Жаңартылған энергия көздерін ұжымдық қолдану біріктірілген on-line ақпараттық жүйесі

 

 

213 

УДК 004.4 

 

Ахметов Б.С., Харитонов П.Т. 

Казахский национальный технический университет имени К.И.Сатпаева, 

г. Алматы, Республика Казахстан 

ident06@mail.ru 

 

ПРИНЦИПЫ ПОСТРОЕНИЯ  ИНТЕГРИРОВАННЫХ  ON-LINE ИНФОРМАЦИОННЫХ 

СИСТЕМ  КОЛЛЕКТИВНОГО  ПОЛЬЗОВАНИЯ 

 

Аннотация.  В  данной  статье  рассматриваются  принципы  построения  интегрированных  ON-LINE 

информационных  систем  коллективного  пользованияавтономными  источниками  энергии.  Их  социальная 

значимость  –  в  повышении  коэффициента  использования  автономных  источников  возобновляемой  энергии. 

Представлена структура интегрированной ON-LINE информационной системы коллективного пользования. 

Ключевые  слова.  Информационная  система,  интегрированныеON-LINE  системы,  групповой  блок, 

объектовой блок, системы коллективного пользования. 

 

Тотальная  информатизация  всех  сфер  жизнедеятельности  благодаря  интернет-технологиям, 

сетям  мобильной  связи  и  передачи  информациисоздает  условия  для  построения  интегрированных 

информационных ON-LINE систем: 

-  контроля состояния окружающей среды [1-3]; 

- контроля загрязнения среды обитания выбросами от техногенных объектов [4-5];  

-  хранения  медицинской  истории  болезни  пациентов  и  обращения  граждан  в  медицинские 

учреждения через интернет [6-7]; 

- мониторинга и оценки селевой обстановки в селеопасных местностях; 

- контроля и прогнозирования землетрясений. 

Открыта 

возможностьсоздания 

и 

других 

аналогичных 

интегрированных 

ON-LINE 

информационных  систем  коллективного  пользования.Примером  систем  такого  рода  может  служить 

интегрированная  ON-LINE  информационная  система  коллективного  пользования  автономными 

источниками  энергии.  Ее  социальная  значимость  –  в  повышении  коэффициента  использования 

автономных источников возобновляемой энергии. На нашем Форуме  будут представлены доклады о 

некоторых из этих систем. 

Общей  основой  интегрированных  ON-LINE  информационных  систем  коллективного 

пользования  являются,  как  правило,  уже  существующие  сети  мобильной  связи.  Они  обладают 

отлаженной  и  разветвленной  инфраструктурой,  позволяют  расширять  их  функциональные 

возможности путем дополнения этой инфраструктуры групповыми (ГБ) и объектовыми (ОБ) блоками 

соответствующей системы коллективного пользования. На рисунке 1 показана обобщенная структура 

интегрированной  ON-LINE  информационной  системы  коллективного  пользования,  выполняющей 

функции тотального контроля загрязнений окружающей среды (ЗОС) техногенными объектами (ТО). 

Система состоит из группового 1 и нескольких  объектовых блоков ЗОС 2-1…2-N, связанных с 

групповым  блоком  по  проводному  или  радиоканалу.  Групповой  блок  1  мониторинга  ЗОС  содержит 

формирователь  3  адресов  ОБ  ЗОС,  процессор  4  с  клавиатурой  5,  энергонезависимой  памятью  6  и 

монитором 7, приемопередатчик 8 с антенной 9, порт 10 и принтер11. Число ОБ, связанных с ГБ ЗОС 

может  достигать  нескольких  десятков  и  сотен  тысяч,  а  система  в  целом  может  обслуживать  целый 

город или район. Для этого в нескольких ГБ обеспечен выход в сеть мобильной связи, через которую 

происходит  обмен  информацией  и  управление  этими  ГБ  со  стороны  системного  блока  высшего 

уровня (СБВУ), например регионального или республиканского. Возможно последующее построение 

глобальной  иерархической  структуры  контроля  ЗОС,  позволяющей  обеспечить  принципиально 

новый, адекватный действительности, уровень планетарного контроля ЗОС в режиме ON-LINE. 

Объектовые  блоки  контроля  ЗОС  установлены  на  все  техногенные  объекты  контролируемой 

территории  –  автотракторную  и  строительную  технику,  котельные  тепловозы,  теплоходы, 

авиатранспортные средства и т.д. 

 

 

 

214 

 

 

Рисунок 1 - Структура интегрированной ON-LINE информационной системы коллективного пользования. 

 

В  зависимости  от  типа  техногенного  объекта  каждый  ОБ  оснащен  соответствующим 

комплектом  датчиковой  аппаратуры,  позволяющим  производить  накопительный  контроль  ЗОС, 

производимых ТО, во временной и пространственной развертке. Для этого каждый ОБ имеет таймер 

астрономического времени и модуль системы ГЛОНАCCили  GPS. С групповых блоков может быть 

запрошена  информация  с  любого  из  имеющихся  в  системе  ОБ  в  режиме  ON-LINE  или  за  тот  или 

иной  отрезок  времени.  После  тарификации  полученной  информации  в  ГБ  формируется  платежный 

документ  владельцу  соответствующего  ТО  на  оплату  за  произведенные  ЗОС.  Кроме  того,  за  счет 

совместной обработки информации с соответствующих ОБ производится расчет ЗОС на той или иной 

местности  за  тот  или  иной  интервал  времени  по  тем  или  иным  видам  ЗОС  или  видам  ТО.  Авторы 

убеждены в том, что системам коллективного пользования уготован бум развития в ближайшие годы. 

 

ЛИТЕРАТУРА 

1.  Богородский  Я.Ю.,Вечкина  А.В.,  Вишневский  С.А.,  Харитонов  П.Т.      Интегрированная  система 

объективного      метеоконтроля  для  пользователей  ПК  и  мобильных  телефонов.    Каталог  Салона  АРХИМЕД 

2010, Москва, 2010, с.218 . 

2.  Аналиева  А.У.,  Харитонов  П.Т.    Интегрированная  cистемаON-LINE  контроля  метеоусловий    на 

основе радиопередающих флюгеров.   Сб. статей XI МНПК    «Экология и ресурсо-энергосберегающие техно-

логии на предприятиях народного хозяйства. Пенза, 2011, с.70-72. 

3.  Мукажанов  Н.К., Сауанова К.Т., Харитонов П.Т. Постановка задачи исследования,  разработки мат. 

аппарата и ПО для  автоматизированного проектирования  систем ON-LINE контроля состояния  окружающей 

среды.Труды  II  Международной  НПК  «Информационно-  инновационные  технологии:  инновация  науки, 

образования  бизнеса». РК. г. Алматы, КазНТУ, 1-2 дек. 2011,  том 2, с.212-214. 

4.  Харитонов  П.Т.    Способ  и  система  индивидуального    учета  загрязнений  окружающей  среды, 

производимых техногенными объектами. Заявка  RU №2008102142  от  18.01.2008г. на изобретение. 

5.  Ахметов  Б.С.,  Айтимов  М.,  Маликова  Ф.У.,  Харитонов  П.Т.  Система  контроля  загрязнений 

окружающей  среды,  производимых  техногенными        объектами.    Заявка  KZ  №  6721  от  23.05  2014  на 

инновационный патент РК.  

6.  Ахметов  Б.С.  и  др.  Исследование  вариантов  реализации  и  разработка  действующего  лабораторного 

образца  ON-LINE  системы  биометрического  обезличивания  электронных  историй  болехни  для  медицинского 

учреждения.Тема №753 МОН.ГФ.13.13. 

7.  Ахметов  Б.С.,  Михайлов  П.Г.,  Харитонов  П.Т.  Исследование  вариантов  реализации  и  разработка 

интеллектуальной  системы  для  мониторинга  и  оценки  селевой  обстановки  (ИСМОСО).  Заявка  на 

финансирование  в 2015-2017 г.г. по конкурсу ГФНИ. 

 

REFERENCES 

1. BogorodskijJa.Ju., Vechkina A.V., Vishnevskij S.A., Haritonov P.T.   Integrirovannaja sistema ob#ektivnogo 

meteo kontrolja dlja pol'zovatelej PK i mobil'nyh telefonov.  Katalog Salona ARHIMED 2010, Moskva, 2010, s.218 . 

 

 

215 

2.  Analieva A.U., Haritonov P.T.  Integrirovannaja cistema ON-LINE kontrolja meteo uslovij na osnove radio 

peredajushhihfljugerov.  Sb.  statej  XI  MNPK  «Jekologija  i  resurso-jenergosberegajushhie  tehno-logii na  predprijatijah 

narodnogo hozjajstva. Penza, 2011, s.70-72. 

3.  Mukazhanov  N.K.,  Sauanova  K.T.,  Haritonov  P.T.  Postanovka  zadachi  issledovanija,    razrabotki  mat. 

apparata  i  PO  dlja  avtomatizirovannogo  proektirovanija  sistem  ON-LINE  kontrolja  sostojanija  okruzhajushhej  sredy. 

Trudy  II  Mezhdunarodnoj  NPK  «Informacionno-  innovacionnye  tehnologii:  innovacijanauki,  obrazovanijabiznesa». 

RK. g. Almaty, KazNTU, 1-2 dek. 2011,  tom 2, s.212-214.  

4.  Haritonov  P.T.    Sposobi  sistema  individual'nogo  ucheta  zagrjaznenij  okruzhajushhej  sredy,  proizvodimyh 

tehnogennymi obektami. Zajavka  RU №2008102142  ot  18.01.2008g. na izobretenie 

5.  Ahmetov B.S., Ajtimov M. ., Malikova F.U., Haritonov P.T. Sistema kontrolja zagrjaznenij okruzhajushhej 

sredy, proizvodimyh tehnogennymi ob#ektami.  Zajavka KZ №7621 ot 23.05 2014 na innovacionnyj patent RK.  

6.  Ahmetov B.S. idr. Issledovanie variantov realizacii i razrabotka dejstvujushhego laboratornogo obrazca ON-

LINE  sistemy  biometricheskogo  obezlichivanijaj  elektronnyh  istorij  bolehni  dlja  medicinskogo  uchrezhdenija.Tema 

№753 MON.GF.13.13. 

7.  Ahmetov  B.S., Mihajlov P.G., Haritonov P.T. Issledovanie variantov realizacii i razrabotka intellektual'noj 

sistemy  dlja  monitoringa  i  ocenki  selevoj  obstanovki  (ISMOSO).  Zajavka  na  finansirovanie    v  2015-2017  g.g. 

pokonkursu GFNI. 

 

Ахметов Б.С., Харитонов П.Т. 

Ұжымдық қолданыстағы біріктірілген ON-LINE ақпараттық жүйесін құру принциптері 

Түйіндеме. Бұл жұмыста автономды энергия көздерімен ұжымдық қолданыстағы біріктірілген ON-LINE 

ақпараттық  жүйесін  құру  принциптары  қарастырылған.  Олардың  элеуметтік  маңыздылығы-жаңартылған 

энергия  көздерін  пайдалану  коэффициентін  арттыру  болып  табылады.  Ұжымдық  қолданыстағы  біріктірілген 

ON-LINE ақпараттықжүйесіқұрылымыбаяндалған. 

Түйін сөз. Ақпараттық жүйе, біріктірілген ON-LINE жүйелері, ұжымдық пайдалану жүйесі. 

 

AkhmetovB.S.,KharitonovP.T. 

Principles of integrated ON-LINE information systems for collective use 

Abstract.  This  article  discusses  theprinciples  ofintegratedON-LINEinformation  systemsfor  collective 

useautonomous  sources  ofenergy.Theirsocial  significance-in  increasingutilizationof  autonomous  sourcesof  renewable 

energy.Shows the structure ofthe integratedON-LINEinformation systemfor collective use.  

Key words. Information system, integrated ON-LINEsystem, group unitof objectblocksystemfor collective use. 

 

 

УДК 004 

 

Ахметов Б.С.

1

, Ахметова С.Т.

1

, Иванов А.И.

2

, Малыгин А.Ю.

2

, Мукапил К.

1

 

1

Казахский национальный технический университет имени К.И.Сатпаева,  

г. Алматы, Республика Казахстан  

2

Пензенский государственный университет,  

г. Пенза, Россия 

kaiyrkhan@mail.ru 

 

ПРИМЕНЕНИЕ ИТЕРАЦИОННОГО АЛГОРИТМА ОБУЧЕНИЯ ОДИНОЧНОГО  

НЕЙРОНА В БИОМЕТРИЧЕСКИХ ПРИЛОЖЕНИЯХ  

 

Аннотация.  В  статье  рассматривается  применение  итерационного  алгоритма  обучения  одиночного 

нейрона  в  биометрических  приложения.  Приведен  анализ  необходимых  нейронов  для  обогащения 

биометрических данных. 

Ключевые 

слова: 

биометрия, 

биометрической 

идентификации, 

биометрические 

данные, 

биометрические технологии. 

 

Информации,  содержащейся  в  «плохих»  биометрических  параметрах,  недостаточно  для  того, 

чтобы по одному биометрическому параметру принимать надежные решения. Именно в связи с этим 

«fuzzy  extractors»  рассматривают  не  один  разряд  био-кода,  а  весь  био-код,  а  затем  происходит 

исправление ошибки в нем 1.  

По  мнению  авторов,  более  эффективным  является  иной  технический  прием,  в  соответствии  с 

которым  еще  до  квантования  биометрических  данных  осуществляется  нейросетевое  их  обогащение.  

При  нейросетевом  обогащении  используют  не  все  био-данные,  а  их  группы.  При  этом,  чем  хуже 

данные, тем больше данных должно объединяться в одну группу, обогащаемую одним нейроном.  

 

 

216 

 

 

Рисунок 1 – Примерная оценка числа нейронов, необходимых для  

обогащения биометрических данных 

 

Если  подсчитать  информативность  анализируемых  биометрических  параметров,  то  можно 

приближенно  оценить  число  нейронов,  необходимых  для  обогащения.  На  рисунке  1  приведена 

примерная  статистическая  оценка  числа  нейронов,  необходимых  для  обогащения  биометрических 

данных. 

Из  данных  рисунка  1  можно  видеть,  что  высокие  показатели  информативности  имеют  только 

17 биометрических параметров, каждый из которых может самостоятельно использоваться после его 

квантования. Био-параметров «удовлетворительного» качества с информативностью от 1 бита до 0.5 

бит  –  152,  они  могут  использоваться  для  создания  76  нейронов  с  двумя  входами.  Столько  же  76 

нейронов  получается  с  3  входами,  при  этом  информативность  каждого  из  входов  находится  в 

интервале  от  0.5  бит  до  0.35  бит.  Био-данные  с  еще  меньшей  информативностью  приходится 

обогащать  70  нейронами  с  4  входами  и  примерно  23  нейронами  с  8  входами.  Всего  получается 

примерно 262 нейрона с не повторяющимися входами, при этом выходы  каждого из нейронов  дают 

по одному стабильному разряду био-ключа.   

Следует иметь в виду, что приведенные выше оценки являются  приближенными,  так как они 

не  учитывают  сильные  корреляционные  связи  между  параметрами  образа  «Свой».  В  реальных 

биометрических  системах  число  входов  у  нейронов  должно  быть  примерно  в  два-три  раза  больше, 

чем следует из приведенных выше оценок. 

Для  того,  чтобы  воспользоваться  нейросетевым  обогащением  био-данных,  необходимо  уметь 

обучать одиночные искусственные нейроны. По вопросам обучения искусственных нейронов и сетей 

из  них  написано  много  трудов  [2-7].    Существует  несколько  сотен  алгоритмов  обучения 

искусственных  нейронов  и  множество  вариантов  исполнения  функции  возбуждения  нейронов. 

Применительно к решению задач биометрии [3-13] в основном у нейронов используется ступенчатая 

нечетная функция возбуждения (квантования), как у персептрона [2, 5].  

Реже  используется  ступенчатая  четная  функция  квантования,  значительные  перспективы 

имеют  нейроны  с  немонотонными  функциями  квантования,  имеющими  3  и  более  выходных 

состояний  [7,  8].  Название  «персептрон»  закрепилось  только  за  нейронами  с  простейшей  функцией 

квантования  выходных  данных  сумматора,  в  связи  с  этим  далее  по  тексту  термин  «персептрон» 

использоваться будет параллельно с более общим термином «нейрон».    

Исторически сложилось так, что первыми были созданы алгоритмы обучения, построенные на 

итерационной  минимизации  среднеквадратической  ошибки,  принимаемых  нейроном  решений. 

Отойдем от традиции, и не будем рассматривать критерий минимума среднеквадратической ошибки, 

так как он в биометрии редко используется. Применительно к биометрии гораздо более эффективным 

является  критерий  так  называемого  качества  разделения  статистических  распределений  «Свой»  и 

«Все Чужие». 

Основной 

функцией 

нейросетевых 

приложений 

биометрии 

является 

выталкивание 

распределения образа «Свой» из области распределения образов «Все Чужие». Эта ситуация показана 

на рисунке 2. 

 

 

217 

 

 

Рисунок 2 – Эффект выталкивания распределения данных образа  

«Свой» из области распределения данных «Все Чужие» на выходе сумматора нейрона 

 

Перед обучением весовые коэффициенты сумматора нейрона задаются случайно, как следствие 

наиболее  вероятной  является  ситуация,  когда  распределение  состояний  образа  «Свой»  на  выходе 

сумматора нейрона оказывается в центре распределения образов «Все Чужие».  

Выходная функция квантования нейрона в биометрических приложениях всегда настраивается 

так, чтобы срабатывать в центре распределения образов «Все Чужие». Как следствие, распределение 

образов  «Свой»  на  выходе  не  обученного  нейрона  оказывается  нестабильным  (дает  примерно  с 

равной вероятностью состояния «0» и «1»).  

В том случае, когда нам нужно получить на выходе нейрона состояние «1» для образа «Свой», 

то  необходимо  обучать  нейрон,  выталкивая  распределение  образа  «Свой»  вправо  из  центра 

распределения образов «Все Чужие». От того, насколько далеко мы вытолкнем распределение образа 

«Свой»,  зависит  качество  работы  нейрона.  Для  контроля  текущего  качества  обучения  используется 

следующий показатель качества:  

 















v

v

)

y

(

E

)

y

(

E

Q

,                                                                  (1) 

 

где E(y

v

) – математическое  ожидание примеров «Свой», E(y



) – математическое ожидание примеров 

«Все Чужие», 

v



 - среднеквадратическое  отклонение примеров  «Свой»,  





- среднеквадратическое 

отклонение примеров «Все Чужие». 

Показатель  качества  тем  выше,  чем  больше  разница  между  математическими  ожиданиями 

разделяемых  множеств.  Показатель  качества  также  увеличивается,  если  при  фиксированном 

расстоянии  между  центрами  разделяемых  множеств  уменьшается  среднее  геометрическое 

среднеквадратических расстояний разделяемых множеств.  

Пользуясь  показателем  качества  (1)  можно  построить  итерационную  процедуру  обучения 

нейрона  (рисунок    3)  по  критерию  движения  в  сторону  повышения  качества.  Для этого  необходимо 

вычислять  частные  производные  по  качеству  обучения 

i

Q







.  Если  производная  положительна,  то 

следует  увеличивать  значение  регулируемого  весового  коэффициента  -  

i

.  При  отрицательной 

производной качества следует уменьшать регулируемый весовой коэффициент. 

Казалось бы, что вычисляя частные производные по качеству обучения легко можно построить 

автомат  итерационного  обучения.  Это  действительно  так,  когда  речь  идет  об  обучении  нейронов  с 

малым числом входов при биометрических данных «хорошего» качества.  Если это не так, то обучать 

нейроны  с  большим  числом  входных  данных  оказывается  трудно  7.  Проблема  состоит  во 

внутренних шумах процедуры обучения, которые обусловлены малым дискретным числом примеров 

обучения  «Свой».    Заранее  создать  очень  много  примеров  «Все  Чужие»  технически  не  сложно. 

Намного  сложнее  заставить  пользователей  прикладывать  свои  усилия,  создавая  десятки  или  даже 

сотни примеров образа «Свой» 10.  

 

 

 

218 

 

 

Рисунок 3 – Обучение одиночного нейрона итерационным алгоритмом поиска  

максимума качества обучения 

 

Вычислительная  проблема  обучения  состоит  в  неустойчивости  вычисления  частных 

производных  качества 

?

Q

i







  при  малом  числе  примеров  «Свой».  Погрешности  E(y

v

),  (y

v

), 

возникающие  из-за  малого  числа  примеров  «Свой»,  усиливаются  при  вычислении  производных 

?

Q

i







  и  «забивает»  полезную  компоненту    направления  движения  в  сторону  max{Q}.  Возникает 

хаотическое  блуждание  по  многомерной  поверхности  ошибок  вместо  направленного  движения  в 

сторону максимума качества обучения.  Эта ситуация иллюстрируется рисунком 4. 

 

 

 

Рисунок 4 – Утрата устойчивости процедуры итерационного обучения одного нейрона 

 

Из  рисунка  4  видно,  что  при  15  входах  нейрона  итерационное  обучение  происходит  почти 

устойчиво,  однако  при  увеличении  числа  входов  нейрона  до  16  устойчивость  итерационного 

обучения утрачивается. Появляется множество так называемых локальных минимумов и максимумов 

качества  обучения,  являющихся  не  чем  иным,  как  усилением  собственного  шума  вычислительных 

процедур, обусловленного конечным числом примеров континуума данных образа «Свой». 

 

 

219 

ЛИТЕРАТУРА 

1. Y. Dodis, L. Reyzin, A. Smith Fuzzy Extractors: How to Generate Strong Keys  from Biometrics and Other 

Noisy, Data April 13, In EUROCRYPT, pages 523-540, 2004. 

2. Минский, М., Пейперт, С. Персептроны – М.: Мир, 1971. – 261 с. 

3.  Рутковская  Д.,  Пилиньский  М.,  Рутковский  Л.  Нейронные  сети,  генетические  алгоритмы  и  нечеткие 

системы: Пер. с польского И. Д. Рудинского. М.: Горячая линия – Телеком, 2004. 

4. Саймон Хайкин.  Нейронные сети: полный курс. М.: «Вильямс», 2006. – С. 1104. 

5. Розенблатт, Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга. – М.: Мир, 1965. 

– 480 с. 

6.  Уоссермен Ф. Нейрокомпьютерная  техника: теория и практика. М.: Мир, 1992. 240 с. 

7. Волчихин В.И., Иванов А.И., Фунтиков В.А. Быстрые алгоритмы обучения нейросетевых механизмов 

биометрико-криптографической  защиты  информации.  /Монография.  //Пенза:  Изд-во  Пензенского  гос.  ун-та, 

2005.- 273 с. 

8.  Куликов  С.В.,  Секретов  М.В.,  Захаров  О.С.,  Иванов  А.И.,  Майоров  А.В.  Учет  «тяжелых»  хвостов 

ненормального  закона  распределения  биометрических  параметров  все  «Чужие»  при  настройке  нелинейного 

элемента нейрона с несколькими дискретными состояниями «Нейрокомпьютеры: разработка, применение» №3, 

2012  с. 56-59. 

9. B. Akhmetov, A. Doszhanova, A. Ivanov, T. Kartbaev and A. Malygin “Biometric Technology in Securing 

the Internet Using Large Neural Network Technology. World Academy of Science, Engineering and Technology. Issue 

79, July, 2013,  Singapore, p. 129-138, pISSN 2010-376X, eISSN 2010-3778, www.waset.org 

 

10. B. Akhmetov, A. Ivanov, V. Funtikov, I. Urnev Evaluation of Multidimensional Entropy on Short Strings of 

Biometric  Codes  with  Dependent  Bits.  «Progress  in  Electromagnetics  Research  Symposium»  PIERS  Proceedings, 

August 19-23, Moscow, RUSSIA 2012, p.66-69. 

11.  Ахметов  Б.С.,  Волчихин  В.И.,  Иванов  А.И.,  Малыгин  А.Ю.  Алгоритмы  тестирования  биометрико-

нейросетевых механизмов защиты информации. Казахстан, Алматы, КазНТУ им. Сатпаева, 2013. - 152 с. ISBN 

978-101-228-586-4, http://portal.kazntu.kz/files/publicate/2014-01-04-11940.pdf 

12. B. Akhmetov, A. Ivanov, V. Funtikov, I. Urnev Evaluation of Multidimensional Entropy on Short Strings of 

Biometric  Codes  with  Dependent  Bits.  «Progress  in  Electromagnetics  Research  Symposium»  PIERS  Proceedings, 

August 19-23, Moscow, RUSSIA 2012, p.66-69. 

жүктеу/скачать 35,33 Mb.

Достарыңызбен бөлісу: