Об алгоритмах самоорганизации в задаче синтеза информационных технологий обработки сигналов
На
самом же деле это не так! Дело в том, что момент начала кристаллизации,
определяется множеством внешних факторов (начальной температурой расплава,
условиями теплообмена и т.п.). А это значит, что для различных наблюдений в
выборке, температуре ликвидуса TL будут соответствовать различные номера
дискретных значений
. Поэтому
совершенно очевидно, что без привлечения дополнительной информации при сколь
угодно большом объеме W выборки невозможно восстановить истинную зависимость
(4) в классе структур (5), поскольку для различных наблюдений аргумент истинной
зависимости (4) – температура TL – будет соответствовать различным аргументам
моделей (5).
К
тому же при больших значениях
возникают
непреодолимые вычислительные проблемы в использовании известных алгоритмов
МГУА, но это уже другие проблемы.
Отсюда
следует, что важным этапом синтеза ИТ обработки сигналов, предшествующим
структурно-параметрической идентификации, является переход от пространства
наблюдений
к пространству
потенциально полезных признаков
меньшей
размерности (
), а затем уже
этап использования этих признаков в качестве аргументов моделей косвенного
контроля и диагностики, селектируемых тем или иным алгоритмом самоорганизации
на основе обучающей и контрольной выборок.
Именно такой взгляд на роль алгоритмов МГУА при синтезе прикладных ИТ обработки сигналов в условиях ограниченной априорной информации представляется автору наиболее реалистичным. Структура инструментальной системы “СИДИГРАФ”, реализующая такой подход, обсуждалась в работах [5,12].
Практические
результаты. Как уже отмечалось, рассмотренный в предыдущем разделе пример оценки
только одного содержания углерода является упрощенной схемой задачи, которая
была положена в основу синтеза ИТ “ТЕРМОГРАФ”. Оказалось, что используя всего
лишь информацию о дискретных значениях температуры
в процессе
охлаждения пробы удается оценить с приемлемой точностью целый ряд других
химических элементов расплава (содержание кремния
, хрома
, фосфора
, марганца
, и др.), а
также прогнозировать механические свойства металла, в частности прочность на
растяжение
и твердость
.
Переход
от пространства наблюдений размерности
к экономному
пространству признаков осуществлялся на основе специальных вычислительных
процедур, позволяющих автоматически выделить на термограмме
и ее первой
производной
информативные
фрагменты (см. рис. 7). Границы этих фрагментов (точки) соответствуют
характерным тепловым эффектам фазовых превращений металла, а именно
А - максимальному тепловому эффекту дендритной кристаллизации;
B - максимальной скорости охлаждения после периода дендритной кристаллизации;
C - температуре начала кристаллизации эвтектики;
D - температуре метастабильного превращения расплава;
E - максимальному тепловому эффекту процесса кристаллизации эвтектики;
F - температуре солидуса расплава;
G – максимальному изменению скорости охлаждения в период кристаллизации эвтектики;
H - температуре окончания кристаллизации эвтектики;
J - моменту времени, при котором температура расплава становится равной T = 1050 град С.

Рис.7. Термограмма и ее первая производная
Для
каждой из указанных девяти точек определялась тройка величин
, (
),
представляющих собой момент времени, при которой она появилась, а также
значение температуры и оценка ее первой производной в этот момент времени. Тем
самым осуществлялся переход от исходного пространства наблюдений размерности
к экономному
пространству признаков размерности
( таблица 2).
Таблица 2. Потенциально полезные признаки термограммы
|
ЗНАЧЕНИЯ ПризнакОВ |
ХАРАКТЕРНЫЕ ТОЧКИ ТЕРМОГРАММЫ | ||||||||
| A | B | C | D | E | F | G | H | J | |
|
|
22 | 43 | 101 | 159 | 178 | 209 | 267 | 286 | 307 |
|
|
1200 | 1186 | 1138 | 1116 | 1119 | 1125 | 1108 | 1083 | 1050 |
|
|
-0.20 | -1.11 | -0.59 | 0.00 | 0.27 | 0.00 | -0.75 | -2.02 | -1.30 |
Именно эти признаки предложено использовать в качестве аргументов моделей для косвенной оценки химического состава и прогнозирования механических характеристик литейного чугуна.
Структурная и параметрическая идентификация таких моделей проводилось на основе использования двух выборок термограмм (обучающей и контрольной) с известными значениями технологических параметров. Построенные таким образом модели для условий Купянского литейного завода имели вид:



где
-
среднеквадратическое отклонение модельных и точных значений соответствующего
параметра для наблюдений контрольной выборки.
Аналогичная схема была положена в основу синтеза других ИТ обработки сигналов, в частности, медицинских ИТ для диагностики заболеваний человека по кривым биохемилюминисценсии (БХЛ), электрокардиограмме (ЭКГ) и магнитокардиограмме (МКГ).
В отличие от принятого в кардиологической практике амплитудно-временного анализа был предложен новый подход к обработке ЭКГ [13-16], основанный на ее представлении в фазовом пространстве координат. Применение этого подхода для обработки ЭКГ в 12 стандартных отведениях позволило обнаружить новые диагностические признаки для распознавания больных ревматоидным артритом с неизмененными параметрами ЭКГ согласно традиционным представлениям [17].
Одна из задач исследований, проводимых в рамках международного контракта № 01 KX 96115/1 с германской фирмой L.U.M. GmbH (г. Берлин), была направлена на изучение взаимосвязи параметров ЭКГ (во временной области и в фазовом пространстве) с параметрами крови, отражающими активность воспалительного процесса. Для изучения этих зависимостей был привлечен комбинаторный алгоритм МГУА [3]. В качестве потенциальных регрессоров использовались 33 показателя результатов анализа венозной крови испытуемых - развернутый общий анализ, коагулограмма, печеночные пробы и ревмопробы (таблица 3).
Таблица 3. Потенциальные регрессоры
| Обозначение | Наименование |
| ERY | Эритроциты, x10e12 |
| HGB | Гемоглобин, г/л |
| COL | Цветной показатель |
| RET | Ретикулоциты, % |
| LEU | Лейкоциты, x10e9 |
| BAS | Базофилы, % |
| EOS | Эозинофилы, % |
| PLN | Палочкоядерные нейтрофилы, % |
| SGN | Сегментоядерные нейтрофилы,% |
| LYM | Лимфоциты, % |
| MON | Моноциты, % |
| SOE | Скорость оседания эритроцитов, мм/г |
| PTI | Протомбиновый индекс, % |
| REC | Время рекальцификации,сек. |
| FIB | Фибрин, мг |
| FBG | Фибриноген, мг/л |
| BNA | Бета-нафтоловый тест |
| ETH | Етаноловый тест |
| BIL | Биллирубин общий, микромол/л |
| TIM | Тимоловая проба |
| FRM | Фермоловая проба |
| ALT | Аланиновая трансфераза |
| AST | Аспаргиновая трансфераза |
| MUK | Мукопротеины |
| BEL | Общий белок, г/л |
| ALB | Альбумины, % |
| GLB | Глобулины, % |
| A1G | Aльфа-1 глобулин, % |
| A2G | Aльфа-2 глобулин, % |
| BGL | Бета-глобулин, % |
| GGL | Гамма-глобулин, % |
| ASL | Антистрептомицин-O, МВ/мл |
| CRP | C-реактивный протеин |
В
результате селекции построены модели, связывающие показатели ЭКГ (отклики) с
указанными регрессорами в виде линейных уравнений множественной регрессии
оптимальной сложности. Так, например, установлено, что существуют надежные
статистические связи относительных углов ориентации усредненной фазовой
траектории ЭКГ во втором стандартном (отклик
) и в пятом
грудном (отклик
) отведениях с
параметрами крови. Эти модели имеют вид:

где
-
коэффициентом множественной корреляции, а
- число
наблюдений.
Заключение. В статье показано, что вульгаризация идеи метода самоорганизации моделей, вызванная недопонимания его основной сути, может приводить к необоснованному пессимизму в оценке практической ценности алгоритмов МГУА.
Показано, что реалистичный подход к использованию алгоритмов самоорганизации в задаче синтеза ИТ обработки сигналов, основан