Анализ методов автонастройки сложных систем

ГЛАВА 1

АНАЛИЗ МЕТОДОВ АВТОНАСТРОЙКИ СЛОЖНЫХ СИСТЕМ

1.1 Анализ методов автовтоматической классификации объектов

Теория автоматической классификации образов в настоящее время выделилась как самостоятельная научная дисциплина, являющаяся важным разделом кибернетики [5-8].

Согласно П.К.Анохину [9] процесс распознавания образов состоит из двух разделенных во времени этапов: обучения и экзамена. В связи с этим задачу распознавания состояний ОКУ сформулируем следующим образом: на этапе обучения найти оптимальное, в смысле получения на экзамене максимальной достоверности распознавания, разбиение пространства признаков X и на этапе экзамена  по результатам ограниченного числа испытаний в рабочем режиме функционирования ОКУ; принять решение с близкой к единице достоверностью о принадлежности распознаваемого вектора состояния  некоторому классу из заданного алфавита библиотеки, содержащего конечное множество классов распознавания. В классической постановке ограничиваются детерминированным разбиением пространства X на классы,что не исключает статистического подхода к распознаванию. Условия такого разбиения множества R имеют следующий вид:

                                                                             (1.1.1)

По типу решающего правила методы распознавания образов делятся на детерминированные, статистические и детерминированно-статистические.

Первоначально, для целей автоконтроля, начали применяться детерминированные методы распознавания, как наиболее простые. Так широкое распространение получил для контроля работоспособности и поиска неисправности метод синдромов (или эталонов). При этом методе, проверкой охватывается весь ОКУ и его отдельные узлы, блоки и элементы, до уровня которых отыскивается неисправность. В процессе контроля каждый результат проверки сравнивается с одним из синдромов, характеризующих определенное состояние ОКУ. Библиотека таких синдромов составляется предварительно на этапе обучения, который сводится, в основном, к логико-функциональному анализу ОКУ, и затем вводится в ДЗУ распознающей системы. Описанный способ характеризуется невысокой точностью контроля, особенно в динамическом режиме, при котором в большей степени, чем в статике, сказывается влияние случайных факторов на ОКУ. Этот недостаток присущ всем детерминированным методам распознавания, что существенно ограничивает их применение для решения задач контроля сложных динамических систем.

Идея статистического подхода в распознавании образов, сформировавшегося в 60-х годах, состоит в представлении результатов контроля в виде случайного вектора состояния. Затем по одному из критериев теории статистических решений определяется принадлежность данного вектора одной из областей пространства  X. Отсутствие на практике полной априорной информации о состояниях ОКУ, является основной причиной низкой достоверности распознавания, получаемой статистическими методами. Наиболее существенные результаты по машинной диагностике статистическими методами получены в тех областях науки и техники, где имеется возможность набора статистики при обеспечении статистической однородности и устойчивости, вытекающих из условия центральной предельной теоремы теории вероятностей. При выполнении этого условия представляется возможность применения хорошо разработанного аппарата теории статистических решений, основанного на параметрических методах математической статистики. Основной заслугой статистического подхода к распознаванию образов является развитие теории обучения, основы которой изложены в работах. Суть всех  статистических методов обучения состоит в нахождении разделяющей функции, способ построения которой задает способ разбиения пространства на классы распознавания. Так, в работе [10] задача обучения трактуется как отыскание экстремального значения показателя эффективности обучения, в качестве которого рассматривается минимум среднего риска ошибочного распознавания.

В статистических методах распознавания этап обучения характеризуется значительной вычислительной трудоемкостью и недостаточной оперативностью, обусловленной необходимостью выполнения условий сходимости алгоритмов обучения. Учет специфики отдельных задач распознавания позволяет повысить оперативность этапа обучения. Однако в целом оперативность решения задач обучения, как на основе градиентных методов, так и других известных модификаций метода статистической аппроксимации колеблется в значительных пределах.