUSER – кем добавлена запись; when_addtimestampDEFAULTCURRENT_TIMEST AMP – когда добавлена запись. 3. Журнальные таблицы создаются без каких-либо ограничений целостности. Ограничения целостности не нужны, поскольку записи в журнальные таблицы добавляются только из рабочих таблиц, а в рабочих таблицах ограничения целостности присутствуют, поэтому данные в них согласованные. 4. Для каждой рабочей таблицы создается три так называемых правила (CREATERULE). Это расширение языка SQL, поддерживаемое СУБД PostgreSQL.

Правила позволяют с каждой операцией, выполняемой над таблицей базы данных, связать некоторые дополнительные операции, выполняемые, возможно, над другими таблицами. В нашей технологии правила создаются для операций вставки записей в таблицу (INSERT), обновления записи в таблице (UPDATE) и удаления записей из таблицы (DELETE). Правило для операции вставки записей выглядит так: CREATE RULE Langs_rule_1 AS ON INSERT TO sost_zayvki DO INSERT INTO sost_zayvki_2 (id,id_zayavki,naimenovanie,sechenie, kol-vo, m2, stoim, itogo, skidka,who_chg,when_chg,db_operation )VALUES ( NEW.id,NEW.id_zayavki,NEW.naimenovanie,NEW.sec henie,NEW.kol-vo,NEW.m2, NEW.stoim, NEW.itogo,NEW.skidka, NEW.who_chg, NEW.when_chg, 'INSERT' ); В этой команде таблица sost_zayvki – это основная таблица, а sost_zayvki_2 – журнальная таблица. Атрибут db_operation будет содержать значение 'INSERT', атрибут who_add – значение по умолчанию, т. е. имя пользователя, добавившего запись в рабочую таблицу, атрибут when_add – значение по умолчанию, т. е. временную отметку выполнения операции. Правило для операции обновления записей выглядит так: CREATE RULE Langs_rule_2 AS ON UPDATE TO sost_zayvki DO INSERT INTO sost_zayvki_2 (id, id_zayavki, naimenovanie, sechenie, kol-vo, m2, stoim, itogo, skidka,who_chg, when_chg, db_operation )VALUES (NEW.id,NEW.id_zayavki,NEW.naimenovanie,NEW.sec henie,NEW.kol-vo,NEW. m2, NEW.stoim, NEW.itogo,NEW.skidka,NEW.who_chg, NEW.when_chg, 'UPDATE' ); Правило для операции удаления записей выглядит так: CREATE RULE Langs_rule_3 AS ON DELETE TO sost_zayvki DO INSERT INTO sost_zayvki_2 (id, id_zayavki, naimenovanie, sechenie, kol-vo, m2, stoim, itogo, skidka,who_chg, when_chg, db_operation )VALUES (OLD.id,OLD.id_zayavki,OLD.naimenovanie,OLD.seche nie,OLD.kol-vo,OLD. m2, OLD.stoim, OLD.itogo,OLD.skidkaOLD.who_chg, OLD.when_chg, 'DELETE' ); 5. В журнальные таблицы записи только добавляются, но не обновляются и не удаляются из них. Поэтому сохраняется вся история изменения каждой записи из рабочей таблицы. Предложенный подход позволит повысить безопасность выполнения операций с базой данных. В случае ошибки оператора администратор базы данных сможет отыскать запись в журнальной таблице и восстановить то состояние конкретной записи в рабочей таблице, которое требуется.

253

© Таскаева А. А., 2015

Решетневские чтения. 2015

УДК 004.4; 004.413.5+004.91 ПРОБЛЕМА ВЫБОРА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ВЕДЕНИЯ ДЕЛОПРОИЗВОДСТВА В АО «ИСС» ИМЕНИ АКАДЕМИКА М. Ф. РЕШЕТНЕВА» А. В. Темляков, Е. В. Зайцева АО «Информационные спутниковые системы» имени академика М. Ф. Решетнёва» Российская Федерация, 662972, г. Железногорск Красноярского края, ул. Ленина, 52 E-mail: [email protected] Проведен анализ имеющихся на рынке систем делопроизводства, приведены сведения об особенностях организации и ведения делопроизводства в АО «ИСС» имени академика М. Ф. Решетнева», сформулированы требования к разрабатываемой. Системе управления делопроизводством. Ключевые слова: управление предприятием, документооборот, автоматизация, программные средства. THE CHOICE PROBLEM OF AUTOMATED ELECTRONIC DOCUMENT MANAGEMENT SYSTEMS AT JSC «RESHETNEV INFORMATION SATELLITE SYSTEMS» A. V. Temlyakov, E. V. Zaytseva JSC “Academician M. F. Reshetnev “Information satellite systems” 52, Lenin Str., Zheleznogorsk, Krasnoyarsk region, 662972, Russian Federation E-mail: [email protected] The article analyses the electronic document management systems available on the market. Information about the features of the organization and control of office management in the JSC “ISS-Reshetnev” is provided. The requirements to develop system case management are formulated. Keywords: enterprise management, document management, automation, software tools. Автоматизация документооборота – актуальная потребность времени. Грамотно построенные и оптимизированные бизнес-процессы являются залогом успеха функционирования предприятия. Одним из наиболее важных и ресурсозатратных процессов является процесс документационного обеспечения управления. В первую очередь, это временные затраты (согласование, утверждение, подписание, контроль исполнения). Кроме того, в отсутствие электронного документооборота на предприятии работники предприятия тратят время на поиски различных документов, основная масса информации из организационно-распорядительной документации остаётся на бумаге, значительная доля документов теряется безвозвратно. Оптимизировать данный процесс, а значит, существенно снизить издержки на его обеспечение, призваны системы электронного документооборота (СЭД) [1]. СЭД реализуют базовый функционал, который используется для автоматизации делопроизводства, однако, далеко не все СЭД подходят для реализации процессов делопроизводства, как правило, для этого используют информационные системы категории ECM (Electronic Content Management) [2]. За рубежом были попытки внедрения международных стандартов [3], регламентирующих последовательность полного отказа от бумажной документации. На отечественном рынке представлено множество продуктов, реализующих функционал систем делопроизводства, как от зарубежных производителей, так и отечественных. Наиболее известные из них:

Directum, DocsVision, PayDox, «Е1 Евфрат», «1C:Документооборот», «Босс-референт», «ДЕЛО», «МОТИВ», из зарубежных следует отметить, прежде всего, SharePoint, Lotus. Эти системы имеют обширную практику внедрений, они используются сотнями организаций для автоматизации документооборота. Кроме упомянутых решений, на рынке присутствуют еще более 50 программных продуктов, не получивших большого распространения [4]. Выбор системы делопроизводства обусловлен в первую очередь особенностями ведения делопроизводства на конкретном предприятии, где происходит внедрение. Можно отметить следующие особенности АО «ИСС»: на предприятии работает относительно большое количество сотрудников (на текущий момент более 8 тысяч), объём выпускаемой организационно-распорядительной документации исчисляется десятками тысяч документов в год только для внешней переписки. Внутренняя переписка имеет ещё более значимые объёмы: ввиду жесткого контроля качества выпускаемой технически сложной продукции, работники вынуждены осуществлять документальное подтверждение взаимодействия между подразделениями. Предприятие режимное, что накладывает жесткие требования к сетевой безопасности, в частности, в АО «ИСС» невозможно внедрить не только онлайновые варианты систем делопроизводства, но и версии, требующие периодического или постоянного выхода в Интернет. Существенным препятствием внедрения систем является проблемы с реализацией пользовательского

254

Программные средства и информационные технологии

интерфейса в имеющихся на рынке продуктах: помимо того, что в большинстве систем его реализация вызывает нарекание со стороны как пользователей, так и специалистов [5], примечательна ещё одна особенность: как правило, интерфейс реализован в достаточно общем виде и при внедрении кастомизируется под особенности конкретного предприятия. Однако практика показывает, что такая доработка далеко не всегда позволяет достичь конечной цели – удобства использования системой: ввиду того, что функционал систем обширен, серьёзное реконструирование интерфейса требует переработки ядра системы, что дорого и далеко не всегда допустимо, так как вносить правки в ядро может только вендор. В АО «ИСС» имеется более сотни подразделений, поэтому для внедрения системы делопроизводства необходимо проводить массовое обучение, ведь если некоторые подразделения не будут работать в едином информационном пространстве системы, это создаст значительные затруднения. Кроме того, на настоящий момент большинство ответственных за делопроизводство в подразделениях не являются опытными пользователями компьютера, поэтому испытывают значительные затруднения при использовании программных продуктов. Таким образом, шансы, что система на этапе внедрения может парализовать работу подразделений, увеличиваются. Требования к простоте пользовательского интерфейса, реализующего базовые привычные функции делопроизводителей, является одним из ключевых. На предприятии проводились попытки внедрения различных сторонних систем делопроизводства, опробовались системы таймменеджмента для управления поручениями. Результат во всех случаях – отказ от пользования системой либо использование их ограниченным кругом лиц. Ещё одним серьёзным препятствием, возникающим при внедрении систем делопроизводства, является тот факт, что система делопроизводства должна быть достаточно плотно увязана с кадровой службой: существенную проблему составляет один только вопрос регистрации и дальнейшего сопровождения информации о сотнях, а то и тысячах пользователей системы. В АО «ИСС» программное обеспечение отдела кадров, в котором ведётся информация о работниках и их должностях, – собственной разработки. Финансовое и бухгалтерское программное обеспечение, используемое на предприятии, так же является собственной разработкой. Таким образом, встаёт вопрос об обеспечении возможности интеграции разработанного и действующего в АО «ИСС» программного обеспечения с внедряемой системой делопроизводства. Приведённый анализ показывает, что внедрение систем делопроизводства – непростая задача, требующая подробного анализа и включения массы ресурсов. В АО «ИСС» был рассмотрен вариант разработки собственной системы делопроизводства, реализующей текущие нужды секретарей-делопроизводителей и руководителей предприятия. Система должна обеспечивать регистрацию внутренней организационно-распорядительной документации, транс-

порт документов между подразделениями и отслеживание исполнения документа – поручений внутри подразделений и групп, вплоть до конечного исполнителя. Пользовательский интерфейс системы должен быть реализован под нужды конечных пользователей, интегрироваться с действующими АСУ. Разрабатываемая система призвана не только решить насущные проблемы с хранением, движением и контролем выполнения документов, но также и подготовить персонал к работе в электронной форме и помочь сформулировать требования к покупной системе, если это понадобится в дальнейшем. Библиографические ссылки 1. Российский рынок систем электронного документооборота [Электронный ресурс]. URL: http:// www. sekretariat.ru/discuss/91387/ (дата обращения: 15.09.2015). 2. Особенности согласования документов с применением информационных систем управления данными / А. А. Вичугова [и др.] // Вестник науки Сибири. 2012. № 5(6). С. 118. 3. Ларин М. В. Методологические аспекты управления электронными документами [Электронный ресурс]. URL: http://www.aiteh.ru/evropejskij-opytrazrabotki-trebovanij-k-upravleniyu-elektronnymi-dokumentami.html (дата обращения: 15.09.2015). 4. Обзор систем электронного документооборота. [Электронный ресурс]. URL: http://www.ixbt.com/ soft/sed.shtml (дата обращения: 15.09.2015). 5. Почему мы ненавидим СЭД? [Электронный ресурс]. URL: http://usabilitylab.ru/blog/webinar-111/ (дата обращения: 15.09.2015). References 1. Rossiyskiy rynok sistem elektronnogo dokumentooborota [The Russian market of electronic document management systems]. Available at: http://www. sekretariat.ru/discuss/91387/ (accessed: 15.09.2015). 2. Vichugova A. A., Vichugov V. N., Dmitrieva E. A., Tsapko G. P. Osobennosti soglasovaniya dokumentov s primeneniem informatsionnykh sistem upravleniya dannymi [Features matching documents using information systems for data management] // Vestnik nauki Sibiri. 2012. № 5(6), рр. 118. 3. Larin M. V. Metodologicheskie aspekty upravleniya elektronnymi dokumentami [Methodological aspects of management of electronic documents]. Available at: http://www.aiteh.ru/evropejskij-opyt-razrabotki-trebovanij-k-upravleniyu-elektronnymi-dokumentami.html (accessed: 15.09.2015). 4. Obzor sistem elektronnogo dokumentooborota [Overview of electronic document management systems]. Available at: http://www.ixbt.com/soft/sed.shtml (accessed: 15.09.2015). 5. Pochemu my nenavidim SED? [Why do we hate EDS?] Available at: http://usabilitylab.ru/blog/webinar111/ (accessed: 15.09.2015).

255

© Темляков А. В., Зайцева Е. В., 2015

Решетневские чтения. 2015

УДК 004.925 ИСПОЛЬЗОВАНИЕ ДАННЫХ АЭРОФОТОСНИМКОВ В ЗАДАЧАХ ТРЕХМЕРНОГО МОДЕЛИРОВАНИЯ ЛАНДШАФТНЫХ СЦЕН А. А. Ткачева Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Данные лазерного сканирования и аэрофотоснимков повсеместно используются в практике инвентаризации лесов в качестве исходных данных для построения различных визуальных моделей. Приводится разработка алгоритма сегментации крон деревьев из исходного массива данных, а затем и создание трёхмерной модели земной поверхности участка леса и ландшафтных объектов на основе данных лазерного сканирования и аэрофотоснимков. Ключевые слова: аэрофотоснимки, трехмерное моделирование, ландшафтное моделирование, реалистичные трехмерные ландшафтные сцены. THREE DIMENSIONAL MODELING OF LANDSCAPE SCENE BASED ON AERIAL PHOTOS A. A. Tkacheva Reshetnev Siberian State Aerospace University 31, KrasnoyarskyRabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] LiDAR data and aerial photographs are commonly used in the practice of forest inventory as a source of data for different visual models. This study is to develop an algorithm of segmentation tree crowns from the original data set, and then to create three-dimensional model of the earth's surface area of forest and landscape objects based on laser scanning and aerial photographs. Keywords: aerial photo, three dimensional modeling, landscape modeling, realistic 3D-scene. Первоочередной задачей в трехмерном моделировании ландшафта является задача определения породы дерева и соответственно типа ветвления. Определить породу дерева по уже предварительно сегментированному облаку точек воздушного лазерного сканирования каждого из деревьев не представляется возможным, при данном наборе исходных данных возможно определить форму кроны. Для решения задачи определения класса объекта-дерева (береза, сосна, пихта, кедр и др.) необходимо дополнительно осуществить аэрофотосъемку региона [1]. Отметим, что деревья на аэрофотоснимках древостоя относятся к малым и слабоконтрастным изображениям, границы контуров объектов представляют собой не контрастные линии, а размытые переходные полосы, несмотря на эти проблемы, данные снимки подлежат дешифрированию. Существуют алгоритмы классификации двух видов – с обучением и без обучения (кластеризация) [2; 3]. При классификации с обучением пикселы

снимка группируются на основе сравнения их яркостей в каждой спектральной зоне с эталонными значениями. При кластеризации же все пикселы разделяют на группы-кластеры по какому-либо формальному дешифровочному признаку, не прибегая к обучающим данным. Затем кластеры, полученные в результате автоматической группировки пикселов, дешифровщик относит к тем или иным объектам. К прямым дешифровочным признакам относят размеры, форму, тени, фототон или цвет и структуру (рисунок) изображения объектов на аэрофотоснимке. Критерием отнесения дерева к тому или иному классу в нашем случае является цветовая составляющая объекта на аэрофотоснимке – яркостная компонента изображения Y в цветовом пространстве YUV. Таблица фототонов и цветов изображения топографических объектов на аэроснимках приведена в таблице. Яркостная характеристика определялась эвристическим способом, путем анализа нескольких фрагментов аэрофотоснимков.

Перечень фототонов и цветов изображения объектов на аэроснимках Объекты Лиственничные леса Березовые леса Хвойные леса Лиственные леса Лиственные кустарники

Черно-белые снимки Светло-серый Светло-серый Серый Серый Серый

Цветные снимки Светло-зеленый Зеленый Зеленый Зеленый Зеленый

256

Спектрозональные снимки Светло-зеленый Зеленовато-желтый Зеленый Красновато-коричневый Желтовато-коричневый

Программные средства и информационные технологии

Результаты сегментирования крон деревьев

В таблице приведены те типы лесов и пород деревьев, которые встречаются в Сибирском федеральном округе. Результаты сегментирования аэрофотоснимка представлены на рисунке. Достоверность компьютерного дешифрирования формально характеризуется отношением числа правильно классифицируемых пикселов к их общему числу и составляет в среднем 70–85 %, заметно падая с увеличением набора дешифрируемых объектов. Также стоит отметить, что при сканировании поздней весной или в начале лета, в связи с неполным развитием крон у лиственных, а также поздним летом или в начале осени, когда лиственные деревья фиксируются на аэроснимках более светлым фототоном, чем темнохвойные задача кластеризации решается эффективнее Библиографические ссылки 1. Медведев Е. М., Данилин И. М., Мельников С. Р. Лазерная локация земли и леса // Геолидар, Геоскосмос. 2007. 230 с. 2. Favorskaya M. N., Tkacheva A. A. Rendering of Wind Effects in 3D Landscape Scenes // Original

Research Article Procedia Computer Science. 2013. Vol. 22, pp. 1229–1238. 3. Ткачева А. А. Применение алгоритма SpaceColonization при трехмерном моделировании сложных природных объектов // Вестник СибГАУ. 2014. Вып. 1(53). С. 85–91. References 1. Medvedev E. M., Danilin I. M., Melnikov S. R. Laser location of Earth and Forest / // Geolidar, Geokosmos, 2007. 230 p. 2. Favorskaya M. N., Tkacheva A. A. Rendering of Wind Effects in 3D Landscape Scenes // Original Research Article Procedia Computer Science. 2013. Vol. 22, pp. 1229–1238. 3. Tkacheva A. A. Space Colonization algorithm application in three-dimensional modeling of complex natural objects // Vestnik SibGAU. 2014. No. 1(53), pp. 85–91. © Ткачева А. А., 2015

____________ УДК 004.932 ВЗАИМНОЕ ОРИЕНТИРОВАНИЕ ПОСЛЕДОВАТЕЛЬНОСТИ СНИМКОВ ДЛЯ УСТРАНЕНИЯ НЕЖЕЛАТЕЛЬНЫХ ОБЪЕКТОВ ПЕРЕДНЕГО ПЛАНА А. И. Томилина, А. С. Савельев Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected] Рассмотрена проблема удаления нежелательных объектов переднего плана с изображений с помощью извлечения желаемой сцены из последовательности снимков. Для выполнения взаимного ориентирования снимков предложено выбрать базисную систему определения элементов взаимного ориентирования. Результаты исследования могут быть применены для дистанционного зондирования Земли. Ключевые слова: взаимное ориентирование снимков, сегментация изображений, удаление отражений, удаление препятствий, разложение изображения и видео. RELATIVE ORIENTATION OF THE SEQUENCE OF IMAGES TO ELIMINATE UNWANTED FOREGROUND OBJECTS A. I. Tomilina, A. S. Savelev Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected], [email protected] 257

Решетневские чтения. 2015

In this paper we consider the problem of removing unwanted foreground objects from images with the help of cure desired scenes from image sequences. To perform relative orientation it is promposed to select a basis system of element definitions for relative orientation. The results of the study can be applied for the remote sensing of Earth. Keywords: relative image orientation, image segmentation, reflection removal, occlusion removal, image and video decomposition. Зачастую условия съемки изображений оказываются далекими от оптимальных, заставляя делать фотографии через отражающие поверхности и различные препятствия. Например, при съемке через стекло окна отражения от объектов, находящихся в помещении, могут препятствовать созданию чистого снимка вида, который мы пытаемся запечатлеть. Также, чтобы cфотографировать животных в зоопарке, возможно придется делать снимок через клетку или забор. Такие визуальные препятствия зачастую невозможно избежать только путем изменения положения камеры или плоскости съемки, и существующие вычислительные подходы до сих пор недостаточно сильны в удалении таких препятствий с изображений с легкостью. Другие профессиональные решения, такие как поляризованные линзы (для удаления отражений), могут облегчить некоторые из этих ограничений, но они не доступны для обычного пользователя.

а

Отражающие или препятствующие элементы, как правило, расположены в промежутке между камерой и основной сценой, в результате чего они имеют разную глубину со сценой, которую необходимо извлечь (рис. 1). Таким образом, вместо того, чтобы делать один снимок, предлагается создавать короткую последовательность изображений, слегка перемещая камеру. Процесс съемки похож на съемку панорамы, причем камера должна двигаться вдоль оси Х желательно без вращения. На основании различий в движении слоёв из-за визуального параллакса, изображение можно разделить на 2 слоя: изображение фона и изображение препятствия. Однако существует ограничение к снимаемой сцене: сцена должна быть статична во время съемки, но стоит отметить, в большинстве случаев данное условие выполняется [1]. Итак, мы имеем последовательность снимков, и для того, чтобы более точно отделить препятствие от фона прежде дальнейшей обработки, необходимо эти снимки взаимно сориентировать, чтобы избежать ошибок. Установку снимков относительно друг друга на момент фотографирования называют взаимным ориентированием, при этом соответствующие лучи пересекаются и создают модель объекта в произвольном масштабе и произвольно ориентированную в пространстве. Для этой цели часто используется базисная система определения элементов взаимного ориентирования (рис. 2) [3].

б Рис. 1. Модель создания изображения: а – съемка через окно; б – съемка через забор

В данной работе предлагается вычислительный подход к съемке через препятствующие элементы. Вместо захвата одного изображения, предлагается брать короткую последовательность изображений, слегка перемещая камеру. Различия, которые существуют в относительном положении препятствующих элементов и фона, получаемые при съемке в движении, позволяют отделить препятствия от нужного фона, в результате чего может быть получена сцена, на которой нет визуальных препятствий. Результаты данной работы могут быть использованы во многих предметных областях, в том числе в аэрокосмической отрасли для дистанционного зондирования Земли, предоставляя возможность удаления ненужных объектов со снимка [2].

Рис. 2. Базисная система определения элементов взаимного ориентирования пары снимков

Элементами взаимного ориентирования в этой системе являются:

258

Программные средства и информационные технологии

Α'1 – угол в главной базисной плоскости S1o1S2 левого снимка между главным лучем (оптической осью) левой связки S1o1 и перпендикуляром к базису; χ'1 – угол на левом снимке между осью y1 и следом плоскости S1o1Y'1; α'2 – угол в главной базисной плоскости левого снимка между перпендикуляром к базису и проекцией главного луча оптической (оптической оси) правой связки S2o2; ω'2 – угол между проекцией главного луча (оптической оси) правой связки на базисную плоскость левого снимка и главным лучом S2o2; χ'2 – угол на правом снимке между осью y2 и следом плоскости S2o2Y'2. Углы α'1 и α'2 называются продольными углами наклона снимков относительно базиса фотографирования, ω'2 – взаимным поперечным углом наклона, а углы χ'1 и χ'2 – углами поворота. Началом пространственных координат в первой системе служит центр проекции левого снимка, ось X1 совмещена с базисом, а ось Z1 находится в главной базисной плоскости снимка. Система координат S2X2'Y2'Z2' параллельна системе координат S1X1'Y1'Z1' [4]. Данная система определения элементов взаимного ориентирования успешно используется в геодезии. Однако и в этом случае её использование оправданно [5]. В результате данных вычислений мы получаем необходимые сведения об отклонениях между снимками последовательности. Зная их, мы можем продолжить вычисления, направленные на извлечения препятствий с нужной сцены. В данной работе был рассмотрен метод извлечения ненужных объектов переднего плана на изображении, предложен для использования метод взаимного ориентирования снимков последовательности, являющейся входной к разрабатываемому авторами тезисов алгоритму по извлечению препятствий.

2. A computational approach for Obstruction-Free Photography [Электронный ресурс]. URL: http://people.csail.mit.edu/mrub/papers/ObstructionFreeP hotography_SIGGRAPH2015.pdf (дата обращения: 30.08.2015). 3. Взаимное ориентирование снимков с новым сочетанием угловых элементов в стереопаре [Электронный ресурс]. URL: http://ivdon.ru/ru/magazine/archive/ n2y2014/2347 (дата обращения: 30.08.2015). 4. Гермак О. В. Определение элементов взаимного ориентирования снимков // Науковедение : интернетжурнал. 2012. № 4. С. 14–17. 5. Определение элементов взаимного ориентирования пары снимков [Электронный ресурс]. URL: http://www.racurs.ru/wiki/index.php/ (дата обращения: 28.08.2015). References 1. Vvedenie v distancionnoe zondirovanie. Available at: http://e-lib.gasu.ru/eposobia/gis/7.html (accessed: 30.08.2015). 2. A computational approach for Obstruction-Free Photography. Available at: http://people.csail.mit.edu/ mrub/papers/ObstructionFreePhotography_SIGGRAPH2 015.pdf (accessed: 30.08.2015). 3. Vzaimnoe orientirovanie snimkov s novym sochetaniem uglovyh jelementov v stereopare. Available at: http://ivdon.ru/ru/magazine/archive/n2y2014/2347 (accessed 30.08.2015). 4. Germak O. V. [The definition of elements of relative orientation]. Naukovedenie. 2012. No. 4, рp. 14– 17 (In Russ.). 5. Opredelenie jelementov vzaimnogo orientirovanija pary snimkov. Available at: http://www.racurs.ru/ wiki/index.php/ (accessed: 29.08.2015).

Библиографические ссылки 1. Введение в дистанционное зондирование [Электронный ресурс]. URL: http://e-lib.gasu.ru/ eposobia/gis/7.html (дата обращения: 30.08.2015).

© Томилина А. И., Савельев А. С., 2015

__________ УДК 004.42 ГЕОЛОКАЦИОННЫЕ СЕРВИСЫ НА МОБИЛЬНЫХ УСТРОЙСТВАХ ПОД УПРАВЛЕНИЕМ ОПЕРАЦИОННОЙ СИСТЕМЫ ANDROID А. В. Финк Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Рассмотрен способ использования геолокационных сервисов на мобильных устройствах под управлением ОС Android. В ходе работы были выделены основные примеры применения данных сервисов, рассмотрены основные составляющие геолокационных сервисов, определены источники данных, основанные на разных технологиях определения местоположения. Благодаря современным спутникам, данные сервисы позволяют получать максимально точные данные о местоположении мобильного устройства. Ключевые слова: Android, геолокационные сервисы, GPS, Wi-Fi-сети, источники данных, местоположение. 259

Решетневские чтения. 2015

GEOLOCATION SERVISES ON OS ANDROID MOBILE RUNNING A. V. Fink Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] This paper considers the method of using geo-location services on mobile devices running by OS Android. The work identifies the key examples of the use of data services, the basic components of the geolocation service, the data source based on different technologies of positioning. Due to modern satellite data, services allow researchers to get the most accurate information about the location of the mobile device. Keywords: Android, location-based service, GPS, Wi-Fi network, data sources, location. Одна из характерных особенностей мобильных телефонов – портативность, поэтому нет ничего удивительного в том, что одно из достоинств платформы Android связано с сервисами, которые позволяют находить, контекстуализировать и определять на карте физическое местоположение. Данные сервисы называют геолокационными (location-based service). Основные примеры использования геолокации – определить собственное местонахождение, определить координаты какого-нибудь объекта, а также связать эти координаты с другими задачами: показать соседние кафе и рестораны, город, страну и т. д. [2]. Существует несколько основных направлений использования сервисов геолокации на рынке мобильных приложений: 1. Информационные геолокационные сервисы. Благодаря этим сервисам пользователь получает информацию об окружающих его объектах в определенном месте или районе. 2. Социальные геолокационные сервисы. Такой тип сервисов позволяет пользователю следить за местоположением его друзей. 3. Коммуникационные геолокационные сервисы. Позволяют пользователю добавлять точки локации к фотографиям, заметкам, постам и другому личному контенту. Большинство Android-устройств может применять несколько технологий для определения местоположения. Это возможно сделать с помощью модуля GPS (Global Positioning System), с помощью сотовой станции мобильного оператора или с помощью Wi-Fi сетей. Обозначают две главные составляющие геолокационных сервисов [1]: 1. LocationManager – предоставляет интерфейс к геолокационным сервисам. 2. LocationProvider – предоставляет разные источники данных, основанные на различных технологиях определения местоположения. Класс LocationManager предоставляет доступ к службе местонахождения. Данная служба позволяет приложениям получать текущее местоположение, отслеживать передвижение, настраивать оповещения о близости нахождения таким образом, чтобы они срабатывали при входе в указанную область и выходе из нее, находить доступные источники данных для определения местоположения.

Класс locationProvider – абстрактный суперкласс для источников данных определения местоположения. Источники данных предоставляют периодические сведения о географическом местоположении устройства. Эта информация хранится в классе location. Каждый источник имеет набор критериев, при которых он может быть использован. Например, некоторые источники данных требуют GPSоборудование и видимость к количеству спутников; другие требуют использование сотовой радиосвязи или доступ к сети конкретного оператора или к Интернету. Они также могут иметь различные характеристики потребления батареи или денежные затраты для пользователя. Android-устройства могут иметь несколько источников данных, представленных в таблице. Чаще всего обозначаются требования, которым должен отвечать источник, а Android сам определяет подходящую технологию [3]. Источники данных Источники

Описание

NETWORK_PROVIDER

Использование мобильной сети или Wi-Fi, чтобы определить более точное место. Имеет более высокую точность в закрытых помещениях Использует приемник GPS в Android-устройствах, чтобы определить наилучшее расположение с помощью спутников. Обычно точность выше, чем у сетей Сам по себе этот провайдер никакие данные не вернет. Но «повесив» на него слушателя, возможно получать данные о местоположении, когда кто-то еще в системе пытается определить местоположение через обычные провайдеры. Система будет дублировать результаты

GPS_PROVIDER

PASSIVE_PROVIDER

Для определения географического положения геолокационные сервисы используют долготу и широту, но пользователи предпочитают использовать адреса. С помощью Geocoder можно преобразовывать в обе стороны значение широты, долготы и адресов [4].

260

Программные средства и информационные технологии

Сочетание карт, геокодирования и геолокационных сервисов – мощный инструментарий, позволяющий мобильным приложениям использовать мобильную портативность. Библиографические ссылки 1. Майер Р. Android 2. Программирование приложений для планшетных компьютеров и смартфонов : пер. с англ. М. : Эксмо, 2011. 672 с. 2. Android-Location API [Электронный ресурс]. URL: http://www.vogella.com/tutorials/AndroidLocation API (дата обращения: 5.09.2015). 3. Google APIs for Android [Электронный ресурс]. URL: https://developers.google.com/android/reference/com/ google/android/gms/location/package-summary (дата обращения: 6.09.2015). 4. Android Developers [Электронный ресурс]. URL: https://developer.android.com/ (дата обращения: 5.09.2015).

References 1. Meier R. Professional Android Application Developmentecond Edition : Translate from English. М. : Eksmo, 2011. 672 p. 2. Android-Location API [Electronic resource]. URL: http://www.vogella.com/tutorials/AndroidLocationAPI/art icle (дата обращения: 5.09.2015). 3. Google APIs for Android [Electronic resource]. URL: https://developers.google.com/android/reference/ com/google/android/gms/location/package-summary (дата обращения: 6.09.2015). 4. Android Developers [Electronic resource]. URL: https:// developer.android.com / (address date: 5.09.2015).

© Финк А. В., 2015

_________ УДК 004.9 РАЗРАБОТКА КОМПЬЮТЕРИЗИРОВАННОЙ СИСТЕМЫ УПРАВЛЕНИЯ ТЕХНИЧЕСКИМ ОБСЛУЖИВАНИЕМ И РЕМОНТОМ ДЛЯ МАЛОГО ПРОИЗВОДСТВЕННОГО ПРЕДПРИЯТИЯ А. А. Хохлов Специальное конструкторско-технологическое бюро «Наука» КНЦ СО РАН Российская Федерация, 660049, г. Красноярск, просп. Мира, 53 E-mail: [email protected] Рассматривается процесс разработки системы прогнозирования отказов оборудования и управления его техническим обслуживанием и ремонтом. Рассматриваемая система может применяться на производственных предприятиях ракетно-космической промышленности. Ключевые слова: управление ТОиР, ТОРО, прогнозирование отказов, планирование ремонтов. DEVELOPMENT OF COMPUTERIZED MAINTENANCE MANAGEMENT SYSTEM FOR A SMALL PRODUCTION COMPANY A. A. Khokhlov Special Designed Technological Bureau “Nauka” KSC SB RAS 53, Mira Av., Krasnoyarsk, 660049, Russian Federation E-mail: [email protected] The article considers the process of developing a system to predict equipment failures and manage equipment maintenance and repair. The presented system can be applied in production plants of aerospace industry. Keywords: RepairManagement, CMMS, CMMIS. В настоящее время многие предприятия, ограниченные в бюджете в силу своего размера или иных факторов, не могут использовать в своей работе компьютеризированную систему для контроля технического обслуживания и ремонта своего оборудования и вынуждены использовать более старый подход к ТОиР на основе календарного плана. Это связано с тем, что такие системы, в основном, поставляются как

части более крупных систем управления ресурсами предприятия и, как следствие, очень дороги в плане развертывания на производстве и технической поддержки. Эта проблема в том или ином виде встает и перед предприятиями ракетно-космической промышленности. Особенно остро эта проблема встает в условиях взятого в этом году нашей страной курса на импортозамещение.

261

Решетневские чтения. 2015

Компьютеризированная система управления техническим обслуживанием и ремонтом, ориентированная на малое производственное предприятие, должна обладать следующими характеристиками: – структура и иерархия базы данных оборудования (основных фондов); – данные о необходимых запчастях; – данные о ремонтном персонале; – составление заявок на закупку запасных частей; – календарное планирование технического обслуживания и ремонта; – сбор и хранение данных о затратах; – сбор и хранение данных о случившихся событиях (поломках, авариях); – стандартные и расширенные отчеты о ремонте и обслуживании [1]. Если рассматривать данную систему в контексте малого производственного предприятия, можно дополнить его такими необязательными пунктами: – система должна быть проста в настройке и развертывании; – система не должна содержать в себе модулей, задачи которых выходят за рамки управления ТОиР; – система должна прогнозировать выход оборудования из строя. Согласно приведенному выше списку мы разделили архитектуру системы на несколько модулей: модуль построения отчетной информации, модуль пользовательского интерфейса, модуль хранения данных, модуль обработки информации, поступающей от оборудования, модуль статистического анализа и модуль импорта и экспорта данных. Модуль статистического анализа постоянно анализировал накопленную информацию об уровне эксплуатации производственного оборудования и частоте его отказов и прогнозировал отказ на основе этой статистики. Таким образом, пользователь мог оперировать двумя источниками информации – прогнозируемым отказом на основе статистики и прогнозируемым отказом на основе реального уровня эксплуатации. В основу архитектуры системы был положен один из основных инженерных принципов – принцип разделения ответственности [2]. Такой подход позволил изменять и развивать модули системы независимо друг от друга, поскольку их сферы влияния были разделены. Целевой платформой был выбран .net [3] от Microsoft. Это связано в первую очередь с высоким уровнем распространения операционных систем Windows [4], а также с широким выбором готовых библиотек для этой платформы, как распространяющихся бесплатно, так и предоставляющихся за оплату. Поскольку целевой платформой был выбран .net, в качестве СУБД был выбран MSSQL [5], взаимодействие с которым хорошо отлажено в продуктах, поставляемых компанией Microsoft. Для построения пользовательского интерфейса используется технология WPF [6], поскольку она позволяет создавать более производительные графические интерфейсы за счет использования DirectX. Для отделения пользовательского интерфейса от логики приложения применяется

паттерн MVVM, особенно популярный при работе с WPF. Сбор с оборудования информации о его уровне эксплуатации осуществляется специальными терминалами, которые сохраняют ее на общем жестком диске в виде тестовых файлов. Система импорта данных подвергает эти файлы анализу и конвертирует данные, содержащиеся в них, в формат, поддерживаемый системой, после чего эти данные передаются модулю, отвечающему за хранение информации в базе данных. Пользователь, посредством пользовательского интерфейса может оперировать уже подготовленными данными. Система статистического анализа в фоновом режиме перехватывает и обрабатывает преобразованную информацию, поступившую от производственного оборудования. Библиографические ссылки 1. Современные концепции управления техобслуживанием и ремонтом оборудования автоматической противопожарной защиты [Электронный ресурс] / Е. Н. Ломаев [и др.] // Интернет-журнал «Технологии техносферной безопасности». 2010. Вып. 5. URL: http://ipb.mos.ru/ttb (дата обращения: 10.10.2015). 2. Черняк Л. Загадка SOA [Электронный ресурс] // Интернет-журнал «Открытые системы». 2007. Вып. 7. URL: http://www.osp.ru/os/2007/07/4391719/ (дата обращения: 10.10.2015). 3. Microsoft [Электронный ресурс]. URL: http://www. microsoft.com/net (дата обращения: 01.09.2015). 4. Netmarketshare [Электронный ресурс]. URL: http://netmarketshare.com/ (дата обращения: 31.08.2015). 5. Microsoft [Электронный ресурс]. URL: http://www.microsoft.com/ru-ru/server-cloud/products/sqlserver/ (дата обращения: 03.09.2015). 6. Microsoft Developer Network [Электронный ресурс]. URL: https://msdn.microsoft.com/ru-ru/library/Aa 970268(v=VS.110).aspx (дата обращения: 28.08.2015). References 1. Lomaev E. N., Fedorov A. V., Lukiyanchenko A. A., Semerikov A. V. [Modern concepts of control of maintenance and repair of equipment for automatic fire protection] // Tehnologyy transfernoy bezopasnosty. 2010. No. 5 (In Russ.). Available at: http://ipb.mos.ru/ttb (accessed: 01.09.2015). 2. Chernyak L. [Secrets of SOA] // Otcrytye sistemy. 2007. No. 7. (In Russ.) Available at: http://www.osp.ru/ os/2007/07/4391719/ (accessed: 28.08.2015). 3. Microsoft. Available at: http://www.microsoft. com/net (accessed: 01.09.2015). 4. Netmarketshare. Available at: http://netmarketshare.com/ (accessed: 31.08.2015). 5. Microsoft. Available at: http://www.microsoft. com/ru-ru/server-cloud/products/sql-server/ (accessed: 03.09.2015). 6. Microsoft Developer Network. Available at: https://msdn.microsoft.com/ru-ru/library/Aa970268(v=VS. 110).aspx (accessed: 28.08.2015).

262

© Хохлов А. А., 2015

Программные средства и информационные технологии

УДК 521.182 МОДЕЛЬ СВЕТОВОГО ДАВЛЕНИЯ ДЛЯ СПУТНИКОВ СИСТЕМЫ ГЛОНАСС И. Н. Чувашов, Т. В. Бордовицына, В. В. Кинзерский Научно-исследовательский институт прикладной математики и механики Томского государственного университета Российская Федерация, 634050, г. Томск, ул. Ленина 36-10 Е-mail: [email protected] Представлена эмпирическая модель светового давления навигационных спутников ГЛОНАСС, которая включает в себя основную модель, обусловленную конструкционными особенностями аппарата, а также ускорения, связанные с эффектом Ярковского на теневом и послетеневом участках траектории навигационных спутников, и ускорения, возникшие в результате отклонения номинальной орбиты спутника в период его нахождения в тени. Кроме того, дан анализ корреляции между параметрами световой модели для каждого спутника. Ключевые слова: искусственные спутники Земли, световое давление, эффект Ярковского. MODEL OF RADIATION PRESSURE FOR GLONASS SATELLITES I. N. Chuvashov, T. V. Bordovitsyna, V. V. Kinzersky Research Institute of Applied Mathematics and Mechanics, Tomsk State University 36-10, Lenin Str., Tomsk, 634050, Russian Federation E-mail: [email protected] An empirical model of the light pressure of navigation satellites GLONASS is presented. The model includes the basic acceleration due to satellite construction characteristics and the acceleration due to the Yarkovsky effect on the shadow and post-shadow parts of the trajectory of navigation satellites, and the acceleration caused by the deviation of nominal orbit of a satellite during its stay in the shade. An analysis of the correlation between parameters of the light model for each satellite is given. Keywords: artificial earth satellites, radiation pressure, Yarkovsky effect. При решении геодезических задач с использованием навигационных систем точность моделирования орбит спутников системы ГЛОНАСС должна быть на уровне нескольких сантиметров. Учет светового давления является главной трудностью при определении орбит спутников этой системы. Существуют модели радиационного давления, разработанные в процессе наземных испытаний с учетом конструкционных особенностей спутников, а также простые эмпирические модели светового давления, полученные по данным измерений в полете. Однако ни те, ни другие не обеспечивают требуемую точность и могут приводить к ошибкам в определении орбит, превосходящим 50 см. Кроме того, в этих моделях не могут быть учтены все особенности ориентации спутников на орбите, включая изменения в режиме ориентации при прохождении тени Земли [1]. В связи с этим учет давления солнечного излучения может быть промоделирован только эмпирически. В нашей работе мы отталкивались от эмпирических моделей системы GPS Т20, Т30. Однако они показали точность на освещенном участке траектории орбиты спутника системы ГЛОНАСС около 20 см, что является довольно большой ошибкой по сравнению с данными IGS (http://www.igs.org/). Затем на основе анализа результатов численных экспериментов в модель были введены члены, отвечающие за боковое ускорение (Y-компонента), возникающее из-за отклонения

солнечных панелей от плоскости номинальной ориентации, и добавлены члены по осям X , Z . Полученная эмпирическая модель светового давления представлена формулами 3

X = C ∑ X 2 k +1 sin [ (2k + 1)( B + ΔB)] + X 2′ S sin 2(u − u0 ), k =0

Y = Y0 + Y2′S sin 2(u − u0 ) + Y2′C cos 2(u − u0 ), 3

Z = C ∑ Z 2 k +1 sin [(2k + 1)( B + ΔB) ] + Z 2′ C cos 2(u − u0 ), k =0

где X , Y , Z – ускорения вдоль осей спутникоцентрической системы координат; компоненты C , X 2′ S , Y0 , Y2′S , Y2′C , ΔB, Z 2′ C – определяются в процессе мо-

делирования по данным измерений; u, u0 – аргументы широты спутника и Солнца соответственно. Используя эту модель и псевдонаблюдения, взятые из IGS, нам удалось снизить среднеквадратическое отклонение на 12-часовом интервале времени до 4–6 см. Эта величина уже сравнима с точностью самих псевдонаблюдений [2]. Максимальные отклонения в представлении псевдонаблюдений в проекции на орбитальные оси координат S, T и W, полученные на последней итерации, приведены в таблице. Здесь же приведены оценки точности эфемерид, даваемых СВОЭВП.

263

Решетневские чтения. 2015 Оценки точности аппроксимации движения Оценки По предлагаемой модели По данным СВОЭВП

S, см 12 20

T, см 13 50

W, см 9 10

Кроме того, нами была проведена оценка вклада в изменение модуля вектора положения спутника ускорений, вызванных изменениями номинальной ориентации спутника в период нахождения в тени, и эффекта Ярковского на теневом и послетеневом участках траектории навигационных спутников. Все эти малые эффекты дают сантиметровые изменения в векторе положения спутников системы ГЛОНАСС, но для высокоточного прогнозирования они должны быть учтены в модели сил [3]. С использованием приведенной выше модели светового давления и с учетом всех перечисленных эффектов были построены эмпирические модели светового давления для всех спутников системы ГЛОНАСС и определены корреляции между параметрами световой модели для каждого спутника. Библиографические ссылки 1. Чувашов И. Н. Учет негравитационных эффектов в движении околоземных объектов // Экологиче-

ский вестник научных центров Черноморского экономического сотрудничества. 2013. Т. 3, № 4. С. 145–150. 2. Гаязов И. С. Использование высокоточных наблюдений геодезических и навигационных ИСЗ для решения задач геодинамики : дис. … д-ра физ.-мат. наук. СПб. : РГБ, 2006. 217 с. 3. Чувашов И. Н. Учет негравитационных эффектов в движении объектов геостационарной зоны // Изв. вузов. Физика. 2013. Т. 56, № 6/3. С. 247–250. References 1. Chuvashov I. N. Accounting for non-gravitational effects in the motion of near-Earth objects // Ecological Bulletin of Research Centers of the Black Sea Economic Cooperation. 2013. T. 3, no. 4, pp. 145–150. 2. Gayazov I. S. Using high-precision geodetic observations and navigation satellites for solving geodinamikiЙ: thesis for the degree of Doctor of Physics and Mathematics. other sciences. SPb : RSL. 2006. 217 р. 3. Chuvashov I. N. Accounting for non-gravitational effects in the motion of objects geostationary zone // Math. Universities. Physics. 2013. T. 56, no. 6/3, pp. 247–250. © Чувашов И. Н., Бордовицына Т. В., Кинзерский В. В., 2015

___________ УДК 004.942 РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ СБОРА ИНФОРМАЦИИ ДЛЯ АВТОМОБИЛЬНОГО ПОРТАЛА Р. С. Шайдуров1, К. А. Андреева2 Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected] Представлена разработка автоматизированной системы сбора информации для наполнения контентом автомобильного портала. Приведены различные методы реализации АССОИ и их сравнение. Ключевые слова: веб-портал, автоматизированные системы сбора и обработки информации, DOM, парсинг. IMPLEMENTATION OF THE AUTOMATED SYSTEM COLLECTING INFORMATION FOR THE AUTOMOBILE PORTAL R. S. Shaydurov1, K. A. Andreeva2 Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected], [email protected] The article presents the development of an automated data collection system for filling automobile portal contents. The different methods of implementation of ASSOI and their comparison are also described. Keywords: web-portal, automated systems for collecting and processing information, DOM, parsing. Автоматизированные системы сбора и обработки информации (АССОИ) играют немалую роль при сис-

тематизации большого объёма данных. Получаемая информация со спутников обрабатывается АССОИ и

264

Программные средства и информационные технологии

представляется в виде системы ключевых параметров, схем и графиков, что способствует лучшему восприятию полученной информации. Одним из основных этапов создания интернетпортала является наполнение его контентом. В настоящее время данный этап тяжело реализовать с помощью ручного заполнения, так как при современном темпе развития поток информации становится колоссальным. Для решения этой проблемы был придуман такой инструмент, как парсер сайтов. В данной статье под парсингом будет подразумеваться последовательный синтаксический анализ информации, размещенной на интернет-страницах. Для реализации на своем портале автоматизированной системы сбора и обработки информации необходимо понимать принципы построения модели DOM (Document Object Model), так как собираемая информация будет представлена не в привычном для обычного пользователя виде, а в виде иерархического дерева вебдокумента (см. рисунок) [2]. Для реализации АССОИ веб-портала был выбран язык программирования PHP 5.3.13 (Hypertext Preprocessor), СУБД MySQL 5.5 (My Structured Query Language), библиотеки на основе модели DOM. В работе данного программного продукта можно выделить следующие основные этапы: 1. Получение исходного кода веб-страницы. Для реализации этого этапа была использована библиотека cURL (client Uniform Resource Locator), так как она более продвинутая и альтернативная встроенной функции file_get_contents, которая оказалась неэффективной при парсинге сайтов с защитой от копирайта. Полученный код размещался во временном текстовом файле. 2. Извлечение из html-кода необходимых данных. Получив код страницы и разместив его во временном

текстовом файле, необходимо обработать его. Главными задачами данного этапа являются отделение обычного текста от гипертекстовой разметки, построение иерархического дерева элементов документа, корректная обработка невалидного кода и вычленение необходимой информации [4]. Для реализации отделения нужной информации от гипертекста было опробовано несколько методов: 1. Использование регулярных выражений. Данный метод оказался самым сложным в реализации при обработке сложно структурированных страниц: время при обработке сложных документов регулярными выражениями существенно увеличивалось по сравнению с тем результатом, который давали готовые библиотеки, а также очень часто возникали ошибки при обработке невалидного кода [5]. В результате был сделан вывод, что использование регулярных выражений оправдывает себя при обработке небольших и сложных участков кода либо при комбинировании со специально созданными библиотеками. 2. Использование специальных библиотек. Были выбраны 3 библиотеки: PHP Simple HTML DOM Parser, PHPQuery, Nokogori. Самой простой и понятной в использовании оказалась PHP Simple HTML DOM Parser, но существенным недостатком явились постоянные «утечки» памяти, при которых скорость обработки информации оказывалась очень низкой. Для работы с большим набором данных библиотека оказалась непригодной. Более быстрой, но менее понятной и удобной оказалась библиотека Nokogori. При встрече с невалидным кодом библиотека оказалась неспособной его обработать, что приводило к ошибкам, и это является существенным недостатком данной библиотеки. В результате был выбран парсер PHPQuery. который оказался самым быстрым и не обладал недостатками рассмотренных выше библиотек [1].

Принцип построения иерархического дерева веб-документа (DOM-модель)

265

Решетневские чтения. 2015

3. Фиксация результата. Результат работы программы заносится в БД. Для ускорения обработки информации, обрабатывая очередную страницу, система заносит в БД не только необходимые данные, но и все внутренние ссылки, встречающиеся на пути. После того как хранилище ссылок заполняется, программа последовательно посещает страницы сайта до тех пор, пока не обойдет их всех [3]. В результате программа обошла за 7,5 часов около 10 000 страниц и собрала около 500 000 необходимых записей. Весь обход происходил в однопоточном режиме, так как язык PHP не поддерживает многопоточность. Для увеличения эффективности сбора информации за счёт уменьшения времени целесообразней использовать такие языки программирования, как Ruby или Python, так как неоспоримым преимуществом является наличие возможности распределения ресурсов в многопоточном режиме. Библиографические ссылки 1. Альфред В. Ахо, Моника С. Лам, Рави Сети, Джеффри Д. Ульман. Компиляторы: принципы, технологии и инструментарий = Compilers: Principles, Techniques, and Tools. 2-е изд. М. : Вильямс, 2008. 2. Арноуд Ли Хорс. Откройте для себя ключевые особенности DOM уровня 3. Ч. 1. Операции и сравнение вершин, обработка текста и пользовательских данных // IBM developerWorks. Торронто, 2003.

3. Тинни Нг. Сериализация XML-данных. Сохранение XML-данных с помощью DOMWriter в XML для C++ Парсера // IBM developerWorks. Торронто, 2003. 4. Смит Б. Методы и алгоритмы вычислений на строках (regexp) = Computing Patterns in Strings. М. : Вильямс, 2006. 496 с. 5. Фридл Дж. Регулярные выражения. СПб. : Питер, 2001. 352 с. References 1. Alfred V. Aho, Monica S. Lam, Ravi Network, Jeffrey D. Ullman. Compilers: Principles, Techniques and Tools = Compilers: Principles, Techniques, and Tools. 2nd ed. M. : Williams, 2008. 2. Arnaud Le Horse. Discover Key Features of DOM Level 3 Core, Part 1. Manipulating and Comparing Nodes, Handling Text and User Data // IBM developer Works, Torronto, 2003. 3. Tinny Ng. Serialize XML Data. Saving XML Data Using DOMWriter in XML for the C++ Parser // IBM developer Works, Torronto, 2003. 4. Smith Bill. Methods and algorithms for computing lines (regexp) = Computing Patterns in Strings. M .: Williams, 2006. 496 p. 5. Friedl George. Regular expressions. St. Petersburg : Peter, 2001. 352 p. © Шайдуров Р. С., Андреева К. А., 2015

_____________ УДК 669.713.7 ИСПОЛЬЗОВАНИЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ДЛЯ СОЗДАНИЯ ВИРТУАЛЬНОГО МУЗЕЯ ОБРАЗОВАТЕЛЬНОЙ ОРГАНИЗАЦИИ С. Е. Юленков, С. В. Котельникова Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассмотрены цели создания виртуального музея образовательной организации и информационные технологии, используемые для разработки таких проектов, языки программирования, этапы создания и тестирование. Ключевые слова: виртуальный музей, экспонаты, гиперссылка, верстка сайта, валидность кода, кроссбраузерность. THE USE OF INFORMATION TECHNOLOGY TO CREATE A VIRTUAL MUSEUM OF EDUCATIONAL ORGANIZATION S. E. Yulenkov, S. V. Kotelnikova Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The article deals with the purposes to create a virtual museum of educational organization and information technology used for development such projects, programming languages, stages of creation, testing and administration. Keywords: virtual museum, exhibits, hyperlink, sitelayout, the validity ofthe code, cross-browser compatibility. 266

Программные средства и информационные технологии

В настоящее время в мире существует множество сравнительно небольших музеев и коллекций научнообразовательной направленности. К таким музеям можно отнести и музей Аэрокосмического колледжа (АК). Его коллекции имеют большое значение как для обучающихся, преподавателей и сотрудников колледжа, так и для выпускников, родителей и других заинтересованных пользователей, для которых доступ к этим коллекциям может быть организован с использованием технологий Интернета. В рамках выполнения выпускной квалификационной работы был разработан проект виртуального музея Аэрокосмического колледжа СибГАУ. Основной целью работы являлось создание специализированной информационной системы для управления виртуальным музеем АК и коллекциями, позволяющей создавать, наполнять, настраивать и публиковать любые материалы научно-образовательной направленности без участия специалистов интернет-технологий и с минимальными потребностями в ресурсах. Создание виртуального музея актуально еще тем, что в рамках этого проекта можно демонстрировать намного большее количество объектов, чем помещается в экспозиции традиционного музея, показать временно отсутствующие экспонаты или предметы, находящиеся на реставрации, а также использовать как синтетическую конструкцию, объединяющую музей–экспозицию, музей–мастерскую, музей–театр, музей–игровое пространство, досуговый центр, музей–креативную лабораторию, и использовать данный музей непосредственно на занятиях или как средство для организации самостоятельной работы студентов. В качестве методологической основы виртуального музея АК использовалась методология создания электронных музейных коллекций, виртуальных экскурсий, а также поиск экспонатов по сайту музея. В электронных коллекциях, составляющих основу музея, представлены подробные описания основных событий в истории АК, основные научные достижения, хронология ключевых событий, биографии выдающихся преподавателей и выпускников АК и т. д. Кроме того, предлагаются решения таких проблем, как хранение, безопасность и обеспечение доступа к экспонатам музея, в онлайн-режиме из любой точки земного шара [1; 2]. На сегодняшний день существует множество программ для создания подобных проектов. Наиболее популярными у web-разработчиков считаются следующие программные продукты: AdobeDreamweaver, FrontPage, nvu, WebBuilder, WebCreatorpro, Notepad++.nvu и Notepad++ (распространяются абсолютно бесплатно). Для графической составляющей разработчики предпочитают использовать редакторы AdobePhotoshop или CorelDRAW [3; 4]. Для разработки виртуального музея АК использовался Notepad++. Программа бесплатная, постоянно обновляется, поддерживается разработчиками, небольшая по размеру (13,2 МБ) и просто устанавливается. Также у нее есть портативная версия, т. е. программу можно хранить на флэш-карте. У программы удобный и понятный интерфейс, она обладает множеством функций. Для графического интерфейса использовался Adobe Photoshop. У программы удобный пользователь-

ский интерфейс, и большинство web-дизайнеров предпочитают данный программный продукт.

Рис. 1. Примеры красноярских виртуальных музеев (Красноярский краевой краеведческий музей и художественный музей имени В. И. Сурикова)

Основные языки для создания сайтов на сегодняшний день – HTML, PHP, JavaScript, Java и CSS. Виртуальный музей АК написан на языке гипертекстовой разметки HTML, так как проекты на данном языке практически невозможно взломать, потому что отсутствует БД MySQL и нет файла конфигурации, также подобные сайты очень быстро работают. Происходит это за счет того, что здесь нет необходимости обращаться к БД MySQL [5]. Любой виртуальный музей, как и любой другой сайт создается в несколько этапов (рис. 1): 1) подготовительный этап создания сайта; 2) дизайн сайта; 3) Web-программирование; 4) верстка сайта; 5) размещение сайта в сети; 6) раскрутка и администрирование проекта. Затем подобные проекты проходят тестирование на выявление наличия ошибок и недочетов в программировании и написании текстов сайта. Сайт тестируется до и после размещения в Интернете. Срок тестирования зависит от сложности проекта, но обычно тестирование не превышает одного месяца. Созданный виртуальный музей АК СибГАУ имеет понятную систему навигации, у проекта древовидный вид структуры, и в структуре проекта есть разделы и внутренние страницы в произвольной последовательности. Проект имеет следующие вкладки: 1) переход на главную страницу из любого раздела сайта; 2) «Новости проекта»; 3) «О колледже»; 4) «О нашем музее»; 5) «Награды»; 6) «Вечная память»; 7) «Фотогалерея»; 8) «Почетные работники»; 9) «Правила поведения»; 10) «Гостевая книга». Также на сайте реализованы переходы на сайты красноярских музеев, переход на форум на сервисе Borda.ru, который является лидером по созданию форумов и гостевых книг. На сайте можно найти контакты музея колледжа и информацию об авторе-разработчике проекта (рис. 2).

267

Решетневские чтения. 2015

Рис. 2. Главная страница виртуального музея АК СибГАУ

Виртуальный музей, как и любой другой сайт, должен пройти тестирование в несколько этапов. Для начала проект прошел функциональное тестирование. На данном этапе происходит проверка работ функций, тестируется работоспособность пользовательских форм, происходит проверка гиперссылок и поиск нерабочих ссылок проекта и проверяется соответствие содержимого страниц проекта и написание текстов сайта. Далее проводилось тестирование верстки сайта. На данном этапе проверяется расположение элементов проекта, оптимизация изображений и графики. Затем проверяется валидность кода проекта. В сети есть множество сайтов для таких проверок, например, http://validator.w3.org. Код проверяется на наличие ошибок и недочетов. На заключительном этапе проводилось тестирование сайта в различных браузерах. Проект проверялся на кроссбраузерность, т. е. корректное отображение и работу без ошибок в браузерах InternetExplorer и MozillaFirefox. По завершении основных этапов тестирования проект размещается на сервере образовательной организации. Чтобы вносить изменения в виртуальном музее, необходимо воспользоваться файловым менеджером, например, CuteFTP. Программа обладает рядом достоинств и позволяет безопасно и надежно обмениваться файлами между локальным компьютером и серверами в Интернете. Для восстановления проекта предусмотрен Backup. Он необходим для копирования всех файлов проекта и других параметров хостинга. Его создают с помощью хостинг-аккаунта либо при помощи ftp-клиента. Для создания бэкапов есть множество плагинов, например, WordPress. Также можно использовать программу Rsync, которая выполняет синхронизацию всех файлов и каталогов. Программа использует при необходимости кодирование данных и обладает рядом других возможностей. Для защиты от копирования информации с сайта можно добавить скрипт, который не позволит вручную выделить и скопировать текст с сайта, также можно вставлять в тексте ссылки на сайт музея, делать кросспостинг всех анонсов сайта, использовать название проекта в текстах на сайте музея и т. п.

Следующим этапом развития виртуального музея АК будет наполнение баз данных изображениями музейных экспонатов в 3D-объеме (обзор предмета с трех сторон) и создание виртуальных экскурсий по музею (обзорные, тематические, для иностранных посетителей), в том числе, с поддержкой голосового сопровождения (аудиогид). Библиографические ссылки 1. Виртуальный музей [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/Виртуальный_музей (дата обращения: 01.09.2015). 2. Кононыхин Н. Музеи в Интернете и виртуальные музеи [Электронный ресурс]. URL: http://www. russ.ru/ (дата обращения: 03.09.2015). 3. Вуд Л. Web-графика. СПб. : Диалектика, 2001. 488 c. 4. Программы для создания сайта [Электронный ресурс]. URL: http://juice-health.ru/program/424-program-to-create-site (дата обращения: 07.09.2015). 5. Фримен Эр., Фримен Эл. Изучаем HTML, XHTML и CSS. СПб., 2014. 656 с. References 1. Virtualnij muzey [Virtual muzeum]. Available at: https://ru.wikipedia.org/wiki/Виртуальный_музей (accessed: 01.09.2015) (In Russ.). 2. Kononihin N. Muzei v Internet i virtualniemuzei [The museums in the internet and virtual museums]. Available at: http://www.russ.ru/ (accessed: 03.09.2015). (In Russ.) 3. Vud L. Veb-grafika [Web graphics]. St. Petersburg : Dialektika Publ., 2001. 448 p. 4. Programmi dlya sozdaniya saita [Programs for creation of the site] (In Russ.). Available at: http://juicehealth.ru/program/424-program-to-create-site. (accessed 07.09.2015). 5. Frimen Er., Frimen El. Izuchaem HTML, XHTML i CSS [We study HTML, XHTML и CSS]. St. Petersburg, 2014. 656 p.

268

© Юленков С. Е., Котельникова С. В., 2015

Ðешетневские ×тения

Cекция

«МЕТОДЫ И СРЕДСТВА ЗАЩИТЫ ИНФОРМАЦИИ»

6

Решетневские чтения. 2015

УДК 004.056 РАЗРАБОТКА МЕТРИЧЕСКОГО МЕТОДА КЛАССИФИКАЦИИ ДЛЯ ПОИСКА ВРЕДОНОСНОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ* Е. С. Агеева1, А. И. Прохоров Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Проведено исследование программного обеспечения, с помощью метрики произведена оценка результатов. Результаты могут быть использованы в цикле разработки программного обеспечения бортовой системы управления КА. Ключевые слова: вирус, метрики, программное обеспечение. METRIC CLASSIFICATION ALGORITHM DEVELOPMENT FOR MALWARE SEARCHING E. S. Ageeva1, A. I. Prokhorov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] Software is researched through metrics and conducted result evaluation. The results can be used to develop a cycle of the software on-board satellite control systems. Keywords: software, malware, metrics. В настоящее время большинство алгоритмов поиска вредоносного программного обеспечения производят поиск на основе анализа шаблонов исполняемого кода [1]. Эти алгоритмы используются в антивирусном программном обеспечении. Такой подход обоснован: в особенности для разработок индустриального ПО важна скорость и точность определения вредоносных элементов, так как нарушение работы систем или потеря важной информации может привести к серьезным издержкам. Но у такого подхода есть существенный недостаток: базы данных вирусных сигнатур (шаблонов) содержат ограниченный набор записей. Достаточ-

но распространена ситуация, когда происходит ошибка второго рода, выявить которую в большинстве случаев невозможно. Технически эта проблема решаема в рамках динамического анализа кода [2]. Автоматическое исследование исполняемого кода – это вычислительно сложная задача, но существует набор показателей, которые можно использовать для проведения некоторого анализа [3–5]. В качестве таких показателей в данном исследовании использовались метрики программного обеспечения. Идея исследования состоит в том, чтобы проверить, влияет ли функциональная нагрузка той или иной программы на показатели метрик.

а

б

Зависимость метрики 19 от метрики 4 (а), метрики 18 от метрики 5 (б) * Работа выполнена в рамках гранта Президента молодым российским ученым – кандидатам наук, договор № 14.Z56.15.6012 от 16.02.2015 г.

270

Методы и средства защиты информации

Для исследования были взяты такие метрики, как среднее количество строк кода на функцию, количество строк кода, цикломатическая сложность, ABC, метрика Чепинова и др. Для вычисления метрик было случайным образом отобрано около 200 вирусов и около 200 экземпляров легитимного ПО. Для вычисления метрик использовалась IDAPro 5.1, для автоматизации вычисления метрик использовался плагин IDAPython 2.5. Была собрана выборка. Из этих метрик можно сформировать 20 признаков для анализа данных. Была взята в качестве основного предположения гипотеза компактности, которая утверждает, что похожие объекты находятся рядом. Объекты выборки были спроецированы на плоскости М1, М2; М1, М3, …, Mn, Mn. Результаты некоторых проекций представлены на рисунке. Как можно видеть по графикам, разделяющую поверхность сразу построить нельзя, необходимо дальнейшее исследование и построение сложных моделей классификации. Библиографические ссылки 1. Логозо Ф., Фандрич М. Об относительной полноте анализа исполняемого кода в сравнении с анализом исходного кода : исследование Microsoft. 2008. 15 с. 2. Shudrak M., Zolotarev V. The technique of dynamic binary analysis and its application in the information security sphere / IEEE EuroCon. 2013. С. 40–45.

3. Реймонд П. Л., Вестли В. Изучение метрик для определения читабельности кода. Специальный список ISSTA–2008. Лучшие работы. 2015. 14 с. 4. Ледовских И. Н. Метрики сложности кода : технический отчет. М. : Институт системного программирования РАН, 2012. 22 с. 5. Abran A., Hoboken N. Software Metrics and Software Metrology. Wiley-IEEE Computer Society Press, 2010. 348 p. References 1. Logozzo F., Fahndrich M. On the Relative Completeness of Bytecode Analysis versus Source Code Analysis Microsoft Research. 2008. 15 p. 2. Shudrak M., Zolotarev V. The technique of dynamic binary analysis and its application in the information security sphere / IEEE EuroCon. 2013. С. 40–45. 3. Raymond P. L., Westley W. Learning a Metric for Code Readability. TSE special issue on the ISSTA–2008, best papers. 2015. 14 p. 4. Ledoivskikh I. N. Code complexity metrics: technical report. M. : Institute for system programming of RAS, 2012. 22 с. 5. Abran A., Hoboken N. Software Metrics and Software Metrology. Wiley-IEEE Computer Society Press. 2010. 348 p. © Агеева Е. С., Прохоров А. И., 2015

_______________ УДК 004.7.056.53 СИСТЕМА ВЫНЕСЕНИЯ ВЕРДИКТОВ ПО ОТЧЕТАМ CUCKOO SANDBOX Д. А. Бородавкин АО «Информационные спутниковые системы» имени академика М. Ф. Решетнёва» Российская Федерация, 662972, г. Железногорск Красноярского края, ул. Ленина, 52 Е-mail: [email protected] Описывается система автоматизированного вынесения вердиктов безопасности для файлов, прошедших исследование в системе Cuckoo Sandbox. Система функционирует на основе черных и белых списков, которые генерируются путем «обучения» на легитимных файлах. Система позволяет выделить попытки доставки неизвестных образцов вредоносного кода в потоке информации, поступающей из недостоверных источников (электронная почта, интернет-трафик и т. п.). Ключевые слова: сетевые технологии, информационная безопасность, анализ вредоносного программного обеспечения,» песочницы». SECURITY VERDICT DECISION SYSTEM FOR CUCKOO SANDBOX D. A. Borodavkin JSC “Academician M. F. Reshetnev “Information satellite systems” 52, Lenin Str., Zheleznogorsk, Krasnoyarsk region, 662972, Russian Federation Е-mail: [email protected] The paper describes the automated system that returns security verdict to files that are analyzed with Cuckoo Sandbox, it acts with using black and white lists, which are generated from analysis reports on legitimate files. The aim of the system is to find unknown malware in data streams for untrusted sources (such as email or internet). Keywords: computer networking, information security, malware analysis, sandbox. 271

Решетневские чтения. 2015

Выявление случаев внедрения в сеть организаций неизвестного вредоносного программного обеспечения является столь же актуальной задачей, сколько и трудоемкой. Существует ряд подходов к решению данной задачи. Это, например, эвристические и поведенческие алгоритмы работы антивирусного программного обеспечения [1], методы организации упреждающих распространение вредоносного ПО сред внутри автоматизированных систем (замкнутые программные среды и др. [2]). Каждый из подходов обладает своими преимуществами и недостатками, а эффективная эшелонированная система защиты безусловно должна строиться с использованием совокупности методов. В данной работе рассматривается метод выявления попыток доставки неизвестного вредоносного ПО на этапе прохождения данных через внешний контур информационной системы с использованием так называемых песочниц – систем анализа деятельности системы после запуска в ней исследуемого файла, и в частности, метод вынесения вердикта безопасности для файла, проанализированного в песочнице Cuckoo Sandbox. Cuckoo Sandbox – одно из наиболее популярных решений по автоматизированному анализу вредоносного ПО, продукт с открытым исходным кодом [3]. Принимая на входе файл, Cuckoo Sandbox исполняет его в заданной операционной системе и генерирует отчет, содержащий информацию о действиях, произведенных после запуска файла в части сетевой активности, создания новых файлов, доступа к ключам реестра, создания объектов межпроцессного взаимодействия и т. п. Помимо выдачи информации о поведении системы в «сыром» виде, система ведет анализ сгенерированных данных, выдавая на выходе маркеры (сигнатуры), позволяющие аналитику принять решение о вредоносном характере файла. Cuckoo Sandbox используется в таком известном проекте, как Malwr [4]. Проблема использования Cuckoo Sandbox на потоке данных (например, потоке вложений электронной почты) заключается в том, что система не выдает окончательного вердикта по анализируемому файлу, а набор маркеров при анализе реальных данных, как правило, является непустым. Таким образом, аналитик ИБ, решающий задачу контроля входного потока данных, работает с неранжированным потоком отчетов (отчеты содержат тысячи строк текста, размер – до сотен мегабайт). Для решения описанной проблемы разработан компонент Bird Brain, позволяющий ранжировать поток отчетов Cuckoo Sandbox и формулировать вердикт для каждого анализируемого файла. Вердикт выносится на основе фильтрации данных в отчетах с использованием черных и белых списков, которые формируются путем обучения на отчетах, сгенерированных на заведомо легитимных файлах различных форматов (ручной режим настройки фильтров также присутствует). Кратко алгоритм анализа отчета и вынесения вердикта выглядит следующим образом:

1. Из отчета Cuckoo Sandbox извлекаются данные об операционной системе, в которой проводился анализ, типе анализируемого файла и иных атрибутах (срабатывания на VirusTotal [5], наличие PE-содержимого и др.). 2. Отчет Cuckoo Sandbox разбивается на части, соответствующие тому или иному типу записей о действиях системы (сетевая активность, созданные файлы, сигнатуры и т. п.). Назовем их секции. 3. Для каждой секции список записей о действиях системы проходит через глобальный белый список (отдельный для каждой секции), в результате чего отсеиваются записи, соответствующие легитимным действиям (например, обращения к серверам обновления ОС или создание временных файлов). 4. По аналогии, секция проходит через глобальный черный список. Однако черные списки по умолчанию не используются и применяются лишь для секций, где невозможно сформировать белый список. 5. Далее применяются локальный черный и белый списки, сформированные точечно для данной версии ОС и данного типа файла (например, отдельный список легитимных действий для открытия файлов формата .doc в Windows 7). Аналогично черные списки по умолчанию не используются. 6. Если для текущей секции остались неотфильтрованные значения, устанавливается соответствующий флаг. 7. Итоговый вердикт выносится на основании совокупности установленных флагов и атрибутов. Например, для любых неисполняемых файлов наличие нелегитимых сетевых обращений результирует в вердикт «ALERT», а наличие PE-содержимого в файлах неизвестных форматов – «WARNING». Правила вынесения вердикта являются конфигурируемыми, всего используется три уровня опасности: помимо упомянутых «ALERT» и «WARNING» это вердикт «CLEAN». 8. Дополнительно введены два вердикта для известного вредоносного ПО (формируются на основе данных VirusTotal) – «KNOWN_VIRUS» и «AV_FAIL». Первый соответствует ситуации, когда анализируемый файл содержит вирус и опознается используемым в организации антивирусом, второй – ситуации, когда корпоративный антивирус угрозу не распознает. 9. При наличии нескольких отчетов Cuckoo Sandbox вердикты по ним обобщаются. 10. Генерируется общий отчет в формате XML, cодержащий данные по вынесенному вердикту (общему и для каждого отчета), и список действий системы, на основании которого вердикт был вынесен. Наглядно схема работы компонента приведена на рисунке. Модуль обучения представляет собой генератор локальных (привязанных к типу файла и версии ОС) белых списков, работающий по аналогии с модулем вынесения вердикта. Таким образом, разработанный компонент позволяет повысить уровень автоматизации процесса выявления неизвестного вредоносного ПО и ранжировать выявленные инциденты при использовании Cuckoo

272

Методы и средства защиты информации

Sandbox для обработки потока данных и тем самым повысить эффективность персонала ИБ. Компонент применяется в тестовом режиме внутри промышленно эксплуатируемой системы защиты информации

АО «ИСС» (г. Железногорск). Благодаря наличию гибкой системы фильтров и механизма обучения, система может легко адаптироваться к изменениям в прикладном ПО и новым версиям ОС.

Схема работы компонента

Библиографические ссылки 1. Работа антивирусных программ [Электронный ресурс]. URL: http://it-sektor.ru/rabota-antivirusnyxprogramm.html (дата обращения: 10.10.2015). 2. Замкнутая программная среда [Электронный ресурс]. URL: http://certsrv.ru/sn5help.ru/uf_restricted_ application_environment.htm (дата обращения: 10.10.2015). 3. Automated Malware Analysis – Cuckoo Sandbox [Электронный ресурс]. URL: http://cuckoosandbox.org/ (дата обращения: 10.10.2015). 4. Malwr – Malware Analysis by Cuckoo Sandbox [Электронный ресурс]. URL: https://malwr.com/ (дата обращения: 10.10.2015). 5. VirusTotal [Электронный ресурс]. URL: https:// www.virustotal.com/ (дата обращения: 10.10.2015).

References 1. How antiviruses works. Available at: http://itsektor.ru/rabota-antivirusnyx-programm.html. 2. Isolated software environment. Available at: http://certsrv.ru/sn5help.ru/uf_restricted_application_envi ronment.htm. 3. Automated Malware Analysis – Cuckoo Sandbox. Available at: http://cuckoosandbox.org/. 4. Malwr – Malware Analysis by Cuckoo Sandbox. Available at: https://malwr.com/. 5. VirusTotal. Available at:https://www.virustotal. com/. © Бородавкин Д. А., 2015

_____________ УДК 004.056.5 КОНФИДЕНЦИАЛЬНЫЙ КЛАСТЕРНЫЙ АНАЛИЗ МЕТОДОМ САМООРГАНИЗУЮЩИХСЯ КАРТ ПРИ ГОРИЗОНТАЛЬНОМ СЕКЦИОНИРОВАНИИ ДАННЫХ А. В. Вашкевич, В. Г. Жуков Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected], [email protected] Две организации, занимающиеся одинаковой деятельностью (например, проектированием спутников), могут захотеть провести совместный анализ своих ноу-хау, при этом не раскрывая детали друг другу. Самоорганизующиеся карты позволяют провести подобный анализ и наглядно отобразить его результаты. Предложено решение, позволяющее безопасно строить такие самоорганизующиеся карты. Ключевые слова: конфиденциальные многосторонние вычисления, кластерный анализ данных, самоорганизующиеся карты, горизонтальное секционирование данных. PRIVACY-PRESERVING CLUSTERING VIA SELF-ORGANIZED MAP OVER HORIZONTALLY PARTITIONED DATA A. V. Vashkevich, V. G. Zhukov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected], [email protected] 273

Решетневские чтения. 2015

Two organizations engaged in the same activity (like designing satellites) may want to conduct a joint analysis of their know-how, without revealing details to each other. Self-organizing maps allow to perform such analysis and visualize the results. This paper presents a solution of secure constructing these self-organizing maps. Keywords: secure multiparty computations, data clustering, self-organized maps, horizontally partitioned data. Создание космической техники часто проводится в условиях, когда разработка, изготовление и эксплуатация отдельных модулей проводится различными организациями, при этом зачастую невозможно заранее провести комплексные испытания итоговых образцов. Прогресс в развитии технологий проходит одновременно с ростом требований к безопасности космической аппаратуры. Для обеспечения высокого уровня надёжности космической техники на всех этапах её жизненного цикла требуется проводить сбор информации, её анализ и прогнозирование. Результаты работы интеллектуальных методов анализа данных способствуют более эффективному управлению, необходимому для обеспечения отказоустойчивости. Самоорганизующаяся карта (СОК, self-organized map) – метод кластерного анализа, основанный на идее нейронной сети, учитывающей взаимное расположение нейронов [1]. Ее удобно рассматривать как двухмерную сетку узлов-нейронов, размещённых в многомерном пространстве и соединённых между собой связями. Значения каждого нейрона инициализируются случайным образом. После этого нейроны начинают перемещаться в пространстве согласно следующему алгоритму: 1. Случайным образом выбирается объект входных данных. 2. Производится поиск ближайшего к объекту нейрона на карте. 3. Координаты этого нейрона корректируются. Также корректируются (но меньше) и координаты его соседей. 4. Алгоритм повторяется заданное число раз. При этом коррекция нейронов становится всё меньше с каждым тактом согласно функции изменения координат. На выходе алгоритма строится карта: двумерная сетка узлов-нейронов, размещённая в многомерном пространстве. Для изображения положения нейронов зачастую используется раскрашивание карты. Такие же карты строятся и для каждого из измерений. При горизонтальном секционировании данных несколько аналитиков обладают разными объектами данных, каждый из которых имеет одинаковые число и тип измерений (например, каждый спутник характеризуется орбитой, собственными размерами, массой и т. п.). Возможна ситуация, когда аналитики захотят провести совместный анализ объектов данных, не раскрывая частные данные друг другу. При этом используются так называемые криптографические примитивы – относительно простые математические операции, проводимые совместно участниками без раскрытия входных аргументов с помощью криптографии. Вместе набор примитивов составляет алгоритм конфиденциальных многосторонних вычислений [2]. Существует множество алгоритмов конфиденциальной кластеризации [3], однако для конфиденци-

альных самоорганизующихся карт существуют только протоколы вертикального секционирования [4]. Обойтись только теми криптографическими примитивами, которые использовались при вертикальном секционировании, для горизонтального не удастся, поскольку механизм взаимодействия между участниками здесь принципиально иной: при вертикальном секционировании данные о нейронах разделены между участниками естественным образом по измерениям, а при горизонтальном секционировании участники вынуждены дробить данные о нейронах по какомулибо иному признаку. В предыдущих исследованиях был модифицирован алгоритм конфиденциальной кластеризации k-means [5], являющийся одним из самых распространённых алгоритмов кластеризации. В ходе работ был модифицирован протокол безопасного скалярного произведения (БСП). Этот протокол ориентирован на представление суммы нескольких конфиденциальных слагаемых в виде произведения нескольких конфиденциальных множителей. Такое преобразование позволяет, например, вычислить знак суммы, не раскрывая её точного значения. В работе [6], посвящённой вертикальному секционированию самоорганизующихся карт, безопасное скалярное произведение уже успешно применялось. При горизонтальном секционировании нейроны являются общими для обоих участников. В ходе построения СОК одновременно обрабатывается только один объект данных, принадлежащий только одному участнику. Нейроны перемещаются в ходе построения СОК, и чтобы ни один участник по перемещению нейрона косвенно не вычислил данные другого участника, информация о нейронах также должна быть защищена. Предлагается разбивать данные нейрона на две случайные части, хранимые у каждого участника. Эти части k1 и k2 (будем называть их «половинки») позволяют получить корректные данные нейрона K только при сложении по каждому измерению. Из-за дробления каждого нейрона на такие половинки защищаются оба шага алгоритма самоорганизующихся карт: 1. При поиске ближайшего нейрона к объекту один участник локально суммирует данные своего объекта со своей половинкой нейрона, а затем с помощью БСП суммирует полученное с половинкой нейрона другого участника: (x + k1) + k2 = r1 · r2. 2. При обновлении координат нейронов требуется пропорционально уменьшать их расстояние до объекта. Поскольку точные расстояния не известны ни одному участнику, они меняют координаты своей половинки нейрона, прибавив к ним случайные числа, а затем смотрят, во сколько раз изменилась разница между объектом и нейроном. Участник 2 сохраняет коэффициент r2, т. е. (x + k'1) + k'2 = r'1 · r2, а коэффициент r1' позволяет участнику 1 вычислить коэффици-

274

Методы и средства защиты информации

ент, на который каждому участнику следует умножить случайные числа для смены координат своей половинки нейрона. Предложенное решение позволяет двум организациям конфиденциально строить самоорганизующиеся карты при горизонтальном секционировании данных, поскольку базируется на криптографических примитивах, с использованием которых участники не раскроют друг другу скрываемые сведения. А преимущества такого метода анализа данных, как самоорганизующиеся карты, позволят получать результаты анализа в наглядном виде. Библиографические ссылки 1. Зиновьев А. Ю. Визуализация многомерных данных. Красноярск : Изд-во КГТУ, 2000. 180 с. 2. Шутый Р. С. Рандомизированные протоколы, применяемые для выполнения конфиденциальных многосторонних вычислений в компьютерных сетях / Санкт-Петербург. гос. ун-т телекоммуникаций им. проф. М. А. Бонч-Бруевича. СПб., 2009. 170 с. 3. Meskine F., Bahloul S. Privacy Preserving K-means Clustering: A Survey Research // International Arab J. of Information Technology. 2012. Vol. 9, no. 2. P. 194–200. 4. Han S., Ng W. K. Privacy-Preserving SelfOrganizing Map // Proceedings of the 9th Intern. Conf. on Data Warehousing and Knowledge Discovery, 2007. P. 428–437. 5. Zhukov V. G., Vashkevich A. V. Privacypreserving Protocol over Vertically Partitioned Data in Multiparty K-means Clustering // Middle-East Journal of Scientific Research. 2013. Vol. 17, no. 7, P. 992–997. 6. Вашкевич А. В., Жуков В. Г. Конфиденциальный кластерный анализ методом самоорганизующихся карт при вертикальном секционировании данных //

Решетневские чтения : материалы XVIII Междунар. науч. конф. 2014. Ч. 2. С. 301–302. References 1. Zinovyev A. Y. Vizualizatsiya mnogomernykh dannykh (Visualization of multidimensional data). Krasnoyarsk State Technological University, 2000. 180 p. 2. Shutyy R. S. Randomizirovannye protokoly, primenyaemye dlya vypolneniya konfidentsial’nykh mnogostoronnikh vychisleniy v komp’yuternykh setyakh (Randomized protocols used to perform secure multiparty computations in computer networks). The BonchBruevich Saint-Petersburg State University of Telecommunications, 2009, 170 р. 3. Meskine F., Bahloul S. Privacy Preserving K-means Clustering: A Survey Research // International Arab Journal of Information Technology, 2012. Vol. 9, no. 2, pp. 194–200. 4. Han S., Ng W. K. Privacy-Preserving SelfOrganizing Map // Proceedings of the 9th International Conference on Data Warehousing and Knowledge Discovery, 2007, pp. 428–437. 5. Zhukov V. G., Vashkevich A. V. Privacypreserving Protocol over Vertically Partitioned Data in Multiparty K-means Clustering // Middle-East Journal of Scientific Research, 2013. Vol. 17, no. 7, pp. 992–997. 6. Vashkevich A. V, Zhukov V. G. [Privacypreserving Clustering via Self-organized Map over Vertically Partitioned Data] // Мaterialy XVIII Mezhdunar. nauch. konf. “Reshetnevskie chteniya” [Materials XVIII Intern. Scientific. Conf “Reshetnev reading”]. Krasnoyarsk, 2014, pp. 301–302 (In Russ.). © Вашкевич А. В., Жуков В. Г., 2015

____________ УДК 004.056 О ПРИМЕНЕНИИ МЕЖСЕТЕВЫХ ЭКРАНОВ НОВОГО ПОКОЛЕНИЯ ПРИ ОРГАНИЗАЦИИ ЗАЩИЩЕННОГО ГОСТЕВОГО ДОСТУПА В БЕСПРОВОДНЫХ ЛОКАЛЬНЫХ СЕТЯХ А. К. Герасимов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Рассматривается вопрос обеспечения информационной безопасности при организации защищенного гостевого доступа в беспроводных локальных сетях на основе межсетевых экранов нового поколения. Ключевые слова: информационная безопасность, беспроводные локальные сети, гостевой доступ, межсетевые экраны. USING NEW GENERATION FIREWALLS TO THE PROTECTED GUEST WIRELESS LAN A. K. Gerasimov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] 275

Решетневские чтения. 2015

The question of information security in the organization secure guest access to wireless local area networks is based on a new generation of firewalls. Keywords: information security, wireless LANs, guest access, firewalls. Проблема информационной безопасности в беспроводных локальных сетях сегодня очень остро стоит перед компаниями любого уровня. Тенденции развития современной бизнес-среды требуют от сотрудников все большей мобильности и быстродействия, а прогресс информационных технологий ставит актуальные задачи повышения надежности функционирования локальных вычислительных сетей. Наилучшим решением данных задач является внедрение беспроводных технологий. Беспроводные технологии – это подкласс информационных технологий, служащих для передачи информации между двумя и более объектами, не требующими проводной связи между ними [1]. Но не только сотрудники организации нуждаются в доступе к беспроводным сетям. В настоящее время практический каждый пользователь обладает мобильным устройством, имеющим возможность подключения к беспроводным сетям. Таким образом, клиенты и деловые партнеры зачастую имеют необходимость в гостевом доступе к беспроводной локальной сети. При организации гостевого беспроводного доступа в организации нужно обеспечить защиту передаваемой пользователями информации, поскольку беспроводная среда передачи данных является небезопасной при ее стандартной реализации. Таким образом, возникает необходимость в повышении защищенности беспроводной локальной сети путем выбора и внедрения технологии по обеспечению информационной безопасности с учетом особенностей организации гостевого доступа. В настоящее время для организации защищенного гостевого доступа к беспроводной локальной сети одним из эффективных решений является применение межсетевых экранов нового поколения (англ. Next

Generation Firewall, NGFW). Межсетевой экран нового поколения – это современный шлюз безопасности с функциями межсетевого экрана, осуществляющий защиту каналов связи и способный проводить глубокий анализ и фильтрацию сетевого трафика, обладающий встроенной системой обнаружения вторжений и имеющий возможность детального разграничения прав пользователей [2]. В настоящее время на рынке имеется множество производителей, занимающихся производством межсетевых экранов нового поколения, однако лидирующие позиции в данной области согласно исследовательскому отчету Gartner (исследовательская и консалтинговая компания, специализирующаяся на рынках информационных технологий) занимают такие производители, как Check Point, Palo Alto и Cisco [3]. Рассмотрим решение компании Check Point, поскольку именно данный производитель межсетевых экранов нового поколения отличается от конкурентов не только высоким уровнем защитных механизмов, но и широкой линейкой как аппаратной, так и программно-аппаратной части продуктов, а также наличием продуктов, специализирующихся именно на обеспечении информационной безопасности беспроводных сетей [4]. Отличительной особенностью продуктов компании Check Point является производство комплексных программноаппаратных устройств, являющихся NGFW и одновременно являющихся точками доступа [5]. Такое решение, безусловно, является более надежным и безопасным, поскольку нет необходимости приобретать беспроводную точку доступа стороннего производителя и настраивать сетевое взаимодействие с NGFW, тем самым создавая дополнительный канал связи, который может использоваться злоумышленником.

Корпоративные ресурсы гостевого сегмента

Да Нет

Да Интернет

Корпоративная локальная вычислительная сеть

NGFW Check Point

Да Гость Гость Гостевой сегмент Применение NGFW в гостевой беспроводной сети

276

Методы и средства защиты информации

Рассмотрим общую схемы технологии организации защищенного гостевого доступа к беспроводной локальной сети организации с применением NGFW Check Point (см. рисунок). Пользователи гостевого сегмента имеют доступ к некоторым корпоративным ресурсам, например, принтеру, проектору, сканеру, факсу, а также имеют выход в сети Интернета, и могут подключаться к другим беспроводным устройствам, находящимся в гостевом сегменте, но не имеют доступа к ресурсам корпоративной локальной сети организации. Данные настройки задаются при помощи политик безопасности, на основе встроенного интерфейса NGFW, тем самым позволяя гибко изменять и масштабировать защищенность беспроводной локальной сети. Таким образом, можно сделать вывод, что применение NGFW Check Point позволяет организовать защищенное гостевое подключение к беспроводной локальной сети и тем самым обеспечить безопасность как корпоративных ресурсов организации, так и данных, передаваемых гостевыми пользователями беспроводной сети, а также предоставляет возможность создавать оптимальный набор защитных механизмов в соответствии с поставленными задачами. Библиографические ссылки 1. Рошан П., Лиэри Дж. Основы построения беспроводных локальных сетей стандарта 802.11 : пер. с англ. М. : Вильямс, 2004. 302 с. 2. Щеглов А. Ю. Требования к средствам защиты конфиденциальной информации [Электронный ресурс]. 2005. URL: http://www.sec4all.net/statea118.html (дата обращения: 09.08.2015). 3. Gartner. Magic Quadrant. Next Generation Farewells (NGFWs) [Электронный ресурс]. URL:

www.gartner.com/.../next-generation-firewalls (дата обращения: 11.08.2015). 4. Check Point NGFW achieves the highest score for security effectiveness and management [Электронный ресурс]. URL: http://www.checkpoint.com/resources/nssfw-ngfw-ips-tests/ (дата обращения: 19.08.2015). 5. Check Point Next Generation Firewall. [Электронный ресурс]. URL: http://www.checkpoint.com/ products/next-generation-firewall (дата обращения: 24.08.2015). References 1. Roshan P., Liehri Dzh. Osnovy postroeniya besprovodnyh lokal’nyh setej standarta 802.11 : per. s angl. M. : Vil’yams [Roshan P., J. Lieri. Fundamentals of Wireless LANs 802.11 : lane. from English. M. : Williams], 2004. 302 p. 2. Sheglov A. Yu. Trebovaniya k sredstvam zashchity konfidencial'noj informacii. 2005 [Shcheglov A. U. Requirements to protection of confidential information]. Available at: http://www.sec4all.net/statea118.html (accessed: 08.09.2015). 3. Gartner. Magic Quadrant. Next Generation Farewells (NGFWs). Available at: www.gartner.com/.../ next-generation-firewalls (accessed: 08.11.2015). 4. Check Point NGFW achieves the highest score for security effectiveness and management. Available at: http://www.checkpoint.com/resources/nss-fw-ngfw-ipstests/ (accessed: 08.19.2015). 5. Check Point Next Generation Firewall. Available at: http://www.checkpoint.com/products/next-generationfirewall. (accessed: 08.24.2015). © Герасимов А. К., 2015

______________ УДК 004.056.53 ОБ ОСНОВНЫХ ПРИНЦИПАХ ФУНКЦИОНИРОВАНИЯ СИСТЕМЫ МНОГОФАКТОРНОЙ БИОМЕТРИЧЕСКОЙ АУТЕНТИФИКАЦИИ ПО ДИНАМИКЕ НАЖАТИЯ КЛАВИШ Я. А. Голеусов, М. М. Соколов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Обоснована необходимость разработки системы многофакторной биометрической аутентификации по динамике нажатия клавиш. Описаны основные принципы функционирования системы. Получена количественная оценка эффективности системы. Ключевые слова: биометрия, динамика нажатия клавиш, принципы функционирования. THE BASIC OPERATION PRINCIPLES OF THE MULTIFACTORING BIOMETRICAL KEYSTROKE BY AUTHENTICATION SYSTEM DYNAMICS Ya. A. Goleusov, M. M. Sokolov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] 277

Решетневские чтения. 2015

The necessity to develop multifactoring biometrical keystroke by authentication system dynamics is proved. The basic operation principles of the system are described. The quantitative evaluation of the efficiency is calculated. Keywords: biometrical, keystroke dynamics, operation principles. В наш век опережающего развития цифровых технологий остро встаёт вопрос обеспечения кибербезопасности информационных систем государственных и коммерческих организаций. Сегодня почти каждый человек в той или иной мере взаимодействует с различными цифровыми устройствами. Однако зачастую люди, не искушённые в вопросах информационной безопасности, по-прежнему предпочитают пользоваться простыми, но ненадёжными парольными системами, даже несмотря на богатый выбор иных, высокоэффективных систем аутентификации, к примеру, использующих цифровой носитель или анализирующих отпечатки пальцев (биометрические системы). Основных причин данного феномена две: 1) для рядовых пользователей это наиболее удобная и простая форма аутентификации; 2) это наиболее дешёвая для внедрения и эксплуатации система, и её реализация в том или ином виде уже встроена в большинство современных программных продуктов. Стоит упомянуть, что даже использование «криптостойких» паролей не может спасти от угрозы разглашения. Если злоумышленник получил пароль, фактически, он имеет полный доступ ко всем данным пользователя. Даже администраторы безопасности не застрахованы от данной угрозы. Зачастую, организационные меры, направленные как раз на предотвращение утечки пароля, либо неэффективны, либо попросту не исполняются. В работах [1–3] рассказано о разрабатываемой системе многофакторной биометрической аутентификации (СМБА), основанной на анализе биометрической характеристики пользователя – динамики нажа-

тия клавиш (ДНКл), считываемой при вводе пользователем пароля. При эксплуатации такой системы не требуется каких-либо особых навыков. Процедура авторизации выглядит следующим образом (см. рисунок): вводится логин и пароль, при вводе пароля также происходит измерение ДНКл. Далее осуществляется коррекция и извлечение биометрических признаков, из которых формируется входной биометрический образец. После происходит проверка введённого пароля и, в случае успеха, происходит сравнение входного образца с эталоном, далее принимается решение о предоставлении доступа. При успешном сравнении образец используется для «адаптации» эталона – формирование нового эталона, учитывающего влияние нового входного образца. «Адаптация» необходима для отслеживания «эволюции» ДНКл пользователя с течением времени. При регистрации пароль вводится несколько раз. Далее происходит коррекция и извлечение биометрических признаков так же, как и при авторизации, однако при регистрации формируется несколько входных образцов. Из полученных образцов формируется эталон. За коррекцию и извлечение признаков отвечают методы анализа и обработки. За регистрацию и сравнение – методы анализа и принятия решения. Вся совокупность используемых методов анализа и обработки входит в так называемый модуль обработки данных. Данный модуль характеризуется тем, что принимает на вход исходный биометрический образец – «сырой» поток параметров ввода пароля, а на выход подаёт уже обработанный образец.

Рис. 1. Блок-схема процедуры авторизации в СМБА

278

Методы и средства защиты информации

Следовательно, главной целью функционирования методов данной группы является не только извлечение биометрических признаков, но и их коррекция от влияния различных факторов, о которых, в частности, говорится в [1; 2]. Вся совокупность используемых методов анализа и принятия решения входит в модуль регистрации и принятия решения. Данный модуль характеризуется тем, что принимает на вход один или несколько обработанных образцов, а на выход подаёт либо эталон для записи в базу данных, либо ответ о предоставлении или запрещении доступа. На текущий момент имеющийся математический аппарат позволяет распознать злоумышленника при вводе им пароля в более чем 90 % случаев [1–3]. Оценка эффективности проведена с помощью методов, описанных в [4; 5]. Дальнейшие исследования, в первую очередь, направлены на разработку более эффективных методов анализа, которые позволят довести вероятность распознавания злоумышленника, как минимум, до 0,99. После разработки эффективного математического аппарата (решения математических задач) можно приступить к решению так называемых задач интеграции: встраивание в операционные системы; защита биометрических эталонов; тестовая эксплуатация. Библиографические ссылки 1. Голеусов Я. А. Оценка эффективности методов анализа динамики нажатия клавиш при вводе пользователем парольной фразы // Решетневские чтения : материалы XVII Междунар. науч. конф. (12–14 нояб. 2013, г. Красноярск) : в 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2014. С. 279–280. 2. Голеусов Я. А. About the application of keystroke dynamics analysis algorithm in biometrical authentication // Молодежь. Общество. Современная наука, техника и инновации : материалы XIII Междунар. науч. конф. (15 мая 2014, г. Красноярск) / под общ. ред. И. В. Ковалева, М. В. Савельевой, Н. А. Шумаковой ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2014. С. 84–85. 3. Голеусов Я. А. О некоторых проблемах эксплуатации биометрических систем аутентификации // Фундаментальные и прикладные аспекты компьютер

ных технологий и информационной безопасности : материалы I Всерос. науч. конф. (12–13 февр. 2015, г. Ростов-на-Дону). Ростов-н/Д : Изд-во Юж. федер. ун-та, 2015. С. 197–200 4. Harold F. Tipton, Micki Krause. Information security management handbook. 6th edition. New York : Auerbach Publication. Taylor & Francis Group, 2007. С. 876. 5. Оценка систем биометрической аутентификации [Электронный ресурс]. URL: http://www.uran. donetsk.ua/~masters/2002/fvti/ (дата обращения: 09.05.2015). References 1. Goleusov Ya. A. [Performance evaluation of the methods of user keystroke dinamics analisys while entering the passphrase]. Materialy XVII Mezhdunar. nauch. konf. “Reshetnevskie chtenija” [Materials of the XVII-th intern. scientific conf. “Reshetnev Reading”] // Krasnoyarsk, 2013. P. 279–280 (In Russ). 2. Goleusov Ya. A. [About the application of keystroke dynamics analysis algorithm in biometrical authentication] // Materials of the XIII-th intern. scientific conf. “Youth. Society. Modern science, technology and innovation”. Krasnoyarsk, 2014. P. 84–85. 3. Goleusov Ya. A. [The some problems of biometrical authentication system’s exploitation]. Materialy I vseross. nauch. konf. “Fundamental'nye i prikladnye aspekty komp'juternyh tehnologij i informacionnoj bezopasnosti” [Materials of the I-st All-Russia scientific conf. “Fundamental and applied aspects of computer technology and information security”]. Rostov-on-Don, 2015. P. 197–200 (In Russ). 4. Harold F. Tipton, Micki Krause Information security management handbook: 6th edition. New York : Auerbach Publication. Taylor & Francis Group, 2007. P. 876. 5. Ocenka sistem biometricheskoj autentifikacii [The evaluation of biometrical authentication system]. Available at: http://www.uran.donetsk.ua/~masters/2002/fvti/ (accessed: 09.05.2015) (In Russ). © Голеусов Я. А., Соколов М. М., 2015

______________ УДК 004.056.53 ОБ ОЦЕНКЕ ВЛИЯНИЯ НЕКОНТРОЛИРУЕМЫХ ФАКТОРОВ НА ЭФФЕКТИВНОСТЬ СИСТЕМЫ МНОГОФАКТОРНОЙ БИОМЕТРИЧЕСКОЙ АУТЕНТИФИКАЦИИ ПО ДИНАМИКЕ НАЖАТИЯ КЛАВИШ Я. А. Голеусов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Определена классификация факторов влияния на эффективность системы многофакторной аутентификации. Установлен перечень неконтролируемых факторов. Проведён анализ данных для оценки степени влия279

Решетневские чтения. 2015

ния неконтролируемых факторов. Оценена степень влияния. Сформирован перечень условий, при которых достигается наибольшая эффективность системы. Ключевые слова: биометрия, динамика нажатия клавиш, влияние факторов. THE EVALUATION OF UNCONTROLLABLE FACTOR INFLUENCE ON THE EFFICIENCY OF THE MULTIFACTORING BIOMETRICAL KEYSTROKE BY AUTHENTICATION SYSTEM DYNAMICS Ya. A. Goleusov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The classification of factors influence on the efficiency of the multifactoring biometrical keystroke by authentication system dynamics is defined. The data is analyzed to evaluate the influence of uncontrollable factors. The influence value is assessed. The list of condition to achieve maximum system efficiency is generated. Keywords: biometrical, keystroke dynamics, influence of the factors. В рамках научно-исследовательской работы [1–3] проводится разработка системы многофакторной биометрической аутентификации (СМБА): первым фактором является пароль, вторым – динамика нажатия клавиш (ДНКл) как биометрическая характеристика пользователя, измеряемая при вводе пользователем пароля. Эффективность СМБА можно оценить, используя методы, приведённые в [4; 5]. Уже имеющийся математический аппарат, отвечающий за распознавание, способен определить злоумышленника при вводе им украденного пароля в более чем 90 % случаев. Однако эффективность СМБА зависит не только от методов распознавания. Любой сложный цифровой образец (в том числе образец биометрической характеристики) включает в себя, кроме «полезной» информации, характеризующей объект наблюдения (пользователя), различный «шум». Этот «шум» обусловлен влиянием так называемых факторов воздействия на эффективность [3]. В целом, все факторы можно разделить на две большие группы: 1. Корректируемые, чьё влияние можно оценить и исключить либо минимизировать при обработке входного биометрического образца ДНКл. В работах [1; 2] говорится именно о корректируемых факторах. 2. Некорректируемые, чьё влияние можно оценить и учесть, но исключить или скорректировать невоз-

можно. Соответственно, оценка влияния таких факторов направлена на формирование набора условий, при которых степень влияния неконтролируемых факторов на эффективность всей СМБА будет минимальной. К некорректируемым факторам относятся следующие: − фактор длины пароля: длина пароля, выраженная в количестве символов, из которых он состоит. Согласно полученным результатам исследований, наибольшей эффективности можно достичь при длине пароля от 8 до 10 символов. − фактор точности эталона: это степень его соответствия некоторому «идеальному» эталону, которую можно примерно оценить количеством используемых для формирования эталона образцов. Как установлено, минимально необходимое количество образцов, достаточное для эффективной аутентификации, равно 28; − фактор стабильности ДНКл: стабильность – это показатель того, насколько однообразными остаются биометрические признаки при нескольких попытках ввода пароля; − фактор «разброса» клавиш: «разброс» показывает наличие в пароле пар клавиш, для ввода которых обычно задействуются две руки; − фактор эргономичности клавиатуры: показатель того, используются ли при вводе пароля клавиатуры с разным расположением клавиш (эргономикой).

Вероятность авторизации злоумышленника при разных условиях функционирования системы

280

Методы и средства защиты информации

Для оценки степени влияния было проведено экспериментальное исследование. В исследовании участвовали 20 человек. Каждый пользователь предоставил по 170 образцов ДНКл, сформированных при различных условиях, необходимых для оценки влияния различных факторов. Согласно полученным результатам, неконтролируемые факторы могут оказывать существенное влияние на эффективность всей СМБА в целом. На рисунке показана сравнительная оценка степени влияния некоторых неконтролируемых факторов, выраженная в увеличении (уменьшении) общей вероятности авторизации злоумышленника с помощью украденного пароля. Учитывая приведённые данные, можно сформировать список условий, при которых эффективность системы будет максимальной: использование клавиатур с одинаковой эргономикой для ввода пароля; высокая стабильность ДНКл пользователя; низкий «разброс» клавиш пароля; длина пароля в 8–10 символов; не менее 28 ранее полученных образцов, используемых для формирования эталона. В итоге проведения экспериментального исследования было доказано существование неконтролируемых факторов, оказывающих влияние на эффективность работы СМБА. Была произведена оценка данного влияния и сформулированы условия, при которых система достигает максимальной эффективности. В будущих исследованиях планируется найти новые, ранее не исследованные неконтролируемые и контролируемые факторы, а также оценить степень их влияние с большей точностью. Библиографические ссылки 1. Голеусов Я. А. About the application of keystroke dynamics analysis algorithm in biometrical authentication // Молодежь. Общество. Современная наука, техника и инновации : материалы XIII Междунар. науч. конф. (15 мая 2014, г. Красноярск) / под общ. ред. И. В. Ковалева, М. В. Савельевой, Н. А. Шумаковой ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2014. С. 84–85. 2. Голеусов Я. А. О методах коррекции влияния внешних факторов на параметры динамики нажатия клавиш при биометрической аутентификации // Решетневские чтения : материалы XVIII Междунар. науч. конф. (11–14 нояб. 2014, г. Красноярск) : в 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2014. С. 304–306.

3. Голеусов Я. А. О некоторых проблемах эксплуатации биометрических систем аутентификации // Фундаментальные и прикладные аспекты компьютерных технологий и информационной безопасности : материалы I Всерос. науч. конф. (12–13 февр. 2015, г. Ростов-на-Дону). Ростов-н/Д : Изд-во Юж. федер. ун-та, 2015. С. 197–200. 4. Harold F. Tipton, Micki Krause. Information security management handbook. 6th edition. New York : Auerbach Publication. Taylor & Francis Group, 2007. С. 876. 5. Оценка систем биометрической аутентификации [Электронный ресурс]. URL: http://www.uran. donetsk.ua/~masters/2002/fvti/ (дата обращения: 09.05.2015). References 1. Goleusov Ya. A. [About the application of keystroke dynamics analysis algorithm in biometrical authentication] // Materials of the XIII-th intern. scientific conf. “Youth. Society. Modern science, technology and innovation”. Krasnoyarsk, 2014. Pр. 84–85. 2. Goleusov Ya. A. [About the correction methods of the influence of external factors on the keystroke dynamics parameters when carried biometrical authentication] // Materialy XVIII mezhdunar. nauch. konf. “Reshetnevskie chtenija” [Materials of the XVIII-th intern. scientific conf. “Reshetnev Reading”]. Krasnoyarsk, 2014. Pр. 304– 306 (In Russ). 3. Goleusov Ya. A. [The some problems biometrical authentication system’s exploitation] // Materialy I vseross. nauch. konf. “Fundamental’nye i prikladnye aspekty komp'juternyh tehnologij i informacionnoj bezopasnosti” [Materials of the I-st All-Russia scientific conf. “Fundamental and applied aspects of computer technology and information security”]. Rostov-on-Don, 2015. Pр. 197–200. 4. Harold F. Tipton, Micki Krause Information security management handbook: 6th edition. New York : Auerbach Publication. Taylor & Francis Group, 2007. P. 876. 5. Ocenka sistem biometricheskoj autentifikacii [The evaluation of biometrical authentication system]. Available at: http://www.uran.donetsk.ua/~masters/2002/fvti/ (accessed: 09.05.2015) (In Russ).

281

© Голеусов Я. А., 2015

Решетневские чтения. 2015

УДК 004.056 О СТРУКТУРНО-ПАРАМЕТРИЧЕСКОМ СИНТЕЗЕ ЗАЩИЩЕННЫХ ИНФОРМАЦИОННЫХ СИСТЕМ М. Н. Жукова Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Приведено описание методов структурно-параметрического синтеза, применяемых для построения сложных технических систем. Представлено разделение методов синтеза в зависимости от требований оптимизационной задачи, возникающей при проектировании защищенных информационных систем. Ключевые слова: информационная безопасность, информационная система, синтез, оптимизация параметров. TO STRUCTURAL AND PARAMETRICAL SYNTHESIS OF THE PROTECTED INFORMATION SYSTEMS M. N. Zhukova Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The research describes methods of structural and parametrical synthesis applied to creation of difficult technical systems. The synthesis methods are divided according to the dependence on requirements of the optimizing task arising at design of the protected information systems. Keywords: information security, protected information system, synthesis, optimization of parameters. Процесс проектирования защищенных информационных систем является сложным в силу необходимости соблюдения множества требований и ограничений. Кроме этого, практически полностью отсутствуют модели, описывающие процессы, происходящие внутри защищенной информационной системы. Ведутся разработки по созданию моделей безопасности информационных систем, включающих в себя этапы соблюдения требований нормативно-правовых документов в области информационной безопасности, этапы построения модели угроз и нарушителя, подбора сертифицированных средств защиты информации и их верификации [1]. В процессе проектирования подобных моделей возникают сложные задачи оптимизации как для подбора оптимального состава самих структурных элементов модели, так и для поиска и настройки их параметров. Данные задачи, как правило, решаются с применением интеллектуальных технологий [2], например, с применением эволюционных алгоритмов оптимизации [3], которые хорошо зарекомендовали себя при наличии нестационарности целевой функции, большом количестве ограничений, аналитически заданных функциях оптимизации и т. д. Однако помимо поиска оптимальных значений параметров компонентов модели безопасности, необходимо также провести синтез компонентов, которые будут входить в состав защищенной информационной системы. Синтез устройств является одним из важнейших этапов в процессе создания новых защищенных ин-

формационных систем. От того, насколько качественно он проведен, во многом зависит и качество самой системы. В процессе синтеза определяется структура системы и параметры элементов, из которых она состоит. Структура определяется в процессе структурного синтеза, параметры, соответственно, – в процессе параметрического. В общем виде, структурнопараметрический синтез позволяет определить структуру и параметры проектируемой системы. Синтез может осуществляться как с помощью аналитических методов, которые дают четкий алгоритм нахождения структуры и параметров, так и с помощью численных или оптимизационных. Аналитические методы хороши тем, что обычно позволяют получить оптимальный состав, и алгоритм такого синтеза дан в замкнутом виде. Но такие методы работают далеко не во всех случаях. Численные или оптимизационные методы синтеза, напротив, достаточно гибкие, могут быть применены практически к любому классу синтезируемых систем. Но разработаны и применяются на практике в основном алгоритмы параметрического синтеза, когда при заданной структуре определяются номиналы элементов ее составляющих. Алгоритмы структурно-параметрического синтеза разработаны лишь для узкого класса систем [4]. Далее будут рассматриваться только алгоритмы, проводимые с помощью оптимизационных методов. Задачи синтеза, проводимого с помощью оптимизационных алгоритмов, можно разделить на две группы [5]:

282

Методы и средства защиты информации

1. При заданной структуре необходимо определить параметры элементов таким образом, чтобы система была оптимальна по какому-либо критерию (критериям). 2. Необходимо подобрать структуру и параметры элементов этой структуры таким образом, чтобы удовлетворить заданным ограничениям на характеристики с минимальными затратами (минимальное число элементов, минимальная стоимость и т. п.). Первая группа относится к задачам параметрического синтеза, решаемым методами параметрической оптимизации, вторая – к задачам структурно-параметрического синтеза. Если первая группа задач изучена достаточно хорошо, то задачи второй группы решены лишь для некоторых классов систем. Одной из причин, тормозящих развитие и реализацию таких алгоритмов, является отсутствие адекватных математических и компьютерных моделей, так как требования, предъявляемые к моделям для параметрического и структурно-параметрического синтеза, существенно различны. Так, при параметрическом синтезе: 1) структура модели фиксирована и не изменяется в процессе синтеза; 2) изменяются только параметры (номиналы элементов), и поиск осуществляется в пространстве параметров; 3) размерность вектора параметров фиксирована. При структурно-параметрическом синтезе: 1) структура модели заранее неизвестна, и модель формируется автоматически; 2) изменяются как структура, так и параметры, и поиск осуществляется в пространстве структур и параметров; 3) размерность вектора параметров заранее неизвестна и может быть определена только после того, как будет определена структура. Следовательно, для поддержки функционирования алгоритма структурно-параметрического синтеза необходимо создать: 1) механизм автоматического формирования модели по морфологическому дереву; 2) механизм вычисления размерности вектора параметров для выбранной структуры; 3) механизм загрузки вектора параметров из оптимизатора в модель. Модели, удовлетворяющие этим требованиям, будут не моделями в традиционном понимании математического моделирования, а моделями целого класса систем. Они помимо возможности вычисления характеристик содержат в неявном виде информацию о структурах объектов, принадлежащих исследуемому классу.

Библиографические ссылки 1. Жуков В. Г., Жукова М. Н., Золотарев В. В., Ковалев И. В. Методика построения модели безопасности автоматизированных систем // Программные продукты и системы. 2012. Вып. 2. С. 70–74. 2. Жуков В. Г., Жукова М. Н., Коромыслов Н. А. Применение нечетких искусственных иммунных систем в задаче построения адаптивных самообучающихся средств защиты информации // Вестник СибГАУ. 2012. Вып. 1(41). С. 18–23. 3. Жуков В. Г., Жукова М. Н. Коэволюционный алгоритм решения нестационарных задач оптимизации // Вестник СибГАУ. 2006. № 1(8). С. 27–30. 4. Акимов С. В. Компьютерные модели для автоматизированного структурно-параметрического синтеза // Компьютерное моделирование – 2004 : тр. 5-й Междунар. конф. СПб. : Нестор, 2004. Ч. 1. С. 191– 197. 5. Антушев Г. С. Методы параметрического синтеза сложных технических систем. М. : Наука, 1989. 88 с. References 1. Zhukov V. G., Zhukova M. N., Zolotarev V. V. and Kovalev I. V. Methodology of security model construction for automated systems // International Journal “Programmnye produkty i sistemy”. Tver: ZAO NII “Centrprogrammsystem”, 2012. Vol. 2, рр. 70–74 (In. Russ.). 2. Zhukova M. N., Zhukov V. G., Koromyslov N. A. Primenenie nechetkikh iskusstvennykh immunnykh sistem v zadache postroeniya adaptivnykh samoobuchayushchikhsya sredstv zashchity informatsii // Vestnik SibGAU, 2012. No. 1(41), pp. 18–23 (In. Russ.). 3. Zhukov V. G., Zhukova M. N. [Koevolutionary algorithm for nonstationary optimization problems solving] // Vestnik SibGAU. 2015. No. 1(8), рp. 27–30 (In. Russ.). 4. Akimov S. V. Computer models for the automated structural and parametrical synthesis // Computer modeling 2004: Works of the 5th international conference. Part 1 / SPb. : Nestor, 2004, S. 191–197 (In. Russ.). 5. Antushev G. S. Methods of parametrical synthesis of difficult technical systems. M. : Science, 1989. 88 p. (In. Russ.).

283

© Жукова М. Н., 2015

Решетневские чтения. 2015

УДК 004.056 О СИСТЕМЕ УПРАВЛЕНИЯ МЕТАДАННЫМИ ИНЦИДЕНТОВ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ М. Н. Жукова, Д. В. Калачев Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Описывается возможность совершенствования процесса управления инцидентами информационной безопасности за счет унификации и автоматизации процесса управления метаданными инцидентов информационной безопасности. Ключевые слова: информационная безопасность, управление, инцидент. TO MANAGEMENT OF METADATA SYSTEM OF INFORMATION SECURITY INCIDENTS M. N. Zhukova, D. V. Kalachev Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The research describes the possibility of improving information security incidents management process through unifying and automating information security incidents within metadata management process. Keywords: information security, management, incident. На сегодняшний день в Российской Федерации существует множество организаций, подразделения которых так или иначе ведут деятельность в области обнаружения, предупреждения и ликвидации последствий компьютерных атак и вызванных ими инцидентов информационной безопасности (ИБ) [1–4], организации аэрокосмической отрасли – не исключение. Все подобные организации в настоящее время функционируют в полной или частичной изоляции друг от друга. Практически отсутствует взаимодействие с непосредственными владельцами информационных ресурсов и иными заинтересованными организациями на национальном и международном уровне в области обнаружения компьютерных атак и установления их источников, включая обмен информацией о выявленных компьютерных атаках и вызванных ими инцидентах. Не отлажен обмен опытом в сфере выявления и устранения уязвимостей программного обеспечения и оборудования, а также реагирования на инциденты информационной безопасности, с международными и неправительственными организациями, осуществляющими деятельность в области реагирования на инциденты ИБ. В качестве решения обозначенной проблемы предложено организовать обмен подобной информацией, ее хранение, анализ и формирование рекомендаций по минимизации и/или недопущению возникновения подобных инцидентов в будущем, с использованием разработанного формата обмена метаданными инцидентов информационной безопасности и участием заинтересованных организаций в рамках своих компетенций и полномочий.

Систему хранения предлагается организовать на основе концепции единого интегрированного хранилища и многих витрин данных [5]. Таким образом, будет учитываться территориальное распределение источников данных, различный формат их локальных баз и в то же время необходимость централизованного, консолидированного хранилища для удовлетворения большого количества запросов и целей анализа данных. Для предотвращения возникновения повторных инцидентов в организациях, передающих метаданные инцидентов в систему, данная информация должна передаваться в обезличенном виде по защищенному каналу связи. Тем не менее, для работы системы необходимо наличие координирующей организации. Координирующей организацией будет осуществляться предоставление доступа к системе на основании договора, сбор метаданных об инцидентах ИБ, их хранение, анализ, публикация и, при необходимости, формирование рекомендаций по минимизации последствий и/или недопущению возникновения подобных инцидентов в будущем. На основе обнародованных инцидентов и рекомендаций компании смогут определить слабые места и ошибки конфигурации в собственной системе защиты, провести превентивные мероприятия с целью недопущения или усложнения реализации подобных инцидентов, а также использовать данную информацию в целях определения и оценки, реагирования, расследования и разрешения подобных событий и инцидентов ИБ. В случае возникновения того или иного события/инцидента ИБ, организация может осуществить

284

Методы и средства защиты информации

поиск по признакам данного события/инцидента ИБ в хранилище метаданных. В случае успешного поиска, найденная информация может способствовать определению, оценке, реагированию и разрешению данного инцидента на основании опыта организаций, уже столкнувшихся с подобным инцидентом и успешно разрешивших его. В случае если информация о подобном событии/инциденте ИБ не была найдена в хранилище метаданных, организация после успешного разрешения инцидента может загрузить обезличенные детальные данные об инциденте в хранилище, в том числе полученный опыт, извлеченные уроки, меры и рекоменда-

ции по недопущению или затруднению возникновения подобных инцидентов в будущем, с целью их использования другими организациями. В общем виде алгоритм разрешения инцидента с использованием хранилища метаданных инцидентов ИБ представлен на рисунке. Таким образом, применение разработанного алгоритма, при поддержании обратной связи с непосредственными владельцами информационных ресурсов и иными заинтересованными организациями, будет способствовать совершенствованию процесса управления инцидентами ИБ за счет унификации и автоматизации процесса управления метаданными инцидентов ИБ.

Алгоритм разрешения инцидента с использованием хранилища метаданных инцидентов ИБ

Библиографические ссылки 1. О создании государственной системы обнаружения, предупреждения и ликвидации последствий компьютерных атак на информационные ресурсы Российской Федерации : указ Президента Российской Федерации от 15.01.2013 № 31с, выписка [Электронный ресурс] // Офиц. интернет-портал правовой информации. URL: http://www.pravo.gov.ru/proxy/ips/?docbody= &nd=102162702 (дата обращения: 04.09.2015). 2 Вопросы Федеральной службы по техническому и экспортному контролю : указ Президента Российской Федерации от 16.08.2004 № 1085, выписка [Электронный ресурс] // Офиц. интернет-портал правовой информации. URL: http://pravo.gov.ru/proxy/ ips/?docbody=&nd=102088330 (дата обращения: 04.09.2015). 3. ЦБ РФ с 1 июня создал Центр мониторинга и реагирования на кибератаки в финансовой сфере [Электронный ресурс] // ТАСС : офиц. сайт. URL: http://tass.ru/ekonomika/2081570 (дата обращения: 04.09.2015).

4. Центр реагирования на компьютерные инциденты Российской Федерации [Электронный ресурс] // RU-CERT : офиц. сайт. URL: http://www.cert.ru/ru/ about.shtml (дата обращения: 04.09.2015). 5. Белов В. С. Информационно-аналитические системы. Основы проектирования и применения : учеб. пособие, руководство, практикум / Моск. гос. ун-т экономики, статистики и информатики. М., 2005. 111 с. References 1. RF President Decree “About establishment of the state system of detection, prevention and liquidation of consequences of cyber-attacks on information resources of the Russian Federation” of January 15, 2013 № 31с, excerpt. (In Russ.) Available at: http://www.pravo. gov.ru/ proxy/ips/?docbody=&nd=102162702 (accessed: 04.09.2015). 2. RF President Decree “Issues of the Federal Service for Technical and Export Control” of August 16, 2004

285

Решетневские чтения. 2015

№ 1085, excerpt (In Russ.) Available at: http://pravo. gov.ru/proxy/ips/?docbody=&nd=102088330 (accessed: 04.09.2015). 3. TsB RF s 1 iyunya sozdal Tsentr monitoringa i reagirovaniya na kiberataki v finansovoy sfere [RF Central Bank from June 1 has created a financial sector cyberattacks monitoring and responding center] (In Russ.). Available at: http://tass.ru/ekonomika/2081570 (accessed: 04.09.2015). 4. Tsentr reagirovaniya na komp'yuternye intsidenty Rossiyskoy Federatsii [Computer incidents response cen-

ter of the Russian Federation] (In Russ.). Available at: http://www.cert.ru/ru/about.shtml (accessed: 04.09.2015). 5. Belov V. S. Informatsionno-analiticheskie sistemy. Osnovy proektirovaniya i primeneniya: uchebnoe posobie, rukovodstvo, praktikum [Information-analytical system. Fundamentals of design and application: a tutorial, manual, practical work], Moscow, Moscow State University of Economics, Statistics and Informatics Publ., 2005. 111 p. © Жукова М. Н., Калачев Д. В., 2015

____________ УДК 004.056 ОБ АВТОМАТИЗАЦИИ ПРОЦЕССОВ УПРАВЛЕНИЯ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТЬЮ В ОБРАЗОВАТЕЛЬНЫХ ОРГАНИЗАЦИЯХ И. В. Земцов Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Представлено обоснование необходимости автоматизации процессов управления информационной безопасностью в образовательных организациях. Ключевые слова: информационная безопасность, управление, автоматизация. AUTOMATION OF INFORMATION SECURITY MANAGEMENT PROCESSES IN EDUCATIONAL ORGANIZATIONS I. V. Zemtsov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The paper presents reasons to automate information security management processes in educational organizations. Keywords: information security, management, automation. В настоящее время в образовательных организациях наблюдается тенденция увеличения проблем, связанных с управлением информационной безопасностью. В силу совершенствования законодательства в сфере образования появляются информационные системы дистанционного обучения, электронные дневники и журналы, что создает дополнительные угрозы безопасности информации о частной жизни. Одной из основных проблем является трудоемкость контроля и поддержания в актуальном состоянии организационных мер по защите информации и инфраструктуры информационной безопасности в информационных системах. На протяжении последних нескольких лет эксперты по информационной безопасности указывают на необходимость автоматизации процессов управления информационной безопасностью, обосновывая это цикличностью процессного подхода к защите информации, используемого как лучшая мировая практика [1; 2]. Проблема управления информационной безопас-

ностью актуальна для любой образовательной организации, начиная от организаций дошкольного образования до высших учебных заведений. Организационные меры защиты информации являются фундаментальными мерами по предотвращению утечек информации. Количество утечек персональных данных в образовательных организациях, в которых количество персональных компьютеров более пятидесяти, исчисляется миллионами [3]. Связано это, в первую очередь, с мировой тенденцией к совершенствованию использования информационных технологий в различных сферах жизни. В частности, организации все чаще сталкиваются с юридически значимым электронным документооборотом, ужесточением требований по защите персональных данных и взаимодействием с государственными информационными системами (ГИС). Также поддержание в рабочем состоянии средств и актуальность мер по защите информации напрямую влияют на непрерывность деятельности организации.

286

Методы и средства защиты информации Сравнительный анализ средств автоматизации процессов управления информационной безопасностью Средство автоматизации Критерий Управление электронными подписям Управление мерами по защите ПДн

Управление мерами по защите абонентских пунктов ГИС

Отсутствует

Отсутствует

Digital Security ERPScan Security Monitoring Suite [6] Отсутствует

Реализовано в модуле Compliance Manager и учитывает требования приказа ФСТЭК № 21 и приказа ФСБ № 378 Реализовано в модуле Compliance Manager и учитывает требования приказа ФСТЭК № 21 и приказа ФСБ № 378

Отсутствует

Отсутствует

Отсутствует

Отсутствует

Positive Technologies MaxPatrol [5]

R-Vision [4]

Однако среди представленных на рынке средств автоматизации процессов управления информационной безопасностью не существует средства, решающего одновременно все актуальные для образовательных организаций задачи. Производители, ориентирующиеся на международный рынок (например, Positive Technologies), не спешат внедрять в свои продукты справочники требований нормативноправовых актов РФ, регламентирующих требования к информационным системам персональных данных (ПДн) и ГИС. Автоматизация управления электронными подписями вовсе не представлена на рынке (см. таблицу). В силу развития информационных технологий средние и крупные образовательные организации, количество автоматизированных рабочих мест в которых свыше пятидесяти, имеют в распоряжении информационные системы, предназначенные для управления деятельностью организации, например, информационные системы бухгалтерского и кадрового учета, автоматизированные системы управления образовательной деятельностью, системы внутреннего электронного документооборота. В этих информационных системах поддерживается актуальная информация об изменениях в деятельности организации, которую необходимо учитывать в процессе управления информационной безопасностью. Современное программное обеспечение, используемое в информационных системах, имеет модульную архитектуру, что позволяет таким системам расширять свою функциональность за счет добавления дополнительных модулей. Однако модули, направленные на автоматизацию управления информационной безопасностью, на данный момент не представлены. Проблема снижения трудозатрат и повышения эффективности управления информационной безопасностью в образовательных организациях может быть решена за счет разработки модуля автоматизации на базе существующей информационной системы. Разработка собственного модуля может быть выгодна крупным образовательным организациям, имеющим в своем штате квалифицированных программистов и специалистов по защите информации,

а также автоматизированную систему управления организацией собственной разработки. Библиографические ссылки 1. Куканова Н., Соколова А. Система управления информационной безопасностью в соответствии с ISO/IEC 27001 // Information Security. 2007. № 4. С. 24–26. 2. Писаренко И. Автоматизация процесса управления информационной безопасностью // Information Security. 2014. № 2. С. 46–47. 3. Глобальное исследование утечек конфиденциальной информации в 2014 году [Электронный ресурс]. URL: http://www.infowatch.ru/sites/default/files/ report/analytics/russ/InfoWatch_global_report_2014.pdf (дата обращения: 25.08.2015). 4. Функциональные возможности Compliance Manager [Электронный ресурс]. URL: https://rvision. pro/modules/compliancemanager/ (дата обращения: 25.08.2015). 5. Ключевые возможности MaxPatrol 8 [Электронный ресурс]. URL: http://www.ptsecurity.ru/mp8/ (дата обращения: 25.08.2015). 6. ERPScan Security Monitoring Suite [Электронный ресурс]. URL: http://dsec.ru/products/erpscan/ (дата обращения: 25.08.2015). References 1. Kukanova N., Sokolova A. [Information security management system according to the ISO/IEC 27001] // Information Security. 2007. No. 4, рp. 24–26 (In Russ.). 2. Pisarenko I. [Automation of the process of information security management] // Information Security. 2014. No. 2, рp. 46–47 (In Russ.). 3. Global’noe issledovanie utechek konfidentsial’noy informatsii v 2014 godu [Global research of leaks konfidentsialnoy information in 2014] (In Russ.). Available at: http://www.infowatch.ru/sites/default/files/ report/analytics/russ/InfoWatch_global_report_2014.pdf (accessed 25.08.2015) (In Russ.). 4. Funktsional’nye vozmozhnosti Compliance Manager [Functional of Compliance Manager] (In Russ.).

287

Решетневские чтения. 2015

Available at: https://rvision.pro/modules/compliancemanager/ (accessed 25.08.2015). 5. Klyuchevye vozmozhnosti MaxPatrol 8 [Key benefits MaxPatrol 8] (In Russ.). Available at: http://www.ptsecurity.ru/mp8/ (accessed: 25.08.2015).

6. ERPScan Security Monitoring Suite [ERPScan Security Monitoring Suite] (In Russ.). Available at: http://dsec.ru/products/erpscan/ (accessed: 25.08.2015). © Земцов И. В., 2015

____________ УДК 004.738 ИССЛЕДОВАНИЕ АКТИВНОСТИ АГЕНТОВ УГРОЗ ДЛЯ НОВЫХ ЭЛЕМЕНТОВ КИБЕРПРОСТРАНСТВА С. В. Исаев, Н. В. Кулясов Институт вычислительного моделирования СО РАН Российская Федерация, 660036, г. Красноярск, Академгородок, 50/44 Е-mail: [email protected] Проводится исследование попыток доступа из сети Интернет к новым объектам киберпространства. Предложены методы анализа динамики угроз на основе журналов различных служб. Созданы и опробованы программные средства, проведен сбор данных и их анализ. Ключевые слова: защита информации, кибербезопасность, компьютерные сети. RESEARCHING ACTIVITY OF THREAT AGENTS TO THE NEW ELEMENTS OF CYBERSPACE S. V. Isaev, N. V. Kulyasov Institute of Computational Modeling SB RAS 50/44, Akademgorodok, Krasnoyarsk, 660036, Russian Federation E-mail: [email protected] The paper describes the research of access attempts from the Internet to new objects of cyberspace. The research proposes methods of analysis of the dynamics of threats on the basis of logs of various services. Software tools are created and tested and data collection is performed and analysed. Keywords: protection of information, cybersecurity, computer networks. Развитие информационно-телекоммуникационных технологий приводит к тому, что все больше сфер человеческой деятельности напрямую оказываются связанными с глобальной информационной сетью Интернет. По данным международного союза электросвязи [1] в течение последних 15 лет происходил беспрецедентный рост информационно-коммуникационных технологий. В период с 2000 по 2015 год плотность пользователей Интернета увеличилась почти в семь раз – с 6,5 до 43 % мирового населения, а число пользователей Интернета достигло 3,2 млрд человек. Практически любая научно-исследовательская и образовательная деятельность предполагает активное использование интернет-пространства [2], что делает вопросы кибербезопасности все более актуальными и злободневными, особенно для организаций ракетно-космической отрасли. Сравнительно недавно устоявшееся понятие киберпространства определяется как сложная среда, возникающая как результат взаимодействия между людьми, программным обеспечением и интернетсервисами, поддерживаемая посредством распростра-

нения информационно-телекоммуникационных устройств и сетей по всему миру. Основными участниками киберпространства являются пользователи (частные и корпоративные) и операторы (сетей связи и различных телекоммуникационных приложений). Под угрозу ставятся различные активы, в качестве которых могут выступать: информация, программное обеспечение, физические устройства, телекоммуникационные сервисы, люди с их атрибутами (квалификация, умения, опыт), нематериальные активы, такие как репутация и имидж. Также в сфере кибербезопасности используется определение «агент угрозы» – человек или группа людей, выполняющих или поддерживающих атаку. Под уязвимостью актива понимают слабости в защите актива или управления, которая может использоваться угрозой. Целью работы являлось исследование активности агентов угроз, направленных на новые элементы киберпространства, какими являются созданные интернет-сервисы, службы и компьютерные сети. Для этого был создан модельный сетевой стенд по типу darknet, на котором размещены программные средства по сбо-

288

Методы и средства защиты информации

ру информации и некоторые популярные сервисы для более детального изучения входящих запросов. Для стенда было выделено 253 интернет-адреса, которые до этого были недоступны в сети Интернет, таким образом обращение к данному подмножеству адресов возможно лишь в результате ошибок конфигурации или нелегитимных действий, например, в целях первичной разведки путем сканирования [3]. В качестве операционной системы (ОС) стенда выступила ОС FreeBSD с установленными следующими сервисами: веб-сервером Apache, FTP-сервером Pure-FTPd и настроенным файрволом IPFW. Для сбора информации о действиях агентов угроз было настроено ведение Log-файлов для дальнейшего их анализа и получения статистики угроз. В связи с тем, что за период функционирования стенда был получен большой объём данных (Logфайлов), для решения проблемы их анализа было разработано программное обеспечение, осуществляющие обработку журналов веб-сервера, FTP-сервера и файрвола. Программное обеспечение состоит из PHP-демона для nix-образных операционных систем (привязка к nix-системам обоснована активным использованием стандартных средств операционных систем данного семейства), MySQL базы данных для хранения полученных данных, веб-интерфейса для отображения статистики об агентах угроз. Анализ проводится по следующему алгоритму: раз в час демон выделяет фрагменты Log-файлов серви-

сов с записями за предыдущий час, фильтрует их от действий локальных пользователей, после чего анализирует фрагменты журналов сервисов на предмет угроз и при обнаружении производит запись в базу данных. Опытным путем была произведена настройка параметров поиска и проведен анализ журналов за несколько недель, который позволил выявить несколько похожих на атаки воздействий. После анализа данных были получены следующие результаты: 1. Активность входящих соединений возникает практически сразу после появления в киберпространстве. Так, например, на рис. 1 показано, что первые попытки доступа появляются сразу после включения сервиса. 2. Периоды сильной активности отличаются от повседневного режима возрастающим на порядок количеством попыток доступа. 3. Неравномерность попыток доступа к различным сервисам (рис. 2) свидетельствует о неслучайном режиме. На основе проделанного анализа можно сделать выводы о необходимости заблаговременной защиты элементов киберпространства, возможности распознавания атак по увеличению интенсивности, а также выявить наиболее подверженные риску сервисы. В целом, следует отметить результативность предложенного подхода к анализу активности агентов угроз и необходимости его расширения на более длительные периоды времени и более широкий набор элементов для детального анализа.

Рис. 1. Количество угроз для веб- и FTP-сервера

Рис. 2. Количество запросов к сервисам

289

Решетневские чтения. 2015

Библиографические ссылки 1. ICT Facts and Figures – The world in 2015 [Электронный ресурс] // Международный союз электросвязи : офиц. сайт. URL: http://www.itu.int/en/ITU-D/ Statistics/Pages/facts/default.aspx (дата обращения: 10.09.2015). 2. Исаев С. В. Анализ динамики интернет-угроз сети Красноярского научного центра СО РАН // Вестник СибГАУ. 2012. Вып. 3(43). С. 20–25. 3. Марков А. С., Цирлов В. А. Руководящие указания по кибербезопасности в контексте ISO 27032 // Вопросы кибербезопасности. 2014. Вып. 1(2). С. 28–35.

References 1. ICT Facts and Figures – The world in 2015 [Electronic resource] // International Telecommunication Union. [Official website]. URL: http://www.itu.int/en/ ITU-D/Statistics/Pages/facts/default.aspx (accessed: 10.09.2015). 2. Isaev S.V. Analiz dinamiki internet-ugroz seti Krasnoyarskogo nauchnogo centra SO RAN // Vestnik SibGAU. 2012. No. 3(43), pр. 20–25. 3. Markov A. S. Tsirlov V. L. Guidelines for cybersecurity in the context of ISO 27032 // Cybersecurity issues. 2014. No. 1(2), pp. 28–35. © Иcаев С. В., Кулясов Н. В., 2015

____________ УДК 004.056 О ПРИМЕНЕНИИ IEEE 802.1X ПРИ ВНЕДРЕНИИ BYOD В КОРПОРАТИВНЫХ ИНФОРМАЦИОННЫХ СИСТЕМАХ В. К. Калачёв Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Рассматривается процесс внедрения системы контроля доступа на основе стандарта IEEE 802.1x для организации контроля подключений устройств пользователей к корпоративным информационным системам в рамках BYOD. Ключевые слова: информационная безопасность, IEEE 802.1x, BYOD. TO APPLICATION OF THE IEEE 802.1X WHEN IMPLEMENTING BYOD IN CORPORATE INFORMATION SYSTEMS V. K. Kalachev Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] The article studies process of access control implementation based on standard IEEE 802.1x for the organization of control user’s device connections to corporate information systems in the framework of BYOD. Keywords: information security, IEEE 802.1x, BYOD. Одной из тенденций развития современных информационных технологий является концепция использования сотрудниками предприятия собственных устройств (Bring Your Own Device, BYOD), т. е. сотрудник компании, имея у себя любое мобильное устройство (ноутбук, нетбук, планшет и т. д.), сможет иметь доступ к необходимым корпоративным информационным ресурсам для выполнения своих производственных задач [1]. Рост популярности данной концепции обусловлен тем, что большинство сотрудников предпочитают пользоваться личными устройствами, которые зачастую оказываются лучше, чем предоставляемые предприятием. Но, несмотря на все свои достоинства, на сегодняшний день использова-

ние данной концепции вызывает вопросы, связанные с обеспечением информационной безопасности (ИБ), один из которых – как определить, является ли устройство BYOD, подключаемое к локальной вычислительной сети (ЛВС), легитимным устройством сотрудника, а не злоумышленника. Внедрение в информационную систему (ИС) предприятия системы контроля доступа за подключениями к ЛВС позволило бы устранить данную угрозу и послужить достаточным базисом для внедрения других мер по обеспечению ИБ в ИС с концепцией BYOD. Как правило, внедрение какого-либо рода средств защиты информации накладывает на мобильные устройства сотрудников и оборудование предприятия

290

Методы и средства защиты информации

жесткие ограничения, в меру того, что зачастую имеет принадлежность к определенному вендору (поставщику) и/или среде передачи данных (проводная, беспроводная), что существенно ограничивает или делает невозможным использование BYOD. Следовательно, остро встает вопрос о выборе технологии, поддержка которой на сегодняшний день была бы включена в активные управляемые компоненты информационных систем, а также не зависела от среды передачи данных, что обеспечило бы совместное беспрепятственное использование как концепции BYOD, так и средств для ее защиты. На сегодняшний день существуют комплексные решения по организации защищенных сетей с BYOD от мировых лидеров по производству сетевого оборудования и средств защиты информации (СЗИ), таких как Cisco, Check Point и т. п., но не у каждого предприятия существует возможность приобретения данных технологических решений в меру их высокой стоимости. Наиболее предпочтительным решением при организации базиса для защищенного BYOD является внедрение системы контроля доступа на основе стандарта IEEE 802.1x, так как использование данного технологического решения позволяет производить аутентификацию проводных и беспроводных устройств, а также её внедрение концептуально не зависит от производителя программно-аппаратных средств, так как поддержка IEEE 802.1x включена практически во все программное обеспечение (ПО), средства вычислительной техники (СВТ) и СЗИ [2]. Единственным ограничением для внедрения данной технологии является наличие основных компонентов архитектуры IEEE 802.1x, которые в большинстве случаев имеются на предприятии с собственной ЛВС. Концептуально настройка системы контроля доступа на основе стандарта IEEE 802.1x включает в себя три этапа [3]: 1) настройка сервера аутентификации (настройка службы каталога, хранящей учетные записи клиентов; развертывание центра сертификации; конфигурирование DHCP сервера; настройка RADIUS, TACACS или DIAMETR сервера); 2) настройка аутентификатора (указание контролируемого диапазона портов (при настройке коммутатора) и конфигурирования параметров для взаимодействия с сервером аутентификации); 3) настройка клиентских станций (экспорт и установка сертификата сервера аутентификации; установка клиентского сертификата (при использовании EAPTLS); запуск служб IEEE 802.1x; настройка сетевого подключения в зависимости от метода EAP). Отметим, что наиболее защищенный метод EAPTLS (проверка сертификатов сервера и клиента) не рекомендуется для пользователей BYOD, так как есть вероятность, что с их устройств может произойти хищение личного сертификата, а также не на все устройства возможно произвести импорт клиентского сертификата, следовательно, рекомендуется использовать метод PEAP (проверка сертификата сервера и учетных данных пользователя) [4; 5]. В качестве основных проблем системы контроля доступа IEEE 802.1x можно выделить следующее:

1) стандартное внедрение технологии не позволяет предоставить доступ клиентским устройствам без программного обеспечения саппликанта IEEE 802.1x, а также устройствам, которые не прошли аутентификацию; 2) система имеет множество компонентов, и отказ одного из них может быть критичен для ее работы. Для решения второй проблемы необходимо разработать комплекс мер по мониторингу, включающий в себя как внедрение программного обеспечения для контроля работоспособности и доступности элементов разработанной системы, так и рекомендуемый план действий для устранения возникших неполадок. Если вторая проблема и не является ключевым недостатком системы в рамках совместного использования с концепцией BYOD, то первая может быть достаточно критичной в случае использования сотрудником устройства, на котором нет встроенной поддержки саппликанта IEEE 802.1x. Однако при дополнительной настройке компонентов архитектуры IEEE 802.1x данный недостаток можно устранить. Для ее решения необходимо предоставить данным категориям пользователей BYOD ограниченный гостевой доступ на основе создания гостевых VLAN (Guest Virtual Local Area Network), который позволяет членам Guest VLAN иметь доступ друг к другу и к некоторым ресурсам вычислительной сети ИС, а также в случае дальнейшего исправления ошибок на устройствах получить полный доступ к ресурсам ЛВС. Таким образом, использование системы контроля доступа за подключениями к ЛВС на базе стандарта IEEE 802.1x позволит организовать достаточный базис для формирования доверительных отношений между ИС предприятия и пользователями BYOD. Её внедрение минимизирует угрозу подключения к ЛВС нелегальных пользователей BYOD, более того, технология, на основе которой построена система контроля доступа, поддерживается практически всеми компонентами ИС, а также допускает использование в проводных и беспроводных сетях, что позволяет избежать конфликта с пользовательскими устройствами от различных производителей и немалых затрат на замену уже имеющегося оборудования. Библиографические ссылки 1. Pros and Cons of Bringing Your Own Device to Work [Электронный ресурс] // PCWorld. URL: http://www.pcworld.com/article/246760 (дата обращения: 05.08.2015). 2. IEEE 802.1x-2010 : Port-Based Network Access Control – Revision of 802.1x-2004 [Электронный ресурс] / Institute of Electrical and Electronics Engineers. New York, 2010. URL: http://standards.ieee.org/getieee 802/download/802.1X-2010.pdf (дата обращения: 10.08.2015). 3. Пример конфигурации мультидоменной аутентификации IEEE 802.1x [Электронный ресурс]. Cisco systems Inc. URL: http://www.cisco.com/cisco/web/ support/RU/10/100/100283_8021x-cat-layer3.html (дата обращения: 12.08.2015). 4. Request for Comments 5217 PPP EAP TLS Authentication Protocol / M. Shimaoka, Ed. SECOM,

291

Решетневские чтения. 2015

N. Hastings, NIST, R. Nielsen, Booz Allen Hamilton. Internet Engineering Task Force, 2008. 5. Internet Draft Protected EAP Protocol (PEAP) / H. Andersson, S. Josefsson, RSA Security, G. Zorn, Cisco, B. Aboba, Microsoft. Internet Engineering Task Force, 2001. References 1. Pros and Cons of Bringing Your Own Device to Work // PCWorld. Available at: http://www.pcworld. com/article/246760 (accessed: 5 August 2015). 2. IEEE 802.1x-2010 / Port-Based Network Access Control / Institute of Electrical and Electronics Engineers. New York, 2010. Available at: http://standards.ieee. org/getieee802/ download/802.1X-2010.pdf (accessed: 10.08.2015).

3. Primer konfiguratsii mul'tidomennoy autentifikatsii IEEE 802.1x [Example of configuration multidomain IEEE 802.1x authentication] / Cisco systems Inc. Available at: http://www.cisco.com/cisco/web/support/ RU/10/100/100283_8021x-cat-layer3.html (accessed: 12.08.2015). 4. Request for Comments 5217 PPP EAP TLS Authentication Protocol / M. Shimaoka, Ed. SECOM, N. Hastings, NIST, R. Nielsen, Booz Allen Hamilton. Internet Engineering Task Force, July 2008. 5. Internet Draft Protected EAP Protocol (PEAP) / H. Andersson, S. Josefsson, RSA Security, G. Zorn, Cisco, B. Aboba, Microsoft. Internet Engineering Task Force, October 2001. © Калачёв В. К., 2015

___________ УДК 621.391 АНАЛИЗ УГРОЗ ИНТЕРФЕЙСУ ПОТРЕБИТЕЛЕЙ ГЛОБАЛЬНОЙ НАВИГАЦИОННОЙ СПУТНИКОВОЙ СИСТЕМЫ (ГЛОНАСС) Д. В. Орёл, А. В. Ашихина Северо-Кавказский федеральный университет Российская Федерация, 355000, г. Ставрополь, просп. Кулакова, 2а Е-mail: [email protected] Рассмотрены наиболее опасные виды угроз для функционирования интерфейса потребителей глобальной навигационной спутниковой системы (ГЛОНАСС). Сделан вывод о том, что наиболее опасными угрозами для интерфейса потребителей ГЛОНАСС являются подавление и подмена навигационного сигнала с использованием процессов, имитирующих сигнал. Ключевые слова: глобальная навигационная спутниковая система, подавление сигнала, имитирующая помеха. ANALYSIS OF THREATS FOR GLOBAL NAVIGATION SATELLITE SYSTEM GLONASS USER INTERFACE D. V. Orel, A. V. Ashikhina North-Caucasus Federal University 2a, Kulakova Av., Stavropol, 355000, Russian Federation Е-mail: [email protected] In the article, there is a review of the most dangerous threats types for the global navigation satellite system (GLONASS) user interface. The conclusion is the most dangerous threats for the GLONASS users interface are the jamming and spoofing the navigation signal using signal-like processes. Keywords: global navigation satellite system, signal jamming, signal-like noise. Возможность организации деструктивных воздействий по нарушению работы интерфейса потребителей глобальной навигационной спутниковой системы (ГЛОНАСС) отмечается в целом ряде исследований по всему миру [1; 2]. Дестабилизация работы ГЛОНАСС может привести к нарушению функционирования других зависящих от неё жизненно важных систем. Учитывая тенденции развития ГЛОНАСС,

введение новых сигналов с кодовым разделением каналов становится актуальной задачей повышения помехозащищённости интерфейса потребителей ГЛОНАСС для обеспечения стабильной и бесперебойной работы систем, относящихся к критической инфраструктуре. Целью настоящей работы является определение наиболее опасных угроз функционирования интерфейса потребителей ГЛОНАСС.

292

Методы и средства защиты информации

Среди видов возможных деструктивных воздействий на интерфейс потребителей ГЛОНАСС к особо опасным можно отнести следующие [3]: – радиоэлектронное подавление навигационного сигнала с помощью радиопомех; – подмена навигационного сигнала ложными сигналами. Целью радиоэлектронного подавления является блокирование навигационного сигнала, в результате которого навигационная аппаратура пользователя (НАП) ГЛОНАСС утрачивает возможность решать навигационную задачу (определять координаты потребителя) и осуществлять синхронизацию НАП с временной шкалой ГЛОНАСС. Целью подмены навигационного сигнала ложными сигналами является искажение координат, определяемых НАП ГЛОНАСС. В последнем случае навигационная задача решается НАП, но координаты потребителя определяются неверно, результатом чего может стать отклонение потребителя от намеченного курса следования. Помехозащищённость ГЛОНАСС характеризуется вероятностью успешного решения навигационной задачи, которая определяется в основном вероятностью успешного выполнения первичной обработки информации в НАП [4], которая реализуется решением следующих задач [5]: 1) двумерный поиск навигационного сигнала по задержке и частоте, обнаружение и подтверждение наличия сигнала; 2) слежение за доплеровским сдвигом навигационного сигнала и его оценивание; 3) слежение за задержкой огибающей навигационного сигнала и его оценивание; 4) демодуляция сигнала. Основным содержанием решения навигационной задачи в НАП ГЛОНАСС является определение расширенного вектора состояний потребителя, характеризуемого навигационными и радионавигационными параметрами навигационного сигнала. Одновременное манипулирование всеми доступными навигационными и радионавигационными параметрами навигационного сигнала позволяет в широких пределах манипулировать координатами потребителя и незаметно искажать курс его следования. Подмена навигационного сигнала ГЛОНАСС подразумевает создание его точной копии и манипулирование его параметрами, для чего необходимо формирование прицельной имитирующей помехи. В таком случае подмену навигационного сигнала ГЛОНАСС можно считать подтипом радиоэлектронного противодействия с помощью организации радиопомех.

В работе определены наиболее опасные угрозы для интерфейса потребителей ГЛОНАСС, такие как радиоэлектронное подавление навигационного сигнала с помощью имитирующих радиопомех и подмена навигационного сигнала ложными сигналами. Обе угрозы связаны с формированием копии навигационного сигнала, таким образом, они реализуются на основе единых алгоритмических подходов. Библиографические ссылки 1. Bond L. Overview of GPS Interference Issues // GPS Interference Symposium – Volpe National Transportation System Center, Boston, 1998. August, 27. 2. Forssel B. Jamming Susceptibility of Some Civil GPS Receivers // GPS World. 2003. № 1. P. 54–58. 3. Орёл Д. В. Введение в состав спутниковых навигационных радиосигналов нового сигнала с повышенной структурной скрытностью // Труды СевероКавказского филиала Московского технического университета связи и информатики. Ростов-н/Д: ПЦ «Университет» СКФ МТУСИ, 2010. С. 246–249. 4. Дятлов А. П., Дятлов П. А., Кульбикаян Б. Х. Радиоэлектронная борьба со спутниковыми радионавигационными системами. М. : Радио и связь, 2004. 226 с. 5. Дятлов А. П., Кульбикаян Б. Х. Радиомониторинг излучений спутниковых радионавигационных сигналов. М. : Радиоисвязь, 2006. 270 с. References 1. Bond L. Overview of GPS Interference Issues // GPS Interference Symposium – Volpe National Transportation System Center, Boston, August 27, 1998. 2. Forssel B. Jamming Susceptibility of Some Civil GPS Receivers // GPS World, № 1, 2003. P. 54–58. 3. Orel D. V. The introduction of new satellite radio navigation signal with increased structural secrecy. // Proceedings of the North-Caucasian branch of the Moscow Technical University of Communications and Informatics. Rostov-on-Don: PC “University” NCB MTUCI, 2010. Pp. 246–249. 4. Dyatlov A. P., Dyatlov P. A., Kulbikayan B. H. Electronic warfare against satellite radio navigation systems. Moscow : Radio and Communications, 2004. 226 p. 5. Dyatlov A. P., Kulbikayan B. H. Radio monitoring of satellite radio navigation signals. Moscow : Radio and Communications, 2006. 270 p.

293

© Орёл Д. В., Ашихина А. В., 2015

Решетневские чтения. 2015

УДК 621 АНАЛИЗ НАДЕЖНОСТИ АРХИТЕКТУРЫ БЕСПИЛОТНОГО ЛЕТАТЕЛЬНОГО АППАРАТА «ОБЪЕКТ 135» В. А. Полищук Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Проведено обзорное исследование анализа надёжности архитектуры по критерию ее применимости для проведения анализа сложной системы. Ключевые слова: БПЛА, надежность. RELIABILITY ANALYSIS OF THE ARCHITECTURE OF THE UNMANNED AERIAL VEHICLE “OBJECT 135” V. A. Polishchuk Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] A review study is analysed according to reliability architectures in terms of their applicability for the analysis of complex systems. Keywords: UAV, reliability. В настоящее время беспилотные летательные аппараты (БПЛА) нашли широкое применение. БПЛА одно- и многоразового использования воздушного, аэрокосмического и космического базирования могут быть многофункциональными: – для разведки и передачи оперативной информации о противнике; – для наведения и корректировки стрельбы артиллерии; – для доставки и десантирования различных грузов в труднодоступные места; – для контроля за противопожарным состоянием нефтегазопроводов, лесных массивов; – для поиска людей, терпящих бедствие (на море, в горах), и т. д. Эффективное функционирование беспилотного летательного аппарата (БПЛА) самостоятельно или в составе аэромобильного комплекса специального назначения в интересах обеспечения мониторинга оперативной обстановки предполагает безопасное управление БПЛА. Анализ надёжности системы позволяет избежать потенциальных сбоев и отказов системы в процессе её функционирования. Однако такая задача представляется затруднительной в случае сложных технических систем, в которых присутствует различного рода избыточность, подсистемы и элементы которой функционально связаны между собой, допускают восстанавливаемость и неодновременность работы, а понятие отказа для системы трактуется неоднозначно. Для расчета показателей надежности в работе был выбран

метод ОЛВМ, применение которого в сходных задачах рассматривалось в статьях [4; 5]. Целью работы является определение степени надежности архитектуры беспилотного летательного аппарата «Объект 135», часть концептуальной схемы которого представлена на рис. 1.

Рис.1. Концептуальная схема БПЛА

На основе концептуальной схемы была создана схема физического соединения модулей (рис. 2).

294

Методы и средства защиты информации

Рис. 2. Схема физического соединения Определение перечня событий Элемент

Мотор

КМ

МК

КП

С

ИИК

ИСН

Г

е1

е2

е3

е4

е5

е6

е7

е8

Событие

х1

х2

х3

х4

х5

х6

х7

х8

х9

х10

х11

х12

х13

х14

х15

х16

Разделив систему на конечное число элементов (n – число элементов, в нашем случае n = 16), определим на их основе события xi, обозначающие работоспособность соответствующего элемента (см. таблицу). Значение булевой переменной xi = 1 означает, что i-й элемент работает. Значение xi = 0 соответствует отказу элемента. Для применения логико-вероятностного метода анализа нужно представить систему в структурном виде и построить схему функциональной целостности исследуемой системы (рис. 3).

Рис. 3. Схема функциональной целостности

Логическая функция работоспособности позволяет аналитически строго, но в компактной форме, определить все комбинации состояний элементов xi, где i от 1 до n, в которых (и только в которых) система реализует свою выходную функцию Yусп. Далее подставляем полученные логические выражения в выходную функцию Yусп. Функция Yусп по итогу должна быть определена как дизъюнкция конъюнкций событий xi и представлять собой логическую функцию безотказной работы системы от 16 переменных (x1 – x16). Согласно правилам теории вероятности определим значение вероятности безотказной работы узла по следующей формуле:

Pузел = Pоб.устр · Pмод · (Pпайки )n ,

(1)

где Pузел – вероятность безотказной работы узла; Pоб.устр – вероятность безотказной работы устройств; Pмод – вероятность безотказной работы модуля; Pпайки – надёжность пайки; n – число паек. Значение вероятности безотказной работы информационного канала связи будем определять по следующей формуле: Pинф.кан = PМК2 · (Pпайки)2h × ×{(Pразъем )k · (Pпайки )m}2 ,

(2)

где PМК – вероятность безотказной работы маршрутизирующего коммутатора; h – число паек коммутатора; {(Pразъем)k · (Pпайки)m} – вероятность безотказной работы межплатного соединения, состоящего из k разъемов и m паек, равное 30. В качестве исходных данных для расчёта используем интенсивности отказов из справочников [1–3] и определённые известные показатели (число паек и пр.). Согласно формулам (1), (2) получаем следующие значение вероятностей безотказной работы узлов и каналов связи: Pузел = 0,994 276 44; Pинф.кан = 0,995 458 34. Тогда итоговое значение вероятности безотказной работы архитектуры получим следующее: P{Yусп = 1} = 0,967 240 10. Для повышения надёжности системы необходимо решить вопрос повышения надёжности критических для системы элементов. В качестве решения предложено применение режима независимого управления полезной нагрузкой, при которой функции управления полезной нагрузкой могут принять на себя другие модули. Библиографические ссылки 1. Беляев Ю. К., Богатырев В. А. Надежность технических систем : справ. / под ред. И. А. Ушакова. М. : Радио и связь, 1985. 605 с. 2. Боровиков С. М., Цырельчук И. Н., Троян Ф. Д. Расчёт показателей надёжности радиоэлектронных средств : учеб.-метод. пособие. Минск : БГУИР, 2010. 68 с.

295

Решетневские чтения. 2015

3. Интенсивность отказов – зависимость интенсивности отказов от времени (кривая жизни изделия) [Электронный ресурс] : сайт материалов для обучения (лекций). URL: http://www.lektsii.org/1-26645.html (дата обращения: 25.08.2015). 4. Мушовец К. В., Золотарев В. В. Логико-вероятностный анализ надежности функций сбора и доставки телеметрии до земной станции спутниковой системы связи // Проблемы анализа риска. 2013. Т. 10, № 1. С. 50–57. 5. Мушовец К. В., Золотарев В. В. Методика определения надежности сбора и обработки телеметрии в системе спутниковой связи // Системы управления и информационные технологии. 2012. Т. 48, № 2.2. С. 308–312. References 1. Belyaev Yu. K., Bogatyrev V. A. Reliability of technical systems : directory / ed. by I. A. Ushakov. M. : Radio and communication, 1985. 605 p.

2. Borovikov S. M., Cirilicuk I. N., Trojan F. D. Calculation of indicators of reliability of radio electronic devices : education matherials. Minsk : Belarusian State University. 2010. 68 p. 3. Failure rate – dependence of the failure rate versus time (curve life of the product) [Electronic resource] : the site training materials (lectures). URL: http://www.lektsii.org/1-26645.html (reference date: 25.08.2015). 4. Mushovets K. V., Zolotarev V. V. Logical and probabilistic reliability analysis for telemetry functions of satellite communication system / Risk analysis problems. 2013. Т. 10. № 1. С. 50–57. 5. Mushovets K. V., Zolotarev V. V. Reliability estimation technique for telemetry functions of satellite communication system / Control systems and information technologies.2012. Т. 48. № 2.2. С. 308–312. © Полищук В. А., 2015

____________ УДК 004.056 ОБ ОПРЕДЕЛЕНИИ КОНКУРИРУЮЩИХ СТРАТЕГИЙ ПОИСКА В КОЭВОЛЮЦИОННОМ ИММУННОМ АЛГОРИТМЕ КЛОНАЛЬНОЙ СЕЛЕКЦИИ Т. А. Саламатова Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Представлены некоторые результаты исследования настройки параметров эволюционного иммунного алгоритма клональной селекции искусственной иммунной системы, применяющегося для автоматизированного обнаружения инцидентов информационной безопасности, в составе коэволюционного алгоритма. Ключевые слова: информационная безопасность, искусственные иммунные системы, коэволюционный алгоритм. THE DETERMINATION OF COMPETITIVE SEARCH STRATEGY IN THE COEVOLUTIONARY IMMUNE ALGORITHM WITH CLONAL SELECTION T. A. Salamatova Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The paper considers the research results on setting the evolutionary immune algorithm of the artificial immune system with clonal selection for information security incidents by automated detection as part of the coevolutionary algorithm. Keywords: information security, artificial immune systems, coevolutionary algorithm. В настоящее время активно ведется разработка алгоритмического обеспечения для систем обнаружения вторжений (СОВ), предназначенных для автоматизированного обнаружения в информационных системах действий, направленных на несанкционированный доступ к информации. Благодаря свойствам и принципам работы искусственной иммунной системы

(ИИС), стало возможным применение вычислительных моделей ИИС в качестве базиса эвристического метода СОВ для обнаружения неизвестных сетевых вторжений [1]. Эмпирические результаты оценки эффективности эволюционного иммунного алгоритма клональной селекции ИИС [2; 3] показали, что алгоритм позволяет

296

Методы и средства защиты информации

обнаружить преднамеренные изменения в контролируемых данных, но использование эволюционной стратегии привело к проблеме определения его оптимальных параметров. Для решения задачи автоматизированного выбора и настройки эволюционного иммунного алгоритма клональной селекции ИИС было предложено применение коэволюционной стратегии [4]. Коэволюционный иммунный алгоритм клональной селекции ИИС (коэволюционный алгоритм) представляет собой несколько независимых, самостоятельно действующих эволюционных иммунных алгоритмов клональной селекции ИИС bj с различными настройками параметров (bj∈B, где B – множество индивидуальных алгоритмов, j∈[2; n]) [2; 3]. Исследование параметров bj в составе коэволюционного алгоритма включало в себя определение зависимости значений параметров селекции для генерации первого и последующих поколений множества детекторов при варьировании значений параметров мутации и рекомбинации. Для обучения и тестирования bj в составе коэволюционного алгоритма использовались данные класса

атак DoS общедоступной базы образцов сетевого трафика KDD Cup 1999 [5]. Эффективность bj определялась путем суммирования значений рангов rj∈[0, n–1], полученных при ранжировании в течение интервала адаптации k и многократных запусков m коэволюционного алгоритма. Значения рангов rj присваивались bj в зависимости от значения аффинности [1] yj лучшего детектора в генерируемом множестве детекторов, т. е. bj, обладающему самым высоким значением yj, присваивается значение rj = n–1, для самого низкого – rj = 0. В табл. 1 представлены результаты исследования эффективности bj. Данные выражены в процентном соотношении от максимального значения, таким образом, чем ближе значение к 100 %, тем наиболее эффективным является сочетание параметров в bj. По результатам исследования bj в составе коэволюционного алгоритма было выявлено, что независимо от значений параметров мутации и рекомбинации для bj, высокоаффинное множество детекторов получается при сочетаниях параметров, представленных в табл. 2. Таблица 1

Результаты первого этапа тестирования, % Параметр мутации Классическая (1/L)

Параметр рекомбинации Одноточечная Двухточечная Многоточечная Параметр рекомбинации Одноточечная Двухточечная Многоточечная Параметр рекомбинация Одноточечная Двухточечная Многоточечная

На порядок меньше, чем 1/L Турнирная селекция Формирование нового Формирование нового поколения поколения Эл. Пр. Сл. Эл. Пр. Сл. 86,67 73,33 16,67 90,00 66,67 13,33 76,67 63,33 26,67 83,33 66,67 26,67 80,00 70,00 10,00 93,33 53,33 20,00 Ранговая селекция Формирование нового Формирование нового поколения поколения Эл. Пр. Сл. Эл. Пр. Сл. 16,67 83,33 70,00 3,33 96,67 66,67 6,67 90,00 73,33 16,67 100,00 60,00 3,33 96,67 66,67 10,00 96,67 70,00 Пропорциональная селекция Формирование нового Формирование нового поколения поколения Эл. Пр. Сл. Эл. Пр. Сл. 86,67 33,33 60,00 60,00 46,67 60,00 73,33 20,00 70,00 73,33 50,00 60,00 70,00 20,00 73,33 63,33 46,67 60,00

На порядок больше, чем 1/L Формирование нового поколения Эл. Пр. Сл. 83,33 76,67 13,33 93,33 66,67 16,67 80,00 73,33 10,00 Формирование нового поколения Эл. Пр. Сл. 0 86,67 83,33 10,00 93,33 60,00 13,33 90,00 70,00 Формирование нового поколения Эл. Пр. Сл. 63,33 23,33 63,33 73,33 26,67 73,33 80,00 16,67 80,00

Примечание. Эл. – элитарная селекция; Пр. – пропорциональная селекция; Сл. – случайный отбор. Таблица 2 Наиболее эффективные сочетания параметров селекции bj № п/п 1

Параметры Формирование нового поколения

Селекция Турнирная

Элитарная

2

Ранговая

Пропорциональная

3

Пропорциональная

Элитарная / Случайный отбор

297

Решетневские чтения. 2015

Таким образом, благодаря встроенному механизму адаптации стратегии поиска оптимального решения в коэволюционном алгоритме, были получены первичные результаты для настройки параметров эволюционного иммунного алгоритма клональной селекции ИИС, помогающие формировать множество высокоаффинных детекторов, которое в дальнейшем используется для обнаружения антигенов – инцидентов информационной безопасности. Коэволюционный алгоритм требует также исследования влияния его параметров настройки (интервал адаптации и т. п.) на скорость сходимости алгоритма и качество сгенерированных решений. Библиографические ссылки 1. Yang H. [et al.]. A survey of artificial immune system based intrusion detection // Hindawi Publishing Corporation : scientific world journal. 2014. P. 1–11. 2. Жуков В. Г., Саламатова Т. А. Обнаружение сетевых вторжений эволюционным иммунным алгоритмом клональной селекции // Вестник СибГАУ. 2014. Вып. 4(56). С. 41–47. 3. Саламатова Т. А. О применении коэволюционного подхода в задаче обнаружения инцидентов информационной безопасности // Научная сессия ТУСУР–2015 : материалы Всерос. науч.-техн. конф. студентов, аспирантов и молодых ученых. Томск : В-Спектр, 2015. Ч. 4. С. 174–176.

4. Жуков В. Г., Жукова М. Н. Коэволюционный алгоритм решения нестационарных задач оптимизации // Вестник СибГАУ. 2006. Вып. 1(8). С. 27–30. 5. KDD Сup 99 Intrusion detection data set [Электронный ресурс]. URL: http://kdd.ics.uci.edu/ (дата обращения: 20.08.2015). References 1. Yang H., Li T. et al. [A survey of artificial immune system based intrusion detection] // Hindawi Publishing Corporation: scientific world journal, 2014. Рp. 1–11 (In Eng.). 2. Zhukov V. G., Salamatova T. A. [The detection of network intrusion by evolutionary immune algorithm with clonal selection] // Vestnik SibGAU. 2014. No. 4(56), pр. 41–47 (In Russ.). 3. Salamatova T. A. [The application of coevolutionary approaches to the problem of information security incidents detection] // Nauchnaya sessiya TUSUR-2015. 2015. No. 4, рр. 174–176 (In Russ.). Available at: http://www.tusur.ru/ru/science/events/session/ archive.html (accessed: 24.08.2015). 4. Zhukov V. G., Zhukova M. N. [Koevolutionary algorithm for nonstationary optimization problems solving] // Vestnik SibGAU. 2015. No. 1(8), рp. 27–30 (In. Russ.). 5. KDD Сup 99 Intrusion detection data set. Available at: http://kdd.ics.uci.edu/ (accessed: 24.08.2015) (In Eng.). © Саламатова Т. А., 2015

____________ УДК 004.056 ПРЕДОТВРАЩЕНИЕ ИНЦИДЕНТОВ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ, СВЯЗАННЫХ С НЕСОБЛЮДЕНИЕМ ТРЕБОВАНИЙ ПО ЗАЩИТЕ ИНФОРМАЦИИ М. М. Соколов, В. Г. Жуков Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматриваются стратегии реагирования, направленные на предотвращение инцидентов информационной безопасности, возникающих вследствие несоблюдения требований нормативных документов по линии информационной безопасности. Ключевые слова: информационная безопасность, инцидент, стратегия реагирования. THE PREVENTION OF THE INFORMATION SECURITY INCIDENTS, CAUSED BY NON-COMPLIANCE WITH INFORMATION SECURITY REQUIREMENTS M. M. Sokolov, V. G. Zhukov Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The article analyses the response strategies to prevent information security incidents arising as a result failure to comply information security requirements. Keywords: information security, incident, response strategy. 298

Методы и средства защиты информации

Под инцидентами информационной безопасности, возникающими вследствие несоблюдения требований нормативных документов по линии информационной безопасности, понимаются инциденты, связанные с нарушением требований политики информационной безопасности и других организационно-распорядительных документов организации пользователями, а именно: подключение к рабочим станциям личных съемных носителей информации, использование ресурсов сети Интернет в личных целях, нарушение требований парольной политики и т. д. Данные действия могут повлечь за собой различные последствия, например, такие как заражение рабочей станции вредоносным кодом, осуществление взлома или подбора учетных данных и т. д., но стоит отметить, что с точки зрения злоумышленников данные действия являются начальным этапом в проведении атак на информационные системы организации. В настоящее время можно выделить основные три инцидента информационной безопасности, возникающие вследствие нарушения пользователями требований информационной безопасности, которые в дальнейшем приводят к целенаправленным атакам на информационные системы организации: 1) подключение личных съемных носителей информации к рабочим станциям; 2) посещение ресурсов сети Интернет, не соответствующих функциональным обязанностям; 3) запуск вложений и переход по ссылкам, содержащимся в подозрительных электронных письмах [1]. Устранение и предотвращение повторных появлений инцидентов такого рода решается организационными мероприятиями: 1) организация постоянного повышения осведомленности персонала в области информационной безопасности; 2) регламентирование ответственности и порядка действий при работе со съемными носителями в сети Интернет и при получении подозрительных электронных писем [2; 3]. Стратегия реагирования, направленная на предотвращение повторного появления такого рода инцидентов, неизменна: это доведение до пользователей порядка ведения деятельности на рабочей станции, требований по защите информации и ответственности за несоблюдение данных требований. Применение технических и программных средств защиты информации для такого рода инцидентов позволяет сузить круг компьютеров и пользователей, вследствие действий которых могут возникнуть инциденты информационной безопасности. Технические и программные средства защиты информации не могут предотвратить появление инцидентов, связанных с действиями пользователей, из-за устоявшихся особенностей ведения трудовой деятельности и некоторых аспектов защиты информации: 1) невозможно ограничить доступ к ресурсам сети Интернет для всех пользователей, так как большинству сотрудников организаций для исполнения своих должностных обязанностей необходим доступ к ресурсам сети Интернет;

2) почти в каждой организации присутствуют сотрудники, которые в ходе ведения рабочей деятельности используют съемные носители; 3) техническими и программными средствами невозможно предотвратить получение пользователем электронного письма, содержащего вредоносную ссылку или вложение. Сигнатуры антивирусных средств разрабатываются после обнаружения вредоносных объектов, как следствие, нельзя исключить возможность получения пользователем вредоносного объекта, который не был обнаружен системой антивирусной защиты. В настоящее время по всему миру фиксируется всплеск фишинговых атак, направленных как на физических лиц, а так и на сотрудников предприятий. Большинство атак данного вида реализуется посредством электронной почты. Фишинговые атаки представляют наиболее серьезную опасность для организаций, так как инициация атаки происходит не на внешнем периметре организации, а внутри. Как правило, большинство сотрудников организаций не имеют представления о том, что с помощью обычного электронного письма можно осуществить целенаправленную атаку на информационные системы организации, а также к каким последствиям приводит безответственное использование ресурсов сети Интернет [4; 5]. В основе фишинговых атак лежат две составляющие: 1) вредоносный объект – представляет собой исполнимое вложение электронного письма, чаще всего упаковывается в архив, или вредоносная ссылка в теле письма; 2) социальная инженерия – представляет собой текст письма, различными способами побуждающий человека запустить вложение электронного письма, перейти по ссылке, содержащейся в электронном письме, или отправить на определенный адрес электронной почты учетные данные, персональные данные, конфиденциальную информацию и т. д. Способа доставки вредоносного объекта на рабочую станцию могут быть различными, наиболее распространённые и часто используемые: 1) вложение электронного письма; 2) ссылка на ресурс сети Интернет, с которого осуществляется загрузка вредоносного объекта; 3) вложение электронного письма, в котором содержится ссылка на ресурс сети Интернет, с которого осуществляется загрузка вредоносного объекта. Каждый способ доставки вредоносного объекта требует прямого участия пользователя рабочей станции. Как следствие, либо пользователь сам является злоумышленником, либо использовались методы социальной инженерии. Для предотвращения повторного появления инцидентов информационной безопасности, возникающих вследствие действий пользователей, применяются организационные мероприятия, а именно, постоянно действующий процесс повышения осведомленности пользователей в области информационной безопасности в организации. В настоящее время большинство международных и российских нормативных актов

299

Решетневские чтения. 2015

регламентируют процесс повышения осведомленности пользователей в вопросах информационной безопасности как один из основополагающих процессов обеспечения информационной безопасности предприятия. Библиографические ссылки 1. Соколов М. М. Алгоритм формирования корректирующих и превентивных мероприятий в системе прецедентного анализа инцидентов информационной безопасности. Красноярск, 2015. 87 с. 2. Computer Security Incident Handling Guide. Recommendations of the National Institute of Standards and Technology [Электронный ресурс] // NIST Special Publication 800-61. 2012. 79 с. URL: http://nvlpubs.nist. gov/nistpubs/SpecialPublications/NIST.SP.800-61r2.pdf (дата обращения: 17.08.2015). 3. Обеспечение информационной безопасности организаций банковской системы Российской Федерации : Стандарт Банка России // Вестник Банка России. 2010. № 36–27. 4. Спам и фишинг в первом квартале 2015 года: банки и банковские трояны [Электронный ресурс]. URL: https://business.kaspersky.ru/spam-i-fishing-v-1m-kvartale-2015-goda-banki-i-bankovskie-troyany/2993/ (дата обращения: 17.08.2015). 5. Спам и фишинг во втором квартале 2015 года. [Электронный ресурс]. URL: https://securelist.ru/

analysis/spam-quarterly/26506/spam-i-fishing-vo-vtoromkvartale-2015/ (дата обращения: 17.08.2015). References 1. Sokolov M. M. Algoritm formirovanija korrektirujushhih i preventivnyh meroprijatij v sisteme precedentnogo analiza incidentov informacionnoj bezopasnosti. Krasnojarsk: Vypusknaja kvalifikacion-naja rabota SibGAU, 2013. 81 p. 2. Computer Security Incident Handling Guide. Recommendations of the National Institute of Standards and Technology // NIST Special Publication 800-61. 2012. Pр. 79. Available at: http://nvlpubs.nist.gov/ nistpubs/SpecialPublications/NIST.SP.800-61r2.pdf (accessed: 17.08.2015). 3. Obespechenie informacionnoj bezopasnosti organizacij bankovskoj sistemy Rossijskoj Federacii [Tekst]: Standart Banka Rossii // Vestnik Banka Rossii. № 36-27, 29.06.2010. 4. Spam i fishing v pervom kvartale 2015 goda: banki i bankovskie trojany. Available at: https://business. kaspersky.ru/spam-i-fishing-v-1-m-kvartale-2015-godabanki-i-bankovskie-troyany/2993/ (accessed: 17.08.2015). 5. Spam i fishing vo vtorom kvartale 2015 goda. Available at: https://securelist.ru/analysis/spam-quarterly/ 26506/spam-i-fishing-vo-vtorom-kvartale-2015/ (accessed: 17.08.2015). © Соколов М. М., Жуков В. Г., 2015

_____________ УДК 654.028.4 ОБЕСПЕЧЕНИЕ БЕЗОПАСНОСТИ УЗЛА СОКРЫТИЕМ В ДИНАМИЧЕСКОЙ СЕТЕВОЙ ТОПОЛОГИИ* М. А. Стюгин, Н. Ю. Паротькин, В. В. Золотарев Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматривается проблема обеспечения дополнительной нестандартной защиты наземных узлов управления КА сокрытием их местоположения методами динамической сетевой топологии. Ключевые слова: безопасность узлов управления, динамическая топология, сокрытие. SECURITY OF NETWORK NODE BY CONCEALING IN DYNAMIC NETWORK TOPOLOGY M. A. Stugin, N. Y. Parotkin, V. V. Zolotarev Reshetnev Siberian State Aerospace University 31, KrasnoyarskyRabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The paper considers the problem of providing additional non-standard protection of terrestrial satellite control units concealing their location by dynamic network topology. Keywords: control assembly safety, dynamic topology, concealing. *

Работа поддержана Минобрнауки России в рамках контракта № 14.574.21.0126 от 27.11.2014 г., уникальный индентификатор проекта RFMEFI57414X0126.

300

Методы и средства защиты информации

На сегодняшний день вопрос защиты наземных узлов управления КА, функционирующих в единой среде сети передачи данных совместно с различными сервисами, при использовании стандартных технологических решений сетевой безопасности является проработанным в достаточной степени, но их использование дает внутреннему злоумышленнику определенный базис для попыток эксплуатации присущих им уязвимостей. Для снижения риска реализации стандартных атак по обходу средств защиты является целесообразным применение дополнительных мер, основанных на информационном сокрытии защищаемых узлов с сохранением базовой сетевой функциональности, тем самым затрудняя их обнаружение. Авторами предлагается использовать для сокрытия защищаемых улов динамическое изменение их местоположения на различных уровнях топологии вычислительной сети управлением маршрутизацией и коммутацией трафика между ними, а также соответствующий смены IP-адресов и идентификаторов. Для распределения динамики в сетевой топологии и оповещения хостов относительно таблиц маршрутизации до узлов назначения можно выделить централизованную схему, частично централизованную схему и децентрализованную схему управления динамикой маршрутизации в локальной сети. В централизованной схеме все управление динамикой маршрутизации определяется из единого центра, например в программно-конфигурируемых сетях, или заранее заложенными алгоритмами динамики системы в клиентских приложениях. Данный подход, названный методом защиты цели (MTD), и частично его практические реализации представлены в [1–3]. Большей безопасностью за счет адаптации к текущему окружению и его использованию для маски-

ровки обладают децентрализованные схемы, где каждый узел в отдельности самостоятельно решает, какие из соседних узлов использовать в качестве промежуточных звеньев для доставки данных адресату. Подробно данный подход описан в [4], но автор не приводит способ его практической реализации. Для проверки применимости различных схем динамических топологий в системах защиты узлов управления КА авторами было предложено две схемы реализации на базе стандартного коммуникационного оборудования, обеспечивающего взаимосвязь и функционирование сетевых сегментов. Реализация централизованной схемы осуществлялась на основе сегментации сети на канальном уровне при помощи динамических VLAN и назначения адресов подсетей в соответствии с алгоритмом, заложенным в клиентское ПО. Алгоритм функционирования клиентов в такой сети приведен на рисунке. Узлы, вовлеченные в данную сеть, должны иметь дуплексное подключение к портам центрального коммутатора уровня 3 или использовать транзитное подключение через коммутаторы L2, соединенные напрямую с центральным, тем самым образуя топологию типа звезды. Кроме того, необходимо, чтобы все коммутационные устройства поддерживали протокол MSTP, что позволит при указанных ограничениях сразу переводить порты коммутационных узлов в состояние продвижения пользовательского трафика после переавторизации и смены VLANID порта. Динамическое изменение месторасположения узла относительно других VLAN на канальном уровне и принадлежности к определенной подсети на сетевом уровне делает атаку на конкретный узел в период до смены принадлежности более сложной. Нет

Сброс авторизации  порта коммутатора

Начало

Определение БД логин/пароль/ № VLAN на Radius‐сервере

Запрос авторизации портом  коммутатора у узла Выбор программой на узле N  пары логин/пароль по  алгоритму Передача N  логина и пароля  узлом

T=T‐1

Выбор  правил статической  маршрутизации в  соответствии с новым VLAN

Определение IP‐адреса  шлюза для передачи  защищаемым узлам

Присвоение № VLAN для  порта коммутатора

Присвоение программой адреса  узлу из подсети для N пары  логина/пароля

Передача №  VLAN порту  коммутатора

Подтверждение  успешной авторизации  узлу

K=K‐1

ДА

Да

Да

Установка времени T до  следующей авторизации/ итерации

Установка количество  попыток авторизации K=3

Проверка корректности  введенных данных Radius‐ сервером

T>0

Нет K>0

Сброс попыток  авторизации  на Radius‐ сервере K=3

Нет

Конец

Алгоритм функционирования сети на базе централизованной схемы

301

Решетневские чтения. 2015

Данная схема была реализована на лабораторном стенде, состоящем из коммутатора L3 и 4 узлов с функционирующим ПО, реализующим алгоритм, представленный на рис. 1. Измеренное время, необходимое для перестроения сети при каждой итерации, составило 6–7 сот начала авторизации на RADIUSсервере до установления соединения TCP. Для реализации децентрализованной схемы авторами предлагается использовать n-кратную ретрансляцию защищаемой информации через групповую рассылку UDP-сообщений с данными, зашифрованными на основе алгоритма разделения секрета [5]. Количество пересылок, порядок смен используемых адресов групп и динамическая принадлежность узла к вещанию в определенной мультикаст-группе будет определяться аналогичным алгоритмом, реализованным в клиентском ПО. Кроме того, на базе данной реализации возможно, используя методы стеганографии, скрывать управляющую информацию небольшого объема в мультимедиатрафике, передаваемом аналогичным способом. Надежность функционирования созданной динамической сети будет оцениваться по методикам ITU-T Y.1564, RFC 2544, RFC 6349, а ее безопасность по уровню защиты от проникновения – согласно OSSTMM 3, BSI, NISTSP 800-115. На текущем этапе исследований были сформулированы алгоритмы для реализации двух схем защиты узлов управления КА в сетевой инфраструктуре на основе динамической сетевой топологии. Полученные тестовые результаты на основе реализации алгоритма в клиентском ПО позволяют рассматривать данный метод сокрытия узла как дополнительный способ защиты, позволяющий затруднить эксплуатацию уязвимостей на защищаемом узле и повысить вероятность обнаружения злоумышленника на раннем этапе реализации атаки. Библиографические ссылки 1. Moving Target Defense. Creating Asymmetric Uncertainty for Cyber Threats. Series: Advances in Information Security, 2011 / S. Jajodia [et al.]. 184 p.

2. Carroll T. E., Crouse M., Fulp E. W., Berenhaut K. S. Analysis of network address shuffling as a moving target defense // IEEE Intern. Conf. on Communications, ICC. 2014. P. 701–706. 3. DeLoach S. A., Ou X., Zhuang R., Zhang S. Model-driven, moving-target defense for enterprise network security. Dagstuhl Seminar 11481 on [email protected]. LNCS, 2014. P. 137–161. 4. Al-Shaer E., Duan Q., Jafarian J. H. Random host mutation for moving target defense // 8th International ICST Conference on Security and Privacy in Communication Networks, SecureComm 2012. LNICS, 2013. Vol. 106. P. 310–327. 5. Парватов Н. В. Совершенные схемы разделения секрета // Прикладная дискретная математика. 2008. № 2. С. 50–58. References 1. Moving Target Defense. Creating Asymmetric Uncertainty for Cyber Threats. Series: Advances in Information Security, 2011 / S. Jajodia, A. K. Ghosh, V. Swarup, C. Wang, X. S. Wang. 184 p. 2. Carroll T. E., Crouse M., Fulp E. W., Berenhaut K. S. Analysis of network address shuffling as a moving target defense. 2014 IEEE International Conference on Communications, ICC 2014, P. 701–706. 3. DeLoach S. A., Ou X., Zhuang R., Zhang S. Model-driven, moving-target defense for enterprise network security // Dagstuhl Seminar 11481 on [email protected]. LNCS, 2014. P. 137–161. 4. Al-Shaer E., Duan Q., Jafarian J. H. Random host mutation for moving target defense // 8th International ICST Conference on Security and Privacy in Communication Networks, SecureComm 2012; Vol. 106 LNICS, 2013. Pр. 310–327. 5. Parvatov N. V. Sovershennye skhemy razdeleniya sekreta // Prikladnaya diskretnaya matematika. 2008. № 2. S. 50–58. © Стюгин М. А., Паротькин Н. Ю., Золотарев В. В., 2015

___________ УДК 004.056 ПРИМЕНЕНИЕ КОНЕЧНЫХ АВТОМАТОВ В ЗАДАЧАХ ДИНАМИЧЕСКОГО ТЕСТИРОВАНИЯ ПРОГРАММНОГО КОДА* О. В. Тестов, В. В. Золотарев1 Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Описан подход к реализации динамического тестирования программного кода. Использована и протестирована методика на основе конечных автоматов. Оценены варианты реализации лексического и синтаксиче*

Работа выполнена в рамках гранта Президента молодым российским ученым – кандидатам наук, договор № 14.Z56.15.6012 от 16.02.2015 г.

302

Методы и средства защиты информации

ского анализа. Применение указанных методов возможно при оценке надежности программного обеспечения бортовых систем управления КА. Ключевые слова: анализ программного кода, защита информации, уязвимость. DYNAMIC TESTING SOFTWARE WITH THE USE OF FINITE AUTOMATIC EQUIPMENT O. V. Testov, V. V. Zolotarev1 Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The article describes an approach to implementing software dynamic testing. Technique based on finite automatic equipment are used and tested. The research evaluates options for the implementation of the lexical and syntactic analysis. The application of these methods is possible when assessing the reliability of software on-board satellite control systems. Keywords: software engineering, information security, vulnerability. По причине астрономической размерности задач динамического тестирования безопасности программных систем актуально внедрение современных методов статического анализа программного кода. К преимуществам статического анализа относится независимость от этапа исполнения, покрытие всех ветвлений программы. При этом статический анализ не детектирует многие виды ошибок, возможны ложные срабатывания, а также нет возможности учитывать результаты собственного синтаксического анализа языка исходных текстов при поиске сигнатур. В работе рассматривается модель анализатора безопасности кода, имеющего модульную структуру и реализующего совмещение результатов лексического, синтаксического и сигнатурного анализов исходных текстов, распознавателями для которых являются автоматы. Проблема применения конечных автоматов в задачах подобного типа рассмотрена во многих статьях, например [1–5]. Задачей лексического анализатора является распознавание лексем в коде программы: констант и идентификаторов. Распознавателями в задаче являются конечные автоматы. Задачей синтаксического анализатора является выявление и проверка синтаксических конструкций входного языка. Синтаксические конструкции языков программирования можно описать с помощью контекстно-свободных грамматик. Распознавателями для контекстно-свободных языков являются автоматы с магазинной памятью. Модуль сигнатурного анализатора осуществляет поиск шаблонов потенциально опасных конструкций в исходных текстах программы, используя базу сигнатур. Модуль лексического анализа принимает на вход исходные тексты программы. Результатом работы лексического анализатора является перечень всех найденных в тексте исходной программы лексем. Синтаксический анализатор воспринимает выход лексического анализатора и разбирает его в соответствии с грамматикой входного языка, после чего происходит совмещение результатов, полученных в результате лексического и синтаксического анализа, с позициями шаблонов конструкций, обнаруженных при сигнатурном анализе, и формиру-

ется заключение о возможности присутствия потенциально опасной конструкции в том или ином участке кода. Предложенный подход по сопоставлению результатов лексического, синтаксического и сигнатурного анализаторов позволяет, с одной стороны, оперативно обнаруживать типовые конструкции в коде на основе пополняемой базы шаблонов, с другой – учитывать особенности синтаксических конструкций того или иного языка программирования. Библиографические ссылки 1. Фадин А. А., Марков А. С., Цирлов В. Л. Концептуальные основы построения анализатора безопасности программного кода / Программные продукты и системы. 2013. Вып. 1. С. 47–52. 2. Малинин С. Н. Тестирование объектноориентированных программ моделированием конечными автоматами // Известия высших учебных заведений. Поволжский регион. Технические науки. 2009. Вып. 2. С. 63–70. 3. Wason R. Ahmed P., Rafiq M. Q. Automata-Based Software Reliability Model: The Key to Reliable Software // International J. of Software Engineering and Its Applications. 2013. Vol. 7, no. 6. Pp. 111–126. 4. Li Q., Li H. A Software Reliability Evaluation Method // Intern. Conf. on Computer and Software Modeling, Proc. // IACSIT Press. 2011. Vol. 14. 5. Zhang P., Muccini H., Li B. A Classification and Comparison of Model Checking Software Architecture Techniques // J. of Systems and Software. 2010. Vol. 83, no. 5. Pp. 723–744. References 1. Fadin A. A., Markov A. S., Tsirlov V. L. Conceptual basis for software safety analyzer // Software and systems. Vol. 1. 2013. С. 47–52. 2. Malinin S. N.Testing object-oriented software modeling by finite automata / News of higher educational institutions. Volga region.Technical science. Vol. 2. 2009. С. 63–70.

303

Решетневские чтения. 2015

3. Wason R., Ahmed P., Rafiq M. Q. Automata-Based Software Reliability Model: The Key to Reliable Software // International J. of Software Engineering and Its Applications. 2013. Vol. 7, no. 6, pp. 111–126. 4. Li Q., Li H. A Software Reliability Evaluation Method // International Conference on Computer and Software Modeling, Proc., IACSIT Press. 2011. Vol. 14.

5. Zhang P., Muccini H., Li B. A Classification and Comparison of Model Checking Software Architecture Techniques // J. of Systems and Software. 2010. Vol. 83, no. 5, pp. 723–744. © Тестов О. В., Золотарев В. В., 2015

___________ УДК 004.056 МОДЕЛЬНО-АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ СИСТЕМЫ ПРЕЦЕДЕНТНОГО АНАЛИЗА ИНЦИДЕНТОВ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ А. А. Шаляпин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] Рассматривается применение прецедентного анализа в задаче классификации инцидентов информационной безопасности. Приводится описание модели и алгоритма системы прецедентного анализа. Ключевые слова: прецедент, инцидент, предельное расстояние, предельное значение аналогий. MODEL-ALGORITHMIC SUPPORT OF PRECEDENT ANALYSIS OF INFORMATION SECURITY INCIDENTS A. A. Shalyapin Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: [email protected] The paper deals with case-based analysis in the task of classification of information security incidents. The description of the model and algorithm of case are analysed. Keywords: case, incident, limiting distance, limit analogies. Цель процесса управления инцидентами информационной безопасности – применение стратегий реагирования для каждого инцидента. Существуют проблемы: - не всегда классификация инцидентов средствами защиты производится корректно; - не существует единой стратегии реагирования для инцидентов определенного класса в силу того, что каждый инцидент в той или иной мере индивидуален; - имеют место не известные ранее инциденты, для которых отсутствуют подходящие стратегии реагирования. Применение прецедентного анализа в управлении инцидентами позволяет решить задачу оперативного реагирования. Повышение эффективности управления инцидентами достигается, с одной стороны, путем автоматизации выбора стратегий для инцидентов, а с другой – за счет обнаружения аномальных инцидентов до попыток их разрешения. Прецедентный анализа основан на функции подобия (метрики), значение которой определяет сходство прецедента и инцидента [1]. Математическая модель

инцидента представляет собой параметрический вектор, значения параметров которого определяют состояние информационной системы и однозначно идентифицируют инцидент [2]. Области значений параметра могут совпадать в рамках нескольких классов. Для корректного вывода необходимо ввести процедуру анализа, основанную не на единичном вычислении меры близости, а способную устранять случайные совпадение параметров прецедента и учитывать статистические характеристики класса прецедентов [2]: k j ∈ G ⇔ G1 ≥ plim , G1 = {gi : F ( gi , k j ) ≤ d lim },

(1)

где d lim – максимальное значение функции подобия прецедентов F ( gi , k j ) , при котором gi и k j считаются аналогичными; рlim – минимальное количество подобных прецедентов в классе, при котором инцидент считается нормальным относительно этого класса.

304

Методы и средства защиты информации

Реализация системы прецедентного анализа имеет модульную структуру и включает следующие компоненты (рис. 2): 1) база инцидентов, содержащая инциденты, ожидающие дальнейшей обработки; 2) модуль нормализации данных, преобразовывающий базу зарегистрированных инцидентов в соответствии со структурой базы прецедентов; 3) модуль извлечения, реализующий функцию расчета меры сходства инцидентов и прецедентов; 4) модуль принятия решений – определяет результат классификации и ставит «нормальный» инцидент в соответствие одному или нескольким прецедентам; 5) консоль оператора – предназначена для возможности корректировать процесс анализа и адаптации выработанной стратегии под ранее неизвестные условия.

Сформулированная задача классификации инцидентов определяет алгоритм прецедентного анализа как бинарный классификатор. Анализируемое множество в результате разделяется на два класса. Нормальными инцидентами считаются те, которые однозначно соотносятся с определенным в базе прецедентов классом. Для таких инцидентов возможно автоматическое применение сценария реагирования. Параметры алгоритма варьируются в ходе функционирования системы, за счет чего, совместно с пополнением базы прецедентов, реализуется обучение системы. При настройке данных параметров алгоритма целесообразно применение ROC-кривой для представления и оценки результатов классификации инцидентов [3]. На рис. 1 приведена схема алгоритма, включающая процедуру настройки.

Обучающа я выборка

Начало Регистрация инцидентов ИБ

Расчет классового расстояния dcp

Предварительная обработка, нормализация

Выбор наилучшей метрики

Расчет расстояний F(j,k)

plim = 1

Определение кол-ва аналогий

plim, Min|Se-Sp|

Аномалия ?

Да

plim Нет Идентификация сценария

Детальное изучения

Расчет расстояний F(j,k) Определение кол-ва аналогий Расчет Se и Sp

Выработка нового сценария

plim

Сохранение прецедента Конец Рис. 1. Алгоритм прецедентного анализа Отношение подобия

IPD/IDS

База инцидентов

База прецедентов Управляющее воздействие Модуль Консоль извлечения оператора

DLP Log Managment DPI Antivirus Средства защиты информации

Модуль нормализации

Модуль принятия решения Управляющее воздействие

Анализируем ая выборка

Информационная система

Рис. 2. Архитектура системы прецедентного анализа

305

Сценарий реагирования

Решетневские чтения. 2015

Применение концепции прецедентного анализа в качестве инструмента, совершенствующего процесс управления инцидентами, позволит повысить оперативность реагирования путем многократного применения накопленного опыт. Кроме того, данный подход позволяет решить задачу обнаружения аномальных инцидентов, являющихся наиболее критичными и требующих детального изучения. Библиографические ссылки 1. Aamodt A., Plaza E. Case-Based reasoning: Foundational issues, methodological variations, and system approaches // AI Communications. 1994. Vol. 7, no. 1. Pp. 39–59. 2. Шаляпин А. А., Жуков В. Г. Прецедентный анализ инцидентов информационной безопасности // Вестник СибГАУ. 2013. № 2(48). С. 19–24. 3. Шаляпин А. А. О настройке параметров алгоритма прецедентного анализа инцидентов информационной безопасности // Решетневские чтения : мате-

риалы XVII Междунар. науч. конф. / СибГАУ. Красноярск, 2013. Ч. 2. С. 166–168. References 1. Aamodt A., Plaza E. Case-Based reasoning: Foundational issues, methodological variations, and system approaches // AI Communications. 1994. Vol. 7, no. 1, pp. 39–59. 2. Shalyapin A. A., Zhukov V. G. [Case based analysis of information security incidents] // Vestnik SibGAU. 2013. Vol. 2, no. 48, рp. 19–24 (In Russ.). 3. Shalyapin A. A. [About setup algorithm analysis of law case incident information security] // Materialu XVII mezhdunarod. nauch. konf. “Reshetnevskie chtenia” [Proceedings of XVII International. Scientific. Conf. “Reshetnev reading”]. Krasnoyarsk, 2013, Part 2, pp. 166–168 (In Russ.).

306

© Шаляпин А. А., 2015

Cекция

«ТЕХНОСФЕРНАЯ БЕЗОПАСНОСТЬ»

1

Решетневские чтения. 2015

УДК 504.3.054 ОПТИМИЗАЦИЯ СЕТИ НАБЛЮДЕНИЙ СОСТОЯНИЯ ЗАГРЯЗНЕНИЯ АТМОСФЕРНОГО ВОЗДУХА НА ГОРОДСКОЙ ТЕРРИТОРИИ* Е. Н. Бельская, О. В. Тасейко, Е. В. Сугак Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматривается необходимость оптимизации системы мониторинга воздушной среды в целях улучшения прогноза состояния загрязнения воздушного бассейна города и налаживания рациональной системы природоохранной деятельности. Ключевые слова: мониторинг состояния окружающей среды, гигиенические нормативы, методы размещения, источники выбросов, прогнозирование. OPTIMIZATION OF AIR POLLUTION MONITORING NETWORK IN URBAN AREA E. N. Belskaya, O. V. Taseiko, E. V. Sugak Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] This study shows the necessity to optimize environmental monitoring network for improvement of the air pollution prediction and natural protection management in urban territory. Keywords: environmental monitoring, national standards of air quality, placement methods, sources of emissions, prediction. Увеличение антропогенной нагрузки на окружающую среду требует использования разносторонней и детальной информации о её влиянии. Такая информация нужна для оценки и контроля качества атмосферного воздуха, прогноза его состояния, налаживания рациональной системы природоохранной деятельности. Репрезентативность системы наблюдений за состоянием загрязнения атмосферы в городе зависит от правильности расположения пунктов наблюдения на обследуемой территории. Существующая в нашей стране сеть наблюдений загрязнения атмосферного воздуха включает посты ручного отбора проб воздуха и автоматизированные системы наблюдений и контроля окружающей среды (АНКОС). Анализ описанных в литературе методов размещения пунктов наблюдения в системах контроля атмосферного воздуха позволяет сделать вывод, что, вопервых, во всех рассмотренных работах отсутствует единый подход, во-вторых, создание универсальной методики пространственного размещения станции является сложной задачей в силу характера расположения городов, своеобразия источников выбросов, особенностей застройки и т. д. Решение ее существенно зависит от функций, которые должна выполнять система мониторинга [1; 2]. Программы наблюдений формируются по принципу выбора приоритетных (подлежащих первоочередному определению) загрязняющих веществ и интегральных (отражающих группу явлений, процессов, веществ) характеристик.

Большинство методик носит скорее рекомендательный и общеописательный характер, чем аналитический, дает общие рекомендации при выборе точки контроля с учетом планировки и застройки районов города, местоположения источников загрязнения и рельефа местности, чтобы отбираемые пробы характеризовали не местное, а общее загрязнение воздушного бассейна города. Некоторые методики используют статистический анализ результатов наблюдений, на основании которого определяются оптимальные расстояния между станциями, количество станций на единицу площади и т. д. Существует методика построения сети станций, в основе которой заложен принцип контролируемости всех паспортизированных источников вредных выбросов при любом направлении ветра, для разработки которой использовалась модель рассеивания вредных примесей в атмосфере и эвристическая процедура ранжирования потенциально опасных мест для установки станций наблюдения [2].* Развитие городской среды и планируемая хозяйственная деятельность (появление новых микрорайонов, автомагистралей, промышленных объектов) приводит к тому, что расположенные ранее на хорошо проветриваемых участках местности стационарные посты впоследствии могут оказаться на «закрытых» участках. Данные, получаемые с такого поста, будут характеризовать сугубо локальные условия. *

Публикация подготовлена в рамках поддержанного РГНФ научного проекта № 14-16-24001.

308

Техносферная безопасность

Также очевидна необходимость учета влияния физических характеристик территории. Для выбора мест размещения постов наблюдения за качеством атмосферного воздуха необходимо детальное исследование орографических, аэрографических и теплофизических свойств контролируемых территорий. Сложный рельеф местности, а также число и размещение основных промышленных и транспортных источников, метеорологические условия и т. д. могут существенным образом повлиять на распределение концентраций поллютантов в пределах рассматриваемой зоны и сделать его существенно неравномерным. В частности, точки мониторинга, расположенные вблизи автотранспортных потоков, не имеющих мощных промышленных выбросов, обычно характеризуются концентрациями, существенно превышающими общегородской фон, в значительной мере зависящий от дальнего (в том числе трансграничного) переноса [1; 3]. Весьма важным является вопрос о розе ветров. Данные о повторяемости направлений ветра получают по результатам наземных наблюдений на метеорологических станциях. При этом «истинная» роза ветров должна характеризовать повторяемость направлений не приземного ветра на сложном рельефе, а направления невозмущенного подстилающей поверхностью ветрового потока, набегающего на город и все его промышленные объекты. Для комплексного оценивания уровней загрязнения атмосферного воздуха в городах недостаточно ограничиваться лишь натурными измерениями параметров окружающей среды, необходимо использовать методы математического моделирования, оценки загрязнения снежного покрова, инвентаризацию выбросов, интерполирование и картирование. Наземные посты наблюдений должны оборудоваться современными высокочувствительными и селективными приборами и системами оценки качества атмосферного воздуха в реальном режиме времени. С учетом данных комплексного обследования состояния загрязнения атмосферного воздуха на территории города должна быть разработана программа оптимизации сети наблюдений [4]. Мониторинг и моделирование, с точки зрения комплексного подхода к реализации мониторинговых исследований, должны дополнять друг друга. Информация, получаемая автоматическими станциями, отражает реальное состояние атмосферного воздуха в местах измерения, но она касается только последствий загрязнения, причины же остаются неизвестными; она показывает уровень загрязнения только в отдельных точках и не может дать адекватной картины состояния воздуха на остальной территории. Математическое моделирование распространения примесей в атмосферном воздухе позволяет оценить степень загрязнения атмосферы в заданной точке местности, не проводя в ней натурных измерений, но требует комплексного учета многих факторов, таких как параметры источников выбросов и текущего метеорологического состояния атмосферы, условия рассеивания для данной местности и др. [5]. Таким образом, разработка программы оптимизации сети наблюдений (в том числе выбор мест размещения постов наблюдения на городской территории) должна проводиться с учетом типизации городской застройки

с помощью географических информационных систем, позволяющих автоматизировать этот процесс, и данных комплексного обследования (включающего как мониторинг, так и моделирование) состояния загрязнения атмосферного воздуха на территории города. Библиографические ссылки 1. Тасейко О. В., Сугак Е. В. Репрезентативность пунктов наблюдения при оценке качества воздуха в городской среде [Электронный ресурс] // Современные проблемы науки и образования. 2014. № 6. С. 1–11. URL: http://www.science-education.ru/12015560. ISSN 2070-7428 (дата обращения: 10.10.2015). 2. Экологический мониторинг окружающей среды : учеб. пособие для вузов. В 2 т. Т. 1 / Ю. А. Комиссаров [и др.] / под ред. П. Д. Саркисова. М. : Химия, 2005. 365 с. 3. Организация мониторинга загрязнения атмосферного воздуха мелкодисперсными частицами : метод. указания. М. : Федер. центр гигиены и эпидемиологии Роспотребнадзора, 2009. 14 с. 4. ПромЭко. Оптимизация сети наблюдений и контроля загрязнения атмосферного воздуха [Электронный ресурс]. URL: http://promeco.h1.ru/lek/ monitoring.shtml#part13 (дата обращения: 14.07.2015). 5. Молодой ученый. Информационная система для моделирования распространения загрязнения атмосферного воздуха с использованием ArcGISURL [Электронный ресурс]. URL: http://www.moluch.ru/ conf/tech/archive/4/895/(дата обращения: 14.07.2015). References 1. Taseiko O. V., Sugak E. V. Representativnost punktov nablydenia pri ocenke cashestva vozduha v gorodskoi srede [Representativeness of urban station for air quality monitoring] // Modern problems of science and education. 2014. No. 6, рр. 1–11. Available at: http://www.science-education.ru/120-15560. ISSN 20707428 (accessed: 10.10.2015). 2. Ecologicheskii monitoring okrugausheisredi [Environmental monitoring of environment] : The manual for higher education institutions. In 2 t. T. 1 / Yu. A. Komissarov, L. S. Gordeev, Yu. D. Edelstein, D. P. Vent ; Under the editorship of P. D. Sarkisov. M. : Chemistry, 2005. 365 p. 3. Organizacia monitoringa zagriaznenia atmosfernogo vozduha melkodispersnimi chasticami [Organization of monitoring of air pollution with fine particles]: Guidelines. MU 2.1.6-09. M. : Federal Center of Hygiene and Epidemiology, 2009. 14 p. 4. Promek. Opnimizacia seti nabludenii i kontrolya zagriaznenia atmosfernogo vozduha [Optimization of network monitoring and control of air pollution]. Available at: http://promeco.h1.ru/lek/monitoring.shtml# part13 (accessed: 14.07.2015). 5. Informacionnaya sistema dlya modelirovania rasprostranenia zagriaznenia atmosfernogo vozduha s ispolzovaniem ArcG IS [Young scientist. Information system for the modeling of air pollution using ArcGIS]. Available at: http://www.moluch.ru/conf/tech/archive/ 4/895/( accessed: 14.07.2015).

309

© Бельская Е. Н., Тасейко О. В., Сугак Е. В., 2015

Решетневские чтения. 2015

УДК 504.058 ОЦЕНКА ФИТОТОКСИЧНОСТИ ЖИДКОЙ ФАЗЫ ШЛАМОВ МАШИНОСТРОИТЕЛЬНОГО ПРОИЗВОДСТВА* Л. А. Герасимова Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] В результате исследований была установлена токсичность вод пруда – шламонакопителя АО «Красмаш», и проанализирована возможность использования жидкой фазы шламов в качестве микроудобрений. Ключевые слова: фитотоксичность, шламы, морфометрические показатели, фитомасса, цитогенетический анализ. PHYTOTOXICITY ESTIMATION OF THE LIQUID PHASE OF ENGINEERING PRODUCTION SLIME L. A. Gerasimova Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The water toxicity of JSC “Krasmash” tailing pond is established, and the possibility of using liquid phase slurry as micronutrients is analyzed as a result of the research. Keywords: phytotoxicity, slime, morphometric parameters, phytomass, cytogenetic analysis. Машиностроительные предприятия являются важной составной частью экономики страны. Одним из источников загрязнения окружающих среды машиностроительных предприятий являются шламы – это жидкая фаза систем очистки сточных вод и мокрой очистки газов, которые в значительных объемах хранятся в специально предназначенных для этого прудах – накопителях и отстойниках. Шламы представляют собой полидисперсную суспензию с влажностью порядка 80 %. Трудности их утилизации общеизвестны. При загрязнении природных вод недостаточно очищенными стоками вредные вещества аккумулируются в крови рыбы, и по трофическим цепям попадают в организм человека, ослабляя иммунную систему, что создает угрозу для населения города. Загрязненные воды могут также проникать в водоемы природных экосистем, нарушая тем самым их состояние. Проникновение в водную среду различных токсикантов и веществ, изменяющих естественный состав воды, представляет серьезную опасность для природных экосистем и человека. Таким образом, вмешательство в структуру естественных цепей питания может привести к необратимому изменению природных экологических сообществ [1]. Наряду с этим в шламах содержатся и такие вещества, как железо, хром, марганец и др., в таких концентрациях и состояниях, которые очень хорошо могут усваиваться растениями и недостаток которых негативно сказывается на урожайности многих сельскохозяйственных культур. Поэтому возможность использования шламов в качестве микроудобрений может оказаться целесообразной.

В настоящее время на Красмаше в прудахшламонакопителях скопилось избыточное количество шламов, которые становятся источником загрязнения поверхностных, грунтовых вод и почвы вредными компонентами. Поэтому проблема их утилизации в последнее время стала особенно острой [2; 3]. Целью нашей работы была оценка фитотоксичности жидкой фазы шламов АО «Красмаш». В качестве испытуемых сред были использованы жидкая фаза шламов различных разведений – 1:1; 1:2; 1:3, и в качестве контроля использовалась водопроводная вода и вода из реки Енисея. В качестве модельного объекта выбран лук-севок ШтутгартенРизен, который был тщательно отсортирован по размеру, форме и внешнему виду. Лук выращивался на разных средах в одинаковых условиях. Контрольные замеры проводились на 3, 7, 10, 15 и 21 дни. Результаты эксперимента оценивались по показателям морфометрического и цитогенетического анализа [4–6]. Морфометрическими показателями была длина и количество стеблей и корней, а также их прирост. Цитогенетический анализ проводился с целью выяснения степени активности митоза по значению митотического индекса.* По среднему приросту длины корней наиболее интенсивный рост наблюдался в первые семь дней опыта. Самые лучшие показатели были в енисейской воде и в шламах без разведения. В дистиллированной воде прирост был отрицательным. *

Исследования проводились в рамках поддержанного РГНФ научного проекта № 14-16-24001.

310

Техносферная безопасность

Первые листья появились уже на третий день в разведении 3. Однако больше всего листьев было в водопроводной воде. Вода из Енисея, шламы разведения 1, 2 и 3 давали примерно одинаковые результаты. Максимальный средний прирост длины листьев – в водопроводной воде, все остальные объекты давали практически одинаковые результаты. Самый малый прирост листьев наблюдался в шламах разведения 2. Таким образом, в ходе работы получены следующие результаты: луковицы, выращенные на водопроводной воде, опережают в росте растения в пробирках с дистиллированной водой и водой из реки Енисея, а также растения, которые были выращены на жидкой фазе шламов. В среднем, при содержании жидкой фазы шламов 30 % (разведение 2), данные по среднему приросту, среднему количеству корней и листьев близки к водопроводной воде. По сравнению с этими значениями разведение 3 (25 %) и разведение 1 (50 %) уже менее близки по среднему приросту, среднему количеству корней и листьев с пробой без разведения. По биологическим показателям больше всего отстают по всем данным образцы, выращенные на дистиллированной воде и воде из Енисея. Митотическая активность выше всего в корешках луковиц, выращенных на шламах при разведении 2, что свидетельствует об их повышенной, по сравнению с другими образцами, жизнеспособности. Близкое значение митотического индекса получено и при анализе биопроб растений, полученных на водопроводной воде. Самая низкая митотическая активность определена в образцах, выращенных на дистиллированной воде и воде реки Енисея. Полученные результаты иллюстрируют совершенную недопустимость для растений среды как с повышенными концентрациями (речная вода), так и с полным отсутствием микроэлементов (дистиллированная вода). Анализ фитомассы листьев лука дал следующие результаты: максимальное значение фитомассы получено для лука, выращенного на водопроводной воде, и близкие к этим показатели фитомассы лука, выращенного на шламах при разведении 2. Самая маленькая фитомасса у лука, выращенного на дистиллированной воде. Результаты эксперимента позволяют сделать вывод о том, что при содержании в среде жидкой фазы шламов 25 % биологические показатели растений (развитие корневой системы, длина и количество листьев, митотическая активность) лучше, чем при отсутствии шламов или при содержании их более 50 %. В результате исследований установлено, что наилучшими показателями по всем параметрам обладали растения, выращенные при разведении 1:4. Наихудшие показатели наблюдаются при выращивании на дистиллированной воде и воде реки Енисея.

Библиографические ссылки 1. Герасимова Л. А., Сугак Е. В. Оценка биотоксичности осадков в промышленном регионе // Актуальные вопросы в научной работе и образовательной деятельности : сб. науч. тр. Междунар. науч.-практ. конф. (30 апреля 2014 г.) : в 11 ч. Ч. 8. Тамбов, 2014. С. 29–31. 2. Герасимова Л. А., Сугак Е. В., Бразговка О. В. Анализ состояния отдельных водоисточников в районе г. Красноярска // Современные проблемы науки и образования. 2015. № 3. URL: http://www.scienceeducation.ru/123-17750 (дата обращения: 11.03.2015). 3. Герасимова Л. А., Сугак Е. В. Социальноэкологические проблемы Красноярского края. Saarbruchen : LAP LAMBERT Academic Publishing, 2015. 188 c. 4. Методическое руководство по биотестированию воды РД 118-02-90 : утв. Госкомприроды СССР от 06.08.1990. № 37. 5. Правила охраны поверхностных вод (типовые положения). 1991. 6. Руководство по определению методом биотестирования токсичности вод, донных отложений, загрязняющих веществ и буровых растворов. М. : РЭФИЯ : НИА-Природа, 2002. References 1. Gerasimova L. A., Sugak E. V. Ocenka biotoksichnosti osadkov v promyshlennom regione. (Assessmentof precipitation biotoxicity in the industrial region), Tambov, 2014. Pp. 29–31. 2. Gerasimova L. A., Sugak E. V., Brazgovka O. V. Analiz sostoyaniya otdel’nyh vodoistochnikov v rayone g. Krasnoyarska (Analysis of the state of water resources in the Krasnoyarsk area) // Modern problems of science and education. 2015. № 3. URL: http://www.scienceeducation.ru/123-17750 (date of visit: 11.03.2015). 3. Gerasimova L. A., Sugak E. V. Social’noekologicheskie problemyKrasnoyarskogo kraya (Socioecological problems of the Krasnoyarsk region). LAP LAMBERT Academic Publishing, Saarbruchen, 2015. Pр. 188. 4. Metodicheskoe rukovodstvo po biotestirovaniju vody RD 118-02-90 (Methodological guidance on biotesting of water). 06.08.1990. No. 37. 5. Pravila ohrany poverhnostnyh vod (The rules of surface waters protection), 1991. 6. Rukovodstvo po opredeleniju metodom biotestirovanija toksichnosti vod, donnyh otlozheniji, zagrjaznjajush’ih vesh’estv i burovyh rastvorov (A guide for determining of waters, bottom sediments, pollutants and drilling fluids toxicity by biotesting method). Moscow, Priroda, 2002.

311

© Герасимова Л. А., 2015

Решетневские чтения. 2015

УДК 351.777.8 ОЦЕНКА САНИТАРНО-ГИГИЕНИЧЕСКИХ УСЛОВИЙ В УЧЕБНОМ ПОМЕЩЕНИИ* В. Е. Герасимова1, О. А. Истошина2, Л. А. Герасимова1 1

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 Е-mail: [email protected] 2 Лицей № 3 Российская Федерация, 660014, г. Красноярск, ул. Чайковского, 13а

Проведено исследование санитарно-гигиенического состояния помещений средней школы по наличию и количеству тяжёлых металлов (свинца), климатическим условиям, количеству пыли, наличию и количеству бактерий. Ключевые слова: санитарно-гигиеническое состояние, пылевое загрязнение, бактериальное загрязнение, соединения свинца. ESTIMATION OF SANITARY CONDITIONS IN THE SCHOOLING SPACE1 V. E. Gerasimova1, O. A. Istoshina2, L. A. Gerasimova1 1

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] 2 Lyceum No. 3 13а, Tchaikovsky Str., Krasnoyarsk, 660014, Russian Federation The study researches the sanitary conditions of the secondary school premises according to the amount of heavy metals (lead), climatic conditions, and amount of dust, as well as bacteria. Keywords: sanitary condition, dust pollution, bacterial contamination, lead compounds. В Красноярске, как промышленном центре, острота экологической ситуации приближается к критическому уровню [1]. В городе функционирует ряд машиностроительных предприятий, обеспечивающих своими изделиями в том числе оборонную и аэрокосмическую отрасли. Их деятельность сопровождается попаданием в окружающую среду ряда весьма опасных для здоровья человека компонентов, в том числе соединений свинца, трудновыводимого из организма и канцерогенного в больших концентрациях, ксенобиотика. Повышенные фоны загрязнения могут действовать на отдельные организмы, их органы и ткани, на клетки и отдельные внутриклеточные структуры, а также на более высокие уровни организации живых систем – популяции и сообщества. И на здоровье человека влияют многие факторы, поэтому необходимо проводить комплексные исследования по всем характеристикам окружающей среды [2]. Особое внимание следует уделять состоянию здоровья детей, так как именно они и есть будущее нашей страны. Таким образом, целью нашей работы стало исследование санитарно-гигиенического состояния помещений средней школы по таким показателям, как наличие и количество соединений тяжёлых металлов (свинца), климатические условия, количество пыли, наличие и количество бактерий вообще и кишечной палочки в частности. Для достижения данной цели были поставлены следующие задачи: снять измерения и пробы, опреде-

лить содержание по всем выше перечисленным показателям. В качестве пробы брали смывы со стен, водопроводную воду и питьевую воду из питьевого «фонтанчика» в разное время и в разных точках учебного заведения. Исследования проводились на территории среднего учебного заведения. Пробы брали во время 1, 4, 8 уроков и после передачи дежурства в школе по всем этажам школы (эксперимент проводился несколько раз, в разные дни).* Были использованы следующие методы: 1. Для определения бактерий – метод высева на среду РПА и селективную среду (среда «эндо» для энтеробактерий) [3]. 2. Свинец определяется в смывах со стен в соответствии со шкалой стандартов [4]. 3. Пыль определялась методом взвешивания ватных тампонов до и после взятия проб [5]. 4. Для анализа климатических условий измерялась температура и влажность, определялось, создает ли комплекс измеренных метеорологических факторов комфортные условия [6]. Были получены следующие результаты: наличие свинца данными методами в школе не обнаружено во всех экспериментах. По содержанию кишечной палочки в смывах со стен различия между этажами незначительно, на 4-м этаже загрязнений больше. *

Исследования проводились в рамках поддержанного РГНФ научного проекта № 14-16-24001.

312

Техносферная безопасность

Различия между 1 и 4 уроками малозаметны, к 8-му уроку объём загрязнений резко возрастает в 2 раза и далее продолжает увеличиваться. По уровню запылённости различия между этажами незначительно, наиболее загрязнены 4-й и 1-й этажи. Различия между 1 и 4 уроками по количеству пыли малозаметны, к 8-му уроку количество пыли увеличивается и к 16ти часам возрастает более чем в 2 раза. Говоря о микроклиматических условиях, отметим, что в большинстве исследуемых кабинетов температура эквивалентности находилась в середине зоны комфортности, кабинетов с некомфортными условиями не выявлено, 50 % исследуемых классов удовлетворяют нормам, остальные имеют незначительные отклонения. Из полученных результатов были сделаны следующие выводы и предложения: – получена разносторонняя и объективная картина состояния школы; – отсутствие свинца является положительным результатом; – микроклиматические условия в школе комфортные, несмотря на отклонения от норм; – выявленные тенденции изменения запылённости и количества бактерий говорят о необходимости контролировать наличие сменной обуви в течение всего рабочего дня; – санитарное состояние в школе неблагоприятное. В качестве профилактики инфекционных заболеваний, связанных с большим количеством бактерий, и нарушений работы дыхательных путей предлагается проводить обязательную систематическую санитарную уборку помещения несколько раз в течение учебного дня, ужесточить контроль за соблюдением учащимися правил личной гигиены в пунктах приема пищи. Кроме того, чтобы предотвратить негативные для человека последствия важно вовремя выявлять и контролировать загрязнения и отклонения от норм по всем показателям, анализировать причины этих явлений. Библиографические ссылки 1. Герасимова Л. А., Сугак Е. В. Социальноэкологические проблемы Красноярского края : монография. Saarbruchen : LAP LAMBERT Academic Publishing, 2015. 188 c. 2. Гнатовская А. В., Миронова Е. В., Герасимова Л. А. Экодом – здоровое и экологичное жилье // Экологическое образование и природопользование в инновационном развитии региона : Межрегион. науч.-практ.

конф. : сб. ст. Т. 2. СибГТУ. Красноярск, 2013. С. 26–27. 3. Медицинская микробиология, вирусология и иммунология : учебник для студентов медицинских вузов / под ред. А. А. Воробьева. 2-е изд., испр. и доп. М. : Медицинское информационное агентство, 2008. 4. Контроль за загрязнением свинцом, озоном и окислами азота рентгеновских кабинетов лечебнопрофилактических учреждений : метод. рекомендации (утв. М-вом здравоохранения РСФСР 20 сентября 1983 г.). 5. Методические указания по аттестации лабораторий санэпидстанций (утв. Минздравом СССР 23.03.1983 № 2684-83). 1983. 6. Здания жилые и общественные. Параметры микроклимата в помещениях / Госстрой России. 1999. № 1. References 1. Gerasimova L. A., Sugak E. V. Social’noekologicheskie problemy Krasnoyarskogo kraya. (Socioecological problems of the Krasnoyarsk region.) LAP LAMBERT Academic Publishing. Saarbruchen, 2015. P. 188. 2. Gnatovskaya A. V., Mironova E. V., Gerasimova L. A. Ecodom – zdorovoe i ekologichnoe zhil’jo (Ecohome – healthy and eco-friendly housing). Collected articles, T. 2. SibGTU. Krasnoyarsk, 2013. Pp. 26–27. 3. Vorob’ev A. A. Medicinskaja mikrobiologija, virusologija i immunologija (Medical Microbiology, Virology and immunology). Moscow : Medicinskoe informacionnoe agenstvo (Medical information Agency), 2008. 4. Kontrol’ za zagrjazneniem svincom, ozonom i okislami azota rentgenovskih kabinetov lechebnoprofilakticheskih uchrezhdeniy (The Control of pollution by lead, ozone and nitrogen oxides x-ray rooms of medical institutions) : Metodicheskie rekomendacii (Guidelines). 1983. 5. Metodicheskie ukazanija po attestacaa sanepidstanciy (Guidelines for certification of laboratories of epidemiological stations).1983. 6. Zdanija zhylye i obshestvennye. Parametry mikroklimata v pomeshenijah (Residential and public buildings. The parameters of the microclimate in the premises). 1999. № 1.

313

© Герасимова В. Е., Истошина О. А., Герасимова Л. А., 2015

Решетневские чтения. 2015

УДК 582.86 РЕЗУЛЬТАТЫ ИСПЫТАНИЯ ХИМИЧЕСКОЙ СТОЙКОСТИ МАТЕРИАЛОВ, ПРИМЕНЯЕМЫХ В НЕФТЕДОБЫВАЮЩЕЙ ПРОМЫШЛЕННОСТИ В. А. Миронова, М. В. Чижевская Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Приведены результаты исследования стойкости материалов (металлических сплавов и полимеров), применяемых для изготовления оборудования в нефтедобывающей промышленности. Ключевые слова: стойкость материалов, сплавы, полимеры, нефтедобывающая промышленность. THE RESULTS OF THE CHEMICAL RESISTANCE TEST OF MATERIALS USED IN THE OIL INDUSTRY V. A. Mironova, M. V. Chizhevskaya Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The research presents the results for durability of materials (metal alloys and polymers) used to manufacture equipment in the oil industry. Keywords: resistance of materials, alloys, polymers, oil industry. Химическая стойкость – способность материала противостоять разрушительному действию кислот, щелочей и солей. Химическая стойкость представляет свойства материалов оказывать сопротивление воздействию солей, газов, кислот и щелочей [1]. Целью работы было определение химической стойкости образцов материалов, подверженных воздействию соляной кислоты в условиях различных температур [2]. Исследованию подвергались алюминиевые, свинцовые, медные сплавы и полимерный материал Ketron peek-1000, применяемые для производства деталей оборудования в нефтедобывающей промышленности. Алюминиево-магниевые сплавы с высоким содержанием магния обладают повышенной склонностью к образованию горячих трещин в слитках непрерывного литья. Это объясняется малой прочностью сплавов при высоких температурах и формированием на поверхности слитка непрочной и рыхлой окисной пленки магния [3–5]. Алюминиевый деформируемый сплав применяется для силовых конструкций самолетов, кузовов автомобилей, труб и т. д., для деталей, работающих при температурах до 230 ºС. Бронза безоловянная, обрабатываемая давлением, алюминиевая бронза имеют высокие механические свойства, хорошие антифрикционные свойства, коррозионно-стойкие. Применение: шестерни, втулки, седла клапанов в авиапромышленности, в машиностроении – для отливок массивных деталей в землю. Латунь свинцовая применяется для изготовления полуфабрикатов (лент, листов, полос, труб, прутков,

проволоки, профилей), поковок, крепежных изделий (гаек, болтов), шестеренок, зубчатых колес, втулок. Латуни неустойчивы в следующих средах: – влажный насыщенный пар при высоких скоростях; – рудничные воды; – окислительные растворы, хлориды; – минеральные кислоты; – сероводород; – жирные кислоты. KETRON PEEK-1000 – Полиэфирэфиркетон (PEEK) – ценный материал в условиях, где требуются повышенная термостойкость и устойчивость к химикатам. Температура плавления материала превышает 340 °С. Характерными свойствами полиэфирэфиркетона KETRON PEEK-1000 являются механическая прочность, жёсткость и твердость, высокая допустимая температура работы (250...310 °С), предел текучести, износостойкость в различных условиях, хорошая стабильность размеров, также хорошие диэлектрические свойства. Материал хорошо выдерживает радиоактивное излучение, химически устойчив, устойчив к гидролизу, малогорюч, и при его горении выделяется мало дыма. Данный материал отвечает требованиям норм и правил Европейского союза и США для пластических материалов и поверхностей, контактирующих с продуктами питания. Исследования показали, что наибольшей химической стойкостью к воздействию соляной кислоты при широком диапазоне температур обладает полимерный материал KETRON PEEK-1000.

314

Техносферная безопасность

Образцы сплава на основе меди при температуре 80 ± 5 ºС в течение 24 часов очень незначительно меняли свои параметры и внешний вид. Образец из свинцового сплава оставался относительно устойчивым на протяжении 360 часов испытания на стойкость. Образцы сплавов на основе алюминия полностью разрушались в период времени от 18 до 7 часов, в зависимости от температуры раствора кислоты. Библиографические ссылки 1. Политехнический терминологический словарь [Электронный ресурс]. URL: http://technical_terminology. academic.ru/6321/%D1%85%D0%B8%D0%BC%D0%B 8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1 %8F (дата обращения: 10.10.2015). 2. Ахметов Н. С. Общая и неорганическая химия. М. : Высш. шк., 2005. 743 с. 3. Справочник стали и сплавов [Электронный ресурс]. URL: www.splav.kharkov.com (дата обращения: 10.10.2015). 4. Справочник химика [Электронный ресурс]. URL: http://chem21.info/info/1273906/ (дата обращения: 10.10.2015).

5. Справочник: важнейшие сплавы металлов [Электронный ресурс]. URL: http://www.alhimik.ru/ sprav/splav01.htm (дата обращения: 10.10.2015). References 1. Polytechnicheskiy terminologicheskiy slovar [Electronic resourse]. URL: http://technical_terminology. academic.ru/6321/%D1%85%D0%B8%D0%BC%D0%B 8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1 %8F (date of visit: 10.10.2015). 2. Akhmetov N. S. Obcshaya i neorganicheskaya khimiya. Moskva, 2005. 743 s. 3. Spravochnik staly i splavov [Electronic resourse]. URL: www.splav.kharkov.com (date of visit: 10.10.2015). 4. Spravochnik khimika [Electronic resourse]. URL: http://chem21.info/info/1273906/ (date of visit: 10.10.2015). 5. Spravochnik: vazhneyshie splavy metallov [Electronic resourse]. URL: http://www.alhimik.ru/sprav/ splav01.htm (date of visit: 10.10.2015). © Миронова В. А., Чижевская М. В., 2015

___________ УДК 338.246 ОЦЕНКА СОЦИАЛЬНО-ЭКОЛОГИЧЕСКОГО РИСКА НА ОСНОВЕ ЭВОЛЮЦИОННОГО ПОДХОДА С ПОМОЩЬЮ КОЛЛЕКТИВОВ НЕЙРОННЫХ СЕТЕЙ* В. С. Сызганов, Е. В. Сугак Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Рассматривается подход использования коллективов нейронных сетей для оценки социальноэкологического риска антропогенного нагруженной территории на основе эволюционного подхода с помощью коллективов нейронных сетей. Ключевые слова: коллективы нейронных сетей, социально-экологический риск, эволюционный подход. AN ASSESMENT OF THE SOCIO-ECOLOGICAL RISK ON THE BASIS OF EVOLUTIONARY APPROACH USING NEURAL NETWORK GROUPS V. S. Syzganov, E. V. Sugak Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected] The paper considers the approach to use neural network groups for estimating the socio-ecological risk of anthropogenic loaded areas on the basis of an evolutionary approach using ensembles of neural network groups. Keywords: ensembles of neural network groups, socio-ecological risk, evolutionary approach. Последние несколько лет, несмотря на сложность социально-экономической и политической обстановки, а может быть и благодаря ей, отмечена активность в разных отраслях науки, направленной на понимание управления риском.

Большой интерес представляет направление современных исследований, связанных с изучением предмета анализа рисков. Нынешний этап развития анализа риска, который представляется как новый этап, сравнивается в литературе с предшествующим

_________________________________ *

Работа выполняется при поддержке Российского фонда фундаментальных исследований (проект 14-06-00256).

315

Решетневские чтения. 2015

этапом в терминологии постсовременного и традиционного анализа риска. Традиционный анализ риска обычно сводится к оценке вероятности событий и величины последствий и выражается математическими средствами. В отличие от него существует другой, более широкий анализ, учитывающий социальный контекст происходящих событий возникающего риска и его последствий, который называется постсовременным анализом риска [1]. Стоит отметить, что развитие системы оценки риска для здоровья населения является крайне актуальной задачей для крупных промышленных центров. Одним из направлений совершенствования методических подходов к оценке риска здоровью предложено использование эволюционного моделирования [2]. Основной смысл метода эволюционного моделирования заключается в оценке индивидуального риска и в меньшей степени оценке популяционных рисков, наиболее востребованной в задачах управления рисками. В связи с этим актуальной задачей является разработка и внедрение методических подходов к оценке популяционных показателей риска здоровью. Основное достоинство использования эволюционных моделей для оценки риска – возможность прогнозирования накопления риска негативных эффектов в виде нарушений функций органов и систем организма, связанных с экспозицией факторов среды обитания [3]: ⎛ ⎞ Rti+1 = Rti + ⎜ ∝i Rti + ∑ ΔRtij ⎟ C , (1) ⎜ ⎟ j ⎝ ⎠ где Rti+1 – риск нарушения i-й системы организма в момент времени t + 1 ; Rti – риск нарушения i-й системы организма в момент времени t ; ∝i – коэффициент, учитывающий эволюцию риска за счет естественных причин; С – временной эмпирический коэффициент, зависящий от периода осреднения. Рекуррентные уравнения позволяют выполнять оценку риска нарушений функций органов и систем организма при различных сценариях экспозиции факторов обитания. Сценарий эволюции риска нарушений функций органов и систем организма с возрастом без воздействия факторов среды обитания используется для расчета фонового риска. Одновременно рассчитывается изменение риска в течение заданного периода под

воздействием факторов риска. Разница между расчетным риском при воздействии исследуемых факторов и фоновым является дополнительным индивидуальным риском (2): ΔRti = Rti − Rti /ф , (2) где ΔRti – дополнительный риск нарушения i-й системы органов в возрасте t; Rti – риск нарушения i-й системы органов в возрасте t с учетом факторов среды обитания; Rti /ф – риск нарушения i-й системы органов в возрасте t с учетом факторов среды обитания. Оценка индивидуального риска производится по разработанной шкале, позволяющей характеризовать и распределять риски по категориям: от приемлемого до очень высокого. Для популяционных оценок важно определить не только категорию риска, но и количество дополнительных случаев заболеваний и смертей среди населения, характеризующих риск в условиях заданной экспозиции разнородных факторов среды обитания и образа жизни. Для сопоставления риска по отдельным нозологическим формам вводится понятие тяжести заболевания, которое выступает в качестве весового коэффициента, нормированного от 0 до 1. Так, например, тяжесть ОРВИ оценивается как 0,1, неинфекционный гастроэнтерит и колит – 0,35, стенокардия – 0,70, злокачественное новообразование головного мозга – 0,95. В последние время наблюдается тенденция в задачах моделирования и прогнозирования использовать несколько интеллектуальных информационных систем для решения конкретной прикладной задачи. Одним из способов является совместное параллельное использование нескольких интеллектуальных технологий для выработки общего решения задачи. Примером такого объединения может служить коллектив искусственных нейронных сетей [4] (см. рисунок). В общем случае проектирование коллектива нейронных сетей включает в себя два этапа: 1. Первый этап заключается в формировании структуры и обучении отдельных нейронных сетей. 2. Второй этап включает в себя отбор тех нейронных сетей, которые будут использованы при формировании общего решения коллектива и определении способа и параметров для эффективного расчета общего коллективного решения на основе решений отдельных нейронных сетей.

Нейронная сеть 1

Входные данные

Нейронная сеть 2

Формирование общего решения коллектива

Нейронная сеть n Схема использования коллективов нейронных сетей

316

Выход

Техносферная безопасность

В работе [5] рассмотрено практическое применение нейроэволюционных алгоритмов и коллективов методов интеллектуального анализа данных для решения задачи прогнозирования экологического состояния города. Библиографические ссылки 1. Социально-экологический риск: концепция, методология анализа, практика управления : сб. ст. М. : Экономика и информатика, 1998. 192 с. 2. МР 2.1.10.0062–12. Количественная оценка неканцерогенного риска при воздействии химических веществ на основе построения эволюционных моделей. М. : Центр гигиены и эпидемиологии Роспотребнадзора, 2012. 36 с. 3. Математическая модель эволюции функциональных нарушений в организме человека с учетом внешнесредовых факторов [Электронный ресурс] / П. В. Трусов [и др.] // Математическое моделирование и биоинформатика. 2012. № 2. С. 589–610. URL: http://www.matbio.org/2012/Trusov_7_589.pdf (дата обращения: 27.08.2015). 4. Бухтояров В. В.Эволюционные алгоритмы формирования коллективов нейронных сетей для решения задач моделирования и прогнозирования : дис. … канд. техн. наук. Красноярск, 2010. 168 с. 5. Хритоненко Д. И., Семенкин Е. С., Сугак Е. В., Потылицына Е. Н. Решение задачи прогнозирования экологического состояния города нейроэволюционными алгоритмами // Вестник СибГАУ. 2015. Т. 16, № 1. С. 137–142.

References 1. [Socio-environmental risk: concept, methodology, analysis, and practice management]. Publishing house of Economics and computer science in Moscow. 1998. Pр. 192 (In Russ.). 2. [Quantification of non-cancer risk during an expose of chemicals on the basis of evolutionary models]. M. : Hygiene and Epidemiology Center of Rospotrebnadzor. 2012. Рp. 36 (In Russ.). 3. Trusov P. V., Zaitseva N. In., Kiryanov D. A., Kamaletdinov M. R., Tsinker, M. Yu. etc. [A mathematical model of the evolution of functional disorders in the human body taking into account some external factors] // Mathematical modeling and bioinformatics. 2012. No. 2. Pр. 589–610 (In Russ.). Available at: http://www.matbio.org/2012/Trusov_7_589. pdf (accessed: 27.08.2015). 4. Bukhtoyarov V. V. Evolutionary algorithms for generating neural network groups for solving problems of modeling and forecasting. Krasnoyarsk, 2010. 168 p. 5. Khritonenko D. I., Semenkin E. S., Sugak E. V., Porilitsina E. N. Solving the problem of city ecology forecasting with neouro-evolutionaty algorithms // Vestnik SibGAU. 2015. Vol. 16, no. 1, pр. 137–142. © Сызганов В. С., Сугак Е. В., 2015

_____________ УДК 504.75.05 ПРОГНОЗ СМЕРТНОСТИ НАСЕЛЕНИЯ Г. КРАСНОЯРСКА В УСЛОВИЯХ ПОВЫШЕННЫХ ТЕМПЕРАТУР С УЧЕТОМ КАЧЕСТВА АТМОСФЕРНОГО ВОЗДУХА* О. В. Тасейко, Е. Н. Бельская, Е. В. Сугак Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31 E-mail: [email protected] Анализируется зависимость смертности населения от климатических изменений и уровня загрязнений атмосферного воздуха с использованием пуассоновской регрессионной модели. Ключевые слова: анализ рисков, климат, мониторинг состояния окружающей среды, смертность, моделирование. FORECAST OF THE POPULATION MORTALITY OF KRASNOYARSK UNDER THE CONDITIONS OF THE INCREASED TEMPERATURES TAKING INTO ACCOUNT QUALITY OF ATMOSPHERIC AIR O. V. Taseiko, E. N. Belskaya, E. V. Sugak Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]

*

Публикация подготовлена в рамках поддержанного РГНФ научного проекта № 14-16-24001.

317

Решетневские чтения. 2015

This study analyzes a dependence of population mortality on climatic changes and air pollution level with Poisson regression model. Keywords: risk analysis, climate, environmental monitoring, mortality, modeling. В последние годы изменения климата рассматриваются как один из ведущих факторов, оказывающих влияние на здоровье населения наряду с традиционными факторами риска индустриальной эпохи. По оценкам ВОЗ в Европе ежегодно климатические изменения являются причиной от 1 до 10 % смертей среди старших возрастных групп, а в мире – более 150 тысяч дополнительных смертей в год [1]. Поскольку жаркая погода и загрязнение воздуха часто совпадают по времени, то определить воздействие на здоровье каждого из этих факторов в отдельности затруднительно. Двумя основными загрязнителями воздуха в периоды сильной жары являются озон и PM10 (твердые частицы диаметром до 10 мкм). Для характеристики качества атмосферного воздуха г. Красноярска использовались данные государственной сети мониторинга, предоставленные Красноярским центром по гидрометеорологии и мониторингу окружающей среды с региональными функциями Среднесибирского УГМС [2; 3], и региональной дополнительной сети КГБУ «Центр реализации мероприятий по природопользованию и охране окружающей среды Красноярского края» [4]. В приземном слое атмосферы основными источниками озона являются химические реакции между оксидами азота (NOx) и летучими органическими соединениями (ЛОС) в присутствии солнечного излучения. В работе для построения модели использовались концентрации оксидов азота, бензола, толуола, ксилола, этилбензола и формальдегида. Наиболее распространенные заболевания, характеризующиеся чувствительностью к климатическим факторам, – это болезни органов дыхания и сердечнососудистой системы (ССЗ). Информация о распределении умерших по причинам смерти предоставлена территориальным органом Федеральной службы государственной статистики по Красноярскому краю (Красноярскстат).

Зависимость смертности от загрязнения и высоких температур изучалась в работе с помощью пуассоновской регрессионной модели [5]: log ( μt ) = β0 + β1 Х 1,t + ... + βk Х k,t ;

μ t = еxp ( β0 ) exp ( β1 X 1,t ) ...exp ( βk X k ,t ) .

где μt – прогнозируемый параметр (пуассоновская переменная), характеризует количество смертей от климатозависимых заболеваний; x1,t, …, xk,t – влияющие переменные (метеорологические параметры и концентрации загрязнителей в атмосферном воздухе); β1...βk – параметры модели, устанавливают значимость вклада соответствующих влияющих переменных; β0 – свободный член (не связан с влияющими переменными и характеризует фоновые колебания пуассоновской переменной). Данные мониторинга состояния окружающей среды, к сожалению, не всегда полновесны. Существуют пропуски данных, как по значениям метеопараметров, так и по значениям концентраций вредных веществ. Заполнение пропусков – необходимое условие получения «полных» сведений на вход программ анализа. В работе реализованы следующие методы обработки статистических данных: метод исключения некомплектных значений, заполнение средним по присутствующим значениям в выборке и метод определения среднего значения по присутствующим значимым данным с использованием программы MicrosoftExcel. Для оценки коэффициента предполагаемой пуассоновской модели использовались среднесуточные показатели смертности, концентраций загрязняющих веществ и метеорологических параметров за 2004 год. В таблице приведены параметры пуассоновской регрессионной модели для оценки влияния факторов окружающей среды на смертность лиц старше 60 лет от ССЗ. Временной лаг имеет размерность дней.

Расчетные коэффициенты модели прогноза смертности населения от ССЗ Влияющие переменные Свободный член Температура (Temp) Влажность (Hum) NO (NO) NO

Оценка параметра, βi 3,8

Лаг, дни –

Стандартная ошибка 0,23