ТЕХНИЧЕСКИ УНИВЕРСИТЕТ – СОФИЯ Училище за ...

ТЕХНИЧЕСКИ УНИВЕРСИТЕТ – СОФИЯУчилище за докторанти – Факултет за Френско Обучение по Електроинжинерство Училище заДокторантимаг. инж. Инна Огнянова Начева – ДобреваСЕНЗОРНИ СИСТЕМИ ЗА АНАЛИЗ НА СРЕДАТА НА РОБОТИАВТОРЕФЕРАТНа дисертация заполучаване на образователна и научна степен „доктор” научна специалност„Роботи и манипулатори”, професионално направление 5.1 Машинно инженерствоНАУЧНИ РЪКОВОДИТЕЛИ: Доц. д-р инж.Пенчо ВенковДоц. д-р инж.Константин ДимитровРЕЦЕНЗЕНТИ: Проф.д-р инж. Тодор НешковДоц. д-р инж. Димитър КарастояновСофия 2012г.1

Дисертационният труд е обсъден и насочен за защита от катедрен съвет на Училище задокторанти на Факултет за Френско Обучение по Елетроинженерство на ТехническиУниверситет – СофияДисертационният труд съдържа 136 страници текст (включващи ... таблици, ... фигури, ...формули), като са използвани 142 литературни източника. Материалът е структуриран последния начин: шест глави, списък на литературата, списък на публикациите свързани с тематана дисертацията. В заключението са обобщени основните приносни резултати в изпълнение нацелта, поставена в дисертационния труд.Защитата на дисертационния труд ще се състои на 03.10.2012г. от 11.00 часа в зала 12618 наТехнически Университет – София на заседание на Научно жури: Заповед на ректора N: ОП-533от 17.09.2012 г. Материалите по защитата са на разположение в канцеларията на ФФОЕ наТехнически Университет – София.Автор: маг.инж. Инна Огнянова Начева – ДобреваЗаглавие : „Сензорни системи за анализ на средата на роботи”2

ОБЩА ХАРАКТЕРИСТИКА НА ДИСЕРТАЦИОННИЯ ТРУДАктуалностна проблема:В мобилната роботика често е необходимо да бъдат обхождани различни терени илиизследвани различни типове среди без прякото участие на човека, например при провеждане наизследвания на среди с наличие на рискови фактори, замърсявания с вредни химическивещества, радиация, взривоопасност. За целта е необходимо мобилният робот да притежаваметоди и средства за ориентация в работната среда и да поддържа нейни модели.Изследванията в тази област изискват интердисциплинен подход и наличие на сериознипознания по математическо моделиране, разпознаване на образи, невронни мрежи, размиталогика и др. По света има множество изследвания, предложени са различни частни решения, ноу нас като цяло и при ползване на неронни мрежи и размита логика са новост. Решаването назадачата на място за изследвания обект е важно и от гледна точка на разходи,конкурентоспособност и други пазарни изисквания.Задължително условие при възстановяването и поддържането на работоспособното състояниена мобилните роботи и системите за анализ и диагностика се явява създаването на бази отдиагностични данни, прецизно характезиращи техическото състояние на мобилните роботи ииндустриалните системи в променящи се условия на експлоатация. От получаваната иобработвана диагностична информация, се оценява и прогнозира техническото състояние наизследваните процеси, като за целта се използват оригинални алгоритми и методики.Изложените разсъждения представят двата основни аспекта на актуалността на разработениятруд: научен и научно – приложен.Научно – приложният аспект обхваща използването на модерни математически процедури(методи за разпознаване на образи, форми и състояния, невронни мрежи и размита логика), наосновата на които се създават поддържащите алгоритми и програмни системи , необходими заосъществяването на автоматизирана диагностика.Актуалността на разработената тема от приложен аспект се състои във възможността заиндивидуално и непрекъснато контролиране на симулирани експлоатационни характеристики сцел диагностициране на грешки, както и експериментални изследвания на индустриалнипроцеси в реални експлоатационни условия чрез диагностична система.Обект и област на изследването:Обект на нстоящето изследване са сензорните системи за визуална комуникация примобилните роботи, както и системи за разпознаване и оценяване на процесни характеристики виндустриални процеси, а областта на изследването обхваща оценяването и прогнозирането натяхното техническо състояние и поведение в непознати режим на работа и условия наексплоатация.Цел на изследването:Изследване на възможностите и приложимостта на невронни мрежи и размита логика всензорните системи за анализ на средата на мобилни роботи и тяхното приложение затехническа диагностиката и управлението на процесни характеристики в реалнииндустриални системи.За постигането на тази цел се дефинират следните задачи:• Разработване на система, методи и алгоритми за моделно разпознаване, 3D моделноразпознаване на символи и обекти в изображения, поличени чрез система затехническо зрение на мобилен робот, както и алгоритъм за позициониране намобилен робот пред знак и разпознаване символите в него.3

• Разработване на теоретични предпоставки, модели и конкретни математическизависимости за осъществяване на автоматизирана диагностика (оценяване) наиндустриални симулирани състояния чрез методите за разпознаване на формите иобразите и стохастична апроксимация.• Създаването на автоматизирана модулна система за обработване, оценяване иразпознаване на процесните характеристики в индустриални системи, която да бъдесъставена от хардуерни и софтуерни модули със селективни възможности законтролирано и неконтролирано обучение, както и прогнозиране на измененията встойностите на диагностичните параметри, определящи съответните техническисъстояния в индустриалните процеси.• Създаване на обобщен алгоритъм за приемане на данни от сензорен модул иосъществяване на реални измервания и първична обработка на процеснихарактеристики, както и създаване на оригинални алгоритми и програмни системи засъщинско разпознаване на процесни характеристики на базата на вече създаденатаавтоматизирана модулна система.• Разработване на обширен подход за изграждане на система от множествоинтелигентни агенти (СМА), който в комбинация с модул размита логика е способенда наблюдава и диагностицира комплексните и отделните проблеми, които бихамогли да се появят в наблюдавания процес, както и да достигне допустимост нагрешки в индустриалния контрол, както и разработване на методики и алгоритми запрогнозиране на изменението на техническото състояние на индустриалните системислед процеса на диагностика.Методологична основа:Основните задачи на дисертацията са решени чрез използване на съвременни градивниелементи и схемни решения за реализиране на експериментална платформа и използване напрограмни продукти за реализиране на алгоритмите за обработване на получените отексплоатацията данни.Технически данниДисертационният труд съдържа: яест глави, списък на литературата със 142 заглавия.Обемът му е в размер на 136 страници текст, включващ 14 таблици, 16 фигури, 74 формули.Номерацията на таблиците, фигурите и формулите е запазена в настоящия автореферат.ПубликацииПо дисертацията на тема „Сензорни системи за анализ на средата на роботи” са публикуванишест научни работи. Техният списък е даден в края на автореферата.ГЛАВА 1. АНАЛИЗ НА ЛИТЕРАТУРНИ ИЗТОЧНИЦИ, СВЪРЗАНИ СПРОБЛЕМАТИКАТА НА ДИСЕРТАЦИЯТА.Мобилният робот се нуждае от възприятие за локалната си работна среда с цел определянена позицията и ориентацията си. Традиционните методи за навигация изграждат стратегии катоприемат, че сензорната система е способна да локализира робота, отчитайки позицията наобектите в средата. Не всички сензорни системи са в състояние да поддържат точнаталокализация на робота във всеки един момент и се нуждаят от точна стратегия запозиционирането му в някои точки. С цел да се планира едновременно активността навъзприемане, локализацията и движението на робота, е необходимо да се установятотклоненията при позиционирането му и как те засягат възприятията на робота за локалната4

среда и ориентацията му в нея. Съществуват различни методи за анализ на сензорнаинформация. За сливане на информационните канали се ползва Калманов филтър, но припредварително познаване на статистическите характеристики на каналите може да се използватБайесов филтър или филтри действащи с размита логика.Оперирането на мобилни роботи в „социална” среда изисква те да могат да откриват иразпознават обекти, да комуникират с агенти в средата. Терминът „Социална” означава среда, вкоято се движат и оперират хора, а термина „Агенти”, според терминологията на изкуственияинтелект, са всички активни участници в динамичната среда.Цветът е белег, който позволява да се елиминира излишъка от геометричнаинформация в изображенията на система за техническо зрение, работеща в реално време. Втази стратегия трудностите са свързани със стабилизирането на цветовите параметри наобектите при различна външна осветеност и опростяване на критериите за клъстеризация напикселите с един и същ цвят в цветовото пространство.Целта на методите за Моделното Разпознаване (МР) е да класифицира, значимите обекти ведна или повече категории (класове) . Като цяло значим обект се нарича модел - електроненсигнал, вълна, изображение, актуално състояние на система и/или процес, подложен на анализи оценка по време на диагностика на грешките и т.н.Процесът на оценяване и разпознаване на характеристики, представени като образи, примериили състояния, всъщност представлява метод на включване (т.е. класиране) на изследванитемодели (състояния) към някои от формирани (априорно или текущо) класове от примери.Ако съществува група от модели, чиито индивидуални класове на принадлежност са известниаприори, тогава методът на МР би могъл да бъде установен като контролирано МР.При този вид методи се приема, че всеки клас се характеризира от съвкупност (множество) отпредставителни характеристики, които са присъщи за множеството от съставящи класа образи.От тук нататък, интересът ни ще бъде основно фокусиран в системите за моделноразпознаване за техническо зрение. Обикновено в тази област, входът е едно или повечеизображения, а изходът е едно или повече изображения евентуално с някои семантични и/илибуквални наименования.В последните години, контролът базиран на размита логика се превърна в цел на многопроучвания в областта на управлението.Размитата логика се различава от класическата логика с това, че е толерантна към неточности,променливост и нелинейност. В контекста на навигацията в мобилната роботика, една системабазирана на размита логика има предимство в това, че позволява интуитивен характер нанавигацията базирана на правила и е лесна за моделиране, използвайки лингвистичнатерминология.Един от основните проблеми, свързани с традиционното поведение, при навигационнитесистеми за мобилни роботи са решенията свързани с управлението. Наличието на множествоповедения, които всички заедно протичат конкурентно, води до ситуации, в които няколкоизхода на управлението могат да бъдат получени едновременно.Извършените до тук анализ и оценка на сензорните системи, използвани в мобилната роботика,както и на познатите методи за обработка и сливане на информация от тях и не на последномясто на алгоритми за приемане на данни за същинско разпознаване на образи и сцени, налагатследните изводи и предпоставки, които определят изследването като актуално и дават отправнаточка за формулиране на целта на дисертационния труд.Тези изводи и предпоставки са както следва:1. Проблемът с изграждането на прецизна карта на средата на мобилен робот естрого свързан с този на себе - позиционирането на робота: от една страна, роботът има нуждада познава своята позиция, за да изгради карта, от друга страна, той би могъл да определипозицията си много по-лесно ако има карта. Няколко различни вида сензорни системи и методиза сливане на информационни канали за анализ на средата на роботи бяха разгледани. Такадобре познатите методи за сензорен анализ, ще бъдат основата за решаването на проблемите накартографирането на работната среда на мобилен робот и неговото позициониране, както и базаза по-нататъшни разработки в теоретичен и приложен аспект.5

2. Разгледана бе система за техническо зрение за мобилен робот и възможносттаму за ориентация в ‘социална’ среда чрез знаци за визуална комуникация. Анализираниятметод за цветова сегментация, за да бъде надежден изисква хомогенно осветление на средата,както и ротация на камерата и/или оптическо увеличение. Това позволява търсенето на другипо-гъвкави решения за разпознаване на изображения и сцени, с цел повишаване автономносттана мобилния робот.3. Процесът на оценяване и разпознаване на процесни характеристики всъщностпредставлява метод на включване (т.е. ранжиране) на изследваните процесни състояния къмнякои от формирани (априорно и/или текущо) класове от състояния. При този вид методи сеприема, че всеки клас се характеризира от съвкупност (множество) от представителнихарактеристики (т.нар., “features”, англ.), които са присъщи за множеството от съставящитекласа образи. Използват се главно изкуствени невронни мрежи и невронно - размити структури,както и някои видове генетични модели и алгоритми. Разбира се разработването и прилаганетона подобни структури се извършва най-вече в условията на силна неопределеност, т.е., приналичие на «размиване» на процесни данни и системните характеристики. Това дававъзможност за създаването на автоматизирана модулна система със селективни възможности законтролирано и неконтролирано обучение, за обработване, оценяване и разпознаване напроцесни характеристики.Тези идеи изразяват и смисъла на настоящата дисертация, т.е да се разработи диагностичнасистема, осигуряваща непрекъснат поток от информация при стохастичните режими на работаи непрекъснато променящи се условия на експлоатация, като се създадат методики, алгоритмипрограмни системи за съхраняване и обработване на получената информация и за оценяване ипрогнозиране на технически състояния.От извършения сравнителен анализ на достъпните литературни източници биха могли да сенаправят следните главни изводи:1. Не бе намерена достъпна разработка за системи и методи за моделноразпознаване на символи и форми от изображения, получени чрез система за техническозрение на мобилен робот, както и за 3D моделно разпознаване в мобилната роботика за подборна сегменти2. Не бе намерена достъпна разработка на система за непрекъсната диагностика наиндустриални процеси с възможност за регистриране и съхраняване на данни, натрупани приавтоматизирания диагностичен процес;3. Не се откриха и публикации, отразяващи възможностите на програмни системи заприемане, регистрация и обработка на информация, както и системи за оценяване ипрогнозиране на състоянията при променливи режими на работа.;4. Отразените в литературните източници методи за оценка и прогнозиране насъстоянията са представени доста общо теоретично и са почти непригодни за инженерниизследвания.ГЛАВА 2. ЦЕЛ И ЗАДАЧИ НА ДИСЕРТАЦИОННАТА РАБОТА.На основата на осъществените проучвания и анализи и като се определи влиянието наавтоматизираната диагностика върху работоспособното състояние на мобилните роботи ииндустриалните процеси, в настоящата дисертация се определя следната основнаЦел:Изследване на възможностите и приложимостта на невронни мрежи и размита логика всензорните системи за анализ на средата на мобилни роботи и тяхното приложение затехническа диагностиката и управлението на процесни характеристики в реалнииндустриални системи.6

За постигането на основната цел на дисертационната работа е необходимо да бъдатрешени следните основни задачи:1. Разработване на система и методи за моделно разпознаване на символи и обекти визображения, получени чрез система за техническо зрение на мобилен робот, както идефиниране на подход за 3D моделно разпознаване в мобилната роботика, подбор насегменти, и алгоритъм за измерване на корелация между два съвпаднали сегмента.2. Разработване на прагов алгоритъм за сегментация и алгоритъм за цветоваклъстеризация, както и алгоритъм за позициониране на мобилен робот пред знак иразпознаване символите в него.3. Разработване на теоретични предпоставки, модели и конкретни математическизависимости за осъществяване на автоматизирана диагностика (оценяване) наиндустриални симулирани състояния чрез методите за разпознаване на формите иобразите и стохастична апроксимация.4. Създаването на автоматизирана модулна система за обработване, оценяване иразпознаване на процесните характеристики в индустриални системи, която да бъдесъставена от хардуерни и софтуерни модули със селективни възможности законтролирано и неконтролирано обучение, както и прогнозиране на измененията встойностите на диагностичните параметри, определящи съответните техническисъстояния в индустриалните процеси.5. Създаване на обобщен алгоритъм за приемане на данни от сензорен модул иосъществяване на реални измервания и първична обработка на процеснихарактеристики.6. Създаване на оригинални алгоритми и програмни системи за същинско разпознаване напроцесни характеристики на базата на вече създадената автоматизирана модулнасистема, осъществяване на контролирано и неконтролирано обучение на систематакакто създаване на класифициращи алгоритми.7. Приложение на изградената модулна система за обработване, оценяване и същинскоразпознаване на реални процесни характеристики, като и да бъде извършен анализ наповеденческия модел (на действие) на системата.8. Разработване на специфична структура на изкуствена невронна мрежа, както иобучаващ алгоритъм за контрол чрез моделно разпознаване.9. Разработване на обширен подход за изграждане на система от множество интелигентниагенти (СМА), който в комбинация с модул размита логика е способен да наблюдава идиагностицира комплексните и отделните проблеми, които биха могли да се появят внаблюдавания процес, както и да достигне допустимост на грешки в индустриалнияконтрол.10. Разработване на методики и алгоритми за оценяване на техническото състояние наиндустриалните системи по получените данни, както и разработване на методики иалгоритми за прогнозиране на изменението на техническото състояние наиндустриалните системи след процеса на диагностика.ГЛАВА 3. РАЗРАБОТВАНЕ НА ТЕОРЕТИЧНИ ПРЕДПОСТАВКИ ЗА МОДЕЛНОРАЗПОЗНАВАНЕ И КЛАСИФИЦИРАНЕ НА СИМВОЛИ, ФОРМИ И СЪБИТИЯ.СИСТЕМИ ЗА РАЗПОЗНАВАНЕ НА ОБРАЗИ И СЪСТОЯНИЯ ПРИ МОБИЛЕНРОБОТ, БАЗИРАНИ НА НЕВРОННИ МРЕЖИ И РАЗМИТА ЛОГИКА.3.1 Приложение на моделно разпознаване в мобилен робот.Системата за моделно разпознаване (СМР) е автоматична система, която се стреми даприобщи входяща представителна характеристика в специфичен клас. Това се извършва в двепоследователни задачи:1. Анализ (описание), който извлича свойства на изследваната представителнатахарактеристика и7

2. Класификация (разпознаване), което ни позволява да разпознаем обект (модел) чрезнякои свойства, които произхождат от първата задача.Класифициращата схема обикновено е базирана на наличността на обучаващо множество,което е съставено от представителни характеристики (модели), които вече са биликласифицирани.Нека и са отличителните вектори, представящимоделите А и В в пространство с N измерения. Примери за разстояния са представени съсследващите изрази.Разстояниеd 1 (V A , V B ) = (3.2)Разстояние ( ) Евклидово разстояние:Разстояние ( )d 2 (V A , V B ) =2(3.3)d 3 (V A , V B ) = (3.4)Целта на системите, които обработват изображения на базата на тяхното съдържание еда опишат автоматично изображения чрез тяхното съдържание: цвят, структура (текстура) иформа или комбинация от тях.Едно изображение може да бъде описано чрез характеристики - произхождащи от цвета,текстурата или формата им или от комбинацията на тези характеристики.Представителните характеристики извлечени от цветове, са базирани на цветовоторазпределение вътре в изображението. Съществуват много подходи за дефиниране напредставителни характеристики цветове.: преобладаващ цвят, цветова хистограма или цветовопространство - RGB (red-green-blue) похода, наситеност на оттенъците (HSV, hue-saturationvalue), обхватите CIELUV, CIELAB, CIEXYZ. Чрез тези начини на представяне,представителните характеристики са дефинирани въз основа на цветова хистограма.За всеки пиксел на изображението, би могла да се установи (построи) хистограма отнива на сиво в предефиниран съседен район, съсредоточен около този пиксел. Разпределениетоот двойки нива на сиво за дадена пространствена връзка върху пиксели, може да бъденаблюдавано в събитийната матрица M(i, j). Примери за различни представителнихарактеристики от събитийни матрици от нива на сиво са базирани на тази събитийна матрица.В Таблица 3.1, взимайки предвид структура на изображение с нива на сиво между 0 и L-1, сапредставени някои от тези представителни характеристики.Таблица 3.1Обикновено има два вида подходи за описание на форми:• Подход, базиран на контура;• Подход за описание на основа на областите.Подходът базиран на контури извлича представителни характеристики форми, отединствения контур по два възможни начина: структурен и глобален. При структурния подход,8

контурът е разделен на подсекции, за да генерират низове от разклонения, според определенсинтаксис. Сходността между две форми в този случай се измерва чрез съвпадение от технитенизове или разклонения. По време на обработването на контур по глобален начин, се използваподходяща техника за извличане на примитиви на представителни характеристики отинтегралния контур: „ексцентричност”, периметър, кръгообразност. От тези основнихарактеристики се дефинира многомерен вектор, който представя формата в пространството напредставителните характеристики. При това представяне, измерването на сходството илисъвпадението между две форми се извършва чрез директно измерване на специфичноразстояние между техните вектори, от представителни характеристики.Подхода базиран на области изисква всички пиксели обградени от границите на форматада се взимат предвид за генерирането на описание на формата. Както и в случая на подходабазиран на контура и при този подход наблюдаваме два различни начина за описание наформите: глобален и структурен. При структурния подход формата е разделена на двеподобласти, за да генерира дърво, което описва формата. При глобалния подход се изчисляватнякои представителни характеристики, с цел генерирането на вектор, който да опише формата.Съвместните глобални представителни характеристики, производни на подхода базиран наобласти са:• променливи на геометричния момент• матрица на формата• компактност на областта• „ексцентричност”• число на Ойлер• геометричен момент• други.За описанието на подхода базиран на области, често се избира ъглово – радиалнататрансформация (Angular radial transform ART). Това е подход за описание на 2D формибазирани на областите.Подходът базиран на контура е по-привлекателен от походът базиран на областите,защото е обвързан с по-малка изчислителна комплексност при достигането на прецизнаефикасност. Основният недостатък на подхода базиран на контура е, че е много зависим отшумове и промени.Предизвикателство за моделното описание е да позволи моделното разпознаване дорипри съществуване на различни деформации, а именно частични затъмнения и непостояннидеформации.3.2 Разработване на структура на адаптивна невронна мрежа за системи заразпознаване на образи и състояния.Предложената невронна мрежа няма типичната предварително определена структура, сопределен брой неврони, а по-скоро е адаптивна структура със себе включващи се неврони.Структурата зависи само от характеристиките и представянето на реда на моделите въввходящото множество от данни. На Фиг.3.7 е показана диаграма на пълната процедура наобучение на невронна мрежа.Фиг.3.7 Комбинирано неконтролирано и контролирано обучение на невронна мрежа9

3.2.1 Съставяне на теоретичен модел за Неконтролирано Обучение на Невронна Мрежа засистеми за разпознаване на образи и състоянияПо време на този етап, моделите са представени без техните етикети на категории.Предварителното предположение на броя на клъстерите и техните позиции не са определенипредварително, а само стабилно измерване между прототипите на клъстерите е специфицираночрез праговия параметър. Неконтролираното обучение е съставено от две стъпки:• Фаза на инициализация;• фаза на стабилизация.Фазата на инициализация е показана на Фиг.3.8Фиг.3.8. Неконтролирано обучение – инициализацияФазата на стабилизация, показана на Фиг.3.9Фиг.3.9. Неконтролирано обучение - стабилизацияНеконтролираното обучение образува множество от стабилни клъстери, в това числохомогенни клъстери, съдържащи модели от идентични категории и нехомогенни клъстери,съставени от модели от две или повече категории. То изисква относително дълго време заизчисление, поради големия брой на итерации, необходими за конвергенцията на фазата застабилизиране. Стъпките на неконтролираното обучение, изпълнено от инициалната достабилизиращата фаза са дефинирани чрез уравненията по-долу:• Етап 0.J e дължината на входящия модел, I е броя на обучаващите модели, L е броя на клъстерите илиневроните, е броят на моделите, които принадлежат на клъстера l.10

е входящия модел i, а е представителната характеристика j навходящия модел i, и е прототипа на клъстера l.• Етап 1.Нека : = 0.• Етап 2.От новия клъстер:• Етап 3.Нека: Ако направи Етап 7;Ако направи Етап 4.• Етап 4.Изчисляване на Евклидово разстояние между модел i и прототип на клъстер l:за l = 1, 2, …, L; (3.10)Намиране на сходния прототип p, за който .• Етап 5.Сравнение между минималното разстояние и праговия параметър :Ако премини през Етап 2;Ако премини през Етап 6.• Етап 6.Моделът е приложен към клъстера , и съответстващия прототип е актуализиран:, (3.11)Премини през Етап 3.• Етап 7.Нека: , всеки модел е представен отново.• Етап 8.Нека: ,Ако , премини през Етап 13;Ако , премини през Етап 9.• Етап 9.Моделът текущо принадлежи на клъстера . Изчислява се Евклидово разстояние междумоделът и прототипът на клъстерa :за ; (3.12)Намиране на прототипа , за който .• Етап 10 .Ако премини през Етап 11 за формиране на нов клъстер;Ако и премини през Етап 12 за смяна на клъстера за модел ;Ако и направи Стъпка 8, защото обучението не води до модел .• Етап 11.От новия клъстер се прави актуализация на предишния прототип ;, направи стъпка 13. (3.13)• Етап 12.Промяна на клъстер за модел и актуализация на новия и предходния прототипи и :(3.14)• Етап 13.(3.15)11

Ако в етапи 8 – 12 някои от моделите се промени, принадлежността му към неговия клъстерминава през етап 7, иначе неконтролираното обучение приключва.3.2.2. Съставяне на теоретичен модел за Контролирано Обучение на Невронна Мрежа засистеми за разпознаване на образи и състоянияПо време на контролираното обучение, показано на Фиг.3.10, означението на категорията еприсъединена с всеки вход на модела, позволяващ идентификация и отделяне не хомогенни инехомогенни клъстери, получени от неконтролирано обучение. Етикетите на категориите саприсъединени на хомогенни клъстери и са прибавени към паметта на складираните клъстери,включително и техните характеристики, позиция на прототипа, размер и категория. Моделитеот хомогенни клъстери са преместени от допълнителни неконтролирани и контролираниобучаващи итерации. Множеството от оставащи модели, представени в нехомогеннитеклъстери е трансформирано в ново, множеството от входящи данни е намалено и използвано заследваща итерация. Конвергенцията на обучаващия процес е ефикасно контролиран от праговпараметър, слабо намаляван след всяка итерация. Обучението приключва, когато всичкимодели са групирани в хомогенни клъстери. Противно на бавно конвергентнотонеконтролирано обучение, контролираното обучение е сравнително бързо, защото няма нуждаот обхождане.Фиг.3.10 Контролирано обучение3.3. Изграждане на Размита невронна мрежа за системи за разпознаване на образи исъстояния - необходимост от прилагането на размита логика.Основното предимство при въвеждането на K-NN класификатор е неговата изчислителналеснота, но има съществен недостатък - всеки от клъстерите в K съседство е приеман катоеднакво важен за определянето на категории, модели за класификация, без значение от тяхнатаголемина и разстояние между моделите. Използвайки този класификатор, не е възможноопределянето на надеждни граници между категориите. Така например съществуванедвусмислена ситуация, винаги когато нов модел се намира много близо до само единпрототип и интуитивно трябва да бъде класифициран към категорията на този прототип.Въпреки това, в реалността събитията са доста различни. Съответният модел би могъл да сепоявява в необозначеното пространство между клъстерите или в техните области напрепокриване, както и да бъде малко или много подобен на няколко прототипа, разположени наблизо и твърде възможно обозначени с различни категории. Очевидно е необходимо найблизкиятK-съседство класификатор да бъде подобрен за постигане на по-добра генерализацияза моделите, които съответстват на ново множество от събития - непознато до сега наобучението и евентуално различни от всички съществуващи прототипи. Класификацията на12

новия модел може да бъде предефинирана, не само да бъде обикновена функция от категориина най-близките клъстери, но като комплексна функция, съставена от техните, размер иразстояние до модела. С тази цел се използва подход, който въвежда теорията на размититемножества в концепцията на класификатора, за да бъде разработена размита версия, показанана Фиг.3.13. Предполага се, че новия класификатор ще осигури по-реалистична класификацияна новите модели.Фиг.3.13 Изпълнение на обучена невронна мрежа с размит класификатор на най-близкотоK – съседство.3.3.1. Разработване на специфична структура на Де – размит класификатор свъзможности за приложение в системите за разпознаване на образи и състояния, изграденна базата на най-близкото K – съседство (K- NN класификатор).Дадено е множество от категоризирани клъстери, не – размитият K-NN класификатор определякатегорията от нови модели, само на базата на категории от K – NN клъстери(3.16)Където е прототип на клъстера k, е степента на принадлежност на клъстера k,принадлежащ на категорията c, е степента на принадлежност на модела , принадлежащна категорията c.i = 1, …, I; c = 1, …, C; k = 1, …, K; където I, K, и C е респективно броят на моделите, найблизкитесъседства, и категориите. Даденият класификатор позволява да има само еднинови (свежи) данни 0 или 1, в зависимост от това дали или не клъстера k, принадлежи накатегорията c=Ако два или повече K близки клъстери имат една и съща категория, тогава те прибавятстепента на членство към кумулативната стойност на членство на категорията.Най–накрая, когато „вноските” на всички съседства се срещнат, най-представителнатакатегория е предназначена за модела, (3.17)където е категорията предназначена за модела , и c = 1,…, C. По този начин изходитена дадена невронна мрежа се отразяват на различни категории от входящи събития.3.3.2 Ефект на разстоянията дефинирани на базата на вероятностни тегла.Първоначалното усилване на K-NN класификатора е въведение на приносите на тежестите напринадлежност на всяко oт K съседствата според тяхното разстояние до модела, давайки найголямотегло на по-близките съседи. Разстоянието обикновено е избрано да бъдетоварното Евклидово разстояние между модела и прототипа .13

(3.18)където параметърът е размиващата (фъзифициращата) променлива и определя какватежест е определена за разстоянието по време на изчисляването на приноса на всичко съседствокъм принадлежността в категория на модела. За избора на , изчисленото разстояние еравно на Евклидовото разстояние. Освен това, когато m нараства към безкрайност, членътклони към 1 без значение разстоянието и съседите са с равномерно тегло.Въпреки това, когато m намалява към едно, по-близкият съсед има по-голямо тегло от този,който е по-надалече. Ако , алгоритъмът се държи като не – размит K-NN класификатор заK=1.3.3.3 Дефиниране на ефекта на размерите на клъстерите при изграждане на система заразпознаване на образи и състоянияСледващото подобрение в K-NN класификатора е въвеждането на размита степен напринадлежност, като мярка за принадлежността на клъстера към собствената му категория.Очевидно няма смислена причина защо стойността на принадлежност трябва даподдържа само една чиста (свежа) стойност. За тази цел се разработва оригинално разширениена не-размития K-NN класификатор чрез отчитане на размерите на генерираните клъстери. Тъйкато всеки клъстер принадлежи на точно една от категориите, стойността на принадлежностможе да бъде предефинирана така, че да отразява съответния размер на актуалнияклъстер k .(3.19)където е степента на принадлежност на клъстера k от категория c, и е избрана така, чеда бъде пропорционална на радиуса на клъстера k. Резултатът то това е, че по-големите съседниклъстери си сътрудничат повече от по-малките клъстери.3.3.4 Разработване на специфична структура на Размит класификатор с възможности заприложение в системите за разпознаване на образи и състояния, изграден на базата нанай-близкото K – съседство (K- NN класификатор).Разширенията предложени в (3.19) и (3.20) могат да бъдат използвани, за да се определиразмит K – NN класификатор. Трябва да се класира нов модел базиран на категориите K най –близки клъстери, техния относителен размер, както и тегловите им разстояния до модела.Размитият K – NN класификатор изчислява, използвайки супер-позиция, множество отстойности на съседство от входящия модел , принадлежащ на всички категориипредставени в K най-близки клъстери, базирани на следната формула:(3. 20)където е даден в (3.19). В резултат, моделът е присъединен към категорията с найвисокастепен на принадлежност. Деноминаторът в (3.20) използва за всички K съседи занормализиране на общата стойност на принадлежност, която трябва да бъде равна на едно.Адаптивното поведение на класификатора може да бъде постигнато чрез промяна впараметрите K и m и избрана най-добрата двойка от стойности за отделно изпълнение. За K = 1,двата класификатора – размит и не-размит стават идентични.Постепенната еволюция от не-размит до размит класификатор е представена във Фиг. 3.14 –3.15 за множество от клъстери. В представените фигури, ефектите на тегловите разстояния иразмерите на клъстерите са постепенно въведени в размита степен на принадлежност.Клъстерите са показани в тяхното оригинално двумерно пространство , докато тяхнотовъздействие моделирано през функцията на принадлежност е представено в трето измерение.Областите за взимане на решения са дефинирани чрез суперпозиция на функции запринадлежност на клъстерите, използвайки уравнение (3.17) и (3.18).Областите за взимане на14

решения за избор на стойности на параметрите K = 4 и m = 1.50 са представени на Фиг.3.17.Взаимодействието на клъстерите е състоятелно в тяхната близост, имайки по-големи клъстерисилно обвързани в създаването на граници при взимането на решения, докато по-малкитеклъстери, реагират само тясна област разположена наблизо.В главата са разгледани и систематизирани различни подходи за моделно разпознаване,тяхното приложение в обработката на изображения в мобилната роботика, както и адаптивнаневронна мрежа, нейното контролирано и неконтролирано обучение, размиване инеобходимостта от прилагането на размит модул.При разпознаване на образите се решават две основни задачи:1. Формирането на класовете, наричано още обучение, състоящо се в анализиранена отделните образи и създаване на обучаваща последователност,2. Същинско разпознаване, т.е от получените резултати се приема решение зааранжиране на изследвания образ към класа с максимална вероятност на изпълнение накритерия за подобие.Разгледан е и обобщен алгоритъм за обработване на изследваните образи, групиране надиагностичните данни и осъществяване на процедури за приемане на решения, подредени пойерархични нива. Използват се главно метричните методи за разпознаване, които се основаватна количествена оценка на разстоянията като между диагностичните области, така и междуотделните точки (реализации) в пространството на образите.Разгледани са алгоритми за разпознаване чрез евклидови разстояния до еталони,корелационни процедури и множествени разлики.Алгоритъмът на минималното разстояние до множеството оценява разстоянията отпостъпилия за разпознаване образ до цялата съвкупност от реализации (стойности) на известнадиагностична област.В настоящата глава са разгледани конкретни математически зависимости заавтоматизирано оценяване на образи и състояния чрез прилагане на методите за разпознаванена образи и форми и стохастическа апроксимация. Те се използват при създаването наобобщени алгоритми и методики, показани в Глава 4 и Глава 5.ГЛАВА 4. РАЗРАБОТВАНЕ НА СИСТЕМИ И МЕТОДИКИ ЗА МОДЕЛНОРАЗПОЗНАВАНЕ НА СИМВОЛИ И ФОРМИ ОТ ИЗОБРАЖЕНИЯ, ПОЛУЧЕНИ ЧРЕЗСИСТЕМА ЗА ТЕХНИЧЕСКО ЗРЕНИЕ НА МОБИЛЕН РОБОТ.За целта на настоящото изследване използвахме мобилен робот (WifiBot), показан наФиг.4.1.Приемаме, че:• Роботът се движи бавно в планарнаповърхност.• Роботът се счита за твърдо тяло (без гъвкави части) и единствените подвижни части саколелата.• Всички негови геометрични размери са известни.• Колелата се въртят без хлъзгане и роботът използва независими скорости за колелата -леви и десни.Сензорната система на мобилния робот включва два вида източници:• дигитална видеокамера и• два инфрачервени локатора.Това изследване третира изключително, методи базирани на контура на моделите, тойсе основава на мултимащабно изглаждане на равнинни контури на модели. Този метод енапълно транслационно и ротационно не чувствителен и както беше показано по-рано еабсолютно устойчив на промени в скалата за широк обхват на мащабиране, както е ирезистентен към паразитни шумове.Структурата на метода би могла да бъде разделена на четири основно етапа (Фиг.4.4):15

• входящият контур е разделен на двепараметризирани функции,• двете функции са филтрирани на ниско ниво (изгладени),• настройването на скалата е приложено след двете филтрирани функции, с целсъответния изгладен контур да е в същата скала, както и входящия,• и най-накрая, е генерирана карта на пресечните точки, чрез намиране на пресечнитеточки на входящия и изгладения контур.Фиг.4.4. Схема на описанието на метода за изглаждане на контури.Отделяне на координати.Входящият контур е представен от серия от точки, дефинирани с техните координати (x, y).Първо - входящият контур е разделен на две функции x(u) и y(u), които са функции отнормализирания параметър на кривината, който варира от 0 до 2π - отнесено към дължината накривината. Тогава всяка точка от кривината е представена с нейните параметризираникоординати (x(u), y(u)).Изглаждане на криви.Функциите x(u) и y(u) след това са изгладени постепенно, чрез намаляване на честотнаталента на техния филтър. Изглаждането се базира на „Филтъра на Гаус” g() със стандартноотклонение :Филтрираните функции след това са представени чрез X( ) = g( )*x(u) иY( ) = g( )*y(u), така че всяка (х(u), y(u)) точка от входящия контур води до точката(X( ),Y )) от изходящия изгладен контур.Докато честотната лента е обратнопропорционална на , е ясно, че честотната лента намалявадокато се увеличава. По този начин филтърът реже все по-ниско, така че изходните функции седвижат към техните целеви стойности, където клони към безкрайност.Регулиране на обхват.След нискочестотното филтриране системата за регулиране на обхвата разтяга изходящияконтур, така че да достигне същия обхват като входящия. Така че двата контура да се пресекатв някаква точка. Фигура 4.5 показва пример за контур и два изгладени контура( ), след регулирането на обхватите им. По този начин входящият контур С 0 иконтурите с регулиран обхват С GC ( ), са в една и съща скала и могат да се пресекат.(4.1)Дефиниране на функция на пресечни точки.16

Първият подход обработва изображения в YUV цветово пространство. Тозиформат за цветни изображения е стандартен изход на повечето цветните ТВ камери и неизисква програмно преобразуване на цветовете. Негово предимство е, че той отделяосветеността (Y) от цветността (UV) на пикселите, което осигурява независимост на цветовотосегментиране от осветеността на средата. Подходът реализира класификация на отделнитепиксели към дискретно множество цветове, дефинирани с правоъгълни области с двойки отпрагове по всяка ос. За класификация на пикселите към тези области се използват бързилогически оператори за сравнение.• Обучението на системата за разпознаване се осъществява от оператор, койтозадава областите на краен брой цветови класове с набор от шест стойности: по две за всякакоордината на цветовото пространство. Тези области имат формата на тримернипаралелепипеди, които се разполагат в съседство един с друг, без да се пресичат. Броят набазовите класове на практика не превишава няколко десетки цвята.• Приемането на решение за класификация на пиксел от изображението къмопределен цвят се реализира с логически оператор за сравнение, които установява даливекторът на цветовите компоненти попада в тримерната област на класа, т.е. дали стойноститена цветовите компоненти YUV на пиксела удовлетворяват условиятаIF ( ( Y >= Yдолен праг ) AND ( Y = Uдолен праг) AND ( U = Vдолен праг ) AND ( V

Нормираните цветови компоненти са линейно зависими ( r + g + b = 1). Това позволява цветовотопространство да се представи в равнинна форма, вместо в тримерна.За сегментиране на зоните със зададен цвят се използва алгоритъм за клъстеризация,използващ евклидово разстояние като мярка за сходство. В процес на обучение на алгоритъма спикселите от зона със зададен цвят, се определят центъра на клъстера ( rc ,bc)и радиус s ,cзависещ от средноквадратичното отклонение на параметрите ( r, b)на пикселите.В режим на разпознаване се определя принадлежността на всеки пиксел отизображението към клъстера на цветови клас. Измерва се евклидовия интервал d от ( r, b)точката на пиксела до центъра на клъстера r ,b )c b c( c c:d = r − r + b −(4.9)Ако полученото разстояние е по-малко или равно на радиуса на класа S c, пикселът секласира към съответния цветови клас.Недостатък на алгоритъма е, че за тъмните пиксели често се получават грешни резултати откласификация, тъй като средната интензивност I клони към нула и нормираните цветовикоординати се определят единствено от шумовете. Аналогични резултати се регистрират и запиксели с отблясъци или гранична осветеност (255). Такива пиксели могат да се изключват отпроцеса на автоматична класификация чрез сравняване на интензивността I с долен и горенпраг на осветеност.Програмните реализации са разработени на Delphi и C++ и са изследвани с реалниобекти, с цел да се определи тяхното бързодействие, достоверност и шумоустойчивостРазработване на стратегия за позициониране на робота при разпознаване на знаците.Описаният алгоритъм за анализ и разпознаване на форми изисква всеки знак визображението да са с зададена големина, а оптическата ос на ТВ камерата да еперпендикулярна на равнината на знака. Това се постига с автоматично позициониране наробота пред знака, открит с алгоритъма за цветова сегментация на сцената.Стратегията за поведение на робота е аналогична с описаната в. Тя е допълнена с модул заразпознаване на символите на най-високото ниво (Фиг.4.11.). Стратегията позволява на роботада избягва препятствия, да открива знаците и да се позиционира пред регистриран знак с целразпознаване на символа, след което да реализира задание, кодирано със символа .Модулите Движение на робота и Избягване на препятствия осигуряват преместването наробота в средата с избягване на препятствия по данни от двата инфрачервени сензора,разположени на предните габарити. Модулът Цветова сегментация открива знак като жълтазона, обхващаща червен символ. След откриването на знак този модул спира движението наробота по предварително зададената траектория. Той предава информация за знака към модулаза Разпознаване. Модулът за Разпознаване активира модула за Позициониране пред знака,който генерира команди за движение, водещи робота към желаното разположение пред знака.Позиционирането се осъществява итеративно по данни в последователни изображения, коитосе анализират в кадровото време на камерата.След центриране на символа в рамката на кадъраи регистриране на площ на табелата в зададени граници, зоната на символа се подава заразпознаване от модула за Разпознаване. При успешно разпознаване на символа модулът заРазпознаване активира задание, съответстващо на знака за комуникация. Модулът Движениена робота реализира предварително зададена траектория до получаване на сигнал запрепятствие, което е с най-висок приоритет или команда за спиране при открит в средата знак.В първия случай той получава команди от модула за Избягване на препятствия, а във вторияот модула за Позициониране пред знака, които преобразува в линейна и ъглова скорост скинематичния модел на робота.19

Фиг.4.11. Органиграма на поведението на роботаРазработване на методика за разпознаване на символи.В този раздел, ще представим система, която разработихме, за да онагледим системите заразпознаване на модели. Това приложение може да бъде класифицирано в групата настатистическите подходи базирани на обработка на контура. Нашето приложение илюстрира,автоматичен прочит на номерата на автомобилни табели, използвайки техни дигиталниизображения. Прилагайки представителни характеристики извлечени чрез функция напресечните точки, изпълняваме автоматично разпознаване на символи от цифровите табели.Процедура на разпознаванеРазпознаване на символ взнака за комуникация иизбор на заданиеИзбягване напрепятствияПозициониранепред знакаТ Цветна сегментацияна знакIR детект. Движение на роботаЛинейна и ъгловаФиг.4.13 Преглед на система за автоматичен прочит на регистрационни номераПроцедурата за разпознаване се развива в три етапа, както е изобразено на Фиг.4.13.:• Откриване на ръбове, което ще доведе до определяне на границите на контура завсеки символ от изображението. Трябва да се отбележи, че този етап е много важен запроцеса, защото ефективността на разпознаване на символите зависи от него.• Извличане на контур: в този етап се отчита само външната граница Фиг.4.14в, защотосамо тези контури се взимат предвид. Докато в етап (I), извличането на символи сеправи с особено внимание, с цел те да са непрекъснати и затворени, без прекъсвания.• Разпознаване на символи: в този последен етап, се прилага подхода на описание чрезФункция на пресечните точки, за да се извлекът представителните характеристики и теда бъдат интегрирани в процеса на идентификация, за да се измери обхвата на сходствомежду всеки извлечен символ и моделите от базата данни. При това приложение,измерването на сходството се основава на функцията дефинирана в уравнение (4.13).20

Създаване на подход за 3D моделно разпознаване в мобилната роботика.Стерео зрението е пасивна техника, използвана за определяне на дълбочината на даден обект,позициониран в картина (сцена), която използва двойка от стерео изображения. Информациятаза дълбочината е основна за много приложения, едно, от които е роботиката. Стереосъответствието е особено важна стъпка при изчисляването на дълбочината.Съществуват два различни метода за решаване на проблема за съответствието, базирани наневронни мрежи. Развитият подход осъществява съответствие (подбор) от двойка стереоизображения. Функция за стойност се използва, където всички ограничения върху решениетомогат да бъдат изрично включени в тази функция. Търси се минимума на тази функция сдвумерна невронна мрежа на Хопфийлд с цел намиране на решение на проблема насъответствие. Голяма част от задачите за зрението, могат да бъдат формулирани катоминимизиране на стойностната функция.Разработена е техника, където стойностна функция е минимизирана чрез мрежа на Хопфийлд.За извличане на представителни характеристики, сме избрали техника разработена от Хаф. Тяе добре позната за намирането на параметрични криви в бинарни изображения и е призната замощно средство за намиране на обекти и представителни характеристики в бинарниизображения. Трансформацията на Хаф (ТХ) преобразува проблема на откриване на колинейниточки или прави в пространството на представителните характеристики, в проблем напозициониране на конкурентни или пресичащи се криви в параметражното пространство.Използвахме връзката на съседство между сегментите, за да представим всяко изображение отдвойката стерео изображения чрез крива на съседство, с цел елиминиране на възможността дасе изберат сегменти, които нямат шанс да бъдат кандидати за съвпадение.В този смисъл, това проучване е организирано както следва:• алгоритъм за извличане на представителни характеристики, базиран на ТХ;• модел на Хопфийлд за решавана на проблема за съответствие и неговата обосновка;• програмно (софтуерно) изпълнение;• получени резултати върху реални изображения при движение на робот;Трансформация на Хаф (ТХ)Първата стъпка от съответния алгоритъм е намирането на сегменти - прави в дветеизображения. Тези сегменти са извлечени от бинарни контурни изображения, чрез ТХ.Трансформацията е добре познат метод за откриване на параметрични криви в бинарниизображения и е призната, като мощно средство за търсене на обекти и представителнихарактеристики в бинарни изображения. Тя преобразува проблема на намирането на колинейни точки или прави в пространството на представителните характеристики, в проблем напозиционирането на конкурентни или пресичащи се криви в пространството на параметрите.Трансформацията на Хаф използва полярните параметри на правата линия (Фиг.4. 16).Линията е дефинирана по следния начин:f = (4.10)Тук е нормалното разстояние между изходната равнина и правата , където еъгълът между оста и .Точките от равнината са трансформирани в нова равнина от параметри върхусинусоидална крива, чието уравнение е представено така:(4.11)Нека разгледаме две точки от една и съща права, техните трансформации в равнината напараметрите са представени от две синусоидални криви, които се пресичат в една точка. Тазиточка ще характеризира тази права в равнината . Следователно, множеството от точкиформиращи тази права ще бъде представено като множество от синусоидални криви, които сепресичат в една точка, която също характеризира тази права в равнината21

Пространството е хомогенно защото всички криви са синусоидални криви и освен това, тозивид параметризация води до ограничени ρ и в практичния скучай на цифровоизображение.Нека да бъде количествената стъпка на размера и да бъде количествената стъпка наразмера , можем да изчислим за всчка дискретна стойност на съответстващата за всякаточка с координати в изображението чрез следното уравнение:(4.12)След това увеличаваме със стойност 1, цялата клетка от изчислителната таблица.Стойността на тази клетка ще бъде увеличавана всеки път, когато крайна точка лежи на правата, чиито полярни параметри са и . Първоначално, всички стойности на клетките наизчислителната таблица са нулирани.Изборът на количествени параметри на пространството трябва да носи в себе си следнитетри цели:• добра прецизност на откриване• по-малък обем памет за съхранение на изчислителни таблици• бързо изпълнение.Стойността на всяка клетка в изчислителната таблица показва, че крайни точкиот изображението, лежат по дължината на правата, чиито полярни параметри са .Въведохме праг на изчислителната стойност на клетката и някои вероятности засъществуване на точки по дължината на правата. Накрая, извличането на сегменти на праватаот прагово бинарно изображение се извършва, търсейки сегменти на правата, определени отвсяка показателна права в изчислителната таблица.Всяка значима права в праговото бинарно изображение се характеризира с връх визчислителната таблица, и за всеки открит връх, елиминираме ефекта от броя на точките,принадлежащи на този връх в изчислителната таблица.В резултат от извличането на сегменти на правата, получаваме списък от сегменти, къдетовсеки сегмент е складиран с следните характеристики:• индекс: неговата позиция сред всички сегменти• Р – неговото нормално разстояние, съответно на координатната системата наизображението• – ориентацията му в тази координатна система• са неговите крайни координати.Прибавихме съседски връзки между сегменти с предходните характеристики. Те позволяватизграждането на връзки между всички сегменти. Множество от съседни сегменти може дапринадлежи на един и същи обект в изображението. За извличане на съседството междусегментите, прилагаме метод, който се състои от разделяне на изображението на множество отпрозорци с правоъгълна форма и фиксирани размери ( ).Два сегмента от права се наричат съседни, ако имат най-малко един общ прозорец. По тозиначин създадохме структура от данни, която съдържа всички сегменти от изображение стехните локални характеристики, както и съседство. След това изображението е представено отграф на съседство, чиито възли са сегменти на правата прикрепени към геометричнихарактеристики и чиято крива определя връзката на съседство между сегментите.Решаване проблема за подбор на сегментитеВ тази част ще покажем, че проблемът за стерео съответствие може да бъде формулиран катозадача за оптимизация, където оценяващата функция, представяща ограниченията на стереорешението е минимизирана. Проблемът на оптимизация може да бъде конструиран върхудвумерна мрежа на Хопфийлд.Тази мрежа се използва за намирането на съответствие между сегментите в изображението вляво и в това в дясно. Представена е като масив от неврони, където U и V са пълниятброй от сегменти в лявото и респективно в дясното изображение.22

Състоянието (on /off) на всеки един неврон от мрежата, показва възможното съвпадениемежду сегментите в лявото изображение с тези от дясното изображение.Функцията на Ляпонов за двумерна мрежа на Хопфийлд е представена така:, (4.13)където V ul и V um представят бинарните състояния (изходи) на (u,l) и (u,m) невронни, коитосъответно могат да бъдат или 1 (активен) или 0 (не активен),есилата на взаимосвързаност между два неврона, обратната връзка на всеки неврон еT ulul = 0, и I ul е инициалния вход на всеки неврон.В тази мрежа можем да използваме следните ограничения:Глобални ограничения – ва нашия случай имаме само едно глобално ограничение, а именноуникалността на ред и колона. Всъщност искаме всеки реди и всяка колона от матрицата даимат само един активен неврон.Ограничение на съвместимостта – базира се на измерената съвместимост на съвпадение междудвойка сегменти (u, v) в лявото изображение и и двойка сегменти (l, m) в дясното изображение.Измерената съвместимост е представена от следното уравнения:(4.14)(4.15)Уравнение (4.14) показва, че съвместимостта се базира на три от сравненията за двесъвпадения на двойки сегменти. Първото сравнение е разликата в корелацията междудвойката сегменти (u, v) в лявото изображение и двойката сегменти (l,m) в дяснотоизображение. Приложени са два алгоритъма за измерване на корелацията. Първият се използва,когато движението между два сегмента в изображение е малко. Изчислява се коефициента накорелация между сивото ниво на сигнала в няколко малки прозореца, еднакво разпределени подължината на два съвпаднали сегмента. Втoрият алгоритъм взима под внимание по –значителните движения между изображенията в последователността.В двата представени по-горе метода , корелационния коефициент между прозорците епоказан чрез уравнението:(4.16)е нивото на сиво на пиксела (x,y) в изображението i.Корелацията между два сегмента е дефинирана от стойността на корелация между дваразлични прозореца по дължина на сегментите. Включените параметри в изчисленията настойността на ограничение са ширината и височината на прозорците и броя на прозорците подължина на сегментите. Те са избрани като прави и не се променят по време на всичкиексперименти върху различни стерео двойки от изображения.Второто и третото сравнение от уравнение (4.14) са разликата в дължината и ориентациятамежду двойка сегменти (u, v) в лявото изображение и двойката сегменти в (l, m) в дяснотоизображение.Нелинейната функция, използвана в (4.13) определя сходността, измерена гладко между +1 и –1. Където е параметър, който определя стръмността на функцията. Много голяма стойност наще доведе до функция стъпка за измерването на съвместимостта с възможни стойности от +1до –1. Ако се използва много малка стойност на , функцията гладко ще премине от +1 до –1, свъзможни стойности на съвместимост между тях. Параметърът контролира позицията, къдетонелинейната функция пресича оста X. Този параметър е избран, така че съвместимост ор +1 едостигната при добро съвпадение (X = 0): взаимна съвместимост от 0 за съвпадение, когатостойността на X не е точно нула, позволява приемлива допустимост за шум и деформация; исъвместимост от –1 за лошо съвпадение ( ).Ограничение на съседство: ако сегмент u съвпада с сегмент l, тогава е невъзможно за сегмент v,съседен на сегмент u да не съвпада с сегмент m, съседен на сегмент l.Измерването на съседство е представено със следното уравнение:23

End While.End.В тази част на дисертацията, представихме метод за моделно разпознаване, базиран наобработка на изображения. Приносът ни е извличането на обекти представени в изображениена сцена и различаването им от фона чрез класификатор от невронна мрежа. Оригиналността наподхода се позовава на факта, че е базиран на хибридна техника на параметрите, коятоизползва невронна мрежа и обобщена трансформация на Хаф за разпознаването на обекти.Представихме също и нов метод за разрешаване на проблема на съответствие за множество отсегменти, извлечени от двойка стерео изображения. Този проблем е формулиран катоминимизиране на оценяваща функция, която след това е нанесена върху двумерна бинарнаневронна мрежа на Хопфийлд. Тази функция достига своя минимум, когато системата е встабилно състояние. В този случай, условията за решение на проблема на съответствие саизпълнени. Използвахме пет различни коефициента, за да определим теглото на различнитеограничения на оценяващата функция, с цел да изведем мрежата до нейния глобален минимум.ГЛАВА 5. РАЗРАБОТВАНЕ НА АВТОМАТИЗИРАНА МОДУЛНА СИСТЕМА ЗАРАЗПОЗНАВАНЕ И ОЦЕНЯВАНЕ НА ПРОЦЕСНИ ХАРАКТЕРИСТИКИ ВИНДУСТРИАЛНИ СИСТЕМИ.Блоковата схема на автоматизираната модулна система за изследване и оценяване напроцесни състояния и характерстики в индустриални системи е представена на Фиг.5. 1.Алгоритмично-програмната система за управляване на системните модули и създаване наначалните масиви от данни са предмет на друга разработка (моля виж Проектиране иизследване на преносими компютърни мултичипни системи за контрол и диагностика., инж.маг. Димитър Нурков)Фиг. 5. 1 Блок-схема на разработената автоматизирана система.Разработване на алгоритъм за класификация на образи и състояния за разпознаване иоценяване на процесни характеристики в индустрилни системиВекторното класифициране е една от главните задачи поставени пред изгражданите НМ.При подобен вид процедури, в най-общия вид се решава задача по апроксимацията намногомерни функции, т.е., изграждат се многомерни образи от вида: F:x = y.В зависимост от вида на изходните променливи, апроксимиращите функции могат даприемат следния вид:- Класификация, т.е., създаване на дискретни стойности в масива от изходни (начални)стойности;- Регресия, т.е., създаване на непрекъснати изходни стойности.26

Класификацията всъщност се реализира като еднозначно определяне на принадлежността нададена точка от многомерното пространство към определен клас (в случаите, при които не серазработват модули за отхвърляне на изследваните процесни стойности).Информацията, която характеризира всеки един сигнал се съдържа в неговата сигналнаструктура.Сигналната структура всъщност характеризира и т.нар. топологични особености на сигналанаричани още характеристични признаци.Така дефинираните признаци се обособяват в отделни под-пространства и формиратмножества, на основата на които вече се реализира и същинският анализ и разпознаване наобразите.Разпознаването на един входящ сигнал може да се реализира чрез следната последователностот действия:1. Измерване на реалната физическата входна величина;2. Натрупване и предварителна обработка на сигналите които подлежат на класификация;3. Определяне на характеристичните признаци;4. Сравняване на получаваните (текущите) данни с натрупана база от данни;5. Приемане на решение за принадлежност на изследвания образ към определен клас.Класификацията на сигнали може да се сведе до:а) класификация чрез еталони;б) класификация на общите признаци за даден клас, чрез клъстери.Обобщения алгоритъм, разработен и прилаган за класификация на сигналите епредставен на Фиг.5.6.ВходенсигналСравнениес еталониОтделяне напризнациИзмерваненаПАМЕТ НАСИСТЕМА-TАЕталониСравнение спризнаци закласовеПризнациза класовеИзчислениенаминималноторазстояниеКлъстериза класовеРешение запринадлежностФиг. 5. 6 Обобщен алгоритъм за класификацияЗапаметяването на общите за даден клас признаци се извършва чрез запаметяването настойностите на тегловния вектор. Необходимост от запомняне на нов вектор възниква приевентуална промяна в теглата. Резултатите от подобни промени обаче, най-често санепредвидими и следователно се изисква въвеждането на нов процес на обучение.Алгоритъма за класификация на образи-състояния се състои от следните етапи ихарактеристики:Даден набор от данни (получен директно и/или моделиран) от вида : S={(x i ,t i ) i=1,..,N} серазглежда като реализация на случаен процес, представен от функцията t=ƒ(x) , когато иманаличие на шум.1. Алгоритъмът по класифицирането се реализира като метод за откриване на функцията ƒпри определен брой от данни от реализацията S. За решението е възможно да сеприложат параметрични методи. Изхождайки от особеностите на задачата за ƒ се избираподходящ модел ƒ’, параметрите на който се оптимизират в процеса на собственотообучение на НМ.27

2. Модельт на тази функция е необходимо да притежава свойствата на универсалнияапроксиматор, т.е., да е възможно приближено да представи всяка възможна функция.Количеството и вида на параметрите на модела определят и неговата сложност. Колкотопо сложен е един модел, толкова по-точно той се приближава към зададената функция. Заизбор на сложността на модела данните се подразделят на две групи:• обучаващи (тренировъчни) – чрез които се провежда оптимизация параметритена модела;• тестови – за изчисляване на грешките от зададените стойности.В качеството на критериална оценка обикновено се използва метода на генериране насумите от квадратите на отклоненията, който е представено на формула 1.E =N∑ ( t i− ∫ ( x i))i=12' (5.1)3. Задачата за минимизация на тази грешка има много решения. За избора адакватно решение,към Е се добавя т.н. допълнителен (регуляризационен) параметър λ , който дава отражениевърху хомогенността (гладкостта) на модела, т.е.,HN2[ ∫'] = ( t − ∫'( x )) + . P[ ∫']∑i=1i iλкъдето, Р е диференциален оператор; λ - регуляризационен параметър.По този начин решението на задачата за минимизация се свежда до:N∑i=1( − )∫' ( x)= wG x(5.2)ix i4. Класифициращите модули на създаваната неврона мрежа се представят отрегресионната функция от формула 3, т.е.,N∑∫' ( x)= w h ( x)(5.3)i=1където, h i е радиално базисна функция от вида h x)= h( x − c )ii( ;с – положението на центровете на групиране;w i – синаптичните тегла в НМ.5. Обучението на НМ винаги се развива по следната последователност:а) определят се местата на центровете на групиране;б) фиксират се разположенията на центровете;в) променят се векторите на синаптичните тегла;г) измерва се средноквадратичната грешка и се търси нейната минимизация при промянана тегловия вектор.6. Една от главните характеристики на изгражданата НМ представлява оптималнияизбор на вектора на синаптичните тегла. За да се достигне до оптималното съотношение оттегла, най-напред се диференцира сумата от квадратите на грешката, за всяко отделно теглот.е.,jE =∂Е= 2∂wN∑i=1N∑( ) 2∫'(x i) − t ii=1( ∫'(x ) −t)* h .( x ),ii7. Въвежда т.нар.,Матрица на активация (активационна матрица) от вида,H = h x ) .ijj(iji(5.4)28

Тогава, равенство (3) би могло да се запише във видаHTT. H.w = H . t , откъдето следва,където,w = HP . T(5.5)H .P T −1 T= ( H . H)H ,представлява т.нар., „псевдообратна матрица”.При положение, че псевдообратната матрица може да се генерира (т.е., съществува), то занея е в сила равенството H P H = I , където I представлява единична матрица.За търсенето на еднозначност в матриците може да се използва метода за разпад на теглата.Като заключение от осъществените алгоритмични процедури може да се отбележи, чеоптималните сианптични тегла могат да се получат при генериране на псевдообратнатаматрица.Изграждане на архитектура на невронна мрежа за разпознаване и оценяване на процеснихарактеристики в индустрилни системиАрхитектурата на НМ, специално изградена за разпознаване на процесни състояния епредставена на Фиг .5.7.IW 1.1a1a2X|| dist ||LW 2.1b 1b 2S2S1Фиг. 5. 7 НМ за разпознаване на процесни характеристикиОзначенията са както следва:S 1 – брой неврони в първия слой;S 2 – брой неврони във втория слой;а 1 – изхода на първия слой изчислява се като a 1 =radbas ( || IW 1,1 - x || b 1);a 2 – изхода на втория слой може да се изчисли като a 2 = lin(LW 2,1 . a 1 +b 2 );Действие на изградента НМ и получени резултатиЗа осъществяване на разпознаващи и оценяващи процедури в процесни състояния наиндустриални системи е необходимо да се изследва и оцени коректността на вечедефинирания алгоритъм за разпознаване на сигнали.За тази цел се създава специализирана Невронна Мрежа с Обратно Разпространение (НМОР), (англ.”Back propagation”), която се разработва и действа в среда на MATLAB 6.5.RBFLIN29

Фиг. 5. 8 Обучение на НМФиг. 5. 9 Сравнение между реално генерирани и целеви изходи на НМ.Резултатите от сравнениетo между реално генерираните изходи (решения) от действиетона НМ и целевите (желаните) изходи (решения) са показани на Фиг 5. 9.Получените резултати от действието на изградената НМ, т.е, нейният “поведенчески модел” сапоказани на Фиг. 5. 10.Фиг. 5. 10 Оценяване на поведението (т.нар. “поведенчески модел”) на НМ чрезрегресионен анализ.От анализа на резултатите е видно, че съществуват малки и приемливи разлики междуизградения поведенчески модел на НМ и действителната реализация на процеса, което ни дававъзможност да заключим, че създадената НМ, с нейните структурни, обучаващи иповеденчески характеристики може успешно да се използва за решаването на поставените цели,т.е., действителна оценка и разпознаване на реални процесни характеристики в индустриалнисистеми.Разработване на метод за разпознаване на образиПредставителни характеристики (модели)Представителните характеристики трябва да бъдат събрани от реален производствен процес.Тъй като се изисква голям брой модели за развитието и утвърждаването на метод заразпознаване на образи, и това не е винаги възможно, симулирани данни, генерирани чрезмоделираната експериментална платформа ще бъдт използвани.Големият брой данни, може да намали разпознаващата ефикасност, увеличавайкинеобходимото време за засичане на представителни характеристики. По тази причина, матрицаза наблюдение с 32 точки от данни ще бъде използвана в този частен случай.30

Стойностите на някои множества от различни параметри за неестествените модели сапроизволно променени по един и същи начин. Множество от 3500 (500х7) примерни модела сагенерирани от 500 поредици от стандартни, нормални разновидности. Важно е да се отбележи,че , всяко множество съдържа еднакъв брой образци за вески клас от модели. Причината за товае, че ако определен клас от представителни характеристики е обучен повече пъти отостаналите, невронната мрежа ще стане пристрастна (предубедена) към този определен модел.Някои специфични уравнения са разработени за симулацията на седем случая на планираномоделно разпознаване (ПМР), и респективно са приложени за генериранто на различни моделиза данните от множествата за обучение и контрол:• Нормални модели: y i = µ + r i σ (5.6)• Систематични модели: y i = µ + r i σ + d x (-1) i (5.7)• Нарастваща или намаляваща тенденция: y i = µ + r i σ ± g i (5.8)• Промяна нагоре или надолу: y i = µ + r i σ ± ks (5.9)• Циклични модели: y i = µ + r i σ +a sin ( 2π i /T ) (5.10)Където „i” е дискретната времева точка, в която представителната характеристика (модела) еизбрана за образец (i = 1, …, 32),k = 1, акo (точка на обръщане), в противен случай k = 0;r i - произволна стойност на стандартна, нормална промяна в i – та времева точка;y i – стойност на образеца в i – та времева точка;Обикновено е много трудно да се определи, кой точно обучаващ алгоритъм ще бъде найбързияза решаването на даден проблем. Изборът и/или разработването на определен алгоритъмза обучение на Изкуствена Невронна Мрежа (ИНМ) зависи от много фактори, включително отсложността на решавания проблем, броят на точките от данни в обучаващото множество, броятот плътности и разклонения в мрежата и т.н. В тази част ще бъдат сравнени различнитеобучаващи алгоритми.Алгоритъмът с обратно разпространение (АОР) изпозлва градиента на изпълнителнатафункция за регулиране на стохастичните плътности на ИНМ, с цел да минимизираизпълнението на ИНМ. По време на стадия на обратно разпространение, градиентът еопределен, извършвайки изчисления в обратна посока през цялата мрежа. Съществуват многоразновидности на АОР – някои от тях осигуряват по-бърза конвергенция, докато други имат понискиизисквания към използваната памет.В настоящето изследване е направена оценка на пет определени обучаващи алгоритми, коитоса приложени за обучението на ИНМ:а) Алгоритъм с понижение на градиента - The Gradient Descent Algorithms (GDA) - “traindx”;б) Гъвкав Алгоритъм с обратно разпространение - The Resilient Backpropagation Algorithms(RBA) - “trainrp”;в) Алгоритъм със свързан градиент - The Conjugate Gradient Algorithms (CGA) – “trainscg”;г) Квази – Нютон алгоритъм - The Quasi-Newton Algorithms (QNA) - “trainbfg”;д) Левенберг-Маркарт алгоритъм - The Levenberg-Marquardt Algorithms (LMA) – “trainlm”.Следващите изводи са направени в следствие на анализ от приложението на обучаващитеалгоритми върху ИНМ.• Разнообразния обучаващ обхват на “traindx” алгоритъм обикновено го прави много побавенот останалите методи, и има почти същите изисквания към съхраняващата паметкато “trainrp” алгоритъм, но въпреки това “traindx” може да бъде полезен за решаванетона не много сложни диагностични проблеми.31

• Действието на “trainbfg” алгоритъм е подобен на това на “trainlm” алгоритъм. Неизисква толкова много съхраняваща памет като “trainlm” алгоритъм, но необходимитеизчисления се увеличават геометрично с размера на приложената ИНМ, защотоеквивалента на обратната матрица трябва да бъде изчислен на всяка итерация.• Алгоритъмът със свързан градиент, и в частност “trainscg”, функционират много добреза голямо разнообразие от проблеми, особено за мрежи с голям брой плътности. Запроблеми на приближение на функция, алгоритъмът със свързан градиент е почтитолкова бърз колкото Левенберг-Маркарт алгоритъма (и по-бърз при по-големи мрежи),и е почти толкова бърз, колкото “trainrp” при проблеми на моделно разпознаване. Вмного случаи, “trainlm” алгоритъма е способен да осигури по-малки средно-квадратични грешки от всеки друг изпробван алгоритъм. Все пак, когато броят наплътностите в ИНМ се увеличава, предимствата на “trainlm” намаляват. В допълнение,изпълненията на “trainlm” са относително бедни за решаването на проблеми отмоделното разпознаване. Изискванията към паметта на “trainlm” алгоритъм са много поголемиот останалите изпитани алгоритми.• Алгоритъмът “trainrp”е най-бързия при решаването на проблеми на моделноторазпознаване. Въпреки това, неговото изпълнение също намалява при редуциране нагрешката. Изискванията на паметта към този алгоритъм са сравнително малки всравнение с другите разгледани алгоритми.•На базата на експерименти, разработени чрез MATLAB®, и по-точно чрез неговияИНМ тулбокс, алгоритмите “traindx” и “trainrp”са одобрени от това изследване и саприложени за обучение на ИНМ, тъй като осигуряват сравнително добро изпълнение ипо-логични и последователни резултати за проблемите, които са обект на настоящотоизследване.Избраните архитектури на ИНМ са описани по-долу:Детайли на ИНМ за “traindx” алгоритъм:• Топология: 32 – 16 – 7 мрежа, с „tansig” трансферна функция и “logsig” трансфернафункция, респективно в скрития и изходящия слой;• Обучаващ “traindx”алгоритъм.Детайли на ИНМ за “trainrp” алгоритъм:• Топология: 32 – 17 – 7 мрежа, с „tansig” трансферна функция и “logsig” трансфернафункция, респективно в скрития и изходящия слой;• Обучаващ “trainrp”алгоритъм.Един от проблемите, които възникват по време на обучението на ИНМ е така нареченетосвръх приспособяване. Грешката на обучаващато множество е сведена до много малкастойност, но когато нови данни са въведени в ИНМ грешката става сравнително голяма. ИНМ езапомнила обучаващите примери, но не се е научила да осигурява обобщение на новитеситуации. С цел подобряване на генерализацията на ИНМ е разработена техника на ранноспиране и е допълнена в приложението за НМ.При разработването на така нарачената „техника на ранно спиране”, наличните данни серазделят на две отделни подмножества:• Първото подмножество е обучаващото множество, което се използва за изчисляванена градиента и за обновяване на теглата и разклоненията на мрежата.• Второто подмножество е утвърждаващото множество. Грешката в утвърждаващотомножество е контролирана по време на обучаващия процес.Утвърждаващата грешка обикновено намалява по време на началния етап на обучение и потози начин се образува грешка на обучаващото множество. Все пак, когато мрежата започне да32

се свръхприспособява към данните, грешката от утвърждаващото множество обикновеннозапочва да расте. Когато утвърждаващата грещка расте за определен брой итерации (“net. trainParam. max_fail = 5”), обучаващата процедура е спряна и се връщат плътностите исклонностите в минимума на грешката.Метод за разпознаване на образи, базиран на ИНМ беше разработен, използвайки необработениданни като входящ вектор. Тази част разглежда процедурите на обучение и етапите наразпознаване на методите за разпознаване на образи. Задачите за разпознаване са сведени доседем по-горе споменати основни типове планирано моделно разпознаване.Общата процедура започва с обобщение и представяне на процесните данни към матрицата занаблюдение. Всички представителни характеристики санапълно разработени по време наподаването им към матрицата за разпознаване. За необработените данни (развити като входящвектор), етапът на предватителна обработка включва основната им трансформация встандартизирани норамлни стойности (0, 1).Преди подаването на данните към ИНМ за обучение, образците им са разделени наобучаващо (60%), оценяващо (20%) и подготвително контролно (20%) множества от образци.Така селектираните множества от образци след това се разбъркват по случаен начин, за да сеизбегнат някои възможни пристрастия (сколнности) в реда на подаване на образци напредставителните характеристики към ИНМ.Процесът на обучение се ръководи итеративно, и обхваща обучение на ИНМ, оценка навътрешното обучение на ИНМ и предварителен контрол. По време на етапа на обучение,множество от обучаващи данни (съставено от 2100 представителни характеристики) сеизползва за обновяване на плътностите и склонностите. След това ИНМ е подложена на оценкана вътрешното обучение, използвайки множеството за оценка (съставено от 700представителни характеристики) за ранно спиране, с цел предотвратяване насвръхприспособяването на невронната мрежа. Грешката от оценяващото множествообикновено би се повишила, когато мрежата започне да се свръхприспособява към данните.Обучаващия процес е спрян, когато грешката от оценката започне да се увеличава заопределен брой итерации. За настоящото изследване, максималния брой неуспехи на оценкатае установен на пет. Тогава ИНМ е подложена на предварителен контрол чрез множеството отконтролни данни (съставено от 700 представителни характеристки).Обучаващият процес е спрян, когато един от следните критерии е удоволетворен;• Целевата грешка на изпълнението е достигната;• Максималният позволен брой итерации е достигнат;• Максималният брой неуспехи от оценката е надвишен (т.е. оценката е развита напълно)След като процесът на обучение е изцяло завършен, така обучения метод за разпознаване наобрази е подложен на оценка за приемане. Върху метода трябва да се извърши вториченконтрол (чрез напълно ново множество от данни), ако изпълненито му остава слабо. Такъв видпроцедура, може да се разработи за постигане на минимизиране на страничните ефекти отслабо тренирани множества.Разработване на алгоритъм с приложение на интилигенти агенти и размита логика всистема за наблюдение (мониторинг) и диагностика на грешкиТази част от настоящата глава описва разработването и приложението на обширен подход запострояване на мулти – агентни системи, способни да достигнат допостимост на грешки виндустриалните системи за контрол. Употребата на прадигмата интелигенти агенти позволявагенерирането на профил на всяка от възможните повреди в затворена индустриална система. Вразработения подход, всеки един от интелигентните агенти е способен да се справи с даденаповреда и да стабилизира системата по независим начин, така че тя да има напълно прозрачноповедение.Интелигентен агент с размита логика също е способен да наблюдава и диагностицирададени проблеми, които биха могли да се появят в напредването на процеса.33

Моделирането на процеса, симулациите и анализа на техническите условия и системнитесъстояния са разработени по време на диагностицирането на грешки, проведено в симулираниндустриален процес и системни състояния на специално контруираната за целтаекспериментална платформа.Структурата на РСИИ (общо приложена в индустриалния контрол) е съставена от множествоотделни и комплексни възли. Всеки един от тези възли може (на свой ред) да бъде съставен отняколко устройства.Няколко специфични множества от последователни задачи, трябва да бъдат разработени завсеки един от възлите (съставящи структурата на системата), и по този начин може да сепостигне пълна функционалност на цялата РСИИ.С цел да се идентифицира структурата на РСИИ, множество от специфични Правила трябвада бъде разработено и изразено както следва:• Правило 1 : = is N {Nor}, множеството от възли на РСИИ, където “N” – брой елементи,които е съставено.• Правило 2 : Be [D i , z], множество от устройства, които се съсдържат в i-Node. Където zможе да приема стойност „1”, ако искането е i-Node да бъде считан като самостоятелноустройство, и стойност по-голяма от „1”, ако е необходимо някои от съставящите гоелементи да бъдат видими.• Правило 3 : = is T {T j }, множеството от задачи, които се изпълняват в системата, кедето„Т” е броят задачи, които изграждат РСИИ.• Правило 4: DAI-System, РСИИ разпределена на две и дефинирана както следва:Разпределена Система (Distributed System): SD = (N,T). Веднъж характеризирана, РС(SD), може да бъде наречена „Основна система” (Basic System - BS), т.е, без каквито ида било системни определения като Допустимост към Грешки. Основната РСИИ бимогла да бъде подчертана, като по такъв начин осигурява обединение на парадигматаИнтелигентни Агенти със специфичната цел системата да бъде екипирана съсспециален слой, който осигурява Допустимост на Грешки. Агентите толерантни къмгрешки ще бъдат дефинирани по време на тяхната работа в структурата на РС (SD).• Правило 5 : Agent is AN i , Агент е AN i, който Агент е наречен Възел, чиято мисия есвързана само с допустимуста на грешки, на нивото на Възел {Nor}. По тази причинаАгент може да съществува във всеки системен Възел.• Правило 6: Agent is AT j , Агент е AT j , който Агент е наречен Задача, чиято мисия есвързана само с допустимуста на грешки, на ниво T j Задача. По тази причина Агентможе да съществува във всяка системна Задача.• Правило 7: Agent is AS, Агент е AS, който Агент е наречен Система, чиято мисия есвързана само с допустимуста на грешки, на всяко системно ниво.• Правило 8: AN= {AN i }, множество от всички Агенти Възли.• Правило 9: AT= {AT j }, множество от всички Агенти Задачи.• Правило 10: System is SMATF - Fault tolerant Multi-Agent, Система е СМАТГ – Системаот множество агенти толерантна към грешки, формирана от тройка, съдържаща AN i ,AN j и AS. SMATF = < Ni, AT j, AS > с Разпределена система телерантна към грешкиРСТГ (Distributed System Fault tolerant SDTF).• Правило 11: Разпределена система торентна към грешки (РСТГ) е дефинирана катодвойка от РСТГ, т.е., SDTF =, по този начин РСТГ може да опише вподробности всеки един от Агентите, които образуват СМАТГ.34

5.31 Структура на система за размито управлениеВнедряването на Интелигентни Агенти е разработено чрез програмния език на MATLAB.Причината за това е, че езикът на MATLAB е много подходящ за развитието на необходимитепрототипи на Системи от множество интелигентни агенти (СМА).От начало внедряването на СМА беше реализирано чрез традиционна булеанна логика.Правилата „if-then” на Агента бяха считани за безусловни (и в оптимални ситуации безколебания).Пътвият етап от внедряването на един от Интелигентните Агенти в програмния език наMATLAB (и с безусловни „if-then” правила) е представен на Фиг. 5.17.Втория етап приложихме методи на Размита Логика за моделиране на колебанията впроцеса на взимане на решения. За целта основното познание се състои от размити правила.Методите с размити множества естествено отразяват вътрешните различия при признаците.Подходът е базиран на размито моделиране с използването на модела на Такаги-Сугено. Завсеки признак се генерира размито множество. Признаците се размиват от експоненциалнафункция за принадлежност, която е модифицирана, за да включва структурни параметри.Структурата на система за размито управление е показана на Фиг.5.31Моделирането на размит контролер се заключава в задаването на следните основнихарактеристики:• входни променливи• изходна променлива (управляващо въздействие);• диапазони на входни и изходни променливи;• функции на принадлежност на диапазоните;• базови правила;• алгоритъм на размития логически извод;• процедура на преобразуване на размитото множество в размито число (процедурана дефъзификация).Алгоритъм на размития логически извод се заключава в:• Фъзификация (привеждане към размитост). На този етап се намират степени наистинност на предположение на всяко правило;• Размит извод. На този етап се намира нивото на „отсичане” за предположение навсяко от правилата (с използване на операцията минимум). След което се намиратотсечените функции на принадлежност.• Композиция. С използване на операцията максимум се осъществява обединение нанамерените отсечени функции, което довежда до получаването на размитопомножество за променливия изход.• Дефъзификация. Изхождайки от полученото на предишния етап размитоподмножество за изходната променлива се получава точно число.Разработена е структурата на автоматизирана модулна система за разпознаване на процеснисъстояния, като е изградена както нейната блоковата схема, така и реалната система.35

Създаден е обобщен алгоритъм за приемане на данни от сензорен модул и са осъществениреални измервания и първична обработка на процесни характеристики.Изградена е система за същинско разпознаване на процесни характеристики на базата навече създадената автоматизирана модулна система и специално генерираната за целта (в средана МATLAB), Невронна Мрежа (НМ). Осъществено е контролирано и неконтролиранообучение на системата и са създадени класификациращи алгоритми.Така изградената модулна система е приложена за обработване, оценяване и същинскоразпознаване на реални процесни характеристики, като е извършен и анализ на поведенческиямодел (на действие) на системата.Два вида оптимални алгоритмични структури бяха избрани и респективно изследвани заТип I и Тип II грешки по време на обобщение на ИНМ без ранно спиране и с ранно спиране.Като резултат от това изследване двете най-добри алгоритмични структури са предложени.Разработен е обширен подход за изграждане на система от множество агенти (СМА),способна да достигне допустимост на грешки в индустриалния контрол. Приложението напарадигмата интелигентен агент, позволява генерирането на профил на всяка възможна повреда, която би могла да се случи в затворена индустриална система.ГЛАВА 6. НАУЧНО – ПРИЛОЖНИ И ПРИЛОЖНИ ПРИНОСИ НА РАЗРАБОТЕНИЯДИСЕРТАЦИОНЕН ТРУД1. Разработени са теоретични предпоставки, модели и конкретни математическизависимости за осъществяване на автоматизирано оценяване и прогнозиране на индустриалнихарактеристики чрез прилагане на методи за разпознаване на образи и форми и стохастическаапроксимация.2. Проведено е изследване на възможността мобилен робот с цветна система затехническо зрение да се ориентира в “социална” среда по знаците за визуална комуникация,използвани от хората. Подбрани са геометрични знаци, които се използват за спиране с целзадаване на посока за обхождане, цифри и букви, с които могат да се означат целеви обекти,източник за зареждане на батериите на робота, забранени за влизане зони и т.н..Експериментите показват, че за надеждна цветова сегментация се изисква хомогенноосветление в средата. Наличието на механизъм за ротация на камерата и оптическо увеличениеще повиши гъвкавостта на решението.3. Създадени са нови методи за изследване, алгоритми, програмни системи икласове, изразяващи се в:3.1 Методи за оценяване и прогнозиране на техническите състояния на индустриалнисистеми чрез анализиране на бази данни, създавани и обработвани отекспериментална платформа, специално създаден за целта;3.2 Разработване на алгоритми и програмни системи за обработване на регистриранитедиагностични образи, групиране на базите данни и създаване на процедури заобучение, оценяване и прогнозиране, подредени по йерархични нива.3.3 Създаване на класове от състояния на индустриални процеси, чрез прилагане наобучаващи и разпознаващи процедури.4. Разработени са специфична структура на изкуствена невронна мрежа, както иобучаващ алгоритъм за контрол чрез моделно разпознаване. Избрани са два вида оптималниалгоритмични структури и съответно, обучени Тип I и Тип II грешки по време наобобщението на изкуствената невронна мрежа без ранно спиране и с ранно спиране. Каторезултат от този експеримент най-добрите два вида алгоритмични структури са представени.5. Разработен е специфичен подход за изграждане на система от множествоинтелигентни агенти (СМА), способна да достигне допустимост на грешки в индустриалнияконтрол.6. Осъществени са експериментални изследвания на индустриални процеси вреални експлоатационни условия чрез диагностична система. Получените бази данни сеприлагат за създаването на обучаващи последователности, еталонни класове от състояния исравняващи множества от индивидуални електронни досиета на индустриални процеси.36

ПУБЛИКАЦИИ ПО ДИСЕРТАЦИОННИЯ ТРУД1. Начева, И., Сензорни системи за анализ на средата на роботи, Национална студентсканаучно-техническа конференция’07, ТУ – София, Copyright © 2007 НСНТК.2. Венков, П., С. Генчев, И. Начева, Интерпретация на знаци за визуална комуникация заавтономна навигация на мобилен робот, Proceedings of the International Conference onAutomatics and Informatics’08, VII International Symposium Robotics Systems, October 1-42008, Sofia, Bulgaria, Pages VI.27-31, ISSN: 1313 – 18503. Димитров, К.Д., И. Начева, Д. Нурков, Автоматизирана модулна система заразпознаване и оценяване на процесни характеристики в индустриални системи, сп.Инженерно Проектиране, бр.1., 2008, стр. 71 – 80.4. Dimitrov, K.D., I. Nacheva, Intelligent Agents and Fuzzy logic for systems monitoring and faultdiagnosis, VI-th Scientific and Technical Conference “Mechanics and Machine Elements”, Sofia,November, 2010, pp. 102 - 116.5. Dimitrov, K.D., I. Nacheva, Pattern recognition via neural networks for adaptive fault diagnosis,Petroleum – Gas, University of Ploesti, Romania, Bulletin, Technical Series, Vol. LXIII,No.1/2011, pp. 185-194.6. Grau M., A.Bekiarski, P.Venkov, I.Nacheva, Robot Control with Camera Eye, Int. Conf. onCommunications, Electromagnetics and Medical Applications (CEMA’07), Sofia , Bulgaria, 25th– 27th October , 200737

Abstract:In the present paper, a complete structure an automated modular system for recognition andassessment of process characteristics is developed. Specific algorithms for receiving and preliminarytreatment of process date via sensor modules are also developed in the present paper. A NeuralNetwork based system for recognition and classification of process characteristics is developed. Alldeveloped methods, structures and algorithms are applied under a real operation conditions.A source of information for autonomous robot navigation can be a set of vision sights, used for humanorientation in a cluttered environment. This paper describes a mobile robot with a colour visionsystem, which can detect and recognize vision sights and position itself on a fixed distance in front ofthe sight. The mobile robot is “remote brained”, the software for sight recognition and decisionmaking is situated on a powerful desktop PC. The vision system uses real time algorithms for colorsegmentation, for blob analysis and recognition of symbols on the sights. The control strategy forpositioning the robot with the TV camera in front of the nearest sight repairs the sight on the center ofthe image and assures constant dimensions of the symbol before the recognition stage. The recognitionstage activates decision functions realizing useful operations with the marked objects, e.g.manipulation of a target object, prescribing a new direction, recharging the batteries etc.In the present paper, a complete structure an automated modular system for recognition andassessment of process characteristics is developed. Specific algorithms for receiving and preliminarytreatment of process date via sensor modules are also developed in the present paper. A NeuralNetwork based system for recognition and classification of process characteristics is developed. Alldeveloped methods, structures and algorithms are applied under a real operation conditions.The present paper describes a study, that reflects a development of specific Artificial Neural Networks(ANN) training algorithms for Control Charts Pattern (CCPs) recognition. The optimal algorithmicstructures are developed and then the most appropriate two kinds of algorithmic structures are studiedfor Type I and Type II errors. The study was developed during ANN generalization without earlystopping (cessation, interruption), as well as for the cases with early stopping. Finally, the bestalgorithmic structures are proposed. The process modelling, the simulation and the analysis oftechnical conditions and systems states are developed during fault diagnosis procedures in simulatedindustrial process and systems condition, that were modeled on an advanced experimental platform,(that was specially designed for the purpose).The present paper describes the development and application of a generic approach for building multiagentsystems, capable to achieve fault tolerance in an industrial control systems. The use of theparadigm of intelligent agents has enabled the profile generation of each of the possible failures in anembedded industrial system. In the developed approach, each one of the intelligent agents is able todeal with a failure and to stabilize the system in an independent way, so that the system can have anentirely transparent behaviour. An intelligent agent with fuzzy logic is also able to monitor and todiagnose the particular problems, that could arise in the developed process. The process modelling,38

the simulation and the analysis of technical conditions and systems states are developed during faultdiagnosis procedures, developed in simulated industrial process and systems condition, modeled onan advanced experimental platform, (that was specially designed for the purpose).39