72 изменения кровотока на снимке до и после оперативного

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА»
№10/2015
ISSN 2410-6070
изменения кровотока на снимке до и после оперативного лечения. Представлена общая структура алгоритма
цифровой обработки для выделения объектов на малоконтрастных изображениях. Была проведена обработка
реальных малоконтрастных медицинских изображений по разработанным методу и алгоритму и оценена
степень изменения кровотока на снимках после оперативного лечения на церебральных артериях.
Список использованной литературы:
1. Виллевальде, А. Ю. Особенности анализа и обработки малоконтрастных медицинских изображений / А.
Ю. Виллевальде // Известия СПбГЭТУ «ЛЭТИ» (Известия Государственного электротехнического
университета). Сер. Биотехнические системы в медицине и экологии. - 2006. — Вып. 2. — С. 139-143.
2. Введение в контурный анализ и его приложения к обработке изображений и сигналов /Я.А. Фурман, А.В.
Кревецкий, И.Л. Егошина и [др]; - 2-е изд., испр. - М.: ФИЗМАТЛИТ, 2003. – 592 с.
© И.Л. Егошина, Д.В. Белобородов, 2015
УДК 681.5
Н.В. Ивановский, к.т.н., доцент
Н.П. Сметюх, аспирант
Л.Н. Козаченко, аспиарнт
Керченский государственный морской технологический университет
г.Керчь, Российская федерация
ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ МОНИТОРИНГА ИНФОРМАЦИОННОАВТОМАТИЗИРОВАННОГО КОМПЛЕКСА ТРАЛОВОГО ЛОВА В УСЛОВИЯХ
НЕОПРЕДЕЛЕННОСТИ
Аннотация
В работе рассматривается информационно-автоматизированный комплекс тралового лова (ИАКТЛ),
который понимается как совокупность интегрированных и регулярно взаимодействующих или
взаимозависимых элементов, созданную для достижения определенных целей, причем отношения между
элементами определены и устойчивы, а общая производительность или функциональность ИАКТЛ лучше,
чем у простой суммы элементов.
Ключевые слова
очистка данных, гипотеза, прогнозирование, преобразование, хранилище данных.
1.Введение. Преобладающая часть мировой продукции рыболовства (70-75 млн.т) состоит из морских
рыб, добываемых многочисленным рыболовным флотом (1170 тыс. единиц, тоннаж 25,4 млн.т). К 2025 году
прогнозируется увеличение морских уловов до 130 млн. тонн и соответствующее увеличение количества
рыболовных судов. Современный рыбодобывающий флот превратился в мощный инструмент комплексного
воздействия на морские экосистемы, что требует усиления мер по контролю и регулированию промысла с
целью одновременного повышения промысловой безопасности и сохранения устойчивой сырьевой базы. На
пороге XXI века более 140 прибрежных государств с учетом международных соглашений и нормативных
актов полноправно определяют объективно допустимые уловы (ОДУ) в своих 200-мильных зонах и
недоиспользуемый их национальным рыболовным флотом остаток ОДУ, который становится объектом
рентных отношений чаще всего посредством оплаты другим государством лицензий на право вылова ОДУ в
200-мильной зоне. Однако ряд стран, осознав значимость морепродуктов как гаранта пищевой безопасности,
приступает к активной политике по вытеснению иностранных рыбопромысловых флотов из своих зон. В
целом можно утверждать, что в XXI веке мировое рыболовство будет развиваться под влиянием следующих
основных факторов: - национализация морских биоресурсов и повсеместное зарегулирование рыболовства в
открытых районах Мирового океана; - введение международного контроля на промысле; - нарастание
72
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА»
№10/2015
ISSN 2410-6070
природоохранного движения за закрытие для рыболовства различных акваторий Мирового океана. Все выше
сказанное относится и к Азово-Черноморскому территориальному региону.
Основным видом океанического промысла в настоящее время является траловый лов, на долю
которого приходится 70% добытых морепродуктов, причем на долю разноглубинного тралового лова - 40%.
Преобладающая роль разноглубинного тралового лова определяется его высокой эффективностью и
селективностью. Кроме того, этот вид промысла оказался экологически более чистым, так как в процессе
лова не повреждается субстрат дна. Поэтому можно без преувеличения отметить, что проблема
совершенствования разноглубинного тралового лова относится к одной из основных в отрасли, а это значит,
что должны повыситься требования к точности прицельного траления на основе дальнейшей автоматизации
тралового лова. Именно широкое применение прицельного наведения трала на локальные рыбные
скопления, а также переход к автоматизированным рыболовным системам позволит повысить
избирательность лова и исключить истребление неполовозрелой молоди и сохранить сырьевую базу [2].
2. Анализ литературных данных и постановка проблемы. Автоматизированный информационноуправляющий промыслово-навигационный комплекс, кроме решения информационных задач, делает
подготовку данных для решения задач управления судном, а также обеспечивает автоматическое или
полуавтоматическое наведение разноглубинного трала на подвижный косяк в горизонтальной и
вертикальной плоскостях. В такие комплексы входят замкнутые подсистемы автоматического
регулирования, осуществляющие связь аппаратуры комплекса с органами управления судном и
промысловыми механизмами (авторулевым, главной энергетической установкой, винтом регулируемого
шага, траловой лебедкой). Автоматизированный управляющий промыслово-навигационный комплекс
помимо сбора, обработки и индикации промысловой информации должен полностью выполнять функции
управления в соответствии с заданной программой и критериями качества управления. Комплекс
представляет собой самонастраивающуюся соответственно изменяющимся условиям плавания и промысла
систему. На судоводителя будет возлагаться задача выбора программы управления исходя из условий
обеспечения безопасности мореплавания, а также контроль за ее выполнением.
Таким образом, народнохозяйственной проблемой является совершенствование и дальнейшее
развитие методов рационального изъятия морских биоресурсов с помощью автоматизированных систем
тралового лова, одновременно обеспечивающих безопасное ведение промысла,
3. Цель и задачи исследований. Целью данных исследований является повышение качества принятия
решений процесса автоматизированного тралового лова в условиях неопределенности волнения морской
среды путем обнаружения, обработки и трансформации пригодных к использованию сведений в крупных
наборах данных. Предметная область исследований показана на рис 1.
Рисунок 1 –Предметная область данных исследований
73
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА»
№10/2015
ISSN 2410-6070
Объектом исследований являются
данные
поступающие из системы информационноавтоматизированного комплекса тралового лова в условиях нечеткой неопределенности волнения морской
среды. Нечеткая неопределенность исходной информации в источниках данных состояние внешней среды,
режимы поиска и траления, качество топливо-энергетических ресурсов [1-3].
4. Материалы и методы исследований. Методы исследовательского анализа данных приведенных
факторов направлены на открытие новых характеристик данных, а методы проверки статистических гипотез
– на подтверждение или опровержение существующих гипотез. Прогнозный анализ данных направлен на
решение задачи идентификации статистических или структурных моделей для предсказания или
классификации, а анализ текстовых данных использует статистические, лингвистические и структурные
методы для извлечения и классификации информации из текстовых источников, принадлежащих к
неструктурированным данным. Применению методов ИАД должен предшествовать этап интеграции данных,
а сам анализ данных тесно связан с визуализацией данных. В ИАД целесообразно использовать методы
математического анализа для выявления закономерностей и тенденций, существующих в данных. Обычно
такие закономерности невозможно обнаружить при традиционном просмотре данных, поскольку связи
слишком сложны, а объем данных является чрезмерным, а также по причине наличия неопределенностей в
данных. Тем не менее, выявленные закономерности и тренды можно собрать вместе и определить как модель
интеллектуального анализа данных.
5. Результаты исследований. Построение модели ИАД является частью более масштабного процесса,
в который входят все задачи, от формулировки вопросов относительно данных и создания модели до
развертывания модели в рабочей среде. Данный процесс можно представить как последовательность
следующих шести базовых шагов: постановка задачи, подготовка данных, просмотр данных, построение
моделей, исследование и проверка моделей, развертывание и обновление моделей. На рис. 2. представлены
связи между всеми шагами процесса и методы, которые могут быть использованы для реализации каждого
шага. Процесс, представленный на рис.3, является циклическим, то есть создание аналитической модели
данных является динамическим и повторяющимся процессом. Выполнив просмотр данных, лицо,
принимающее решение (ЛПР) может обнаружить, что данных недостаточно для создания требуемых
моделей ИАД, что ведет к необходимости поиска дополнительных данных.
Также может возникнуть ситуация, когда после построения нескольких моделей окажется, что они не дают
адекватный ответ на поставленную задачу, и поэтому необходимо поставить задачу по-другому. Может
возникнуть и необходимость в обновлении уже развернутых моделей за счет новых поступивших данных [3-5].
Рисунок 2 – Диаграмма связей между шагами процесса ИАД
Для создания модели требуется многократно повторить каждый шаг процесса. На сегодняшний день
большие морские предприятия, какие входят в состав рыбного флота России, поступают и обрабатываются
огромное количество данных, особенно персональных, собранных со всех структурных подразделений. В
каждом из них своя структура БД, и после интеграции в единый источник данных (хранилище данных (ХД)),
возникает проблема извлечения достоверных данных по причине разрозненных данных в различном
представлении, которые необходимо в дальнейшем использовать для анализа. Такие данные будут низкого
качества, так как в них допускались ошибки, и обрабатывать их теряет всякий смысл. Поэтому, для
74
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА»
№10/2015
ISSN 2410-6070
получения реальных выводов из существующих данных, применяют различные методы коррекции,
исключению дубликатов и очистки.
Очистку данных выполняют в пять этапов: анализ данных; определение порядка и правил
преобразования данных; подтверждение; преобразование; противоток очищенных данных. [1,4]
На первом этапе подробно анализируют данные, чтобы выявить подлежащие удалению виды ошибок
и неточностей. На этом этапе получают метаданные о свойствах и качестве данных. На втором этапе
определяется порядок и правила преобразования данных. В зависимости от числа источников данных,
степени их неоднородности и загрязненности, данные могут требовать достаточно серьезных
преобразований и очистки. Иногда для отображения источников общей модели данных используется
трансляция схемы; для ХД обычно используется реляционное представление. Первые шаги по очистке могут
уточнить или изменить описание проблем отдельных источников данных, а также подготовить данные для
интеграции. Дальнейшие шаги должны быть направлены на интеграцию схемы или данных и устранение
проблем множественных элементов, например, дубликатов. Для ХД в процессе работы по ETL должны быть
определены методы контроля и поток данных, подлежащий преобразованию и очистке. На третьем этапе
определяются правильность и эффективность процесса преобразования путем тестирования и оценивания.
При анализе, проектировании и подтверждении может потребоваться множество итераций, например, в связи
с тем, что некоторые ошибки становятся заметны только после проведения определенных преобразований.
На четвертом этапе осуществляется выполнение преобразований либо в процессе ETL для загрузки и
обновления ХД, либо при ответе на запросы по множеству источников. На пятом этапе происходит замена
загрязненных данных в исходных источниках на очищенные для того чтобы улучшенные данные попали
также в унаследованные приложения и в дальнейшем при извлечении не требовали дополнительной очистки.
Для ХД очищенные данные находятся в области хранения данных. Методы и средства очистки данных ТП в
разрабатываемой информационной системе делятся на три категории: - очистки простыми методами; очистки методами, которые основываются на понятиях математической статистики; - очистки средства ETL.
Доверительный интервал с вероятностью 95% для большого объема данных, подчиняющихся нормальному
закону распределения, определяют по формуле:
x
1,96 x
1,96 x
 xi  x 
n
n
(1)
x – среднее арифметическое значение совокупности данных;
где xi – исследуемый ряд данных;
 – среднеквадратическое отклонение; n – количество исследуемых данных.
Значения, не попавшие в этот интервал, отмечаются как потенциальные ошибки, их заменяют уже
подобранными значениями (например, средней арифметической величиной). Метод применялся для
однородных данных.
Выводы. Интеллектуальный анализ данных мониторинга представляет собой процесс обнаружения,
обработки и трансформации пригодных к использованию знаний в виде закономерностей и тенденций,
существующих в крупных консолидированных наборах данных, которые невозможно обнаружить
традиционными методами вследствие сложности связей и чрезмерности объема данных, а также по причине
наличия неопределенностей. Выявленные закономерности и тренды вместе определяют модель
интеллектуального анализа данных, а процесс интеллектуального анализа данных основан на их агрегации.
Для решения задачи очистки целесообразно использовать концепцию консолидированного
крупномасштабного хранилища данных, представляющего собой совокупность методов и средств обработки
структурированных и неструктурированных разнотипных динамических данных больших объемов с целью
их анализа и использования для поддержки принятия решений.
Список использованной литературы:
1. Черный С.Г., Доровской В.А. Модель оптимизации нечетких процессов принятия решений диагностики
морского оборудования Автоматизация процессов управления. 2014. № 3 (37). С. 89-94.
2.Растригин Л.А. Современные принципы управления сложными объектами. – М.:Сов.радио, 1980.- 168 с.
3.Растригин Л.А.Обучение как управление// Техническая кибернетика. – 1993. - №2.- С.153 – 163.
75
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА»
№10/2015
ISSN 2410-6070
4.Черный С.Г. Информационная составляющая блока координации на примере морского глубоководного
предприятия. Научный вестник Воронежского государственного архитектурно-строительного университета.
Серия: Информационные технологии в строительных, социальных и экономических системах. 2014. № 2. С. 63-68.
5.Доровской В.А., Черный С.Г. Процесс добычи, обработки и прогнозирования морской технологической
информации с использованием
SQL SERVER. Современные технологии. Системный анализ.
Моделирование. 2014. № 4 (44). С. 118-124.
6. Доровской В.А., Черный С.Г. Модель косвенного измерения температуры нагрева обмоток двигателя
привода глубоководной установки Транспорт: наука, техника, управление. 2014. № 10. С. 49-52.
©Н.В. Ивановский, Н.П. Сметюх, Л.Н. Козаченко, 2015
УДК 539.3
С.Л. Косачев
К.ф.-м.н., доцент, МГТУ им. Н.Э. Баумана,
г. Москва, Российская Федерация
ПРОДОЛЬНЫЙ СДВИГ ВОЛОКНИСТОГО КОМПОЗИЦИОННОГО МАТЕРИАЛА
Аннотация
В работе представлен аналитический метод расчета напряжений в волокнистом композиционном
материале (ВКМ) при продольном сдвиге, основанный на использовании модели регулярно армированного
ВКМ, геометрия и напряженное состояние которого полностью определяются микроструктурой
фундаментальной ячейки. Приведены результаты расчетов для двух видов композиционного материала.
Проведено сравнение полученных результатов с экспериментальными данными.
Ключевые слова
Композиционный материал, продольный сдвиг, прочность, периодические структуры
В качестве модели ВКМ примем некоторую 3-мерную изотропную кусочно-однородную среду,
упругие и геометрические свойства которой неизменны в направлении х 3 и имеют двоякопериодический
характер в плоскости х1х2. При построении уравнений, описывающих упругое поведение такой структуры,
важное значение имеет двоякопериодическое решение, при котором компонента деформации е 33 не зависит
от всех координат, а остальные компоненты деформации - от координаты х3.
Такое напряженное состояние распадается на два линейно независимых – плоскую деформацию и
продольный сдвиг [1]. Соответственно этому будем рассматривать плоскую среду x 3=const, усиленную
двоякопериодической системой инородных включений. Поскольку напряженно-деформированное
состояние слоя ВКМ является двоякопериодическим, то достаточно рассмотреть периодический элемент
структуры в виде параллелограмма периодов (фундаментальная ячейка) рис.1.
Рисунок 1 – Расчетная модель композиционного материала
76