Главная > Неразрушающий контроль > Классификация степени опасности источников АЭ на основе нечеткой логики, часть 6

Классификация степени опасности источников АЭ на основе нечеткой логики, часть 6

Продолжение, предыдущая часть 5 здесь.

Использование эмпирической зависимости имеет неоспоримое преимущество — сравнительную простоту вычисления конечной функции, что актуально при работе в реальном масштабе времени. Но для внесения изменений в некую уже заданную зависимость, например, при оценке влияния шумовой обстановки на объекте контроля требуется полная перестройка критерия с самого начала. Необходимо добавить новые совокупности зарегистрированных импульсов помех к совокупностям эталонных импульсов помех, выполнить заново аппроксимацию функций распределения параметров и ввести новые значения коэффициентов и интервалов разбиения каждого базового параметра в конечную зависимость. Иначе говоря, построенная таким методом система оценки степени опасности неадаптируема. Кроме того, обычно такой подход основывается на неких известных общих физических закономерностях, связывающих параметры функции. Но в рассматриваемом случае понятие опасности сигнала — чисто условная величина и не существует физических законов, однозначно связывающих этот параметр с базисными параметрами импульса.

Метод нейронных сетей — это один из методов искусственного интеллекта, который активно используется в настоящее время для решения очень сложных задач, в частности, связанных с распознаванием образов [4, 5]. Рассматриваемая проблема тесно смыкается именно с задачами распознавания образов источников акустических сигналов, поскольку в ее основе — отнесение анализируемого сигнала к одному из классов: опасный, неопасный, слабоопасный.

Преимущество этого метода — его высокая адаптируемость к новым исходным данным. Более того, сам процесс разработки подобной системы оценки опасности сводится к ее обучению на наборах исходных эталонных сигналов.

Нейронная сеть — полностью самоорганизующаяся система. Это очень удобно для решения крайне сложных задач с большим количеством параметров, связи между которыми практически не формализуются, но в определенной степени является и недостатком метода. Процесс построения такой системы оценки не контролируется ее разработчиком, а задача эксперта сводится только к подбору исходных данных для обучения системы. Кроме того, процесс вычисления требует значительных вычислительных ресурсов, поскольку повышение достоверности оценки требует роста числа узлов нейронной сети, что приводит к увеличению объемов вычислений.

Продолжение следует — часть 7.

  1. Пока что нет комментариев.
  1. Пока что нет уведомлений.