Разработка метода нечеткой оценки проектных характеристик обучаемого инженера для автоматизированных обучающих систем сапр

Вид материала

Документы

Содержание 2. архитектура нечеткой нейронной сети кохонена 3. алгоритм обучения нечеткой нейронной сети кохонена 4. принцип оценки обучаемого инженера на базе нечеткой нейронной сети кохонена

Подобный материал:

• 05. 13. 12 Системы автоматизации проектирования (машиностроение), 22.99kb.
• «Разработка сапр для оценки стоимости металлоконструкций различных конструктивных форм, 63.8kb.
• Оренбургский государственный университет вопросы для вступительного экзамена в аспирантуру, 61.82kb.
• План занятий третьего года обучения, по специальности «Программное обеспечение вычислительной, 103.35kb.
• Лекция Информационно-справочные системы, асу и сапр, 186.98kb.
• Задача развития информационных систем, обеспечивающих учебный процесс, 34.35kb.
• Рабочей программы дисциплины Проектирование автоматизированных систем по направлению, 34.43kb.
• Оценка эффективности инвестиционных проектов на основе нечеткой логики semenenko, 72.55kb.
• Модель ученика в компьютерных обучающих системах, 292.35kb.
• Управление информационным обеспечением телекоммуникационной учебно-исследовательской, 27.98kb.

РАЗРАБОТКА МЕТОДА НЕЧЕТКОЙ ОЦЕНКИ ПРОЕКТНЫХ ХАРАКТЕРИСТИК ОБУЧАЕМОГО ИНЖЕНЕРА ДЛЯ АВТОМАТИЗИРОВАННЫХ ОБУЧАЮЩИХ СИСТЕМ САПР


Войт Н.Н., м.т.т., аспирант

Ульяновский государственный технический университет

тел.: (8422)77-81-13

e-mail: n.voit@ulstu.ru


1. АНАЛИЗ СОВРЕМЕННЫХ МЕТОДОВ ОЦЕНКИ ПРОЕКТНЫХ ХАРАКТЕРИСТИК ОБУЧАЕМОГО ИНЖЕНЕРА

Анализ современных методов оценки обучаемых, применяемых в автоматизированных обучающих системах (АОС), показал наличие следующих недостатков.

1. 
   Отсутствие методов, учитывающих «нечеткую природу» оценки характеристик и параметров инженера-проектировщика в процессе обучения автоматизированному проектированию.
   
2. Учетом характеристик, связанных только со знаниями (в основном с помощью тестовых заданий), что не дает достаточно объективной оценки об уровне готовности инженера-проектировщика к выполнению профессиональных заданий.
   
3. Отсутствие анализа «истории» обучения, что снижает качество оценки.
   
4. Слабой масштабируемости методов.
   

В работе предложен метод, который учитывает перечисленные недостатки.

2. АРХИТЕКТУРА НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ КОХОНЕНА

Архитектура ННС Кохонена имеет три слоя нейронов: входной, скрытый и выходной. Входной слой представлен нейронами времени обучения, полученным баллом за выполненное проектное задание, сложности проектного задания, числа повторов изучения учебных элементов, объема учебного материала (число изученных учебных элементов), числа правильных проектных решений. С помощью синопсисов обеспечивается связь входного слоя со скрытым слоем нейронов, в котором рассчитывается активность нейрона как Евклидово расстояние.

,

где distⁱ_jk – Евклидово расстояние для k-го класса i-й выборки j-го нейрона; x_ij – значение веса j-го нейрона входного слоя i-й входной выборки; w_jk – весовой коэффициент j-го синопсиса, принадлежащий k-му классу; N – число нейронов в слое (зависит от числа классов).

Активность нейронов скрытого слоя в идеальном случае имеет значение 0. При вычислении Евклидового расстояния не требуется нормализации входных величин.

Выходной слой представлен нейронами, на которых вычисляются Гауссовы функции принадлежностей активности к классу. Гауссова функция имеет вид

,

где μ_ik – функция принадлежности i-й выборки k-му классу; distⁱ_jk – Евклидово расстояние; d, b – параметры функции (определяются экспериментально).

Гауссова функция имеет куполообразный вид и обеспечивает устранение шума (ненужной информации), имеющегося во входных данных, что является ее отличием от треугольных и трапециевидных видов функций.

Выходными значениями считается пара значений нейронов скрытого слоя (активности нейронов) и выходного слоя (принадлежности к классу). Идеальной считается та пара, у которой активность равна 0, а принадлежность к классу – 1.

Сеть способна к самообучению, что повышает качество оценки. Для этого в архитектуре сети имеется обратная связь, которая соединяет выходной слой сети со скрытым слоем нейронов с целью коррекции весов синопсисов скрытого слоя. Коррекция выполняется по следующей формуле

,

где – весовой вектор для k-го класса на t+1 шаге; t – шаг итерации; μ_ik – функция принадлежности i-й выборки k-му классу; distⁱ_jk– Евклидово расстояние; – i-й входной вектор.

3. АЛГОРИТМ ОБУЧЕНИЯ НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ КОХОНЕНА

Алгоритм представляет собой усовершенствованный алгоритм обратного распространения ошибки и имеет следующие шаги.

1. Задать равновероятные начальные значения весов Wi, i=1, 2, …, N (N-число нейронов).
   
2. Задать погрешность εstandard.
   
3. Задать начальный экспоненциальный вес mc при условии mc>1.
   
4. Задать начальный экспоненциальный вес md при условии md>1.
   
5. Счетчик итераций c = 0.
   
6. Начало цикла.
   
   1. Вычислить функцию принадлежности i-го нейрона
      

.

2. Обновить k-весовых векторов для i-го нейрона.
   

.

1. Вычислить ε = dist(W_i*, W_i).
   
2. W_i=W_i*.
   
3. c = c + 1.
   
4. m_c = m_c-1 – exp(-1/c)(m_c-1 – 1).
   
5. m_d = m_d-1 – exp(-1/c)(m_d-1 – 1).
   
6. Пока ε>ε_standard, выполнять цикл.
   
1. Останов.
   

4. ПРИНЦИП ОЦЕНКИ ОБУЧАЕМОГО ИНЖЕНЕРА НА БАЗЕ НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ КОХОНЕНА

Разработаны пять ННС Кохонена, отвечающие за нечеткую оценку проектных характеристик обучаемого инженера (знание, умение, навык, опыт и компетентность). На их основе в процессе обучения проектные характеристики обучаемого инженера меняются событийно в местах контроля сценария K_i. Рассмотрим принцип работы сети для оценки знаний, остальные четыре сети работают аналогично только весовые значения синопсов другие.

На вход сети подаются следующие величины: время; затраченное на выполнение проектного задания; полученный балл за выполненное задание; сложность задания; число повторов изучения учебного элемента; объем пройденного материала, который измеряется числом пройденных учебных элементов и число правильно выполненных контрольных проектных заданий. Эти данные получены с помощью протоколирования процесса обучения (сохранения “истории” обучения), структурного и параметрического анализов проектных решений. На их основе сеть формирует пары выходных данных, из которых выбирается одна, имеющая минимальную активность и максимальное значение функции принадлежности.

Применяя сеть для нечеткой оценки умений, навыков, компетентности и опыта, получим пять пар оценок: з,μ_з>, у,μ_у>, н,μ_н>, к,μ_к>, о,μ_о>, где a– активность нейрона; μ – принадлежность к классу. Из этих пар выбирается одна пара с минимальным значением принадлежности для того, чтобы по ней определить дальнейшую траекторию обучения.

В случае неудовлетворительных оценочных результатов в K_i учебном элементе автоматически генерируется дополнительная траектория сценария обучения на основе разработанных математических моделей [1-5], обеспечивающая повышение эффективности обучения.

5. РЕАЛИЗАЦИЯ

Разработанный метод реализован в компоненте по технологии JavaBeans и применяется в САПР КОМПАС с другими авторскими компонентами [1-5]. Взаимодействие компонентов образует АОС САПР, которая обслуживается Web-сервером Apache Tomcat. Обмен данными компонентов АОС САПР c САПР КОМПАС происходит на уровне открытых интерфейсов с помощью разработанных программ посредников, которые используют библиотеки SDK КОМПАС. Сервер MySQL обслуживает БД, в которой хранятся проектные характеристики обучаемого инженера, протокольные данные, сценарии обучения, учебно-методический материал.

Литература

1. 
   Афанасьев А.Н., Войт Н.Н. Программная реализация адаптивной компонентной автоматизированной обучающей системы САПР// Программные продукты и системы. – 2008. – № 4.
   
2. Афанасьев А.Н., Войт Н.Н. Разработка автоматизированной обучающей системы САПР с использованием нечетких нейронных сетей// Труды международной конференции по системам искусственного интеллекта AIS/CAD '08. – Дивноморское, 2008.
   
3. Афанасьев А.Н., Войт Н.Н. Реализация адаптивного автоматизированного обучения на базе нейросетевого подхода// Информационные и телекоммуникационные системы: информационные технологии в научно-образовательных процессах. Труды V Региональной научно-технической конференции, Махачкала, 2008.
   
4. Афанасьев А.Н., Войт Н.Н. Модель предметной области автоматизированной обучающей системы в САПР// Информационные и телекоммуникационные системы: информационные технологии в научно-образовательных процессах. Труды V Региональной научно-технической конференции, Махачкала, 2008.
   
5. Войт Н.Н. Разработка методов и средств адаптивного обучения проектной деятельности// Информационные технологии: межвузовский сборник научных трудов. – Ульяновск: УлГТУ, 2008. – C. 42-45.