close

Вход

Забыли?

вход по аккаунту

...и проблемы математического моделирования сложных

код для вставкиСкачать
ИРКУТСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПУТЕЙ СООБЩЕНИЯ
ИНСТИТУТ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И МОДЕЛИРОВАНИЯ
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
И ПРОБЛЕМЫ МАТЕМАТИЧЕСКОГО
МОДЕЛИРОВАНИЯ
СЛОЖНЫХ СИСТЕМ
ВЫПУСК 8
Иркутск 2010
УДК 004
ББК 32.81
И 74
Редакционная коллегия:
д-р техн. наук, проф. С.И. Носков (главный редактор); канд. физ.-мат.
наук, доц. А.А. Бутин (зам. главного редактора); канд. физ.-мат. наук,
доц. С.И. Белинская; канд. техн. наук, доц. О.В. Бутырин; д-р техн.
наук, проф. Н.П. Деканова; канд. техн. наук, доц. А.А. Ермаков; д-р
техн. наук, проф. Е.И. Молчанова; д-р техн. наук, проф. Ю.Ф. Мухопад; д-р техн. наук, проф. В.В. Новорусский; канд. техн. наук, доц.
Ю.И. Петров; канд. физ.-мат. наук, доц. В.В. Тирских; канд. физ.-мат.
наук, доц. Р.Ю. Шлаустас; О.В. Инкеева (отв. секретарь)
Научный советник сборника: академик РАН В.М. Матросов
И 74
Информационные технологии и проблемы математического моделирования сложных систем. – Иркутск : ИИТМ ИрГУПС,
2010. – Вып. 8. – 156 с.
ISBN 978-5-98710-135-3
В сборнике рассмотрены теоретические и прикладные проблемы создания и применения современных информационных технологий в различных областях, а также вопросы разработки и использования методов математического
моделирования сложных систем. Опубликованные материалы связаны с
применением информационных технологий для контроля и управления, теорией и практикой моделирования технических и социальных систем, разработкой моделей и вычислительных комплексов в учебном процессе вузов.
УДК 004
ББК 32.81
2
© Иркутский государственный
университет путей сообщений, 2010
ISBN 978-5-98710-135-3
СОДЕРЖАНИЕ
I. Применение информационных технологий для контроля и управления
Белинская А.Ю., Белинская С.И., Воронин Н.А. Использование
web-технологий для мониторинга, обработки и анализа ионосферных данных ........... 4
Белинская С.И., Медведева И.П. Реализация задачи динамического
программирования в среде Mathcad .......................................................................... 11
Козыревская А.В. Влияние современных информационных технологий
на социализацию личности ........................................................................................ 16
Краковский Ю.М., Жарый Д.И., Селиванов А.С. Функциональные возможности
программного комплекса для вероятностного анализа безубыточности............... 20
Кулакова И.М., Жабей А.А., Кулаков А.Ю., Руш Е.А., Асламова В.С.
Автоматизированная система исследования и технологического
расчета пылеуловителей ............................................................................................. 25
Лустенберг Г.Е. Анализ активных фильтров методами
компьютерной графики .............................................................................................. 33
Хомяков Г.К. Системный подход к информационно-управляющим процессам
в подсистемах организма человека ........................................................................... 43
II. Теория и практика моделирования технических и социальных систем
Базилевский М.П., Носков С.И. Анализ специализированного программного
обеспечения для автоматизации «конкурса» регрессионных моделей ................ 50
Барышников В.И., Воропаев Е.В., Болондзь А.В. Шипаев И.В. Информационные
технологии наносекундной спектроскопии и диагностики ................................... 57
Бутин А.А. Построение системы сравнения в задаче оптимального управления
с ограничением на состояние высокого порядка ..................................................... 68
Гефан Г.Д., Иванов В.Б. Авторегрессионные векторные модели и
их применение в задачах идентификации личности по речевым сигналам .......... 74
Деканова Н.П., Качин А.С. Автоматизация технологического процесса
текущего ремонта вагонов ......................................................................................... 82
Мухопад Ю.Ф. Структурные модели сложных систем ........................................... 90
III. Информационные технологии в учебном процессе
Белинская С.И., Козыревская А.В., Климова Н.А., Лучников В.А., Михаэлис В.В.,
Михаэлис С.И., Петрова Л.В., Черепанова А.Л. Методическое
и организационное обеспечение научно-исследовательской работы
студентов кафедры «Информатика» ИрГУПС....................................................... 109
Жданов Ю.А, Белинская С.И. Разработка информационной системы
мониторинга, обработки и анализа данных НИРС в ИрГУПС............................. 119
Лаврухина Н.А., Абасова Н.И. Методы оценки качества тестов
по результатам тестирования.................................................................................... 123
Петров Ю.И. Принципы построения информационно-образовательной
среды университета................................................................................................... 133
Петров Ю.И., Розинова Ю.А. Кафедральные сайты как средство доступа
к методическим ресурсам кафедр ........................................................................... 138
3
Петрова Л.В. Кафедральные электронные образовательные ресурсы ............... 144
Сведения об авторах ....................................................................................................... 154
I.
ПРИМЕНЕНИЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
ДЛЯ КОНТРОЛЯ И УПРАВЛЕНИЯ
УДК 519.6, 333.108
А.Ю. Белинская, С.И. Белинская, Н.А. Воронин
ИСПОЛЬЗОВАНИЕ WЕВ-ТЕХНОЛОГИЙ
ДЛЯ МОНИТОРИНГА, ОБРАБОТКИ И АНАЛИЗА
ИОНОСФЕРНЫХ ДАННЫХ
Как в прошлом веке, так и по истечении многих лет, в наш век, в век
быстро развивающихся высоких технологий и спутниковой связи среда
ионосферы остается актуальной, потому что коротковолновая связь, в том
числе для военной, морской службы, осуществляется путем отражения
сигналов от различных ионосферных слоев. Наблюдения со спутников
Земли только дополняют информацию, но по-прежнему основными наблюдениями за параметрами ионосферы являются наземные эксперименты. Ежечасно (а иногда и чаще) по всему земному шару происходит регистрация значений критических частот и высот различных слоев ионосферы
для исследовательских целей и прогноза распространения радиоволн.
Информация о состоянии ионосферы регистрируется специальными
комплексами – ионозондами. Это комплексы, программное обеспечение
(ПО) которых, получив сигналы, отраженные от ионосферы, обрабатывает
их, строит по ним ионограммы, сохраняет данные в архивы, строит отчетные (суточные и месячные) графики параметров ионосферы, составляет
телеграммы для передачи данных в региональные центры. Но такие
комплексы являются весьма дорогостоящими, и не каждая исследовательская группа может их приобрести. В большинстве случаев используется
минимальный комплект ПО: программная оболочка ионозонда отображает
4
ионограмму, с нее оператор вручную записывает критические частоты, высоты и ряд других характеристик, и по определенным правилам формирует
«телеграмму». Данные записывают в журнал и создают ASC-файл. Далее
сами люди формируют суточные графики при помощи различных программных средств (MS Office Excel и др.).
В связи с этим возникла необходимость создания программного продукта, системы, которая бы выполняла задачи построения и отображения
данных зондирования в виде суточных, месячных и других видов графиков, вела мониторинг обработки и анализа данных. А так как геофизическая обсерватория и ионосферная станция находятся в Новосибирске, то
информация должна быть доступна коллегам из различных научных учреждений, в том числе и в Институте солнечно-земной физики (Иркутск).
При исследовании ионосферы возникает ряд задач, решение которых
невозможно без организации автоматизированной обработки информации
о состоянии ионосферы. Ионограмма, или высотно-частотная характеристика – один из самых распространенных источников информации об
ионосфере, представляющий собой набор точек, каждая из которых имеет
координаты: частоту и действующую высоту. Ставится задача подбора
в отдельные последовательности точек, образующих на ионограмме линии.
Очевидным препятствием к этому будут помехи, на которые алгоритм может работать неустойчиво.
Учитывая сложность обработки и интерпретируемости ионограмм,
а также и разнообразие и специфичность методов цифровой обработки
изображений, необходимо иметь некоторые наборы алгоритмов, предназначенные для реализации каждого этапа обработки изображений, а как
следствие – для каждой конкретной ионограммы выбор оптимальной в каком-то смысле последовательности их выполнения, т.е. необходима предварительная классификация исходной информации для выбора наилучшего
(с точки зрения определенного критерия) алгоритма (или нескольких алгоритмов), реализующих данный этап (этапы).
Ионозонды являются относительно простым и недорогим оборудованием, удовлетворяющим современным стандартам. Ионозонды, производимые в разных странах, несмотря на некоторые различия, позволяют получать для мировой сети станций стандартные изображения – ионограммы.
После Международного Геофизического Года в мировой сети непрерывно
функционируют от 100 до 200 станций вертикального зондирования. В результате получают высотно-частотные характеристики ионосферы. Ионограммы регистрируют следы отражений высокочастотных импульсных радиосигналов, генерируемых ионозондами. Существует функциональная
связь между частотой зондирования и степенью ионизации слоя, который
может отражать посланный сигнал. Так как передатчик ионозонда излучает сигнал, частота которого изменяется от низких к высоким частотам, и
сигнал превышает шум других радиоисточников в диапазоне изменения
5
частоты, приемник ионозонда регистрирует отраженный сигнал от различных слоев ионосферы. Эти отраженные сигналы формируют характерные
«следы», которые и составляют ионограмму.
На рисунке 1 приведена цифровая ионограмма, полученная с ионо-
зонда «Парус» при вертикальном зондировании.
Рис. 1. Цифровая ионограмма
Импульсные радиосигналы распространяются в ионосфере более
медленно, чем в свободном пространстве, поэтому вместо истинной высоты регистрируется кажущаяся или «действующая» высота отражения, которая всегда превышает истинную высоту отражения. Для частот, достигающих слоя с максимумом электронной концентрации, действующая высота становится бесконечной. Частоты, на которых это происходит, называются критическими частотами. Характерные величины действующих высот (обозначаемых как h'E, h'F и h'F2 и т.д.) и критические частоты
(обозначаемые как foE, foF1 и foF2 и т.д.) для каждого слоя определяются
6
из ионограмм вручную или автоматически с помощью специальных
компьютерных программ. Обычно на ионосферных станциях регистрируют одну ионограмму каждые 15 минут. В случае ручной обработки определяются только часовые значения. Современные ионозонды с автоматической (компьютерной) обработкой переводят в численные данные все параметры регистрируемой ионограммы. Окончательные численные величины
вместе с оригинальными ионограммами и отчётами станций хранятся в
пяти Мировых Центрах Данных по ионосфере.
Ионозонд «Парус» получает ионограмму, с нее оператор снимает параметры по определенным правилам и формирует «телеграмму». Телеграмму записывают в журнал (рукописный документ) и создают
ASC-файл. Оперативные ионосферные данные передаются по электронной
почте в Ионосферно-магнитную лабораторию (Западно-Сибирское УГМС,
г. Новосибирск).
В данной работе осуществлена попытка создания программного продукта, системы, которая бы выполняла задачи построения и отображения
данных зондирования в виде суточных, месячных и других видов графиков, вела мониторинг обработки и анализа данных. Информационная система выполнена с использованием Web-технологий в виде сайта и после
аутентификации пользователя при входе на сайт сотрудники самой обсерватории либо коллеги, работающие в других городах по совместному договору, могут получить возможность к данным ионозонда. В ней предусмотрены возможности:
1) Разбивать на массивы данные из ASC-файлов;
2) Осуществлять построение графиков:
a)
суточные графики высот и критических частот;
b)
месячные графики (в определённый час) высот и критических частот;
c)
графики зависимостей высота – критическая частота;
3) Осуществлять загрузку файлов с исходными данными на сервер.
Структура исходных данных
Пример файла:
ИОНКА 38501 20124 7/5/5
/1300 09621 31/18 //7/7 //7/7 /7310 //7/7 //90/ //0//
/1400 04926 29615 03200 //7/7 /7350 //7/7 0181/ 057//
/1500 09927 30/12 03010 04621 28330 02845 0302/ 064//
1) ИОНКА; 2) ИИИИИ; 3) ГММДД; 4) Н/М/К; 5) /ЧЧММ; 6) ФФФВВ;
7) ПП/ММ; 8) СССВВ; 9) ОООВВ; 10) ККЭЭЭ; 11) ЕЕЕВВ; 12) АААТ/;
13) РРР//.
1) ИОНКА – кодовое слово
7
2) ИИИИИ (38501) – индекс станции по международной системе IUWDS
3) ГММДД (20124) – Дата зондирования
Г (2) – последняя цифра года
ММ (01) – месяц
ДД (24) – день (по гринвичскому времени)
4) Н/М/К(7/5/5) – служебная группа
Н(7) – всегда цифра «7»
/ – всегда косая
М(5) – количество сеансов зондирования, одновременно сообщаемых в
коде
/ – всегда косая
К(5) – сумма цифр во всех передаваемых группах, следующих после
служебной;
5) /ЧЧММ(/1500) – гринвичское время зондирования
/ – всегда косая черта
ЧЧ – часы
ММ – минуты
6) ФФФВВ(09927)
ФФФ – критическая частота слоя F2 в десятых долях МГц
ВВ – минимальная высота слоя F2, только сотни и десятки км
7) ПП/ММ(30/12)
ПП – коэффициент М3000F2
/ – всегда косая черта при отсутствии диффузности в области F, при
наличии диффузности вместо косой черты ставится цифра,
характеризующая тип диффузности: (6 – тип F, 7 – тип Q, 9 – тип L)
ММ – минимальная частота отражения в десятых долях МГц
8) СССВВ(03010)
CCC – критическая частота образования Еs в десятых долях МГц
ВВ – минимальная высота образования Еs, только десятки и единицы
км
9) ОООВВ(04621)
ООО – критическая частота слоя F1 в долях МГц
ВВ – минимальная высота слоя F1, только сотни и десятки км
10) ККЭЭЭ(28330)
КК – коэффициент М3000F2
ЭЭЭ – действующая высота максимума электронной концентрации
параболического слоя F2, в км
11) ЕЕЕВВ(02845)
ЕЕЕ – критическая частота слоя Е в десятых долях МГц
ВВ – минимальная высота слоя Е, только десятки и единицы км
12) АААТ/(0302/)
ААА – частота экранировки спорадическим образованием в десятых
долях Гц
8
Т – тип Es (от 1 до 9)
/ – всегда косая черта
13) РРР//(064//)
РРР – предельная частота рассеянного или наклонного отражения от
области, в десятых долях МГц
// – всегда две косые черты.
На рисунке 2 приведен алгоритм обработки данных наблюдений.
9
Рис. 2. Алгоритм обработки данных наблюдений
Внешний вид главной страницы вэб-сайта представлен на рисунке 3.
Рис. 3. Главная страница веб-сайта
На рисунке 4 приведен суточный график критических частот за
23 сентября 2002 года, а на рисунке 5 – данные критических частот за март
того же года.
10
Рис. 4. Суточный график
Рис. 5. Месячный график критических частот
Разработанный вэб-сайт выставлен по адресу: http://idgraph.far.ru и
внедрен для использования в Новосибирской ионосферной обсерватории.
Литература
Кузнецов М.В., Симдянов И.В., Голышев С.В. PHP 5 на примерах. – СПб. : БХВПетербург, 2005. – 576 с. : ил.
1.
11
Ионосферные измерения / А.И. Галкин, Н.М. Ерофеев, Э.С. Казимировский,
В.Д. Кокоуров. – М. : Наука, 1971. – 166 с.
2.
УДК 519.6, 333.108
С.И. Белинская, И.П. Медведева
РЕАЛИЗАЦИЯ ЗАДАЧИ ДИНАМИЧЕСКОГО
ПРОГРАММИРОВАНИЯ В СРЕДЕ MATHCAD
Хорошо известно, что появление раздела математики динамического
программирования (ДП) позволило решить многие экономические проблемы,
соответствующие классу оптимизационных задач. В середине прошлого века
Р. Беллман предложил заменить в задаче минимизации (максимизации) целевую функцию многих переменных последовательностью задач минимизации
(максимизации) функции одной переменной, что позволило сократить необходимое для этих действий число арифметических операций.
Задача ДП формулируется следующим образом: необходимо найти
минимум (максимум) функции:
F(x0 , x1 ,..., xn ) =
n
∑
i= 1
f( xi − 1 , xi )
(1)
при ограничени ях
xi ∈ X i , i = 0, ..., n.
(2)
Рассмотрим задачу оптимального распределения ресурсов. Пусть
имеется n инвестиционных проектов и сумма средств для инвестиций ξ 0.
Прибыль от каждого проекта задана функцией fi(xi), i=1, …, n; xi – вложения в каждый проект. Должна быть максимизирована суммарная прибыль
от всех проектов:
F ( x0 , x1 ,..., xn ) =
n
∑
i= 1
f i (x i )
(3)
(3)
при условии
n
∑ x=ξ
i= 1
(4) .
i 0
(4)
Разобьем решение задачи на n шагов. На первом шаге выделим деньги первому предприятию, на втором – второму и так далее. Обозначим через ξk остаток ресурса после k-распределения, так что
ξ k = ξ k − 1 − xk , ξ n = 0
Введем функцию:
12
(5) .
(5)
n
∑
Fk ( x k , x k|+ 1 ,..., x n ) =
i= k
f i ( xi ),
( 6)
(6)
которая представляет собой прибыль от n-k-1 последних проектов. Оптимальное значение этой функции Fk0, соответствующее максимальной прибыли, называется функцией Беллмана. Переменная x0 определяет оптимальные вложения. Для последнего шага получаем:
Fn0 (ξ n− 1 ) = max f n ( xn )
(7 ) .
0≤ x n ≤ ξ n
(7)
Величина ξn-1 – остаток ресурса после предпоследнего распределения. Прибыль зависит от этой величины. Для двух последних проектов на
шаге k-1 имеем:
Fn0− 1 (ξ n − 2 ) = max( f n − 1 ( x n − 1 ) + f n ( x n )) =
max ( f n − 1 ( x n − 1 ) + F (ξ n − 1 ))
0
n
0≤ xn − 1 ≤ ξ n − 2
.
max ( f n − 1 ( x n − 1 ) + max f n ( x n )) =
0 ≤ xn − 1 ≤ ξ n − 2
0 ≤ xn ≤ ξ n − 1
(8)
(8)
Для произвольного шага k имеем следующее уравнение Беллмана:
Fk0 (ξ k − 1 ) = max ( f k ( x k ) + Fk0+ 1 (ξ k ))
(9) ,
(9)
которое вместе с начальным условием (7) позволяет рекуррентно определить все функции Беллмана. Для функции F01(ξ0) величина ξ0 известна, что
позволяет определить максимальную прибыль и наилучшие вложения в
первый проект x01. Далее, двигаясь в обратном направлении, определим оптимальные вложения во все проекты.
Пример. Имеется сумма средств инвестиций ξ0=100 на три предприятия порциями по 20 единиц. Потенциальная прибыль от вложений в каждое предприятие приведена в таблице 1.
0≤ x k ≤ ξ k − 1
Таблица 1
xi
20
40
60
80
100
f1(xi)
5
8
12
17
20
f2(xi)
4
10
15
18
21
f3(xi)
6
9
14
18
17
Расчеты сведем в таблицу 2.
Таблица 2
x01
0
20
0
0, 20
20
k=1
F01
6
11
16
21
26
x02
0
20, 40
40
60
40,60,80
k=2
F02
6
10
16
21
24
13
k=3
x03
20
40
60
80
80
F03
6
9
14
18
18
Последние два столбца получены из формулы (1) максимизацией функции
f3(x3).
Расчеты функции Беллмана для следующих шагов сведены во вспомогательную таблицу 3.
Таблица 3
K=2
K=1
20
0
20
0
6
6
0
6
6
20
0
4
0
4
5
0
5
40
0
40
0
9
9
0
10
10
20
20
4
6
10
5
6
11
40
0
10
0
10
8
0
12
60
0
60
0
14
14
0
16
16
20
40
4
9
13
5
10
15
40
20
10
6
16
8
6
14
60
0
15
0
15
12
0
12
80
0
80
0
18
18
0
21
21
20
60
4
14
18
5
16
21
40
40
10
9
19
8
10
18
60
20
15
6
21
12
6
18
80
0
18
0
18
17
0
17
100 0
100
0
18
18
0
24
24
20
80
4
18
22
5
21
26
40
60
10
14
24
8
16
24
60
40
15
9
24
12
10
22
80
20
18
6
24
17
6
23
100
0
21
0
21
20
0
20
Примечание. В таблице максимальные значения прибыли от всех трех предприятий выделены жирным курсивом.
Наибольшая прибыль от вложения 100 единиц от трех предприятий
составляет 26 единиц при вложениях x01=20. Остаток средств после первого шага ξ1= ξ0 - x1=80, наилучшая прибыль от двух последних предприятий
составляет единицу при вложениях x02=60. Остаток средств для последнего
предприятия ξ2=20, x03=20.
Наиболее удобной средой для выполнения различного рода математических задач является среда Mathcad. В ней имеется возможность использовать готовые встроенные процедуры и можно программировать,
фактически используя десяток операторов. Ниже приведены расчеты в
Mathcad описанной выше задачи ДП.
14
15
16
Из расчетов видно, что наибольшая прибыль от инвестиций достигает 26 единиц при вложениях в первое предприятие доли в 20 единиц, во
второе предприятие – в три раза больше (60 единиц), и в третье предприятие – 20 единиц.
Данная задача распределения инвестиционных ресурсов может быть
использована как в учебном процессе, так и для практических целей.
Литература
1. Губин Н.М., Добронравов А.С., Дорохов Б.С. Экономико-математические методы и
модели в планировании и управлении в отрасли связи. – М., «Радио и связь», 1993. –
376 с.
2. Охорзин В.А. Прикладная математика в системе Mathcad. – «Лань» Санкт-Петербург – Москва – Краснодар, 2008. – 348 с.
УДК 004
А.В. Козыревская
ВЛИЯНИЕ СОВРЕМЕННЫХ ИНФОРМАЦИОННЫХ
ТЕХНОЛОГИЙ НА СОЦИАЛИЗАЦИЮ ЛИЧНОСТИ
В настоящее время трудно представить хотя бы одну отрасль жизнедеятельности, где бы не применялись в том или ином виде компьютерные
17
технологии. Поэтому возникает проблема осмысления их значения и роли
в материальном производстве, технике и духовной сфере общества, что не
может не повлиять на социализацию личности – процесс усвоения индивидом образцов поведения, психологических установок, социальных норм и
ценностей, знаний, навыков, позволяющих ему успешно функционировать
в обществе.
В данной статье мы в какой-то мере попытаемся рассмотреть личностные проблемы, неизбежно возникающие в современном быстроменяющемся информационном пространстве.
Экономические, политические аспекты глобального информационного общества, информационной культуры исследовались в трудах М. Кастельса, М. Маклюэна, Ф. Фукуямы; в отечественных работах Э. Андреева,
А. Елякова, В. Плешакова и других ученых [1–6].
М. Кастельс пишет: «В новом, информациональном способе развития
источник производительности заключается в технологии генерирования знаний, обработки информации и символической коммуникации. Разумеется,
знания и информация являются критически важными элементами во всех
способах развития, так как процесс производства всегда основан на некотором уровне знаний и на обработке информации. Однако специфическим для
информационального способа развития является воздействие знания на само
знание как главный источник производительности» [1].
В. Плешаковым в 2005 г. был предложен термин «киберсоциализация человека» – локальный процесс качественных изменений структуры
самосознания личности, происходящий в контексте социализации человека
в киберпространстве Internet-среды, то есть в процессе использования его
ресурсов и коммуникации с «виртуальными агентами социализации» [6].
Социализация – непрерывный и многогранный процесс, который
продолжается на протяжении всей жизни человека. Но интенсивнее он
протекает в детстве и юности, когда закладываются все базовые ценностные ориентации, усваиваются основные социальные нормы, формируется
мотивация социального поведения.
Социализация личности всегда была тесно связана с семьей и системой образования. Но в информационном обществе это, как и многое другое, подвергается трансформации. Наиболее важными факторами социализации становятся сетевые коммуникации.
Компьютерные технологии оказывают негативное влияние на процесс
социализации человека: порождают одиночество, уход от реальности,
компьютерную зависимость. Личное общение заменяется виртуальным,
утрачиваются возможность обмена опытом и впечатлениями, человеческая
близость, чувство плеча. В этом смысле показателен комикс в американской
газете: друзья зовут мальчика, сидящего за компьютером, играть; он отвечает им: «Уходите, не мешайте мне общаться!». Поэтому возникает проблема
анализа взаимодействия информационных технологий и личности.
18
Чтобы минимизировать отрицательное воздействие современного
информационного пространства, на наш взгляд, необходимо:
 творчески применять традиционные методы образования, умело сочетать их с новейшими технологиями;
 гармонично совмещать преподавание гуманитарных и естественных наук;
 полнее использовать опыт межличностного общения обучающихся между собой и с преподавателем в процессе обучения и
воспитания;
 учить «мыслить», а не бездумно осуществлять действия с клавиатурой.
Процессы социализации в современном обществе находятся под
влиянием виртуального мира, рекламы, образов и смыслов, создаваемых
средствами массовой информации. Они создают столь насыщенную образно-смысловую среду, что с ней не может конкурировать никакой другой
институт, призванный оказывать воздействие на социализацию, – семья,
школа, университет (по крайней мере, в традиционной организации). При
этом роль СМИ не всегда является положительной. Гораздо чаще они, особенно телевидение, не столько способствуют социализации, сколько используют неумение анализировать и «отбраковывать» ненужную и недостоверную информацию, критически относиться к мнениям и идеям, высказанным с «голубого экрана».
Развитие современного общества и глобализация социальных отношений диктуют новые актуальные цели социализации человека – на первый план
выдвигаются творческие, креативные способности, аналитическое мышление,
высокая стрессоустойчивость, толерантное социальное поведение.
Молодежь все чаще выступает как активный субъект социализации.
Активность человека в виртуальном мире киберпространства не ограничивается позицией его как зрителя, читателя или слушателя, он сам может
включаться в действие, влиять на происходящее. Совмещение иллюзорного, фантастического мира, при условии функционирования его по законам
реальности, делают виртуальный мир необычайно притягательным. У «актера» виртуального мира формируется «зависимость от виртуальности».
В силу неудовлетворённости окружающей действительностью (личностный, экономический, социокультурный аспект и т. д.) компьютерная
зависимость постепенно усугубляется, приводя к тому, что человек начинает отдавать предпочтение именно виртуальному миру как наиболее приемлемому для него. Значение киберзависимости настолько велико, что порою люди начинают терять связь с реальным миром, с головой окунаясь в
мир виртуальный. Они перестают замечать людей, которые рядом с ними,
свои заботы, дела, работу, даже семью…
Темпы роста Интернета высоки и продолжают динамически нарастать, он стал не просто современным, но и удобным способом удовлетво19
рения многочисленных и разнообразных потребностей человека. Это своеобразное новое «жизненное пространство» со своими «обитателями» и
специфическими особенностями коммуникативного процесса. У этого пространства имеется свой интернет-сленг (сокращения и эрративное наречие) и новые социальные «on-line» коммуникации, такие как: социальные
сети («Одноклассники.ru», «В контакте», «Мой круг»); службы сетевых
дневников Livejournal, в частности русскоязычная его часть – «Живой журнал» (ЖЖ), и LiveInternet.ru (ЛИ.ru); службы мгновенного обмена сообщениями ICQ, MSN Messenger, IRCA. Их особенность в том, что обмен сообщениями происходит мгновенно или с некоторой отсрочкой во времени,
тем не менее, они являются новым витком развития эпистолярного жанра,
своего рода уходом от очного общения, снятием стрессов, «изливанием на
бумагу».
В этом можно уследить подтверждение нарастающего одиночества,
неуверенности, тревожности, несмотря на возможность использовать
современные средства инфокоммуникаций, и стремление это одиночество
скомпенсировать, чему подтверждением являются стихийно создаваемые
интернет-сообщества. Они не требуют постоянного личного присутствия
(решается проблема ценности временных ресурсов), не обременены, в отличие от традиционной иерархической структуры, строгостью и понятностью построения, но являются для личности новым кругом доверия.
Среди молодежи усиливаются тенденции самостоятельности, индивидуализма, сужения круга общения.
Глобальное информационное общество продуцирует риски в каждой
точке своего социального пространства: технологии, экологии, социальной
сфере. Принятие решения в условиях неопределенности всегда связано с
риском. В данной ситуации адаптивные способности личности оказываются весьма востребованными. В этом отношении молодые имеют преимущество, поскольку не боятся осуществить выбор, в отличие от старшего поколения.
Таким образом, современное образование должно стать связующим
звеном в межличностном общении, которое позволит молодежи не уйти в
виртуальную реальность, и в то же время даст возможность использовать
компьютер для освоения технологий, без которых не допустимо развитие
науки и техники.
Литература
Кастельс М. Информационная эпоха: экономика, общество, культура. – М., Аспект
Пресс, 2004. – 608 с.
2. Маклюэн Г. M. Понимание Медиа: Внешние расширения человека // Пер. с англ.
В. Николаева; Закл. ст. М. Вавилова. — М.; Жуковский : «КАНОН-пресс-Ц», «Кучково поле», 2003. – 464 с.
1.
20
Фукуяма Ф. Конец истории и последний человек // М., АСТ Москва, Полиграфиздат, 2009. – 592 с.
4. Андреев Э.П., Осипов Г.В. Измерение в социологии // М., Полиграфиздат, 2005. –
С. 374.
5. Еляков А.Д. Современная информационная революция // СоцИс. – 2003. – № 10.
6. Плешаков В.А. Виртуальная социализация как современный аспект квазисоциализации личности [Текст] / В.А. Плешаков // Проблемы педагогического образования :
сборник научных статей / под ред. В.А. Сластёнина, Е.А. Левановой. – М., 2005. –
Вып. 21. – С. 48–49.
3.
УДК 519.6:311
Ю.М. Краковский, Д.И. Жарый, А.С. Селиванов
ФУНКЦИОНАЛЬНЫЕ ВОЗМОЖНОСТИ
ПРОГРАММНОГО КОМПЛЕКСА
ДЛЯ ВЕРОЯТНОСТНОГО АНАЛИЗА БЕЗУБЫТОЧНОСТИ
Введение
Безубыточная деятельность является важнейшей экономической целью функционирования любого коммерческого предприятия. Существует
множество подходов к достижению такого состояния предприятия, в котором возможен стабильный положительный финансовый результат. Все эти
подходы можно объединить в определенную концепцию. Аналогом термина «концепция безубыточности» является так называемый «CVP-анализ»,
который расшифровывается как Cost-Volume-Profit, что означает взаимосвязь издержек производства, объемов производства и прибыли [1]. В
основе анализа безубыточности лежит принцип деления полных издержек
(затрат) предприятия на переменные и постоянные. Впервые данный принцип был предложен американским экономистом Дж. Кларком в 1923 году.
Под издержками понимается стоимостное выражение ресурсов (материальных, энергетических, трудовых, и прочих), использованных при производстве товаров, услуг.
Исходя из поведения издержек в зависимости от изменения объемов
производства, их разделяют на переменные и постоянные. Переменные издержки – это затраты, величина которых зависит (линейно или нелинейно) от
объемов производства. Постоянными называются такие затраты, величина
которых остается постоянной (приблизительно постоянной) при изменении
объемов производства на определенном интервале значений. Сумма постоянных и переменных затрат называется валовыми (полными) затратами.
Объем производства, превысив который предприятие начинает приносить прибыль, называется точкой безубыточности. В самой точке без-
21
убыточности валовая прибыль равна нулю. Известны также другие названия данного показателя: точка окупаемости, точка нулевой прибыли, критическая точка, порог рентабельности.
Аналитический способ определения точки безубыточности достаточно известный и простой в применении. Впервые этот метод был предложен
в 1930 г. американским инженером Уолтером Раугенштраухом как способ
планирования, известный под названием графика критического объема
производства (break-even chart) [2]. Он явился одним из первых синтетических инструментов, поступивших в распоряжение руководителей производства. В отечественной литературе он был описан Н.Г. Чумаченко в 1957
г.
Графически точка безубыточности определяется как точка пересечения графиков функций валовых полных издержек и валовой выручки. Точка безубыточности является границей, которая делит весь релевантный интервал изменения объема производства на зону убыточной и зону прибыльной деятельности.
Для существующих моделей анализа безубыточности характерна
одна особенность – оценки затрат и доходов, полученные в этих моделях,
носят детерминированный характер на момент проведения исследования,
следовательно, показатели безубыточности будут тоже детерминированными. Актуальной становится задача анализа безубыточности в условиях
вероятностного характера изменения показателей затрат и доходов. Одним
из подходов к анализу безубыточности с учетом факторов неопределенностей является разрабатываемый имитационно-аналитический метод оценки
основных характеристик, в котором предполагается, что величины постоянных и удельных переменных затрат на единицу продукции подвергнуты
влиянию случайных факторов, а точка безубыточности определяется путем
имитационного моделирования. Таким образом, в отличие от классического подхода, в данном методе используется вероятностная модель стоимостного анализа.
Описание программного комплекса
В качестве среды реализации моделирующей программы был выбран
язык программирования Borland Delphi 7.0 фирмы-производителя Borland –
ведущего производителя инструментального программного обеспечения в
мире. Язык обладает достаточным быстродействием обработки больших
массивов данных и позволяет легко масштабировать уже разработанное
программное обеспечения (например, реализовать хранение и обработку
массивов данных посредством СУБД).
Для решения задачи вероятностного анализа безубыточности была
разработана структура программного комплекса «Вероятностный анализ
безубыточности» (ПК ВАБ) (рис. 1).
22
ПК «Вероятностный анализ
безубыточности
Настройка ПК
Моделирование
безубыточности»
Данные
Преобразование
числовых характеристик
в параметры
распределения
Моделирование
значений СВ
Отображение
результатов
моделирования
Рис. 1. Структура ПК ВАБ
ПК ВАБ содержит два основных модуля:
1) модуль настройки ПК. Его функции: выбор задачи моделирования
и ввод исходных данных для этой задачи. Этот модуль содержит подпрограмму, которая позволяет по значениям числовых характеристик (математического ожидания, среднеквадратического отклонения) найти значения
параметров функции распределения случайной величины;
2) модуль моделирования, который реализует выбранную задачу.
Этот модуль содержит две подпрограммы: моделирование значений случайных величин [3] и отображение результатов моделирования.
Введем следующие обозначения.
1. Затраты (на месяц, квартал, год):
V = X ·Q + K,
(1)
где Q – объем продукции в натуральных единицах; X – переменные затраты на единицу продукции; K – постоянные затраты.
2. Доход, выручка (за месяц, квартал, год):
G = Y ·Q,
(2)
где Y – цена единицы продукции.
3. Точка безубыточности
K
K
=
,
Y− X Z
где Z = Y – X – вложенный доход на единицу продукции.
4. Операционная прибыль
V = G → Q0 =
OP = G – V = (Y – X) · Q + K = CM + K,
где CM = (Y – X) · Q = Z∙Q = G – X · Q – вложенный доход.
23
(3)
(4)
5. Операционный рычаг
OR = CM / OP.
(5)
6. Запас безопасности
ZBN = (Q – Q0) / Q ,
(6)
ZBY = (Q – Q0) · Y ,
(7)
 Q − Q0 
 ⋅ 100.
ZB(%) = 

Q


(8)
Здесь ZBN – запас безопасности, когда объем продукции измеряется
в натуральных единицах; ZBY – запас безопасности, когда объем продукции измеряется в стоимостном исчислении; ZB(%) – запас безопасности в
процентах, Q – среднее значение объема продукции, Q0 – среднее значение
точки безубыточности.
7. Операционный риск, содержащий три показателя:
Sop – среднеквадратическое отклонение (СКО) операционной прибыли;
Vop – коэффициент вариации OP
Vop =
S op
OP
⋅ 100 ;
(9)
R – риск, как вероятность события
R = P (OP < OP3);
(10)
OP – среднее значение операционной прибыли, OP3 – заданная операционная прибыль.
8. Показатель рентабельности инвестиций (%)
ROI=(OP/In)∙100,
(11)
где In – объем инвестиций.
9. Срок окупаемости инвестиций (в годах)
TO=In/OP.
(12)
10. Риск по сроку окупаемости, как вероятность события
RТО = P (ТО > TO3),
(13)
где TO3 – максимально возможное значение срока окупаемости.
Реализуемые задачи.
ПК ВАБ реализует четыре задачи.
1. Моделирование точки безубыточности ( Q0 ) и вложенного дохода
на единицу продукции (Z), формула (3). Для этой задачи необходимы следующие исходные данные: n – объем выборки, m – число интервалов для
24
гистограммы, функции распределения случайных величин X, Y, K и их числовые характеристики.
2. Моделирование операционной прибыли (ОР) и вложенного дохода
(СМ), формула (4), операционного рычага (5), запаса безопасности (6, 7, 8).
Для этой задачи необходимы следующие исходные данные: n – объем выборки, m – число интервалов для гистограммы, функции распределения
случайных величин X, Y, K, Q и их числовые характеристики.
3. Моделирование операционного риска (Sop , Vop , R), формулы (9, 10).
Для показателя риск (R) определяется оценка вероятности и доверительный интервал. Помимо трех показателей операционного риска, определяются две зависимости: 1) R(OPз) при заданном объеме продукции (Qз), T1<
OPз<T2; 2) R(Q) при заданной операционной прибыли, Q1< Q <Q2. Для
этой задачи необходимы следующие исходные данные: n – объем выборки,
m – число интервалов для гистограммы, функции распределения случайных величин X, Y, K, Q и их числовые характеристики. Необходимы также
значения T1, T2, Q1, Q2, OPз, Qз.
4. Моделирование показателя рентабельности инвестиций (11), срока
окупаемости (12), риска по сроку окупаемости (13). Для показателя риск
(RТО) определяется оценка вероятности и доверительный интервал. Дополнительно определяется зависимость RТО(Q) при заданном сроке окупаемости, Q1< Q <Q2. Для этой задачи необходимы следующие исходные
данные: n – объем выборки, m – число интервалов для гистограммы, функции распределения случайных величин X, Y, K, Q, In и их числовые характеристики. Необходимы также значения Q1, Q2, TOз.
Приведем краткое описание подпрограммы по отображению результатов моделирования. Отображение результатов моделирования имеет два
представления: числовое и графическое. Опишем их:
1) задача №1. По точке безубыточности и вложенному доходу на единицу продукции выдаются точечные оценки числовых характеристик и доверительный интервал для математического ожидания. Дополнительно по
точке безубыточности и вложенному доходу на единицу продукции выдаются гистограммы относительных частот;
2) задача №2. По операционной прибыли (4), вложенному доходу, операционному рычагу (5), запасу безопасности (6, 7) выдаются точечные
оценки числовых характеристик и доверительный интервал для математического ожидания. Дополнительно по операционной прибыли, вложенному
доходу, операционному рычагу, запасу безопасности (6, 7) выдаются гистограммы относительных частот. По запасу безопасности (8) выдается точечная оценка;
3) задача №3. Для всех трех показателей операционного риска выдаются точечные оценки. По третьему показателю (10) дополнительно выдается доверительный интервал и гистограмма частот для операционной прибыли. Дополнительно выводятся две зависимости: R(OPз) при заданном
25
объеме продукции (Qз), R(Q) при заданной операционной прибыли.
4) задача №4. По показателю рентабельности инвестиций (11) и сроку их окупаемости (12) выдаются точечные оценки числовых характеристик и доверительный интервал для математического ожидания. Допол нительно для них выдаются гистограммы относительных частот. Для
риска по сроку окупаемости (13) выдается точечная и интервальная
оценка.
Литература
1. Шим К., Сигел Г. Основы бюджетирования. – М. : Вершина. – 2007. – 368 с.
2. Щербинин В.П. Модели безубыточности производства // Аудит и финансовый анализ. № 5. – М. : ООО «ДСМ Пресс». – 2007. – С. 229–235.
3. Краковский Ю.М., Калиновский С.Г., Селиванов А.С. Математическое обеспечение
моделирования случайной величины при вероятностном анализе безубыточности //
Информационные технологии и проблемы математического моделирования сложных систем. Вып. 7. – Иркутск : Изд-во ИрГУПС. – 2009. – С. 137–143.
УДК 621.928.93+004.67+004.421
И.М. Кулакова, А.А. Жабей, А.Ю. Кулаков,
Е.А. Руш, В.С. Асламова
АВТОМАТИЗИРОВАННАЯ СИСТЕМА ИССЛЕДОВАНИЯ
И ТЕХНОЛОГИЧЕСКОГО РАСЧЕТА
ПЫЛЕУЛОВИТЕЛЕЙ
Совершенствование газоочистного оборудования – одна из наиболее
важных задач в области природоохранной деятельности, поскольку эффективность применяемых систем пылеочистки не всегда соответствует нормам
ПДК. При разработке пылеочистных устройств важно выбрать наиболее подходящий для данных технологических условий тип оборудования, и на основе адекватных математических моделей точно рассчитать ожидаемые показатели его работы до изготовления опытных образцов. При обзоре существующих программных разработок в области пылеочистки и природоохранной деятельности предприятий «ЛОГУС», «Интеграл», «Лазурит» было выявлено,
что нет программного обеспечения (ПО) для прогнозирования эффективности очистки и гидравлического сопротивления проектируемых пылеуловителей. ПО, имеющееся на рынке, обеспечивает лишь инвентаризацию источников выбросов загрязняющих веществ в атмосферу, расчет валовых выбросов, подготовку проектов разрешений на выбросы и ведение учета полученных разрешений. На основании вышеизложенного возникает необходимость
разработки автоматизированной системы (АС) исследований процесса сепа26
рации в пылеуловителях для решения задач: оптимального выбора пылеуловителя и режима его эксплуатации по заданным техническим условиям;
оценки показателей работы функционирующих аппаратов.
АС имеет следующие составные части: база данных (БД) для хранения
технологических и конструктивных характеристик пылеуловителей, физикохимических свойств газов, жидкостей и пылей и сведения о литературных источниках; модуль для управления данными БД; автоматизированные подсистемы технологического расчета гравитационных пылеосадительных камер
(АПТРПК), циклонов (АПТРЦ) и скрубберов (АПТРС); подсистема обработки
экспериментальных данных процесса сепарации в прямоточном циклоне с
промежуточным отбором пыли (ПЦПО); подсистема определения характеристик пыли. АС выполнена в двух модификациях – клиент/серверной (на базе
MS SQL Server) и локальной (MS Access) архитектуре.
АС позволяет решить следующие задачи:
1. Определение характеристик пыли (масс-медианного диаметра частиц и логарифмов среднеквадратического отклонения диаметров частиц,
плотности пыли), подбор аппроксимирующей функции для интегральной
функции распределения частиц по размерам по результатам седиментационного анализа и запись полученных значений в базу данных.
2. Расчет показателей работы ПЦПО и статистическая обработка результатов исследования процесса сепарации в прямоточном циклоне.
3. Хранение технологических характеристик гравитационных пылеуловителей, циклонов и скрубберов, а также физико-химических свойств
жидкостей, газов и пыли; ввод и редактирование информации, поиск по заданным критериям.
4. Расчет гидравлического сопротивления и эффективности очистки
гравитационных пылеосадительных камер, циклонов и скрубберов по различным методикам, выбранным пользователем.
5. Автоматизированный подбор гравитационных пылеуловителей,
циклонов и скрубберов на заданные режимы их эксплуатации, оптимальный выбор пылеуловителя по критерию максимальной эффективности пылеулавливания.
6. Выбор оптимальных режимов эксплуатации гравитационных пылеуловителей, циклонов и скрубберов.
7. Формирование отчетности в программном модуле MS Excel.
При очистке газов с содержанием крупных частиц размером более
100 мкм на предварительной стадии устанавливают пылеосадительные
камеры для разгрузки аппаратов последующих ступеней (циклоны,
скрубберы, фильтры и др.). В АПТРПК производится расчет габаритных
параметров и эффективности очистки прямоугольных пылеосадительных камер на основании методик [1].
Размеры камеры определяются размером δ* наименьших частиц, которые должны быть осаждены полностью. Габаритные размеры камеры,
27
необходимые для гравитационного осаждения частиц крупнее заданного
размера частиц δ*, определялись по соотношению:
L = H ⋅ W г V S* ,
где L − длина камеры; H − высота камеры; Wг − продольная скорость движения газов в камере; VS* − скорость седиментации частиц, определяемая
по времени динамической релаксации частицы ( τ * ):
τ * = ( ρ т − ρ ) ⋅ δ 2 ⋅ ξ C ( 18µ ⋅ ξ ) ,
где ρ т и ρ − плотности частиц и газа; ξ − коэффициент сопротивления частиц; ξ С − стоксовский коэффициент сопротивления:
ξ С = 24 Re δ * ,
где Re δ * – число Рейнольдса обтекания частицы размером δ * при ее седиментационном осаждении:
Re δ * = VS* ⋅ δ * ⋅ ρ µ .
Необходимая суммарная поверхность осаждения Fо рассчитываемой
камеры:
F0 = Wг VS* .
Для камеры полочного типа, предварительно выбрав ширину, подсчитывали необходимое число полок n и расстояние между полками h:
n = Fo B ⋅ L ,
h = VS* ⋅ τ * .
Тогда общая высота пылеосадительной камеры H составляет:
H = n ⋅ ( h + hп ) ,
где hn − толщина одной полки.
На рис. 1 приведен пример расчета габаритных параметров прямоугольной пылеосадительной камеры в АПТРПК.
Однако, учитывая, что при движении запыленных газов в камере
турбулентность потока нарушает нормальное гравитационное осаждение, в
особенности частиц малых размеров, действительная степень очистки газов оказывается ниже, чем теоретически рассчитанная. В связи с этим был
реализован приближенный расчет эффективности, учитывающий диффузию частиц в турбулентном потоке, основанный на использовании вероятностных функций.
28
Рис. 1. Пример расчета габаритных параметров пылеосадительных камер
Для пылеосадительных камер с L/H > 3 значение парциальных коэффициентов очистки (в %) находится, с достаточной степенью точности, на
основании расчетов средней концентрации частиц соответствующего размера в выходном сечении пылеосадительной камеры по формуле (%):
N
η δ = 1 − ∑ Kδ i N ,
i= 0
где N − число точек, для которых рассчитывается фракционный проскок
частиц K δ i по высоте камеры.
Концентрация этих частиц во входном сечении принимается равномерно распределенной по сечению. Предполагалось, что распределение частиц по размерам подчиняется нормальному закону распределения, значение величины K δ i определяется по уравнению:
K δ i = 1 2 ⋅ (Φ ( x1 ) + Φ ( x2 )) .
Значения функций Ф(x1) и Ф(x2) определялись по нормальной функции распределения, а величины x1 и x2, в свою очередь, находились из выражений:
x1, 2 = ( H + x ± VS L / Wг ) 2 Dt L / WГ ,
где x − координата по высоте камеры; Dt − коэффициент турбулентной
диффузии частиц.
29
При выполнении условия VS / WГ < L ⋅ g / WГ2 коэффициент турбулентной диффузии частиц совпадает с коэффициентом турбулентной диффузии газового потока и рассчитывается по формуле Шервуда-Вертца:
Dt = 0,02 ⋅ W Г H λ ,
где λ − коэффициент гидравлического трения потока о стенки канала,
определяемый по критерию Рейнольдса.
Входными параметрами расчета являются: высота камеры, скорость
потока, расход газа, физико-химические свойства пылей и газов, в качестве
выходных параметров представлены недостающие габаритные параметры
и эффективность очистки, рассчитанная по приведенному выше методу.
Система позволяет определить оптимальные размеры и эффективность очистки пылеосадительной камеры.
Методы, используемые в АПТРЦ для расчета циклонов и скрубберов, описаны в [2 – 6]. Выбор конкретного метода расчета предоставляется
пользователю, который на основе имеющихся у него данных принимает
решение об использовании того или иного метода. Например, в том случае,
если неизвестны фракционные параметры циклона, целесообразно расчет
производить с помощью универсального метода [3], в котором эффективность пылеочистки определяется по известной эффективности пылеулавливания эталонного циклона (из БД), геометрически подобного исследованному, при масштабном переходе на заданные режимы работы и с использованием коэффициентов уноса. На способ определения эффективности пылеулавливания циклонов любого типа (прямоточного, противоточного и со встречными закрученными потоками) получен патент РФ на
изобретение [7]. Для прямоточных циклонов целесообразнее использовать
статистический метод [4]. При наличии данных о фракционном составе
пыли и фракционных параметров пылеуловителя удобнее воспользоваться
методикой НИИОГАЗ [8] или фракционным методом М.И. Шиляева [1].
Для автоматизации обработки экспериментальных данных был разработан программный модуль «Эксперимент», позволяющий существенно
упростить и ускорить обработку и анализ информации при исследовании
прямоточного циклона с промежуточным отбором пыли. Данный программный модуль, входящий в состав подсистемы обработки экспериментальных данных процесса сепарации в ПЦПО, предназначен для получения расчетных значений опытных данных по известным зависимостям. В
качестве исходных значений используются введенные пользователем экспериментальные данные и предопределенные константы. Выходная информация представляется в виде текстовых файлов и файлов в формате MS
Excel со статистически обработанными результатами. Предусмотрено
несколько способов расчета: для одного опыта, для серии опытов с вводом
данных вручную или с использованием входного текстового файла.
30
На рис. 2 изображены некоторые графики, формирующиеся при генерации отчета MS Excel: зависимость полных потерь давления ∆ P от
квадрата среднерасходной скорости w0 (рис. 2 а), аппроксимированная с
коэффициентом детерминации R2 = 99,09 % уравнением
∆ P = 51,96 + 17 ,27 w02
зависимость коэффициента сопротивления ζ от критерия Рейнольдса
(рис. 2 б). В переходной области от режима Стокса до режима Ньютона коэффициент гидравлического сопротивления циклона с коэффициентом
R2 = 97,65 % точно описывается квадратичной зависимостью
ζ = 57 ,96 − 0,0018Re + 3,041 ⋅ 10 − 8 Re 2 .
Для обработки данных анализа гранулометрического состава пылей
методом жидкостной седиментации в гравитационном поле используется
программный модуль «Седиментация». Графическая и аналитическая обработка результатов и определение в пробе процентного содержания фракций различной дисперсности проводится по методикам, принятым в седиментационном анализе. Для уточнения размеров крупных частиц коэффициент гидравлического сопротивления частицы определяется не по формуле Стокса, а по формуле Сиска, поскольку формула Стокса справедлива
для критерия Рейнольдса
Re δ = ρ ж ws δ µ ж ≤ 0,1 ,
где µ ж , ρ ж , ws , δ – динамическая вязкость и плотность жидкости, скорость
седиментации частицы диаметром δ . Регрессионное уравнение Сиска
справедливо с точностью 2 % в широком интервале изменения критерия
Reδ: 0,1 < Re δ < 3500 . Диалоговое окно для расчета диаметров частиц и интегральная функция массового распределения частиц по размерам, полученная в результате обработки данных, приведены на рис. 3.
ги
др
авл
ич
еск
ое
со
пр
от
ив
ле
ни
е,
Па
а)
Коэф
фици
ент
гидра
вличе
ского
сопр
отивл
ение,
Па
Квадрат среднерасходной скорости, м2/c2
б)
Число Рейнольдса ⋅10-3
Рис. 2. Зависимости: а) гидравлического сопротивления ( ∆ P ) от квадрата
2
среднерасходной скорости ( wср ); б) коэффициента гидравлического
сопротивления ( ζ ) от числа Рейнольдса (Re)
31
Рис. 3. Диалоговое окно программного модуля «Седиментация»
В АПТРЦ для ускорения поиска и выбора наилучшего среди прямоточных, противоточных циклонов и пылеуловителей со встречными закрученными потоками использованы встроенные средства для вывода лучших
показателей. АСТРЦ предоставляет возможность выбора оптимального
циклона на заданные условия его эксплуатации. Также реализована возможность определения оптимальных режимов функционирования циклонов. Для наглядности диапазона оптимальных значений в АПТРЦ формируется зависимость эффективности пылеулавливания от выбранного технологического параметра (рис. 4, 5). АПТРЦ зарегистрирована в отраслевом фонде алгоритмов и программ (№ 8990).
1,0
0,9
0,8
Эффективность
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
0,0
0,1
0,2
0,3
0,4
0,5
0,6
Запыленность, кг/м3
Рис. 4. Диалоговое окно подпрограммы
выбора оптимального режима
32
Рис. 5. Зависимость эффективности
очистки циклона от запыленности потока
При исследовании в АПТРС скрубберов обнаружено, что повышение напора и расхода жидкости незначительно влияют на его эффективность сепарации (1–2 %). Но увеличение гидравлического сопротивления аппарата в
3 раза вызывает значительное повышение эффективности: при расчете
скруббера, гидравлическое сопротивление которого составляет 1,6 кПа,
эффективность улавливания тумана фосфорной кислоты составила 76 %.
Увеличение гидравлического сопротивления аппарата в 3 раза до 4,8 кПа
вызвало повышение эффективности до 94 %, что подтверждает вывод многих исследователей, в том числе М.И. Шиляева [1], о зависимости эффективности пылеулавливания скрубберов в основном от энергозатрат на пылеочистку. Таким образом, подсистема АПТРС позволяет определить оптимальные значения технологических параметров, например, расхода орошения, максимизирующего эффективность очистки скруббера Вентури.
Разработанную АС можно использовать для создания компьютеризированных лабораторных практикумов, проведения седиментационного анализа и исследования процесса сепарации. АС позволяет снизить трудоемкость обработки данных и сократить сроки исследования. АС внедрена в
учебный процесс ряда вузов Сибирского региона: Ангарская государственная техническая академия, Иркутский государственный университет путей
сообщения, Томский политехнический университет и Восточно-Сибирский
технологический университет. АС можно эффективно использовать и в системе дистанционного обучения для формирования инженерных навыков
студентов – технологов и экологов в условиях виртуального лабораторнопрактического занятия.
Литература
Шиляев М.И. Методы расчета пылеуловителей / М.И. Шиляев, А.М. Шиляев,
Е.П. Грищенко. – Томск : Изд-во Том. гос. архит.-строит. ун-та, 2006. – 385 с.
2.
Асламова В.С. Автоматизированная система технологического расчета циклонов / В.С. Асламова, А.А. Жабей // Современные технологии. Системный анализ.
Моделирование. – 2009. – № 1. – С. 59–63.
3.
Асламова В.С. Универсальный метод расчета эффективности пылеулавливания циклонов / В.С. Асламова, А.А. Асламов, Т.Н. Мусева, А.А. Жабей // Химическое и нефтегазовое машиностроение. – 2008. – № 1. – С. 34–37.
4.
Асламова В.С. Статистическое моделирование эффективности пылеулавливания прямоточных пылеуловителей при масштабном переходе / В.С. Асламова, А.А.
Асламов, Н.А. Брагин и др. // Химическая промышленность сегодня. – 2008. – № 2.
– С. 42–48.
5.
Асламова В.С. Использование инструментария СУБД для разработки практикума по курсу «Инженерные методы защиты атмосферы» / В.С. Асламова, А.А. Жабей // Математические методы в технике и технологиях Сб. трудов ММТТ-22: Международный научно-методический симпозиум «Современные проблемы многоуровневого образования». – Ростов н/Д : Издательский центр ДГТУ, 2008. – С. 151–155.
6.
Жабей А.А. Автоматизированное программное обеспечение расчета показателей
работы скрубберов / А.А. Жабей, В.С. Асламова, И.М. Кулакова // Математические ме1.
33
тоды в технике и технологиях – ММТТ-22: сб. трудов XXII междунар. науч. конф.: в 10
т. – Т 4. – Псков : Изд-во Псков. гос. политехн. института, 2009. – С. 23–25.
7.
Патент на изобретение RU № 2358810 C2 B04C 3/00, B04C 5/00 Способ определения эффективности пылеулавливания циклонов / В.С. Асламова, А.А. Асламов,
А.А. Жабей. – Опубликовано 20.06.09, бюл. № 17.
8.
Справочник по пыле- и золоулавливанию / Под ред. А.А. Русанова. – 2-е изд.,
перераб. и доп. – М. : Энергоатомиздат, 1983. – 312 с.
УДК 52
Г.Е. Лустенберг
АНАЛИЗ АКТИВНЫХ ФИЛЬТРОВ
МЕТОДАМИ КОМПЬЮТЕРНОЙ АЛГЕБРЫ
Активные фильтры являются одними из самых распространенных
устройств аналоговой информационной электроники. Они применяются
для формирования частотных характеристик усилителей, измерительных
трактов, каналов связи и других схем формирования сигналов. Современные активные фильтры состоят из резисторов, конденсаторов и операционных усилителей в интегральном исполнении.
Теория синтеза и анализа активных фильтров хорошо разработана [1,
2]. В настоящее время программные средства синтеза существуют как в
виде автономных продуктов, так и в качестве подсистем программ схемотехнического моделирования. Заключительным этапом разработки
фильтра является его анализ с целью проверки соответствия результатов
синтеза техническому заданию. Здесь часто возникают следующие затруднения:
1) автономные программные средства синтеза, как правило, вообще
не предусматривают какой-либо верификации результата. В лучшем случае генерируется код на языке SPICE, который предлагается загрузить в
систему схемотехнического моделирования (PSpice, Micro-Cap, Multisim );
2) подсистемы синтеза активных фильтров современных программ
схемотехнического моделирования генерируют схему непосредственно на
рабочем поле. Численное моделирование позволяет убедиться в степени
адекватности синтезированного фильтра. Но численные методы дают решение только для конкретных значений параметров и затрудняют анализ и
обобщение результатов при их изменении. Численным методам свойственны специфические погрешности, что также может поставить под сомнение
весь процесс верификации. Например, при анализе узкополосных
фильтров с помощью любого SPICE-симулятора для его корректной работы требуется предварительная настройка вычислительного ядра [3, с. 164].
34
Из вышеизложенного следует, что для анализа активных фильтров
желательно использование программных средств, работающих непосредственно с формулами. Такие математические пакеты получили название
систем символьной математики или компьютерной алгебры. Их преимущество состоит не только в получении решений в аналитической форме, но и
в отсутствии вычислительной погрешности. Лидирующую позицию в данной области занимает система Maple [4].
Применение Maple позволяет осуществить полный цикл анализа характеристик активного фильтра:
• формирование операторных уравнений;
• определение передаточных функций;
• вычисление частотных, импульсных и переходных характеристик и представление результатов в графической форме;
• получение функций чувствительности характеристик фильтра
к изменению параметров электронных компонентов;
• определение динамической реакции фильтра на сложное входное воздействие.
Рассмотрим применение системы Maple на примере анализа полосно-задерживающего высокодобротного фильтра (рис. 1) [2, с. 73].
Приведенные числовые значения параметров соответствуют частоте
режекции 2400 Гц.
DA1
6
R1
DA2
C3
∞
3
∞
3
6
5
R2
R4
2
4
4
4
R5
C7
1
R7
R8
uвых
1
uвх
0
Рис. 1. Схема полосно-задерживающего высокодобротного фильтра:
R1= R2= 1600 Ом, R4= 212077 Ом, R5= 1600 Ом, R7= R8=1178930 Ом,
35
С3= С7= 3,6 нФ, DA1, DA2 – идеальные операционные усилители
Операторные уравнения схемы по Лапласу могут быть сформированы с помощью Maple в результате процедур, описанных в [5]. Применение
базиса узловых потенциалов приводит к следующему уравнению в матричной форме:
YV = Iу ,
(1)
где Y – квадратная матрица узловых проводимостей; V – вектор-столбец
неизвестных узловых потенциалов; Iу – вектор-столбец узловых токов.
Для рассматриваемой схемы данное уравнение принимает вид:
Y2 + Y5


Y1 + s C3

 s C7 + Y4 + Y7 + Y8
0
− s C3
− Y4
− Y2   V2 ( s ) 
Y5 U вх ( s )






− Y1 V5 ( s ) =
0
 
 
 ,
0   V6 ( s )  ( s C7 + Y7 ) U вх ( s )
(2)
где Yi = ( Ri ) − 1 – проводимость i-го резистора; s – оператор Лапласа;
V2 ( s ),V5 ( s ),V6 ( s ) – операторные изображения неизвестных узловых потенциалов узлов 2, 5 и 6; U вх (s ) – операторное изображение входного сигнала.
В результате решения системы уравнений (2) следует найти передаточную функцию по напряжению между выходом и входом
K (s) =
V6 ( s ) U вых ( s )
=
.
U вх ( s ) U вх ( s )
(3)
Для установившегося гармонического режима с круговой частотой
ω подстановка s = jω приводит к выражению комплексного коэффициента
передачи
K ( jω ) = K (ω ) e jϕ (ω ) = A(ω ) + j B(ω ) ,
(4)
где K (ω ) – амплитудно-частотная характеристика (АЧХ); ϕ (ω ) – фазо-частотная характеристика (ФЧХ); A(ω ) – вещественная частотная характеристика; B (ω ) – мнимая частотная характеристика; j – мнимая единица.
Важной характеристикой фильтра является частотная зависимость
времени замедления τ (ω ) (группового времени запаздывания)
d ϕ (ω )
τ (ω ) = −
.
(5)
dω
Временны́е характеристики фильтра определяются через обратное
преобразование Лапласа
u вых (t ) = L− 1 [ K ( s ) U вх ( s )] .
(6)
В зависимости от вида входного сигнала из выражения (6) можно получить различные отклики фильтра. Особое значение в теории фильтров
36
имеет импульсная характеристика, то есть реакция на единичный импульс
(δ-функцию Дирака). Изображение δ-функции равно единице, поэтому для
импульсной характеристики имеем
h (t ) = L− 1[ K ( s )] .
(7)
Не менее важна переходная характеристика фильтра, являющаяся реакцией на единичный скачок входного напряжения (функцию Хевисайда).
Его изображение равно s-1 . Следовательно,
 K (s) 
h1 (t ) = L− 1 
.
(8)
 s 
Теперь запрограммируем изложенную выше процедуру анализа
фильтра на входном языке системы Maple. В тексте диалога с системой,
приведенном ниже, строки, начинающиеся со знака «>», обозначают команды, вводимые пользователем. Если после команды стоит точка с запятой, то ниже присутствует результат ее выполнения. Если после команды
стоит двоеточие, то результат не отображается. Строки, написанные на
русском языке, являются комментариями, поясняющими назначение команд.
НАЧАЛО
Анализ полосно-задерживающего
высокодобротного активного фильтра
Подключение пакетов работы с матрицами и интегральными преобразованиями
> restart; with(linalg): with(inttrans):
Задание матрицы узловых проводимостей(2)
> Y:=matrix(3,3,
[Y2+Y5,
0,
Y1+s*C3,
-s*C3,
s*C7+Y7+Y8+Y4,
-Y4,
Задание вектора узловых токов (2)
> Iu:=vector(3,[Y5*Uvx,0,(s*C7+Y7)*Uvx]):
Решение системы уравнений (2)
> V:=linsolve(Y,Iu):
Определение передаточной функции (3)
> K:=collect(V[3],s)/Uvx;
37
-Y2,
-Y1,
0]):
Y2 s 2 C3 C7 + ( Y2 C3 Y7 − Y5 C3 Y8 ) s + Y4 Y1 Y5
K :=
Y2 s 2 C3 C7 + ( Y2 C3 Y7 + Y2 C3 Y8 ) s + Y4 Y1 Y5
Определение коэффициента при высшей степени полинома
знаменателя
> D2:=coeff(denom(K), s^2);
D2 := Y2 C3 C7
Деление числителя и знаменателя на D2 для получения
единичного коэффициента при высшей степени полинома
знаменателя
> numK:=collect(evalc(numer(K)/D2),s):
> denK:=collect(evalc(denom(K)/D2),s):
> K1:=numK/denK;
Y7 Y5 Y8 
Y4 Y1 Y5
s 2 + 
−
 s +
Y2 C3 C7
 C7 Y2 C7 
K1 :=
Y7 Y8 
Y4 Y1 Y5
s 2 + 
+
 s +
Y2 C3 C7
 C7 C7 
Задание круговой частоты и оператора Лапласа для
установившегося гармонического режима. I – мнимая
единица, f – частота в герцах
> omega := 2*Pi*f; s:=I*omega;
Выражение АЧХ (4)
> AFC:= evalc(abs(K1));
Выражение ФЧХ (4)в градусах
> PFC:=180*evalc(argument(K1))/Pi:
Выражение частотных характеристик вещественной и мнимой частей комплексного коэффициента передачи (4)
> re_K1:=evalc(Re(K1)):
38
> im_K1:=evalc(Im(K1)):
Выражение частотной характеристики времени замедления
> tau:=-diff(PFC,f)/(2*Pi):
Задание числовых значений параметров схемы (рис. 1)
>Y1:=1/1600: Y2:=1/1600: Y4:=1/212077:
>Y5:=1/1600: Y7:=1/1178930:
>Y8:=1/1178930: C3:=3.6E-9: C7:=3.6E-9:
Вычисление передаточной функции
> s:='s': evalf(K1);
s 2 + .2273952792 10 9
s 2 + 471.2371010 s + .2273952792 10 9
Построение АЧХ в линейном масштабе частоты
> plot(AFC, f=2000..3000, color=black,
title="АЧХ ФИЛЬТРА В ЛИНЕЙНОМ МАСШТАБЕ ЧАСТОТЫ f");
Другие варианты изображения АЧХ
> plot(20*log10(AFC), f=2000..3000, color=black,
title="АЧХ ФИЛЬТРА (В ДЕЦИБЕЛАХ)В ЛИНЕЙНОМ
МАСШТАБЕ ЧАСТОТЫ f"):
> plot([log10(f),20*log10(AFC), f=2000..3000],
color=black, title="АЧХ ФИЛЬТРА (В ДЕЦИБЕЛАХ)
В ФУНКЦИИ ОТ ДЕСЯТИЧНОГО ЛОГАРИФМА ЧАСТОТЫ f"):
Построение ФЧХ фильтра в линейном масштабе частоты f
> plot(PFC, f=2000..3000,color=black,
title="ФЧХ ФИЛЬТРА В ЛИНЕЙНОМ МАСШТАБЕ ЧАСТОТЫ f");
39
Частотная характеристика времени замедления (5)
> plot(tau,f=2000..3000, color=black,
title="ЧАСТОТНАЯ ХАРАКТЕРИСИКА ВРЕМЕНИ ЗАМЕДЛЕНИЯ
В ЛИНЕЙНОМ МАСШТАБЕ ЧАСТОТЫ f"):
Построение частотных характеристик вещественной и
мнимой частей (4)
> plot([re_K1,im_K1], f=2000..3000,
style=[point,point],color=[black,black],
symbol=[diamond,cross],
legend=["ДЕЙСТВИТЕЛЬНАЯ ЧАСТЬ","МНИМАЯ ЧАСТЬ"],
title="ДЕЙСТВИТЕЛЬНАЯ И МНИМАЯ ЧАСТИ КОМПЛЕКСНОЙ
ПЕРЕДАТОЧНОЙ ФУНКЦИИ ФИЛЬТРА В ЛИНЕЙНОМ
МАСШТАБЕ ЧАСТОТЫ f");
Выражение импульсной функции (7)
> H:=invlaplace(K1,s,t);
40
H := Dirac( t ) − 471.2371010 e
+ 7.363957171 e
( − 235.6185505 t )
( − 235.6185505 t )
cos( 15077.79039 t )
sin( 15077.79039 t )
Переходная характеристика (8)
> u:=Heaviside(t): Uvx:=laplace(u,t,s):
> H1:=invlaplace(K1*Uvx,s,t);
H1 := 1. − .03125372409 e
( − 235.6185505 t )
sin( 15077.79039 t )
Построение переходной функции фильтра
> plot(H1,t=0..0.02,numpoints=100,color=black,
title="ПЕРЕХОДНАЯ ФУНКЦИЯ ФИЛЬТРА");
Реакция на гармоническое воздействие 2600 Гц (6)
> u:=sin(2*Pi*2600.*t): Uvxp:=laplace(u,t,s):
> Ysin:=invlaplace(K1*Uvxp,s,t):
>plot(Ysin,t=0..0.02,numpoints=1500,color=black,
title="РЕАКЦИЯ НА ГАРМОНИЧЕСКОЕ ВОЗДЕЙСТВИЕ
С ЧАСТОТОЙ 2600 Гц");
Гармонический сигнал 200 гц с помехой 2400 гц на входе фильтра (6)
> u:=sin(2*Pi*200*t)+0.2*sin(2*Pi*2400*t);
u := sin( 400 π t ) + .2 sin( 4800 π t )
> plot(u,t=0..0.05, numpoints=1000,color=black,
title="ГАРМОНИЧЕСКИЙ СИГНАЛ 200 Гц С
ПОМЕХОЙ 2400 Гц НА ВХОДЕ ФИЛЬТРА");
41
Изображение сигнала
> Uvxp:=laplace(u,t,s):
Выходное напряжение фильтра
> Y:=invlaplace(K1*Uvxp,s,t):
> plot(Y,t=0..0.05, numpoints=1000,color=black,
title="СИГНАЛ НА ВЫХОДЕ ФИЛЬТРА");
КОНЕЦ
Результаты, полученные в рассмотренном примере, свидетельствуют
о соответствии заявленных параметров результатам анализа. Действительно, по частотным характеристикам видно, что частота режекции составляет 2400 Гц. Затухание переходной и импульсной характеристик говорит
об устойчивости схемы. Частота затухающих колебаний также 2400 Гц.
Следует отметить, что устойчивость следует также из анализа полученной
передаточной функции в символьной форме: все коэффициенты полинома
знаменателя положительны.
Реакция на гармоническое воздействие 2600 Гц сопровождается модуляцией на начальной стадии переходного процесса, что соответствует
теории. И, наконец, последняя диаграмма иллюстрирует фильтрацию сигнала с частотой 200 Гц. Видно, что, начиная с третьего периода, влияние
помехи 2400 Гц практически не наблюдается.
Разумеется, рассмотренный простой пример не охватывает всех
процедур, используемых при анализе активных фильтров. Большой
практический интерес представляет расчет чувствительностей к различ ным параметрам схемы, оценка воздействия шумов и сложных помех.
Таким образом, дальнейшие исследования возможностей систем сим вольной математики в рассмотренном аспекте представляют несомнен ный интерес.
42
Литература
1. Хьюлсман Л.П. Введение в теорию и расчет активных фильтров / Л.П. Хьюлсман,
Ф. Е. Аллен. – М. : Радио и связь, 1984. – 384 с.
2. Мошиц Г. Проектирование активных фильтров / Г. Мошиц, П. Хорн. – М. : Мир,
1984.– 318 с.
3. Разевиг В.Д. Система сквозного проектирования электронных устройств DesignLab
8.0 / В. Д. Разевиг. – M. : Солон, 1999. – 698 с.
4. Дьяконов В.П. MAPLE 9.5/10 в математике, физике и образовании / В.П. Дьяконов.–
M. : СОЛОН-Пресс, 2006. – 720 с.
5. Лустенберг Г.Е. Методы компьютерной алгебры в теоретической электротехнике /
Г.Е. Лустенберг //Информационные технологии и проблемы математического моделирования сложных систем: сб. науч. тр. / ИрГУПС. – Вып. 4. – Иркутск, 2006. –
С. 72–81.
УДК 61
Г.К. Хомяков
СИСТЕМНЫЙ ПОДХОД
К ИНФОРМАЦИОННО-УПРАВЛЯЮЩИМ ПРОЦЕССАМ
В ПОДСИСТЕМАХ ОРГАНИЗМА ЧЕЛОВЕКА
Повсеместный рост заболеваемости бронхолегочной системы, в том
числе в Байкальском регионе, обусловил поиск оптимальных методов реабилитационной методологии этой патологии.
Системный подход к рассмотрению и применению биологических
законов в развитии технических средств механизации и автоматизации общеизвестен и перспективен. Вопросы информационного обмена и управления жизнедеятельностью организма человека и технической системой имеют много общего, так как большинство технических систем демонстрируют свою эффективность в том случае, когда в их конструкцию заложены
общие фундаментальные свойства объектов живой природы. В работе
Ю.Ф. Мухопада [3] предложена системная модель, позволяющая анализировать и упрощать синез вычислительных устройств и систем управления
техническими средствами с любыми носителями информационных сигналов. Модель представляет собой пятивершинный граф (рис. 1), в котором
обозначено:
Ф – функциональная подсистема; И – информационная; Л – логическая; А – адресная; У – управляющая; М – подсистема внешней памяти и
управления; Х – входные воздействия; Y – выходные реакции системы.
Петли определяют процессы самоконтроля и внутреннего управления подсистем. Универсальность этой модели позволяет применить её к
43
систематизации и анализу информационно-управляющих процессов как
социального, так и нозологического плана. Также разработана реальная
база создания аппаратов для диагностики и лечения разных форм болезней
(рабочая модель комбинированного воздействия на биологически активные точки организма уже создана).
Представленная модель управления имеет непосредственное созвучие с идеями древних философов и врачей, которые предполагали, что развитие заболевания укладывается также в пятивершинную структуру. Приоритеты функционирования органов и систем обозначались природными явлениями и их факторами (первоэлементы: огонь, земля, металл, вода, дерево). На первом этапе познания такое видение позволило систематизировать
представление о функционировании организма.
X
Ф
И
Y
Л
М
А
У
Рис. 1. Структурная модель информационных взаимодействий
в сложных системах
Модель Ю.Ф. Мухопада в бронхолёгочной системе:
– функциональная подсистема (Ф) представлена комплексом лёгочной ткани (образований): бронхов, альвеол, ацинусов;
– адресная (А) – разветвлённая артериально-венозная и лимфатическая подсистемы;
– информационная (И) и управляющая (У) подсистемы распределены между функциями сердца и центральной нервной системой;
– логическая подсистема (Л) представлена периферической иннервацией.
Указанные взаимодействия могут быть основой определения подсистем в моделях Ю.Ф. Мухопада. Однако установление глубоких соответствий общих моделей и их адекватности реальным энергетическим каналам и их функциональному назначению требует детальных теоретических
и экспериментальных исследований. До сих пор не учитывалось их системное взаимодействие в комплексе как единого целого, выполняющего
функцию управляющей подсистемы. В технике действия управляющей
подсистемы описываются с помощью алгоритмических схем. Исходя из
вышесказанного, появляется возможность составления алгоритма лечебно-
44
го комплекса при патологии бронхолегочной системы. Применение алгоритмического подхода к описанию лечебного и восстановительного процесса отличается от технических систем. Типовая граф-схема (ГСА) алгоритма используется для описания вычислительных и управляющих процессов и не может в полной мере соответствовать реальному процессу организации лечебных процедур, так как проверка логических условий в
ГСА является слишком «категоричной» и сводится к сравнению переменных типа:
 1, х < A
α = 
.
0
,
x
≥
A

Для лечебных процедур по принципу выходного действия логические условия также должны формироваться со значениями 0 и 1, но проверка должна быть проведена по типу «размытой» логики, т.е. нужна принадлежность того или иного признака к заданному диапазону, например,
температура 37,5 ≤ t ≤ 38,5.
х< 0 α = 1
α = 
x≥ 0 α = 0
А<В
39.0 ≤ К ≤ 78 %
α = 1.
При заболевании хроническим бронхитом в силу единства и взаимосвязи всех подсистем организма требуется комплексное воздействие. Это
комплексное воздействие на организм возможно лишь при создании определённых алгоритмических подходов (в терминах информационных технологий). Создание же алгоритмов лечебного воздействия должно основываться в первую очередь на глубоком опыте изучения того или иного заболевания. Алгоритмическая схема управления процессом коррекции изображена на рис. 2.
На рисунке приняты следующие обозначения:
β – количество функциональных показателей внешнего дыхания, соответствующих норме;
П1 – ингаляции разжижающими средствами;
П2 – лечебная гимнастика, имеющая цель – развитие дыхательной
мускулатуры и др.;
П3 – массаж грудной клетки с целью очистки бронхов;
П4 – иглорефлексотерапия с целью нормализации функции нервной
системы;
П5 – применение сауны с целью усиления тренированности терморегуляции организма;
П6 – дополнительная оксигенация с помощью специальных аппаратных средств, принудительной вентиляции и эжекции кислорода на выходе;
45
П7 – измерение показателей внешнего дыхания.
Системный анализ информационно-управляющих процессов в коррекции состояния бронхолёгочной системы позволяет определить оптимальный реабилитационный перечень воздействий на процесс течения патологии (рис. 2). Для обеспечения здоровья как конкурентоспособного человеческого капитала необходимо создание социальной среды восстановления утраченных функций организма. Государственные и корпоративные
интересы в этом случае совпадают и реализуются за счёт вложения финансов в создание социальной системы реабилитации.
HАЧАЛО
П1
П2
П3
П7
да
П4
П5
1≤ β < 3
да
нет
3≤ β < 5
П6
нет
да
5 ≤ β < 19
нет
КОНЕЦ
Рис. 2. Алгоритмическая схема управления процессом коррекции
Управление процессом организации медицинского этапа реабилитации осуществляется по алгоритмической схеме, изображенной на рис. 3,
где А1 – диагностика и лечение в поликлинике;
46
А2 – лечение в стационаре;
A3 – лечение в реабилитационном отделении;
А4 – лечение в профилактории;
А5 – лечение в здравпункте;
А6 – выход на рабочее место.
Рис. 3. Алгоритм управления реабилитации коллектива
Рассмотрим четыре варианта реабилитации больных:
1-й вариант: реабилитационное отделение (профилакторий, здравпункт). По этому варианту проводится реабилитация больных, перенесших
острые и обостренные формы заболевания;
2-й вариант: производство (для практически здоровых, работающих
в условиях производства с факторами риска);
3-й вариант: профилакторий (предусматривает реабилитацию лиц с
предбронхитом, хроническим бронхитом, нуждающихся в лечении);
4-й вариант: поликлиника–здравпункт–производство–профилактика
для часто и длительно болеющих.
a – параметр, определяющий вариант реабилитации больных;
47
а = 1 – больной перенес острые или обостренные формы заболеваний
(вариант реабилитации В1);
а = 2 – практически здоров, но работает в условиях производства
с факторами риска (вариант реабилитации В2);
а = 3 – больной с предбронхитом, хроническим бронхитом, нуждается в противорецидивном лечении (вариант реабилитации В3);
a = 4 – часто и длительно болеющий (вариант реабилитации В4).
Управление процессом коррекции осуществляется по алгоритмической схеме, представленной на рис. 3.
Такой системный подход на основе обобщённой пятикомпонентной
модели с технологическими разработками по гидродинамическому анализу
движения биологических жидкостей в сосудах и воздухоносных путях наряду с алгоритмическим описанием лечебного процесса позволяет наметить принципиально новый подход к концептуальному анализу заболеваний и конкретной методике лечения.
Применение методики лечения по алгоритмической схеме, представленной на рис. 2, позволило получить положительные результаты. Известные в медицинской практике 19 основных функциональных показателей
внешнего дыхания достоверно улучшились. Статистический анализ результатов позволил вычислить критерий значимости Стьюдента
t = 2, 4. В результате комплексного лечения улучшились спирографические
показатели пролеченных больных.
Это позволило снизить заболеваемость по временной утрате трудоспособности (ВУТ) в случаях из 4,5 до 1,3 и в днях с 38,6 до 27,4 на 100 работающих. Экономический эффект составил около 10 млн руб.
Выводы
1. Системный подход на основе обобщённой пятикомпонентной модели Ю.Ф. Мухопада с технологическими разработками по гидродинамическому анализу движения биологических жидкостей в сосудах и бронхах
наряду с алгоритмическим описанием лечебного процесса позволяет наметить принципиально новый подход к концептуальному анализу заболеваний и конкретной методике лечения.
2. Системный анализ физического состояния позволил выделить наиболее существенные операционные воздействия и формализовать процесс
лечения в виде алгоритмов комплексной реабилитации.
3. Применение комплексного подхода к воздействию лечебных методов с аппаратной поддержкой позволяет за короткий срок приостановить
развитие заболевания и улучшить качество жизни пациентов.
4. Предлагаемая точка зрения на облитерационный процесс в бронхах на основе физики жидкости, обездвиженной силами адгезии стенок
бронхов, могут быть использованы для поиска новых методов лечения,
уменьшающих адгезию и когезию слоев биологических жидкостей.
48
Литература
1. Демографический кризис – наша общая проблема // Сборник материалов Всероссийской конференции «Проблемы демографического развития и вопроизводства населения в России и регионах Сибири». – Иркутск, 2007. – С. 3–4.
2. Кауров П.К. Характеристика заболеваемости населения Иркутской области / П.К.
Кауров, С.С. Медведева, Е.В. Помазкина. – Сборник материалов Всероссийской
конференции «Проблемы демографического развития и вопроизводства населения в
России и регионах Сибири». – Иркутск, 2007. – С. 61–64.
3. Мухопад Ю.Ф. Микропроцессорные информационно-управляющие системы /
Ю.Ф Мухопад. – Иркутск: ИрГУПС, 2004. – 404 с.
4. Мухопад Ю.Ф.Особый режим ламинарного течения воды в экологической гидрологии / Ю.Ф. Мухопад, В.Ц. Ванчиков. Энергосберегающие технологии и окружающая среда: сб. науч. тр. Междунар. конф. – Иркутск: Афинский технолог. ин-т,
2004. – С. 400–403.
5. Самосюк И. Акупунктура / И. Самосюк, В. Лысенков. – «Аст-пресс книга», 2004.
49
II. ТЕОРИЯ И ПРАКТИКА МОДЕЛИРОВАНИЯ
ТЕХНИЧЕСКИХ И СОЦИАЛЬНЫХ СИСТЕМ
УДК 330.115:37.01
М.П. Базилевский, С.И. Носков
АНАЛИЗ СПЕЦИАЛИЗИРОВАННОГО ПРОГРАММНОГО
ОБЕСПЕЧЕНИЯ ДЛЯ АВТОМАТИЗАЦИИ «КОНКУРСА»
РЕГРЕССИОННЫХ МОДЕЛЕЙ
В настоящее время в различных исследованиях зачастую возникает
необходимость построения регрессионной модели, которая наилучшим образом аппроксимирует множество экспериментальных данных. Решение
данной задачи возможно с помощью организации «конкурса» моделей, который состоит в построении множества альтернативных вариантов конкретного уравнения и выборе лучшего из них, исходя из значений критериев адекватности [1].
Реализовать некоторые этапы «конкурса» регрессионных моделей
позволяют многие математические и статистические пакеты (Mathcad, Matlab Curve Fitting Toolbox, Excel, STATISTICA, Mathematica, STATGRAPHICS, STADIA и др.) общего назначения. Основными их недостатками являются следующие.
1. Предоставление в распоряжение пользователя очень малого
количества форм моделей. В лучшем случае, имеется возможность ввода новых моделей вручную;
2. Отсутствие автоматизации проведения «конкурса» моделей.
Пользователю приходится вручную перебирать все альтернативные варианты уравнений и самостоятельно выбирать оптимальное
решение. В лучшем случае, имеется встроенный язык программирования, с помощью которого можно автоматизировать «конкурс». Но на это требуется очень много времени.
Рассмотрим теперь специализированное программное обеспечение
для автоматизации «конкурса» математических моделей.
50
SYSTAT TableCurve 2D v5.01
TableCurve 2D − одна из первых программ, предназначенных для автоматизации «конкурса» регрессионных моделей. Она предоставляет инженерам и исследователям возможность быстрого поиска математической формулы, которая максимально точно аппроксимирует двухмерные экспериментальные данные. В TableCurve 2D имеется встроенная библиотека функций,
содержащая 3 665 уравнений различной степени сложности – от простейших
линейных уравнений до полиномов Чебышева высоких порядков.
TableCurve 2D включает в себя 3 важные особенности:
• 38-значный эмулятор математической точности для правильной аппроксимации полиномами высокого порядка;
•
возможность робастного оценивания для нелинейных моделей, что позволяет эффективно справляться с выбросами;
•
опция AI Expert, автоматически выбирающая подходящие экстремальные, переходные или кинетические модели.
Всего в дополнение к стандартному методу наименьших квадратов
для нелинейных моделей можно использовать 3 робастных метода, различающихся способом задания расстояния (учета ошибок аппроксимации):
n
– метод наименьших модулей (
∑
k=1
ε k ↓ );
n
– метод минимизации Лоренца (
∑
k=1
n
– метод минимизации Пирсона (
∑
k=1
ln(1 + ε k2 ) ↓ );
ln( 1 + ε k2 ) ↓ ).
Входные экспериментальные данные вводятся в программу либо
вручную, либо импортируются из следующих типов файлов: ASCII, Excel,
Lotus, Quattro Pro, SigmaPlot, SPSS. Всего возможно ввести до 65 536 наблюдений, причем каждому наблюдению назначается соответствующий
вес. По умолчанию вес равен 1.
В TableCurve 2D реализованы следующие процедуры для работы с
исходными данными:
– сглаживание (6 алгоритмов);
– интерполяция сплайнами (8 алгоритмов);
– авторегрессия (9 алгоритмов).
Все перечисленные выше процедуры дают возможность использовать дополнительные данные для аппроксимации, что позволяет получить
более точную математическую модель.
Встроенные в программу уравнения разбиты на группы (линейные,
простые, полиномиальные, рациональные и т.д.), поэтому поиск лучшей
модели можно осуществлять либо из всего множества уравнений, либо из
множества уравнений определенной группы. Также в систему может быть
введено до 15 пользовательских моделей, которые могут принимать уча-
51
стие в аппроксимации данных вместе со встроенными функциями. Пользовательские модели могут содержать самые разные математические
конструкции. TableCurve 2D так же быстро находит параметры для пользовательских функций, как и для встроенных моделей.
После того, как данные будут аппроксимированы, TableCurve 2D автоматически сортирует полученные уравнения по заданному статистическому
критерию (критерий множественной детерминации, средняя ошибка аппроксимации или критерий Фишера). Затем из полученного списка можно выбрать любую модель и просмотреть её численные и графические результаты,
можно задать интервал прогнозирования и просмотреть, как ведет себя функция на этом интервале. Также в TableCurve 2D имеется возможность одновременного отображения результатов нескольких моделей, что позволяет
пользователю быстрее сравнить и выбрать более точную модель.
SYSTAT TableCurve 3D v4.0
Как следует из названия, главное отличие TableCurve 3D от
TableCurve 2D в том, что TableCurve 3D производит поиск лучшей математической модели по трехмерным экспериментальным данным. Другими словами, эта программа решает задачу построения поверхности, которая максимально приближена к заданным в пространстве точкам (surface fitting).
Встроенная библиотека TableCurve 3D содержит 453 697 387 моделей разных типов:
• линейные уравнения;
• полиномиальные и рациональные функции;
• логарифмические и экспоненциальные функции;
• нелинейные экстремальные функции;
• нелинейные функции перехода;
• нелинейные экспоненциальные и степенные уравнения;
• пользовательские функции (до 15).
TableCurve 3D включает в себя возможности, отсутствующие в других программных продуктах:
• кроме стандартного метода наименьших квадратов реализованы метод наименьших модулей, метод минимизации Лоренца и
метод минимизации Пирсона;
• возможность изменения максимально допустимых предельных
значений в процессе подбора линейных уравнений (минимум – 3,
максимум – 11);
• для многопоточных систем предлагается опция Background
Thread Processing, которая осуществляет подбор решений без участия пользователя;
• возможность настройки предельных значений по умолчанию –
от 1 до 15.
52
Входные экспериментальные данные вводятся так же, как и в
TableCurve 2D, но общее количество наблюдений должно быть не более
16 384. Каждому наблюдению можно назначить вес.
После того, как данные будут приближены, программа автоматически сортирует модели по заданному статистическому критерию. Затем с
помощью прокрутки можно выбрать любую модель из списка и просмотреть её численные и графические результаты. TableCurve 3D позволяет с
помощью простого и понятного интерфейса просматривать полученные
трехмерные поверхности под любым углом, что является хорошим способом визуальной оценки точности модели.
DataFit 9.0
DataFit – программное обеспечение компании Oakdale Engineering
для решения задач регрессионного (curve fitting) и статистического анализа. DataFit отличается от аналогичных программ простотой использования.
Благодаря широкому спектру возможностей, она является эффективным
инструментом как для новичков, так и для экспертов. Основные характеристики следующие.
1.
Интуитивно понятный графический интерфейс. В большинстве
аналогичных программ реализован подход программирования, то есть
пользователь заставляет программу работать, используя внутренний язык.
Для этого необходимо изучать команды и синтаксис языка. С помощью
графического интерфейса DataFit можно легко выполнять различные действия, что делает программу простой в изучении и использовании. Главная
цель – получить точное регрессионное уравнение, а не изучать язык программирования.
2. Оnline-помощь.
3. Простой ввод данных – данные могут быть введены вручную, путём
импорта из текстовых файлов или с помощью вырезания и вставки из других
приложений Windows. Всего возможно ввести до 65 536 наблюдений.
4. Возможность импорта из следующих источников данных: Microsoft
Access, DBase, Excel, Oracle, Paradox, Visual FoxPro и SQL Server.
5. Возможность строить линейные и нелинейные регрессионные
модели до 20 независимых переменных.
6. Возможность отбора переменных – DataFit включает прямой, обратный, пошаговый и ручной отбор переменных, чтобы помочь определить, какие независимые переменные должны быть включены в модель.
7. Встроенная библиотека моделей – в настоящее время насчитывается
298 двухмерных и 242 трехмерных нелинейных регрессионных моделей.
8. Возможность ввода неограниченного количества пользовательских
регрессионных моделей, каждая из которых может иметь до 100 неизвестных параметров. При этом для параметров можно использовать любые
имена без их объявления.
53
9. Использование алгоритма Левенберга-Марквардта с двойной
точностью для построения нелинейной регрессии.
10. Различные варианты поиска – можно выбрать 1 регрессионное
уравнение из полного списка и оценить его, либо можно выбрать группу
моделей (предварительно определенных) или выбрать все доступные модели. Предварительно определенные модели сгруппированы в зависимости
от количества параметров и их общей формы. Также можно создать свою
собственную группу, состоящую из любых выбранных пользователем моделей.
11. Автоматическое упорядочивание моделей – как только регрессионные модели будут построены, программа автоматически сортирует их
по заданному критерию (среднеквадратичная ошибка, коэффициент детерминации или стандартная ошибка). Если пользователь не является экспертом и не уверен, какое уравнение следует использовать для моделирования
данных, DataFit поможет ему принять это решение.
12. Журнал событий – в процессе поиска DataFit записывает каждый шаг моделирования в журнал событий. Если параметры модели не
найдены, журнал событий поможет разобраться в проблеме;
13. Подробные результаты регрессионного анализа – DataFit автоматически сообщает следующую информацию о каждой полученной регрессионной модели: количество наблюдений, число нелинейных итераций, остаточная ошибка, средняя остаточная ошибка, остаточная сумма
квадратов, стандартная ошибка расчета, коэффициент множественной детерминации, оценка дисперсии, критерий Дарбина-Уотсона, значения коэффициентов, стандартная ошибка, t-значимость, доверительные интервалы (68, 90, 95 и 99 процентные), дисперсионный анализ (ANOVA), таблица
данных, в том числе введенные данные, рассчитанные данные, остаточные,
процент ошибки, остаточная минимальная и максимальная.
14. Возможность графического представления результатов. Каждый
график – полностью настраиваемый, включая шрифты, диапазоны, цвета
линий и т.д. Также можно наглядно сравнить результаты различных моделей в одном и том же окне. Графики могут быть сохранены вместе со всеми их настройками или скопированы в буфер обмена для вставки в другие
приложения.
15. Возможность экспорта результатов и созданных таблиц данных
в форматы Excel и HTML.
LabFit v.7.2.43
LAB Fit – программное обеспечение для Windows, разработанное для
обработки и анализа экспериментальных данных. Помимо этого, программа включает некоторые дополнительные математические инструменты: решатель систем линейных уравнений, функции нахождения интеграла,
производной, корней нелинейных уравнений и т.д.
54
Основные характеристики.
1. Простой ввод данных. Они могут быть введены вручную (до 500
наблюдений), либо скопированы из любых типов файлов и вставлены в
столбец (до 300 наблюдений). Также можно извлечь данные из графика,
расположенного в растровом файле формата .bmp, либо импортировать
данные из MS Excel.
2. Возможность строить линейные и нелинейные регрессионные модели с 6 независимыми переменными. Оценка параметров уравнения осуществляется методом Левенберга-Марквардта.
3. Встроенная библиотека регрессионных моделей – в настоящее
время насчитывается 208 двухмерных и 273 трехмерных регрессионных
уравнения.
4. Возможность создания пользовательских моделей – такие модели
могут иметь до 10 неизвестных параметров, которые назначаются в алфавитном порядке, начиная с A.
5. Дополнительная опция Function Finder позволяет автоматически
оценить все встроенные регрессионные модели и выбрать 10 лучших уравнений, упорядочивая их при выводе по возрастанию значения критерия хиквадрат. Пользовать может выбирать группу моделей: уравнения с 2, 3 и 4
параметрами. Также можно выбрать любую функцию из библиотеки, либо
пользовательскую функцию и оценить её параметры.
6. Подробные результаты анализа – параметры модели, критерий
хи-квадрат, коэффициент корреляции, отклонение для каждого наблюдения, доверительные интервалы и т.д.
7. Графическое представление результатов – для двухмерных и
трехмерных данных строится соответственно кривая и поверхность полученного регрессионного уравнения. Также имеется возможность вывода
графика ошибок и графика прогнозных значений.
MVR Composer
MVR Composer (Multivariate Regression Composer) – программное
обеспечение, разработанное в системе Matlab. Предназначено для поиска
оптимальной регрессионной модели. В отличие от рассмотренных выше
программ, MVR Composer не хранит формулы в библиотеке моделей, а генерирует их в процессе работы. Генерация осуществляется с использованием элементарных функций. С подробным описанием алгоритма программы можно ознакомиться в [2].
Модель, выбираемая из множества сгенерированных моделей, должна быть простой, стабильной и точной.
Последовательность работы программы следующая.
1. Задается выборка, несколько независимых переменных и одна зависимая.
2. Задается набор регрессионных моделей начального приближения.
55
Задается множество порождающих функций, из суперпозиции которых будет построена модель.
Затем итеративно выполняется следующая последовательность шагов:
1. Оптимизируются параметры моделей, критерий качества (по
умолчанию – среднеквадратическая ошибка).
2. оптимизируются гиперпараметры (параметры информативности
элементов моделей).
3. На основе информации об информативности элементов порождаются новые модели.
4. Из объединенного множества начальных и порожденных моделей
выбираются лучшие.
5. Последовательность повторяется до тех пор, пока не будет получена модель с ошибкой, не превосходящей заданную, или пока не
будет выполнено заданное число итераций.
Результатом работы алгоритма является регрессионная модель оптимальной структуры. В частности, пользователь получает:
1. Аналитический вид математической модели — символьное описание, пригодное для использования его в дальнейших исследованиях.
2. Значения параметров модели, позволяющие делать прогноз с ее
помощью.
3. График модели в форматах .png и .eps.
Также пользователь получает набор лучших порожденных моделей
для сравнения.
Программа MVR Composer распространяется по лицензии GNU
GPL: она бесплатна, ее исходный текст можно изменять. Основные недостатки MVR – это зависимость от Matlab и отсутствие интерфейса.
Все рассмотренные программы позволяют решать задачу аппроксимации данных, но всё же содержат ряд общих недостатков. К основным из
них относятся: отсутствие возможности работать с многомерными данными (исключение – MVR), отсутствие современных алгоритмов самоорганизации множества моделей (исключение – MVR), отсутствие возможности
многокритериального выбора модели, отсутствие возможности хранения
моделей с целью дальнейшего прогнозирования по ним и др.
3.
Литература
1. Носков С.И. Технология моделирования объектов с нестабильным функционированием и неопределенностью в данных / С.И. Носков. – Иркутск : Облинформпечать,
1996. – 320 с.
2. Генератор прогнозов. http://www.strijov.ru/.
56
УДК 004
В.И. Барышников, Е.В. Воропаев, А.В. Болондзь, И.В. Шипаев
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
НАНОСЕКУНДНОЙ СПЕКТРОСКОПИИ И ДИАГНОСТИКИ
Введение
В природе протекает множество физических процессов, продолжительность которых охватывает диапазон времен от единиц фемтосекунд
(вынужденные электронные переходы в атомах кристаллических материалов) до миллиардов лет (времена жизни звезд).
При интегральном наблюдении быстропротекающие интенсивные
процессы маскируются менее интенсивными, но более длительными процессами и шумами, накопленными за время наблюдения, так как в этом
случае энергия быстропротекающих процессов значительно уступает энергетическому вкладу медленных явлений.
Создание информационных технологий, которые позволяют регистрировать процессы с наносекундным временным разрешением, дает возможность наблюдать также и за быстрыми природными явлениями.
Применение информационных технологий наносекундного временного разрешения позволяет реализовать возможность управления наносекундными процессами при их синхронной регистрации и создавать качественно новые системы диагностики и спектроскопии. Такие информационные системы включают в себя цифровые модули логического управления инициализацией фундаментальных наносекундных физических явлений с цифровыми быстродействующими устройствами их синхронной
регистрации.
В задачах спектроскопии и диагностики наносекундные кинетические методы позволяют достичь качественно новых результатов, таких как:
1) возможность возбуждать и наблюдать процессы в реальном времени с наносекундным разрешением. Это позволяет увидеть тонкости и особенности протекания быстрых процессов, скрытых более продолжительными явлениями, что дает возможность повысить информативность системы;
2) существенного повышения соотношения сигнал – шум. Уменьшение временного промежутка регистрации процесса, при условии правильного выбора момента отсчета, позволяет отфильтровать интегральные
шумы. Кроме того, спектральная плотность шумов атмосферы и космоса
низка в наносекундном диапазоне времени;
3) возможность управления быстрыми процессами с наносекундной
точностью.
57
Элементная база наносекундной техники
При неоспоримых плюсах информационных технологий наносекундной диагностики и спектроскопии разработка аппаратуры, способной достигнуть требуемого временного разрешения, остается высокотехнологичным процессом, включающим выполнение жестких технических условий.
Так, при разработке к конструкции наносекундных блоков, к топологии печатных плат и к элементной микроэлектронной базе предъявляются требования СВЧ-электроники.
Запуск производства микросхем FPGA (Field-Programmable Gate Array, ПЛИС) фирмой Xilinx в 1985 году, дальнейшее их развитие вплоть до
настоящего времени и появление ПЛИС архитектуры Spartan дали возможность разработчикам создавать информационные системы, синтезирующие
цифровую обработку и управление физическими процессами с наносекундным временным разрешением. Для аппаратуры, реализующей наносекундные информационные технологии, интеграция программируемой совокупности логических схем в едином кристалле, реализуемая в ПЛИС
Spartan, является технической необходимостью, которую нельзя обойти,
используя классические микросхемы логики. Благодаря высокой степени
интеграции логических ячеек и гибкости программирования микросхемы
ПЛИС семейства Spartan II могут работать на системных частотах до 200
МГц и частотах внутри кристалла, превышающих 350 МГц, обеспечивая
высокую производительность и точность временной синхронизации быстродействующих блоков, что дает возможность реализовать наносекундное временное разрешение информационной системы в целом.
Для реализации интерфейсной и сетевой части, а также для управления периферийными модулями в мировой практике хорошо себя зарекомендовали микроконтроллеры фирмы ATMEL архитектур C51 и ATmega.
Большое количество встроенных в данные микроконтроллеры стандартных периферийных устройств, таких как приемопередатчики, таймеры,
компараторы и АЦП, облегчают задачу разработчика.
Широкий спектр аналоговой элементной базы представлен фирмой
Analog Device. Микросхемы Analog Device позволяют реализовать схемотехнику быстродействующих трактов регистрации наносекундных сигналов, включающих в себя ключи, усилители с цифровым управлением и
скоростные АЦП. Верхняя граница частотных характеристик ключей и
усилителей Analog Device простирается до 2 ГГц. Все аналого-цифровые
блоки аппаратуры наносекундного временного разрешения должны выполняться с использованием технологии поверхностного монтажа, обеспечивающей малые габариты и улучшающей помехозащищенность электроники.
58
Технология высокоразрешающей наносекундной
спектрометрии
В оптической спектроскопии и диагностике материалов существует
проблема измерения кинетики спектров люминесценции. Для решения
этой задачи в ИрГУПС на кафедре «Физика» разработан комплекс высокоразрешающей наносекундной спектрометрии. Работа комплекса основана
на системе синхронного детектирования, в которой скоростные ключи
управляются ПЛИС Spartan и c временным разрешением 5 нс выделяют
временные компоненты из импульсного сигнала. Это позволяет с высокой
точностью наблюдать кинетику спектров люминесценции и по ним идентифицировать примеси и включения в минералах и материалах.
Основой спектроскопического комплекса является малогабаритный
аналого-цифровой информационный мультипроцессорный модуль, выполненный в единой конструкции (рис. 1) [2].
Рис. 1. Малогабаритный аналого-цифровой информационный
мультипроцессорный модуль
В конструктиве аналого-цифрового модуля скомпонованы блоки питания, в том числе высоковольтный блок для питания фотоэлектронного
умножителя, блок управления шаговыми двигателями монохроматоров
и центральная плата модуля (рис. 2, 3).
59
Рис. 2. Центральная плата аналого-цифрового информационного
мультипроцессорного модуля
На центральной плате расположены цифровые и прецизионные аналоговые электронные блоки: блок широкополосного усиления, блок синхронного детектирования, прецизионный малошумящий аналого-цифровой преобразователь, интерфейсная система связи и микропроцессорный
узел (рис. 2, рис. 3).
Микропроцессорный узел осуществляет интеллектуальное управление всеми системами комплекса и позволяет реализовать несколько режимов записи спектров. Входящие в состав микропроцессорного узла цифровые блоки высокого временного разрешения, осуществляющие управление
наносекундными ключами синхронного детектора, реализованы на ПЛИС
Spartan с помощью предлагаемого фирмой Xilinx вспомогательного программного обеспечения. Реализация данной схемы на классических микросхемах логики не позволяет достичь возможности функционирования
комплекса с наносекундным временным разрешением.
60
Рис. 3. Структурная схема высокоразрешающего наносекундного спектрометрического комплекса.
0 – объект исследований; 1, 15 – монохроматоры; 2 – фотоприемник
(р-i-n фотодиод или ФЭУ); 3 – блок усиления (-5…+75 дБ); 4 – блок синхронного
детектирования; 5 – скоростные ВЧ-ключи; 6 – дифференциальный усилитель;
7 – интегратор; 8 – аналого-цифровой преобразователь высокой разрядности;
9 – микропроцессорный узел; 10 – блок генерации электрического сигнала
синхронного детектора; 11 – источник возбуждающего или зондирующего
оптического излучения; 12 – интерфейсная система связи с персональным
61
компьютером; 13 – персональный компьютер; 14 – блок управления шаговыми
двигателями монохроматоров; 16 – блок питания; 9′ – фрагмент принципиальной
схемы микропроцессорного узла
В режиме интегрального синхронного детектирования комплекс
способен работать в условиях паразитной маскирующей оптической помехи. Применение системы синхронного детектирования позволяет достичь
уникальной чувствительности и спектрального разрешения. Чувствительность комплекса, приведенная к входу системы, составила 0,01…0,05 мкВ.
При использовании монохроматора МДР-4 спектральное разрешение достигает 0,05 нм, МДР-23 позволяет достигнуть разрешения 0,01 нм [2].
Благодаря высокой чувствительности и спектральному разрешению
комплекса успешно разрешены узкие R-линии люминесценции рубина
(рис. 4, 5) [1].
Рис. 4. Спектры люминесценции кристалла рубина.
Структура R-линий не разрешена
62
Рис. 5. Спектры люминесценции кристалла рубина, полученные
с помощью высокоразрешающего наносекундного спектрометрического
комплекса с разрешением 0,01 нм. Структура R-линий хорошо разрешена
Программное обеспечение наносекундного
сперометрического комплекса
Работа комплекса ведется под управлением двух программ: программного обеспечения центральной платы микропроцессорного модуля и
сервисного программного обеспечения, устанавливаемого на персональный компьютер.
Основной задачей программы микропроцессорного модуля является
управление наносекундными системами комплекса посредством ПЛИС
Spartan. Помимо этого программа микропроцессорного модуля дает возможность непрерывно следить за сигналом для облегчения отладки оптической схемы эксперимента, позволяет управлять монохроматорами трактов возбуждения и регистрации оптического сигнала, управлять фазой синхронного детектора и многое другое.
Информационный буфер, поддерживаемый программой микропроцессорного модуля, позволяет аккумулировать до 40 блоков информации
о полученных спектрометрических выборках для исключения потери экспериментальных данных и последующей их передачи сервисному ПО.
Разработка программы микропроцессорного модуля осуществлялась
с применением среды IAR Embedded Workbench, включающей в себя
компиляторы языков C++ и Assembler для AVR. Программные блоки, отвечающие за выполнение операций, требующих высокой временной точности, такие как драйверы периферийного оборудования и ядро операционной системы, разрабатывались на Assembler.
Для осуществления управления и обмена данными между сервисной
программой и программой микропроцессорного модуля разработан специализированный пакетный протокол. Структура стандартного пакета протокола представлена в таблице 1.
Таблица 1
Структура пакета протокола
NN
АА
LL
II
DD … DD
SS
Пакет состоит из шести полей:
NN – преамбула протокола. Преамбула позволяет выполнить синхронизацию приемника и передатчика перед началом отправки информационных полей;
AA – локальный адрес аппаратного комплекса в группе устройств,
работающих с сервисным программным обеспечением;
LL – длина пакета;
I I – управляющая команда от сервисного ПО;
63
DD – служебные данные;
SS – контрольный циклический код CRC8 для проверки целостности
данных пакета.
Протокол позволяет организовать связь между программой микропроцессорного модуля и сервисным ПО, предоставляя порядка 20 команд
управления и передачи данных. Микропроцессорный модуль является ведомым («slave») логическим устройством канала передачи команд и данных комплекса, а сервисное приложение – ведущим («master»).
Сервисное приложение работает на базе операционной системы Windows и поддерживает эргономичный визуальный оконный интерфейс, отвечающий современным требованиям организации автоматизированных
рабочих мест (рис. 6).
Рис. 6. Главное окно сервисного программного обеспечения
высокоразрешающего наносекундного спектрометрического комплекса
64
При подготовке комплекса к эксперименту сервисное программное
обеспечение предоставляет большое количество функций для автоматизации работы оператора с комплексом. Все параметры, заданные перед экспериментом, автоматически сохраняются в конфигурационный файл и
восстанавливаются при следующем запуске программы.
Сервисная программа по команде оператора автоматически осуществляет прецизионное определение оптимальной фазы синхронного детектора для максимальной эффективности устранения маскирующих оптических шумов.
Функция слежения за сигналом позволяет осуществлять настройку
оптической установки и подготовку эксперимента, в реальном времени
отображая уровень сигнала.
Также в программе предусмотрена функция определения передаточной характеристики оптической установки с использованием эталонного
источника оптического излучения. После получения такой характеристики
ПО способно обрабатывать экспериментальные данные путем ввода в них
соответствующих поправок, корректирующих внесенные установкой искажения спектра.
При проведении эксперимента сервисное ПО в режиме реального
времени отображает экспериментальные данные по мере их поступления
от микропроцессорного блока. При этом оператор может включить режим
цифровой обработки полученных спектров, применяющий алгоритмы
адаптивной медианной фильтрации шумов (рис. 7) [1, 2].
Рис. 7. Цифровая обработка полученных спектров с применением
65
алгоритмов адаптивной медианной фильтрации шумов (слева)
в ходе эксперимента по исследованию свечения рубина
В процессе работы программа осуществляет мониторинг аппаратных
блоков комплекса с выдачей информационных сообщений оператору
в случае появления отклонений в работе системы.
В любой момент эксперимента по команде оператора сервисная
программа может провести архивацию экспериментальных данных на
жесткие диски компьютера. Архивный файл представляет собой форма тированный текст XML-стандарта, в котором сохраняются все параметры эксперимента, в том числе параметры используемых монохроматоров, настройки микропроцессорного модуля, системы синхронного де тектирования и наносекундных ключей. Кроме того, сервисная программа ведет базу всех используемых экспериментальных установок и моно хроматоров (рис. 8), облегчая задачу оператора при следующей настрой ке комплекса.
Рис. 8. Окно сервисного программного обеспечения
высокоразрешающего наносекундного спектрометрического комплекса,
отображающее базу данных используемых монохроматоров
После окончания эксперимента сервисное ПО предоставляет возможность сформировать отчет (рис. 9), содержащий основные данные об
объекте исследований, времени, условиях проведения с графическим
представлением полученных экспериментальных данных (рис. 10).
Файлы отчета сохраняются в формате html, поддерживаемом операционной системой Windows, что позволяет просматривать отчеты на любом
66
компьютере без специальной установки сервисного программного обес печения.
Рис. 9. Окно подготовки отчета по эксперименту
67
Рис. 10. Отчет по эксперименту, подготовленный сервисным ПО
высокоразрешающего наносекундного спектрометрического комплекса
Заключение
На основе новейших достижений в области наносекундной электроники и микроэлектроники, развития быстродействующих микропроцессорных систем и программного обеспечения создан уникальный информационный комплекс, реализующий технологию оптической наносекундной
спектроскопии и люминесцентной диагностики.
Использование наносекундных методов анализа совместно с цифровым программируемым управлением позволило получить высокую
точность и разрешение при измерении кинетики спектров оптического
поглощения и излучения.
Разработанное сервисное программное обеспечение дало возможность эффективного управления всеми системами спектрометрического
комплекса, обеспечило автоматизацию настройки экспериментальной
установки, а также предоставило мощные инструменты обработки, систематизации и представления в реальном масштабе времени результатов
эксперимента.
Литература
68
1. Барышников В.И., Воропаев Е.В., Болондзь А.В., Колесникова Т.А. Спектральное
уширение R-линий сапфира при сильноточном электронном возбуждении // XI международная школы-семинара по люминесценции и лазерной физике : тезисы лекций
и докладов, Иркутск, 27–31 октября 2008 г. – Иркутск : изд-во Ирк. гос. ун-та, 2008.
– С. 16.
2. Барышников В.И., Воропаев Е.В., Болондзь А.В., Шипаев И.В. Высокоразрешающий люминесцентно-абсорбционный спектрометрический комплекс // XI международная школы-семинара по люминесценции и лазерной физике : тезисы лекций и
докладов, Иркутск, 27–31 октября 2008 г. – Иркутск : изд-во Ирк. гос. ун-та, 2008. –
С. 17.
УДК 517.977
А.А. Бутин
ПОСТРОЕНИЕ СИСТЕМЫ СРАВНЕНИЯ В ЗАДАЧЕ
ОПТИМАЛЬНОГО УПРАВЛЕНИЯ С ОГРАНИЧЕНИЕМ
НА СОСТОЯНИЕ ВЫСОКОГО ПОРЯДКА
В работе на основе метода совместного улучшения [1] проводится
построение системы и функционала сравнения при наличии в исходной задаче оптимального управления ограничения высокого порядка на переменные состояния. Структура полученной задачи такова, что в результате
обеспечивается точный учет заданного фазового ограничения высокой степени сложности.
Постановка задачи
Пусть задан функционал I: M → R – отображение некоторого множества на числовую ось и выделено подмножество D ⊂ M, называемое множеством допустимых. Зададим элемент mI ∈ D. Требуется найти такой элемент mII ∈ D, на котором I(mII) < I(mI). Элемент (режим, процесс) mII
в
дальнейшем будем называть улучшенным. Поставленная задача может выступать в качестве этапа итерационной процедуры построения минимизирующей последовательности для I на D, а также иметь самостоятельное
значение с точки зрения получения улучшенных характеристик изучаемого
объекта.
Конкретизируем множество D и функционал I следующим образом:
рассматривается динамическая система
A: x∙(t) = f(t, x(t), u(t)),
(1)
где x∙ = dx(t)/dt, t ∈ T = [tн, tк] – время, числа tн, tк – заданы, фазовая переменная х(∙) – непрерывная и кусочно-гладкая, управление u(∙) – кусочно-непрерывная вектор-функция времени, x = (x1, x2, …, xn)΄, f = (f1, f2, …,
fn)΄, u = (u1, u2, …, ur)΄, функция f (t, ∙, ∙) непрерывна и непрерывно диффе69
ренцируема по (x, u) достаточное число раз. Поведение функций x(∙), u(∙)
стеснено ограничением:
(x(t) u(t)) ∈ V(t) ⊂ Rn+r, t ∈ Tv ⊆ T,
(2)
где множество V(t) – замкнуто. Совокупность пар функций m = (x(∙), u(∙)),
удовлетворяющих (1)–(2), обозначим через D. На множестве D ≠ ∅ задан
подлежащий минимизации функционал
tк
I=
∫
f0(t, x(t), u(t))dt + F(x(tк)),
(3)
tн
где скалярная функция f0 (соответственно, F) непрерывна и непрерывно
дифференцируема по (x, u) (соответственно, по x) достаточное число раз.
Задачу (1)–(3) назовем задачей I.
Конкретизируем ограничение (2) следующим образом:
x(tн) = xн ;
x(t) ∈ X(t)={x: Γ(t,x) = λ΄(nq)(t)x(nq)+ Γ0(t) ≤0, t ∈ TΓ ⊆ T},
(4)
где λ(nq) = (λ1, …, λ(nq))΄, Γ(tн, xн) < 0; λ(∙) – непрерывная и непрерывно-дифференцируемая вектор-функция размерности nq ≤ n, причем λ(nq)(t) ≠ 0, t ∈
TΓ; скалярная функция Γ0(∙) непрерывна и непрерывно дифференцируема
на TΓ. Помимо этого предполагаем, что ограничение Γ(t,x) ≤ 0 имеет порядок q ≤ n. Согласно общепринятому (см., например, основополагающий
труд [2]), это означает следующее:
(10) ∂ Γ[q] (t, xI(t), uI (t))/ ∂urq ≠ 0, t ∈ TΓ,
(5)
I
I
I
при некотором rq ∈ (1, …, r), где m = (x (∙), u (∙)) – подлежащий улучшению элемент из D, Γ[q] (t, x, u) = dqA Γ (t, x)/dtq – полная производная
порядка q, в силу системы (1) зависящая от управления;
0
(2 ) Γ[0](t) = Γ(t, x), Γ[1](t, x) = dA Γ (t, x)/dt, … , Γ[q-1](t, x) = dq-1A Γ (t, x)/dtq-1
управления в числе аргументов не содержат.
Очевидно, что функция Γ[q] (t, x, u) может быть представлена в виде
Γ[q] (t, x, u) = ∂Γ[q-1] (t, x)/∂t + λ1(t)∙l1(t, x,u) + … + λnq(t)∙lnq(t, x,u) + … +
+ λn(t)∙ln(t, x,u).
Определение
Пусть ∂lnq(t, xI(t), uI(t))/∂urq ≠ 0, t ∈ TΓ . Число nq назовем опорным индексом, xnq, unq – опорными компонентами состояния и управления соответственно, а nq-е уравнение системы (1) – опорным уравнением.
Без ограничения общности можно считать rq = r.
Относительно вектора x(nq,n) = (xnq, xnq+1, … , xn)΄ предполагаем, что
dim x(nq,n) = q,
откуда nq = n – q + 1.
70
(6)
Рассмотрим детализацию метода совместного улучшения [1] применительно к задаче (1)–(6). При этом основной целью является преобразование исходной задачи к значительно более простой задаче сравнения.
Определим задачу II улучшения для некоторого функционала
tк
Iσ =
∫
s0(t, z(t), v(t))dt + S(z(tк)),
(7)
tн
на множестве Dσ пар mσ = (z(∙), v(∙)), подчиненных условиям
z∙(t) = s(t, z(t), v(t)), (z(t), v(t)) ∈ Vσ(t) ⊂ Rn+r, t ∈ Tv ⊆ T,
(8)
и в соответствии с принятым подходом установим связь между задачами
I и II.
Зададим некоторый элемент mI ∈ D и доопределим на T\TΓ по непрерывности функции λ(∙), Γ0(∙) так, чтобы они обладали теми же свойствами
качественного характера, что и на TΓ.
Утверждение. Пусть на элементе mI справедливы условия:
rank [Γ[0]x(n-q+1,n), … , Γ[q-1]x(n-q+1,n)] = q,
∂Γ[q] (t, xI(t), uI (t))/∂ur ≠ 0, t ∈ TΓ.
(9)
(10)
Процесс mII является улучшенным в задаче I тогда и только тогда, когда является улучшенным процесс mIIσ по сравнению с mIσ в задаче улучшения II:
tк
Iσ =
∫
f0(t, ρ(t, z), γ(t, z, v))dt + F(ρ(tк, z(tк))),
(11)
tн
где
{z∙(n-q) = f(n-q)(t, ρ(t, z), γ(t, z, v)),
{z∙(n-q+1,n-1) = z∙(n-q+2,n),
{z∙n = vr,
z(tн) = ϑ (tн, xн),
zn-q+1(t) ≤ 0, t ∈ TΓ,
zI(t) = ϑ (t, xI(t)),
vI(t) = ωI(t, xI(t), uI(t))
ϑ (n-q)(t,x) = x(n-q), ϑ n-q+i(t,x) = Γ[i-1](t, x), i = 1, …, q,
ω (r-1)(t, x, u) = u(r-1), ω r(t, x, u) = Γ[q] (t, x, u),
(ρ, γ) – обратное к ( ϑ ,ω) преобразование,
xII(t) = ρ(t, zII(t)), uII(t) = γ(t, zII(t), vII(t)).
(12)
(13)
(14)
(15)
(16)
(17)
Доказательство
Достаточность
Покажем справедливость теоремы I для случая задания преобразования ( ϑ , ω) вида (16) и η(t) = t, функционала и системы сравнения вида (11)
и (12) соответственно. Тогда утверждение в части достаточности будет
следовать из теоремы 1 [1].
Начнем с условий 2 и 4. Определим преобразование z = ϑ (t, x), v =
ω(t, x, u), dim z = n, dim v = r в виде (16) и положим zI(t) = ϑ (t, xI(t)), vI (t) =
ω(t, xI(t), uI(t)).
71
Заметим, что вблизи (mI, mIσ) преобразование является взаимнооднозначным. Пусть x = ρ(t, z), u = γ(t, z, v) – обратное к ( ϑ ,ω) преобразование
от переменных (z, v) к (x, u). Положим S(z(tк)) = F(ρ(tк, z(tк))), s0(t, z, v) =
f0(t, ρ(t, z), γ(t, z, v)). Тогда условия 2) и 4) теоремы 1 [1] выполнены.
Далее определим конечные ограничения задачи II в виде
z(tн) = ϑ (tн, xн), zn-q+1(t) ≤ 0, t ∈ TΓ.
(18)
Для удовлетворения условия 1), которое почти всюду на T требует
выполнения соотношений
ϑ t(t, x) + ϑ
i
x
(t, x)f(t, x, u) = si(t, ϑ (t, x)), ω (t, x, u)), i = 1, …, n,
(19)
для всех (x, u) ∈ окрестности (xI(t)), vI (t)), положим s(n-q)(t, z, v) = f(n-q)(t, ρ(t,
z), γ(t, z, v)).
Тогда первые n-q соотношений (19) выполнены. Далее отметим, что
оставшиеся q условий (19) справедливы, если sn-q+1(t, ϑ (t, x)) = Γ[1](t, x), …,
sn-1(t, ϑ (t, x)) = Γ[q-1](t, x), sn(t, ϑ (t, x), ω(t, x, u)) = Γ[q](t, x, u),
или, в терминах задачи II:
sn-q+1(t, z) = Γ[1](t, ρ(n-q+2)(t, z)) ≡ zn-q+2, …,
sn-1(t, z) = Γ[q-1](t, ρ(n-1)(t, z)) ≡ zn-1,
sn(t, z, v) = Γ[q](t, ρ(t, z), γ(t, z, v)) ≡ vr.
После этого условие 1) теоремы 1 выполнено и система сравнения
имеет вид (12).
Для того, чтобы обеспечить выполнение оставшегося условия 3) теоремы 1, покажем, что близкий к mI ∈ D процесс mII = (xII(∙), uII(∙)), полученный
из соотношений zII(t) ─ ϑ (t, xII(t)) = 0, vII (t) ─ ω(t, xII(t), uII(t)) = 0, t ∈ T, по
формулам (17), где mIIσ ∈ D, лежит в D. Проверим все требования, определяющие принадлежность mII к D. Очевидно, все требования качественного характера на (xII, uII) выполнены. Поскольку mIIσ ∈ D, т. е., в частности, справедливы соотношения (13), (14), конечные ограничения задачи I выполнены.
Покажем, что функции xII(∙), uII(∙), полученные из (17), удовлетворяют системе (1), что в терминах (ρ, γ) означает справедливость равенства:
ρt(t, zII) + ρz(t, zII)s(t, zII, vII) = f(t, ρ(t, zII), γ(t, zII, vII)).
(20)
Рассмотрим тождество z ≡ ϑ (t, ρ(t, z)).
Дифференцируя обе его части по z и t, получим соответственно:
E = ϑ x ∙ ρz,
0 = ϑ x∙ ρt + ϑ t.
Поскольку матрица ϑ x невырождена при условиях (9), (10), отсюда
следует, что
ρz = ( ϑ x) -1, ρt = ─ ( ϑ x) -1 ϑ t.
(21)
72
С другой стороны, записывая равенства (19) в векторной форме и
умножая обе части слева на ( ϑ x) -1, с учетом выражений (21) приходим к
соотношению (20).
После этого все условия теоремы 1 (см. [1]) выполнены, следовательно, утверждение в части достаточности доказано.
Необходимость
Пусть процесс mI ∈ D – улучшенный в задаче I. Покажем, что процесс mIIσ = (zII(∙), vII(∙)), где
zII(t) = ϑ (t, xII(t)), vII(t) = ω(t, xII(t), uII(t)) , t ∈ T,
(22)
является улучшенным в задаче II. Из способа задания отображения ( ϑ ,ω)
(16) следует, что функция vII(t) – кусочно-непрерывная, а функция zII(t) –непрерывная и кусочно-гладкая. Так как элемент mII лежит в D, т. е., в частности, удовлетворяет системе (1) и ограничениям (3), (4), а также учитывая
формулы (22), (16), заключаем, что режим mIIσ удовлетворяет системе (12) и
условиям (13), (14). Эти факты свидетельствуют о принадлежности mIIσ к
множеству D, определяемому условиями (12)–(14).
Далее с учетом равенств (15) имеем:
tк
Iσ(mIIσ) =
∫
s0(t, zII(t), vII(t))dt + S(zII(tк)) =
tн
tк
=
∫
s0(t, ϑ (t, xII(t)), ω(t, xII(t), uII(t))dt + S( ϑ (tк,xII(tк))) =
tн
tк
=
∫
tк
f0(t, xII(t), uII(t))dt + F(xII(tк)) <
tн
∫
f0(t, xI(t), uI(t))dt + F(xI(tк)) =
tн
tк
=
∫
s0(t, zI(t), vI(t))dt + S(zI(tк)) = Iσ(mIσ),
tн
II
откуда Iσ(m σ) < Iσ(mIσ). Утверждение доказано.
Комметарии
В классических работах, посвященных теории и практике задач оптимального управления с фазоограничением высокого порядка (см., например, [2]), указывается на необходимость удовлетворения условий на траекторию в промежуточных точках при входе и выходе за границы допустимой
области. Упомянутые условия носят название тангенциальных и состоят
в выполнении q равенств в точках входа траектории t = ξi, i = 1, …, I:
Γ[j]A (ξi, x(n-q+1)(ξi,)) = 0, j = 0, …, q-1.
(23)
Аналогичные условия должны выполняться и в точках схода.
В терминах задачи сравнения эти условия имеют вид
zn-q+1+j(ξi) = 0, j = 0, …, q-1.
(24)
Возникающая многоточечная краевая задача при нефиксированных
значениях ξi очень сложна для точного решения известными методами. В
73
то же время очевидны преимущества перехода к задаче сравнения II: в отличие от нелинейных условий в промежуточных точках (23) для нелинейной системы (1) эквивалентные им (в смысле доказанного утверждения)
условия (24) уже линейны, причем соответствующий блок системы сравнения (12) представляет собой дифференциальные уравнения простейшей
структуры (линейная цепочка). В силу этого удовлетворить условия (24)
значительно проще, чем условия (23). Это говорит о том, что приведенное
утверждение (в частности, в плане описания структуры задачи I) представляет самостоятельный интерес, а не только как промежуточный этап на
пути решения исходной задачи.
Литература
1. Бутин А.А. Методика совместного улучшения в задаче оптимального управления с
фазовым ограничением // Информационные технологии и проблемы математического моделирования сложных систем. – Вып. 7. – Иркутск : ИрГУПС, 2009. –
С.
84–87.
2. Брайсон А., Хо-Ю-Ши. Прикладная теория оптимального управления. – М. : Мир,
1972. – 544 с.
УДК 519.237.5
Г.Д. Гефан, В.Б. Иванов
АВТОРЕГРЕССИОННЫЕ ВЕКТОРНЫЕ МОДЕЛИ
И ИХ ПРИМЕНЕНИЕ В ЗАДАЧАХ ИДЕНТИФИКАЦИИ
ЛИЧНОСТИ ПО РЕЧЕВЫМ СИГНАЛАМ
Авторегрессионная скалярная модель
Пусть { y (n) } − последовательность значений некоторого скаляра в
моменты времени n = 1, N . Регрессионная зависимость текущего значения
скаляра от его же значений в предыдущие p моментов времени описывается авторегрессионной моделью порядка p :
y ( n) =
p
∑
k= 1
a k y ( n − k ) + e( n ) ,
(1)
где e(n) − случайный член (ошибка регрессии), а коэффициенты ak неизвестны и могут быть оценены методом наименьших квадратов (МНК). Минимизируется сумма квадратов отклонений:
74

E = ∑ e ( n) = ∑  y ( n) −
n= 1
n= 1 
N
N
2
2

∑k = 1 ak y (n − k ) → min .

p
(2)
Эта величина является следом симметрической матрицы
 e(1)e(1) e(1)e(2)
 e(2)e(1) e(2)e(2)


...
...

 e( N )e(1) e( N )e(2)
... e(1)e( N ) 
... e(2)e( N ) 
.

...
...

... e( N )e( N )
Необходимые условия экстремума:
N

∂E
= − 2∑  y ( n ) −
∂ aj
n= 1 

ai y (n − i ) y (n − j ) = 0 ,
i= 1

p
∑
j = 1, p .
Вводя
сij = c ji =
N
∑
n= 1
y (n − i) y (n − j ) ;
i, j = 1, p ,
получаем систему уравнений Юла – Уокера
p
∑
i= 1
ai cij = c0 j ,
j = 1, p ,
которая в матричном виде может быть записана как AC = C 0 , где
 с11 c12
с
c22
21
A = ( a1 a 2 ... a p ) , C 0 = ( c01 c02 ... c0 p ) , С = 
 ... ...

 c p1 c p 2
... c1 p 
... c2 p 
,
... ... 

... c pp 
причём последняя матрица является симметрической.
Так называемый автокорреляционный метод определения коэффициентов c ij заключается в следующем. Во-первых, считается, что y (n) = 0 при
n ≤ 0 . Во-вторых, коэффициенты c ij полагаются зависящими только от
i − j . Введём
R( i − j ) =
∑
y (n) y ( n − i − j ) =
1
N
N
∑
n= 1
y ( n) y ( n − i − j ) ,
где горизонтальная черта символизирует усреднение. Тогда полученную
систему Юла – Уокера после деления всех уравнений на N можно заменить системой AR = B , где
R (1)
... R ( p − 1) 
 R (0)
 R (1)
R(0)
... R ( p − 2)

B = ( R (1) R (2) ... R ( p) ) , R =
.
(3)
 ...
...
...
... 


R (0) 
 R( p − 1) R ( p − 2) ...
Матрица R является не только симметрической, но и теплицевой (каждая
последующая строка связана с предыдущей строкой сдвигом). Итак,
A = BR − 1 .
75
(4)
Для устойчивости авторегрессионной скалярной модели требуется,
чтобы все корни полинома
A( z ) = 1 − a1 z − 1 − ... − a p z − p
удовлетворяли условию zi < 1 , т. е. лежали внутри единичной окружности.
Например, для p = 1 имеем полином A( z ) = 1 − a1 z − 1 . Домножив уравнение
A( z ) = 0 на z , получаем z − a1 = 0 , т. е. устойчивость модели имеет место при
a1 < 1 . Для p = 2 полином имеет вид A( z ) = 1 − a1 z − 1 − a2 z − 2 . Домножая на z 2 , по2
лучим z 2 − a1 z − a2 = 0 , т. е. условием устойчивости будет a1 ± a1 + 4a2 < 2 .
В более удобном виде это условие выглядит так:
 a1 < 2,

 a 2 < 1 − a1 .
Можно, например, убедиться, что при заданном a1 = 0,5 условием устойчивости будет –1 < a2 < 0,5.
Описанная модель была протестирована методом Монте-Карло. Задавались некоторые значения коэффициентов авторегрессии a k , k = 1, p , генерировалась последовательность y (n) , n = 1, N (1) со случайным членом, и
затем искались МНК-оценки коэффициентов a k (3), которые, разумеется,
должны быть близки к истинным значениям этих коэффициентов. Для случаев авторегрессии 1 и 2 порядка ( p = 1 , p = 2 ) были подтверждены сформулированные выше условия устойчивости модели (при нарушении этих
условий оценки становились неверными).
Для случая авторегрессии 4 порядка ( p = 4 ) генерировалась последовательность y (n) , n = 1, 40 . При этом задавалось y (1) = 1 , а последующие члены содержали ошибку регрессии e(n) , равномерно распределённую в интервале (-0,05; 0,05). Были заданы значения коэффициентов a1 = 0,7, a 2 = 0,5, a 3 = 0,3, a 4 = -0,5. Увеличивая N , легко убедиться в состоятельности
оценок. Одновременно с моделью авторегрессии 4-го порядка (что соответствует исходным данным) оценивались коэффициенты авторегрессии 3го и 2-го порядка (таким образом, в этих случаях оценивание проводилось
по моделям, не вполне соответствующим исходным данным). Типичные
результаты приведены в табл. 1. Исходные данные задавались в соответствии с моделью 4-го порядка.
Таблица 1
Результаты тестирования скалярных моделей авторегрессии
a1
a2
a3
a4
Истинные
значения
p= 4
Оценки
p= 3
p= 2
0,7
0,711
0,725
0,736
-0,5
-0,500
-0,341
-0,363
0,3
0,309
76-0,468
-0,030
–
–
–
-0,5
Авторегрессионная векторная модель (ARVM)

Пусть { y (n) }, ( n = 1,..., N ) − последовательность значений некоторого
вектора
 y1 (n) 

y (n) =  ...  .
 y m (n)
(5)
По аналогии со скалярным случаем (1), ARVM порядка p имеет вид

y ( n) =
p
∑
k=1


A k y ( n − k ) + e ( n) ,
(6)
k
где коэффициенты A k = {aij } (матрицы размера m × m ) неизвестны (требуют

оценивания), а e (n) − ошибки регрессии:
 e1 ( n) 

e ( n) =  ...  .
 em ( n) 
Согласно МНК, минимизируется сумма квадратов отклонений:
E=
N
∑

e 2 ( n) =
n= 1

∑n= 1 ∑i = 1  yi (n) −

N
m
p
m
∑∑
k = 1 j= 1
a
(k )
ij

y j (n − k )

2
.
Необходимые условия экстремума:
N 
∂E
= − 2∑  y u ( n ) −
∂ auvs
n= 1 
p

aujk y j (n − k ) y v (n − s) = 0 ,
j= 1

m
∑∑
k= 1
u , v = 1, m , s = 1, p ,
откуда
p
m
∑∑
k = 1 j= 1
N
aujk ∑ y j (n − k ) yv ( n − s ) =
Введём Ruv (k ) =
n= 1
N
∑
n= 1
yu (n) y v (n − s ) , u , v = 1, m ,
s = 1, p .
1 N
∑ yu (n) yv (n − k ) . Система перепишется в виде:
N n= 1
p
m
∑∑
k = 1 j= 1
aujk R jv ( s − k ) = Ruv ( s ) ,
u , v = 1, m ,
s = 1, p ,
или AR = B , где
1
 a11
... a11m

A =  ... ... ...
 a1m1 ... a1mm

... a11p ... a1pm 

... ... ... ...  ,
p 
... amp1 ... amm

 R11 (1) ... R1m (1) ... R11 ( p) ... R1m ( p ) 
B =  ...
...
...
...
...
...
...  = [ R(1) R (2) R (3) ... R( p )] ,
 Rm1 (1) ... Rmm (1) ... Rm1 ( p) ... Rmm ( p )
а матрица R имеет структуру
77
R (0)
R (1)

 R (− 1)
R (0)
R= 

...
...

 R (− ( p − 1)) R (− ( p − 2))
где каждое R (l ) есть матрица
 R11 (l ) ... R1m (l ) 
R (l ) =  ...
...
...  .
 Rm1 (l ) ... Rmm (l )
... R ( p − 1) 
... R ( p − 2)
,
...
... 

...
R (0) 
1 N
1 N
yu (n) yv (n + l ) =
∑
∑ yv (n) yu (n − l ) = Rvu (l ) , т. е. при изN n= 1
N n= 1
менении знака аргумента на противоположный матрица R (l ) транспониру-
Заметим, что Ruv (− l ) =
ется.
После определения матриц B и R находим A = BR − 1 .
Убедимся, что при m = 1 мы придём к скалярной регрессии. Действительно, в этом случае получаем:
A = [ a1 a2 ...a p ] ,
B = [ R (1) R (2) R (3) ... R ( p )] ,
R (1)
 R (0)
 R (1)
R(0)
R= 
 ...
...

 R ( p − 1) R ( p − 2)
но здесь каждое
... R ( p − 1) 
... R ( p − 2)
,
...
... 

...
R (0) 
R(l ) − уже не матрица, а число R (l ) =
1
N
N
∑
n= 1
y ( n) y ( n − l ) ,
причём R(− l ) = R(l ) . Это полностью совпадает с результатом, полученным
ранее для скалярного случая (3).
Вернёмся к векторной модели. Для важного случая p = 2 имеем:
1
 a11
... a11m

A =  ... ... ...
 a1m1 ... a1mm

a112 ... a12m 

... ... ...  = A 1 A 2 = (m × 2m) ,
2 
am2 1 ... amm

R11 (2) ... R1m (2) 
 R11 (1) ... R1m (1)
B =  ...
...
...
...
...
...  = [ R (1) R (2)] = (m × 2m) ,
 Rm1 (1) ... Rmm (1)
Rm1 (2) ... Rmm (2)
 R(0) R(1) 
R=  T
 = ( 2 m × 2 m) .
 R (1) R (0)
[
]
Описанная ARVM протестирована для случая авторегрессии 2 порядка ( p = 2 ) 4-мерных векторов ( m = 4 ). Генерировалась последователь

ность y (n) , n = 1, 75 . При этом задавалось y (1) = (1, 1, 1, 1) , а последующие чле
ны содержали ошибку регрессии e (n) , равномерно распределённую в некотором симметричном интервале ( − δ ; δ ). Значения элементов матриц A1 и
A 2 варьировались в интервале от –0,2 до 0,2 (опытным путём установлено,
что модель при этом всегда остаётся устойчивой, если задавать величину
78
δ порядка 10 − 6 или менее). При δ = 0 (т. е. при отсутствии случайного члена) оценки матриц A1 и A 2 абсолютно совпадают с заданными значениями,
а при δ = 10 − 6 типичная относительная погрешность составляет десятые
доли процента.
Задачи верификации и идентификации личности говорящего
Верификация личности – это подтверждение того факта, что человек
на самом деле является именно тем, за кого себя выдает. Необходимость
верификации возникает тогда, когда некто претендует на право доступа к
тем или иным средствам (банковский счёт, закрытая информация, личный
кабинет, автомобиль и т. п.). Для этого он должен своим голосом произнести фамилию, пароль или просто произвольную фразу. Однако такую попытку может предпринять и «самозванец». Система автоматического распознавания голоса должна подтвердить или отвергнуть гипотезу о личности говорящего.
Другая проблема – идентификация личности. Идентификацию принято разделять на закрытую и открытую. В случае закрытой идентификации точно известно, что говорящий – представитель замкнутой, строго
контролируемой группы, и система лишь должна определить, чей именно
голос записан. Такая задача в каком-то смысле проще, чем верификация,
поскольку точно известно, что эталон речи говорящего уже имеется. Необходимо лишь сопоставить исследуемый речевой сигнал со всеми эталонами и выбрать того диктора, чей эталон менее всего отличается от исследуемого сигнала. Такая ситуация возникает, например, при анализе переговоров экипажей, при выявлении утечки информации и т. п.
Несколько сложнее задача открытой идентификации. В этом случае
неизвестно, находится ли говорящий в замкнутой группе, имеется ли эталон его речи. Такую задачу обычно сводят к задаче многократной верификации. Берут исследуемое высказывание и вычисляют меру его отличия от
каждого из эталонов. Диктор, чей эталон речи имеет минимальное значение меры отличия, признаётся идентифицированным. Но если это значение
больше некоторого порога, то никто не опознаётся и делается вывод, что
данного говорящего нет в базе.
На первом этапе решения задачи верификации (идентификации) говорящего производится параметризация речевых сигналов. Параметрической называется модель речевого сигнала, которая описывается конечным
числом m переменных, называемых параметрами или признаками модели,
совокупность которых образует пространство признаков.
Методика параметризации, в соответствии с достаточно давно
сформировавшейся схемой, разбивается на последовательность следующих этапов, выполняемых компьютером.
1. Из звукового файла в массив двухбайтовых знаковых целых считываются все отсчеты оцифрованного звукового сигнала.
79
2. Задается
размер окна и сдвиг окна при его перемещении по массиву
считанных данных.
3. Для каждого положения окна организуется цикл обработки данных
в окне. На каждом шаге цикла:
• данные в окне подвергаются «взвешиванию» с весовой функцией
Хэмминга;
• над данными в окне выполняется быстрое преобразование Фурье
(БПФ) и находится спектр мощности сигнала как сумма квадратов
синус- и косинус-компонентов БПФ;
• заданный диапазон анализируемых частот делится на задаваемое
число поддиапазонов в соответствии с так называемой частотной
мел-шкалой, соответствующей естественной частотной чувствительности человеческого уха;
• в каждом поддиапазоне накапливаются (суммируются по данному
диапазону) логарифмы мощности соответствующих частотных линий;
• над полученными значениям, содержащимися в поддиапазонах, выполняется обратное косинус-преобразование Фурье, то есть определяется кепстр сигнала.
Таким образом, в результате последовательного перемещения окна
по всему массиву данных мы получаем последовательность векторов признаков (кепстральных векторов), что, собственно, и является процессом параметризации.
Итак, в результате параметризации получена последовательность m
-мерных речевых векторов вида (5). Если эти векторы относятся к говорящему, личность которого известна, то набор называется тренинговым или
эталонным (для данного говорящего). Если же векторы относятся к говорящему, личность которого верифицируется или идентифицируется, то набор
называется тестовым. Тренинговые наборы служат для построения эмпирических эталонных моделей речи известных говорящих, и по степени
сходства тестового набора с той или иной эталонной моделью делается вывод о верификации (идентификации) говорящего.
Эмпирические модели речевых сигналов различаются прежде всего
по подходу к исходным данным – речевым векторам. Первый подход не
рассматривает динамику речевого вектора. В этом случае годится любой
набор речевых векторов говорящего, и необязательно, чтобы это были последовательные временные отсчёты. На таком подходе основаны такие известные модели, как гауссова модель [1, 2] и метод опорных векторов [3].
Второй подход, напротив, исходит из предположения, что важнейшими характеристиками артикулярных особенностей человека являются динамические характеристики параметров речи, т. е. важны не только сами параметры, но и их эволюция. Таким образом, приходится работать с данными рядов динамики. Наиболее известные модели речи, основанные на таком
80
подходе, – это авторегрессионная векторная модель [4] и марковская модель [5].
Использование ARVM в задачах верификации
и идентификации
В ARVM временной ряд речевых векторов записывается в виде (6).
Согласно оценкам авторов [4], оптимальной является модель с p = 2 . При
увеличении p ошибка предсказания не уменьшается значительно, а процент распознавания даже снижается.
В задаче закрытой идентификации для каждого известного диктора
строится тренинговая модель авторегрессии, т. е. оцениваются матрицы-коэффициенты A k . Тестовое высказывание неизвестного диктора поочерёдно пропускается через каждую тренинговую модель, и каждый раз
вычисляется мера отличия, которая представляет собой след ковариационной матрицы отклонений, что фактически равно сумме квадратов векторов
отклонений. Из базы выбирается тот диктор, для которого значение меры
оказалось наименьшим.
Представленная методика была использована для оценки эффективности модели ARVM в распознавании диктора на конкретной базе данных
речевых сигналов. В качестве последней использовалась известная база,
именуемая TIMIT. В ней представлено большое (порядка нескольких сотен) количество речевых фрагментов длительностью порядка нескольких
секунд. База записана англоязычными дикторами. Звуковые файлы могут
быть представлены оцифрованными данными в импульсно-кодовой (PCM)
модуляции – широко известный wav-формат. Частота дискретизации равна
16 КГц, разрядность оцифровки 16 бит. Записи одноканальные (режим
моно).
Путем массового тестирования были определены оптимальные характеристики параметризации речевых файлов: размерность кепстральных
векторов, длительность окна спектрального анализа и величина сдвига
окна при формировании очередного кепстрального вектора. Критерием оптимальности являлась именно наибольшая вероятность правильного распознавания диктора.
Эффективность системы распознавания на основе ARVM при использовании базы данных TIMIT оценивалась нами уровнем вероятности
правильной идентификации. В каждом тесте из базы случайным образом
выбиралось 20 дикторов, один из этих дикторов произносил речевой фрагмент, и система распознавания пыталась идентифицировать личность диктора. Очевидно, если бы система распознавания была абсолютно «слепа»,
то относительная частота правильного распознавания была бы на уровне
1
20 (случайное угадывание). На самом деле мы имели примерно 70 % случаев правильной идентификации. Очевидно, такой результат не может считаться в полной мере удовлетворительным. Однако проведенное исследо81
вание демонстрирует, по крайней мере, принципиальную возможность использования векторной авторегрессии в задачах распознавания. При этом
можно ожидать, что сочетание ARVM-подхода с другими существующими
методиками распознавания позволит достичь более высокой эффективности.
Литература
Bimbot F., Magrin-Chagnolleau I., Mathan L. Second Order Statistical Measures For Text Independent Speaker Identification. Speech Communication, 17(1-2): 177–
192, 1995.
2.
Reynolds D.A., Rose R.C. Robust text-independent speaker identification using Gaussian mixture speaker model. IEEE Transactions on Speech Amd Auto Processing, v. 3, 72-83, 1995.
3.
Burges C.J.C. A tutorial on Support Vector Machines for pattern recognition.
Data Mining and Knowledge Discovery, v. 2, no 2, 1–47, 1998.
4.
Montacie C., Le Floch J.-L. AR-vector models for free-text speaker recognition. In Proceeding of ICSLP 92, v.1, 611–614, 1992.
5.
Rabiner L.R. A tutorial on hidden Markov models and selected applications in
speech recognition, Proc. IEEE, 77(2), 257–286, 1989.
1.
УДК 004.6
Н.П. Деканова, А.С. Качин
АВТОМАТИЗАЦИЯ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА
ТЕКУЩЕГО РЕМОНТА ВАГОНОВ
Введение
Информатизация становится мощнейшим рычагом повышения эффективности работы предприятий, рационализации управления всеми видами ресурсов и прогнозирования. Вопросы автоматизации всех сфер деятельности железнодорожного транспорта, в том числе и в вагонном хозяйстве, стоят в числе главных стратегических задач отрасли. К настоящему
времени железнодорожный транспорт России по степени оснащённости
современными средствами и системами информатизации, автоматики и
связи находится на передовых позициях среди других отраслей страны.
В соответствии с распоряжением ОАО «РЖД» от 14.05.2008 № 1051р
руководством Департамента вагонного хозяйства утвержден устав «Проекта
создания единой информационной системы управления вагонным хозяйством». Основная цель проекта – повышение эффективности управления эксплуатацией вагонов – может быть достигнута за счет создания единой информационной системы управления производственно-хозяйственной деятельностью эксплуатационного комплекса, обеспечивающей автоматизацию биз-
82
нес-процессов в эксплуатационных вагонных депо [1].
Постановка задачи
Автоматизированная информационная система планирования и
контроля выполнения технологического процесса текущего ремонта является одной из важных подсистем единой информационной системы
управления вагонным хозяйством. Подсистема предназначена для эксплуатационного пассажирского вагонного депо ст. Иркутск. Суть подсистемы
заключается в формировании производственных заказов проведения ремонтных работ, соответствующих конкретному вагону. Информационная
система обеспечивает поддержку подачи в текущий ремонт неисправных
вагонов, управления и контроля в процессе его выполнения.
Сотрудники ВЧД должны обрабатывать большое количество информации, получаемой с поверочных стендов и из журналов формы ВУ-8:
регистрировать неисправности вагонов, определять стратегию ремонта, отвечать на запросы и т. д. В рамках традиционного документооборота сотрудники отдела сталкиваются со следующими проблемами: необходимо
хранить и обрабатывать большой объем документов; достаточно сложны
процессы накопления и регистрации документов; необходимо соблюдение
конфиденциальности; затруднен поиск необходимых документов среди архивных документов; трудно определить текущее местонахождение документов; эффективность работы с документом зависит от личных качеств
сотрудников; возможна потеря документов.
Устранение указанных проблем связано с созданием информационной
системы, решающей задачи контроля за неисправностями вагонов и управления ремонтными работами в автоматизированном режиме. Основное ее назначение – повышение эффективности обработки и надежности накопления и
хранения информации, обеспечение различных поисковых запросов, выдача
статистических сведений и формирование требуемой документации.
Парк техники, обслуживающей предприятие, насчитывает более десяти стендов и контроллеров от разных производителей, которые необходимо связать в единую информационную систему. К настоящему времени
стандарт на передачу и хранение данных отсутствует. Каждый производитель приборов создает собственный протокол передачи данных и собственное программное обеспечение (ПО), реализующее протокол. Предоставляемое производителями приборов ПО обычно рассчитано на работу одного пользователя на одном компьютере, а некоторые из приборов используются только в режиме реального времени и не обеспечивают хранения данных. Такая организация ПО неэффективна для комплексного обслуживания большого количества объектов. Поэтому поставлена задача создания
единого программного комплекса, который должен объединить все имеющиеся в депо типы стендов поверки в единую измерительно-аналитическую систему, обеспечивающую формирование отчетов для технического
83
обслуживания, анализ параметров экономической эффективности отдельных объектов, клиентов и предприятия в целом.
Другой проблемой является получение данных от поверочных стендов. Объекты разбиты по пяти цехам, разнесенным территориально, считывание данных ведется ежедневно, и в случае выхода из строя оборудования ремонтная бригада прибывает на место через 10–15 дней, а то и через
два месяца, в зависимости от удаленности города, в котором находится
фирма-производитель, занимающаяся техническим обслуживанием приборов. По этой причине возникла необходимость в организации диспетчерского контроля над обслуживаемыми объектами. Кроме того, необходимо
реализовать в разрабатываемом программном обеспечении возможность
построения сети диспетчеризации с использованием различного оборудования для передачи данных (рис. 1).
Основные требования при решении задачи разработки автоматизированного комплекса состоят в обеспечении централизованного управления,
масштабируемости и надежности хранения информации. Для реализации системы выбрана клиент-серверная технология, подразумевающая, что хранение, выборку и обработку данных выполняет сервер, а клиент только посылает запросы и получает необходимые данные в требуемом формате. Это минимизирует требования к клиентским компьютерам, ускоряет развертывание
сети, упрощает управление и администрирование системы в целом.
Реализация поставленной задачи привела к созданию системы,
способной получать данные непосредственно от приборов и стендов через
локальную сеть предприятия. Такая организация работы с данными обеспечивает возможность пользователя получить доступ к любым данным, независимо от времени и способа их получения; возможность единовременной работы нескольких пользователей; разделение прав доступа к данным;
более четкое определение функций каждого работника; высокую надежность хранения данных; минимизацию ручного ввода данных; стандартизацию отчетных документов; интеграцию с программами Microsoft Office.
Применение системы диспетчеризации удаленных объектов значительно сокращает затраты по их обслуживанию, так как нет необходимости в периодическом выходе на объект персонала для сбора данных.
Открытая структура базы данных MS SQL дает возможность расширения
функций системы без приостановки ее работы, а также позволяет организовать доступ к данным с использованием ПО сторонних разработчиков.
84
Рис. 1. Общая схема передачи и обработки данных
Архитектура системы и программные средства
Первоочередной задачей проектирования информационно-аналити-ческой системы является выбор варианта построения информационных
приложений с использованием СУБД. Система с архитектурой «клиент –
сервер» является наиболее эффективной и дешевой для больших баз данных
и множества пользователей. Она характеризуется хорошим соотношением
«цена/производительность», простотой и удобством пользовательских интерфейсов, открытостью систем, эффективной средой разработки, легко
масштабируется и адаптируется к изменяющимся требованиям.
Для реализации базы данных выбран компактный и многопоточный
сервер данных MySQL. Он характеризуется высокой скоростью, устойчивостью и легкостью в использовании, поддерживает язык запросов SQL в стандарте ANSI 92 и имеет множество полезных расширений к этому стандарту.
В качестве операционной среды для функционирования системы выбрана платформа семейства Windows, а в качестве языка программирования – Delphi, как наиболее удобный для работы с клиент-серверными приложениями, а также в плане перевода локальных баз данных на архитектуру «клиент – сервер».
85
Реализация информационной системы контроля
за неисправностями вагонов и управления ремонтными работами
Программа предназначена для учета неисправностей вагона, требующих
текущего отцепочного ремонта (выписывается уведомление формы ВУ-23 на
вагон) и не требующих текущего отцепочного ремонта, а также для контроля
их устранения и составления отчетности за указанный период.
Неисправности, не требующие отцепочного ремонта, разделяются на
категории: по электрооборудованию; внутреннему оборудованию; санитарно-техническому состоянию; по системе водоснабжения, отопления; системе вентиляции; по противопожарным средствам; по кузову вагона;
неисправностям ходовых частей.
По прибытию состава в рейс информация о неисправностях оборудования вагонов в виде распечаток неисправностей по каждому вагону в короткий срок поступает к оператору пункта технического обслуживания
(ПТО), а далее к мастерам ремонтных участков. Мастера распределяют
объем работы между работниками участка и контролируют ход их устранения. Таким образом, устраняется необходимость предварительного прохода по вагонам состава осмотрщиков или слесарей для списывания неисправностей с журналов ВУ-8 и определения объема работ. Это повышает
как производительность труда, так и качество ремонта в целом.
Пользователями информационной системы являются председатели
комиссий П.Д.К., начальник, мастера и операторы ПТО-формирования
и операторы ремонта.
Сбор данных по неисправностям вагонов и их передача для занесения в базу данных программы организованы следующим образом. Проводники вагонов поезда записывают возникающие неисправности по вагону
в журнал формы ВУ-8, находящийся в каждом вагоне. По прибытию поезда в пункт формирования они переносят данные в кодируемом виде в общий журнал поезда формы ВУ-8, хранящийся у начальника поезда. Начальник поезда из общего журнала формы ВУ-8 передает данные по вагонам состава оператору ПТО-формирования для занесения данных в базу
данных программы. Оператор производит кодировку по каждому вагону
и заносит эту информацию в базу данных программы, после чего она становится доступной для пользователей сети программы.
Информационная система обеспечивает ввод и хранение сведений о
неисправностях и технологическом процессе ремонта вагонов, позволяет просматривать информацию и формировать соответствующие документы по истории отдельных вагонов, поездов и состоянию готовности состава к выходу
в рейс. Только оператору ПТО-формирования доступны средства, позволяющие добавить сведения о неисправностях вагонов, задать фамилию начальника
поезда и исполнителей ремонтных работ, удалить некоторые или все сведения
о заданном вагоне и выполнить перерасчет статистических данных.
При добавлении данных о выявленных неисправностях вагонов в соот86
ветствующие поля вводятся номер поезда, номер вагона и список неисправностей указанного вагона (рис. 2). Ввод неисправностей возможен одним из двух
способов: либо тип неисправности выбирается из предоставляемого «Списка
типовых неисправностей», либо вводится код неисправности в правую часть
строки «Список типовых неисправностей». Введенные сведения отражаются
в рабочей области нижней части окна. По результатам дефектации составляют
операционную карту (ведомость) технического состояния вагона и выполнения технологического процесса текущего ремонта.
поле выбранных неисправностей по вагону.
Рис. 2. Добавление новых записей о неисправностях вагонов
Окно вывода истории вагона предназначено для просмотра хранящихся в базе данных сведений о выявляемых неисправностях заданного
вагона (рис. 3). В рабочую область окна можно вывести все неисправно сти данного вагона, или только устраненные, или только неустраненные
неисправности вагона. При выводе полного списка неисправностей стро ки, относящиеся к неустраненным неисправностям, выделяются красным цветом, а в графе «Исполнитель» ставится фамилия председателя
комиссии П.Д.К., разрешившего выход вагона в рейс с данной неисправ ностью.
87
Рис. 3. Интерфейс окна вывода история вагона
На основании сведений о выявленных неисправностях вагонов и состоянии ремонтных работ составляется сводная ведомость, содержащая
информацию по неисправностям всех вагонов состава на некоторый момент времени (рис. 4). Полученная ремонтная карточка состава может
быть сформирована в виде документа и выведена на печать (табл. 1). Заголовок таблицы неисправностей по рассматриваемому составу содержит
сведения о номере поезда и дате формирования, а также фамилию линейного начальника поезда (ЛНП).
88
Выбранный поезд и дата
Список вагонов поезда № 325, Ф.И.О. ЛНП
отправлявшегося 19.11.2006г.
Рис. 4. Интерфейс окна просмотра неисправностей по поезду
Таблица 1
Список неисправностей по составу
(поезд № 325, дата формирования: 19.11.2006, ЛНП: Строев Сергей Владимирович)
№ п/п
1
1
2
3
2
1
2
…
n
…
1
Наименование неисправности
вагон № 08311367
Мойка служебного купе, слив засорен – прочистить
Питьевой бак засорен (не идет вода)
Блок ПЭБ неисправен
вагон № 08312157
Электрокипятильник, течь крана
Дверь купе отдыха проводников,
неисправен замок
……………….………………
вагон № 08324659
Окно коридора напротив купе № 10,
разбито стекло – заменить
Повтор.
Исполнитель
(подтвердивший
готовность поезда)
1
Силинкин
1
1
(не устранено)
(не устранено)
1
1
Адам
Фручкин
……
1
………
Шеболин
На основании сведений, получаемых из ремонтной карточки состава,
система в автоматическом режиме формирует лист готовности поезда
(табл. 2).
89
Таблица 2
Лист готовности поезда № 325. Дата формирования поезда 19.11.2006.
ЛНП: Строев Сергей Владимирович
Номер вагона 08311367
№ Неисправность
Повт. Готовность Исполнитель Готовность
1
Мойка служебного купе,
1
устранено
Силинкин
да
слив засорен – прочистить
2
Питьевой бак засорен
1
не устране- Казанцев
нет
(не идет вода)
но
3
Блок ПЭБ неисправен
1
не устране- Казанцев
нет
но
Номер вагона 08312157
№ Неисправность
Повт. Готовность Исполнитель Готовность
1
Электрокипятильник, течь
1
устранено
Адам
да
крана
2
Дверь купе отдыха провод- 1
устранено
Фручкин
да
ников, неисправен замок
номер вагона 08324659
№ Неисправность
Повт. Готовность Исполнитель Готовность
1 Окно коридора купе № 10, 1
устранено
Шеболин
да
разбито стекло – заменить
Выводы
Внедрение информационной системы контроля за неисправностями вагонов и управления ремонтными работами позволяет обеспечивать прозрачность работы предприятия и получать актуализированные данные по работе депо в целом. Дальнейшим развитием системы является решение задачи
о передаче данных на ПТО посредством корпоративной сети ОАО «РЖД»
еще до прибытия состава на станцию технического обслуживания. К настоящему времени лишь единичные пассажирские поезда оснащены системой
контроля и связи, с помощью которой возможна такая операция. Для реализации данного направления необходимо остальные поезда также оснастить
соответствующими системами контроля и связи. Другим важным направлением является разработка средств перехода от системы сбора и анализа поступающей информации к системе, способной анализировать ситуацию и
принимать оперативные решения, направленные на обеспечение качества
технического обслуживания вагонов и оптимизации эксплуатационных расходов.
Литература
1. Барбашов Д.Н., Павлов А.Н. Новая подсистема поможет сократить расходы на текущий ремонт // Вагоны и вагонное хозяйство. – 2009. – № 1. – С. 10–11.
УДК 681.518.54
Ю.Ф. Мухопад
90
СТРУКТУРНЫЕ МОДЕЛИ СЛОЖНЫХ СИСТЕМ
Определение сложной системы общеизвестно. Сложная система не
обязательно содержит много элементов и связей между ними, которые и
определяют ее «сложное» поведение. Система является сложной и при наличии ограниченного числа элементов, но за счет наличия нелинейных
обратных связей и переходов во внутренние состояния анализ таких систем затруднителен.
Для изучения сложных систем используется системный анализ [1]
(системный подход), относящийся к изучению:
− целого и его частей;
− системных свойств и способов соединения частей;
− механизмов функционирования;
− взаимосвязей с внешней средой.
Изучение свойств сложной системы производится по модели «чер ного ящика», а раскрытие структуры ищут методом идентификации по
значению входных и выходных переменных при описании поведения си стемы дифференциальными уравнениями. Вопросам анализа системы
как целостного объекта посвящено достаточно много работ [2–5, 8]. Но
на какие крупные блоки делить систему, если элементов много, связей в
сложной системе значительно больше за счет соединения каждого i-го
элемента с несколькими другими? По вопросам декомпозиции сложных
систем отсутствуют общие подходы, а существующие суждения проти воречивы.
Для того чтобы сложная система могла выполнять свое целевое назначение, ее структурная организация должна содержать минимальный и
достаточный набор подсистем, обеспечивающих в первую очередь информационный обмен подсистем и преобразование внешней информации по
заложенному алгоритму функционирования.
В работах [9–20] автором подробно описана структурная модель
сложной системы. Модель последовательно [9, 10] уточнялась [12, 13] и
совершенствовалась [15, 18] применительно к информационно-управляющим системам реального времени (СРВ).
Структурной моделью назовем полный пятивершинный граф
(рис. 1) со следующей интерпретацией вершин: Ф – функциональная,
И – информационная, Л – логическая, А – адресная и У – управляющая
подсистема.
91
X
Y
Ф
И
Л
А
У
Рис.1. Структурная модель сложной системы
Н
А1
0
α1
1
А2
А3
е)
И
А13
0
И
А4
А6
А5
α2 0
α5
1
А7
f)
А10
1
α3 0
А9
А11
А12
1 α 0
4
К
Рис. 2. Граф-схема алгоритма обработки информации
Петли в графе обозначают встроенные в подсистему средства
контроля их работоспособности. {Х}, {Y} – множества входных и выходных переменных, ребра графа – связи между подсистемами. Для доказательства необходимости и достаточности именно такой декомпозиции целостной системы рассмотрим алгоритм общего типа (рис. 2). Общность алгоритма понимается в том смысле, что имеются как параллельные, так и
последовательные пути взаимодействия операторов Аi, реализуемые с помощью операторов управления: распараллеливания (е) и сборки (f). Связи
между операторами действия могут быть как детерминированными, так и
вероятностными, а логические условия могут формироваться по правилам
«размытой» – нечеткой логики.
92
Полнота алгоритма определяется тем, что на граф-схеме (ГСА)
обозначены не только «причинно-следственные» связи в виде сплошных
линий, но и информационные (пунктирные линии), определяющие необходимость передачи промежуточной информации от оператора Аi к Аj (i, j ∈
1, 2, …, k). Анализ ГСА позволяет сделать следующие заключения.
Ф-подсистема представлена множеством {A} операторов действия.
Для управляющих подсистем Аi (i = 1, k ) – операторы исполнения какого-либо набора микроопераций, включения исполнительных устройств и
др.
Для вычислительных систем в зависимости от уровня описания ГСА
это могут быть как простые арифметические операции, так и целые процедуры, например решение системы интегро-дифференциальных уравнений
с сингулярными ядрами.
Л-подсистема – устройства формирования как внешних логических
условий (датчики), так и внутренних за счет сравнения поступающей информации с некоторыми константными значениями.
А-подсистема для реализации ГСА должна практически осуществлять передачу информации между операторами (пунктирные линии)
либо непосредственно, либо через общую адресную шину.
И-подсистема – набор элементов для хранения как внешней (принятой) информации, так и промежуточной информации, которая должна храниться, т.к. вырабатывается оператором Аi, а используется оператором Аj,
причем j > i + 1 (на рис. 2 А1 – А6, А3 – А5, А5 – А10, А13 – А10). Кроме того,
5
5
2
2
при параллельных действиях (А3А4 ↓ А5α5 ↑ α3; А3 ↓ А6α2 ↑ А7α3) необходимо
запоминать результат той ветви ГСА, которая закончится первой перед
оператором f.
У-подсистема должна автономно управлять всеми другими подсистемами в полном соответствии с ГСА, т.е. управляющий автомат после
команды пуск (А0) должен проводить проверку логических условий после
некоторых Аi и подключать поочередно соответствующие Аj до появления
оператора «конец» (Ак).
На основании анализа ГСА можно сделать вывод о том, что нет
необходимости ни в каких других подсистемах, кроме названных. Общность модели подтверждает также анализ машины Тьюринга [12].
В структуре рис. 1 функции взаимодействия с внешней средой
обозначены в виде множества входных и выходных воздействий {Х}, {Y}.
Если же рассматривать фактическую реализацию этого взаимодействия, то
оно должно интерпретироваться как некий интерфейс, набор чувствительных элементов и т. п. В этом случае сам интерфейс (наиболее простой интерфейс – преобразователь последовательного кода в параллельный) представим также структурной моделью из Ф, И, Л, А, У-блоков [16]. Более
того, для сложных систем на более глубоком уровне анализа каждая из
93
подсистем может быть представлена своим комплексом Ф, И, Л, А, У-подсистем. Для ПЗУ с электрическим и ультрафиолетовым стиранием информации такой анализ дан в работе [11]. Т. е. речь может идти об описании
сложной системы комплексом иерархически взаимосвязанных структурных моделей, хотя сегодня чаще стали употреблять термин фрактального
подобия [25]. При зафиксированном уровне детализации рассматриваются
варианты реализации с объединением (композицией) подсистем. Например, для вычислительных систем в центральном процессоре (арифметико-логическое устройство) объединяются функции Ф, Л и частично И-подсистемы за счет наличия сверхбыстродействующей памяти малого объема
(стековая память). Объединяются также функции У и А-подсистем в системах с единой (общей) шиной передачи информации. Если же поставлена
цель достижения наивысшего быстродействия на данной элементной базе,
то все подсистемы необходимо реализовать независимо. Различные варианты связей в структурной модели рассмотрены в работах [13–17].
Сопоставляя структурную модель Ю.Ф. Мухопада (СММ) с имеющимся анализом сложных систем, можно отметить некоторое совпадение
терминов при обозначении уровней описания сложной системы. В работах
[4, 8] рассматривается вербальный, формальный, информационный, логический и математический уровни описания. Однако нет адресного уровня,
как и не может быть в СММ вербальной, формальной или математической
подсистемы. Уровни описания целостной системы не соотносятся с принципом ее структурной декомпозиции, т.к. даже в постановке упомянутых
авторов нет полной ясности, чем отличаются формальный и математический, информационный и логический или логический и математический
уровни описания сложной системы.
Предложенная СММ сложной системы применима для анализа технических, экономических и социальных объектов в связи с общностью
действующих законов в нашей реальности [7]. Анализ применимости
СММ рассмотрим первоначально на моделях простых технических систем,
т. к. для них известен элементный базис и способы реализации подсистем.
1. Конечные автоматы
Микропрограммный синхронный автомат (МПА) управления описывается уравнениями вида
а(t + 1) = F1(a(t), α1, α2, …, αq);
A(t) = F2(a(t)),
где а(t) и а(t + 1) – состояние автомата в момент времени t и после импульса синхронизации (t + 1); α1, α2, …, αq – множество входных сигналов (логических условий), q – их количество. Обозначим также х1, х2, …, хm – код
состояния автомата, m – разрядность кода, F1 и F2 – системы булевых
функций, А(t) – А1(t), А2(t), …, Ак(t) – выходные команды управления.
94
Структурная организация автомата Мура представлена на рис. 3, где
обозначено:
Ф – дешифратор для выделения в явном виде состояний автомата
а(t + 1) и комбинационная схема формирования выходных команд
Аi (i = 1, k );
Л – объект управления (ОУ) с датчиками логических сигналов {α} и
Рг 3 для фиксации (хранения) их значений;
И – регистр памяти Рг1 для хранения кода а(t) – х 1, х2, …, хm, Рг2 для
а(t + 1) – у1, у2, …, уm и набор схемы кода «И» для парафазной передачи
а(t + 1)→а(t);
А – комбинационная схема для вычисления кода у 1 у2… уm по конкатенации {α}{х}.
Здесь F2 – устройство реализации булевых функций для формирования управляющих команд А(t) – Ф-подсистема; А-подсистема реализуется
с помощью ПЗУ или ПЛМ по формальной записи булевых функций для F1.
ОУ – объект управления, БС – блок синхронизации (У-подсистема МПА).
Ak
... A2
ОУ
A1
Л
α1
A0
F1
Л
τ
БC
τ
У
А
y2
ПЗУ ПЛМ y1
хm ... х2 х1
E
DC
F2
...
αq
Рг
...
α2
ym
Ф
Рг … 1
&
И
Рг … 2
Рис. 3. Структурная схема автомата Мура
МПА при некоторых условиях (m = 6, q > 16) и по числу элементов
следует отнести к сложным системам. Методика синтеза МПА базируется
на получении через граф-схему алгоритма (ГСА) графа переходов с последующей конкретизацией систем булевых функций [16]. На основе детального анализа каждой из подсистем (Ф, И, А, Л, У) микропрограммных автоматов автором предложена новая методика синтеза [15, 17] и новая
структурная организация [16] МПА, позволяющие реализовать МПА по
95
той же самой ГСА более простыми средствами с меньшим числом элементов.
По характеру поведения система (МПА) осталась по-прежнему
сложной, а по составу степень сложности понизилась. Это хороший пример применимости СММ не только к анализу, но и к синтезу МПА.
Общность структурной модели (рис. 1) подтверждена многовариантным анализом наиболее характерных систем реального времени (СРВ).
СММ может быть эффективной при анализе и синтезе более сложных систем с развитыми системами запоминания и обработки информации. В этом случае в модели целесообразно выделить дополнительный
блок центрального управления (ЦУ) кроме внутренних микропрограммных
автоматов (МПА) каждой из подсистем, обозначенных УФ, УИ, УА, УЛ,
УУ (рис. 4).
Y
Ф
УФ
X
И
УИ
Л
УЛ
ЦУ
УА
А
УУ
У
Рис. 4
На рис. 4 простыми линиями обозначены связи между подсистемами, а двойными пунктирными – связи между ЦУ и УФ, УИ, …, УЛ.
Переход от модели без ЦУ к модели с иерархией управления позволяет анализировать функционально-ориентированные микропроцессорные
системы. Обычно к уровню ЦУ относят функции:
− обеспечение прерывания программ;
− распределение ресурсов и информационных потоков;
− прогнозирование изменений в системе по результатам предыдущих значений параметров СРВ;
− самонастройка и адаптация на системном уровне;
− контроль функционирования,
− взаимодействия СРВ с оператором или внешней средой.
Оптимизация структуры СРВ по модели рис. 4 зависит от цели
проектирования. Если речь идет о приспособлении типовых структур СРВ
96
с некоторой корректировкой параметров (объем памяти, степень параллелизма, количество каналов ввода информации и др.), то достаточно решить
в основном следующие задачи:
− выбрать тип связей с шиной организации (с одной общей шиной, с шиной адресации и управления или в пределе с пятью шинами) или с непосредственными связями подсистем через программируемый коммутатор;
− распределить функции между ЦУ и подсистемными МПА, соответственно встроив самоконтроль в каждую подсистему;
− определить способы представления и упорядочения информации в каждой из подсистем, так как организация и форма представления информации определяет степень упрощения алгоритмов обработки;
− выбрать конкретный элементный базис и перейти к раздельному преобразованию каждой из подсистем.
Для сложных СРВ возникает необходимость рассматривать и другие
модификации моделей [11, 12], производить статистический анализ алгоритмов, использовать методы композиции и декомпозиции при оптимизации структур подсистем, вводить этапы динамического моделирования
СРВ. Весь этот перечень задач может быть конкретизирован только для
каждой конкретной СРВ.
Технологические достижения и инженерные находки в области вы числительной техники опережают теоретические наработки и научное
обоснование принципов структурной организации СРВ. Сами структуры
СРВ без системной классификации могут показаться бесконечно разно образными. Причем уровень сложности СРВ постоянно повышается в
связи с расширением их функциональных возможностей. Появление
функционально развитого интегрального элементного базиса (БИС,
СБИС, ПЗУ, ОЗУ, ПЛМ, ПЛИС, микропроцессоры и микроконтроллеры,
АЦП и др.) позволяет вести проектирование на уровне крупных блоков,
а следовательно, функциональный синтез практически совмещается со
структурным, для которого правильный выбор модели является определяющим.
Обладая слабопредсказуемостью при целенаправленности действия, сложные системы способны работать с не полностью определен ной входной информацией или при сильно зашумленных входных сигналах.
Поскольку статья носит методологический характер, автор более подробно излагает постановку задачи и особенности алгоритмов обработки
информации в сложной системе без детализации аппаратной реализации
подсистем. Аппаратная реализация многовариантна и должна рассматриваться независимо при изучении процедур структурного синтеза сложных
97
систем. Для технических систем, обсуждаемых здесь, эти вопросы отражены в цитируемой литературе.
2. Адаптивный цифровой фильтр
В работах [10, 23] приводится пример дискретной реализации адаптивного фильтра с минимальным динамическим запаздыванием для нестационарных сигналов. Отношение величины полезного сигнала к величине
низкочастотных и высокочастотных шумов значительно меньше единицы,
а величина математического ожидания полезного сигнала изменяется во
времени с нарастанием по полиноминальному закону со степенью выше 2
(рис. 5).
В дискретной реализации И-подсистема представлена двумя блоками стековой памяти объемом К, р. Оба блока работают в режиме «скользящего окна», причем среднее значение ( Х ) первого окна объемом К передается для накопления во второе окно (р).
Ф-подсистема реализуется двумя накапливающими сумматорами и
таблично-алгоритмическим умножителем для реализации трех процедур:
−
нахождение средних значений Х;
U(t)
7
6
5
4
3
Выбросы
К
2
1
р
t
1
2
3 4 5 6 789
Рис. 5. График зависимости сигнала от времени
замена текущего Х (рi) на Х (рi–1), если Х (рi) >> Х (рi–1), где Х i–1
– итоговое среднее во втором окне на i–1 шаге просмотра;
− реализация процедуры «забывания» посредством умножения
Х i(р) на Сi, причем Сi < 1, т.е. обеспечивается большее «доверие»
сигналам х(t), чем х(t–1), х(t–2), …, х(t–р).
А-подсистема реализуется прямой жесткой системой смены адреса
информации в магазинной памяти, а также поочередной переадресацией
−
98
блоков постоянной памяти и регистров памяти предыдущего S(t) и последующего S(t + 1) значения крутизны сигнала.
Л-подсистема есть набор схем i ≥ р, j ≥ k, а также схем сравнения значений крутизны, сравнения среднего и текущего значения сиг налов.
У-подсистема управляет всеми подсистемами СММ, причем частота
следования сигналов уменьшается (увеличивается) в 2 раза на каждом
шаге сравнения в зависимости от соотношения S(t) и S(t + 1).
3. Информационно-управляющие системы реального времени
Характерным примером СРВ является система предварительной
обработки навигационной информации. В частности, для глобальной
системы «Омега» в известных 8 «точках» земного шара установлены
мощные генераторы радиосигналов с присущей им временной диаграм мой, обозначенной символами A, B, C, D, E, F, G, H. Для приемника на
борту судна, самолета речь идет о выборе трех ближайших станций (ка налов) из 8 для данного района нахождения объекта. Причем по каждо му из каналов идут строго синхронизируемые кодовые посылки (рис.
6), а на борту объекта нужно так настроить блок синхронизации, чтобы
он с большой точностью осуществлял внутреннюю синхронизацию,
совпадающую с физической диаграммой, генерируемой выбранной
станцией.
Измеряемые сигналы также зашумлены, поэтому находятся значения
2
2
полярных координат объекта ρ = х + у и ϕ = arctg y , где x, y – средx
ние значения накопленных «замеров».
H
A
B0
1
G
2
B1
B7 2
B5
1
4
B6
E
F
Рис. 6
99
3
B2
B3 4
D
3
B
C
B4
0,9 c 1 c
1,1 c
1,2 c
1,1 c 0,9 c
1,2 c
1c
A
B
C
D
E
F
G
H
B
C
D
E
F
G
H
A
Ячейки
1, 2, 3
f1
0,2 c
E
F
b0
G
b1
H
b2
b3
A
b4
B
b5
C
b6
D
b7
Ячейки
4, 5, 6
f2
Ячейки
7, 8, 9
f3
Рис. 7
На рис. 7 представлены примеры выбора трех станций в соответствии с известным районом местонахождения. Например, 1-й канал – станция в Гаване, 2-й канал – станция в Уэльсе и др.
В работах [17, 26] показано, что согласно СММ в такой СРВ в
Ф-подсистеме реализуется нахождение x, y , а также операции вычисления
ρ и ϕ . Вычисление значений ρ и ϕ производится по так называемому алгоритму Волдера (Volder). Алгоритм реализуется спецпроцессором на
основе параллельного взаимодействия трех многоразрядных накапливающих сумматоров.
И-подсистема – всего лишь несколько регистров памяти для трех каналов измерений.
Л-подсистема весьма развита за счет формирования логических
условий: все ли сдвиги временной диаграммы произведены и др., все ли
накопления выполнены для трех режимов обработки информации («грубое», среднее и «точное» совмещение временной диаграммы). Для II и III
режимов увеличивается число накоплений по сравнению с I грубым режимом ~ в 4 раза. Для каждого из режимов на каждом канале предусмотрена
своя ячейка памяти для накопления пачек импульсов.
А-подсистема весьма специфична и представляет собой по существу
адресный спецпроцессор в виде двух взаимодействующих комбинационных схем рис. 8, работающих под действием автомата, имитирующего временную диаграмму рис. 6. Переходы из одного а(t) состояния в другое а(t +
1) производятся детерминированно в соответствии с графом (рис. 9). Однако в этом автомате начальным состоянием для первого канала является то,
которое определяется сигналом b0, для второго канала (по рис. 6) – сигналами b1, а для третьего – b4.
Конкретная реализация комбинационных схем КСх 1 и КСх 2 (рис. 8)
задается таблицами 1 и 2.
100
У-подсистема представляет собой автомат Мура средней сложности
с числом состояний <16 и числом логических условий <8.
Таким образом, в навигационной системе «Омега» все подсистемы
(кроме У-подсистемы) специфичны, причем наиболее сложны А и Ф-подсистемы.
4. Биологические системы
Для биологических систем древние философы и врачи функционирование органов человека также рассматривали во взаимодействии пяти подсистем, имевших наименования первоэлементов: огонь, земля, металл,
вода, дерево [3]. Рассмотрим применение СММ к бронхолегочной системе.
В этом случае:
Ф – комплекс легочной ткани бронхов, альвеол, ацинусов (образований);
А – разветвленная артериально-венозная и лимфатическая подсистема;
Л – периферическая нервная подсистема.
Информационная (И) и управляющая (У) подсистемы распределены
между функциями сердца и центральной нервной системы.
По аналогии можно говорить о некотором подобии классификаций
древних философов и СММ. Однако установление глубоких соответствий
моделей и их адекватности реальным энергетическим каналам и функциональному назначению требует детальных теоретических и экспериментальных исследований.
b0
Автомат меток
времени
S
B0 B1 … B7
A
B
C
4
1,0
b1
0,9
b2
b7
b6
...
...
...
H
КСх 1
1
2
3
b0
Смена
адреса
Я1
Я2
Я3
КСх 2
b5
b3
Я4
1,2
К1 К2 К3
1,1
b4
Рис. 9. Автомат генерации
временных диаграмм навигационной
системы «Омега»
Рис. 8
Таблица 1
Таблица 2
101
B
A
B
C
D
E
F
G
H
j
0
1
1
9
2
2
1
7
1
0
1
8
3
4
5
6
7
2
3
1
6
2
4
3
1
1
1
9
1
2
3
4
1
2
2
0
5
1
3
2
1
6
1
4
2
2
7
1
5
8
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
А
0
А
1
А
2
B1
B2
B3
C2
C3
C4
D
3
D
4
D
5
E4
1
●
2
3
Ячейки
4 5 6
9
1
●
Каналы
2 3
1
●
2
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
F7
●
●
●
17
●
●
●
●
●
●
20
●
●
●
21
22
●
●
18
19
●
●
15
16
●
●
12
14
●
●
4
5
6
7
8
9
10
13
●
●
F6
●
●
3
11
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
E6
G
6
G
7
G
8
H
7
H
1
H
0
8
●
E5
F5
7
23
●
24
Следует заметить, что до сих пор не учитывалось взаимодействие Ф,
И, А, Л, У-подсистем. В технике действие У-подсистем описывается в терминах операционных схем алгоритмов (ОСА), имеющих разновидности в
виде ГСА, ЛСА, МСА и ТСА [16]. Поэтому и для биологических систем
также появляется возможность составления алгоритма в форме ОСА для
реализации лечебного комплекса [20] при патологии бронхолегочной системы.
В технических СРВ условия α для ГСА формируются при строгом
соответствии х ≤ 0, A > B и т. п., а для биологических систем характерна
размытая логика. В биологических ГСА логические переменные α прини102
мают значения «1» или «0» в случае принадлежности измеряемого параметра к определенному интервалу, например t = 36,2 ÷ 37,3 ○С.
Для биологических систем особую важность представляет вариант
СММ с центральным управлением (рис. 4). Роль центральной нервной системы является определяющей для организма. Центральная нервная система обеспечивает и живучесть биологической системы, т. к. она берет на
себя также частично функции периферийных подсистем управления в случае их поражения или «угнетения».
Рассмотрим функционирование адаптивной биологической системы
на примере работы бактерии E. Coli [24]. Регулирование синтеза белков
осуществляется под действием участка ДНК, названного «оперон». Питательным веществом для бактерии является глюкоза, если же ее нет, включается механизм синтеза белков из лактозы под действием оперона. Оперон кодирует три фермента:
− галаксидазу, которая расщепляет лактозу на глюкозу и галактозу;
− галаксид-пермиазу, которая способствует транспортировке
лактозы из внешней среды внутрь бактерии;
− фермент-репрессор (синтезируется постоянно малыми дозами).
В ДНК имеются два участка – левый, который кодирует фермент-репрессор, и правый, с более сложной программой синтеза белка. Оба
участка ДНК начинаются с промоутеров, с которыми связывается РНК-полимелаза, обеспечивающая транскрипцию ДНК и синтез матричных РНК
(мРНК). Заканчиваются участки ДНК терминаторами – точками останова
синтеза мРНК.
Если в клетке есть глюкоза, то она препятствует работе РНК-полимеразы, в результате синтез ферментов под действием оперона производится
тогда, когда есть лактоза и нет глюкозы (α2).
Если лактозы нет, то фермент препятствует продвижению РНК-полимеразы, а если лактоза есть, то связывание фермента-репрессора с опероном не происходит.
Такое вербальное описание синтеза белков бактерии в работе [24]
поясняется рисунком, в котором квадратиками и кружками обозначены все
используемые в тексте термины в виде самостоятельных «сущностей», которые частично соединены стрелками, если есть взаимовлияния между
ними. Установив «сущности» и связи (фермент, репрессор, оперон, ДНК,
РНК, мРНК, лактоза, глюкоза, полимераза и др.), трудно спутать причину
и следствие, но авторами не рассматривается отдельно носитель информации и сама информация, оператор действия и оператор трансляции и др.
Т. е. имеет место негласное отождествление этих понятий: физический носитель информации и сами закодированные данные. А главное, так и остаются непонятными до конца конкретные операторы, логические условия и
связи этих «сущностей». Термин «сущность» употреблен здесь потому, что
103
все эти компоненты, судя по описанию, наделены внутренне присущей им
активностью и целенаправленной деятельностью. А так ли это? Если это
так, то следует предположить наличие интеллекта у каждого из этих ферментов, «…ксидаз» и др.
Попробуем навести некоторую упорядоченность в понимании этой
проблемы с помощью СММ. Действительно, можно считать:
И-подсистема – это ДНК с левым и правым участками, хранящими
программу действий;
Ф-подсистема – набор операторов:
− А1 – расщепление лактозы (галаксидаза);
− А2 – переместитель лактозы в клетку (галаксид-пермиаза);
− А3 – синтез мРНК (РНК-полимераза);
− А4 – прекращение синтеза мРНК.
Возможно, имеются и другие, не выясненные пока А i. Но если судить по описанию, которое дают микробиологи, все-таки имеет место некоторое смешение действий (микропрограммы Аi) с формой исполнительной команды (галаксидаза и др.)
Л-подсистема – датчики (которые не описаны), измеряющие «процентное» соотношение глюкозы к лактозе, (α1) – сигналы терминаторов (α1,
α2, …, αк) и, возможно, еще что-то, например сигналы сравнения скорости
нарастания, объема глюкозы.
Адресная подсистема – элементы (которые не выяснены), соединяющие (или направляющие) фермент-репрессор на связь с опероном через
промоутеры. Фермент-репрессор связывается с опероном, но как? Трудно
представить все конкретно, не выяснив полного механизма записи, считывания, связи. Нельзя рассматривать клетку бактерии как некий «бульон» с
фильтрующими оболочками. Ясно, что все сложнее. Операторы обмена в
имеющемся описании практически не обозначены.
Управляющая подсистема – программа действия от считывания ее с
участка ДНК до осуществления последовательности А1, А2, А3, А4.
Приведенная классификация при наличии более полной информации
об информационных подсистемах, механизмах обмена и действия могла
бы дать возможность полной ясности всего синтеза белков.
Анализ работы бактерии по СММ подтверждает принцип «физичности» сложной системы. Биологической системе так же присущи физические (химические) законы действия и информационного обмена, определяющие причинно-следственные связи, целенаправленное функционирование и существование. Никаких других «метафизических» законов нет, есть
лишь непонятые (возможно уникальные) принципы реализации операторов всех подсистем Ф, И, А, Л, У.
При описании процедуры синтеза белка [21] невольно подразумевается дискретный характер процессов обмена информацией. Но это лишь
приближение в познании. Вполне допустима аналого-цифровая реализация
104
Ф и А-подсистем и цифровая реализация И, Л, У-подсистем, т.к. возможно,
что и переход от одной стадии (состояние автомата управления) к другой
происходит не синхронно, а носит асинхронный характер. Длительность
переходов а(t)→а(t + 1) при этом определяется либо реальной скоростью
протекания процесса синтеза, либо итоговой суммой произведенного белка
или остатками лактозы и др.
Для биологических систем наука лишь наметила пути к познанию. В
этом плане структурная модель системы может сыграть роль путеводителя
к правильной ориентации.
5. Эколого-экономические системы
В работе [6] показана возможность применения структурной модели
для анализа эколого-экономических систем. Автор [6] так определяет назначение подсистем:
Ф-подсистема служит для обработки информации субъекта,
И – для хранения информации,
Л – накладывает ограничения на все виды используемой информации и содержит множество условий ее обработки,
А – управляет потоками информации,
У – организует взаимодействие всех процессов в данной экологоэкономической системе.
6. Технологическая система машиностроительных процессов
Рассмотрим теперь производственную систему, связанную с материальными потоками. Для машиностроительного производства через X
обозначим заготовки (металл); Y – готовые изделия; Ф – один многооперационный станок или последовательность станочных процессоров; А – адресная подсистема, которая определяет выбор и доставку нужного инструмента или детали для соединения с обрабатываемой заготовкой
(изделием);
И – запоминающая подсистема, фиксирующая состояние
(стадию) технологического процесса; Л – система нормативов, условий –
выполняется ли заданная точность обработки, выдерживается ли температура, давление
и т. п.; У – управляющий автомат, осуществляющий подачу команд для перехода от одной стадии технологического процесса к
другой в зависимости от логических условий и всей заданной процедуры
процесса обработки.
Итак, даже эти шесть характерных примеров позволяют убедиться в
целесообразности использования СММ для анализа и синтеза сложных систем самой разнообразной «природы». Действительно, в любой сложной
системе обрабатывается пять типов информации.
Функциональная информация – сами данные о конкретном процессе
в аналоговом (напряжение, сила тока, концентрация и др.) или цифровом
виде.
105
Хранимая информация – по форме может отличаться от обрабатываемой, например, аналоговая информация хранится в цифровом виде или
обрабатываемая информация в двоичном позиционном коде (ДПК) для надежности хранится в виде кодов Хемминга и др.
Адресная информация – для аналоговых систем это номер позиции, а
для цифровых – код, но отличающийся по разрядности от обрабатываемой
информации. Например, если обрабатываются 16-разрядные числа ДПК, а
число промежуточных результатов менее пятисот, то для представления
адресной информации потребуется 8 разрядов.
Логическая информация – для представления каждого логического
признака необходим 1 разряд (1 бит), но если в системе 24 признака, то потребуется 24-разрядный регистр памяти для их фиксации.
Управляющая информация – представляется обычно в виде набора
кодов команд. Если в системе 32 различных команды, то необходимо всего
5 разрядов.
Выделение Ф, И, А, Л, и У подсистем в СММ произведено по формам движения информации так же, как Ф. Энгельс определил классификацию наук по формам движения материи.
При изучении сложных систем наряду с анализом их поведения
(функционирования) как целого используется также методология декомпозиционного подхода. Однако если в существующей практике направление
декомпозиции неизвестно, то в СММ оно однозначно. Такая декомпозиция
необходима и достаточна, т.к. подсистемы отражают лишь «аппаратную»
фиксацию форм движения информации в сложной системе.
В универсальных вычислительных структурах каждая из подсистем
явно выражена и в качестве функционального, логического, адресного,
управляющего и информационного базисов (операции пересылки, считывания, записи в разные типы ЗУ) используется достаточно большой набор
операций (32÷128).
В специализированных СРВ приспособление к структуре исходной
информации и алгоритму ее обработки происходит двумя путями:
• специализацией набора функциональных операций или включением в универсальные структуры дополнительных узкоспециальных
спецпроцессоров (вычислительных преобразователей информации);
• выделением одной из пяти подсистем в качестве ведущей подсистемы.
Например, в информационно-поисковых системах ведущими являются подсистемы ассоциативной и других типов адресации и блоки
расширения памяти.
В телекоммуникационных системах функциональная подсистема
ориентирована на кодирование информации.
106
В задачах автоматического регулирования хотя и присутствуют все
подсистемы, но ведущей является управляющая.
Во всех системах, связанных с обработкой изображений, распознаванием образов, списковых таблиц, использованием баз данных и баз знаний
и др., ведущей становится информационная подсистема. Не только объем,
но и структура информационной подсистемы наравне со способом кодирования исходной информации определяет сложность и быстродействие алгоритмов обработки таких СРВ.
В спецпроцессах комбинаторного типа (задачи на графах, на сетях
связи, логические задачи и др.) ведущей подсистемой становится логическая.
В навигационных процессорах все подсистемы достаточно развиты,
но каждая из них узкоспециальна [10, 17, 26]
Столь же специфичны и задачи первичной обработки изображений.
Поэтому для специальных применений понятия «вычислительный
преобразователь» или «вычислительная машина» являются относительными, т.к. роль собственно вычислительных процессов (в понимании элементарных арифметических или некоторых элементарных функциональных
зависимостей типа sinx, х и др.) может быть незначительна. В этом плане
СММ методически важна в том смысле, что описывает любой алгоритмический преобразователь информации как с цифровым, так и с аналоговым
способом представления обрабатываемой информации.
В работах [16–18] описаны восемь свойств основной СММ и способы организации связей между блоками Ф, И, А, Л, У в СРВ.
Биологические, экономические и др. системы менее изучены на сегодня с позиций структурной модели. Но это и не самоцель, т.к. автор считает, что СММ при анализе систем, не относящихся к техническим, позволит
решить ряд важных задач:
− наметить пути классификации систем по степени развитости
их подсистем;
− проследить соответствие информационного описания (кодирования) алгоритмическому обеспечению системы;
− построить модели функционирования сложных систем во взаимодействии всех подсистем.
Автор не стремится использовать СММ для сверхсложных систем,
имея в виду биологические организмы и сообщества [7], наполненные «Духом Святым». Однако адаптивные, самонастраивающиеся, нейроподобные,
ассоциативно-сетевые структуры также могут быть рассмотрены на основе
СММ. Причем конструктивная направленность такого анализа может быть
проявлена не только при разработке новых методик синтеза, но и за счет
достижения более глубокого уровня понимания принципов функционирования сложных систем.
107
Литература
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
Губарев В.В. Информатика в рисунках и таблицах. Новосибирск, НГТУ, 2003. –
198 с.
Денисов А.А., Колесников Д.Н. Теория больших систем управления. Л. : Энергия,
1982. – 288 с.
Древнекитайская философия. М. : Мир, 1973. – Т 2.
Дружинин В.В., Конторов Д.С. Системотехника. М. : Радио и связь, 1985. – 200 с.
Курдюмов С.П., Малинецкий Г.Г. Парадоксы мира нестационарных структур. М. :
Знания, 1985. № 15.
Машуков А.А. Информационные основы эколого-экономического мониторинга на
ж.-д. транспорте / Информационные технологии и проблемы математического моделирования сложных систем. Иркутск : ИрГУПС, 2005. Вып. 2. – С. 45–54.
Мень А. Ответы на вопросы. М. : Жизнь с Богом, 2008. – 347 с.
Могилевский В.Д. Методология систем: вербальный подход. М. : Экономика,
1999. – 251 с.
Мухопад Ю.Ф. Анализ структурных схем вычислителей по автоматным
моделям // Дискретные системы. Тр. JFAC, Рига, Зинатне, 1974. Т. 5. – С. 195–203.
Мухопад Ю.Ф. Проектирование специализированных микропроцессорных вычислителей. Новосибирск : Наука, 1981. – 186 с.
Мухопад Ю.Ф., Скосырсий Г.С., Чекмарев Ю.Д. Системный анализ ПЗУ // Микропрограммные системы контроля и управления технологическими процессами.
Улан-Удэ : ВСТИ, 1989. – С. 31–37.
Мухопад Ю.Ф. Системный анализ машины Тьюринга // Микропроцессорные системы. – Новосибирск : НЭТИ, 1990. – С. 47–52.
Мухопад Ю.Ф. Системные модели микропроцессорных вычислителей // Локальные вычислительные сети и распределенная обработка данных. Новосибирск :
НЭТИ, 1991. – С. 63–71.
Mukhopad Yr.F. Formal transformations on system model // International seminar
GAAM – 90. Computer algebra, Nova Science Publishers, Inc. New York, 1993. –
Р. 135–140.
Мухопад Ю.Ф., Солдатенков Е.Г. Структурные модели информационно-управляющих систем // Информационные технологии контроля и управления на транспорте. Иркутск : ИрИИТ, 2001. – Вып. 9. – С. 47–52.
Мухопад Ю.Ф. Микроэлектронные информационно-управляющие системы. Иркутск : ИрГУПС, 2004. – 404 с.
Мухопад Ю.Ф. Анализ и синтез информационно-управляющих систем // Информационные технологии и проблемы математического моделирования сложных систем. Иркутск : ИрГУПС, 2007. – С. 33–46.
Мухопад Ю.Ф. Теория дискретных устройств. Иркутск : ИрГУПС, 2009. – 172 с.
Мухопад Ю.Ф., Мухопад А.Ю. Метод синтеза сложных автоматов // Информационные и математические технологии в науке и управлении. Иркутск : ИСЭМ, 2009. –
Ч. 1. – С. 157–163.
Mukhopad Yr.F., Mukhopad A.Yr. Microelectronic controlling of realtime complicated
technical systems // International journal of applied and fundamental research (JSSN
1996 – 3955). 2009. № 2. – Р. 26–29.
Мухопад А.Ю., Мухопад Ю.Ф. Микропрограммный автомат. Пат. на полезн. модель № 82888, БИ № 13, 2009.
Мухопад Ю.Ф., Хомяков Г.К. Системный анализ информационно-управляющих процессов в подсистемах организма человека // Информационные системы контроля и
108
23.
24.
25.
26.
управления в промышленности и на транспорте. Иркутск: ИрГУПС, 2009. – Вып. 16.
– С. 48–55.
Мухопад Ю.Ф., Кучина Е.М. Адаптивный аналого-цифровой фильтр. Ас СССР
№ 714408. БИ 5, 1980.
Редько В.Г. Эволюционная кибернетика. М. : Наука, 2003. – 156 с.
Пайтген Х.О., Рихтер П.Х. Красота фракталов. Образы комплексных динамических систем. М. : Мир, 1993. – 176 с.
Цифровые радионавигационные системы // ред. В.Б. Смолов. М. : Сов. Радио,
1980. – 287 с.
109
IV. ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
В УЧЕБНОМ ПРОЦЕССЕ
УДК 004
С.И. Белинская, А.В. Козыревская, Н.А. Климова, В.А. Лучников,
В.В. Михаэлис, С.И. Михаэлис, Л.В. Петрова, А.Л. Черепанова
МЕТОДИЧЕСКОЕ И ОРГАНИЗАЦИОННОЕ ОБЕСПЕЧЕНИЕ
НАУЧНО-ИССЛЕДОВАТЕЛЬСКОЙ РАБОТЫ СТУДЕНТОВ
КАФЕДРЫ «ИНФОРМАТИКА» ИРГУПС
Научно-исследовательская работа студентов (НИРС) – важная часть
учебного процесса в вузе, являющаяся основным методом апробирования
полученных студентами на лекциях и лабораторных занятиях знаний,
условием приобретения навыков и умений проведения научной работы.
Студент, занимающийся научной работой, развивает такие важные качества, как творческое мышление, ответственность, умение отстаивать свою
точку зрения. Со стороны преподавателей необходимы внимание и поддержка, без которых студенты, особенно младших курсов, не захотят, а порой и просто не смогут заниматься наукой.
Научными интересами кафедры «Информатика» охватываются студенты как младших, так и старших курсов университета. Основной работой кафедры в рамках НИРС является проведение ежегодной студенческой
научно-практической конференции по информационным технологиям, организация и проведение внутривузовской олимпиады по программированию, подготовка студентов к участию в областной и всероссийской олимпиадах по программированию, всероссийской олимпиаде программных
продуктов, разработанных студентами, публикация статей в соавторстве со
студентами.
Основными задачами НИРС являются:
110
1) выявление
наиболее одаренных студентов, имеющих выраженную
мотивацию к научной деятельности;
2) содействие всестороннему развитию личности студента, формированию его объективной самооценки, приобретение навыков самостоятельной работы и работы в творческих коллективах, овладение методологией
научных исследований;
3) ориентация студентов на их будущую профессию;
4) развитие и укрепление познавательного интереса в области информационных технологий.
Хотелось бы остановиться на одном из видов НИРС – участии студентов в научно-практической конференции по информационным технологиям, для работы в которой вовлечено достаточно большое число студентов разных факультетов университета, а не только обучающихся на специальностях Института информационных технологий и моделирования.
Опыт работы студенческих конференций последних нескольких лет
показывает, что выделились определенные направления, по которым работают студенты.
В последнее время одной из постоянно используемых тем студенческих научных работ является разработка электронных учебников, пособий
для изучения той или иной дисциплины.
Компьютерные обучающие программы базируются на использовании учебных материалов, представленных в электронном виде. Это книги,
учебники, справочники, демонстрации лабораторных работ и прочие учебные материалы. В электронном учебнике информация должна быть представлена как можно более разнообразно. Наряду с текстом должны присутствовать иллюстрации, видеофрагменты, интерактивные демонстрации,
аудиосопровождение. Это заставляет обучающихся задействовать больше
органов восприятия и способствует лучшему усвоению информации. Простейший электронный учебник можно создать даже в MS PowerPoint, MS
Word, используя гиперссылки для перехода от одного документа к другому. Однако в этом случае трудно использовать абсолютные ссылки и приходится заново компоновать учебник на конкретном носителе (на диске C:
или H: с flаsh-памяти либо с оптического диска D). Для создания полноценных электронных учебников необходимо использовать специализированные среды разработки, которые:
– позволяют импортировать и осуществлять интеграцию наиболее распространенных медиаформатов;
– содержат средства воспроизведения и обработки аудио- и видеоинформации;
– поддерживают международные стандарты электронного обучения;
– содержат средства взаимодействия с системами поддержки
обучения;
111
дают возможность публиковать конечный продукт в web и записывать на CD;
– содержат шаблоны и готовые функциональные узлы электронных учебников.
Наиболее часто при создании электронных учебников студенты используют следующие программные средства: Macromedia Flash MX,
HTML, JavaScript, PHP или возможности объектно-ориентированных языков. На конференции 2008 года была представлена работа Владимира Гузеля (гр. ПО-07-1, руководитель – С.И. Белинская) на тему «Электронный
учебник
по информатике» для
специальности
«Программное
обеспечение». Учебник был разработан в среде Delphi 7.0. Кроме тем, изучаемых на лекциях, в нем представлены и вопросы для самотестирования.
На рисунке 1 представлен внешний вид первой страницы учебника.
–
Рис. 1. Внешний вид учебника, созданного в среде Delphi
На конференции 2009 года для специальности «Мировая экономика»
студенткой Анастасией Гончаровой также рассматривалась тема электронного учебника, его исполнение в среде MS Word. Студентка создала
учебник, в котором представлены описания лабораторных работ и демонстрация всех лекций за учебный год. В процессе разработки выяснились недостатки среды разработки электронного учебно-методического
112
комплекса, и с учетом изложенного выше учебник переделан в среде Macromedia Flash MX.
С начала 90-х гг. XX в. параллельно с распространением персональных компьютеров в России стало активно развиваться компьютерное педагогическое тестирование. При этом зачастую многие преподаватели используют свои тестирующие программы, основываясь на личных возможностях и представлениях о структуре таких программ. Разумеется, в определенной степени эти программы являются более гибкими и подходящими
для их использования в учебном процессе хотя бы потому, что автору намного легче вносить в программу необходимые изменения.
Авторами тестирующих программ являются и студенты. В рамках
изучения дисциплины «Операционные системы», которую ведет ст. преподаватель кафедры «Информатика» Н.А. Климова, студентом гр. ПО-06-1
Антоном Ткаченко был представлен тестирующий программный комплекс
ASE TestStudio (название разработчика), созданный с использованием среды программирования Delphi 7.0 фирмы Borland. Программный комплекс
содержит модуль для создания вопросов ASE TestStudio Editor, модуль системы управления тестами ASE TestStudio, а также модуль настройки просмотра результатов теста и вывода их на печать. Комплекс разрабатывался
для использования в учебном процессе, промежуточного контроля и
контроля остаточных знаний студентов по дисциплинам «Информатика»,
«Программирование на языке высокого уровня», «Операционные
системы». Однако он может быть дополнен вопросами и по другим темам
и дисциплинам. Программа была разработана автором в 2006–2007 годах,
продемонстрирована на студенческой конференции в 2008 г., а затем, в
процессе апробации и адаптации в учебном процессе, была модифицирована и представлена вновь на конференции в 2009 г. Студент внес в нее изменения, позволяющие использовать технологию «клиент – сервер». Программа Server.exe, включенная в состав программного комплекса, позволяет следить за испытаниями учащихся с компьютера преподавателя (сервера) и сохранять все результаты в базе на сервере. Это дает возможность
удаленного слежения за процессом тестирования, а результаты могут быть
просмотрены преподавателем в удобное для него время и переведены в печатную форму представления. В программе также изменены возможности
регистрации пользователей (тестируемых). Сервер позволяет подключаться к базе данных администратора ЛВС ИрГУПС, поэтому для авторизации
в программе используются те же данные, что и для входа в ЛВС. Это упрощает работу по ведению базы данных испытуемых на сервере.
Программный комплекс ASE TestStudio Server.exe в данное время
проходит испытание и адаптацию в учебном процессе на занятиях по дисциплинам, которые ведет руководитель проекта Н.А. Климова.
Еще одна категория студенческих работ – это разработка сайтов.
Сайты, представленные студентами, интересны как по содержанию, так и
113
оформлению. Некоторые студенты размещают свои сайты в сети Internet.
Увлеченность мультимедийными технологиями толкает их на изучение новых способов создания сайтов.
В 2008 г. студентом гр. АТС-07-1 Алексеем Потаповым был разработан сайт «Терминологический словарь по информатике» (руководитель –
С.И. Михаэлис), титульный лист которого представлен на рисунке 2.
Рис. 2. Титульный лист электронного словаря терминов
Данный словарь, выполненный с использованием языка HTML, ставит целью познакомить с различными терминами курса «Информатика» и
способствовать усвоению терминологии, а через нее и системы понятий в
области информатики и вычислительной техники. Словарь может быть использован в качестве учебного пособия по информатике. Другими разработками явились сайты на свободные темы. Так, в 2008 г. на конференции
была представлена работа студентов Александра Леликова и Евгения Минаева «Правила первой помощи при различных видах травматизма» (гр.
АТС-07-1, руководитель – С.И. Михаэлис), Виктории Истоминой, Дарьи
Зуевой «Япония» (гр. Ф-07-1, руководитель – А.Н. Мозолевская), в 2009 –
работа студенток гр. В-08-2 Ольги Бисюрко и Екатерины Михайловой «Санаторий «Братское взморье» (руководитель – В.В. Михаэлис). В 2008 г. на
114
конкурс web-сайтов был представлен сайт Виталия Чиликина (гр. ЗИ-06-1),
сделанный для кафедры «Высшая математика» ИрГУПС.
Интерес представляет социальный сайт «Выпускники ИрГУПСа», сделанный студентом гр. ПО-07-1 Анатолием Куприковым (руководитель –
С.И. Белинская). Им были проанализированы известные сайты подобного
рода: «В контакте», «Одноклассники», которые сейчас очень популярны. И таким образом возникла идея создать что-то необычное для университета, чего
до этого не было – социальную сеть «Выпускники ИрГУПСа». Задача в том,
чтобы создать сайт, на котором регистрировались бы и оставляли свои личные
данные все выпускники ИрГУПСа. Также у них должна быть возможность общаться друг с другом, знакомиться и переписываться в реальном времени. В
дальнейшем планируется создать пополняемую базу всех выпускников. Данная работа была сделана с использованием оболочки Social Engine 3.11, языков HTML и PHP, дизайн – с использованием PhotoShop.
В 2008 г. на студенческой конференции по информатике под руководством ст. преподавателя кафедры А.В. Козыревской была представлена
работа Александра Шайдюка (гр. ИС-07-1) «АРМ «Учет материалов».
Идея создания данной работы появилась из-за необходимости автоматизировать определенные расчеты конкретного предприятия.
Каждый месяц на обогатительную фабрику Коршуновского горно-обогатительного комбината поступают расходные материалы для работы
предприятия. Расходование каждого наименования подлежит строгой отчетности и списанию в конце каждого отчетного периода. Для упрощения
данной задачи был разработан данный АРМ. Он выполнен в среде Excel с
использованием элементов управления, форм, различных функций. Определенную сложность при проектировании внесло огромное количество наименований – около 16000. АРМ имеет действительное применение на работающем предприятии, составлен акт о внедрении.
В 2009 г. на конференции была представлена работа Марии Ракисловой (гр. ИС-08-1, руководитель А.В. Козыревская) – база данных «Региональная отраслевая олимпиада», сделанная в MS Access. Система довузовской подготовки в ИрГУПСе включает в себя создание профильных
классов в г. Иркутске и на линейных станциях. Все учащиеся профильных
классов в течение двух лет участвуют в региональной технической олимпиаде. Данная работа представляет собой базу данных лицеистов, участвовавших в отраслевой олимпиаде. Данные из базы импортируются в Excel,
где производится анализ данных.
Интерес студентов к компьютерным играм известен всем. Поэтому логично было бы использовать этот интерес в НИРС для более глубокого изучения языка программирования и реализации творческих идей студентов.
Дмитрий Рассоха (гр. ЭПС-08-2, руководитель – В.В. Михаэлис) создал
игру в среде программирования BPW по мотивам известной телевизионной
игры «Кто хочет стать миллионером?». Студент не изучал программирование
115
в школе, язык программирования PASCAL он начал осваивать только в рамках курса «Информатика» во втором семестре 1 курса. На создание программы потребовалось около месяца. Программа создавалась постепенно, сначала
очень простой алгоритм: вопрос и 4 варианта ответа. Затем добавилось накопление суммы «выигрыша» и «несгораемых» сумм. Следующим шагом
стало создание массива по 4 вопроса на каждый уровень сложности, из которого случайным образом выбирается вопрос. В данной программе использовались только изучаемые в рамках дисциплины «Информатика» операторы и
команды, поэтому код программы достаточно длинный.
Студент группы Д-08-4 Вадим Кожевников реализовал игру «Пятнашки» в Excel, используя язык VBA (руководитель – А.Л. Черепанова). Суть
игры заключается в передвижении по игровому полю фишек с числами таким образом, чтобы числа в итоге были расположены в порядке возрастания
по строчкам. Если игровое поле состоит из n фишек по горизонтали и вертикали, то всего должно быть n 2 − 1 фишек с числами. Выстраивание происходит путем передвижения фишки на пустое место (рис. 3). В Excel роль фишек
«играют» ячейки, заполненные числами. В процессе игры осуществляется
обмен значениями в смежных ячейках, одна из которых является пустой.
Рис. 3. Поле для игры в «Пятнашки»
Студентом для улучшения интерфейса созданы настройки игры, позволяющие задавать количество ячеек игрового поля, цвет заливки, цвет
шрифта (рис. 4). Для организации интерфейса студент использовал формы,
командные кнопки, текстовые поля, функцию «Окно сообщения (MsgBox)», функцию для определения системного времени. Установлен пароль на защиту VBA-кода от изменений.
116
Рис. 4. Настройки для игры «Пятнашки»
При каждом запуске игры числа в ячейках располагаются случайным
образом, не повторяясь между собой. По окончании игры указывается время и число ходов.
Кнопки «Выход», «Настройки», «Переставить» располагаются на
рабочем листе. При выходе из игры можно сделать выбор между продолжением начатой игры в следующий раз и выходом без сохранения
(рис. 5).
Рис. 5. Окно для выхода из программы
В отдельную группу хотелось бы выделить работы, выполненные с
использованием математических методов. В 2009 г. были представлены
две такие работы.
Работа Степана Калашникова (гр. ИС-06-2, руководитель В.А. Лучников) посвящена реализации L-систем и тертл-графики, связанных с
самоподобными фракталами, средствами системы Borland Pascal.
Понятие L-систем появилось только в 1968 году благодаря работам
А. Линденмайера. Изначально L-системы были введены для изучения формальных языков, а также использовались в биологических моделях селек117
ции. С их помощью можно построить многие известные самоподобные
фракталы, включая снежинку Коха и ковер Серпинского.
Для графической реализации L-систем в качестве подсистемы вывода используется тертл-графика (от англ. turtle – черепаха). При этом
точка («черепашка») движется по экрану дискретными шагами, прочер чивая свой след, но при необходимости может перемещаться без рисо вания.
В распоряжении пользователя имеются три параметра (x, y, α) –
координаты «черепашки» и направление, в котором она смотрит. «Черепашка» обучена интерпретировать и выполнять последовательности команд, задаваемых кодовым словом, буквы которого читаются справа налево. Кодовое слово представляет собой работу L-системы. Размер шага и
приращение по углу задаются заранее. Команды ветвления используются
для построения деревьев. Формально детерминированная L-система состоит из алфавита, слова инициализации, называемого аксиомой или инициатором, и набора порождающих правил, указывающих, как следует
преобразовывать слово при переходе от уровня к уровню (от итерации к
итерации). Обновление букв в слове предполагается одновременным, то
есть все буквы слова одного уровня обновляются раньше любой буквы
следующего уровня.
Например, L-система, соответствующая снежинке Коха, задается
следующим образом:
– аксиома: F++F++F++ (равносторонний треугольник),
– порождающее правило:
newf= --F++F—F,
где F – шаг вперед,
+ и – соответственно увеличение или уменьшение угла α на одинаковую величину, заданную заранее.
Студентка группы АТС-08-2 Маргарита Муштакова представила работу по созданию анимации в MathCAD «Построение снеговика» (руководитель – А.Л. Черепанова).
Анимация представляет собой быстро сменяющие друг друга кадры
с более или менее значительными изменениями. Требующиеся изменения
в кадр вносятся при помощи специальной переменной FRAME (кадр). При
подстановке переменной FRAME в функцию будет происходить изменение функции по мере смены кадров. В результате при совмещении
нескольких кадров получается анимация.
Анимация, представленная на конференции, заключается в создании
снеговика, появлении солнца и таянии. Снеговик строится из разных эллипсов, располагающихся первоначально в различных точках системы
координат. По мере смены кадров эллипсы двигаются по разным траекториям, определенным тригонометрическими функциями. Таяние представлено как уменьшение вертикального радиуса эллипса. Для смены функции
на нужном кадре использована условная функция IF. Операндом в логиче118
ском выражении является переменная FRAME. Анимация сохранена в
стандартном видеоформате, что позволяет просматривать ее в дальнейшем
без использования среды MathCAD. Ниже представлены функции, которые
были использованы, и 3 кадра из анимации (рис. 6).
k := FRAME


2
y ( x) := if  FRAME < 9 , 256 − ( x − 80 + 10 ⋅ k) −2 10 ⋅ sin ( k2) , if  FRAME < 13 ,

( 12 + k) − ( x + 10)
2
2


y ( x) := if  FRAME < 9 , 256 − ( x − 80 + 10 ⋅ k) − 10 ⋅ sin ( k) , if  FRAME
< 13 , 256 − ( x + 10) , 3 ⋅
k



2
2



( 10 + k) − ( x + 10)
2
2
r( x) := if  FRAME < 9 , 121 − ( x + 10) − 10k , if  FRAME < 13 , 121 − ( x + 10) + 27 , 3
+ 27 − 1.4k 
k



k := FRAME
2



k


2

3  8 +  − ( x + 10)



2
2
2

z( x) := if  FRAME < 9 , 64 − ( x + 100 − 10k) − 45 cos ( k) , if  FRAME < 13 , 64 − ( x + 10) + 47 ,
+ 47 − 2.4k 
k



2


 
k
2
− 3  6 +  − ( x + 10)



2
2
2

z2( x) := if  FRAME < 9 , − 36 − ( x + 100 − 10k) − 45 cos ( k) , if  FRAME < 13 , − 36 − ( x + 10) + 47 ,
+ 47 − 2.4k 
k




2

d ( x) := if  FRAME > 9 , 121 − ( x + 112 − 2.5k) + 60 , 250

d2( x) := if  FRAME > 9 ,

2

 12 + k  − ( ( x + 112 − 2.5k) ) 2 + 60 , 250


2


119
Рис. 6. Кадры из анимации
В заключение хочется отметить следующее:
1. Основной целью организации и развития системы научно-исследовательской работы студентов на кафедре «Информатика» ИрГУПС является повышение уровня научной и практической подготовки будущих специалистов железнодорожного транспорта в области информационно-компьютерных технологий, выявление талантливой молодежи, способной к самостоятельному поиску, повышению своей квалификации, решению поставленных задач.
2. Категории работ, созданных студентами и представляемых на
студенческой научно-практической конференции по информационным
технологиям, следующие: электронные учебники, сайты, базы данных и
обработка информации, игровые программы, тестирующие программы,
программы, использующие математические методы обработки информации.
УДК 519.6, 333.108
Ю.А. Жданов, С.И. Белинская
РАЗРАБОТКА ИНФОРМАЦИОННОЙ
СИСТЕМЫ МОНИТОРИНГА, ОБРАБОТКИ
И АНАЛИЗА ДАННЫХ НИРС В ИРГУПС
Система учета научно-исследовательской работы студентов
(НИРС) относится к классу систем автоматизации делопроизводства
(OAS). Такого рода информационные приложения используют техноло гии, разработанные, чтобы увеличить производительность труда обра ботчиков данных. На рисунке 1 приведена схема организации работы
отдела НИРС в ИрГУПС.
120
Рис. 1. Организация работы отдела НИРС
Эффективность и производительность – вот основные принципы, являющиеся двигателями для развития информационных систем в современном мире. Применение информационных систем меняет технологический
процесс и влияет на структуру организаций.
Системы создаются, чтобы обслужить различные организационные
интересы.
Взаимодействие данных информационных систем происходит на микроуровне, который выражается во влиянии на отдельных индивидуумов и
их работу, а также на работу отделов.
Результат от использования информационно-коммуникационных
технологий – это снижение транзакционных издержек в процессах информационного обмена и анализа информации, соответственно снижение нагрузки на отдел и увеличение эффективности его работы.
Отдел НИРС ИрГУПС занимается сбором и обработкой информации о достижениях студентов в различных сферах деятельности, мероприятиях и публикациях. Эти данные собираются со всех кафедр Ир ГУПС в бумажном варианте. Анализ и статистические документы по
этим данным формируются вручную. Все это, естественно, занимает
большое количество времени, и потребность в информационной системе
назрела давно.
На рисунке 2 приведена диаграмма компонентов информационной
системы.
121
Модуль конфигурации
Модуль аутентификации
Стартовый модуль
Модуль работы
с научными темами
Модуль работы
со студентами
Модуль работы
с мероприятиями
Генератор меню
Генератор отчетов
Модуль генерации
"Статистики по мероприятиям"
Модуль работы
с достижениями
Модуль работы
с публикациями
Модуль генерации
"Достижения студентов "
Модуль генерации
"Статистика по кафедрам "
Рис. 2. Диаграмма компонентов
Обзор инструментов разработки
В последнее время создаваемые системы используют клиент-серверные технологии и основываются на веб-технологиях. Преимущество систем, созданных с использованием веб-технологий, в их кроссплатформенности и в легкости подключения к серверному приложению. Устанавливать систему можно на сервер, и пользователь будет иметь доступ к ней с
любого компьютера, оснащенного браузером и доступом в интернет или
интранет.
Учитывая эти преимущества, было решено создавать систему с использованием инструментария, используя дополнительно веб-сервис
SOAP.
Веб-сервисы – это модная и современная технология. Список технологий, относящихся к веб-сервисам, увеличивается практически ежедневно, но SOAP является, вероятно, наиболее важной из них. Он стремительно
становится стандартным протоколом доступа к веб-сервисам. SOAP
(Simple Object Access Protocol) представляет из себя основанный на XML
протокол, предназначенный для обмена структурированной информацией
между распределенными приложениями поверх существующих в веб протоколов, например HTTP. Спецификация SOAP определяет формат, используемый XML-сообщениями, то, как они должны обрабатываться, набор правил кодирования для стандарта, типы данных, а также соглашения
для вызова удаленных процедур и ответы на вызовы.
Все системы, создаваемые для ИрГУПС, основываются на единой
БД, а также поддерживаются единственным отделом РИСПО. Поэтому для
разработчиков существует ряд серьезных ограничений, основным из которых является то, что серверное приложение должно быть написано на языке PHP 5, а в качестве СУБД должен использоваться MySQL.
122
PHP – это язык программирования для создания веб-приложений,
т. е. приложений, взаимодействующих с пользователем по протоколу
HTTP. Язык интерпретируемый, т.е. для исполнения сценария на сервере
должен быть установлен интерпретатор PHP. Программа, написанная на
PHP, может вставляется в файл HTML. В настоящее время поддерживается
подавляющим большинством хостинг-провайдеров.
MySQL – свободная система управления базами данных (СУБД). Система управления базами данных (СУБД) – специализированная программа (чаще комплекс программ), предназначенная для организации и ведения
базы данных. MySQL является собственностью компании Sun Microsystems, осуществляющей разработку и поддержку приложения. Распространяется под GNU General Public License и под собственной коммерческой лицензией, на выбор.
Общий вид управления системой на основе меню представлен на рисунке 3.
Рис. 3. Система учета НИРС
Для повышения удобства использования системы все операции по
работе с достижениями и публикациями можно выполнить не только изпод интерфейса «информации о мероприятии», но и из-под интерфейса
123
«информации о студенте», показанного на рисунке 4. В нем можно посмотреть перечень публикаций и достижений каждого студента.
Рис. 4. Выбор информации о студенте
Данная система также призвана помочь преподавателям, ответственным на кафедрах и в деканатах за работу со студентами, в формировании
их личности, следить за успеваемостью и общественной активностью молодежи.
Литература
1. http://www.phpclub.ru/detail/article/soap.
2. Арбатский Е.В. Использование SOA при создании корпоративной информационной
системы на примере единой информационной системы Иркутского государственного университета путей сообщения // Труды ХII Байкальской Всероссийской конференции «Информационные и математические технологии в науке и управлении».
Иркутск, 2007. Часть II. С. 65–72.
УДК 519.6
Н.А. Лаврухина, Н.И. Абасова
МЕТОДЫ ОЦЕНКИ КАЧЕСТВА ТЕСТОВ
ПО РЕЗУЛЬТАТАМ ТЕСТИРОВАНИЯ
Введение
В последнее время все больше растет интерес к тестированию как
наиболее объективному методу оценки уровня подготовленности испытуемых. Тестовые технологии контроля знаний студентов широко применяются в вузах России на промежуточных этапах учебного процесса, но применение тестирования на экзаменах сдерживается отсутствием данных о
124
качестве применяемых тестов и надежности получаемых результатов
контроля [1].
На данный момент создание качественных тестов реализуется в рамках двух базовых итерационных подходов:
1. CTT – Classical Test Theory (классическая или традиционная теория тестов);
2. IRT – Item Response Theory (современная теория тестовых заданий).
1. Критерии оценки качества тестов
Оценка качества теста традиционно сводится к определению меры
его надежности и вопросу валидности полученных результатов [2].
Надежность означает относительное постоянство, устойчивость,
согласованность результатов теста при первичном и повторном его применении на одних и тех же испытуемых.
Валидность означает пригодность тестовых результатов для той
цели, ради которой проводилось тестирование. Валидность зависит от качества заданий и их количества, от степени полноты и глубины охвата
содержания учебной дисциплины в тестовых заданиях. Кроме того, валидность зависит также от распределения заданий по трудности, от метода отбора заданий в тест из общего банка заданий, от интерпретации тестовых результатов.
2. Основные положения классической теории тестов
Классическая теория тестов (CTT) – подход, доминировавший в тестологии до 60-х годов 20 века – до появления IRT (теории тестовых заданий). Основные положения CTT:
1. Индивидуальный тестовый балл ( X i ) i-го испытуемого является суммой истинного балла испытуемого ( Ti ) и независимой
ошибки измерения ( Ei ):
X i = Ti + Ei .
2. Истинные компоненты ( Ti ) не коррелируют с ошибочными (
Ei ) компонентами измерения. Т.е. если высоким значениям тестовых баллов соответствуют и более высокие значения ошибок
с определенным знаком, то такие ошибки нельзя считать случайными.
3. Ошибочные компоненты одного параллельного варианта не
коррелируют с такими же компонентами другого, параллельного
варианта теста. Параллельными называются варианты, которые
имеют сходное предметное содержание в пределах укрупненной
учебной единицы. Т.е. параллельный тест, имея внешне отличаю-
125
щееся содержание, должен концептуально измерять то же самое,
что и исходный тест, с той же точностью.
Иcходя из данных постулатов выводится представление о соотношении валидности, надежности и других статистических показателях качества тестов.
Главным инструментом конструирования тестов в рамках CTT является обеспечение гомогенности (статистической согласованности) тестовых заданий, включенных в одну тестовую шкалу. Гомогенный тест представляет собой систему заданий возрастающей трудности специфической
формы и определенного содержания, создаваемую с целью объективного,
качественного и эффективного метода оценки уровня подготовленности
учащихся по одной учебной дисциплине.
Первичной информацией при тестировании знаний является набранный балл испытуемых (первичный балл), т.е. чем больше заданий выполнил испытуемый, тем выше его балл. Достоинством этой оценки является
ее простота и наглядность. Проблема заключается в том, что первичный
балл является не абсолютной, а относительной оценкой, индикатором подготовленности испытуемого, а не ее мерой. Он существенно зависит от
трудности заданий теста и на другом тесте может оказаться иным, причем
сама трудность теста в свою очередь определяется всем контингентом испытуемых. Кроме того, из-за случайности выборки нельзя заранее определить, какие задания по сложности достанутся обучаемому.
Таким образом, к недостаткам CTT относят:
− зависимость оценок от трудности заданий теста;
− зависимость оценок от уровня подготовленности студента.
3. Современная теория тестовых заданий
Для решения проблем классической теории тестирования была разработана современная теория тестовых заданий (IRT). IRT позволяет установить связь между уровнем знаний испытуемых и результатами выполнения тестов, что позволяет определить уровень знаний независимо от сложности заданий. IRT имеет следующие достоинства:
− уровень подготовленности и трудность заданий измеряются на
одной и той же интервальной шкале;
− оценка уровня подготовленности не зависит от теста;
− оценка трудности задания не зависит от уровня подготовленности
испытуемых;
− проверяется адекватность результатов тестирования модели
измерения.
В настоящее время IRT представляет собой довольно обширную
теорию, активно использующую разнообразный арсенал моделей тестирования.
126
Модель тестирования [3] – одна или несколько функциональных зависимостей, гипотетически связывающих подлежащие определению характеристики (параметры) участников тестирования и тестовых заданий с
такими величинами, которые реально проявляются в результате выполнения соответствующего теста (например, с вероятностью правильного выполнения испытуемым определенного уровня подготовленности тестового
задания определенной трудности).
Первичной моделью в IRT стала модель латентной дистанции,
предложенная Г. Рашем [4]: разность уровня способности и трудности теста xi − bi , где xi – положение i-го испытуемого на шкале, а bi – положение
j-го задания на той же шкале. Расстояние ( xi − bi ) характеризует отставание
способности испытуемого от уровня сложности задания. Если разница велика и отрицательна, то задание не может быть выполнено, так как для
данного испытуемого оно слишком сложно. Если же разница велика и положительна, то задание также не информативно, ибо испытуемый заведомо
легко и правильно его решит.
Вероятность правильного решения задания i-м испытуемым:
Pi ( xij ) = f ( xi − β i ) .
Вероятность выполнения j-го задания группой испытуемых:
Pj = ( x − β j ) .
В IRT функции x и f (b) называются функциями выбора пункта. Соответственно первая является характеристической функцией испытуемого,
а вторая – характеристической функцией задания. Кроме «свойства» и
«силы пункта» (трудности задания) в аналитическую модель IRT могут
включаться и другие переменные.
Все варианты IRТ классифицируются по числу используемых в них
переменных. Наиболее известны однопараметрическая модель Г. Раша,
двух- и трехпараметрическая модели А. Бирнбаума.
В рамках однопараметрической модели Г. Раша, называемой характеристической кривой, задания характеризуются только одним параметром
– трудностью [5]. Вероятность правильного ответа на j-е задание с трудностью β j для i-го испытуемого с уровнем подготовленности θ i выражается
зависимостью
θ −β
ei j
(1)
Pij =
θ −β
1+ e i j
Чем выше крутизна функции P, тем уже интервал, на котором это задание работает. При конструировании теста необходимо получить характеристические кривые всех заданий. Характеристические кривые могут накладываться одна на другую. В этом случае избыточные задания выбра127
ковываются. На определенных участках оси характеристические кривые
заданий могут вовсе отсутствовать. Тогда разработчик теста должен добавить задания недостающей трудности, чтобы равномерно заполнить ими
весь интервал шкалы логитов от –6 до +6. Заданий средней трудности
должно быть больше, чем на «краях» распределения, чтобы тест обладал
необходимой дифференцирующей (различающей) силой.
Главным недостатком модели Раша считают пренебрежение «крутизной» характеристических кривых: «крутизна» их полагается одинаковой. Задания с более «крутыми» характеристическими кривыми позволяют
лучше «различать» испытуемых (особенно в среднем диапазоне шкалы
способностей), чем задания с более «пологими» кривыми. Таким образом
возникла мысль об улучшении модели Раша за счет введения в выражение
второго параметра. Параметр α j , определяющий «крутизну» характеристических кривых заданий, называют дифференцирующей силой задания.
Он используется в двухпараметрической модели Бирнбаума.
Модель Бирнбаума описывается формулой:
α (θ − β )
e j i j .
Pij =
α (θ − β )
1+ e j i j
Результаты эмпирических исследований показали, что относительная
частота решения «закрытых» заданий отклоняется от теоретически предсказанных вероятностей двухпараметрической модели Бирнбаума. Чем
ниже уровень способностей испытуемого (низкие значения параметра θ i ),
тем чаще он прибегает к стратегии угадывания. Аналогично, чем труднее
задание (высокие значения параметра β j ), тем больше вероятность того,
что испытуемый будет пытаться угадать правильный ответ, а не решать задачу.
Бирнбаум предложил трехпараметрическую модель, которая позволила бы учесть влияние угадывания на результат выполнения теста [4].
Модель описывает задания тремя параметрами – трудностью ( β ), различающей способностью ( α ) и параметром угадывания ( С ). Это накладывает
менее жесткие ограничения на форму характеристических кривых, однако
предполагает более сложные процедуры калибровки и анализа результатов
[5]. Вероятность успеха для модели Бирнбаума имеет вид:
α (θ − β )
e j i j
.
Pj = C j + (1 − C j )
α j (θ i − β j )
1+ e
C j характеризует вероятность правильного ответа на задание j в том
случае, если испытуемый угадывал ответ, а не решал задание.
Успешность решения задачи в моделях IRT зависит только от одного
свойства, т.е. каждое задание теста считается априорно валидным. Аванесов обратил внимание на это обстоятельство и ввел дополнительный, чет128
вертый, параметр, который можно обозначить как внутреннюю валидность
задания ( γ j ). Успешность решения задания определяется не только «основной» способностью ( θ i ), но и множеством условий, не релевантных заданию, однако влияющих на деятельность испытуемого.
Четырехпараметрическая модель представляет, по мнению ряда исследователей, лишь теоретический интерес:
Pij = C j + (γ j − C j )
e
α j (θ i − β j )
1+ e
α j (θ i − β j )
.
Многие авторы, в частности Пол Клайн [6], отмечают, что IRT обладает множеством недостатков. Для того чтобы получить надежную и не зависящую от испытуемых шкалу свойств, требуется провести тестирование
большой выборки испытуемых (не менее 1000). Тестирование достижений
показывает, что существуют значительные расхождения между предсказаниями модели и эмпирическими данными.
Наиболее эффективным использование IRT становится при сформированном банке тестовых заданий, что обеспечивает возможность автоматической генерации тестов, с определенными наперед заданными и
научно обоснованными характеристиками точности и надежности.
4. Методика оценки качества тестов
Классическая теория тестов считается устаревшей, но, тем не менее,
широко применяется во многих тестовых системах, IRT активно используется в новейших разработках, но требует для получения достоверных результатов накопления и обработки больших объемов статистических данных [7].
Зачастую целесообразно использовать сочетание двух упомянутых
теорий [8]. С помощью статистических методов классической теории проводится первичный анализ качественных характеристик полученного варианта теста, а с помощью IRT более углубленный анализ характеристик тестовых заданий.
4.1. Статистический анализ качества тестов на основе CTT
Анализ и оценка тестовых заданий начинается после апробации теста на целевой группе. Рассмотрим пошаговую процедуру статистической
обработки результатов тестирования в соответствии с классической теорией тестов.
Пусть xij – числовая оценка успешности выполнения j -го задания i -м
испытуемым. Данные тестирования обычно интегрируют в форме матрицы
{xij } c n строками и m столбцами, что удобно для обработки и отражает
129
взаимодействие множеств испытуемых и заданий. Затем задания в таблице
начинают сортировать по следующим критериям [9]:
1. Мера трудности задания – определяет соответствие задания целевой группе теста. Показатель трудности помогает проранжировать задания, входящие в тест, по степени сложности. В правильно сконструированном тесте задания должны располагаться по
нарастанию сложности.
2. Вариация баллов – степень разнообразия данных, полученных
при выполнении задания. Если на какое-то задание одинаково отвечают все испытуемые, между ними нет вариации, то такое задание становится нетестовым.
3. Дифференцирующая способность (дискриминативность) задания – способность задания дифференцировать испытуемых по
уровню достижений на сильных и слабых.
Шаг 1. Определение меры трудности задания
Вычисляются индивидуальные баллы (см. табл. 1), показывающие
результат выполнения теста каждым испытуемым ( y i – первичный балл i
-го испытуемого) и количество правильных ответов на каждое задание ( R j
– первичный балл j -го задания).
Осуществляется упорядочение матрицы результатов тестирования.
Для этого производится перестановка строк и столбцов, значения R j располагаются в порядке убывания, а y i – в порядке возрастания.
Таблица 1
Определение индивидуальных баллов испытуемых
и количества правильных ответов на задания
Испытуемые
Задания 1 m
1

n
1
xij = 
0
Количество правильных
ответов на задания ( R j )
Rj =
yi =
n
∑
i= 1
Индивидуальный балл ( y i )
n
xij
∑
i= 1
m
∑
yi =
j= 1
xij
m
∑
j= 1
Rj
Далее вычисляются средние результаты суммарных баллов испытуемых ( y i – доля правильных ответов каждого испытуемого) и средние результаты испытуемых по каждому заданию ( p j – доля правильных ответов
на каждое задание):
y
yi = i ,
n
130
pj =
Rj
n
.
(2)
Показатель p j в тестологии называют мерой трудности j -го задания.
Однако чем больше величина коэффициента p j , тем легче задание. Поэтому в последние годы с показателем трудности стали ассоциировать долю
неправильных ответов ( q j ):
Wj
,
(3)
qj =
n
где W j – число неправильных ответов на j -е задание.
Шаг 2. Определение вариации баллов
Стандартное отклонение является общепринятой мерой вариации
2
тестовых баллов. Вычисляется дисперсия ( s y ) и стандартное отклонение
( s y ) суммарных баллов испытуемых:
n
∑
s =
i= 1
2
y
( yi − y ) 2
n− 1
, sy =
s 2y .
2
Аналогично вычисляется дисперсия ( s j ) и стандартное отклонение (
s j ) результатов испытуемых по j -му заданию:
2
−
для дихотомической шкалы s y = p j ∗ q j ,
−
для непрерывной шкалы
n
s 2j =
∑
i= 1
( xij − R j ) 2
,
n− 1
sj =
s 2j .
Шаг 3. Определение дифференцирующей способности задания
Задание нецелесообразно включать в тест, если оно не коррелирует
с суммой баллов по всему тесту. Коррелируемость проверяется посредством расчета коэффициента корреляции. Для этого используется классический коэффициент корреляции Пирсона:
n
∑
i= 1
rj =
( xij ∗ yi )
n
− pj ∗ y
s j ∗ sy
n .
∗
n− 1
С помощью подсчета значений бисериальной или точечно-бисериальной корреляции оценивается валидность отдельных заданий теста.
Значение точечно-бисериального коэффициента ( B j ), в отличие от бисериального, не может выходить за рамки [–1; 1], что более удобно для интерпретации результатов [10]:
131
Bj =
pj − qj
Rj ∗ Wj
sy
n(n − 1)
.
Далее с помощью коэффициента Пирсона определяется попарная
корреляционная связь заданий между собой, называемая интеркорреляцией:
n
∑
i= 1
( xij ∗ xik )
n
r jk =
− p j ∗ pk
s j ∗ sk
∗
n .
n− 1
Преобразованный коэффициент Пирсона для дихотомических данных называется коэффициентом «фи» и вычисляется по формуле [11]:
ϕ
где
A=
n
∑
i= 1
jk
=
A∗ D − B ∗ C
( A + B )(C + D)( A + C )( B + D)
,
xij ∗ xik – количество испытуемых, верно выполнивших задания
j и k;
B=
n
∑
i= 1
xij ∗ (1 − xik ) – количество испытуемых, верно выполнивших за-
дание j и неверно – задание k;
C=
n
∑
i= 1
(1 − xij ) ∗ xik – количество испытуемых, неверно выполнивших
задание j и верно – задание k;
D=
n
∑
i= 1
(1 − xij ) ∗ (1 − xik ) – количество испытуемых, неверно выполнив-
ших задания j и k.
Шаг 4. Калибровка тестовых заданий
На основе полученных значений вектора коэффициентов трудности
{ p j } , вектора корреляций {r j } (или {B j } ) и корреляционной матрицы {r jk }
осуществляется калибровка заданий. Из теста удаляются слишком легкие
задания ( p j > 0,9 ) и слишком трудные ( p j < 0,2 ). Затем исключаются задания, плохо коррелирующие с суммой баллов по всему тесту ( r j < 0,15 или
ϕ j < 0,15 ) и плохо коррелирующие между собой ( r jk < 0 или ϕ jk < 0 ).
Для укороченного списка заданий вновь подсчитываются суммарные
баллы испытуемых ( y i ). Затем составляется новая, упорядоченная матрица
результатов тестирования, для которой пересчитываются средний суммарный балл, дисперсия суммарных баллов и коэффициенты корреляции заданий с суммой баллов.
4.2. Оценка соответствия трудности заданий теста
уровню подготовленности испытуемых в IRT
132
В качестве математической модели, связывающей успех испытуемого с уровнем его подготовленности и трудностью задания выбирается логистическая функция. Для модели Раша она вычисляется по формуле (1).
Параметры θ (уровень подготовленности испытуемого) и β (трудность задания) в современной теории тестирования называют латентными
параметрами, т.к. они не измеряются непосредственно в процессе тестирования. Рассмотрим процедуру вычисления θ и β [12].
Шаг 1. Вычисляются доли правильных ( p j ) и доли неправильных
ответов испытуемых ( q j ) по формулам (2) и (3).
Шаг 2. Вычисляются начальные значения уровня подготовленности
0
испытуемых ( θ i0 ) и трудности заданий ( β j ):
θ i0 = ln
pi
,β
qi
qj
= ln
0
j
pj
.
Шаг 3. Вычисляются средние значения уровня подготовленности испытуемых ( θ ) и трудности заданий ( β ):
n
∑
θ =
i= 1
θ i0
m
,
β =
n
∑
β
j= 1
0
j
.
m
Шаг 4. Значения параметров сводятся в единую шкалу стандартных
оценок. Для этого вычисляются дисперсии ( Sθ , S β ) и угловые коэффициенты ( α θ , α β ):
n
∑
Sθ =
α
θ
i= 1
=
(θ i0 ) 2 − n(θ ) 2
n− 1
1 + S β / 2,89
1 − Sθ S β / 8,35
m
,
Sβ =
,αβ =
∑
j= 1
( β 0j ) 2 − m( β ) 2
,
m− 1
1 + Sθ / 2,89
.
1 − Sθ S β / 8,35
Далее оценки параметров θ и β записываются на единой интервальной шкале:
θ i = α θ θ i0 + β , β j = α β β 0j + θ .
Шаг 5. Вычисляется сумма значений параметра β :
∑
β
=
m
∑
j= 1
β j.
При ∑ β > 0 тест содержит больше трудных заданий, при ∑ β < 0 тест
содержит больше легких заданий. Рекомендуется стремиться к сбалансированности теста, когда ∑ β близко к нулю.
Шаг 6. Вычисляются стандартные ошибки измерения S E (θ i ) и S E ( β j ) :
S E (θ i ) =
α
θ
n ∗ pi ∗ qi
, S E (β i ) =
α
β
m∗ pj ∗ qj
.
Вычисляются значения параметров с учетом ошибки измерения:
133
θ i′ = θ i + S E (θ i ) , β ′j = β j + S E ( β j ) .
Заключение
Практическое использование подходов, предлагаемых рассматриваемыми теориями, позволяет произвести тестологическую экспертизу результатов тестирования, направленную на определение статистических
норм показателей качества тестовых материалов. Предложенная последовательность проведения статистической обработки может служить основой
для организации отдельных этапов комплексной экспертизы разрабатываемых тестов.
Литература
1.
Шадриков В., Розина Н. Централизованное тестирование: проблемы и
перспективы // Высшее образование в России. – 2000. – № 1. – С. 27–31.
2.
Аванесов В.С. Композиция тестовых заданий [Электронный ресурс]. М., 1998. –
http://testolog.narod.ru/Theory47.html.
3. Национальная психологическая энциклопедия [Электронный ресурс]. –
http://vocabulary.ru/dictionary.
4.
Дружинин В.Н. // Экспериментальная психология : учебник для вузов. – 2-е изд.,
доп. – СПб. : Питер, 2003. – 319 с. : ил.
5.
Михеев В.М. Математические модели стандартных педагогических тестов
[Электронный ресурс]. – http://evrika.tsi.lv/index.php?name=texts&file=show&f=272.
6.
Клайн П. Справочное руководство по конструированию тестов. Киев, 1994.
7.
Кинцель Д.А., Кузнецов А.В. Нечисловой подход к моделям тестирования и
оцениванию параметров тестов // Education Technology & Society. 2007. – № 10(1).
– С. 276–281.
8.
Сорокина О.Л., Романюк Э.И., Тимохин В.В. Использование IRT в психологии //
Современная теория сложности заданий в психологии [Электронный ресурс]. М.,
2004. – http://www.matlab.mgppu.ru/work/0015.htm.
9.
Данилова О. Разработка тестов [Электронный ресурс]. – http://www.effecton.ru/642.html.
10. Ащепкова Л.Я. Материалы к семинару по обработке результатов тестирования
[Электронный
ресурс].
–
http://kpmit.wl.dvgu.ru/library/aschepkova_testing17102001/index.phtml.
11. Звонников В.И., Челышкова М.Б. Современные средства оценивания результатов
обучения : учеб. пособие для студ. высш. учеб. заведений. М. : Академия, 2007. –
224 с.
12. Ким В.С. Тестирование учебных достижений : монография. – Уссурийск : Издательство УГПИ, 2007. – 214 с. : ил.
УДК 378.147
Ю.И. Петров
ПРИНЦИПЫ ПОСТРОЕНИЯ ИНФОРМАЦИОННО-ОБ134
РАЗОВАТЕЛЬНОЙ СРЕДЫ УНИВЕРСИТЕТА
Создание высококачественной и высокотехнологичной информационно-образовательной среды (ИОС) рассматривается в основном как достаточно сложная техническая и организационная задача, позволяющая коренным образом модернизировать технологический базис системы образования, осуществить переход к открытой образовательной системе, отвечающей требованиям постиндустриального общества [1]. Для построения информационно-образовательной среды университета, которая в полной мере
включает новые образовательные технологии, ориентированные на использование информационных и коммуникационных технологий (ИКТ),
учитывающие национальные требования к системе образования и гармонизированные с мировыми тенденциями, на первый план выходят задачи:
• создание на базе анализа достигнутых результатов использования ИКТ в образовательном процессе университета единой концепции построения информационно-образовательной среды университета;
• разработка методов проектирования и внедрения ИОС в учебный процесс с целью дальнейшего повышения эффективности
обучения, расширения сферы экспорта образовательных услуг и
адекватной реакции на возрастающую динамику изменения знаний, особенно в области технических наук.
ИОС большинства университетов формировались постепенно, поскольку в любом крупном российском университете информационные технологии являются необходимой составляющей учебного процесса в той
или иной степени уже не один десяток лет. Поэтому использование ИКТ в
образовании имеет достаточно большой опыт и неразрывно связано с прогрессом технологий в области вычислительной техники, и в первую очередь с развитием компьютерных средств. Если рассматривать ретроспективу разработки и использования компьютерных средств поддержки обучения, то в методологическом плане с самого начала они развивались по
двум направлениям, слабо связанным между собой. Первое направление
опирается в своей основе на идеи программированного обучения. В его
рамках разрабатываются и эксплуатируются автоматизированные обучающие системы (АОС) по различным учебным дисциплинам. Ядром АОС являются так называемые авторские системы, позволяющие преподавателю-разработчику вводить свой учебный материал в базу данных и программировать с помощью универсальных или специализированных языков
программирования или других средств алгоритмы его изучения. Характерными представителями АОС, построенных на технологии программированного обучения, длительное время являлись: за рубежом система
PLATO, в нашей стране семейство АОС ВУЗ. С начала 90-х годов в России
и странах СНГ на этапе внедрения в учебный процесс персональных
135
компьютеров стали разрабатываться и распространяться инструментальные среды для создания компьютерных обучающих систем.
Однако эти системы решали частные задачи, их применение требовало специальной подготовки, а развитие и распространение полностью зависело от автора программы. Невозможность применения подобных программ на различных аппаратных платформах, фрагментарность, отсутствие
универсального интерфейса и ряд других причин серьезно ограничивают
их применение для построения информационно-образовательной среды.
Второе направление компьютеризации обучения является как бы
вторичным приложением компьютеризации различных отраслей человеческой деятельности (науки, техники, экономики и др.). Это отдельные программы, пакеты программ, элементы автоматизированных систем, предназначенные для автоматизации трудоемких расчетов, оптимизации, исследования свойств объектов и процессов на математических моделях и т.п.
Применение таких программных систем в учебном процессе носит более
массовый характер, чем использование универсальных АОС, как в нашей
стране, так и за рубежом, но, в силу своей разобщенности в содержательном плане и отсутствия единой дидактической платформы, менее известно,
недостаточно систематизировано и обобщено в научно-методической литературе. Среди многочисленных работ в нашей стране по адаптации отраслевых программных разработок для целей обучения определенной системностью и попытками дидактических и технических обобщений выделяются работы по созданию учебно-исследовательских САПР.
Появление персональных компьютеров и доступа в глобальную сеть
Интернет привнесло в сферу образования не только новые технические, но
и дидактические возможности. Это простота диалогового общения, доступ
к гигантским объемам информации и, конечно же, возможность визуализации. Применение графических объектов в учебных компьютерных системах позволяет не только увеличить скорость передачи информации обучаемому и повысить уровень ее понимания, но и способствует развитию таких
важных для специалиста любой отрасли качеств, как интуиция, профессиональное чутье, образное мышление. А на рынке компьютерных технологий
появляются еще более перспективные для целей профессиональной подготовки технические и программные новинки. Это внешние запоминающие
устройства с большими объемами памяти, инструментальные программные средства гипертекста, мульти- и гипермедиа, системы «виртуальной
реальности». Ключевыми стали такие понятия, как «виртуальная лаборатория», «виртуальная экскурсия», «виртуальный класс», «виртуальный студенческий городок», «виртуальный университет».
Интеграция двух этих направлений с современными техническими
средствами и глобальной сетью Интернет привело к созданию новой образовательной среды, которая и получила название «информационно-образовательная среда», и такие среды стали создаваться в большинстве за136
рубежных и российских вузов.
Анализ структуры и состава существующих информационно-образовательных сред за рубежом и ведущих российских университетов, являющихся лидерами в области применения современных информационных
технологий в образовательных системах, позволяет выделить следующие
основные особенности их построения.
В основу построения этих информационно-образовательных сред положен принцип модульности, предполагающий представление отдельного
курса как законченного модуля в узкой предметной области, не связанного
с другими курсами, справочными материалами и т.д. Такой подход к построению информационно-образовательных сред, по всей видимости, обусловлен дидактическими традициями западной системы образования,
основанной на стандартизации не только образовательной программы, но и
всех ее составляющих, и имеет свои достоинства и недостатки.
Достоинствами такого подхода являются:
• простота проектирования и построения информационно-образова-тельной среды как совокупности дисциплин образовательной программы;
• сравнительно несложная организация учебного процесса;
• распределенность
информационно-образовательной среды,
трактуемая как возможность использования стандартизованных
курсов, подготовленных разными образовательными организациями или авторами в образовательной программе.
К недостаткам такого подхода можно отнести:
• противоречивость между интегральностью системы знаний в
рамках образовательной программы, заключающейся в междисциплинарных связях и базирующейся на дополнительных учебных материалах, детализирующих и углубляющих отдельные разделы дисциплины, и попыткой представления ее в виде системы
невзаимосвязанных модулей;
• субъективизм автора, присутствующий при подготовке курсов,
в плане использования терминологии, обозначений и пр.;
• необходимость поиска дополнительных источников информации для углубления знаний по дисциплине;
• отсутствие системности, целостности в восприятии учебного
материала (большое количество модулей не способствует обобщениям);
• отсутствие логики причинно-следственных связей в образовательной программе;
• сложность адаптации в российскую образовательную систему,
ориентированную на подготовку специалистов широкого профиля;
• разрыв между процессом обучения и традициями научных и
научно-педагогических школ.
137
Поскольку основной задачей информационно-образовательной среды является обеспечение учебного процесса, то очевидно, что ИОС, как
педагогическая система, должна строиться на основе традиционной образовательной среды, являясь ее логическим продолжением и развитием. В
своей основе процесс обучения с использованием ИОС наследует и основные элементы модели традиционной системы образования, такие как лекции, практические и лабораторные занятия, контрольные задания и пр. Методология применения ИОС в образовательной системе должна исходить
из того, что наличие преподавателя в системе обучения является обязательным и его основная функция состоит не в передаче информации, а в
управлении процессом обучения. Использование ИОС в процессе обучения строится на определенной дидактической концепции, которая определяет отбор содержания, методов, организационных форм и средств обучения для достижения педагогических целей. В свою очередь достижение педагогических целей в работе преподавателя обеспечивается за счет дидактических функций, закладываемых в ИОС и реализуемых за счет применения при построении ИОС современных информационных и коммуникационных технологий.
Анализ построения, развития и использования существующих ИОС
позволяет выявить некоторые концептуальные положения при создании
новых ИОС. Можно выделить основные из них применительно к созданию
ИОС университетского комплекса ИрГУПС [2, 3]:
• создание информационного ядра ИОС, представляющего собой
многокомпонентную среду, включающую в себя учебно-методические материалы, наукоемкое программное обеспечение, тренинговые системы, системы контроля знаний, технические средства, базы
данных и информационно-справочные системы, хранилища информации любого вида, взаимосвязанные между собой;
• обеспечение распределенного характера ИОС с едиными средствами навигации, дающее пользователям университета возможность быстрого и удобного доступа ко всем образовательным ресурсам;
• интеграция с существующей системой образования, не нарушающая ее структуры и принципов построения и позволяющая гибко модифицировать информационное ядро ИОС;
• интегрируемость в единую информационную систему университета;
• интегрируемость в единую ИОС университетского комплекса;
• интегрируемость в университетскую систему управления качеством образования;
• децентрализация, открытость в смысле обеспечения максимальной возможности для образовательных подразделений университета встраиваться в ИОС университета и самостоятельно
138
формировать и поддерживать свои образовательные ресурсы;
• обеспечение системности и координации с целью соответствия
определенным общеуниверситетским требованиям, экономии финансовых и материальных ресурсов;
• масштабируемость, допускающая наращиваемость на различных уровнях – ресурсов, учебных заведений и т.д.;
• соответствие мировым тенденциям развития электронного обучения и управления обучением;
• соблюдение авторских прав.
Построение ИОС в современном ее понимании требует выполнения
целого ряда технических и организационных задач, основными из которых
являются следующие:
• разработка организационной структуры, обеспечивающей создание, поддержку и развитие ИОС;
• подготовка преподавателей и специалистов для работы в ИОС;
• техническое и технологическое обеспечение;
• разработка и поддержка информационных образовательных ресурсов;
• развитие научной и научно-методической работы в области
современных информационных и телекоммуникационных технологий и применение их в области образования;
• взаимодействие с образовательными организациями региона,
России, мира и развитие инновационной и институциональной деятельности в указанной области.
Построение ИОС на основе сформулированных предложений позволит внести в учебный процесс новые возможности: сочетание высокой экономической эффективности и гибкости учебного процесса, широкое использование информационных ресурсов, существенное расширение возможностей традиционных форм обучения, а также возможность построения новых эффективных форм обучения.
Литература
1. Полат Е.С. Современные педагогические и информационные технологии в системе
образования : учеб. пособие для студентов высш. учеб. заведений / Е.С. Полат,
М.Ю. Бухаркина. – М. : Академия, 2007. – 368 с.
2. Петров Ю.И. Формирование информационно-образовательной среды университета
[Электронный ресурс] / Ю.И. Петров // Материалы 3-й Всероссийской конференции
«Винеровские чтения». – Иркутск : ИрГТУ, 2009.
3. Ермаков А.А. Информационно-образовательная среда университета: проблемы и
способы реализации / А.А. Ермаков, Ю.И. Петров // Проблемы и перспективы развития регионально-отраслевого университетского комплекса ИрГУПС : сборник
статей научно-методической конференции. – Иркутск : ИрГУПС, 2009. – С. 27–36.
139
УДК 378.147:681.3.06
Ю.И. Петров, Ю.А. Розинова
КАФЕДРАЛЬНЫЕ САЙТЫ КАК СРЕДСТВО ДОСТУПА
К МЕТОДИЧЕСКИМ РЕСУРСАМ КАФЕДР
Одним из базовых элементов использования ИКТ в учебном процессе являются технологии Internet и Intranet. Относительная простота и доступность web-технологии, являющейся базовой технологией Internet, позволила не только университетам, но и их подразделениям создавать собственные web-приложения в виде сайтов факультетов, кафедр и т. д. По
сложившейся практике каждый автор сайта в силу собственной квалификации в области web-технологий и своих представлений о содержании сайта
разрабатывает дизайн и контент сайта. Таким образом, в университетах, в
том числе и в ИрГУПС, было создано большое количество разнородных
сайтов. Основная идея такого рода сайтов заключалась в предоставлении
пользователям Internet информации об институте, кафедре или отдельном
преподавателе. Одним из элементов информационного наполнения некоторых созданных сайтов стало представление на них методических и учебных материалов.
С другой стороны, повсеместное использование Internet в школе и
дома привело к тому, что многие студенты, поступая в университет, ожидают, что в процессе их обучения в университете Internet станет одним из
элементов обучения. Интерактивные методы обучения, реализуемые в Internet, дадут им возможность ознакомится с программами дисциплин, подготовиться к зачетам или экзаменам, консультироваться с преподавателем
не только контактно на лекциях и лабораторных занятиях, но и дистанционно, с использованием Internet. Студент может самостоятельно, не торопясь, спокойно, обстоятельно и в удобной для себя обстановке повторить и
закрепить пройденный на очном курсе материал или повысить уровень
своих знаний, изучая дополнительный методический материал, не вошедший в основной курс. В дополнение можно отметить, что подобная практика создает предпосылки для развития у студента самостоятельности и
способствует развитию творческого мышления.
Ряд подразделений ИрГУПС имеют собственные сайты, а для их размещения существует специально выделенный сервер локальной сети. Таким образом, сайты ИрГУПС являются Intranet-сайтами и доступ к ним
возможен только внутри сети ИрГУПС. Сайты создавались различными
средствами: прямым созданием кода сайта с использованием языка HTML,
c помощью специализированных средств создания сайтов (так называемых
CMS – Content Manager System – Системы управления содержимым) и с
помощью специального инструментария «Конструктор сайтов» [1], позво140
ляющего создавать и поддерживать сайты тем, кто не знает и не умеет это
делать.
«Конструктор сайтов» разработан в Центре информационных технологий ИрГУПС. По существу, «Конструктор сайтов» является CMS-системой. Система управления содержимым предоставляет пользователю
инструменты для добавления, редактирования и удаления информации на
сайте. Для добавления или редактирования содержимого на сайте используется визуальный (WYSIWYG) редактор – программа, которая создает
HTML-код из специальной упрощенной разметки, позволяющей пользователю достаточно просто форматировать текст. А это значит, что от разработчика, создающего сайт с помощью «Конструктора сайтов» не требуется
знания ни языка HTML, ни каких-либо других языков программирования.
Для удобства пользования «Конструктором сайтов» была разработана документация – руководство пользователя.
Ряд сайтов ИрГУПС имеет разделы, содержащие методические и
учебные материалы. Сайты, содержащие учебно-методические материалы, можно разделить на две категории: сайты кафедр и сайты препода вателей.
В ИрГУПС на сегодняшний день имеются сайты трех преподавателей:
– сайт старшего преподавателя кафедры «Информационные системы» Е.В. Арбатского;
– сайт ассистента кафедры «Информатика» М.С. Гугнина;
– сайт ассистента кафедры «Информатика» В.В. Фёдорова.
Сайты этих преподавателей узконаправленны и содержат учебно-методические материалы (описания лабораторных и контрольных работ) по
дисциплинам, которые ведут эти преподавателями. На этих сайтах нет разделения учебно-методического материала на формы обучения – очную и
заочную, весь материал дается линейно. Два из трех сайтов преподавателей созданы с помощью «Конструктора сайтов».
В ИрГУПС из 32 кафедр 10 имеют собственные сайты. Это следующие кафедры:
Кафедра «Высшая математика» (ВМ).
Кафедра «Информатика» (И).
Кафедра «Иностранные языки» (ИЯ).
Кафедра «Мировая экономика и экономическая теория» (МЭиЭТ).
Кафедра «Философия и социальные науки» (ФиСН).
Кафедра «Электроснабжение железнодорожного транспорта» (ЭЖТ).
Кафедра «Физика» (Ф).
Кафедра «Физическая культура» (ФК).
Кафедра «Изыскания, проектирование, постройка железных дорог и
управление недвижимостью» (ИППЖДиУН).
Кафедра «Электроподвижной состав» (ЭПС).
141
Сайты кафедр, имеющие учебно-методические материалы, структурируют контент и тем самым организуют доступ к материалам, исключительно руководствуясь представлениями автора сайта о структуре таких
материалов. Большинство же сайтов используют простейшую линейную
структуру. Некоторые сайты в качестве элемента структурирования используют разделение материалов по видам обучения (очная и заочная формы).
Наличие учебно-методического материала и разделение его в зависимости от формы обучения на сайтах кафедр ИрГУПС представлены в таблице 1.
Таблица 1
№
Кафедра
1
2
3
4
5
6
Физическая культура
Высшая математика
Информатика
Иностранные языки
Физика
Философия и социальные науки
Мировая экономика и экономическая
7
теория
Электроснабжение железнодорожного
8
транспорта
Изыскания, проектирование, постройка
9 железных дорог и управление недвижимостью
10 Электроподвижной состав
Наличие учебно-методических
материалов
на сайте
+
+
+
+
+
+
+
Разделение материалов в зависимости
от формы обучения
+
+
+
+
-
+
-
-
-
-
-
Как видно из таблицы, из 10 кафедр, имеющих сайты, 6 – кафедры
общеобразовательного направления.
На сайтах двух кафедр раздела, содержащего учебно-мето-дические материалы для студентов, нет вообще. Это сайты кафедр ИПП ЖДиУН и ЭПС. Сайт кафедры ЭПС попал в этот список потому, что на
нем есть только перечень методических материалов, но нет самих мате риалов.
Как видно из таблицы, из оставшихся 8 кафедр только 4 имеют четкое деление учебно-методических материалов на материалы для очной и
заочной форм обучения. Список этих кафедр представлен ниже:
кафедра «Физическая культура»;
кафедра «Высшая математика»;
кафедра «Информатика»;
142
кафедра «Иностранные языки».
Пять из восьми кафедр, имеющих учебно-методические материалы,
созданы с помощью «Конструктора сайтов».
Мы выделили 10 категорий учебно-методических материалов и свели в таблицу 2 наличие каждой категории на сайтах кафедр, имеющих
учебно-методические материалы.
Таблица 2
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
Рекомендованная литература
+
+
+
работЗадания для выполнения контрольных
Экзаменационные билеты
Тесты
Курсовых работ
Лабораторных работ
ФК
ВМ
И
ИЯ
Ф
ФиСН
МЭиЭТ
ЭЖТ
Практических работ
1
2
3
4
5
6
7
8
Учебные пособия
Кафедра
Методические
указания для выполнения
Конспекты лекций
№
Программы учебных дисциплин
Наличие категорий учебно-методических материалов на сайтах
+
+
+
+
+
+
Можно заметить, что наибольшее количество категорий учебно-методических материалов у следующих кафедр:
«Информатика» (7 категорий);
«Электроснабжение железнодорожного транспорта» (5 категорий);
«Философия и социальные науки» (4 категории);
«Физика» (3 категории).
Сайты кафедр «Физика» и «Философия и социальные науки» созда143
ны с помощью «Конструктора сайтов», поэтому на каждой странице
сайта указана дата добавления или обновления информации. Что касается
обновления сайтов других кафедр, точно определить, поддерживается ли
сайт и насколько актуальна та или иная информация, затруднительно. Общим недостатком большинства сайтов кафедр является отсутствие администрирования и постоянной поддержки сайтов, их статичность и слабое
структурирование.
В ИрГУПС имеется СДО «Стрела», реализованная в виде сайта. СДО
«Стрела» создавалась как система дистанционного обучения, ориентированная на обеспечение учебно-методическими материалами студентов заочной формы обучения. Однако в «Стреле» не были реализованы технологии дистанционного обучения, и по существу СДО «Стрела» в настоящее
время представляет собой неструктурированный набор учебно-методических материалов кафедр университета, на который организован доступ по
регистрации. Сайт СДО, так же как и другие сайты ИрГУПС, плохо администрирован, а запутанная система навигации существенно затрудняет поиск нужного материала.
Выводы
Обобщая анализ, можно подчеркнуть, что более 70 % кафедр
ИрГУПС практически не используют в своей работе новые информационные и коммуникационные технологии, вообще не имея своих сайтов. Многие кафедры из тех, что имеют свои сайты, не публикуют на них даже простейшей, но важной информации, такой например, как программа той или
иной учебной дисциплины, не говоря уже об интерактивных обучающих
материалах, тестах и т.п. На многих сайтах кафедр материалы представлены в ничтожно малом количестве, например, в категории «Конспекты лекций» лежит всего лишь один конспект.
Наличие в ИрГУПС «Конструктора сайтов» позволяет кафедрам создавать свои собственные сайты, наполнять и обновлять их содержимое
своими силами. Но, к сожалению, «Конструктором сайтов» кафедры пользуются не столь активно, как могли бы. При этом очевидно, что кафедры
могут создавать свои сайты самостоятельно (используя, например,
«Конструктор сайтов»), назначая для этого администратора сайта из числа
преподавателей или сотрудников кафедры. А наполнять учебно-методическую часть сайта могут все преподаватели, каждый свою дисциплину, как,
например, это происходит сейчас на сетевом учебно-методическом ресурсе
кафедры «Информатика».
Анализ состояния сайтов показал, что необходимо:
1. Привлекать кафедры к созданию кафедральных сайтов, разъясняя,
какие плюсы при использовании сайтов получают и преподаватели, и сами
студенты.
2. Назначать администратора, ответственного за сайт, на каждой ка144
федре, а для наполнения раздела с учебно-методическими материалами
привлекать всех преподавателей кафедры.
3. В «Конструкторе сайтов» разработать шаблон структуры сайта
кафедры, содержащий обязательные разделы.
4. Разработать список обязательных рекомендаций для сайтов кафедр, например, сроки обновления раздела новостей, наличие на сайте информации о том, когда была обновлена та или иная информация, присутствие логотипа вуза, ссылки на официальный сайт университета.
5. Наличие интерактивных средств общения со студентами, таких
как гостевая, форум и др., а также наличие модератора, осуществляющего
цензуру.
6. Разработать список рекомендаций по структуре и форме представления учебно-методических материалов и инструкции по их установке.
7. Разработать единый внешний вид для всех сайтов кафедр.
8. Добиваться повышения уровня информационной культуры преподавателей на кафедрах и стимулировать для них использование информационных и коммуникационных технологий в учебном процессе.
Литература
Розинова Ю.А. Конструктор сайтов. Инструкция пользователя [Электронный
ресурс].
–
Иркутск
:
ИрГУПС,
2008.
–
http://web-edu.iriit/managersites/rukov/rukovodstvo1_5.pdf.
1.
УДК 378.147:681.3.06
Л.В. Петрова
КАФЕДРАЛЬНЫЕ ЭЛЕКТРОННЫЕ ОБРАЗОВАТЕЛЬНЫЕ
РЕСУРСЫ
Электронные образовательные ресурсы в ИрГУПСе стали разрабатываться и предоставляться студентам для использования в учебном процессе по мере появления и усовершенствования персональных компьютеров.
В большинстве своем это были методические рекомендации по выполнению лабораторных и расчетно-графических работ. Методические материалы готовились в текстовых редакторах, установленных на компьютерах
первого поколения (преимущественно с помощью редактора «Лексикон»)
и устанавливались на отдельные компьютеры в компьютерных залах общего пользования вычислительного центра ИрИИТа. В связи со спецификой
работы большинство методических работ было подготовлено преподавате145
лями кафедры «Вычислительная техника и прикладная математика» (в
дальнейшем «Информатика») ИрИИТа.
Разработка ЭОР получила развитие с появлением в университете
достаточно производительных компьютеров и вычислительной сети. Появились возможности использования мощных текстовых процессоров,
графических редакторов и средств мультимедиа. В части коммуникационных средств появились возможности использования технологий Internet и
Intranet.
Для развития и использования ИКТ в сети университета проведены
следующие работы [1]:
1. Выделен домен сети для размещения электронных образовательных ресурсов преподавателей университета.
2. Рабочие станции всех учебных вычислительных залов университета получили доступ к домену образовательных ресурсов.
3. Все студенты университета дневной формы обучения регистрируются как пользователи сети, и им выделяется достаточное пространство на
сервере студенческого домена сети для хранения в нем собственных учебных разработок. Регистрация в сети осуществляется после зачисления студента в университет и сохраняется на все время его обучения в университете. Студенты имеют доступ в сеть с любого компьютера студенческих
вычислительных залов. Студенты заочной формы обучения имеют упрощенный доступ к общедоступным ресурсам сети по номеру рабочей станции.
4. Создан внутренний сайт университета, на котором реализованы
все Intranet технологии. Сайт используется студентами для получения
справочной информации и доступа к методическим материалам.
5. Созданы сайты отдельных кафедр, на которых имеются разделы
методических разработок преподавателей кафедры.
6. Создан центр дистанционного обучения, доступ на который осуществляется через внутренний Intranet и внутренний сайт.
Для оценки наличия, состояния и использования электронных методических ресурсов был проведен их анализ на некоторых кафедрах университета. Для анализа были обследованы кафедры Института информационных технологий и моделирования (ИИТМ) и электротехнического факультета (ЭТФ). Были обследованы следующие кафедры:
Кафедра «Информатика» (И).
Кафедра «Высшая математика» (ВМ).
Кафедра «Информационные системы» (ИС).
Кафедра «Информационная безопасность» (ИнБ).
Кафедра «Телекоммуникационные системы» (ТС).
Кафедра «Автоматика и телемеханика» (АТ)
Кафедра «Теоретические основы электротехники» (ТОЭ).
Кафедра «Электроснабжение железнодорожного транспорта» (ЭЖТ).
146
Анализ проводился по следующим критериям:
1. Наличие электронных методических ресурсов.
2. Структура ресурса.
3. Форма представления ресурса.
4. Содержание ресурса.
Кафедра «Информатика»
Кафедра «Информатика» является общеобразовательной кафедрой
и ведет основную дисциплину «Информатика» для всех специальностей,
по которым ведется подготовка специалистов в университете. Кроме
того, кафедра ведет еще 20 дисциплин информационного направления. В
связи со спецификой своей работы кафедра является лидером по внедре нию ИКТ в учебный процесс в университете. Прежде всего, это связано
с непосредственным изучением дисциплин ИКТ. Ускоренный прогресс и
обновление информационных и коммуникационных технологий требует
быстрой подготовки методических материалов по этим технологиям.
Подготовка методических материалов в печатном виде существенно отстает от развития технологий, и зачастую такие материалы устаревают
сразу после выпуска печатных материалов. Подготовка и апробирование
методических материалов в электронном виде позволили быстро внедрять новые информационные технологии и повысить уровень усвоения
материала студентами. На первом этапе разработки электронные методические материалы создавались в текстовом редакторе Word и находились в виде файлов на сетевом диске.
По мере увеличения в университете количества специальностей и
дисциплин, по которым готовились электронные методические материалы, простая файловая структура расположения методических материа лов перестала отвечать требованиям быстрого нахождения нужного материала. Кроме того, расширился круг самих методических материалов.
В настоящее время преподаватели размещают следующие методиче ские материалы, являющиеся электронными образовательными ресурсами университета:
• электронный вариант курса лекций,
• задания для лабораторных работ,
• методические указания для выполнения лабораторных работ,
• контрольные вопросы для защиты лабораторных работ,
• тесты для защиты лабораторных работ,
• задания для курсовых работ,
• вопросы для зачетов,
• экзаменационные вопросы.
В настоящее время ЭОР кафедры имеет две формы представления –
файл-серверную, находящуюся в домене размещения электронных образо-
147
вательных ресурсов преподавателей университета, и в виде web-ресурса,
находящегося на web-сайте кафедры [2].
Методические материалы в файл-серверной структуре находятся в
виде файлов на сетевом диске преимущественно в формате редактора
Word и в виде web-ресурса в формате HTML. Для удобного доступа к материалам была разработана и реализована структура хранения файлов. Непосредственно файлы находятся в папках преподавателей, объединенных в
одну общую папку. Преподаватели сами организуют структуру хранения
файлов в своей папке. Доступ студентов к материалам реализован посредством ярлыков этих материалов в общей структуре доступа Студент → Факультет → Специальность → Форма обучения → Курс → Предмет → Материал. Фрагмент структуры хранения материалов и доступа к ним приведен на рис. 1.
148
H:\
Методическое
обеспечение
Преподаватели
Преподаватель1
Материалы
Преподаватель2
Материалы
.
.
Преподавательk
Материалы
Преподавательn
Материалы
Специальность1
Курс1
Дисциплина1
Ссылка на материал1
Ссылка
Материал2
на материал2
Ссылка на материал3
Ссылка на материалk
Дисциплина2
.
.
Ссылка на материал
ДисциплинаN
Ссылка на материал
Курс2
Дисциплина
Специальность
2
Курс
.
.
.
.
.
.
Ссылка на материал
Дисциплина
Ссылка на материал
Специальность
23
Курс
.
.
.
Дисциплина
Ссылка на материал1
Рис. 1
На сайте кафедры «Информатика» методические материалы находятся в
виде web-учебников, структура доступа аналогична файл-серверной, а ссылки
149
реализованы в виде ниспадающего меню.
В настоящее время разрабатывается новая структура сайта кафедры
«Информатика».
Кафедра «Высшая математика»
Кафедра «Высшая математика», как и кафедра «Информатика», является общеобразовательной и проводит занятия по базовой дисциплине
«Математика» для всех специальностей университета. Кроме того, кафедра
ведет ряд дисциплин федерального и регионального компонентов, связанных с математикой и ее приложениями. Электронные образовательные ресурсы кафедры находятся в системе дистанционного образования
«Стрела» [3]. Кафедра имеет кафедральный компьютерный зал 307Г,
включенный в университетскую сеть, однако не имеет собственного файлсерверного ресурса в сети. ЭОР кафедры «Высшая математика», так же как
и на кафедре «Информатика», является наиболее полным.
Поскольку ЭОР кафедры находится в СДО «Стрела», доступ студентов к учебным материалам осуществляется в соответствии с принятой в
СДО системой доступа по дисциплинам. В соответствии с системой доступа для выбранной дисциплины могут быть доступны следующие учебные
материалы:
• рабочая программа дисциплины,
• электронный вариант курса лекций,
• методические указания для выполнения лабораторных и практических работ,
• контролирующие материалы,
• дополнительные материалы.
В то же время ни для одной дисциплины кафедры в СДО «Стрела»
не имеется курса лекций, методических указаний для выполнения лабораторных и практических работ и контролирующих материалов. Для
большинства дисциплин имеются рабочие программы дисциплин и раздел,
дополнительные материалы, в котором находятся разнохарактерные учебные материалы.
Исходные учебные материалы подготовлены с помощью редактора
Word, а для размещения в СДО «Стрела» они конвертированы в формат
PDF. Вместе с тем, ряд материалов представлен в виде web-ресурсов.
На компьютерах зала 307Г установлены приложения Microsoft Office
и математические пакеты MathCad и MATLAB. Данные программные продукты используются студентами технических специальностей университета для выполнения курсовых и расчетно-графических работ, а также для
НИРС. Кроме того, зал используется для проведения тестирования по дисциплинам кафедры. Для этого используются тесты, разработанные преподавателями кафедры, и тесты системы тестирования АСТ.
150
Кафедра «Информационные системы»
Кафедра «Информационные системы» является выпускающей и ведет подготовку специалистов по специальностям 230201.26 «Информационные системы и технологии на железнодорожном транспорте» и
230105.06 «Программное обеспечение вычислительных систем и сетей».
Для обучения студентов по данным специальностям кафедра имеет лабораторию сетевых технологий (компьютерный зал 508Д) и кафедральный
компьютерный зал 514Д. Компьютеры лаборатории сетевых технологий
могут объединяться в автономную локальную сеть с различной топологией, а компьютеры зала 514Д работают автономно.
ЭОР кафедры представлены в учебных компьютерных залах 508Д,
514Д и в СДО «Стрела». В лаборатории сетевых технологий 508Д для размещения ЭОР на сервере лаборатории выделен специальный раздел. Учебные материалы в нем находятся в папках преподавателей. Состав материалов определяет преподаватель, создавший данный ресурс, и он включает
различные методические материалы по проводимым преподавателем дисциплинам, а кроме того, некоторые преподаватели размещают различные
программные оболочки и программные продукты для проведения занятий.
В зале 514Д на каждом компьютере выделена папка для ЭОР, в которую
заведующий лабораторией зала устанавливает по мере необходимости
учебные материалы для проведения занятий. Таким образом, ЭОР кафедры в залах 508Д и 514Д не имеют определенной структуры хранения и доступа учебных материалов. Практически все учебные материалы хранятся
на дисковом пространстве в формате редактора Word.
Электронный образовательный ресурс кафедры также представлен в
СДО «Стрела». Ресурс представлен для ряда дисциплин, проводимых кафедрой. Структура ресурса соответствует принятой в «Стреле» структуре,
а состав ресурса определен в основном разработчиком ресурса. В качестве
учебных материалов имеется достаточно большое количество презентаций,
выполняющих роль лекционного материала. ЭОР кафедры в «Стреле» находятся в форматах pdf, doc и ppt.
Кафедра «Информационная безопасность»
Кафедра «Информационная безопасность» является выпускающей и
ведет подготовку специалистов по специальности 090105 «Комплексное
обеспечение информационной безопасности автоматизированных систем».
Для обучения студентов по специальности 090105 кафедра имеет специализированную лабораторию (компьютерный зал 523Д), а также использует кафедральный компьютерный зал кафедры ИС 514Д. Компьютеры зала
523Д, так же как и компьютеры зала 514Д, работают автономно.
ЭОР кафедры представлен в залах 523Д и 514Д. Учебные материалы
устанавливаются на компьютерах залов по мере необходимости. ЭОР кафедры не имеет определенной структуры и представлен в основном на ло151
кальных дисках в папках преподавателей. Большинство учебных материалов представлены в формате doc.
Кафедра практически не имеет ЭОР в СДО «Стрела». Из представленных в «Стреле» 19 учебных материалов по трем дисциплинам все материалы выполнены в формате doc.
Кафедра «Телекоммуникационные системы»
Кафедра «Телекоммуникационные системы» является выпускающей
и ведет подготовку специалистов по специальностям 190402.02 «Системы
передачи и распределения информации на ж.-д. транспорте» и 190402.07
«Волоконно-оптические системы передачи и сети связи».
Кафедра имеет несколько специализированных лабораторий, в которых имеются компьютеры, на которых установлены технологические
АРМы, аналогичные используемым на ВСЖД ОАО «РЖД». Специализированного компьютерного зала кафедра не имеет.
ЭОР кафедры представлены на компьютерах специализированных
лабораторий и в СДО «Стрела». Методические материалы на отдельных
компьютерах располагаются на локальных дисках, не имеют определенной
структуры доступа и находятся преимущественно в папках по фамилиям
преподавателей. В СДО «Стрела» находится небольшое количество материалов (11 рабочих программ дисциплин и 28 в категории «Дополнительные материалы»). Большинство учебных материалов представлены в формате doc.
Кафедра «Автоматика и телемеханика»
Кафедра «Автоматика и телемеханика» является выпускающей и ведет подготовку специалистов по специальности 190402.1 «Автоматика и
телемеханика на железнодорожном транспорте». Для обучения студентов
по специальности кафедра имеет специализированные лаборатории, оснащенные компьютерами, и компьютерный класс 212А. Компьютеры класса
212А включены в университетскую сеть.
ЭОР кафедры представлены в компьютерном зале 212А, на локальных компьютерах специализированных лабораторий и в СДО «Стрела». На
компьютерах зала 212А, компьютерах лабораторий установлены технологические АРМы, аналогичные используемым на ВСЖД ОАО «РЖД». На
данных компьютерах также имеются методические материалы. Эти материалы не имеют определенной структуры хранения и доступа и размещены
преимущественно в папках преподавателей на локальных дисках в виде
файлов формата doc и pdf.
В СДО «Стрела» ЭОР кафедры представлен 14 рабочими программами дисциплин и 46 материалами категории «Дополнительные материалы».
Материалы представлены в форматах doc и pdf.
152
Кафедра «Электроснабжение железнодорожного транспорта»
Кафедра «Электроснабжение железнодорожного транспорта» является выпускающей и ведет подготовку специалистов по специальностям
190401.01 «Электроснабжение железных дорог», 190401.02 «Компьютерные технологии в электроснабжении» и 190401.03 «Электроснабжение
предприятий железнодорожного транспорта». Для подготовки специалистов кафедра имеет два компьютерных класса 208Д и 214Д, специализированные лаборатории и учебный полигон на тяговой подстанции ВСЖД
«Академическая». Специализированные лаборатории и полигон имеют локальные компьютеры, а компьютеры залов 208Д и 214Д включены в университетскую сеть.
ЭОР кафедры представлены на компьютерах залов 208Д и 214Д и лабораторий. В зависимости от специализации лабораторий на компьютерах
этих лабораторий установлены соответствующие технологические АРМы.
Кроме того, АРМы установлены в залах 208Д и 214Д.
Методические материалы расположены на отдельных компьютерах
залов и лабораторий без определенной структуры хранения и доступа. В
основном они находятся в папках преподавателей в тех залах, в которых
проводятся дисциплины специализации лабораторий.
В СДО «Стрела» ЭОР кафедры представлен достаточно полно и содержит 28 рабочих программ дисциплин и 117 материалов категории «Дополнительные материалы». Материалы представлены в форматах doc и pdf.
В категории дополнительных материалов преимущественно выставлены
методические указания для выполнения лабораторных и курсовых работ,
экзаменационные вопросы и билеты. Практически отсутствуют лекционные материалы, хотя в некоторых случаях ими можно считать методические пособия по дисциплинам.
Кафедра «Теоретические основы электротехники»
Кафедра «Теоретические основы электротехники» является общетехнической и проводит занятия по 9 дисциплинам, связанным с электротехникой, для технических специальностей университета. Для проведения занятий кафедра имеет специализированные лаборатории, оснащенные
компьютерами, и компьютерный класс 315Г. Компьютеры класса включены в сеть университета. В лабораториях кафедры установлены компьютеры общего назначения и специализированные компьютеры, на которых моделируются процессы электротехники для проведения лабораторных работ.
ЭОР кафедры представлены в компьютерном классе 315Г и в СДО
«Стрела». Методические материалы в классе 315Г хорошо структурированы в файловой системе по дисциплинам и видам работ и содержат полные
УМК по дисциплинам. Материалы представлены преимущественно в формате doc.
153
В СДО «Стрела» ЭОР кафедры представлен достаточно полно и содержит 34 рабочие программы дисциплин и 161 материал категории «Дополнительные материалы». Материалы представлены в форматах doc и pdf. Состав
учебных материалов в «Стреле» существенно меньше, чем в классе 315Г.
Выводы
Исходя из определенных критериев анализа, состояние ЭОР рассмотренных кафедр университета можно представить в таблице 1.
Таблица 1
Наличие ЭОР
Кафедра
И
ВМ
Кафедральный
файл-серверный
или файловый
Достаточно полный
Отсутствует
ИС
ИнБ
ТС
АТ
ЭЖТ
ТОЭ
Достаточный
Достаточный
Достаточный
Достаточный
Достаточный
Достаточно полный
СДО «Стрела»
Недостаточный
Достаточно
полный
Достаточный
Недостаточный
Недостаточный
Достаточный
Достаточный
Достаточно
полный
Структурирование
доступа
Формат
материалов
Хорошее
Отсутствует
html, pdf, doc
pdf, doc, html
Отсутствует
Отсутствует
Отсутствует
Отсутствует
Отсутствует
Хорошее
doc, pdf, ppt
doc, pdf
doc, pdf
doc, pdf
doc, pdf
doc, pdf
Анализ состояния ЭОР на рассмотренных кафедрах позволяет сделать
следующие выводы.
1. Все рассмотренные кафедры готовят и используют методические и
учебные материалы в виде электронного образовательного ресурса.
2. Ни одна из рассмотренных кафедр не имеет в качестве ЭОР полного
УМК по всем дисциплинам кафедры.
3. Большинство ЭОР кафедр выполнены в форматах doc и pdf, что затрудняет их использование современными ИКТ и в сети Интернет.
4. Для большинства кафедр кафедральные ЭОР либо совсем не структурированы по доступу, либо имеют сложную и запутанную структуру.
5. Большинство кафедр имеют ЭОР в СДО «Стрела». По своей идеологии «Стрела» является интернет-приложением и должна соответствовать стандартам сети Интернет. Одним из базовых стандартов в сети Интернет является
необходимость представления интернет-браузеру для отображения документа
в формате html. В «Стреле» подавляющее число документов представлено в
форматах doc и pdf, что требует времени на их конвертацию браузером и приводит к их неадекватному отображению. Другим существенным недостатком
«Стрелы» является сумбурная схема доступа к материалам. На верхнем уровне
доступ декларативно структурирован по факультетам, кафедрам, дисциплинам
154
и видам материала, а фактически материалы «свалены в кучу» без какой либо
структуризации.
Литература
1. Петров Ю.И. Информационная поддержка учебного процесса в корпоративной сети
университета / Ю.И. Петров // Информационные технологии и проблемы математического моделирования сложных систем : сборник научных статей. Вып. 1, 2004.
С. 144–148.
2. Ларюшина Н.О. Вопросы представления методических материалов с использованием Internet-технологий / Н.О. Ларюшина, Ю.И. Петров // Информационные и математические технологии в науке и управлении : труды XI Байкальской всероссийской конференции. Часть 2. – Иркутск : ИСЭМ СО РАН, 2006. – С. 232–237.
3. Володин А.С. Программный комплекс организации и управления системой дистанционного обучения «СДО Стрела-1» [Электронный ресурс] / А.С. Володин,
И.Н. Кондратьев // ОФАП. Свидетельство об отраслевой регистрации разработки
№ 4563.
155
СВЕДЕНИЯ ОБ АВТОРАХ
АБАСОВА НАТАЛЬЯ ИННОКЕНТЬЕВНА, к.т.н., доцент кафедры «Информационные
системы» ИрГУПС
АСЛАМОВА ВЕРА СЕРГЕЕВНА, д.т.н., доцент, зав. каф. «Автоматизация технологических процессов» АГТА
БАЗИЛЕВСКИЙ МИХАИЛ ПАВЛОВИЧ, студент ИрГУПС
БАРЫШНИКОВ ВАЛЕНТИН ИВАНОВИЧ, д.ф.-м.н, профессор кафедры «Физика»
ИрГУПС
БЕЛИНСКАЯ АНАСТАСИЯ ЮРЬЕВНА, к.ф.-м.н., с.н.с. Геофизической службы СО
РАН
БЕЛИНСКАЯ СОФЬЯ ИОСИФОВНА, к.ф-.м.н., доцент кафедры «Информатика» ИрГУПС
БОЛОНДЗЬ АЛЕКСАНДР ВЛАДИМИРОВИЧ, аспирант кафедры «Физика» ИрГУПС
БУТИН АЛЕКСАНДР АЛЕКСЕЕВИЧ, к.ф-.м.н., доцент кафедры «Информационная
безопасность» ИрГУПС
ВОРОНИН НИКОЛАЙ АЛЕКСАНДРОВИЧ, студент ИрГУПС
ВОРОПАЕВ ЕВГЕНИЙ ВИКТОРОВИЧ, аспирант кафедры «Физика» ИрГУПС
ГЕФАН ГРИГОРИЙ ДАВЫДОВИЧ, к.ф.-м.н., доцент, зам. зав. кафедрой «Высшая математика» ИрГУПС
ДЕКАНОВА НИНА ПЕТРОВНА, д.т.н., профессор, профессор кафедры «Информатика» ИрГУПС
ЖАБЕЙ АННА АЛИКОВНА, инженер-программист ИАЗ – филиала ОАО «Корпорация «ИРКУТ»
ЖАРЫЙ ДМИТРИЙ ИОСИФОВИЧ, сотрудник Восточно-Сибирского филиала ОАО
«ФПК»
ЖДАНОВ ЮРИЙ АЛЕКСЕЕВИЧ, студент ИрГУПС
ИВАНОВ ВСЕВОЛОД БОРИСОВИЧ, д.ф.-м.н., профессор кафедры «Радиофизика»
ИГУ
КАЧИН АЛЕКСАНДР СТЕПАНОВИЧ, аспирант ИрГУПС
КЛИМОВА НАТАЛЬЯ АЛЕКСЕЕВНА, старший преподаватель кафедры «Информатика» ИрГУПС
КОЗЫРЕВ ВЛАДИМИР АЛЕКСАНДРОВИЧ, аспирант ИрГУПС
КОЗЫРЕВСКАЯ АННА ВЛАДИМИРОВНА, старший преподаватель кафедры «Информатика» ИрГУПС
КРАКОВСКИЙ ЮРИЙ МЕЧЕСЛАВОВИЧ, д.т.н., профессор, зав. кафедрой «Информационная безопасность» ИрГУПС
КУЛАКОВ АЛЕКСЕЙ ЮРЬЕВИЧ, аспирант АГТА
КУЛАКОВА ИРИНА МИХАЙЛОВНА, к.т.н., доцент кафедры «Вычислительные машины и комплексы» АГТА
ЛАВРУХИНА НАДЕЖДА АЛЕКСАНДРОВНА, аспирант кафедры «Информационные
системы» ИрГУПС
ЛУСТЕНБЕРГ ГРИГОРИЙ ЕВГЕНЬЕВИЧ, к.т.н., доцент кафедры теоретических основ
электротехники ИрГУПС
ЛУЧНИКОВ ВЛАДИМИР АЛЕКСАНДРОВИЧ, старший преподаватель кафедры «Информатика» ИрГУПС
МЕДВЕДЕВА ИРИНА ПЕТРОВНА, доцент кафедры «Высшая математика» ИрГУПС
МИХАЭЛИС ВЛАДИМИР ВЯЧЕСЛАВОВИЧ, старший преподаватель кафедры «Ин-
156
форматика» ИрГУПС
МИХАЭЛИС СВЕТЛАНА ИВАНОВНА, к.п.н., доцент кафедры «Информатика» Ир ГУПС
МУХОПАД ЮРИЙ ФЕДОРОВИЧ, д.т.н., профессор, зав. кафедрой «Управление техническими системами» ИрГУПС
НОСКОВ СЕРГЕЙ ИВАНОВИЧ, д.т.н., профессор, директор ИИТМ ИрГУПС
ПЕТРОВ ЮРИЙ ИВАНОВИЧ, к.т.н., доцент, с.н.с. ИрГУПС
ПЕТРОВА ЛИДИЯ ВАСИЛЬЕВНА, старший преподаватель кафедры «Информатика»
ИрГУПС
РОЗИНОВА ЮЛИЯ АЛЕКСАНДРОВНА, web-мастер РИСПО ИрГУПС
РУШ ЕЛЕНА АНАТОЛЬЕВНА – д.т.н., профессор, зав. кафедрой «Безопасность жизнедеятельности и экология» ИРГУПС
СЕЛИВАНОВ АЛЕКСАНДР СЕРГЕЕВИЧ, соискатель ИрГУПС
ХОМЯКОВ ГЕННАДИЙ КОНСТАНТИНОВИЧ, к.м.н., заслуженный врач России, доцент кафедры «Физическая культура» ИрГУПС
ЧЕРЕПАНОВА АНАСТАСИЯ ЛЕОНИДОВНА, ассистент кафедры «Информатика»
ИрГУПС
ШИПАЕВ ИВАН ВЛАДИМИРОВИЧ, соискатель ИрГУПС
157
Научное издание
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
И ПРОБЛЕМЫ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ
СЛОЖНЫХ СИСТЕМ
Выпуск 8
Сборник научных трудов
План 2010 г.
Подписано в печать 20.11.10.
Подписано в печать 14.12.2010.
Формат 60×84 1/16. Бумага офсетная.
Гарнитура Times New Roman. Печать офсетная.
Усл. печ. л. 9,75. Уч.-изд. л. 10,64.
План 2010 г.
Тираж 500 экз. Заказ
Типография ИрГУПС
г. Иркутск, ул. Чернышевского, 15
158
ДЛЯ ЗАМЕТОК
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
________________________________________________________________
159
________________________________________________________________
160
1/--страниц
Пожаловаться на содержимое документа