В настоящее время разработка нейрокомпьютеров ведется во многих промышленно развитых стран. Нейрокомпьютеры позволяют быстро и качественно решать целый ряд интеллектуальных задач,  которым можно отнести распознавания образов, адаптивного управления, прогнозирования, диагностики и т.д. Нейрокомпьютеры отличаются от ЭВМ предыдущих поколений не просто большими возможностями, но также принципиально меняется способ использования машины, место программирования занимает обучение, нейрокомпьютер учится решать задачи.

Нейрокомпьютеры могут быть успешно применены в различных отраслях. Рассмотрим некоторые области применения:

— Управление в режиме реального времени: самолетами, ракетами и технологическими процессами непрерывного производства (металлургического, химического и др.);

— Распознавание образов: человеческих лиц, букв и иероглифов, сигналов радара и сонара, отпечатков пальцев в криминалистике, заболеваний по симптомам (в медицине) и местностей, где следует искать полезные ископаемые (в геологии, по косвенным признакам);

— Прогнозы: погоды, курса акций (и других финансовых показателей), исхода лечения, политических событий (в частности результатов выборов), поведения противников в военном конфликте и в экономической конкуренции;

— Оптимизация и поиск наилучших вариантов: при конструировании технических устройств, выборе экономической стратегии и при лечении больного.

Этот список можно продолжать, но и сказанного достаточно для того, чтобы понять, что нейрокомпьютеры могут занять достойное место в современном обществе.

Ниже описаны сложные задачи, число которых и область применения в последние десять лет растут чрезвычайно активно.

Для начала отметим несколько областей машиностроения где активно применяются нейрокомпьютеры.

Авиация.

Стало известно что лаборатория нейрокомпьютеров NASA реализовала бортовой нейрокомпьютер на истребителе F-18, который предназначенный для управления в аварийных ситуациях. Этот нейрокомпьютер обучался управлению динамикой полета на реальных данных, полученных в результате экспериментов с искусственно создаваемыми авариями в реальных полетах. Так же нейрокомпьютеры применяются для обучения управлению точным маневром летательного аппарата, прогнозирования надежности самолетной системы электропитания, оценки усталости и повреждений механических компонент в режиме реального времени.

Вертолеты.

Нейрокомпьютеры очень часто применяются в вертолетах. Основным направлением применения  является управление  динамикой как пилотируемых, так и беспилотных вертолетов. Важным  обеспечивающим направлением являются нейросетевые модели идентификации вертолетов. Применение нейрокомпьютеров в управлении полетом вертолета касается частных режимов полета, таких, как установившийся полет, управление в режиме зависания над заданной точкой, управление посадкой. Важнейшим управлением с помощью нейрокомпьютера являются предотвращения выхода за конструктивные ограничения, а также используются  в системах обработки информации со многих датчиков. В частности диагностика и мониторинг отдельных узлов вертолета проводятся с помощью нейрокомпьютеров. Нейрокомпьютеры применяются в тренажерах для обучения персонала полетам на вертолетах.

Космическая техника.

Управление с применением нейрокомпьютеров в основном касаются управления двигателями, бортовыми роботами, так же управления непосредственно движением космических аппаратов,  гибкими структурами на борту, активной виброзащиты космических аппаратов, управления антеннами,  управления функционированием бортовой энергетической системы, в частности оптимизации расходования энергоресурсов. Применение нейрокомпьютеров для обработки информации на борту космического аппарата чаще всего касается обработки изображений, радиолокационных сигналов,  информации спутниковой связи и спутникового радиовещания, управления физическим экспериментом на борту космических аппаратов.

Энергетика.

Применение нейрокомпьютеров в энергетике в настоящее время очень широко распространено. Основные задачам применения нейрокомпьютеров в энергетике: прогнозирование нагрузки в электросетях, управление потокораспределением электрической энергии, диагностика энергосистем и стабилизация напряжения с помощью нейрокомпьютеров.

Атомная энергетика.

Характерным для этой области является пример работы под названием «Опыт семилетнего применения нейрокомпьютеров на атомных станциях Южной Кореи». Нейрокомпьютеры применяются для решении таких задач, контроль установок и слежение за безопасностью АЭС, управление отдельными блоками, моделирование отдельных элементов АЭС.

Химическое машиностроение.

В химическом машиностроении нейрокомпьютеры применяются  для создания систем управления химическими реакторами, ректификационными колоннами и другими объектами химического машиностроения.

Электронная промышленность.

Применение нейрокомпьютеров в электронной промышленности весьма широка.

Нейрокомпьютеры применяются при диагностике печатных плат и микросхем в качестве встроенных устройств прогнозирования отказов микросхем и элементов питания. Известно применение нейрокомпьютеров при определении деформаций штырьковых выводов интегральных схем. Ведутся исследования и разработки нейрокомпьютерных систем для управления иглой сканирующего туннельного микроскопа при изготовлении с его помощью наноэлементов и наносхем.

Нефтегазодобывающая промышленность.

Применение нейрокомпьютеров в нефтегазодобывающей промышленности касается решения следующих задач: обработка данных сейсморазведки; контроль и управление технологическими объектами нефтегазодобычи; диагностика насосного оборудования скважин.

Черная металлургия.

Нейрокомпьютеры применяются в черной металлургии и решают разнообразные сложные задачи: предсказание дефектов в ходе формовки металлов; обработка изображений микроструктур; локализация утечек тепла в доменных печах и тд.

Основной принцип применения нейрокомпьютеров в системах управления нелинейными динамическими объектами заключается в полном отказе от необходимости формализации поведения объекта в виде системы нелинейных обыкновенных дифференциальных уравнений и, как следствие, в разработке методов их решения. В случае применения нейрокомпьютеров для решения задач идентификации нелинейного объекта управления и разработки корректирующих динамику фильтров используются нейронные сети определенной структуры. В этом случае нейронные сети с обратными связями применяются, например, для идентификации нелинейных объектов и являются более гибким средством, использующим меньшее количество информации, чем системы нелинейных обыкновенных дифференциальных уравнений.

Выше было сказано о применении нейрокомпьютеров в машиностроении.

Ниже представлено еще несколько сфер применения нейрокомпьютеров в управлении реальными динамическими системами.

Управление роботами.

Многие ученые реализовали свои попытки применения нейрокомпьютеров для управления роботами. Например такие, как управления многозвенным жестким и гибким манипуляторами, задачи обработки информации в системе «глаз-рука», управление мягким схватом и других.

Управление прокатными станами.

Прокатный стан –сложная динамическая система, требующая эффективного управления с целью повышения качества продукции. Не смотря на это нейрокомпьютеры успешно применяются для получения стабильно требуемой толщины листа при прокате, получения листа заданного профиля, управления скоростью подачи листов, диагностики состояния прокатных роликов, предсказания аварий на прокатном стане и других задач.

Управление электроэрозионными станками.

Электроэрозионная обработка необходима для получения поверхностей сложной формы высокой чистоты. Это достигается высокоточным управлением электроискровым устройством, осуществляемым нейрокомпьютером. Данный принцип управления в настоящее время реализован в электроэрозионных станках японского производства, в частности поставляемых в Россию.

Управление электродвигателями.

Электродвигатель является существенно нелинейной динамической системой, для управления которой ведутся разработки на базе нейрокомпьютеров.

Управление дорожным движением.

Управление дорожным движением осуществляется адаптивной компьютерной системой, которая, измеряя реальные потоки транспорта на дороге, оптимизирует процесс переключения светофоров.

Кроме анализа транспортных потоков, внутри системы решаются многие другие задачи, в частности задача предсказания параметров транспортного потока.

Управление строительными конструкциями.

Нейроуправление реализовано для таких сложных строительных конструкций, как нефтяная вышка, ферма моста и т.п. При этом на отдельных

элементах конструкции располагаются датчики напряжений и изгибов. Нейрокомпьютерная система, получая на входе измеряемую информацию о состоянии элементов конструкции, вырабатывает сигналы управления на воздействующие активные элементы.

Управление автомобилем.

Большинство крупных автомобильных фирм в мире ведет разработки, связанные с применением нейрокомпьютеров в автомобилестроении. Можно отметить ряд направлений эффективного применения нейрокомпьютеров в автомобиле: управление отношением воздуха и горючего в автомобильном двигателе; калибрование автомобильных двигателей; диагностика автомобилей; регулировка частоты вращения вала в двигателе автомобиля в режиме холостого хода; распознавание дорожных знаков для использования в управлении автомобилем; управление амортизаторами; управление трансмиссией; управление скоростью; оценка повреждений краски и риска возникновения ржавчины на поверхности автомобиля; управление движением большого составного грузовика при парковке.

Управление вычислительными системами

В основном для многих вычислительных систем топологическое проектирование производится с помощью нейросетевых алгоритмов так, чтобы минимизировать стоимость обмена информацией между узлами при некотором числе ограничений на величины задержек и надежность.

Управление дисковыми системами

Обработка информации при записи и воспроизведения информации на  диск требует специальной операции кодирования-декодирования. Использование нейросетевых систем  повышает эффективность этой операции по сравнению с известными системами Витерби. Известны также примеры построения нейросетевого контроллера для управления механизмом позиционирования головок в магнитном дисковом запоминающем устройстве.

В дополнение необходимо отметить кратко некоторые другие известные примеры реализации нейроуправления: в системах теплоснабжения вентиляции; в системах управления сваркой; в управлении пневматическими системами; в управлении гидравлическими системами.

В последние годы сфера применения нейрокомпьютеров интенсивно

расширяется. Это связано c быстрым развитием выcоких технологий в различных облaстях человечeской жизни. Именно развитие высоких технологий в различных областях ставит перед используемой вычислительной техникой задачи, с которыми не может справиться вычислительная техника с фон-неймановской архитектурой, а зачастую и вычислительная техника с архитектурой ЭВМ. Так что мы смело можем сказать, что нейрокомпьютеры все больше и больше используются в нашей жизни. Благодаря им стали решаться многие нерешаемые задачи в различных областях. Выше приведены примеры сфер деятельности, где активно применяются нейрокмпьютеры. Рассмотрев, области применения нейрокомпьютеров мы можем сделать вывод о том, что одной из главных задач данных компьютеров является управление сложными объектами. К таким сложным объектам относятся: вертолеты, космическая техника, роботы и т.п.

Каждый человек должен спать не менее 5 – 8 часов в сутки. Сегодня это является большой проблемой. По статистике дорожно-транспортных происшествий, фактором большого количество аварий является физиологическое состояние автомобилиста.

Вождение в утомленном состоянии чревато как минимум экономическими потерями, а часто и человеческими жертвами. Введение в широкую практику устройств, обеспечивающих мониторинг бодрствования автолюбителей, стало актуальной задачей. Условием эффективности применения таких средств является мониторинг состояния человека в каждый момент времени нахождения за рулем [1].

Есть достаточно много устройств, в том или ином уровне решающих трудности контролирования состояния человека. Эти концепции базируются на исследовании одного или нескольких физических и/или поведенческих параметров.

На современном рынке можно найти устройства контроля состояния водителя разных объемов, характеристик, ценовых групп. Все они в той или иной мере контактируют с пользователем (кольцо, крючок на ухо), что может вызвать некий дискомфорт. Наша система лишена этого.

Устройство нацелено на дальнобойщиков, водителей различного транспорта и т.д., не исключает эксплуатацию на серьезной деятельности в ночное время, однотонной обстановке. Описываемая система безопасного движения «Антисон» основана на  определении степени закрытости глаза, что обозначает, на сколько открыт глаз пользователя от его привычного состояния.

Перемена освещения, тип лица не  влияют на степень распознавания. Она подстраивается под определенное лицо. Имеет инфракрасную подсветку, что позволит отслеживать состояние пользователя и в ночное время. Уведомление о засыпании может производиться звуковым, световым знаком.

Для описания общих требований к системе, а так же для минимизации появления ошибок при проектировании и моделировании системы используется унифицированный язык моделирования UML, применение данного языка более полно описано в [4-7]. Более широкое представление построения и действия информационной системы рассмотрим на UML – диаграммах.

Для предоставления процессов, происходящих  в предметной области, рассмотрим диаграмму последовательности (Рисунок 1).

Рисунок 1 – диаграмма последовательности

Основными элементами диаграммы являются: видеорегистратор, ЦОС, нейронная сеть. Видеорегистратор непрерывно получает сигнал, который передает следующему объекту (ЦОС). Тот в свою очередь его обрабатывает (находит область интересов, производит фильтрацию) и передает нейронную сеть, где происходит идентификация. В случае, если нейросетевая идентификация выявила момент засыпания, то пользователю подается сигнал.

Для проектирования процедуры хода операций рассмотрим диаграмму деятельности (Рисунок 2).

Рисунок 2 – диаграмма деятельности

На разработанной диаграмме деятельности отражается логичность и очередность перехода от одной работы к другой, при этом внимание закрепляется на результате.

Сам же результат может привести к изменению состояния системы или возвращению некоторого значения.

В диагpaммe деятельностей испoльзуeтся cocтояние, связаннoe с принятием решения. Решение применяется в тех случаях, когда в зависимости от требования перехода, может быть выбран тот или иной переход на диаграмме. В нашем случае решение заключается в «>50%» и «≤50%». В случае, когда отклонения ≤50%., система продолжает видеофиксировать данные. Если система зафиксировала отклонения >50%, то подается сигнал без прекращения видеофиксации.

На рисунке 3-7 показаны входные кадры разных уровней состояния глаз (соответственно): открытые, прищуренные, закрытые.

Рисунок 3 – входной кадр открытых глаз

Рисунок 4 – входной кадр открытых глаз

Рисунок 5 – входной кадр прищуренных глаз

Рисунок 6 – входной кадр закрытых глаз

Рисунок 7 – входной кадр закрытых глаз

Результат работы системы представлен в таблице 1.

Таблица 1 – Соответствия показаний дисплея и величины отклонения

Таким образом, по величине отклонения мы можем судить, в какой стадии бодрствования находится пользователь. Если отклонение меньше 50%, то перед нами относительно бодрый человек, больше – уровень утомляемости критичен.

По нашим показаниям видно, что первый сигнал принадлежит бодрому человеку, третий сигнал говорит о том, что пользователь засыпает или уже спит. Результат распознавания достигает 99,8%.

При рассмотрении реальных условий и вклада реальных загрязнителей, наиболее уместно говорить об условном фоне, т.е. о концентрациях загрязняющих веществ без вклада местных составляющих для дальнейшего их расчета, т.е. с учетом как природных, так и антропогенных факторов, действующих значительное количество времени [1].

Таким образом под понятие условного фона попадает и набор неорганизованных источников, действие которых может повлиять на локальные концентрации веществ, при этом описание их возможно стохастическими методами.

Первым этапом для моделирования наиболее важно определиться с нужной степенью точности измерений. Условный фон в общем виде может оказать существенное влияние на общий уровень загрязнения. Данные об состоянии окружающей среды достаточно сложно смоделировать с учетом множественности взаимодействующих факторов и многими переменными учитываемыми в расчетах, которые дают множество комбинаций в значениях.

В целях упрощения расчетов наиболее часто используют два метода: анализ временных рядов и искусственные нейронные сети.

Анализ временных рядов

Временной ряд представляет собой набор элементов данных полученных с помощью повторных измерений в течение долгого времени. Данные временных рядов имеют естественный временной порядок распределения, что в свою очередь накладывает ряд особенностей для анализа. Основным отличительным свойством является тесная взаимосвязь данных, связанная с их естественной близостью [2].

Искусственные нейронные сети

Искусственные нейронные сети (ИНС) являются математическим представлением биологических нейронных сетей, т.е. своего рода эмуляция биологической нервной системы. ИНС обладают высокой степенью адаптивности к непараметрическим распределениям данных, и не делают предварительных гипотез о взаимоотношении между переменными. ИНС также обладают низкой чувствительностью к ошибкам и могут решать такие вопросы как подавление шума и исключение аномальных хаотических значений. ИНС состоят из входного слоя, нескольких слоев нейронов (математических объектов, чье поведение регулируется предопределенной функцией) и выходного слоя. Предварительно каждая сеть проходит обучение посредством набора входных, выходных данных, для учета поведения параметров в целях дальнейшего прогнозирования [3].

Представленные методы, рассмотренные для анализа первичных данных о концентрациях загрязняющих веществ, могут быть применены и для определения и прогнозирования метеорологических параметров, в том числе уточнения недостающих данных.