Система авр схема принцип работы. Система HVAC: комплексное решение для создания комфортного микроклимата в помещениях

Рыбья кость

• Главная
• Качественные ресурсы
• Членство
• Сертификация
  • Повторная сертификация
• Специализированные полномочия
• Тренировка
  • Групповое обучение
  • Инструкторы
• Книги и стандарты
• Конференции и мероприятия
• Сообщества Сети
• Прогресс качества
• ASQ TV
• Найдите качественную работу
• О ASQ
  • О ASQE

Узнайте о качестве

ПОИСК

• О диаграмме рыбьей кости
• Ресурсы
• Похожие темы

О диаграмме рыбьей кости

• Семь основных инструментов качества
• Контрольный лист
• Контрольный график
• Гистограмма
• Диаграмма Парето
• Корреляционная диаграмма
• Стратификация

Ресурсы Fishbone

• Статьи
• Книги
• Примеры из практики
• Вакансии
• Видео

Связанные темы Fishbone

• Непрерывное улучшение

Использование CBR в качестве методологии проектирования для разработки адаптируемых систем поддержки принятия решений

1. Введение

Хотя системы, основанные на знаниях (KBS), и в более общем плане системы поддержки принятия решений (DSS), представляют собой один из коммерческих успехов, достигнутых в результате исследований в области искусственного интеллекта (AI), их разработчики неоднократно сталкивались с несколькими проблемами, охватывающими весь их жизненный цикл ( Watson, 1997). В этом контексте получение знаний, а также внедрение, адаптация и обслуживание системы — нетривиальные вопросы, которые необходимо решать. С целью преодоления этих проблем Шэнк (1982) предложил революционный подход, названный аргументацией на основе прецедентов (CBR), который, по сути, является моделью человеческого мышления.Идея, лежащая в основе CBR, заключается в том, что люди часто полагаются на предыдущий опыт решения проблем, когда сталкиваются с новыми проблемами. Это утверждение можно проверить во многих повседневных ситуациях, связанных с решением проблем, простым наблюдением или психологическим экспериментированием (Klein & Whitaker, 1988). С тех пор, как были впервые сформулированы идеи, лежащие в основе рассуждений на основе конкретных случаев, системы CBR оказались успешными в широком диапазоне областей применения (Kolodner, 1993; Watson, 1997; Pal et al. 2000). На основании достигнутых выдающихся достижений некоторые соответствующие конференции (т.е. ECCBR [1] — и ICCBR [1] -) и международные журналы (например: International Journal Transactions on Case-Based Reasoning) успешно выросли в этой области.

В этой главе мы представляем ключевые аспекты, связанные с применением методологии CBR для построения адаптируемых систем поддержки принятия решений. Остальная часть главы организована следующим образом: Раздел 2 представляет обзор жизненного цикла CBR и комбинированных стратегий для построения гибридных систем ИИ. Раздел 3 вводит и охватывает основные характеристики четырех успешных систем поддержки принятия решений, разработанных в соответствии с принципами CBR.Наконец, в разделе 4 резюмируются основные выводы и представлены основные преимущества применения этой методологии.

2. Жизненный цикл CBR и стратегии комбинирования

Система рассуждений на основе прецедентов решает новые проблемы путем адаптации решений, которые использовались для решения предыдущих проблем (Riesbeck & Schank, 1989). База кейсов содержит несколько кейсов, каждый из которых представляет проблему вместе с соответствующим ей решением. Как только возникает новая проблема, ее возможное решение получается путем извлечения похожих случаев из базы случаев и изучения их записанных решений.Система CBR динамична в том смысле, что в процессе работы кейсы, представляющие новые проблемы, вместе с их решениями добавляются к базе кейсов, избыточные дела удаляются, а другие создаются путем объединения существующих дел.

Каждый раз, когда система CBR справляется с новой проблемной ситуацией, извлекает ранее сохраненные случаи вместе с их решениями, сопоставляет их с новым контекстом проблемы, адаптирует предыдущие результаты, чтобы предоставить ответ на новую проблему, и сохраняет новое решение, добавляя новый случай в основании корпуса. Все эти действия автономны и могут быть представлены циклической последовательностью процессов (см. Рисунок 1), в которых может потребоваться взаимодействие с человеком. Типичная CBR-система состоит из четырех последовательных шагов, которые запускаются каждый раз, когда должна быть решена новая проблема (Watson, 1997; Kolodner, 1993; Aamodt & Plaza, 1994): ( i ) получить соответствующие дела ( ii ) повторно использовать дела в попытке решить проблему, ( iii ) пересмотреть предложенное решение, если необходимо, и ( iv ) сохранить новое решение как часть нового дела.

Рисунок 1.

Типичный жизненный цикл CBR, состоящий из четырех стадий

Каждый из этапов, составляющих жизненный цикл CBR, определенный на рисунке 1, требует модели или метода для точного выполнения своей миссии (см. Рисунок 2). Цель этапа поиска — поиск в базе случаев и выбор одного или нескольких предыдущих случаев, которые наиболее точно соответствуют новой проблемной ситуации, вместе с их решениями. Отобранные кейсы повторно используются для выработки решения, соответствующего текущей проблемной ситуации.Это решение при необходимости пересматривается, и, наконец, новый случай (т.е. описание проблемы вместе с полученным решением) сохраняется в базе кейсов. В цикле CBR обычно присутствует какое-то человеческое взаимодействие. Хотя извлечение и повторное использование случаев может быть автоматизировано, пересмотр и сохранение случаев часто выполняются специалистами-людьми. Это текущая слабость систем CBR и одна из их основных проблем. Как показано на рисунке 2, методы, обычно используемые для реализации различных этапов типичной системы CBR, включают: системы, основанные на знаниях, искусственные нейронные сети (ИНС), генетические алгоритмы (GA), системы на основе правил (RBS), качественное рассуждение. (QR), нечеткие системы (FS) и проблемы удовлетворения ограничений (CSP).

Рисунок 2.

Методы и приемы, обычно используемые для реализации каждого этапа типичной системы CBR

Поскольку ядром систем CBR является ее память, кейсы должны точно отражать как проблемы, так и их решения. В этом контексте случаи могут быть удалены, если будет обнаружено, что они приводят к неточным решениям, они могут быть объединены вместе для создания более общих решений, и они могут быть изменены со временем с учетом опыта, полученного при разработке улучшенных решений.Если попытка решить проблему не удалась и можно определить причину сбоя, эту информацию также следует сохранить, чтобы избежать такой же ошибки в будущем. Это соответствует общей стратегии обучения, применяемой при решении человеческих проблем. Вместо того, чтобы создавать общие отношения между дескрипторами проблемы и выводами, как в случае с рассуждением на основе правил или полагаться на общие знания предметной области, системы CBR могут использовать конкретные знания из ранее испытанных конкретных проблемных ситуаций.Система CBR обеспечивает постепенный процесс обучения, потому что каждый раз при решении проблемы сохраняется новый опыт, что делает его доступным для повторного использования в будущем.

В качестве методологии проектирования, подходящей для построения DSS, рассуждение на основе случая может использоваться само по себе или как часть другой интеллектуальной или традиционной вычислительной системы. В последние годы растет интерес к возможности интеграции различных методов искусственного интеллекта с целью создания более мощных и точных гибридных систем.В этом контексте работа Соучека (1991) установила классификацию IRIS ( Интеграция рассуждений, информирования и обслуживания, ) с целью облегчения эффективного проектирования интеллектуальных систем. В том же направлении, работа Medsker & Bailey (1992) предложила пять моделей интеграции, основанных на символических и коннекционистских системах. Наконец, в работе Бездека (1994) была предложена схема CIC ( Computational Intelligence Classification ), интересное руководство по классификации для каталогизации гибридных систем ИИ.

Следовательно, учитывая их гибридную природу, CBR-системы можно легко комбинировать с другими альтернативами для создания надежных систем поддержки принятия решений. Эти подходы включают их успешную гибридизацию с экспертными системами (Vo & Macchion, 1993; Rissland et al. 1993; Medsker, 1995), нечеткую логику (Xu, 1994; Gui, 1993; Dubois et al. 1997), генетические алгоритмы (Louis et al. др. 1993; Оппахер и Деуго, 1991), качественное рассуждение (Навинчандра и др., 1991), системы удовлетворения ограничений (Махер и Жанг, 1993; Хинрихс, 1992), искусственные нейронные сети (Thrift, 1989; Лим и др.1991; Лю и Янь, 1997; Corchado et al. 2001) и байесовские сети (Shinmori, 1998; Aamodt y Langseth, 1998; Dingsøyr, 1998; Friese, 1999; Langseth et al., 1999) и другие.

Кроме того, рассуждение на основе прецедентов может быть особенно подходящей стратегией решения проблем, когда трудно получить знания, необходимые для формулирования модели предметной области, основанной на правилах, или когда количество или сложность правил, относящихся к предметной области, слишком велик для традиционных методов получения знаний.В этом смысле, согласно работе Амодта и Плаза (1994), существует пять различных типов систем CBR, и, хотя они имеют схожие черты, каждая из них больше подходит для конкретного типа проблемы: ( i ) образец рассуждение на основе (EBR), ( ii ) рассуждение на основе экземпляра (IBR), ( iii ) рассуждение на основе памяти (MBR), ( iv ) рассуждение на основе аналогии (ABR) и ( v ) типичное аргументация по делу (CBR).

EBR-системы особенно подходят для задач классификации, в которых категория наиболее похожего прошлого случая становится решением новой проблемы.Набор классов непосредственно составляет набор возможных решений, применяемых без изменений. Системы IBR — это специализация рассуждений на основе примеров для решения проблем, в которых экземпляры (случаи) обычно очень просты (например, векторы признаков). Эти системы могут быть полностью автоматизированы без вмешательства пользователя на протяжении всего их жизненного цикла. Системы MBR дополняют предыдущие подходы возможностью параллельной обработки вычислений. Системы ABR особенно применимы для решения новых проблем, основанных на прошлых случаях из другой области.Для правильной работы должна быть возможность перенести решение исходной аналоговой ситуации на текущую целевую проблему. В типичных системах CBR предполагается, что они представляют определенный уровень сложности (с точки зрения их внутренней структуры и содержащейся информации), поэтому требуется некоторая модификация, чтобы адаптировать полученные решения при применении к другому контексту решения проблем.

3. Практические приложения

Системы поддержки принятия решений, рассматриваемые в этой главе, относятся к четырем различным областям исследований: промышленное планирование, биомедицина, океанографическое прогнозирование и фильтрация спама.Все реализованные приложения полностью разработаны в соответствии с парадигмой CBR, чтобы обеспечить их адаптируемость и точность для решения новых проблем в соответствующих областях.

Для каждой области мы сначала представляем целевую проблему, которую необходимо решить, вместе с основными аспектами, связанными с каждой конкретной ситуацией. Представлено четкое описание представления, используемого для определения базы случаев, и подробно объясняется внутренняя архитектура, управляющая каждой системой.

3.1. Производственное планирование

Планирование производства — одна из важнейших функций производственной компании. Как следствие, в последние десятилетия были предложены различные методы для моделирования и решения конкретных задач планирования (Akyol & Bayhan, 2007). В конкретном случае кооперативных птицефабрик точная координация централизованной поставки кормов (производства и распределения) между разрозненными фермами имеет первостепенное значение как для основного производителя кормов, так и для участвующих фермеров.

В такой ситуации необходимо учитывать некоторые ключевые аспекты, касающиеся основных участников, например ( i ) завод по производству кормов имеет ограниченные производственные и складские мощности, ( ii ) завод производит несколько видов кормов, которые могут создавать конфликты ресурсов при производстве (т. е. их нельзя рассматривать как единый продукт) и распределении (т. е. они не могут использовать одни и те же складские площади в транспортных средствах), ( iii ) доставка фермерам может производиться заранее , но не поздно, ( iv ) каждая ферма имеет ограниченную площадь хранения, что приводит к затратам на хранение запасов, ( v ) некоторые транспортные средства не могут получить доступ к определенным фермам из-за их размеров и т. д.Задача сложна, поскольку она объединяет две подзадачи, которые, как известно, являются NP-трудными: проблема производства нескольких продуктов и периодов производства и проблема периодической маршрутизации транспортных средств с разделенной доставкой (Boudia, 2008).

В этом контексте целесообразной задачей для основного завода по производству кормов любого кооператива является ежедневное определение ( i ) количества произведенных кормов для каждого типа, ( ii ) количества кормов распределяется среди каждого фермера и ( iii ) связанных с доставкой поездок для минимизации общих затрат на горизонте (затраты на установку, хранение и распространение).В этой строке мы представляем приложение SP4 ( System for Prediction & Planning of Provision Production ), систему поддержки принятия решений, которая объединяет статистический метод (используемый для расчета предыдущих данных потребления, индексов смертности и типов доставки корма), машинное обучение метод (модели M5 Prime и IBk — используется для расчета общего количества потребленных кормов по типам) и специальный алгоритм, который позволяет гибко выполнять заказы для прогнозирования производства комбикормов (Reboiro-Jato et al. 2011).

Атрибут	Тип	Описание
Идентификатор фермы	Буквенно-цифровой	Идентификатор фермы.
Идентификатор сарая	5″ border-bottom=».5″ border-left=».5″ border-right=».5″ valign=»center» align=»center»> Цифровой	Идентификатор сарая. На каждой ферме может быть несколько сараев. Это значение отличает каждый сарай в данной ферме.
Дата поступления	дд-мм-гггг	Дата, когда партия прибывает на ферму.
Дата окончания	дд-мм-гггг	5″ border-bottom=».5″ border-left=».5″ border-right=».5″ valign=»center» align=»left»> Дата забоя партии.
Тип корма	Перечисление	Обозначает конкретную разновидность корма.
Порода	Перечень	Конкретный породный тип партии.
Активность	5″ border-bottom=».5″ border-left=».5″ border-right=».5″ valign=»center» align=»center»> Перечисление	Эта переменная определяет основную роль лота. Возможны пять значений: выращивание несушек, выращивание родительского стада, несушка-несушка, племенное яйцо и откорм .
Поддействие	Перечисление	Специализация деятельности. У каждого вида деятельности может быть несколько конкретных вариантов. Возможные значения: бройлер, этикетка, свет, страна и т. Д.
5″ valign=»center» align=»left»> Тип	Перечисление	Сорт цыплят на откорме. Животные, используемые для откорма, подразделяются на несколько категорий, таких как «A», «C», «CA», «H», «M» и т. Д. Этот атрибут используется только в партиях, относящихся к активности откорм .
Количество самцов	Числовое	Количество самцов в партии.
Количество самок	5″ border-bottom=».5″ border-left=».5″ border-right=».5″ valign=»center» align=»center»> Числовое	Количество самок в партии.
Число животных без пола	Числовое	Число животных, пол которых неизвестен.
Сезон	Перечисление	Период года, в течение которого участок проводит на ферме больше всего дней.
Килограммы	Числовые	Количество кормов, потребленных партией с момента поступления на бойню.

Таблица 1.

Переменные, определяющие внутреннюю базу данных SP4

Эффективное животноводство в таких промышленных масштабах в значительной степени зависит от нескольких переменных и ограничений, которые обычно взаимосвязаны. В такой ситуации, характеризующейся множеством разбросанных ферм, которые зависят от централизованного центра снабжения, необходимо принять во внимание два основных вопроса: ( и ) разные породы домашней птицы, выращиваемые на одной ферме (много животных) с разным выращиванием программа и ( ii ) различные типы кормов, необходимые для каждой партии на каждой ферме в течение определенного периода времени. Чтобы создать соответствующую базу знаний для точной работы системы SP4, были изучены и предварительно обработаны несколько баз данных экономических, производственных и управляющих компаний. Основная цель заключалась в сборе и фильтрации реальных данных, чтобы получить достоверную историю заказов на корм, отправленных фермерам за последние годы. В таблице 1 представлена ​​окончательная структура корпусов, составляющих память системы SP4. Общий критерий, применявшийся при разработке внутренней базы кейсов SP4, заключался в отборе тех заказов, которые были отправлены фермеру в период, составляющий четыре дня до прибытия каждой партии на ферму, до ее выхода.В ходе этого процесса были кодифицированы и применены несколько правил для обнаружения и устранения существующих несоответствий.

Учитывая большое количество переменных и правил, которые играют важную роль во всем процессе правильной подачи кормов для всех хозяйств, входящих в данный кооператив, предлагаемая система поддержки принятия решений была разделена на три различных, но взаимодополняющих подсистемы: ( i ) сбор данных и идентификация типа корма, ( ii ) прогнозирование потребления и ( iii ) планирование производства. Разработанная система будет последовательно выполнять первую и вторую подсистемы для каждой новой партии животных, прибывающей на данную ферму. Наконец, третья подсистема отвечает за объединение всей этой информации на ежедневной основе и определение количества корма, которое должно производиться по дням и типа для основного завода по производству кормов. На рисунке 3 изображена общая архитектура системы SP4.

Как видно из рабочей диаграммы, показанной на рисунке 3, каждая подсистема работает с несвязанной информацией, поступающей как из существующих данных, так и из баз знаний, но также с учетом результатов предыдущего этапа.В предлагаемой архитектуре каждая фаза решает разные проблемы, используя восходящий подход.

Рисунок 3.

Общая архитектура и жизненный цикл системы SP4 для прогнозирования и планирования комбикормов

Подсистема первая: каждая партия животных потребляет несколько видов кормов на каждой стадии роста. Целью этого этапа является определение вариантов кормов, которые данная партия будет потреблять до убоя, принимая во внимание аналогичные прошлые случаи, относящиеся к разным хозяйствам и периодам. Текущий результат (качественная информация) служит основой для следующего этапа для вычисления общего количества корма, необходимого как для данной партии, так и для данного типа корма (количественная информация).

Подсистема 2: учитывая новую партию и различные типы кормов, которые она будет потреблять перед убоем, она оценивает общее потребление (в килограммах) по типу корма вместе с процентным соотношением потребления на животное. На результат этого этапа влияют несколько переменных: количество животных по полу (самцы и самки), неделя года, показатели смертности и т. Д.

Подсистема 3: она объединяет предыдущие расчеты с использованием специального алгоритма планирования для моделирования потребления и производства корма вместе с временем. Это позволяет пользователю легко визуализировать производственную деятельность с помощью интуитивно понятного и настраиваемого графического интерфейса пользователя (Graphic User Interface). Случаи в первоначальной оценке MPS могут быть зарегистрированы и учтены при пересмотре суточной добычи.

Данные, использованные для построения базы данных системы, были предоставлены ведущей испанской компанией, специализирующейся на производстве и доставке кормов для животных.Необработанные данные (за 2007 и 2008 годы) были построены на основе заказов клиентов, производственных журналов компании, информации о количестве животных на различных фермах и поездок грузовиков к клиентам. Всего во внутренней базе кейсов SP4 было сохранено 5112 записей после выполнения начальной операции по обнаружению и устранению существующих несоответствий (процедура 1.A. на рисунке 3). Чтобы повысить достоверность экспериментальных результатов, во всех экспериментах была проведена перекрестная проверка.

Рисунок 4.

Снимок экрана окончательно развернутой системы SP4, показывающий мастер-план производства

Последняя разработанная система, используемая в проведенных экспериментах (см. Рисунок 4), была настроена для прогнозирования общего количества (килограммов) каждого корма тип, потребляемый каждой партией от даты поступления до забоя. Кроме того, были проведены дальнейшие эксперименты для сравнения производительности системы SP4 с несколькими другими подходами к прогнозированию. К ним относятся стандартные алгоритмы статистического прогнозирования, деревья решений и применение методов нейронных сетей.Результаты, полученные в результате экспериментов, показали, что предложенная система работает оптимально, будучи способной отслеживать динамический нелинейный тренд и сезонность, а также многочисленные взаимодействия между коррелированными переменными.

3.2. Биомедицинский домен

В последние годы технология микроматриц ДНК стала фундаментальным инструментом в геномных исследованиях, сделав возможным исследовать глобальную экспрессию генов во всех аспектах болезней человека (Russo et al. 2003). Технология микрочипов основана на базе данных из более чем 40 000 фрагментов генов, называемых метками экспрессируемой последовательности (EST), которые используются для измерения численности мишеней с использованием сканированных интенсивностей флуоресценции меченых молекул, гибридизованных с EST. После появления технологии микрочипов с высокой пропускной способностью теперь можно одновременно контролировать уровни экспрессии тысяч генов во время важных биологических процессов и в коллекциях связанных образцов. Поскольку количество исследованных генов в эксперименте исчисляется тысячами, для анализа и обнаружения знаний из данных экспрессии генов интенсивно использовались различные методы интеллектуального анализа данных (Piatetsky-Shapiro & Tamayo 2003). Однако наличие такого количества полей по сравнению с таким небольшим количеством образцов создает высокую вероятность обнаружения ложных срабатываний.Эта проблема усугубляется, если мы рассмотрим потенциальные ошибки, которые могут присутствовать в данных микрочипа.

Биоинформатика и медицинская информатика — две области исследований, которые служат потребностям различных, но связанных сообществ. Обе области разделяют общую цель — предоставить новые алгоритмы, методы и технологические решения для биомедицинских исследований, а также внести свой вклад в лечение и излечение болезней. Хотя для исследования полезной информации для диагностики рака на уровне экспрессии генов успешно использовались различные методы микроматрицы, до полной интеграции существующих методов в повседневную клиническую практику еще далеко (Sittig et al.2008 г.). В этом контексте рассуждение на основе случаев становится подходящей парадигмой, специально предназначенной для разработки приложений биомедицинской информатики и систем поддержки принятия решений, учитывая поддержку и сотрудничество, вовлеченные в такую ​​трансляционную разработку (Jurisica & Glasgow, 2004).

Для решения проблемы преодоления существующего разрыва между биомедицинскими исследователями и клиницистами, которые работают в области диагностики, прогноза и лечения рака с использованием данных микрочипов, мы разработали и сделали доступной общую интерактивную структуру: систему поддержки принятия решений geneCBR (Glez -Peña et al.2009а). Наша система geneCBR реализует свободно доступный программный инструмент, который позволяет использовать комбинированные методы, которые могут применяться для отбора генов, кластеризации, извлечения знаний и прогнозирования для помощи в диагностике при исследовании рака. Для биомедицинских исследований экспертный режим geneCBR предлагает базовую рабочую среду для разработки и тестирования новых методов и экспериментов. Для патологов и онкологов режим диагностики geneCBR реализует эффективную и надежную систему, которая может диагностировать подтипы рака на основе анализа данных микрочипа с использованием архитектуры CBR.Для программистов режим программирования geneCBR включает расширенный модуль редакции для модификации во время выполнения ранее закодированных методов.

Для первоначального построения базы знаний, исходя из имеющихся данных пациента, показанных в таблице 2, geneCBR хранит уровни экспрессии генов каждого образца микрочипа в своей базе данных (нижняя часть рисунка 5).

Таблица 2.

Внутреннее представление образца микрочипа в системе geneCBR (символ ‘#’ представляет необязательную функцию)

На этапе извлечения исходные векторы наблюдений преобразуются в нечеткие дескрипторы микрочипов (FMD) . Каждый ящур представляет собой понятный дескриптор образца с точки зрения лингвистической метки для каждого уровня экспрессии гена (центральная часть рисунка 5). Это преобразование выполняется посредством точного процесса нечеткой дискретизации (Диас и др.2006). На основе представления FMD, созданного из базы случаев, создается набор нечетких шаблонов (FP), который представляет основные характеристики априори известных классов (верхний левый квадрат на рисунке 5). Затем каждый класс в системе представлен FP, который содержит нечеткую кодификацию уровней экспрессии генов для тех генов, которые были помечены как релевантные для этого класса. Несколько FP генерируются из данных контролируемым образом, каждый из которых представляет группу ящура для патологического (или родового) вида.

На этапе поиска в системе geneCBR используются FP, чтобы выбрать наиболее репрезентативные гены для нового пациента. Эту фазу можно рассматривать как этап отбора генов, цель которого состоит в том, чтобы получить список генов, которые могут быть наиболее информативными с учетом нового образца для классификации. Поскольку очень маловероятно, что все гены имеют значительную информацию, связанную с классификацией рака, а размерность была бы слишком большой, если бы использовались все гены, необходимо изучить эффективный способ получения наиболее подходящей группы генов.Чтобы сделать этот выбор, наша система geneCBR выбирает те нечеткие паттерны из своей базы наблюдений, которые являются ближайшими к любому новому полученному случаю. Затем для каждого из выбранных FP система geneCBR вычисляет связанный с ней DFP (шаблон, который включает только гены, необходимые для того, чтобы отличить новый экземпляр от других различных классов). Наконец, выбранные гены для нового случая получаются путем объединения вместе генов, принадлежащих рассматриваемым DFP.

Рисунок 5.

Жизненный цикл системы geneCBR, работающей в диагностическом режиме

Адаптация предыдущих случаев для решения нового ящура выполняется на стадии повторного использования (левый нижний квадрат на рисунке 5). Сеть растущих клеточных структур (GCS) (Fritzke, 1993) обучается с использованием всей базы случаев, принимая только существующие случаи, представленные генами, выбранными на предыдущем этапе, в качестве входных данных. Затем новый ящур представляется в сеть GCS и извлекаются пациенты, наиболее похожие с генетической точки зрения.На основе этой группировки применяется механизм пропорционального взвешенного голосования, который учитывает степень сходства с новым ящуром. Первоначальный класс присваивается системой генов CBR из числа существующих патологий (Glez-Peña et al. 2009b).

На этапе доработки (правый нижний квадрат на рисунке 5) эксперту предоставляются полезные данные о решении, принятом системой. Эта информация содержит выбранные гены DFP, группировку, произведенную сетью GCS, вес, присвоенный каждому классу, и набор правил классификации See5 (Quinlan, 2000), созданных для наиболее похожих пациентов.Эксперт сравнивает первоначальный прогноз, выдаваемый системой, с другой внешней информацией, такой как кариотип пациента или история болезни, чтобы удостовериться в пересмотренном прогнозе и окончательной диагностике.

Каждый раз, когда решается новый ящур, обновляется внутренняя структура системы geneCBR (верхний правый квадрат на Рисунке 5). Новый ящур привязан к соответствующему классу и добавлен в базу случаев. Затронутый FP обновляется, и система отмечает наиболее похожих пациентов, выбранных для будущей классификации.На этом этапе система geneCBR переходит в режим редактирования, и эксперту разрешается обновлять классификацию пациента с учетом полученных новых знаний.

GeneCBR представляет собой новую систему поддержки принятия решений, которая может эффективно поддерживать интегративную работу программистов, биомедицинских исследователей и клиницистов, работающих вместе в общей структуре. На рисунке 6 показан снимок экрана системы geneCBR, работающей в экспертном режиме (специально предназначенной для биомедицинских исследований).Код проекта находится в свободном доступе под лицензией GPL и может быть получен по адресу http://www.genecbr.org/.

Рисунок 6.

Скриншот системы geneCBR, работающей в экспертном режиме

3.3. Океанографическое прогнозирование

Мировой океан представляет собой высокодинамичную систему, для которой сложно создавать математические модели (Tomczak & Fodfrey, 1994). Красные приливы — это название изменения цвета, вызванного плотным скоплением микроскопических морских растений, известных как фитопланктон.Изменение цвета зависит от вида фитопланктона, его пигментов, размера и концентрации, времени суток, угла наклона солнца и других факторов. Красные приливы обычно происходят на северо-западном побережье Пиренейского полуострова в конце лета и осенью. Преобладающие южные ветры заставляют холодную, богатую питательными веществами воду подниматься из более глубоких областей океана на поверхность — процесс, известный как апвеллинг. Вместе с этой поднимающейся водой поднимаются цисты динофлагеллат, стадии покоя организма, которые бездействуют в отложениях на морском дне.Высокая концентрация питательных веществ в восходящей воде, а также идеальные условия температуры, солености и света вызывают прорастание цист, так что динофлагеллаты начинают расти и делиться. Быстрое увеличение количества динофлагеллат, иногда до миллионов клеток на литр воды, описывается как цветение фитопланктона (уровни концентрации выше 100 000 клеток / литр). Концентрация цветения ветром и течениями, а также способность динофлагеллят всплывать на поверхность вместе образуют красный прилив.

Рис. 7.

Источники данных, используемые системой FSfRT

В этом контексте особый интерес представляют две ситуации, соответствующие ложным тревогам и необнаруженным цветам. Первое относится к предсказаниям цветения (концентрация псевдоницскии ≥ 100 000 клеток / литр), которые фактически не выполняются (реальная концентрация ≤ 100 000 клеток / литр). Последнее, более проблематичное, возникает, когда цветение существует, но модель не может его обнаружить. Другая нежелательная ситуация возникает, когда количество прогнозов превышает абсолютную ошибку в 100 000 клеток / литр (помеченных как неверные прогнозы).В такой ситуации, когда правила, управляющие целевым процессом или системой, неизвестны, прогнозирование значений параметров, определяющих характерное поведение системы, может быть проблематичной задачей. Однако было обнаружено, что гибридная система рассуждений на основе прецедентов может обеспечить более эффективные средства выполнения таких прогнозов, чем другие коннекционистские или символические методы (Fdez-Riverola & Corchado, 2003).

В связи с этой областью мы описываем систему FSfRT (Система прогнозирования красных приливов), гибридную модель, способную точно прогнозировать концентрации pseudo-nitzschia spp, диатомовых водорослей, которые производят самые опасные красные приливы, вызывающие амнестическое отравление моллюсками (или ASP ). Наша система FSfRT использует модель рассуждений на основе случаев для обертывания сети растущих структур клеток, сеть радиальных базисных функций (Fritzke, 1994) и набор нечетких моделей Sugeno (Jang et al. 1997) для обеспечения точного прогноза. Каждый из этих методов используется на разных этапах цикла рассуждений системы поддержки принятия решений для извлечения исторических данных, адаптации их к текущей проблеме и автоматического анализа предложенного решения.

Система прогнозирования использует информацию из двух основных источников: (i) данные, поступающие с нескольких буев и сети мониторинга, используемые для создания последовательности дескрипторов проблем, способных характеризовать текущую ситуацию прогнозирования, и (ii) данные, полученные из спутниковых изображений, хранящихся на база данных.Значения данных спутникового изображения используются для генерации индексов облачности и температуры поверхности, которые затем сохраняются в дескрипторе проблемы и впоследствии обновляются во время операции CBR. На рисунке 7 показано схематическое изображение всех данных, управляемых системой FSfRT.

Чтобы спрогнозировать концентрацию pseudo-nitzschia spp в заданной точке на неделю вперед, еженедельно создается дескриптор проблемы. Дескриптор проблемы состоит из последовательности значений выборки данных (отфильтрованных и предварительно обработанных), записанных для водной массы, к которой будет применен прогноз.Дескриптор проблемы также содержит различные другие числовые значения, включая текущее географическое расположение сенсорных буев, а также время и дату сбора. Каждую неделю концентрация pseudo-nitzschia spp добавляется в дескриптор проблемы, формируя новый входной вектор. Дескриптор проблемы состоит из вектора с переменными, которые характеризуют проблему, записанными в течение двух недель. Прогноз или результат системы — концентрация pseudo-nitzschia spp через неделю, как указано в таблице 3.

Цикл операций прогнозирования (который повторяется каждую неделю) продолжается, как показано на рисунке 8. Сначала создается новый экземпляр проблемы из предварительно обработанных данных, указанных выше. Когда система представляет новую проблему, нейронная сеть GCS используется для получения еще k случаев, похожих на данную проблему (определение класса, к которому принадлежит проблема). На этапе повторного использования значения весов и центров нейронной сети, использованной в предыдущем прогнозе, извлекаются из базы знаний.Эти параметры сети вместе с k извлеченными случаями затем используются для переобучения сети RBF и для получения первоначального прогноза концентрации pseudo-nitzschia spp (см. Рисунок 8). Во время этого процесса обновляются значения параметров, характеризующих сеть.

Атрибут	Тип	5″ border-bottom=».5″ border-left=».5″ border-right=».5″ valign=»center» align=»left»> Описание
Местоположение	Буквенно-цифровой	Географическое расположение сенсорного буя.
Дата	дд-мм-гггг	Дата, когда было произведено измерение.
Время	5″ border-bottom=».5″ border-left=».5″ border-right=».5″ align=»center»> чч-мм-сс	Время, в которое было произведено измерение.
Температура	Числовая	Температура воды (в градусах) на разной глубине.
Кислород	Числовой	Концентрация кислорода (миллилитры / литр) на разной глубине.
PH	Числовая шкала	кислоты / на основе.
Коэффициент пропускания	Числовой	Доля (процент) солнечного света, проходящего через морскую воду.
Флуоресценция	Числовая	5″ border-bottom=».5″ border-left=».5″ border-right=».5″ valign=»center» align=»left»> Флуоресценция морской воды (в процентах) на разных глубинах.
Индекс облачности	Числовой	Измерения облачности, полученные с геостационарного спутника.
Пересчет диатомовых водорослей	Числовой	Концентрация водорослей (в ячейке / литр) на разной глубине.
5″ border-left=».5″ border-right=».5″ align=»left»> Pseudo-nitzschia spp	Числовой	Концентрация диатомовых водорослей (в ячейках / литр) на разной глубине, вызывающая вредоносное цветение водорослей.
Pseudo-nitzschia spp (будущее)	Числовое	Концентрация диатомовых водорослей (в ячейках / литр) подлежит прогнозированию.

Таблица 3.

Океанографические параметры и физические характеристики водной массы, составляющей корпус в системе FSfRT

Рисунок 8.

Жизненный цикл системы FSfRT для океанографического прогнозирования

На этапе пересмотра первоначальное решение, предлагаемое нейронной сетью RBF, изменяется в соответствии с ответами четырех подсистем нечеткой ревизии. Каждая ревизионная подсистема была создана из сети RBF с использованием нейрочетких методов (Jin & Sendhoff, 2003). Для каждого класса нейронной сети GCS поддерживается вектор из четырех значений (см. Рисунок 8). Вектор оценок этого эксперта инициализируется значением (0.25, 0,25, 0,25, 0,25) и представляет точность каждой подсистемы ревизии по отношению к классу. Во время проверки соответствующий вектор оценок эксперта используется для обдумывания результатов каждой нечеткой системы проверки. Каждое значение вектора связано с одной из четырех подсистем ревизий. Для каждого цикла прогнозирования значение вектора важности, связанного с наиболее точной подсистемой пересмотра, увеличивается, а остальные три значения пропорционально уменьшаются. Это сделано для того, чтобы дать больше актуальности самой точной подсистеме ревизий.

Пересмотренный прогноз затем временно сохраняется в базе данных прогнозов. Когда измеряется реальное значение концентрации pseudo nitzschia spp, затем можно оценить прогнозное значение для переменной, сравнивая фактическое и прогнозируемое значения и полученную ошибку. Новый случай, соответствующий этой операции прогнозирования, затем сохраняется в базе наблюдений. Значение ошибки прогнозирования также используется для обновления вектора важности, связанного с подсистемами ревизии извлеченного класса.

Система FSfRT была успешно протестирована с использованием реальных данных, собранных за годы [1992, 2000] из географической зоны A0 (42º28,90 ’северной широты, 8º57,80’ западной долготы 61 м). На рисунке 9 показан снимок экрана интерфейса FSfRT, реализованного для океанографического прогнозирования.

Рисунок 9.

Скриншот системы FSfRT, прогнозирующей красные приливы в прибрежных водах северо-запада Пиренейского полуострова

3.4. Фильтрация спама

Служба электронной почты — это компьютерная технология, созданная в результате преобразования старой системы почтовой доставки с целью ее использования в сетях и Интернете. В настоящее время адреса электронной почты присутствуют на каждой визитной карточке рядом с другой соответствующей контактной информацией, такой как почтовый адрес или номер телефона. Однако уже более десяти лет использование электронной почты омрачено проклятием спама, поэтому спам начинает подрывать целостность электронной почты и даже препятствовать ее использованию.

В этом контексте спам — это термин, используемый для обозначения всех форм незапрашиваемой коммерческой электронной почты, и формально его можно определить как электронное сообщение, удовлетворяющее следующим двум условиям: (i) личность и контекст получателя не имеют значения, поскольку сообщение в равной степени применимо ко многим другим потенциальным получателям и (ii) получатель не предоставил проверяемым образом преднамеренное, явное и все еще подлежащее отзыву разрешение на его отправку (SpamHaus, 1998).

Благодаря некоторым привлекательным характеристикам электронная почта (низкая стоимость и быстрая доставка) фактически становится основным каналом распространения спама. Ежедневно пользователи электронной почты получают множество сообщений с предложениями купить запрещенные наркотики, копии швейцарских часов, поддельные рабочие места, поддельные университетские дипломы и т. Д. Эта ситуация привела к прогрессивному увеличению доли спама в общемировом трафике электронной почты. В сентябре 2010 года доля рассылок спама составила около 92 процентов всего трафика электронной почты в Интернете (MessageLabs, 2010).

Для успешной борьбы со спамом (т.е. в идеальном случае его устранения) фундаментальными становятся теоретические и прикладные исследования фильтрации спама. В этом контексте ранее была проведена большая ценная исследовательская работа (Guzella & Caminhas, 2009), и несколько соответствующих конференций выросли в этой области (CEAS, 2010). Более того, было выпущено несколько коммерческих продуктов, которые были распространены из индустрии программного обеспечения среди огромного количества конечных пользователей с целью минимизации спама.

С целью предоставления эффективного решения мы представляем систему SpamHunting (Fdez-Riverola et al. 2007), основанную на экземплярах модель фильтрации электронной почты, которая превосходит классические методы машинного обучения и другие подходы успешного ленивого ученика в данной области. фильтрации спама. Архитектура фильтра поддержки принятия решений основана на настраиваемой сети поиска расширенных экземпляров, способной точно обобщать представления электронной почты. Повторное использование похожих сообщений осуществляется с помощью простого механизма единогласного голосования, чтобы определить, является ли целевой случай спамом или нет.Перед окончательным ответом системы этап пересмотра выполняется только в том случае, если назначенный класс является спамом, при этом система использует общие знания в форме мета-правил.

Для правильного представления входящих сообщений электронной почты создается дескриптор сообщения (экземпляр), который сохраняется в базе электронной почты системы SpamHunting. Этот дескриптор сообщения содержит последовательность функций, которые лучше обобщают информацию, содержащуюся в электронном письме. Для этой цели мы используем данные из двух основных источников: (i) информацию, полученную из заголовка электронного письма, и (ii) те термины, которые более характерны для темы, тела и вложений сообщения.Таблица 4 обобщает структуру каждого экземпляра, хранящегося в базе электронной почты SpamHunting.

На рисунке 10 показан жизненный цикл системы IBR SpamHunting, а также ее интеграция в типичную пользовательскую среду. В верхней части рисунка 10 почтовый агент пользователя (MUA) и агент передачи почты (MTA) отвечают за отправку запросов, сгенерированных пользователем. Между этими двумя приложениями SpamHunting захватывает все входящие сообщения (с использованием протокола POP3), чтобы идентифицировать, маркировать и фильтровать спам.

Атрибут	5″ valign=»center» align=»center»> Тип	Описание
ID	Числовой	Уникальный идентификатор сообщения.
Из	Буквенно-цифровой	Исходный почтовый ящик.
5″ border-right=».5″ align=»left»> Путь возврата	Буквенно-цифровой	Указывает адрес, на который будет возвращено сообщение, если кто-то выберет ответ.
Дата	дд-мм-гггг	Дата, в которую было отправлено сообщение.
Язык	Буквенно-цифровой	5″ border-left=».5″ border-right=».5″ align=»left»> Определенный язык сообщения.
Прикрепленные файлы	Числовые	Указывает количество прикрепленных файлов.
Тип содержимого	Перечисление	Тип MIME.
Соответствующие термины	5″ border-right=».5″ valign=»center» align=»center»> Числовые	Количество выбранных функций для кластеризации сообщения.
Всего терминов	Числовое	Количество функций, содержащихся в сообщении.
Дескриптор «частота-член»	Массив пар «характеристика-частота»	Сохранение для каждого признака меры их частоты в сообщении.
Класс	Перечисление	Категория сообщения. Возможные значения: спам , допустимый, неизвестный .

Таблица 4.

Структура экземпляра входящего электронного письма в системе SpamHunting

Рисунок 10.

Жизненный цикл системы SpamHunting и ее интеграция с существующими MTA и MUA

Каждый раз, когда SpamHunting получает новое электронное письмо, система проходит четыре этапа, изображенных в нижней части рисунка 10 в виде затененных прямоугольников. Первоначально система определяет те электронные письма, которые наилучшим образом представляют новое входящее сообщение (левый верхний квадрант на рисунке 10), только принимая во внимание набор сообщений с наибольшим количеством общих терминов. Каждое из ранее выбранных сообщений вносит свой вклад с одним голосом в последний класс (левый нижний квадрант на рисунке 10).Этап доработки проводится только тогда, когда система предлагает электронное письмо как спам. Для этой цели SpamHunting использует мета-правила закодированных ранее заголовков (правый нижний квадрант на рисунке 10). Каждый раз, когда пользователь проверяет свой почтовый ящик и сообщает системе о предыдущей классификации электронной почты, SpamHunting сохраняет новый экземпляр (или изменяет существующий) в базе электронной почты для будущего использования (правый верхний квадрант на рисунке 10). .

Этап извлечения выполняется с использованием нашей модели расширенной сети извлечения экземпляров (EIRN).Сеть EIRN упрощает индексацию экземпляров и выбор тех, которые наиболее похожи на сообщение-экземпляр. Повторное использование похожих электронных писем осуществляется посредством использования механизма единогласного голосования, который генерирует первоначальное решение путем создания модели с извлеченными экземплярами. На этапе пересмотра система использует общие знания в форме мета-правил, которые извлекаются из заголовков электронной почты. F

Что такое EDFA, каков принцип работы EDFA?

Оптические усилители — критически важная технология для сетей оптической связи, позволяющая передавать многие терабиты данных на расстояния от нескольких сотен километров до тысяч километров, преодолевая ограничение потерь в волокне.Как первый оптический усилитель, широко используемый в системах оптической связи, EDFA привел к резкому увеличению пропускной способности с развертыванием систем WDM. Обладая такими характеристиками, как высокая выходная мощность, высокое усиление, широкая полоса пропускания, независимость от поляризации и низкий коэффициент шума, EDFA стали одним из ключевых компонентов, используемых в системе оптической связи нового поколения. Так что же такое EDFA? Вы знаете принцип работы EDFA?

Что такое EDFA?

Волоконный усилитель, легированный эрбием (EDFA) — это оптический повторитель, который используется для повышения интенсивности оптических сигналов, передаваемых по волоконно-оптической системе связи. Оптическое волокно легировано редкоземельным элементом эрбием, так что стекловолокно может поглощать свет на одной частоте и излучать свет на другой частоте.

Принцип работы EDFA

Волокно, легированное эрбием (EDF), лежит в основе технологии EDFA, которая представляет собой обычное кварцевое волокно, легированное эрбием. Когда эрбий освещается световой энергией подходящей длины волны (980 нм или 1480 нм), он переводится в промежуточное состояние с длительным сроком службы, затем он распадается обратно в основное состояние, излучая свет в диапазоне 1525-1565 нм. .Эрбий может накачиваться либо светом с длиной волны 980 нм, и в этом случае он проходит через нестабильное состояние с коротким временем жизни, прежде чем быстро распадется до квазистабильного состояния, либо светом с длиной волны 1480 нм, когда он непосредственно возбуждается до квазистабильного состояния . Находясь в квазистабильном состоянии, он распадается до основного состояния, излучая свет в полосе 1525-1565 нм. Этот процесс распада можно стимулировать уже существующим светом, что приводит к усилению. Принцип работы EDFA показан на рисунке 1.

Рисунок 1: Принцип работы EDFA.

Baisc конфигурация EDFA

EDFA в основном состоит из EDF, лазера накачки и компонента (часто называемого WDM) для объединения сигнала и длины волны накачки, чтобы они могли одновременно распространяться через EDF. В принципе, EDFA могут быть спроектированы так, что энергия накачки распространяется в том же направлении, что и сигнал (прямая накачка), в противоположном направлении сигнала (обратная накачка) или в обоих направлениях вместе. Энергия накачки может быть либо энергией накачки 980 нм, либо энергией накачки 1480 нм, либо их комбинацией.На практике наиболее распространенной конфигурацией EDFA является конфигурация прямой накачки с использованием энергии накачки 980 нм, как показано на рисунке 2.

Рисунок 2: Конфигурация EDFA с энергией накачки 980 нм

Заявление EDFA

Узнав, что такое EDFA, и принцип работы EDFA. Далее мы обсудим формы заявок и области применения EDFA.

Бланки заявлений

При использовании в качестве бустерного усилителя EDFA используется на выходе оптического передатчика для повышения выходной мощности мультиплексированного многоволнового сигнала, как показано на рисунке 3.Таким образом можно увеличить расстояние передачи оптической связи. Эта форма заявки требует большей выходной мощности на EDFA.

Рисунок 3: Бустерный усилитель

При использовании в качестве предусилителя EDFA требуется низкий уровень шума и высокое усиление. Обладая этими функциями, EDFA может значительно повысить чувствительность оптического приемника при установке на входе оптического приемника, как показано на рисунке 4.

Рисунок 4: Предварительный усилитель

При использовании в качестве линейного усилителя EDFA может периодически компенсировать потери передачи в линиях.Вместо ретранслятора OEO EDFA может напрямую усиливать оптические сигналы, передаваемые по линиям. Таким образом, мы решаем узкие места фотоэлектрического обмена, чтобы заложить основу для полностью оптической сети (AON). На рисунке 5 показано это применение EDFA.

Рисунок 5: Линейный усилитель

Сферы применения

EDFA имеет следующие области применения:

(1) EDFA может использоваться в высокопроизводительной и высокоскоростной оптической системе связи.Применение EDFA очень конструктивно для решения проблем низкой чувствительности приемников и малых расстояний передачи из-за отсутствия ретранслятора OEO.

(2) EDFA может использоваться в системах оптической связи большой протяженности. Используя EDFA, мы можем значительно снизить стоимость строительства за счет увеличения расстояния между повторителями и уменьшения количества регенеративных повторителей. Система оптической связи дальней связи в основном включает в себя наземную магистральную оптическую систему передачи и подводную волоконно-оптическую систему передачи.

(3) EDFA может использоваться в системе оптоволоконной сети абонентского доступа. Если расстояния передачи слишком велики, EDFA будет функционировать как линейный усилитель, чтобы компенсировать потери передачи в линиях, тем самым значительно увеличивая количество абонентов.

(4) EDFA может использоваться в системе мультиплексирования с разделением по длине волны (WDM), особенно в системе плотного мультиплексирования с разделением по длине волны (DWDM). Использование EDFA в системе WDM позволяет решить проблемы вносимых потерь и уменьшить влияние хроматической дисперсии.

(5) EDFA может использоваться в системе общественного антенного телевидения (CATV). В системе кабельного телевидения EDFA функционирует как усилитель-усилитель, значительно улучшая входную мощность оптического передатчика. Использование EDFA для компенсации вносимых потерь в оптических делителях мощности может значительно увеличить масштаб распределительной сети и увеличить количество абонентов.