Программные продукты и системы

Статьи из выпуска № 1 за 2017 год.

Упорядочить результаты по: Дате публикации | Заголовку статьи | Авторам

11. Об одном подходе к реализации системы управления мастер-данными об активах [№1 за 2017 год]
Авторы: Сухобоков А.А., Строгонова В.И.
Просмотров: 9817
В статье рассматриваются возможности современных MDM-систем (систем Master Data Management) и перспективные направления разработки мультидоменных и мультивекторных MDM-систем. Показаны причины, по которым однодоменные системы управления мастер-данными об активах не нашли широкого применения в отличие от существующих систем управления мастер-данными о клиентах, поставщиках, продуктах, сотрудниках и других типах бизнес-объектов. Рассматриваются сложности совмещения различных представлений одних и тех же активов в системе управления мастер-данными об активах. Делается вывод, что, пока не будут разработаны и не начнут успешно внедряться однодоменные системы управления мастер-данными об активах, переносить эту предметную область в мультидоменные системы преждевременно. Для решения описанных проблем предложена модель мастер-данных об активах, позволяющая совместить их различные представления. Эта модель включает множество независимых иерархий для различных представлений одного и того же парка активов, неиерархические связи, специфические для каждой предметной области, решетки связей, позволяющие переходить между разными представлениями одного и того же актива, набор классификаторов активов, классы в которых определяют наборы описывающих активы атрибутов, классификаторы связей активов, а также структурные и функциональные модели отдельных типов активов. Для реализации модели мастер-данных об активах разработана архитектура MDM-системы, а также предложен алгоритм проверки корректности межракурсных связей всей модели в целом. Выдвинуты основные требования к инструментарию для разработки прототипа системы управления мастер-данными об активах: он должен одновременно обеспечивать функциональность графовой СУБД и графового энджина для выполнения сложных алгоритмов над графом в целом. Из двух существующих инструментов, отвечающих этим требованиям, для разработки выбран SAP HANA Graph.

12. Построение моделей систем на базе эквациональной характеристики формул LTL [№1 за 2017 год]
Авторы: Кораблин Ю.П., Шипов А.А.
Просмотров: 7582
Задача верификации как программных, так и технических систем всегда была и остается одной из самых значимых с момента появления первых вычислительных устройств. Сегодня уже существует достаточно большое количество подходов к решению данной проблемы. Однако именно развитие такого метода формальной верификации, как Model Checking, позволило решить проблему представления верифицируемых систем и унифицировать процесс верификации программных и технических систем. Идея, лежащая в его основе, состоит в приведении исходной системы к некоторой унифицированной форме, то есть для выполнения верификации требуется лишь наличие модели, которая максимально точно описывала бы ее поведение. В данной статье рассматривается возможность построения моделей систем с помощью RLTL-нотации (Recursive Linear Temporal Logic), которая является рекурсивным представлением формул логики линейного времени. Однако ее использование не ограничивается только этим аспектом. Преимущество от использования для этих целей именно RLTL состоит в том, что модели, заданные с ее помощью, могут быть верифицированы относительно требований, заданных на основе RLTL, без перехода к другим структурам данных, что, безусловно, будет способствовать упрощению и повышению быстродействия процесса верификации. Кроме того, в работе предложены формальные средства, позволяющие во многих случаях существенно упростить модель, построенную на основе RLTL, за счет сокращения числа ее состояний и переходов.

13. Прогнозирование при управлении динамическими системами [№1 за 2017 год]
Автор: Тиханычев О.В.
Просмотров: 9673
Условие адекватности управления сложными системами – наличие сведений об их текущем состоянии и условиях функционирования. Обычно такие данные получаются от систем мониторинга обстановки. Но для динамических систем обычный мониторинг не всегда обеспечивает эффективность управления. В ряде случаев ситуацию спасает введение в контур управления обратной связи. Однако этот подход не всегда срабатывает, особенно при управлении крупными распределенными системами, обладающими высокой инерционностью. Для обеспечения эффективности управления необходимо использовать обратную связь: не просто отслеживать состояние системы и окружающей среды, но и получать информацию об их возможных изменениях заблаговременно, то есть использовать методы прогнозирования. В настоящее время принято разделять все методы прогнозирования на активные, оценивающие возможные последствия принимаемых решений, и пассивные, обеспечивающие прогноз изменения состояния в текущих условиях. Предлагается использовать пассивное прогнозирование для формирования обратной связи активного типа, позволяющей формировать управляющие воздействия заблаговременно с учетом прогноза развития обстановки. Анализ состава исходных данных и требований по оперативности прогноза позволяет сделать вывод о целесообразности применения для организации активного мониторинга в существующих условиях именно моделей на основе временных рядов.

14. Программа идентификации условий теплообмена для изделий плоской формы [№1 за 2017 год]
Автор: Марголис Б.И.
Просмотров: 10487
Рассмотрена постановка задачи идентификации условий теплообмена для изделия плоской формы при несим-метричном конвективно-радиационном теплообмене поверхностей изделия с окружающей средой и ограждающими поверхностями (нагревательными элементами) технологического оборудования. Сформулирована возможность решения поставленной задачи в среде программирования Matlab. На основе стандартной функции fmincon в среде Matlab разработана программа, позволяющая по заданным теплофизическим характеристикам материала (коэффициентам теплопроводности, температуропроводности), параметрам конвективно-радиационного теплообмена (коэффициентам конвективной теплоотдачи и приведенным степеням черноты) и параметрам температурно-временного режима в печи отжига идентифицировать часть энергии радиационного теплообмена, попадающей с поверхности печи на изделие в каждой из зон. Приведен пример идентификации параметров радиационного теплообмена в печи отжига листового прокатного стекла на основе программы моделирования температурного поля в среде Matlab. Рассмотрены особенности разработки программы, связанные с необходимостью учета изменяющихся начальных и граничных условий на каждом из этапов температурно-временного режима отжига изделия с помощью функций pdebeg и pdebound стандартной функции pdepe Matlab. Приведены программные коды функций, основной программы и результаты расчета температур поверхности ленты и степеней черноты поверхности печи. Произведен анализ результатов работы программы, и продемонстрировано хорошее совпадение полученных степеней черноты с их физически обоснованными значениями при радиационном теплообмене в печах отжига стеклоизделий. Показана перспективность использования стандартных функций Matlab для решения задач оптимизации режимов термообработки изделий в различных технологических процессах.

15. Программный агент определения психологического состояния обучаемого в системах дистанционного обучения [№1 за 2017 год]
Авторы: Е.Л. Хрянин, Швецов А.Н.
Просмотров: 7944
Рассматривается проблема применения программных агентов для оценки психологического состояния студентов в системе дистанционного обучения. Гипотеза исследования: чем лучше психологически материал подходит обучаемому, тем быстрее и качественнее он будет усвоен. Требуется разработать автоматический алгоритм подбора материала. Описывается разработанная система дистанционного обучения, создаваемая более 5 лет и апробированная в одном из государственных вузов. Кратко описана реализация системы дистанционного обучения: схема взаимодействия агентов, основные таблицы БД, реализация серверной и пользовательской частей. Описываются метод и алгоритм определения перцептивной модальности обучаемого в ходе психологического тестирования. Использованы статистические методы для предсказания вероятности входа в систему обучаемым (на основе данных статистики). Предложены весовые коэффициенты частоты использования системы дистанционного обучения обучаемыми для принятия решений агентом определения психологического состояния. Создан алгоритм автоматического решения о необходимости тестирования. Проведено исследование на основе трех групп с участием более 90 человек: контрольная группа, группа с рекомендацией в выборе материала и группа, для которой агент сам выбирает материал. Выведены формулы расчета перцептивной модальности для нескольких последовательных измерений. Приведен пример уточнения расчета при получении противоречивых данных. Эксперимент показал положительные результаты при работе в рекомендательном режиме. С контрольным тестом справились более 61 % обучаемых, а усложненную задачу решили более половины группы (около 42 % и 12 % в контрольной группе соответственно). Сделан вывод о целесообразности применения агента определения психологического состояния в системах дистанционного обучения.

16. Проектирование интерфейса программного обеспечения с использованием элементов искусственного интеллекта [№1 за 2017 год]
Авторы: Зубкова Т.М., Наточая Е.Н.
Просмотров: 11812
Для разработки качественного ПО необходимо в техническом задании отразить все требования и пожелания заказчика, чтобы у него и у исполнителя сложилось единое представление о будущем программном продукте. Одним из вариантов достижения данного взаимопонимания является разработка прототипа пользовательского интерфейса. В статье описана методика подбора альтернативного варианта шаблона интерфейса, использующая такие методы искусственного интеллекта, как экспертная оценка и теория нечетких множеств. На основе индивидуальных характеристик пользователей можно разделить на пять групп: новичок, обычный, уверенный, квалифицированный, администратор. Выявлены основные параметры индивидуальных характеристик, по которым можно классифицировать пользователей при проектировании интерфейсов: компьютерная грамотность, системный опыт, опыт работы с подобными программами, машинопись, мышление, память, моторика, дальтонизм, концентрация внимания, эмоциональная устойчивость. В статье описано программное и математическое обеспечение для решения задач интеллектуального проектирования пользовательского интерфейса. Поставленная задача выполняется в три этапа. На первом этапе – «Формирование и оценка компетентности группы экспертов» – определяются характеристики экспертов. Количественное описание характеристик экспертов основывается на вычислении относительных коэффициентов компетентности по результатам высказываний специалистов о составе экспертной группы. На втором этапе – «Групповая экспертная оценка объектов при непосредственном оценивании» – определяются рекуррентные отношения для итераций. Третий этап – «Построение нечеткой модели на бинарных нечетких отношениях» – оперирует двумя нечеткими множествами: совокупность групп пользователей и множество шаблонов интерфейсов, максимально эффективных для пользователей с данными характеристиками. Входными данными нечеткой модели являются выделенные нечеткие множества, а выходными – степени соответствия шаблонов интерфейса пользователям. На основе предложенной методики автоматизирован процесс проектирования пользовательского интерфейса с целью повышения объективности и оперативности решений, принимаемых разработчиками ПО.

17. Профессиональная подготовка личного состава корабля в системе жизненного цикла продукции военного назначения [№1 за 2017 год]
Авторы: Лосев Е.Ф., Кузнецов И.В., Бавула А.А., Бурик И.А.
Просмотров: 5997
В статье рассматривается профессиональная подготовка личного состава в системе управления жизненным циклом продукции военного назначения на основе так называемых сквозных контрактов жизненного цикла. Авторами предложена концептуальная модель управления жизненным циклом продукции военного назначения с включением в единое информационное пространство жизненного цикла продукции военного назначения – профессиональной подготовки личного состава боевой части связи надводных кораблей ВМФ. Приводится критический аспект комплексного тренажера корабельных связистов «Племя-С». Предлагается новый подход с использованием тренажерной подготовки персонала с применением имитационной, виртуальной среды обучения для специалистов ВМФ при переходе на контракты сквозного жизненного цикла. Авторы предполагают, что виртуальная среда моделирования позволит обучаемым приобретать уникальные навыки действий в самых разнообразных нештатных ситуациях, создать которые традиционным способом в процессе обучения не всегда представляется возможным.

18. Разработка и внедрение модели прогнозирования цветового отклонения полимерного покрытия оцинкованной полосы [№1 за 2017 год]
Авторы: Осколков В.М., Варфоломеев И.А., Виноградова Л.Н., Ершов Е.В.
Просмотров: 7527
Статья посвящена результатам исследования метода повышения качества оцинкованной полосы с полимерным покрытием за счет уменьшения цветового отклонения, используя методы моделирования. Предложенная модель прогнозирования цветового отклонения состоит из трех подмоделей, каждая из которых прогнозирует одну из координат цветового пространства CIELab. Основой каждой из подмоделей является алгоритм машинного обучения Random Forest. По спрогнозированным значениям цветовых координат вычисляется полное цветовое отклонение. Рассмотрен алгоритм построения дерева принятия решений. Описаны основные параметры, влияющие на цветовое отклонение, получаемые из трех источников: данные из сертификата о краске, характеристика входного рулона для покраски, технологические параметры. Разработан подход быстрой и эффективной интеграции модели прогнозирования в существующую ИТ-инфраструктуру предприятия с помощью трансляции модели в БД. Разработан скрипт для трансляции модели на используемые при разработке ПО на промышленных предприятиях языки программирования SQL и .NET. Описаны этапы трансляции модели прогнозирования с языка R на язык SQL: генерация кода, заполнение таблиц. Прогнозирование в БД осуществляется за 0,3 секунды, этого достаточно для применения в производстве в режиме реального времени. Использование разработанной модели делает возможным прогнозирование полного цветового отклонения полимерного покрытия со средней относительной ошибкой модели 6,1 %.

19. Разработка системы хранения ансамблей нейросетевых моделей [№1 за 2017 год]
Авторы: Пучков Е.В., Терехов С.
Просмотров: 10047
Важным инструментом в работе специалиста по анализу данных и машинному обучению является ПО для организации экспериментов. Прежде всего это связано с большим количеством этапов в обработке данных и спецификой их выполнения. В ходе работы был спроектирован и разработан прототип системы хранения ансамблей нейросетевых моделей, обеспечивающий структурированное хранение данных на различных этапах решения задачи прогнозирования временных рядов. Рассмотрены модель данных, архитектура системы хранения и механизмы поступления и перераспределения информации в ней. Разработана модель классов для программного взаимодействия с хранилищем. Для хранения данных об объектах и связей между этими объектами была использована MySQL, а для хранения временных рядов – нереляционная БД InfluxDB. Создан пользовательский интерфейс с возможностями наглядного отображения данных и удобного взаимодействия с хранилищем ансамблей нейросетевых моделей. Апробация системы проводилась на примере задачи прогнозирования солнечной активности за период с января 1700 года по февраль 2015 года. Проведенный эксперимент с применением рекуррентной сети LSTM показал, что ошибка ансамбля нейросетевых моделей ниже ошибки каждой отдельно взятой нейросетевой модели. LSTM построена с применением библиотеки Keras, для формирования ансамбля использован подход Blending. Результаты проделанной работы показывают перспективность разработки, обеспечивающей высокую степень интеграции в расширяемые программные продукты на языке Python. Разработка полнофункциональной системы позволит не только организовать процесс анализа данных, но и повысить качество результирующих моделей за счет автоматизации процесса формирования ансамблей.

20. Реализация методов обучения с подкреплением на основе темпоральных различий и мультиагентного подхода для интеллектуальных систем реального времени [№1 за 2017 год]
Авторы: Еремеев А.П., Кожухов А.А.
Просмотров: 12174
В работе описана реализация методов обучения с подкреплением на основе временных (темпоральных) различий и мультиагентной технологии. Рассмотрены возможности комбинирования методов обучения со статистическими и экспертными методами прогнозирования с целью последующей интеграции в инструментальную программную среду для использования в современных перспективных интеллектуальных системах реального времени типа интеллектуальных систем поддержки принятия решений реального времени. Даны анализ методов обучения с подкреплением (RL-обучения) в плане использования в интеллектуальных системах реального времени, их основные компоненты, преимущества и решаемые задачи. Основное внимание уделено методам RL-обучения на основе временных (темпоральных) различий (TD-методам), разработаны соответствующие алгоритмы. Рассмотрены возможности включения методов RL-обучения в мультиагентную среду и их комбинирования со статистическими и экспертными методами прогнозирования с целью последующей интеграции в инструментальную среду для использования в интеллектуальных системах реального времени типа интеллектуальных систем поддержки принятия решений реального времени для управления и диагностики сложных технических объектов. Разработана архитектура прототипа подсистемы прогнозирования, включающая эмулятор, моделирующий состояние проблемной области (объекта и внешнего окружения), и модули прогнозирования, анализа и принятия решений, RL-обучения. Выполнена программная реализация прототипа подсистемы прогнозирования с применением мультиагентного подхода для решения задачи экспертного диагностирования сложного технического объекта. Результаты тестирования и апробации разработанной системы показали ее достаточную эффективность и целесообразность включения в состав современных интеллектуальных систем поддержки принятия решений реального времени.

◄ ← Предыдущая | 1 | 2 | 3 | Следующая → ►