INTELLIGENT SYSTEM FOR DETERMINING THE DIELECTRIC PERMEABILITY OF THE FOREST ENVIRONMENT DURING RADIO FREQUENCY MONITORING

Full Text

ВВЕДЕНИЕ Основные задачи, стоящие перед лесной отраслью, изложены в государственных программных документах, утвержденных на правительственном уровне. Так, в «Основах государственной политики…»1 особое внимание уделено проблемам сохранения лесов от незаконных рубок и пожаров (гл.V, п. д). Эти проблемы имеют огромное значение в масштабах страны. Положение с пожарами общеизвестно, ежегодно в России и в мире сгорают миллионы гектаров леса. Ситуация с незаконными рубками ненамного лучше, и специалисты называют их «тихим пожаром». Так, согласно известным статистическим данным о незаконных рубках [1], например, общее количество за 2013 г на сумму в 13,8 млрд. рублей относится только к зафиксированным случаям, поэтому имеются рекомендации оценивать эту цифру, как не более 5 % от реального объема ущерба [1]. Все это свидетельствует только о нерешенности и возрастании остроты этих проблем. На первый взгляд наиболее привлекательным кажется использование спутниковых систем мониторинга, но на практике они не решают эти проблемы по ряду причин. В документе учитываются эти недостатки, поэтому подчеркивается, что они должны совершенствоваться, а наиболее эффективный путь решения проблем будет на основе новых систем мониторинга леса. Совершенно понятно, что решением этих проблем будут результаты научно-исследовательских работ, а в этом случае дополнительно следует руководствоваться другим документом2, где приведен перечень приоритетных научных направлений на ближайшие 15 лет. В первом пункте перечня значатся цифровая экономика и интеллектуальные системы. Новые, более совершенные системы мониторинга леса, кроме указанных проблем, позволят решить, можно сказать, фундаментальную проблему - создать базу данных для системы лесоуправления, которая в будущем, с развитием информационных технологий будет автоматизированного типа. Помимо процессов лесоуправления эта база необходима и для системы управления лесопользованием, следовательно, создание новых методов непрерывного сбора информации о состоянии лесного фонда и процессах лесопользования является одним из самых приоритетных направлений в лесной отрасли. Система, обладающая такими функциональными способностями, была предложена [1] в виде сети RFID-устройств (радиочастотной идентификации) (рис. 1). В предложенной сети мониторинга выполняется контроль количества деревьев между датчиками, а также улавливается появление дама от пожара. Важнейшими параметрами контроля в этом процессе являются величина комплексной диэлектрической проницаемости лесной среды εк и параметр падение мощности Р сигнала в процессе его распространения. Указанные параметры, в свою очередь, находятся в зависимости от многих таксационных характеристик леса. Основное влияние оказывают конструктивные параметры сети RFID-устройств, климатическое состояние окружающей среды и другие величины. Известными традиционными средствами, например, статистическими методами, решить задачу не представляется возможным. Новизна системы подтверждена патентом РФ и это решение является принципиально новым, поэтому обзор научных публикаций показывает отсутствие данных по этой теме. В результате наших предыдущих исследований [1], получена определенная картина взаимовлияния параметров, качественных характеристик, экспериментов, которые могут быть использованы для создания обобщенной модели и интеллектуальной системы основного параметра - диэлектрической проницаемости. Целью настоящих исследований была разработка интеллектуальной экспертной системы на основе нейронечеткой продукционной сети для оценки диэлектрической проницаемости лесной среды, учитывающей основные влияющие факторы при радиочастотном мониторинге. Для достижения цели решались следующие задачи. 1. Используя результаты ранее проведенных исследований и сделанных для первых слоев сети нечетких выводов [1], разработать структуру интеллектуальной системы оценки диэлектрической проницаемости. 2. Разработать для заключительного слоя сети нечеткий вывод, включающий рассмотрение следующих вопросов. 2.1. Обоснование нечетких функций принадлежности. 2.2. Разработка базы правил нечеткой продукции. 2.3. Нечеткий вывод в системе Matlab. 3. Синтез интеллектуальной системы в среде Matlab для определения диэлектрической проницаемости. 4. Программная реализация интеллектуальной системы в среде Simulink. 1. МЕТОДОЛОГИЯ И ВЫПОЛНЕНИЕ ИССЛЕДОВАНИЙ В настоящей работе в теоретических исследованиях использовался аппарат нечеткого моделирования [2-11], нейронечетких продукционных сетей [2-3]. В экспериментальных исследованиях выполнялась апробация системы мониторинга и адекватность интеллектуальной системы на основе нейронечеткой продукционной сети. При этом использовались положения теории эксперимента, теории информации и передачи сигналов, математической статистики, лесной таксации. Для выполнения нечеткого вывода в работе была использована методика, изложенная в работах [2, 3]. Последовательность действий по этой методике приведена ниже. 2. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ 2.1. Разработка структуры интеллектуальной системы Основу интеллектуальной экспертной системы будет составлять нечеткая модель диэлектрической проницаемости. В результате наших предварительных исследований были выявлены четыре наиболее влияющих параметра, в зависимости от которых и следует разрабатывать модель. Для этого использован аппарат нейронечетких продукционных сетей [2, 3]. Особенности подхода заключаются в том, что узлы сети будут содержать нечеткий вывод. Если это каждый отдельный нечеткий вывод от двух параметров, то выходной величиной будет значение диэлектрической проницаемости. Но в случае объединения в сеть результатом этих процедур следует принимать не диэлектрическую проницаемость, а представлять его нормированной, безразмерной величиной влияющего фактора Y. Схема построенной интеллектуальной системы показана на рис. 2. Здесь в нейронечеткой продукционной сети выполняется моделирование величины диэлектрической проницаемости εк = f(Y12, Y34)=f(V, W, α,T). Рис. 2. Схема интеллектуальной системы для оценки величины диэлектрической проницаемости εк = f(Y12, Y34) = f(V, W, α, T): X1 - X4 - исходные данные; Y12 - фактор объемно-видовой; Y34 - климатический фактор Строго говоря, в соответствии с принятой на сегодня классификацией интеллектуальных систем она относится к системе «интеллектуальной в малом». Главным свойством такой системы является способность обрабатывать слабо формализуемую информацию и находить решения в условиях неопределенности. 2.2. Разработка системы с нечетким выводом заключительного слоя сети 2.2.1. Обоснование нечетких функций принадлежности Нечеткие выводы НВ для первого слоя сети εк = f(V, α) и εк = f(W, T) были получены ранее в работе [1]. Для нечеткого вывода последнего слоя входные параметры (выходные от первого слоя) следует представить не физической величиной, а представить безразмерными факторами Y12 и Y34 в нормированном виде. Индексы при факторах обозначают номера i входных переменных Хi. (см. рис. 2). Выходной параметр εк представляется физической величиной в абсолютном значении. В предварительных исследованиях [1] экспериментально был определен диапазон изменения комплексной диэлектрической проницаемости εк. С учетом этих данных принято значение выходной переменной в диапазоне от 0 до 70 Ф/м. Для определения лингвистических переменных и задания терммножеств приняты треугольные нечеткие интервалы, а по краям универсального множества приняты S-образные и Z-образные функции. Таких функций в данном случае для двух входных и для одной выходной переменных будет достаточно принять не более пяти. Обозначим на универсальном множестве лингвистических переменных принятые функции: «Минимальное» - М; «Малое - Mал; «Среднее» - Сред; «Большое» - Бл; «Максимальное» - Мх. Таким образом, запишем терммножества лингвистических переменных в следующим виде: - «Климатический фактор Y34» {М, Мал, Сред, Бл, Мх}; - «Фактор объемно-видовой Y12» {М, Мал, Сред, Бл, Мх}; - «Диэлектрическая проницаемость, εк» {М, Мал, Сред, Бл, Мх}. В графическом виде предложенные нечеткие функции принадлежности для вывода функции диэлектрической проницаемости εк=f(Y12, Y34) приведены на рис. 3. 2.2.2. Разработка базы правил нечеткой продукции Самыми известными методами нечеткого вывода являются Мамдани и Сугено. А наибольшее применение, особенно в контроллерах автоматического управления, получил метод Мамдани [2, 3]. Особенностью этого метода является использование базы правил нечеткой продукции. При создании базы правил рассматриваются варианты возможных значений входных параметров и их влияние в этих случаях на выходную переменную. Например: - Если Y12 = «Среднее» и Y34 = «Большое», То εк = «Большое»; - Если Y12 = «Большое» и Y34 = «Минимальное», То εк = «Малое». Для большего количества правил задействуются другие значения исходных параметров (Y12 и Y34), На основе такого подхода разрабатываются и другие правила. При этом варьируют различными значениями входных переменных, а для оценки их влияний на выходной параметр учитывают известные экспериментальные данные, результаты различных теоретических исследований, мнений экспертов. Таким образом была сформирована база правил нечеткого вывода (табл. 1) функции оценки диэлектрической проницаемости εк = f(Y12, Y34). 3. СИНТЕЗ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ДЛЯ ОПРЕДЕЛЕНИЯ КОМПЛЕКСНОЙ ДИЭЛЕКТРИЧЕСКОЙ ПРОНИЦАЕМОСТИ Рассматриваемые в задаче исходные данные, параметры лесной среды, климатические параметры, а также выходная величина диэлектрическая проницаемость характеризуются в данном случае неопределенностью. Формализация задачи позволяет реализовать ее в компьютерной среде. Как было сказано, для процедуры нечеткого вывода функции диэлектрической проницаемости εк = f(Y12, Y34) = f(V, W, α, T) был использован метод Мамдани с базой правил нечеткой продукции (табл. 1). В самом общем виде схема такого вывода в системе Matlab [12] иллюстрирована на рис. 4. Наиболее развитой средой для разработки нечетких систем является FIS Editor приложение Matlab (рис. 5), которое было использовано для реализации задачи создания интеллектуальной системы на основе нейронечеткой сети. Алгоритм методики нечеткого вывода заключительного слоя сети включал следующие процедуры: 1. Введение нечеткости в задачу (фаззификация), (рис. 5а-5в); 2. Разработка базы правил для нечеткого вывода (рис. 5г); 3. Нечеткий вывод с использованием базы правил (рис. 5д); 4. Приведение к четкости результатов вывода (дефаззификация), (рис. 5д); 5. Расчет и графическое построение конечной функции (рис. 5е). В результате рассчитанная функция включается в заключительной слой нейронечеткой продукционной сети и позволяет рассчитывать диэлектрическую проницаемость лесной среды. Модель используется в интеллектуальной экспертной системе в процессе радиочастотного мониторинга. 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ В СРЕДЕ SIMULINK Интеллектуальная система для практического использования должна быть реализована в компьютерной программе. Поскольку все нечеткие выводы выполнена в приложении FIS Editor то обобщенную модель или нейронечеткую сеть следовало создать также в приложении Matlab в среде визуально-блочного имитационного моделирования Simulink (рис. 6). Для реализации модели разработан m-файл, содержащий форму пользовательского интерфейса (рис. 6б) в которой задаются исходные данные. Исходные данные вводятся пользователем в Simulink-модель через блоки Constant «Vi», «a», «T», «W» (рис. 6а). В системе Matlab все данные в матричной форме, поэтому введенные векторы с исходными параметрами передаются в блоки Mux1 и Mux2, где объединяются и последовательно передаются в блоки Fuzzy Inference System для нечеткого вывода. В блоке с именем «EotVA(Y12)» предусмотрена процедура нечеткого вывода значения диэлектрической проницаемости. Здесь рассчитывается зависимость от параметров лесной среды. В блоке с именем «EotTW(Y34)» выполняется процедура вывода в зависимости от климатических факторов. В структуре обобщенной модели в этих блоках получаются значения объемно-видового фактора лесной среды Y12 и климатического фактора Y34. Величины этих факторов представляются в безразмерном, нормированном виде Yiн от 0 до 1. Этот расчет выполняется по формуле Yiн = Yi / (Yimax - Yimin), (1) где Yimax и Yimin - максимальное и минимальное значение параметра; Yi - текущее (заданное в исходных данных) значение параметра. Нормирование выполняется в блоках с именами «Norm1» и «Norm2» математической функции f(u) с записанными в блоки формулами (1). После нормирования сигналы подаются в блок Mux3 (мультиплексор). Здесь снова объединяются в последовательный вектор параметров и передаются в блок с именем «EotY12Y34(Е)» Fuzzy Inference System. Сигнал с окончательным результатом (с именем «Значение Е») диэлектрической проницаемости поступает в блок Display и отображается в цифровом виде на электронном дисплее. 5. АНАЛИЗ РЕЗУЛЬТАТОВ Рассматривая результаты с точки зрения отличия от существующих исследований, следует анализировать их по следующим критериям научной и практической ценности: - отличие от известных результатов; - научная новизна; - практическая применимость. Следует отметить, что ни за рубежом, ни в России достаточно полноценных исследований с целью создания систем радиочастотного мониторинга леса, не проводилось. Известна одна работа д.ф.-м.н. В.И. Попова (Латвия), в ней рассматривалась лесная среда как многослойная структура в виде квазиоднородной анизотропной линейной среды, фактически сводившейся в конечном итоге к однородной среде из-за ряда допущений в модели. Следовательно, системы мониторинга к перемещению лесосырьевых потоков будут нечувствительны. В настоящей работе лесная среда рассматривается в дискретном представлении суммой элементов леса. Как подтверждено в результате экспериментов, это обеспечивает измерение параметра диэлектрической проницаемости с высокой точностью. Точность измерения параметра на величину, эквивалентную изменению диэлектрической проницаемости от одного бревна, позволяет улавливать его перемещение из зоны действия RFID-датчика и контролировать сырьевые потоки в лесу. Главное отличие заключается в определении и формализации зависимости комплексной диэлектрической проницаемости лесной среды от характеристик лесного массива и климатических параметров. Задача решена для условий неопределенности в виде интеллектуальной системы. Научную новизну результатов обусловливает впервые предложенный теоретический подход к оценке параметров лесной среды. В данном случае она рассматривается дискретно, как сумма элементов леса. Также впервые предложено определение диэлектрической проницаемости на основе интеллектуальной системы в виде нейронечеткой продукционной сети. Практическая применимость результатов заключается в использовании для проектирования конструктивных параметров и топографии систем радиочастотного мониторинга лесного фонда. Но наиболее перспективное применение будет в возможности создания на базе мониторинга лесного фонда структуры информационного обеспечения автоматизированной системы лесоуправления и лесопользования. ВЫВОДЫ На основании исследований можно сделать следующие выводы: 1. Реализация стратегических задач лесной отрасли в направлении совершенствования методов мониторинга лесов требует принципиально новых решений, одним из перспективных будет создание систем наземного мониторинга в виде сети устройств RFID, для которых используются интеллектуальные системы. 2. Использовать для исследований в условиях неопределенности новых объектов известные статистические методы во многих случаях является недостаточно обоснованным. Мировой опыт показывает, что для подобных условий в наибольшей степени корректным будет аппарат теории нечетких множеств, а также и ее приложений, например, нечеткой логики, нейронечетких продукционных сетей. 3. Разработанная интеллектуальная система в виде нейронечёткой продукционной сети для определения диэлектрической проницаемости участка леса дает принципиально новые возможности для решения такой задачи. В этом случае учитываются основные характеристики лесной среды и климатические параметры. Адекватность моделей проверена сопоставлением результатов моделирования с экспериментальными данными. Рис. 1. Схема радиочастотного мониторинга [1]: RFID-1- RFID-4 - радиочастотные датчики; Р - мощность радиосигнала; W - влажность среды; T - температура воздуха; n - плотность (количество) деревьев; L - расстояние между RFID-датчиками; Vi -доля i-го компонента лесной среды в объеме; α - параметр вида лесного массива; εк - комплексная диэлектрическая проницаемость Рис. 3. Лингвистические переменные: 1 - фактор объемно-видовой Y12; 2 - климатический фактор Y34; 3 - диэлектрическая проницаемость, εк Таблица 1. Разработанная база правил для вывода диэлектрической проницаемости Рис. 4. Иллюстрация в общем виде схемы нечеткого вывода Рис. 5. Процедура нечеткого вывода функции εк = f(Y12, Y34): 1- задание переменной «Фактор объемно-видовой Y12»; 2 - задание переменной «Климатический фактор Y34»; 3 - задание переменной «Диэлектрическая проницаемость, εк»; 4 - база правил; 5 - процедура нечеткого вывода; 6 - конечная функция εк Рис. 6. Интеллектуальная система для вывода функции εк = f(Y12, Y34) = f(V, α, W, T) в среде Simulink приложения Matlab: 1 - модель в среде Simulink; 2 - ввод данных, фрагмент m-файла Matlab; 3 - интерфейс программы

About the authors

Vladimir Viktorovich Pobedinsky

Ural State Forestry University

Email: pobed@e1.ru
Doctor of Technical Sciences, Professor of the Department of Service and Technical Operation Ekaterinburg

Igor Nikolaevich Kruchinin

Ural State Forestry University

Email: kinaa.k@ya.ru
Doctor of Technical Sciences, Associate Professor of the Department of Transport and Road Construction Ekaterinburg

Andrey Anatol'evich Pobedinsky

State Agrarian University of the Northern Trans-Urals

Email: vm993711@mail.ru
Candidate of Technical Sciences, Senior Lecturer of the Department of Forestry, Woodworking and Applied Mechanics Tyumen

References

Supplementary files