WWW.DISUS.RU

БЕСПЛАТНАЯ НАУЧНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

 

Интеллектуализация решения прикладных задач в автоматизированных системах управления единым сетевым технологическим процессом на железнодорожном транспорте

На правах рукописи

Умрихин Николай Георгиевич

ИНТЕЛЛЕКТУАЛИЗАЦИЯ РЕШЕНИЯ ПРИКЛАДНЫХ ЗАДАЧ В АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ УПРАВЛЕНИЯ ЕДИНЫМ СЕТЕВЫМ ТЕХНОЛОГИЧЕСКИМ ПРОЦЕССОМ НА ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ

Специальность 05.13.06 – Автоматизация и управление технологическими процессами и производствами (на транспорте)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

кандидата технических наук

Ростов-на-Дону

2013

Работа выполнена на кафедре «Информатика» Федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Ростовский государственный университет путей сообщения» (РГУПС)

Научный руководитель: доктор технических наук, профессор

Лябах Николай Николаевич

Официальные оппоненты: Ковалев Сергей Михайлович,

доктор технических наук, профессор кафедры «Автоматика и телемеханика на железнодорожном транспорте» ФГБОУ ВПО «Ростовский государственный университет путей сообщения»

Горелик Александр Владимирович,

доктор технических наук, профессор, заместитель директора по учебно-методической работе Российской открытой академии транспорта ФГБОУ ВПО «Московский государственный университет путей сообщения» (МИИТ)

Ведущая организация: ФГБОУ ВПО «Петербургский государственный университет путей сообщений» (ПГУПС)

Защита диссертации состоится «23» декабря 2013 г. в 14:00 в конференц-зале РГУПС на заседании диссертационного совета Д 218.010.03 при Ростовском государственном университете путей сообщения по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, 2.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО РГУПС по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного Ополчения, д. 2.

Автореферат разослан «22» ноября 2013 г.

Отзывы на автореферат в двух экземплярах, заверенные печатью, просим направлять по адресу: 344038, г. Ростов-на-Дону, пл. Ростовского Стрелкового Полка Народного ополчения, д. 2, ФГБОУ ВПО РГУПС, диссертационный совет.

Ученый секретарь

диссертационного совета Д 218.010.03

доктор технических наук, профессор Бутакова М.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Новые тенденции развития технологий и общества в конце первого и начале второго десятилетия XXI века свидетельствуют о стремительном развитии интеллектуальности в компьютерных системах. Начальные разработки в сфере автоматизированных транспортных систем с элементами интеллектуальности уже активно применяются в различных профессиональных сферах. Возрастающий интерес к этой области и вызовы, связанные с новыми рыночными условиями хозяйствования, доказывают необходимость проведения более обстоятельных научных изысканий.

В процессы мониторинга, принятия решений и контроля их исполнения, составляющих суть управления на транспорте, все значительнее внедряются методы математического моделирования, а также обеспечивающие их передовые информационные технологии.

Вместе с тем, Л.Н. Козлов, вице-президент Международного Конгресса Промышленников и Предпринимателей, на Первом конгрессе по интеллектуальным транспортным системам (апрель 2009 г.) констатировал ситуацию стихийного формирования локальных и корпоративных систем в России, отсутствие единой политики и активности государственных органов в этом направлении, что делает проблематичным успешный переход транспорта на инновационный путь развития в стратегической перспективе. К сожалению, сегодня эта ситуация принципиально не изменилась.

Показательными примерами могут служить: управление маневровой работой на сортировочных станциях, логистика и взаимодействие различных видов транспорта при организации перевозочного процесса, контроль и оценка опыта сотрудников. Вместе с тем, многокритериальность указанных задач управления и контроля, а также их программно-математическое обеспечение, не в полной мере учитывающее специфику некоторых задач, повышают вероятность ошибочных действий со стороны человека-оператора, и, как следствие, вероятность сбоев в работе сортировочных станций, срывов графиков движения, ошибки в кадровой политике.

С целью задания единой политики и решения ряда острых вопросов в области организации перевозки грузов на железнодорожном транспорте руководством ОАО «РЖД» был разработан Единый сетевой технологический процесс (ЕСТП). Однако, пока, в документе рассматривается исключительно технология, согласно которой процессы грузоперевозок должны быть организованы, но не приводятся пути, которые могли бы способствовать выстраиванию работы в описанном ключе.

Для содержательного и эффективного решения задач ЕСТП необходимо использовать активно развиваемые в современных сложных системах направления на интеллектуализацию процессов и процедур принятия решений.

Не малый сегмент в области принятия решений в плохо формализованных транспортных задачах, в том числе для слабоструктурированных областей при отсутствии объективных моделей проблемной ситуации, занимают экспертные системы или системы помощи принятия решений на основе экспертных знаний. Однако созданию эффективных систем такого класса препятствуют два фактора: не достаточная универсальность подобных программных комплексов и трудность отбора достаточно квалифицированных экспертов, мнения которых лягут в основу построения базы знаний. Первостепенное значение здесь имеют вопросы разработки математического, методического и программного обеспечения для реализации требуемых функциональных возможностей.



Другим путем для движения в направлении интеллектуализации транспортных процессов является внедрение систем интеллектуального функционирования в различных сферах и на разных уровнях управления. Ограничивающим фактором на этом пути сегодня является отсутствие адекватного универсального метода оценки и сравнения подобных систем.

Степень разработанности проблемы.

Вопросы конкурентоспособного и эффективного развития отечественного железнодорожного транспорта, его интеграции в рыночные условия хозяйствования раскрыты в работах С.Е. Ададурова, В.А. Гапановича, В.М. Кайнова, А.Г. Тишанина, В.И. Якунина, посвященных стратегическому менеджменту отрасли.

Существенный вклад в автоматизацию управления перевозочным процессом, автоматику и связь для обеспечения безопасности движения внесли ученые: В.М. Алексеев, В.М. Абрамов, Л.А. Баранов, И.В. Беляков, П.Ф. Бестемьянов, А.М. Брылеев, М.Н. Василенко, А.В. Горелик, В.Ю. Горелик, Д.В. Гавзов, И.Е. Дмитренко, В.Н. Иванченко, Н.Ф. Котляренко, Ю.А. Кравцов, И.М. Кокурин, В.М. Лисенков, Н. К. Модин, Б.Д. Никифоров, А.С. Переборов, Н.Ф. Пенкин, С.М. Резер, Е.Н. Розенберг, В.В. Сапожников, Вл.В. Сапожников, Д.В. Шалягин, В.И. Шаманов, В.И. Шелухин.

О необходимости создания специальных методов выявления экспертных знаний указывается в работах таких отечественных и зарубежных авторов как: Л. Заде, Д. Канеман, О.И. Ларичев, Э.В. Попов, Д.А. Поспелов, Б. Руа, Г. Саймон, В.Л. Стефанюк, А. Тверски, Э. Фейгенбаум, В.К. Финн, Р. Хоффман.

Частные вопросы, нашедшие отражение в диссертации, а так же значимые для данного исследования результаты по искусственному интеллекту и проблемам моделирования сложных объектов представлены в работах таких авторов, как: Г.И. Белявский, Л.С. Берштейн, М.А. Бутакова, А.Н. Гуда, А.Г. Ивахненко, С.М. Ковалев, М.Д. Линденбаум, Н.Н. Лябах, И.Н. Розенберг, Е.М. Ульяницкий, В.И. Уманский, А.Н. Шабельников.

Тематика исследования охватывает Единый сетевой технологический процесс, автоматизированные и интеллектуальные системы на транспорте, модели управления процессом экспертной аттестации, алгоритмы оценки данных, поступающих в различных формах и реализацию полученных в диссертационной работе результатов с использованием соответствующего программного обеспечения. Таким образом, тема исследований является актуальной и определяет следующую цель и задачи настоящей работы.

Цель и задачи диссертационной работы. Целью настоящей диссертационной работы является исследование и разработка моделей, алгоритмов и программного обеспечения для повышения интеллектуализации и поиска перспективных направлений в решении поставленных в ЕСТП задач.

Для достижения поставленной цели были сформулированы и решены следующие задачи:

  1. Анализ типичных представителей автоматизированных и интеллектуальных систем на транспорте.
  2. Исследование применимости существующего математического и алгоритмического инструментария для выполнения задач ЕСТП.
  3. Анализ существующих методов оценки интеллектуальности компьютерных систем.
  4. Разработка методики получения достоверных и не противоречивых экспертных данных.
  5. Разработка алгоритма автоматического выбора решающего правила.
  6. Разработка на основе предложенных алгоритмов программного приложения для формирования баз знаний предметных областей и классификации поступающих элементов.
  7. Разработка интерфейса программного приложения для предоставления справочных функций и доступа к необходимым материалам в понятном и удобном виде.
  8. Внедрение результатов исследования в учебный процесс, науку и производство.

Объект и предмет исследования. Объектом исследования настоящей диссертационной работы является Единый сетевой технологический процесс организации железнодорожных перевозок и взаимодействия его участников, а предметом исследования методы и алгоритмы интеллектуального функционирования и автоматизации процессов кластеризации и классификации в технических и технологических моделях.

Исследования проводились в рамках следующих пунктов паспорта специальности 05.13.06 – автоматизация и управление технологическими процессами и производствами (на транспорте): п. 4 – «Теоретические основы и методы математического моделирования организационно-технологических систем и комплексов, функциональных задач и объектов управления и их алгоритмизация», п. 15 – «Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.)», п. 16 – «Теоретические основы, методы и алгоритмы построения экспертных и диалоговых подсистем, включенных в АСУТП, АСУП, АСТПП и др.»;

Методы исследования. В проведенных исследованиях использованы общие принципы математического моделирования, организации сетевого взаимодействия, искусственного интеллекта, методы структурной идентификации, теории принятия решений, теории графов, теории массового обслуживания, теории распознавания образов, теории нечетких множеств.

Практическая проверка разработанных моделей и методов осуществлялась путем программной эмуляции, проведения имитационных экспериментов на модельных объектах.

Положения, выносимые на защиту:

  1. Автоматизация технологических процессов на железнодорожном транспорте в настоящее время осуществляется в сложных условиях согласования рыночных интересов, требований безопасности и социальной ориентированности деятельности отрасли. Это требует выработки для всех участников процесса единых стандартов и регламентов в организационной, технической и технологической сферах взаимодействия, которые предоставляет ЕСТП. Вместе с тем ЕСТП, определяя участников единого сетевого процесса, их функции, нуждается в разработке механизмов их взаимодействия, регламентирующих отношения в соответствии с рыночной стратегией развития транспорта, которые могут быть реализованы на основе внедрения на всех уровнях управления и во всех сферах деятельности интеллектуальных технологий.
  2. Широкое внедрение на транспорте новой техники и современных интеллектуальных технологий, в том числе и в рамках единой интеллектуальной системы управления и автоматизации производственных процессов на железнодорожном транспорте (ИСУЖТ), в настоящее время сдерживается отсутствием методик оценки степени интеллектуальности человеко-машинных комплексов. В этой связи следует разработать как теоретические, так и практические аспекты оценки степени интеллектуализации функционирования, как субъектов (руководителей, диспетчеров, операторов), так и машинных блоков принятия решений.
  3. Комплексное решение проблемы интеллектуализации автоматизированных систем управления на железнодорожном транспорте основывается на системном подходе и включает разработку методики получения достоверных экспертных знаний, собственно математических и программно-алгоритмических методов интеллектуализации задач перевозочного процесса, оценку степени интеллектуализации человеко-машинных устройств и комплексов.
  4. Автор защищает алгоритм и программно-математическое обеспечение задачи автоматической классификации объектов, обладающих большим числом признаков, отличающихся отсутствием четко выраженных кластеров и имеющий широкую область применения на транспорте.
  5. Систематизированы и разработаны методы оценки интеллектуальности технических систем, учитывающие многокритериальную постановку задачи, способность системы «доучиваться», возможность сравнивать степени интеллектуальности различных носителей интеллекта (людей, машин, человеко-машинных комплексов).

Научная новизна. В диссертационной работе достигнуты следующие научные результаты:

  1. Выявлены проблемы в постановке целей и задач ЕСТП (игнорирование рыночной стратегии развития транспорта, ориентация на административное управление, отсутствие четко сформулированной концепции автоматизации) и, в этой связи, актуализирован курс на интеллектуальное развитие АСУ ЖДТ, предложен комплекс подходов, алгоритмов и методик формирования знаний и управления ими, включая средства повышения интеллектуальности взаимодействующих агентов в организационной структуре, описанной в ЕСТП.
  2. Развиты методы классификации объектов, отличающиеся тем, что однотипные, однородно расположенные объекты классифицируются по критерию максимизации точности процесса управления. К такого рода объектам на железнодорожном транспорте относятся объекты различной природы: организационной, технологической, технической.
  3. Развит метод многокритериальной оценки интеллектуальности компьютерных систем, обобщающий с учетом мультипликативного эффекта исследуемых признаков известные частные постановки.
  4. Разработан авторский метод сравнительной оценки интеллектуальности, основанный на использовании стандартной итерационной процедуры обучения принятию решений. В качестве эталонного используется интеллект человека-эксперта или другой уже сертифицированной машины.
  5. Разработан комплекс процедур (алгоритм и методики):

- получения достоверных и не противоречивых экспертных знаний;

- отбраковки не достаточно квалифицированных экспертных мнений;

- автоматического выбора экспертного решающего правила на основании существующей базы знаний;





- классификации уровня интеллектуальности программно-технической системы, обеспечивающий интеллектуализацию автоматизируемых аспектов управления сетевым технологическим процессом.

Практическая ценность работы обусловлена возможностью ее непосредственного применения к задачам, поставленным в новой технологии перевозочного процесса, в применении полученных результатов для повышения точности при квалификационном тестировании работников. Результаты работы могут использоваться в задачах классификации в сложных технологических процессах на транспорте, что приводит к интенсификации работ и оптимизации экономических и производственных критериев, Результаты диссертационного исследования используются в учебном процессе РГУПС.

Достоверность результатов работы подтверждается математической адекватностью моделей, основанной на корректном применении методов и доказательствах необходимых утверждений, совпадением теоретических и экспериментальных результатов, публикациями и апробацией работы на международных и всероссийских научных конференциях, актами внедрения результатов работы.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на семинарах кафедры «Информатика» РГУПС, на международной научно-практической конференции «Научные исследования и их практическое применение. Современное состояние и пути развития 2010» (Одесса, 2010), на международной научной конференции «Механика и трибология транспортных систем» (Ростов-на-Дону, 2011), на всероссийской научно-практической конференции «Транспорт 2012» (Ростов-на-Дону, 2012), на международной научно-практической конференции «Актуальные вопросы в научной работе и образовательной деятельности» (Тамбов, 2013), на научно-технической конференции «Интеллектуальные системы управления на железнодорожном транспорте – ИСУЖТ-2013» (Москва, 2013).

Публикации. Полученные в диссертации результаты нашли свое отражение в 12 печатных работах, 4 из которых опубликованы в журналах из перечня ВАК, список которых приведен в конце автореферата.

Внедрение результатов исследования. Результаты исследования получили свое внедрение в учебный процесс и науку. Вопросы анализа подходов к оценке уровня интеллектуальности программно-технических систем нашли свое отражение в учебном пособии. Внедрение в науку осуществлено путем регистрации программной разработки в объединенном фонде электронных ресурсов «Наука и Образование» и разработки предложений по применению результатов исследования в деятельности РостфНИИАС.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы (110 наименований), приложений. Общий объем работы – 161 стр., 22 рисунка, 12 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, определяется степень разработанности проблемы, сформулированы цель и задачи исследования, определены объект и предмет исследования, методологическая, теоретическая и эмпирическая база, изложены основные положения, выносимые на защиту, представлены обобщения, характеризующие элементы научной новизны, практическая значимость исследования.

В первой главе «Проблемы, основы и пути автоматизации железнодорожных транспортных процессов» содержится постановка задач диссертационного исследования.

Представлено понятие транспорта и основные задачи его функционирования, понятие транспортной системы и функции её участников; проблемы и специфика современного развития автоматизированных систем в структуре железнодорожных перевозок, как контекст определения и постановки задач исследования.

Под углом поставленных в диссертации задач рассмотрен ЕСТП железнодорожных грузовых перевозок – основа перевода взаимодействия участников перевозочного процесса на новую технологию взаимодействия; роль и место систем автоматизированного и интеллектуализированного управления в технологии организации грузовых перевозок. Описаны особенности раскрытия сути сетевого взаимодействия в новой технологии организации перевозочного процесса.

Приведены постановки следующих задач: интеллектуализации процессов и процедур принятия управленческих решений в рамках транспортной системы; повышения интеллектуальности взаимодействия хозяйствующих субъектов, как независимых единиц в структуре сетевого интеллекта; применения интеллектуальных технологий, методик добычи и обработки знаний для решения практических задач ЕСТП; мониторинга подготовленности и уровня знаний сотрудников компании, прохождение квалификационных испытаний для критичных должностей с целью повышения эффективности выполняемых операций.

Рассмотрены существующие методы оценки интеллектуальности технических систем и программных средств. В частности, были выбраны следующие методы оценки интеллектуальности: система взглядов для оценки интеллектуальности технических систем, разработанная в университете г. Лидс; метод оценки интеллектуальности компьютерных систем А.А. Красилова; оценка уровня виртуальной интеллектуальности прикладной программно-технической системы на основе анализа эргономической модели.

Интеллектуальная нагрузка ИН (Rx) на пользователя в реализации Rx некоторой задачи (системы, технологического этапа) определяется как сумма:

, (1)

где – количество операций класса g(x), которые должны выполняться человеком в функции (процедуре) s(x) реализации Rx; – интеллектуальная трудоемкость операции класса g(x) функции s(x) реализации Rx при ее выполнении человеком (в выбранных адекватных единицах). В (1) не учитывается синергетический эффект воздействия нескольких факторов, поэтому в главе 2 диссертации предлагается использовать для этой цели полиномы Колмогорова-Габора.

Во второй главе «Перспективные направления развития ЕСТП через повышение его интеллектуализации» разбирается содержание ЕСТП и с разбивкой по главам выносятся рекомендации по информационному и программно-алгоритмическому обеспечению его интеллектуализации. Рассматриваются алгоритмы, использование которых позволит автоматизировать оценку интеллектуальности.

Дан анализ функций, прописанный в ЕСТП, и предложены технологии интеллектуального функционирования. В частности, рассматриваются функции грузоотправителей, грузополучателей, владельцев железнодорожных путей необщего пользования, операторов железнодорожного подвижного состава, ОАО «РЖД», как владельца инфраструктуры общего пользования.

Описаны источники, содержание и механизмы формирования сетевого интеллекта. Рассматривается общее строение сетевой организации взаимодействия и положение узла сети в такой структуре. Предлагается использование матричной структуры для формирования технологических основ сетевого взаимодействия при грузовой работе. Приводятся анализ и примеры подобной организации работ. На примере взаимодействия грузоотправителей с операторами подвижного состава рассматриваются конкурсные механизмы и элементы теории активных систем.

Для n операторов подвижного состава, и заказа грузоотправителя в объеме R единиц груза рассчитывается оптимальное распределение заказов. Через Qi обозначен объем перевозки i-го оператора, Ci – фактическая себестоимость перевозки, xi – величина заказа на перевозку, выполняемая i-ым оператором. Пусть . Если xi заданы, то маргинальная прибыль операторов составит:

, (2)

где ЦФ – фактические выплаты грузоотправителя оператору подвижного состава за перевозку единицы продукции, при ограничениях

, . (3)

Ставится задача определения xi, , так чтобы прибыль (2) была максимальной при ограничениях (3). Такой подход максимизирует прибыль операторов подвижного состава и потенциальные налоговые отчисления.

Пусть операторы пронумерованы по возрастанию себестоимости перевозки Ci, то есть . Тогда можно определить оператора k такого, что .

В оптимальном решении задачи первые k операторов получат максимальный заказ xi=Qi, , оператор (k+1) получает остаток , а остальные операторы не получают заказ.

Так же в данной главе исследуется роевой интеллект, как коллективное поведение децентрализованной самоорганизующейся системы, приводятся примеры экономически успешного применения принципов роевого интеллекта при решении бизнес-задач конкретных предприятий.

Уделено место методам структурной идентификации моделей, необходимых для выявления сущности исследуемых транспортных процессов, прогнозирования их развития (и на этой основе планирования деятельности участников сети), управления взаимодействием хозяйствующих субъектов отрасли. Исследуются вопросы использования интеллектуальных транспортных систем для решения корпоративных задач в системах управления перевозками.

Показано, что для транспортных систем характерна высокая зашумленность данных, их нестационарность, высокая априорная неопределенность исследуемых процессов, что накладывает ряд жестких ограничений на возможность использования традиционного математического аппарата для решения задач, способствующего эффективному формированию графика движения поездов.

Для снятия этих ограничений предлагается: а) перейти к моделям, адекватно отражающим постановку задачи управления технико-технологическими объектами (теория распознавания образов, игровые модели, логико-лингвистическое моделирование, нейронные схемы); б) отказаться от необоснованных априорных установок (например, предположения о стационарности процесса, о нормальности распределения ошибок данных, о простых видах искомых закономерностей и др.), но включить методы регуляризации вычислительных процедур и методы самоорганизации моделей, компенсирующие недостаток информации.

Предлагается применение адаптации метода группового учета аргументов при решении принципиально отличных задач по целям определения моделей для структурной идентификации, прогнозирования и управления объектами.

Систематизированы методы интеллектуализации процедур обработки данных в автоматизированных системах управления транспортными процессами. Описывается возможность применения современных математических формализмов когнитивного и морфологического анализа, теории расписания, теории массового обслуживания в совокупности определяющих интеллектуальное функционирование моделируемых систем применительно к задачам третьего раздела ЕСТП, а именно, организации груженых и порожних вагонопотоков в межгосударственном и внутригосударственном сообщении.

Описывается размещение и использование таких распространенных информационных технологий, как OLAP-куб и Data Mining, обеспечивающих интеллектуальный анализ данных.

В частности, как указано в одиннадцатой главе ЕСТП, планирование и нормирование технологических элементов перевозочного процесса призвано осуществляться с использованием следующих автоматизированных систем: разработки и актуализации графика движения поездов; расчета и актуализации плана формирования поездов; разработка плана отправительской маршрутизации; технического нормирования эксплуатационной работы; планирования и нормирования тяговых ресурсов и локомотивных бригад; расчета и актуализации технологических нормативов выполнения операций на путях общего и необщего пользования.

Если данные этих автоматизированных подсистем свести в одно целое, собрав инфокуб соответствующей размерности, это позволило бы информационному аналитику обработать весь спектр факторов, влияющих на планирование технологических элементов перевозочного процесса, а с подобной информацией появилась бы возможность построения более точных прогнозов.

В данной главе приведены математические методы классификации и кластеризации однотипных, однородно расположенных объектов, с акцентом на сравнение подсистем интеллектуального функционирования. В этом разделе описываются следующие методы: метод объединения, классический метод эталона, улучшенный метод эталона, метод ближайшего представителя, метод Байеса. Так же представлена доработка метода объединения и метода k ближайших представителей с использованием усовершенствованного метода эталонов, введено понятие «мера близости к эталону».

В методе объединения, при решении практических задач, может возникнуть необходимость ранжировать координатные оси по важности. Иными словами: некоторые параметры при решении вопроса о кластеризации могут оказаться значимее, чем другие (например, при кластеризации данных отцепов на горке, информация о типе подшипника может быть важнее при выделении классов, чем разница в значении скорости).

Путь, который позволит провести адекватную кластеризацию множества исследуемых объектов заключается в вводе весовых коэффициентов для значимых параметров. То есть размер и форма классов, а, следовательно, и решающее правило зависит от коэффициентов, заданных экспертом. При этом как при вычислении расстояния в процессе обработки алгоритма, так и при нахождении оптимального количества кластеров, в формуле евклидова расстояния требуется учесть принятые весовые коэффициенты:

, (4)

где wi – весовой коэффициент i-го параметра.

Важным моментом при таком подходе является предельное значение весов. С точки зрения автора, при расчете по стандартному алгоритму объединения, значения весов каждого параметра целесообразно принять как . В таком случае стандартный метод может пониматься как частный случай расчета с использованием весовых коэффициентов. Другим важным моментом, вытекающим из первого утверждения, является то, что сумма весов всех коэффициентов должна быть равна единице. Тогда, плавно перемещая акценты между значимостями параметров, удастся добиться наиболее эффективной и точной кластеризации. Этот же подход позволит устанавливать нулевой вес параметру, при этом он будет исключен из дальнейших расчетов и будет считаться не существенным для данного рассмотрения.

Улучшенный метод эталона позволяет проводить классификацию при большом различии в размерах кластеров значительно эффективнее классического метода, однако и он не лишен недостатков. Граница в виде прямой линии неудобна для использования в качестве решающего правила, особенно, если классов несколько. Лучше вычислять расстояния испытываемой точки до эталонов и сравнивать их между собой. Очевидно, что евклидово расстояние для этой цели не подходит.

Предлагается наряду с категорией «евклидово расстояние» ввести меры близости к эталонам. На рисунке 1 евклидовы расстояния от точки А до эталонов разные, а меры близости одинаковые. Обозначим их соответственно: µ(Э1, А) и µ(Э2, А).

Из треугольников (Э1, О, А) и (Э2, О, А) следует, что равная близость до эталонов (факт нахождения точки А на разделяющей прямой ОА) выражается соотношением:

d2(Э1, А) - (Э1, О)2 = d2(Э2, А) - (Э2, О)2.

То есть в качестве меры близости к эталону Эi можно принять соотношение:

µ(Эi, А) = d2(Эi, А) - (Эi, О)2. (5)

Принадлежность к классу определяется выражением:

АЄК1, если µ(Э1, А) < µ(Э2, А) и АЄК2 в противном случае. (6)

 Геометрическая иллюстрация смысла понятия «меры близости к-15

Рис. 1 – Геометрическая иллюстрация смысла понятия

«меры близости к эталону»

Синтезируем новый метод. В его основе следующие постулаты:

- В основу берется не метод эталона и не метод ближайшего представителя (это крайние модельные конструкции), а метод k-ближайших представителей. В этом методе для оценки расстояния между точкой и классом используются формулы:

, (7)

где кj – число точек j-го класса среди k ближайших к X точек обучающей последовательности;

- В каждой локальной зоне k ближайших точек применяется усовершенствованный метод эталона.

- Для идентификации принадлежности точки классу использует не евклидово расстояние точки до эталонов, а введенное понятие меры близости к эталону.

В третьей главе «Развитие методов оценки интеллектуальности технических систем» на основе анализа представленных в первой главе методов оценки интеллектуальности приводятся две авторские методики, а так же примеры их применения для решения практических задач.

Первая из авторских методик, оценка технических систем по уровню соответствия вектору интеллектуальности, является следствием анализа методик, рассмотренных ранее.

Общим среди рассмотренных методов является то, что ни один из них нельзя применить ко всему перечню интеллектуальных систем, так как они ориентированы на проведение оценки в определенной ограниченной области и большинство таких методов дает единственную числовую оценку.

Сводить интеллектуальность к одному числу может быть некорректно, так как оно не будет достаточно адекватно отражать все стороны оцениваемого явления. И, как более общая альтернатива разработанным методам, предлагается оценивать интеллектуальность компьютерных систем вектором показателей. В самой простой его реализации, основанной на проанализированных методиках, он может содержать два параметра: внутреннюю интеллектуальность и внешнюю.

Каждый параметр при этом будет складываться из тройки характеристик. Внутренняя интеллектуальность может содержать такие характеристики как:

  • тип выбранной программной платформы;
  • сложность используемых в работе алгоритмов;
  • степень настраиваемости и адаптируемости программного комплекса (в том числе и самонастраиваемости).

Внешняя интеллектуальность, в свою очередь может содержать:

  • степень интеллектуальной нагрузки на пользователя;
  • степень взаимодействия с окружающим миром (пользователями, другими системами, физическими предметами);
  • оценку интуитивности использования и полноты справочной подсистемы.

На рисунке ниже (рис 2) проиллюстрирована структура подобного вектора интеллектуальности.

Работать с подобным вектором можно так же несколькими способами. Внутри каждого параметра можно подсчитывать характеристики не аддитивно, а мультипликативно, в таком случае отчетливее будет заметно, какой параметр интеллектуальности системы является «слабым звеном», над которым следует поработать. Самый очевидный путь это перемножать элементы и получать векторный результат интеллектуальности с разбивкой по ключевым параметрам:

, (8)

где – вектор интеллектуальности,

А1, А2, А3 – характеристики параметра внешней интеллектуальности,

Б1, Б2, Б3 – характеристики параметра внутренней интеллектуальности.

Однако, это не единственный метод подсчета. Если для достижения целей подсчета требуется единственное число, определяющее интеллектуальность комплекса, то вычисление можно вести по следующей формуле:

, (9)

где И – интегральное значение интеллектуальности.

Рис. 2 – Пример структуры вектора интеллектуальности

При этом если принять, что сумма элементов внутри каждого параметра максимально может достигать единицы, то и результирующее значение интеллектуальности не будет превышать единицы или 100%, при полном признании системы интеллектуальной по всем характеристикам.

Кроме того, имеет смысл оценки данных экспертами заключений с позиции расчета согласованности их мнений. Этого можно добиться вычислением среднеквадратичного отклонения по каждому оцениваемому параметру. В том случае, если его значение превышает некую пороговую величину, экспертам требуется собраться и обсудить мотивацию присуждения оценки по спорному параметру, а затем вновь вынести свое заключение.

Эта идея обрисовывает общий подход к оценке интеллектуальности и подобный вектор можно и нужно расширять, вводить новые измерения и характеристики. В перспективе подобный подход может позволить унифицировать решение задачи оценки интеллектуальности компьютерных комплексов, различных технических систем и большого спектра интеллектуальных компьютерных приложений.

Второй авторский метод, оценка интеллектуальности технических систем по результатам тестового функционирования, базируется на том заключении, что у разработчиков интеллектуально функционирующих систем еще нет четко выработанного представления, что такое интеллект вообще, чем отличается интеллект человека от интеллекта машины, каковы критерии оценки и границы применимости интеллектуальных систем.

Оценка машинного интеллекта, в этом случае, базируется на следующих предположениях:

1. Имеется эксперт (опытный оператор или протестированная эталонная машина), поведение которого в некоторой сфере деятельности (производственной или управленческой) считается интеллектуальной. Результат его деятельности принимается за эталон, и интеллект которого оценивается единицей.

2. Если тестируемая машина принимает решения аналогичные эксперту, то и она обладает интеллектом.

3. Степень ее интеллектуальности измеряется вычисленным соответствием с решениями эксперта.

Сущностная сторона вопроса в этом случае не рассматривается, а используется идея «черного ящика».

Технологии оценки интеллектуальности могут заключаться в следующем:

А) При абсолютном доверии к эксперту.

- Одновременно работают эксперт и тестируемая машина.

- Вычисляется доля правильных (в сравнении с экспертом) решений.

- Эта доля определяет интеллект исследуемой технологии.

Б) При ориентации на конечный результат.

В этом случае интеллектуальность машины и эксперта сравниваются по результатам функционирования системы на основании внешних критериев.

В случае А) вычисленная интеллектуальность тестируемой машины не превысит интеллектуальности эксперта. В случае Б) машина и эксперт «соревнуются» между собой и результаты их совместной работы могут быть использованы для обучения и эксперта.

К примеру, разработан автомат-советчик по управлению тормозной позицией (ТП) на замедлителе СГ. Это и есть тестируемая машина. В качестве эксперта-эталона может выступать человек – оператор СГ, а может им стать уже принятый к внедрению на сети аналогичный автомат.

Важно заметить, что на начальном этапе обучения машина интеллектом может и не обладать. В процессе совместного функционирования (человека и машины) ее интеллект повышается. Возможности обучения машины зависят от многих факторов: стационарности процесса, адекватности соотношения реальной зависимости между входом и выходом системы, интеллектуальности самого эксперта.

Рассмотренный в 3.2 математический инструментарий позволяет легко ввести сравнительные характеристики машинного интеллекта. В качестве таковых можно использовать соотношения:

. . (10)

В числителе J1 стоит сумма модулей относительных ошибок за m последних тактов обучения машины. То есть J1 средняя арифметическая ошибка машины за указанный период. Показатель J2 аналогичен J1, но использует среднее геометрическое значение. Параметр m отражает статические и динамические свойства оценки.

Рассмотренный метод опирается на ряд жестких ограничений, которые как уже указывалось выше, не выполняются для транспортных систем. Для этого случая было предложено осуществлять прогноз не в «точку», а в класс.

Оценка интеллектуальности технической части системы в этом случае осуществляется по соотношению:

. (11)

В (11) параметр k обозначает число последних тактов работы системы, по которым оценивается ее интеллектуальность. При малом значении k велика роль случайности, при большом – в расчет вводятся результаты слабой обученности системы.

В работе рассмотрены две постановки исследования динамических и статических характеристик процесса обучения:

1) с позиции теории автоматического управления и регулирования;

2) на основе исследования рекуррентных соотношений итерационного процесса обучения.

В первом случае основная формула теории регулирования выглядит следующим образом:

И=SU/(1-SR), (12)

где S – основной блок процедуры обучения, R – блок обратной связи, U – расширенный вектор обучения системы (X, y). Формула (12) позволяет определить необходимые свойства регулятора для обеспечения необходимой устойчивости и скорости сходимости, а так же вход системы для получения по заданным S и R желаемого результата – степени интеллектуальности системы.

Во втором случае исследуется степень интеллектуальности устройства в зависимости от шага обучения (Иn). В частности используется соотношение:

Иn+1- Иn=a(1- Иn)+b(-Иn), (13)

где a, b – доли положительных и отрицательных тенденций процесса обучения. Соотношение (13) позволяет исследовать: время обучения до заданного уровня интеллектуальности, равновесное состояние в системе, устойчивость процесса.

Заключительная часть третьей главы посвящена сравнению и применимости методов к задачам ЕСТП. В ней приводятся две таблицы. Первая содержит сравнительный анализ всех представленных методов по ряду ключевых критериев, таких как: область применения, простота применения, условия проведения оценки, ограничения метода, показательность оценки, возможность расширения и доработки метода.

Вторая – сопоставление рассмотренных методов (включая авторские), применительно к задачам, озвученным в ЕСТП. В таблице применимости к основным задачам ЕСТП рассматривается не прямое применение приведенных методов, а опосредованное, через решения вопроса оценки интеллектуальности систем, задействованных в непосредственном решении поставленных задач. В том числе рассматривается и потенциальная эффективность данных методов, так как для решения ряда задач ещё не применяются интеллектуальные системы.

В четвертой главе «Разработка экспертной системы оценки интеллектуальности программ, систем и комплексов в рамках задач ЕСТП» описывается авторское приложение экспертной оценки, позволяющее проводить эффективную кластеризацию и классификацию программ, систем и комплексов для решения подзадачи оценки их интеллектуальности в рамках задач ЕСТП с использованием алгоритмов, описанных во второй главе.

На рисунке 3 представлена обобщенная схема работы описываемого программного комплекса.

 Обобщенная схема работы программного комплекса По ней можно-25

Рис. 3 – Обобщенная схема работы программного комплекса

По ней можно заметить, что, начиная с оценки качества теста, предлагаемого группе экспертов и определения проходного балла, работа программы переходит к генерации обучающей последовательности и сравнению результатов экспертной классификации для отбраковки, значительно отличающихся от общей статистики, экспертных решений, а затем к выработке эталонной обучающей последовательности (ЭОП). И, на заключительном этапе, основываясь на полученной последовательности, комплекс предоставляет возможность проводить автоматизированную классификацию.

Данная задача разбита на две подзадачи: разработка метода квалификационного отбора экспертов (1, 2 этап на рис. 3) и разработка алгоритма для автоклассификации однотипных, неоднородно расположенных объектов (3,4 этапы).

Первым шагом в подзадаче подбора экспертной группы выбрана оценка теста, который впоследствии будет предложен кандидатам на роль экспертов. Для этого следует учесть такие параметры, как: структура теста, количество дидактических единиц (ДЕ), то есть количество отдельных разделов знания по которым следует проверять; вероятность правильного ответа с учетом нечеткости вопроса и случайных ошибок; количество попыток сдачи; предполагаемый уровень знаний испытуемых.

Следует иметь в виду, однако, что вероятность верного ответа на вопрос теста это еще не та величина, которая подлежит нормированию. Как было указано, вероятности правильного ответа зависят не только от уровня знаний испытуемых, но и от характера вопросов, от числа дидактических единиц, числа попыток сдачи. Задав значение уровня знаний можно рассчитать лишь величину вероятности правильного ответа по одной дидактической единице.

Зависимость вероятности правильного ответа испытуемого по одной ДЕ рн от уровня его знаний zн рассчитывается по приближенной формуле

, (14)

где р2 – вероятность правильного ответа с учетом возможной нечеткости вопроса и случайных ошибок, по статистике тестовых испытаний р2 0,9; р3, р4, р5 – вероятности правильных ответов наугад на вопросы соответственно третьего, четвертого, пятого типов; m – число ответов; k – число правильных ответов; v – доля правильных вопросов, v 1; v3 – доля вопросов третьего типа; v4 – доля вопросов четвертого типа; v5 – доля вопросов по пятого типа.

; ; ; .

Требование знаний испытуемых по всем ДЕ целесообразно принять одинаковыми, тогда вероятность успешного прохождения тестирования по оцениваемой теме pн, по которой выделено М дидактических единиц, при условии однократного тестирования

. (15)

Окончательно, нормируемая вероятность при k разрешенных попытках сдачи равна

. (16)

Вторым этапом после проверки качества теста должна явиться установка проходного балла для конкретного теста. Так же могут быть интересны апостериорные оценки рисков, которые являются наглядным показателем качества предложенного теста.

Для решения вопроса об определении границы проходного балла необходимо задаться следующим рядом входных параметров: требуемым от испытуемых минимальным уровнем знаний, количеством дидактических единиц, сложностью самого теста, характеризующуюся средней вероятностью угадывания верного ответа, а так же общим количеством вопросов в тесте. Результирующими данными данного расчета являются: вероятность ошибки первого рода – вероятность успешной аттестации кандидата, располагающего знаниями меньшими, чем требуется для решения поставленной задачи; вероятность ошибки второго рода – вероятность не аттестации кандидата, располагающего знаниями, большими требуемых в рамках конкретной задачи; минимально необходимое количество вопросов, на которые тестируемый должен дать верные ответы для соответствия требуемому уровню знаний.

Полученные результаты можно представить в виде следующей таблицы (таблица 1):

Таблица 1 – Зависимость проходного балла от количества дидактических единиц и уровня знаний при 60 вопросах в тесте.


Количество ДЕ
1 2 3 4 5 6
Требуемый уровень знаний 0,3 31 17 13 10 9 8
0,4 35 20 14 11 10 8
0,5 39 22 15 12 10 9
0,6 44 24 17 13 11 9

Касательно второй подзадачи стоит отметить следующее: для рассматриваемого класса задач существенно, что различные системы и комплексы показывают индивидуальные данные по уровню своей интеллектуальности. При большом количестве объектов (систем) они будут характеризоваться относительно небольшим числом уровней интеллектуальности. Множество всех объектов, как правило, разбивается на некоторое число подмножеств или классов, и каждому классу ставится в соответствии один определенный уровень. Основной задачей автоматизации в этом случае является эффективное разбиение множества объектов на классы и обеспечение возможности автоматического распознавания каждого конкретного объекта.

Следует отметить, что каждый объект, в свою очередь, характеризуется большим количеством параметров (признаков), и в большинстве практических задач классы объектов пересекаются. Это значит, что объекты с заданными параметрами с ненулевой вероятностью могут принадлежать к нескольким классам вследствие неполного учета влияния различных случайных факторов, так что принятие решения является довольно сложной, нетривиальной процедурой.

Теория распознавания образов, эффективный для решения подобного рода задач подход, обладающий высоким уровнем формализации, что позволяет реализовывать процедуры распознавания в виде программ.

Определив экспертную группу, ей предоставляется перечень систем и набор параметров, по которым будет оцениваться интеллектуальность, сформировав, таким образом, обучающую последовательность (ОП) с разбивкой существующих систем на классы интеллектуальности.

В дальнейшем, опираясь на составленную ОП, приложение может самостоятельно классифицировать новые системы. Такая оценка может быть выполнена различными математическими методами, как-то: метод эталонов, метод ближайшего соседа, метод Байеса и др. За счет такой гибкости достигается необходимая корректность оценок в зависимости от структуры ОП и расчетных данных.

Выполняя программирование рассмотренных методов, было сформулировано два значимых тезиса.

Во-первых, необходимо искусственно ограничить обучающую выборку. Так, при бесконтрольном расширении базы знаний, внесенные ранее данные, могут негативно влиять на расчеты.

Во-вторых, так как рассматриваемые параметры интеллектуальности могут иметь разные оценочные шкалы и единицы измерения (или же не обладать таковыми вовсе), предлагается проводить бальную оценку. К примеру, эксперты, варьируя свои оценки в диапазоне от 0 до 100, смогут адекватно оценить каждый параметр системы. В то же время, алгоритмам, обрабатывающим обучающую последовательность не придется сталкиваться с проблемой разных форматов поступающих данных.

К четвертому этапу (после оценки теста, отбора экспертной группы и экспертной классификации) у пользователя данного программного комплекса набирается некоторая статистика по экспертным решениям и возникает необходимость систематизации и объединения этих данных в одну обучающую последовательность.

Принцип его работы заключается в следующем: основываясь на нескольких различных классификациях, предоставленных экспертами, программа определяет, к какому классу чаще всего причисляется тот или иной элемент, и создает, таким образом, эталонную классификацию.

Также, в процессе обработки экспертных решений имеет смысл отбраковка тех, что имеют наибольшее расхождение с ЭОП. Если итоговая классификация значительно отличается от какого-то решения эксперта, программа обратит внимание пользователя на данную классификацию и предложит пересчитать ЭОП, устранив решения данного эксперта из рассмотрения.

Далее рассматриваются практические вопросы применимости результатов диссертационного исследования. В частности, освещаются вопросы внедрения в учебный процесс, науку и производство.

В учебный процесс результаты работы получили двойственное внедрение. Во-первых, результаты, достигнутые при просчетах проходных баллов на реальных аттестационных тестах для студентов РГУПС, были доведены до внимания центра мониторинга качества образования университета. Во-вторых, вопросы анализа подходов к оценке уровня интеллектуальности программно-технических систем нашли свое отражение в учебном пособии для магистров, обучающихся по направлению «Информатика и вычислительная техника» магистерской программы «Информационно-управляющие системы».

Внедрение в науку осуществлено путем регистрации программной разработки в объединенном фонде электронных ресурсов «Наука и образование» на что получено соответствующее свидетельство. Внедрение в производство представлено рекомендациями в адрес Ростовского филиала НИИАС по совершенствованию систем интеллектуального функционирования в сортировочных комплексах.

В заключении приводятся результаты проведенного диссертационного исследования и предлагаются дальнейшие направления научных изысканий по рассматриваемой тематике. Основными результатами работы являются следующие положения:

  1. Проанализированы роль и место систем автоматизированного и интеллектуализированного управления в технологии организации грузовых перевозок.
  2. Дана постановка задач интеллектуализации, как средства автоматизации. В частности: интеллектуализации процессов и процедур принятия управленческих решений в рамках транспортной системы; повышения интеллектуальности взаимодействия хозяйствующих субъектов, как независимых единиц в структуре сетевого интеллекта; применения интеллектуальных технологий, методик добычи и обработки знаний для решения практических задач ЕСТП; мониторинга подготовленности и уровня знаний сотрудников компании, прохождение квалификационных испытаний для критичных должностей с целью повышения эффективности выполняемых операций.
  3. Дан анализ функций, прописанных в ЕСТП участникам единого сетевого технологического процесса, и предложены подходящие технологии интеллектуального функционирования. В частности рассматриваются функции грузоотправителей, грузополучателей, владельцев железнодорожных путей необщего пользования, операторов железнодорожного подвижного состава, ОАО «РЖД», как владельца инфраструктуры общего пользования и перевозчика грузов.
  4. Систематизированы методы интеллектуализации процедур обработки данных в автоматизированных системах управления транспортными процессами для решения задачи оптимизации груженых и порожних вагонопотоков. Описывается возможность применения современных математических формализмов когнитивного и морфологического анализа, теории расписания, теории массового обслуживания в совокупности определяющих интеллектуальное функционирование моделируемых систем.
  5. Анализируются существующие методы оценки интеллектуальности технических систем и программных средств. Рассматриваются следующие методы: система взглядов для оценки интеллектуальности технических систем, разработанная в университете г. Лидс, метод оценки интеллектуальности компьютерных систем А.А. Красилова, оценка уровня виртуальной интеллектуальности прикладной программно-технической системы на основе анализа эргономической модели.
  6. На основе проведенного анализа разработаны две авторские методики: оценка технических систем по уровню соответствия вектору интеллектуальности, оценка интеллектуальности технических систем по результатам тестового функционирования.
  7. Разработан алгоритм экспертной оценки, позволяющий проводить эффективную кластеризацию и классификацию программ, систем и комплексов для решения подзадачи оценки их интеллектуальности в рамках задач ЕСТП.
  8. По авторскому алгоритму разработаны программные приложения: метод квалификационного отбора экспертов и алгоритм автоклассификации однотипных объектов.
  9. Предлагаются пути практической применимости результатов диссертационного исследования. В частности, освещаются вопросы внедрения в учебный процесс и науку.

Основные положения диссертации опубликованы в работах:

Статьи в периодических научных рецензируемых изданиях, рекомендованных ВАК:

  1. Умрихин, Н.Г. Экспертная система классификации устройств и процессов на предприятиях ж.д. транспорта // Инженерный вестник Дона, 2013, №1.
  2. Лябах, Н.Н., Умрихин, Н.Г. Автоматизация процесса классификации интеллектуальных транспортных комплексов на основе экспертных систем // Вестник РГУПС, 2013, №2, С. 98 – 103.
  3. Лябах, Н.Н., Умрихин, Н.Г. Методы оценки интеллектуальности компьютерных систем // Вестник Университета, 2013, №6, С. 54 – 58.
  4. Умрихин, Н.Г. Развитие Единого сетевого технологического процесса внедрением подсистем интеллектуального функционирования // Транспорт: наука, техника, управление, 2013, №8, С. 14-15.

Другие издания:

  1. Умрихин, Н.Г. Вероятностные модели и программное обеспечение для организации тестового контроля знаний. Сборник трудов конференции «Научные исследования и их практическое применение. Современное состояние и пути развития '2010» / Н.Г. Умрихин – Одесса, 2010.
  2. Линденбаум, М.Д. Умрихин, Н.Г. Вероятностные модели и программное обеспечение для организации тестового контроля знаний студентов / М.Д. Линденбаум, Н.Г. Умрихин// Молодой ученый. – 2010. – №7. – С. 62-68.
  3. Умрихин, Н.Г. Проблема классификации интеллектуальности: докл. на конф. Транспорт 2012 / Н.Г. Умрихин. – Ростов н/Д, 2012.
  4. Умрихин, Н.Г. Проблемы инновационного развития и пути их решения: докл. на конф. МехТрибоТранс 2011 / Н.Г. Умрихин. – Ростов н/Д, 2011.
  5. Умрихин, Н.Г. Анализ номинативного метода оценки интеллектуальности компьютерных систем. Материалы Международной научно-практической конференции «Актуальные вопросы в научной работе и образовательной деятельности» / Н.Г. Умрихин – Тамбов, 2013.
  6. Умрихин, Н.Г. Обучение разумности и оценка интеллектуальности машинных блоков принятия решений. Материалы Международной
    научно-практической конференции «Теоретические и практические вопросы развития научной мысли в современном мире» / Н.Г. Умрихин – Уфа, 2013.
  7. Экспертная система классификации человеко-машинных блоков управляющих комплексов. Свидетельство о регистрации электронного ресурса / Н.Г. Умрихин – Объединенный фонд электронных ресурсов «наука и образование», М. 2013.
  8. Умрихин, Н.Г. Методы оценки интеллектуальности функционирования технических устройств. Учебное пособие / Н.Г. Умрихин – Ризография РГУПС, 2013.

Умрихин Николай Георгиевич

ИНТЕЛЛЕКТУАЛИЗАЦИЯ РЕШЕНИЯ ПРИКЛАДНЫХ ЗАДАЧ В АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ УПРАВЛЕНИЯ ЕДИНЫМ СЕТЕВЫМ ТЕХНОЛОГИЧЕСКИМ ПРОЦЕССОМ НА ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ

Автореферат

диссертации на соискание ученой степени

кандидата технических наук

Подписано в печать 22.11.2013 г. Формат 6084/16.

Бумага офсетная. Печать офсетная. Усл. печ. л..

Тираж 100 экз. Заказ №

Ростовский государственный университет путей сообщения.

Ризография РГУПС.

Адрес университета: 344038, г. Ростов н/Д, пл. им. Ростовского Стрелкового Полка Народного Ополчения, 2.



 





<
 
2013 www.disus.ru - «Бесплатная научная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.