NEU-2001

Цель работы: апробировать разработанную ранее экспертную систему на основе СУБД FoxPro и базы данных для диэлектрических материалов Al₂O₃, BeO, MgO и SiO₂, широко используемых в технике, а также выяснить возможность выполнения подобной экспертной системы с помощью современных ППП.

Для заполнения базы знаний используется методика, которую можно представить в виде следующих шагов: литературный поиск, сканирование экзоэмиссионных кривых и получение BMP-файла, его обработка в графическом редакторе для удаления избыточной информации, конвертация посредством утилиты BMP2DAT в удобный для последующей обработки формат, разложение с помощью разработанного на кафедре ФМПК ППП Process на гауссианы, несущие дефектоскопическую информацию, дополнение данных сведениями об условиях эксперимента и о физической природе экзоэмиссионных пиков. Результатом работы системы является выдача информации о вероятности соответствия каждого пика ТСЭЭ данному типу дефектов.

В результате опытной эксплуатации экспертной системы было установлено, что система не может идентифицировать некоторые пики ТСЭЭ для MgO, которые имеют большую по сравнению с другими амплитуду и являются определяющими.

Экспертная система использует нейронную сеть, эмулируемую пакетом SNNS. Точность ее функционирования, а, следовательно, и правильность идентификации дефектов зависит от качества обучения нейронной сети, которое определяется количеством предложенных примеров для обучения и количеством циклов обучения. Примеры в виде входного текстового файла для обучения генерируются автоматически из базы данных, где хранятся параметры пиков спектра ТСЭЭ и соответствующие им типы дефектов для различных диэлектриков. Далее считывается количество циклов обучения и задается пороговая суммарная среднеквадратическая ошибка (СКО), которые предоставляются в качестве параметров пакету SNNS. Обучение происходит до тех пор, пока не пройдет заданное число циклов или СКО не уменьшится до заданной величины.

В данном случае количество примеров для обучения составляло 327 в виде набора данных «Полуширина-Т_max-Энергия-Амплитуда» для входного слоя нейронов и «Код дефекта» – для выходного. Число циклов по умолчанию равнялось 1000. При этом СКО постоянно уменьшалась. Если задать большее количество циклов, например 20000, то СКО уменьшалось до 59.6093, а при 60000 циклов – до 56.4313. Колебания СКО при очередной итерации были незначительны, и это означало, что дальнейшее обучение системы уже не приведет к улучшению ее качественных показателей, поэтому 20000 циклов является достаточным.

При тестировании вновь обученной экспертной системы было установлено, что идентификация вышеуказанных пиков происходит (рис.1), но система предлагает не совсем правильные ответы. Несовпадение типов дефектов с данными из базы может быть вызвано тем, что в базе присутствует много неопределенных записей, то есть пиков, которым не поставлен в соответствие ни один из типов дефектов. Такой недостаток информации вызван сложностью анализа спектров ТСЭЭ и отсутствием каких-либо данных по некоторым пикам в исследовательской литературе.

Рис.1. Результат идентификации пиков ТСЭЭ для MgO нейроэкспертом.

Из наиболее современных эмуляторов нейронных сетей, которые являются более производительными и интерактивными, чем пакет SNNS, так как сами выбирают структуру и параметры нейронной сети, используя генетические алгоритмы, можно выделить пакет STATISTICA Neural Networks. Он является лучшим по количеству и эффективности реализованных аналитических методов. Это не только самый мощный и быстрый инструмент на сегодняшний день, но в то же время и наиболее простой в обучении пользователя. Он автоматически отбирает наилучшие среди всех возможных переменных и строит сеть оптимальной архитектуры, используя генетические алгоритмы. Тем самым пользователь избавлен от самой кропотливой части работы с нейронными сетями - поиска наилучшей архитектуры сети методом проб и ошибок. Это единственный из существующих пакетов, который органично встраивается в единую систему статистического анализа и визуализации данных. STATISTICA Neural Networks порождает мощную интегрированную аналитическую среду, позволяющую использовать ее функции в собственных приложениях.

Все перечисленные выше плюсы пакета STATISTICA Neural Networks по сравнению с другими ППП позволяют сделать заключение о возможности его использования для реализации следующих версий нейроэкспертной системы анализа графиков термостимулированной экзоэлектронной эмиссии.