Спосіб побудови дерев розв’язків для виявлення знань при діагностуванні виробів

Реферат: Спосіб побудови дерев розв'язків для виявлення знань при діагностуванні виробів полягає у тому, що беруть навчальну вибірку діагностованих виробів, які характеризують набором значень ознак, на основі вибірки будують структуру та визначають параметри дерева розв'язків. Крім того, вимірюють значення ознак та вихідного параметра діагностованих виробів, з виміряних ознак формують вибірку, далі генерують набір дерев розв'язків, що характеризують досліджувані вироби, подання дерева розв'язків виконують у вигляді структури взаємозв'язаних даних, далі оцінюють точність кожного дерева розв'язків, після чого ітеративно формують нову підмножину рішень за певними правилами. UA 70944 U (12) UA 70944 U UA 70944 U 5 10 15 20 25 30 35 40 45 50 55 60 Корисна модель належить до кібернетики й обчислювальної техніки і може бути використана для побудови дерев розв'язків - обчислювальних пристроїв для неруйнівного діагностування виробів за ознаками. Процесом як об'єктом технології корисної моделі є сукупність дій з вимірювання параметрів (ознак), які характеризують діагностовані вироби, перетворення даних про вироби для формування структури та визначення параметрів функціональних вузлів, а також керування процесом побудови дерева розв'язків з метою автоматизації діагностування. Продуктами, щодо яких у корисній моделі виконуються дії, є дані про значення параметрів діагностованих виробів. Продуктом, за допомогою якого у корисній моделі виконуються дії, є електроннообчислювальна машина (ЕОМ). Відомий спосіб побудови дерев розв'язків для виявлення знань ID3 [1], прийнятий за прототип, який полягає в тому, що беруть набір навчальних прикладів, які характеризують набором значень параметрів, після чого за допомогою ЕОМ виконують побудову дерева розв'язків зверху вниз шляхом вибору ознак, що мають найбільшу iнформативність, та рекурсивної побудови піддерева для кожного можливого розбиття за вибраною ознакою для визначення порогових значень при прийнятті рішень, утворюючи таким чином ієрархічну модель для виявлення знань з вибірок даних. Недоліками відомого способу є: неможливість обробки даних, що приймають недискретні значення; некоректна робота з ознаками, що мають унікальні значення для всіх об'єктів вибірки; низькі апроксимаційні та узагальнюючі властивості побудованого дерева розв'язків внаслідок занесення багатьох об'єктів навчальної вибірки до його структури та параметрів. В основу корисної моделі поставлено задачу створення способу діагностування виробів (об'єктів, процесів) з підвищеним рівнем автоматизації побудови та точністю діагностування. Поставлена задача вирішується тим, що у способі побудови дерев розв'язків для виявлення знань при діагностуванні виробів беруть навчальну вибірку діагностованих виробів, які характеризують набором значень ознак, на основі вибірки будують структуру та визначають параметри дерева розв'язків. При цьому вимірюють значення ознак та вихідного параметра діагностованих виробів, з виміряних ознак формують вибірку, далі генерують набір дерев розв'язків, що характеризують досліджувані вироби, подання дерева розв'язків виконують у вигляді структури взаємозв'язаних даних, далі оцінюють точність кожного дерева розв'язків, після чого ітеративно формують нову підмножину рішень за певними правилами, які враховують попередньо отриману інформацію про якість побудованих дерев розв'язків, вибір дерев розв'язків здійснюють пропорційно значенню цільової функції, для чого розраховують середнє значення цільової функції в поточній множині рішень, далі вимірюють значення діагностичних ознак для діагностованого виробу і подають їх на синтезоване дерево розв'язків, після чого в залежності від порогового значення ознаки у поточному вузлі та значення відповідної ознаки для діагностованого виробу виконують прийняття рішення стосовно значення прогнозованого параметру, для витягу знань з синтезованого дерева розв'язків його перетворюють у базу правил в залежності від структури дерева та порогових значень ознак у його вузлах. У порівнянні з прототипом відмінними ознаками є: виключення необхідності дискретизації дійсних значень ознак діагностованих виробів, використання певної множини рішень при побудові діагностичної моделі, підвищення точності обчислень за синтезованим деревом розв'язків, внаслідок чого забезпечується підвищення апроксимаційних та узагальнювальних властивостей побудованого дерева розв'язків, спрощення аналізу синтезованої моделі та можливість виявлення знань з побудованого дерева розв'язків. Причинно-наслідковий зв'язок між сукупністю ознак, що заявляються, та технічним результатом полягає в тому, що на основі навчальної вибірки даних в запропонованому способі будують набір дерев розв'язків, оцінюють точність кожного дерева, після чого ітеративно формують нову підмножину рішень за певними правилами, які враховують попередньо отриману інформацію про якість побудованих дерев розв'язків, що дозволяє підвищити точність діагностування за допомогою побудованого дерева. Технічним результатом корисної моделі є збільшення рівня автоматизації процесу побудови дерева розв'язків, що виявляється у виключенні необхідності участі людини при дискретизації дійсних значень ознак діагностованих виробів для можливості застосування способу, прийнятого як прототип; підвищення точності побудованої діагностичної моделі. У технічному рішенні, що заявляється, нові ознаки при взаємодії з відомими дають новий технічний результат, що дозволяє вирішити поставлену задачу. Таким чином, у порівнянні з прототипом запропоноване технічне рішення містить вищевказані істотні ознаки і, отже, відповідає вимозі "новизна". 1 UA 70944 U 5 10 15 20 25 Ознаки, що відрізняють технічне рішення, яке заявляється, від прототипу, не виявлені в інших технічних рішеннях при вивченні цієї галузі техніки. Побудову дерева рішень здійснюють у такий спосіб. Спочатку випадковим чином із доступної множини виробів вибирають N виробів для випробувань, після чого для кожного p-го відібраного виробу хр, p=1,2,…, N, вимірюють значення L ознак (параметрів) хір, і=1,2,…, L, які характеризують його стан або властивості стосовно завдання діагностики, що вирішується, а також проводять випробування, у результаті яких вимірюють значення вихідного параметра y={уp}. На основі отриманих експериментальних спостережень формують навчальну вибірку діагностованих виробів , де х={хi}, у={уp}, xi={xip}. Сформовану навчальну вибірку у вигляді відповідних масивів даних вводять до пам'яті ЕОМ. Далі формують початкову множину дерев рішень. При цьому кожне дерево розв'язків подають у вигляді структури даних Т={tk}, у вузлах tk= цієї ієрархічної структури розташовують функції сk, за якими приймаються рішення на основі значень вхідних змінних (у випадку, якщо вузол є внутрішнім) або значення вихідної змінної (для зовнішніх вузлів), а також посилання lk та rk на лівого та правого нащадків, відповідно, що являють собою структури, аналогічні tk. Після цього виконують оцінювання поточного набору розв'язків. Як цільову використовують функцію, що враховує помилку прогнозування або класифікації E(Tj) за допомогою дерева Tj та складність синтезованого дерева S(Tj): f(Hj)=1E(Tj)+2S(Tj)→mіn, де 1 та 2 - коефіцієнти, що враховують значимість кожного із цільових критеріїв (E(Tj) i S(Tj), відповідно), 1+2=1. * Далі, поки не досягнуто прийнятне значення цільової функції f ≤, виконують формування нової множини розв'язків. Вибирають дерева розв'язків пропорційно значенню їх цільової функції. Для цього розраховується середнє значення цільової функції в поточній множині рішень: fс р  30 35 40 45 50 1 N .  fj N j 1 Після цього для кожного дерева розв'язків Tj обчислюють величину po(Tj) як відношення значення цільової функції f(Hj) до середнього значення цільової функції в популяції fср: f Tj . po Tj  fcp Величина po(Tj) визначає ймовірність дерева розв'язків Тj бути відібраним для участі у формуванні нової множини рішень. Для створення нового дерева розв'язків на основі вже існуючих випадковим чином вибирають на двох деревах один або декілька вузлів, після вибору яких в батьківських деревах обміняють фрагменти згідно з вибраними вузлами розриву. Далі створюють нову множину дерев розв'язків із нових дерев, створених з вже існуючих, а також з найбільш пристосованих дерев розв'язків (дерев з найкращими оцінками цільової функції). Після побудови дерева розв'язків на його основі здійснюють діагностування виробів та виявлення знань. Для цього вимірюють значення діагностичних ознак {хij} для діагностованого виробу хj і подають їх на синтезоване дерево розв'язків, після чого в залежності від порогового значення ознаки у поточному вузлі та значення відповідної ознаки для діагностованого виробу виконують прийняття рішення стосовно значення прогнозованого параметра yj(T). Для витягу знань з синтезованого дерева розв'язків його перетворюють у базу правил типу "Якщо А, то Б" в залежності від структури дерева та порогових значень ознак у його вузлах. На основі запропонованого способу здійснювалася побудова дерева розв'язків для діагностування кузовів автотранспортних засобів. Вибірка характеризувалася 46 ознаками, які описували стан 38 екземплярів. Ознаки описували значення зазорів і сполучень в 46 контрольних точках, розташованих по всьому кузову автомобіля. При цьому як вихідні параметри розглядалося 16 параметрів, що впливають на стан кузова автомобіля (1 відповідає значенню, що знаходиться в допустимих межах, 0 - значенню, що знаходиться в недопустимих межах). Фрагмент вибірки наведено у табл. 1 та 2.     55 2 UA 70944 U Таблиця 1 Значення ознак для екземплярів № x1 х2 x3 1 0,3 0,2 1,0 2 1,0 -0,3 1,4 3 -0,3 -0,4 0,3 4 -1,4 -0,4 -0,1 5 -1,4 -0,2 -1,2 -1,2 -0,7 0,7 37 -0,7 -0,1 0,4 38 -1,2 -0,3 -1,1 x4 -0,6 -0,3 -0,1 -1,0 -1,0 -1,7 -0,3 -0,8 x5 -0,1 -0,4 -0,4 -0,1 0,2 -0,9 -0,6 -0,2 x6 1,3 1,5 0,3 0,4 -0,6 0,5 0,1 -0,8 х7 0,1 -0,1 -0,8 -1,1 -0,9 -1,3 -0,8 -1,2 x8 0,3 0,0 0,1 1,0 0,2 -0,1 0,2 0,0 х9 0,3 0,3 -0,2 -0,4 -1,5 -0,6 -0,7 -1,3 x10 -0,3 -0,3 -1,0 -1,2 -1,0 -1,3 -0,7 -1,7 … … … … … … … … … x39 1,2 1,4 1,0 1,7 0,9 1,0 0,7 1,1 x40 -0,2 0,1 -0,5 -1,0 -1,8 -1,2 -1,0 -1,6 x41 0,8 1,4 0,0 0,8 0,9 0,8 0,9 0,3 x42 0,4 0,4 0,5 0,4 -0,8 0,5 0,6 0,1 x43 1,2 1,2 0,1 1,3 1,2 1,3 1,2 0,9 x44 0,3 0,1 0,3 0,3 -0,1 1,4 1,1 0,5 x45 0,5 0,2 -1,5 0,4 -0,5 -2,2 -1,2 -2,4 x46 0,2 0,2 -0,5 -0,8 -1,6 -1,0 -0,7 -2,0 Таблиця 2 Значення вихідних ознак № 1 2 3 4 5 … 37 38 5 10 15 20 25 y1 1 1 1 1 1 … 1 0 y2 1 1 1 1 1 … 1 0 y3 1 1 1 1 0 … 1 1 y4 1 1 1 1 1 … 0 0 y5 1 1 1 1 1 … 1 0 y6 1 1 1 1 1 … 0 0 y7 1 1 1 1 1 … 1 1 y8 1 1 1 1 1 … 0 y9 1 1 1 1 1 … 1 1 y10 1 1 1 1 1 … 0 1 y11 1 1 1 1 1 … 1 1 y12 1 1 1 1 1 … 0 0 y13 1 1 1 1 1 … 1 1 y14 1 1 1 1 1 … 0 1 y15 1 1 1 1 1 … 1 1 y16 1 1 1 1 1 … 0 1 Для кожного з вихідних відгуків були побудовані дерева розв'язків з використанням запропонованого способу та з використанням прототипу. На кресленні наведено побудоване дерево розв'язків для вихідної ознаки у4. Після цього побудовані дерева рішень використовували для прогнозування значень вихідних відгуків на тестовій вибірці. На основі отриманих значень вихідних параметрів для тестової вибірки були розраховані параметри роботи аналогів (усереднені значення) при прогнозуванні значень вихідних параметрів для тестової вибірки. Вирішення цієї задачі запропонованим способом дозволило побудувати дерево розв'язків, що характеризується помилкою прогнозування 1,2 % (при використанні прототипу - 4,3 %), кількість вузлів дерева - 32 (при використанні прототипу - 35), що свідчить про збільшення апроксимаційних властивостей побудованого дерева та його меншу складність. Технічним результатом внаслідок використання пропонованого способу є: - збільшення рівня автоматизації процесу побудови дерева розв'язків, що виявляється у виключенні необхідності участі людини при дискретизації значень дійсних ознак діагностованих виробів; - підвищення апроксимаційних властивостей синтезованого дерева рішень внаслідок збільшення точності прогнозування чи класифікації. На основі вищевикладеного можна зробити висновок про відповідність технічного рішення, що заявляється, критерію "промислова придатність". Джерела інформації: 1. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем / Д.Ф. Люгер. - М.: Издательский дом "Вильямc", 2003. - С. 392-400. ФОРМУЛА КОРИСНОЇ МОДЕЛІ 30 Спосіб побудови дерев розв'язків для виявлення знань при діагностуванні виробів, який полягає у тому, що беруть навчальну вибірку діагностованих виробів, які характеризують набором значень ознак, на основі вибірки будують структуру та визначають параметри дерева розв'язків, який відрізняється тим, що вимірюють значення ознак та вихідного параметра діагностованих виробів, з виміряних ознак формують вибірку, далі генерують набір дерев розв'язків, що характеризують досліджувані вироби, подання дерева розв'язків виконують у вигляді структури 3 UA 70944 U 5 10 взаємозв'язаних даних, далі оцінюють точність кожного дерева розв'язків, після чого ітеративно формують нову підмножину рішень за певними правилами, які враховують попередньо отриману інформацію про якість побудованих дерев розв'язків, вибір дерев розв'язків здійснюють пропорційно значенню цільової функції, для чого розраховують середнє значення цільової функції в поточній множині рішень, далі вимірюють значення діагностичних ознак для діагностованого виробу і подають їх на синтезоване дерево розв'язків, після чого в залежності від порогового значення ознаки у поточному вузлі та значення відповідної ознаки для діагностованого виробу виконують прийняття рішення стосовно значення прогнозованого параметра, для витягу знань з синтезованого дерева розв'язків його перетворюють у базу правил в залежності від структури дерева та порогових значень ознак у його вузлах. Комп’ютерна верстка Л. Ціхановська Державна служба інтелектуальної власності України, вул. Урицького, 45, м. Київ, МСП, 03680, Україна ДП “Український інститут промислової власності”, вул. Глазунова, 1, м. Київ – 42, 01601 4