по
Меню журнала
> Архив номеров > Рубрики > О журнале > Авторы > О журнале > Требования к статьям > Редакция и редакционный совет > Порядок рецензирования статей > Рецензирование за 24 часа – как это возможно? > Политика издания > Ретракция статей > Этические принципы > Политика открытого доступа > Оплата за публикации в открытом доступе > Публикация за 72 часа: что это? > Политика авторских прав и лицензий > Политика цифрового хранения публикации > Политика идентификации статей > Политика проверки на плагиат
Журналы индексируются
Реквизиты журнала

Публикация за 72 часа - теперь это реальность!
При необходимости издательство предоставляет авторам услугу сверхсрочной полноценной публикации. Уже через 72 часа статья появляется в числе опубликованных на сайте издательства с DOI и номерами страниц.
По первому требованию предоставляем все подтверждающие публикацию документы!
ГЛАВНАЯ > Вернуться к содержанию
Кибернетика и программирование
Правильная ссылка на статью:

Разработка декодеров искусственной иммунной системы, восприимчивых к нечетким командам
Чернышев Юрий Олегович

доктор технических наук

профессор, Донской государственный технический университет

344000, Россия, Ростовская область, г. Ростов-на-Дону, площадь Гагарина, 1

Chernyshev Yurii Olegovich

Doctor of Technical Science

Professor, Department of Automation of Production Processes, Don State Technical University

344000, Russia, Rostovskaya oblast', g. Rostov-na-Donu, ploshchad' Gagarina, 1

myvnn@list.ru
Другие публикации этого автора
 

 
Венцов Николай Николаевич

кандидат технических наук

доцент, Донской государственный технический университет

344000, Россия, Ростовская область, г. Ростов-на-Дону, площадь Гагарина, 1

Ventsov Nikolai Nikolaevich

PhD in Technical Science

Associate Professor, Department of Information Technology, Don State Technical University

344000, Russia, Rostovskaya oblast', g. Rostov-na-Donu, ploshchad' Gagarina, 1

vencov@list.ru
Другие публикации этого автора
 

 

Аннотация.

Объектом исследования является модель искусственной иммунной системы. Предмет исследования — разработка способа построения нечеткого декодера. В качестве декодеров предложено использовать нечеткие функции принадлежности, описывающие соответствие контролируемого параметра критической ситуации. Использование такого подхода на основе нечетких декодеров, позволило избавиться от бинарной количественной классификации и перейти к расплывчатым и качественным оценкам. Приведен пример построения декодера для нечеткого условия «длина полупериметра L, описывающего фрагмент проектируемого изделия, должна быть не более 0,7 nm». На основе функции CON(μ1(L)), описывающей соответствие нечеткому условию «очень близко к 0,7 nm», построена функция μ5(L), описывающая соответствие нечеткому условию «очень меньше 0,7 nm». Расплывчатый декодер для оценки соответствия интервалу, строится на основе функции принадлежности данному интервалу. Приведен пример графика зависимости функции μ7 декодера от длинны полупериметра L, описывающей принадлежность к условию «желательная длина полупериметра от 0,55 до 0,7 nm». По аналогии с условиями «очень близко к 0,7 nm» и «слегка близко к 0,7 nm»можно определить функции принадлежности «очень в диапазоне от 0,55 до 0,7 nm» и «слегка в диапазоне от 0,55 до 0,7 nm». Метод исследования базируется на построении нечетких декодеров, описывающих нежелательные состояния вычислительного процесса. Нечеткость описывается при помощи функции принадлежности. Новизна исследования состоит в получении расплывчатых декодеров восприимчивых к нечетким командам. Используя соответствующие нечеткие функции принадлежности μ декодера, можно корректировать процесс оценивания степени близости контролируемого параметра к критической ситуации. Применение функций CON и DIL к функциям принадлежности декодеров позволяет менять их восприимчивость на тестовых данных от 20-30% до 200%-300%

Ключевые слова: Искусственная иммунная система, отрицательный отбор, декодер, принятие решений, нечеткий подход, функция принадлежности, адаптация, экспертные системы, полупериметр, нечеткое условие

DOI:

10.7256/2306-4196.2016.5.19885

Дата направления в редакцию:

28-07-2016


Дата рецензирования:

05-08-2016


Дата публикации:

29-01-2017


Работа выполнена при финансовой поддержке РФФИ (проекты: 15-01-05129, 16-01-00390, 16-01-00391)

Abstract.

The object of research is the model of artificial immune system. Subject of the research is providing a method of constructing a fuzzy decoder. The authors proposed to use fuzzy membership function as the decoders. This functions describes the relevance of a controlled parameter to a critical situation. Using such an approach based on fuzzy decoders allows to move from binary quantitative classification to fuzzy qualitative estimates. The article present an example o f construction of a decoder for fuzzy term “semiperimeter length of L, describing a fragment of the designed product, should be no more than 0.7 nm”. On the basis of the function CON(μ1(L)), describing fuzzy matching condition “very close to 0.7 nm” the authors build a function μ5(L), describing fuzzy matching condition “a little less than 0.7 nm”. Fuzzy decoder for conformity assessment interval is based on the given interval membership function. The authors give a graph of a μ7 decoder  function semiperimeter on the length L, describing the belonging to “semiperimeter desired length from 0.55 to 0.7 nm” condition. By analogy with the conditions “very close to 0.7 nm” and “slightly close to 0.7 nm” it is possible to determine a membership functions “very in range from 0.55 to 0.7 nm” and “slightly in range from 0.55 to 0.7 nm”. The research method is based on the construction of fuzzy decoders describing the undesirable state of the computational process. Fuzziness is described by the membership function. The novelty of the research is in getting fuzzy decoders receptive to fuzzy commands. Using the corresponding fuzzy membership function μ decoder it is possible adjust the process of estimating the degree of closeness of the controlled parameter to a critical situation. Applying CON and DIL functions to the decoder functions allows to change their susceptibility on test data from 20-30% up to 200% -300%.

Keywords:

decision making , fuzzy approach, membership function, adaptation, expert systems, semiperimeter, fuzzy condition, decoder, adverse selection, artificial immune system

Понятие искусственной иммунной системы

Форрест C. (Forrest S .) и Дасгупта Д (Dasgupta D .) на основе принципов распознавания своего и чужого в системе иммунитета предложили алгоритм отрицательного отбора для обнаружения изменений, в контролируемой системе. Этот подход можно формализовать следующим образом [1-4]:

- определяется «свое» как совокупность S строк длины над конечным алфавитом, которую необходимо защищать или контролировать. Например, в качестве S могут выступать нормальная форма активности или допустимое решение задачи;

- образуется набор детекторов W , каждый из которых не должен соответствовать любой строке в S . Вместо точного или идеального соответствия, может использоваться правило частичного соответствия при котором две строки соответствуют друг другу, если и только если, они совпадают, по крайней мере в h следующих друг за другом позициях, где h — некоторый целочисленный параметр;

- S проверяется на предмет изменений путем непрерывного сравнения детекторов из W с элементами S . Если хотя бы один из детекторов окажется соответствующим, значит произошло изменение, поскольку детекторы, по определению, отобраны так, чтобы не соответствовать любой строке из S ;

Кандидаты в детекторы (множество W ) могут генерироваться случайно, с последующей проверкой (цензурированием) на соответствие любой строке «своего».

Эквивалентность контролируемого объекта декодеру является признаком наступления нештатной ситуации, требующей реагирования. В качестве декодеров предложено использовать нечеткие функции принадлежности, описывающие соответствие контролируемого параметра критической ситуации.

Построение расплывчатого декодера

Особенностью итерационных алгоритмов является чередование процессов модификации и анализа текущих решений. Анализ решений, как правило, сводится к четкому делению особей на перспективные/вырождающиеся, корректные/ошибочные, лучшие/худшие [2-5]. Предлагается дополнить известные итерационные модели поиска элементами метода отрицательного отбора — одним из инструментов искусственных иммунных систем. Использование такого подхода на основе нечетких декодеров, позволяет избавиться от бинарной количественной классификации и перейти к расплывчатым и качественным оценкам. Кроме этого механизм отрицательного отбора возможно применить для более детализированного анализа значений переменных, влияние которых может быть существенным на последующих этапах проектирования, изготовления и эксплуатации изделия.

Основными этапами решения задачи проектирования при таком подходе являются: анализ предметной области, генерация нечетких детекторов, генерация особей, отрицательный отбор, модификация особей. Для случая решения задачи размещения элементов СБИС характеристикой особи может являться длина полупериметра L прямоугольника, описывающего элементы, расположенные в соответствии с решением, которое кодирует данная особь [6-7]. Величина L может быть использована как для сопоставления особей, так и для задания множеств разрешенных и запрещенных решений. В данной работе рассматриваются вопросы представления запрещенных областей, оценок соответствия особей заданным областям, а также возможные варианты влияния на вычислительный процесс результатов анализа положения особи в пространстве решений.

На основе анализа предметной области необходимо математически описать и сформировать множество точек, находящихся вблизи от множества запрещенных решений, после чего сгенерировать детекторы, описывающие критически близкие ко множеству запрещенных решений области.

Например, предположим, что длина полупериметра L , описывающего фрагмент проектируемого изделия, должна быть не более 0,7 nm (нанометров). В соответствии с этим условием, нечеткий декодер должен описывать принадлежность длины полупериметра к указанной запрещенной области.

Вначале определим способ оценки близости некоторого значения величине 0,7 nm. Для этого зададим функцию μ1(L ), описывающую степень близости числовой величины к 0,7 nm [8-9]. На рис. 1 представлен график такой функции μ1(L ), описывающей принадлежность длины полупериметра L к нечеткому условию «близко к 0,7 nm».

11_01

Рис.1 Зависимость принадлежности к условию

«близко к 0,7 nm» от длины полупериметра.

Значения графика функции μ1(L ), представленного рис.1, характеризуют удаленность длины полупериметра L от 0,7. Для L Î (0,35;0,7), чем меньше значение μ1(L ), тем меньше L числа 0,7. Для L Î(0,7;1,05), чем меньше значение μ1(L ), тем больше L числа 0,7. Таким образом, на основе функции μ1(L ), описывающей соответствие нечеткому условию «близко к 0,7 nm» можно построить функцию μ2(L ), описывающую соответствие нечеткому условию «меньше 0,7 nm». На отрезке [0,35;0,7] функция μ2(L ) строится на основе функции μ1(L ) по правилу μ2(L )=1-μ1(L ), на отрезке [0,7;1,05], функция определяется по формуле μ2(L )=0. На рис. 2 приведен график зависимости функции μ2 от длинны полупериметра L .

33

Рис.2 Зависимость принадлежности к условию

«меньше 0,7 nm» от длины полупериметра.

Из данных, представленных на рис. 2 следует, что чем меньше значение L на отрезке [0,35;0,7], тем ближе значение функции μ2(L ) к единице.

В соответствии с концепцией искусственных иммунных систем декодер должен содержать описание критической, потенциально не допустимой ситуации. В рассматриваемом случае недопустимая ситуация, описывается условием L >0,7, поэтому введем для декодера D функцию μ3(L )=1-μ2(L ), описывающую соответствие текущей длины L нежелательной ситуации, т. е. ситуации, когда L меньше 0,7. Чем ближе значение функции к единице, тем ближе контролируемый параметр к области запрещенных решений. График функции μ3 от длинны полупериметра L приведен на рис.3.

44

Рис.3 Зависимость принадлежности к условию

декодера от длины полупериметра

Операция отрицательного отбора состоит в вычислении μ3(L ), чем выше значение функции μ3(L ), тем более активной должна быть реакция иммунной системы.

По аналогии можно построить декодеры на основе нечеткого правила «очень близко к 0,7 nm» или «слегка близко к 0,7 nm». Для реализации нечеткого правила «очень близко к 0,7 nm» необходимо определить функцию μ4(L )=CON(μ1(L))=μ1(L)*μ1(L) [9,10]. График функции приведен на рис.4.

55

Рис.4 Зависимость принадлежности к условию

«очень близко к 0,7 nm» от длины полупериметра

На основе функции CON(μ1(L )), описывающей соответствие нечеткому условию «очень близко к 0,7 nm», можно построить функцию μ5(L ), описывающую соответствие нечеткому условию «очень меньше 0,7 nm». На отрезке [0,35;0,7] функция μ4(L ), строится на основе функции CON(μ1(L )) по правилу μ5(L )=1-μ4(L ), на отрезке [0,7;1,05] функция, определяется по формуле μ5(L )=0. На рис. 5 приведен график функции μ5 от длинны полупериметра L .

66

Рис.5 Зависимость принадлежности к условию

«очень меньше 0,7 nm» от длины полупериметра

Введем для декодера D функцию μ6(L )=1-μ5(L ), описывающую соответствие текущей длины L нежелательной ситуации, т.е. ситуации, когда L « существенно меньше 0,7». Чем ближе значение функции μ6(L ) к единице, тем ближе контролируемый параметр к области запрещенных решений. График зависимости функции μ6 от длинны полупериметра L приведен на рис.6.

77

Рис.6 Зависимость принадлежности к условию

декодера от длины полупериметра

Сопоставив графики функций μ3 (рис.3) и μ6 (рис.6) можно утверждать, что для L=0,6 функция μ3(L)=0,8, а μ6(L)=0,6. Таким образом, декодер, построенный на основе функции принадлежности μ3 (исходное условие «близко к 0,7 nm»), трактует ситуацию критичнее на 20-30%, чем декодер μ6, построенный на основе условия «очень близко к 0,7 nm».

С помощью функции DIL=Öμ1(L ) можно построить функции принадлежности к условиям «слегка близко к 0,7 nm», «слегка меньше 0,7 nm», а также определить функцию принадлежности для соответствующего декодера [9-11].

Если необходимо задать расплывчатый декодер для оценки соответствия интервалу, то вначале определяется функция принадлежности данному интервалу. Пример графика зависимости функции μ7 от длинны полупериметра L , описывающей принадлежность к условию «от 0,55 до 0,7», приведен на рис. 7.

88

Рис.7 Зависимость принадлежности к условию

«от 0,55 до 0,7» от длины полупериметра

На рис. 8 приведена функция зависимости декодера μ8 от длинны полупериметра L , μ8(L )=1- μ7(L ).

88_8

Рис.8 Зависимость принадлежности к условию

декодера от длины полупериметра

Данные представленные функцией декодера (рис.8), позволяют утверждать, что критические сигналы будут вырабатываться декодером в случае, если L <0,5 или L >0,7.

По аналогии с условиями «очень близко к 0,7 nm» и «слегка близко к 0,7 nm»можно определить для декодеров функции принадлежности «очень в диапазоне от 0,55 до 0,7 nm» (рис.9) и «слегка в диапазоне от 0,55 до 0,7 nm» (рис.10).

99_

Рис.9 Зависимость принадлежности к условию

декодера от длины полупериметра

10_10

Рис.10 Зависимость принадлежности к условию

декодера от длины полупериметра

Сопоставив графики функций μ9 (рис.9) и μ10 (рис.10) можно утверждать, что для L=0,5 функция μ9(L)=0,2, а μ10(L)=0,05. Таким образом, декодер, построенный на основе функции принадлежности μ9, в точке L=0,5 воспринимает ситуацию в 4 раза критичнее, чем декодер μ10.

Заключение

Используя соответствующие нечеткие функции принадлежности μ декодера, можно корректировать процесс оценивания степени близости контролируемого параметра к критической ситуации. Сопоставив графики функций μ3 (рис.3) и μ6 (рис.6) можно утверждать, что для L=0,6 функция μ3(L)=0,8, а μ6(L)=0,6. Таким образом, декодер, построенный на основе функции принадлежности μ3 (исходное условие «близко к 0,7 nm»), трактует ситуацию критичнее на 20-30%, чем декодер μ6, построенный на основе условия «очень близко к 0,7 nm». Сопоставив графики функций μ9 (рис.9) и μ10 (рис.10) можно утверждать, что для L=0,5 функция μ9(L)=0,2, а μ10(L)=0,05. Таким образом, декодер, построенный на основе функции принадлежности μ9, в точке L=0,5 воспринимает ситуацию в 4 раза критичнее, чем декодер μ10. Применение функций CON и DIL к функциям принадлежности декодеров позволяет менять их восприимчивость на тестовых данных от 20-30% до 200%-300%.

Библиография
1.
Чернышев Ю.О., Венцов Н.Н., Мухтаров С.А. Применение логик Лукасевича и Заде при реализации метода отрицательного отбора // Известия ЮФУ. Технические науки. 2013. № 7 (144). С. 91-97.
2.
Искусственные иммунные системы и их применение /Под ред. Д. Дасгупты. Пер. с англ. под ред А.А. Романюхи. — М.: ФИЗМАТЛИТ, 2006. — 344 с.-ISBN 5-9221-0706-2.
3.
D. Dasgupta, S. Forrest. Novelty Detection in Time Series Data using Ideas from Immunology. Fifth International Conference on Intelligent Systems. Reno, Nevada: June, 1996.
4.
Чернышев Ю.О., Григорьев Г.В., Венцов Н.Н. Искусственные иммунные системы: обзор и современное состояние// Программные продукты и системы. 2014. № 108. С. 136-142.
5.
Золотарев А.А. Методы оптимизации распределительных процессов. М.: Издательство «Инфра-Инженерия», 2014. 160 с.
6.
Чернышев Ю.О., Венцов Н.Н., Мухтаров С.А. К вопросу об интеллектуальной поддержке процесса доводки СБИС // Известия ЮФУ. Технические науки. 2012. № 7 (132). С. 63-69.
7.
Чернышев Ю.О., Венцов Н.Н., Мухтаров С.А. Разработка алгоритма интеллектуальной поддержки улучшения промежуточных решений оптимизационных задач // Вестник Донского государственного технического университета. 2012. Т. 12. № 5 (66). С. 68-76.
8.
Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. –М.: Мир, 1976.–165 с.
9.
Чернышев Ю.О., Венцов Н.Н., Панасенко П.А. Алгоритм принятия проектных решений на основе нечетких команд //Известия ЮФУ. Технические науки. 2014. №7(156). С. 126-134.
10.
Малышев Н.Г., Берштейн Л.С., Боженюк А.В. Нечеткие модели для экспертных систем в САПР. –М.: Энергоатомиздат, 1991.–136 с.
11.
Zade L.A. Fuzzy sets// Information and Control.–1965.–Vol. 8.–P. 338.
12.
Коробейников А.Г., Федосовский М.Е., Алексанин С.А. Разработка автоматизированной процедуры для решения задачи восстановления смазанных цифровых изображений // Кибернетика и программирование. - 2016. - 1. - C. 270 - 291. DOI: 10.7256/2306-4196.2016.1.17867. URL: http://www.e-notabene.ru/kp/article_17867.html
13.
Е.С. Кубашева, А.Г. Гаврилов Методика оценки качества веб-приложений // Программные системы и вычислительные методы. - 2013. - 1. - C. 28 - 34. DOI: 10.7256/2305-6061.2013.01.2.
References (transliterated)
1.
Chernyshev Yu.O., Ventsov N.N., Mukhtarov S.A. Primenenie logik Lukasevicha i Zade pri realizatsii metoda otritsatel'nogo otbora // Izvestiya YuFU. Tekhnicheskie nauki. 2013. № 7 (144). S. 91-97.
2.
Iskusstvennye immunnye sistemy i ikh primenenie /Pod red. D. Dasgupty. Per. s angl. pod red A.A. Romanyukhi. — M.: FIZMATLIT, 2006. — 344 s.-ISBN 5-9221-0706-2.
3.
D. Dasgupta, S. Forrest. Novelty Detection in Time Series Data using Ideas from Immunology. Fifth International Conference on Intelligent Systems. Reno, Nevada: June, 1996.
4.
Chernyshev Yu.O., Grigor'ev G.V., Ventsov N.N. Iskusstvennye immunnye sistemy: obzor i sovremennoe sostoyanie// Programmnye produkty i sistemy. 2014. № 108. S. 136-142.
5.
Zolotarev A.A. Metody optimizatsii raspredelitel'nykh protsessov. M.: Izdatel'stvo «Infra-Inzheneriya», 2014. 160 s.
6.
Chernyshev Yu.O., Ventsov N.N., Mukhtarov S.A. K voprosu ob intellektual'noi podderzhke protsessa dovodki SBIS // Izvestiya YuFU. Tekhnicheskie nauki. 2012. № 7 (132). S. 63-69.
7.
Chernyshev Yu.O., Ventsov N.N., Mukhtarov S.A. Razrabotka algoritma intellektual'noi podderzhki uluchsheniya promezhutochnykh reshenii optimizatsionnykh zadach // Vestnik Donskogo gosudarstvennogo tekhnicheskogo universiteta. 2012. T. 12. № 5 (66). S. 68-76.
8.
Zade L.A. Ponyatie lingvisticheskoi peremennoi i ego primenenie k prinyatiyu priblizhennykh reshenii. –M.: Mir, 1976.–165 s.
9.
Chernyshev Yu.O., Ventsov N.N., Panasenko P.A. Algoritm prinyatiya proektnykh reshenii na osnove nechetkikh komand //Izvestiya YuFU. Tekhnicheskie nauki. 2014. №7(156). S. 126-134.
10.
Malyshev N.G., Bershtein L.S., Bozhenyuk A.V. Nechetkie modeli dlya ekspertnykh sistem v SAPR. –M.: Energoatomizdat, 1991.–136 s.
11.
Zade L.A. Fuzzy sets// Information and Control.–1965.–Vol. 8.–P. 338.
12.
Korobeinikov A.G., Fedosovskii M.E., Aleksanin S.A. Razrabotka avtomatizirovannoi protsedury dlya resheniya zadachi vosstanovleniya smazannykh tsifrovykh izobrazhenii // Kibernetika i programmirovanie. - 2016. - 1. - C. 270 - 291. DOI: 10.7256/2306-4196.2016.1.17867. URL: http://www.e-notabene.ru/kp/article_17867.html
13.
E.S. Kubasheva, A.G. Gavrilov Metodika otsenki kachestva veb-prilozhenii // Programmnye sistemy i vychislitel'nye metody. - 2013. - 1. - C. 28 - 34. DOI: 10.7256/2305-6061.2013.01.2.
Ссылка на эту статью

Просто выделите и скопируйте ссылку на эту статью в буфер обмена. Вы можете также попробовать найти похожие статьи


Другие сайты издательства:
Официальный сайт издательства NotaBene / Aurora Group s.r.o.
Сайт исторического журнала "History Illustrated"