КОМПЛЕКСИРОВАНИЕ ИНТЕРВАЛЬНЫХ ИЗМЕРИТЕЛЬНЫХ ДАННЫХ МЕТОДОМ АГРЕГИРОВАНИЯ ПРЕДПОЧТЕНИЙ

Введение 5
ГЛАВА 1 Методы комплексирования интервальных данных 12
1.1 Комплексирование данных 12
1.2 Модели комплексирования данных 15
1.2.1 JDL модель 15
1.2.2 DFD модель 17
1.3 Проблемы комплексирования данных 19
1.4 Комплексирование интервальных данных 20
1.4.1 Интервалы 20
1.4.2 Методы комплексирования интервалов 21
1.4.3 Комплексирование интервальных данных с приписанной
доверительной вероятностью 22
1.4.4 Теория Демпстера-Шафера для интервальных данных 25
1.4.5 Одобрительное голосование 29
1.4.6 Интервальные порядковые числа 32
Выводы к главе 1 36
ГЛАВА 2 Комплексирование интервальных данных агрегированием
предпочтений 38
2.1 Агрегирование предпочтений 38
2.1.1 Исходные понятия 38
2.1.2 Агрегирование предпочтений на основе правила Кемени 40
2.2 Комплексирование интервалов агрегированием предпочтений 43
2.2.1 Диапазон актуальных значений 43
2.2.2 Инранжирования: ранжирования, наведенные интервалами 45
2.2.3 Метод комплексирования интервалов IF&PA 49
2.3 Программное обеспечение для численных экспериментов 52
2.3.1 Интерфейс программы 53
2.3.2 Модуль генерации данных 55
2.3.3 Модуль обработки данных 62
2.3.4 Модуль визуализации и архивации данных 63
2.4 Экспериментальные исследования свойств метода IF&PA 64
2.4.1 Выбор меры точности, робастности и достоверности
исследуемых методов 64
2.4.2 Результаты экспериментальных исследований 67
Выводы к главе 2 76
ГЛАВА 3 Разбиение диапазона актуальных значений 78
3.1 Необходимость выбора мощности n разбиения ДАЗ 78
3.2 Свойства разбиения диапазона актуальных значений 79
3.2.1 Разрешающая способность 79
3.2.2 Вложенность множеств An 81
3.3 Определение мощности разбиения ДАЗ 86
3.4 Численные экспериментальные исследования разбиения ДАЗ 87
3.4.1 Выбор допускаемого различия w 88
3.4.2 Проверка практической применимости способа расчета
мощности разбиения ДАЗ 90
Выводы к главе 3 93
ГЛАВА 4 Комплексирование данных в беспроводных сенсорных сетях для экологического мониторинга 95
4.1 Беспроводные сенсорные сети 95
4.2 Повышение точности сенсоров БСС для экологического
мониторинга 97
4.2.1 Верификация алгоритма повышения точности на
синтетических входных данных 100
4.2.2 Результаты обработки данных реальной БСС 104
4.3 Энергосбережение в БСС 107
4.3.1 Алгоритм выбора активных узлов в кластере 108
4.3.2 Выбор количества активных узлов в кластере 114
4.3.3 Численные экспериментальные исследования алгоритма
выбора активных узлов 117
Выводы к главе 4 121
Заключение 123
Список сокращений и обозначений 125
Список используемой литературы 128
Приложение А. Акты внедрения диссертационной работы 140
Купить

Актуальность темы. Описание результатов измерений в форме интервалов, границы которых определяются найденными экспериментально или заранее заданными значениями неопределенности, широко используется как в теории, так и в практике измерений. Интервальные данные являются распространенной формой данных в таких областях, как распределенные вычисления, базы данных, системы и сети сбора данных и т.д.
Одним из подходов к обработке интервальных данных является комплексирование данных (data fusion) - процесс совместной обработки данных о некотором объекте, предоставленных несколькими источниками, с целью получения более полного, объективного и точного знания исследуемой характеристики объекта по сравнению со знанием, полученным из единственного источника.
Процедура комплексирования интервальных данных заключается в формировании такого результирующего интервала [х* - е*, х* + s*], который согласован (т.е. пересекается) с максимальным количеством исходных интервалов {Ik} (не обязательно согласованных между собой) и с максимальной степенью правдоподобия содержит значение, которое может служить представителем всех этих интервалов. Результатом комплексирования х* является средняя точка результирующего интервала с соответствующей неопределенностью е*.
Существуют различные подходы к комплексированию интервальных данных, среди которых можно выделить методы, основанные на математической статистике и теории вероятностей; теории очевидностей Демпстера-Шафера; одобрительном голосовании; интервальных порядковых числах. Некоторые из этих методов являются чувствительными к несогласованности и/или виду закона распределения входных данных. Недостатком других методов является неединственность получаемых результатов. Кроме того, некоторые подходы требуют для нахождения результата комплексирования х* дополнительной входной информации субъективного характера, например, назначения весовых коэффициентов источникам данных.
В связи с этим существует необходимость разработки метода комплексирования интервальных данных, позволяющего на основании неточных, неполных или противоречивых данных определить результат х* с повышенной точностью, робастностью и достоверностью.
Эти полезные свойства результата комплексирования обеспечивает метод агрегирования предпочтений, основанный на представлении исходных интервалов {Ik} на вещественной числовой оси отношениями слабого порядка (ранжированиями) на множестве принадлежащих этим интервалам дискретных значений. Результатом комплексирования х* служит наилучшее значение в ранжировании консенсуса, найденном для набора ранжирований дискретных значений, соответствующих исходным интервалам.
Острая необходимость в таких методах существует, в частности, в практической области беспроводных сенсорных сетей. Беспроводная сенсорная сеть (БСС) представляет собой распределенную, самоорганизующуюся систему сбора, обработки и передачи информации, состоящую из автономных, не требующих специальной установки и обслуживания, устройств. Каждое такое устройство, называемое узлом, снабжено мультисенсором - набором сенсоров, которые измеряют параметры различных физических полей, сред и объектов в подлежащих мониторингу точках исследуемой области. Комплексирование интервальных измерительных данных мультисенсоров, проведенное методом агрегирования предпочтений может обеспечить повышение точности результатов измерений мультисенсоров и продление их времени жизни.
Целью диссертационной работы является разработка и экспериментальные исследования метода комплексирования интервальных измерительных данных на основе агрегирования предпочтений, устойчивого к виду закона распределения входных данных и обеспечивающего получение значения измеряемой величины с повышенной точностью и достоверностью.
В связи с поставленной целью в работе должны быть решены следующие задачи:
• анализ известных методов комплексирования интервальных данных;
• разработка и программная реализация метода комплексирования интервальных данных на основе агрегирования предпочтений принадлежащих этим интервалам дискретных значений и экспериментальные исследования его работоспособности и свойств;
• разработка способа разбиения диапазона актуальных значений, полученного в результате объединения исходных интервалов, для формирования ранжируемых дискретных значений;
• разработка и верификация процедур повышения точности мультисенсоров и снижения энергопотребления узлов в беспроводной сенсорной сети на основе предложенного метода комплексирования интервальных данных.
Методы исследования. Использованы методы теории голосования, теории измерений, теории погрешностей, а также теории вероятностей и математической статистики. Численные экспериментальные исследования проводились с использованием метода Монте-Карло для генерации синтетических измерительных данных с помощью специально разработанного программного обеспечения в среде NI LabVIEW.
Достоверность полученных результатов диссертационной работы подтверждается сравнением свойств разработанных и известных алгоритмов на достаточном объеме исходных данных; совпадением с достаточной точностью аналитических расчетов и результатов численных экспериментов.
Научная новизна
1. Предложен и исследован метод комплексирования интервалов IF&PA, где результатом комплексирования является наилучшее дискретное значение в ранжировании консенсуса, найденном для набора наведенных интервалами ранжирований дискретных значений.
2. Для формирования ранжируемых дискретных значений предложен и экспериментально обоснован способ расчета мощности разбиения диапазона актуальных значений, полученного в результате объединения исходных интервалов, на основе поправки Шеппарда для дисперсии дискретизированных данных.
3. На основе разработанного метода комплексирования интервалов IF&PA предложен и исследован робастный алгоритм повышения точности результата измерения, где исходные интервальные данные представляют собой неточные и/или неполные показания мультисенсоров беспроводной сенсорной сети.
4. На основе разработанного метода комплексирования интервалов IF&PA
предложен и исследован алгоритм выбора подмножества активных узлов в кластере беспроводной сенсорной сети, обеспечивающий снижение
энергопотребления (продление времени жизни) узлов.
Практическая ценность работы. Результаты диссертационной работы могут быть использованы для обработки интервальных данных во всех типах систем, где подобные данные имеют место: системы распределенных
вычислений, базы данных, сети сбора данных и т.п. Типичными практическими применениями метода IF&PA могут быть: межлабораторые или ключевые сличения; прогнозирование значений фундаментальных констант; проведение сертификационных испытаний (на соответствие); повышение точности сенсоров и выявление отказов сенсорных узлов в беспроводных сенсорных сетях.
Реализация и внедрение результатов работы. Результаты исследований использованы при выполнении следующих НИР:
• грант РНФ 14-19-00926 "Основанный на полимерных оптодах мобильный цветометрический экспресс-анализ природных и техногенных объектов на содержание опасных веществ", 2014-2016 гг.;
• проект № 2.5760.2017/БЧ "Методы повышения точности промышленных робототехнических комплексов" в рамках базовой части государственного задания "Наука" Минобрнауки России, 2017-2019 гг.
Результаты работы также используются: в лаборатории мониторинга окружающей среды Томского государственного университета для обработки данных экологического мониторинга; в учебном процессе на кафедре систем управления и мехатроники Института кибернетики ТПУ. Акты внедрения приложены к диссертационной работе (приложение А).
Положения, выносимые на защиту:
1. Предложенный метод комплексирования интервальных данных на основе агрегирования предпочтений гарантирует получение результата с более высокими точностью, робастностью и достоверностью по сравнению с известными методами.
2. Предложенный способ расчета мощности п разбиения диапазона актуальных значений позволяет определить такое значение п, при котором с вероятностью 0,95 обеспечивается получение результата комплексирования, наиболее близкого к номинальному значению для всех п от 4 до 15.
3. Разработанный на основе метода IF&PA робастный алгоритм повышения точности позволяет снизить неопределенность результата измерения не менее чем в 2-2,3 раза по сравнению с неопределенностью показаний мультисенсоров беспроводной сенсорной сети при возможном непустом подмножестве неисправных сенсоров.
4. Разработанный на основе метода IF&PA алгоритм выбора активного подмножества узлов в кластере сети обеспечивает снижение энергопотребления (продление времени жизни) узлов в кластере в 2-3 раза.
Апробация результатов работы. Основные результаты диссертационной работы докладывались на следующих конференциях: 2nd International Symposium on Computer, Communication, Control and Automation (3CA 2013), Singapore, 2013; XIX и XXI Международная научно-практическая конференция студентов, аспирантов и молодых ученых "Современные техника и технологии", г. Томск, 2013 и 2015 гг.; XII и XIV Всероссийская научно-практическая конференция "Молодежь и современные информационные технологии", г. Томск, 2014 и 2016 гг.; 7th International Congress on Ultra Modern Telecommunications and Control
Systems (ICUMT 2015), Brno, Czech Republic, 2015; XVI Международная научнотехническая конференция "Измерение, контроль, информатизация 2015", г. Барнаул, 2015 г.; VI Научно-практическая конференция с международным
участием "Информационно-измерительная техника и технологии", Томск, 2015 г.; XI и XII Международная IEEE Сибирская конференция по управлению и связи (SIBCON), Омск, 2015 г., и Москва, 2016 г.; IV Всероссийский молодежный Форум с международным участием "Инженерия для освоения космоса", Томск, 2016 г.; Joint IMEKO TC1-TC7-TC13 Symposium "Metrology Across the Sciences: Wishful Thinking?", Berkeley, USA, 2016.
Публикации. Основные результаты исследований отражены в 17 публикациях: 3 статьи в ведущих научных журналах и изданиях, рекомендуемых ВАК, в том числе 2 проиндексированы в базах данных Web of Science (WoS) и Scopus; 12 статей в рецензируемых научных журналах и сборниках трудов
международных и российских конференций, в том числе 4 проиндексированы в базе данных Scopus и WoS; 2 свидетельства о государственной регистрации программ для ЭВМ.
Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 121 наименования и приложений. Работа содержит 142 страницы основного текста, включая 34 рисунка и 36 таблиц.
В первой главе представлен анализ отечественных и зарубежных источников по тематике, рассмотрены задачи и классификация методов комплексирования, введено понятие интервальных данных и исследованы существующие методы комплексирования интервальных данных.
Во второй главе рассмотрена задача агрегирования предпочтений и представлен алгоритм ее решения (нахождения ранжирования консенсуса) с помощью правила Кемени. Исследованы особенности агрегирования предпочтений на интервальных данных и введено понятие инранжирования для обозначения ранжирований, наведенных интервалами. Представлен метод комплексирования интервальных данных агрегированием предпочтений.
Приведено описание программного обеспечения, разработанного для проведения численных экспериментальных исследований качества работы предложенного метода, и представлены результаты этих исследований.
В третьей главе исследована проблема нахождения подходящего разбиения диапазона актуальных значений (ДАЗ) для метода IF&PA. Показаны свойства этого разбиения и представлен способ определения мощности разбиения, основанный на поправке Шеппарда для дисперсии дискретизированных значений ДАЗ.
В четвертой главе рассмотрена возможность повышения точности мультисенсоров беспроводной сенсорной сети (БСС) для экологического мониторинга на основе метода комплексирования интервальных данных IF&PA. Предложен робастный алгоритм повышения точности результата измерения мультисенсоров БСС и представлены результаты верификации предложенного алгоритма на входных синтетических данных. Приведены результаты обработки данных реальных БСС алгоритмом повышения точности. Предложен алгоритм выбора подмножества активных узлов в кластере БСС для снижения энергопотребления и проведены численные экспериментальные исследования его работоспособности.
Купить