Метод байеса для распознавания сигналов. Статистические методы распознавания. Вывод теоремы Байеса

Эта формула относится к случаю, когда обследование проводится по комплексу признаков К , включающему признаки k 1 ,k 2 , ..., k v . Каждый из признаков k j имеет m j разрядов (k j l , k j 2 , ..., k js , ...,). В результате обследования становится известной реализация признака

k j * = k js (1.5.)

и всего комплекса признаков K *. Индекс *, как и раньше, означает конкретное значение (реализацию) признака. Формула Байеса для комплекса признаков имеет вид

P (D i /К * )= P (D i )P (К */D i )/P (К * )(i = 1, 2, ..., n ), (1.6.)

где P (D i /К * ) --вероятность диагноза D i после того, как стали известны результаты обследования по комплексу признаков К , P (D i ) --предварительная вероятность диагноза D i (по предшествующей статистике).

Формула (1.6.) относится к любому из n возможных состояний (диагнозов) системы. Предполагается, что система находится только в одном из указанных состояний и потому

В практических задачах нередко допускается возможность существования нескольких состояний А1, ….., Аr, причем некоторые из них могут встретиться в комбинации друг с другом.

P (К */ D i ) = P(k 1 */D i )P (k 2 */k 1 *D i )...P (k v */k l *...k* v- 1 D i ), (1.8.)

где k j * =k js --разряд признака, выявившийся в результате обследования. Для диагностически независимых признаков

P (К */ D i ) = P (k 1 */D i ) P (k 2 */D i )... P (k v * / D i ). (1.9.)

В большинстве практических задач, особенно при большом числе признаков, можно принимать условие независимости признаков даже при наличии существенных корреляционных связей между ними.

Вероятность появления комплекса признаков К*

P (К *)= P (D s )P (К */D s ) .(1.10.)

Обобщенная формула Байеса может быть записана так :

P (D i /K * ) (1.11.)

где P (К */ D i )определяется равенством (1.8.) или (1.9.). Из соотношения (1.11.) вытекает

P (D i /К *)=l, (1.12.)

что, разумеется, и должно быть, так как один из диагнозов обязательно реализуется, а реализация одновременно двух диагнозов невозможна. Следует обратить внимание на то, что знаменатель формулы Байеса для всех диагнозов одинаков. Это позволяет сначала определить вероятности совместного появления i-гo диагноза и данной реализации комплекса признаков

P (D i К *) = P (D i )P (К */D i ) (1.13.)

и затем апостериорную вероятность диагноза

P (D i /К *) = P (D i К *)/P (D s К *). (1.14.)

Отметим, что иногда целесообразно использовать предварительное логарифмирование формулы (1.11.), так как выражение (1.9.) содержит произведения малых величин.

Если реализация некоторого комплекса признаков К * является детерминирующей для диагноза D p , то этот комплекс не встречается при других диагнозах:

Тогда, в силу равенства (1.11.)

Таким образом, детерминистская логика установления диагноза является частным случаем вероятностной логики. Формула Байеса может использоваться и в том случае, когда часть признаков имеет дискретное распределение, а другая часть -- непрерывное. Для непрерывного распределения используются плотности распределения. Однако в расчетном плане указанное различие признаков несущественно, если задание непрерывной кривой осуществляется с помощью совокупности дискретных значений.

Метод Байеса является одним из наиболее простых и мощных методов. Этот метод основан на вычислении условной вероятности появления такого события, как диагноз D i при появлении конкретной реализации комплекса признаков K * .

Рассмотрим первоначально основные положения этого метода на простейшем случае, когда имеется диагноз D i и один бинарный признак K j , встречающийся при появлении этого диагноза.

Определим некоторые понятия:

1. P(D i) - априорная (доопытная) вероятность появления диагноза D i . Эту вероятность определяют по статистическим данным на начальном этапе применения метода исходя из следующих соображений. Если при обследовании N объектов диагноза установлено, что из них N i имеют диагноз D i , то вероятность появления этого диагноза определяется соотношением

2. P(K j / D i) - априорная условная вероятность появления признака K j у объектов имеющих техническое состояние (диагноз) D i . Эта вероятность также определяется на начальном этапе по имеющимся статистическим данным. Если из N обследованных объектов N i находилось в диагнозе D i , а из них N ij объектов имели признак K j , то условная вероятность появления признака K j у объектов с диагнозом D i вычисляется следующим образом:
.

4. P(K j) - априорная вероятность появления признака K j у всех объектов независимо от их состояния. То есть, если из N объектов независимо от их технического состояния у N j был обнаружен признак K j , то эта вероятность определяется следующим соотношением:

Напомним некоторые положения теории вероятностей. Пусть мы имеем два события А и В. Известны вероятности появления этих событий P(A) и P(B), а также условная вероятность появления события A при уже состоявшемся событии B P(A / B) и условная вероятность появления события B при уже состоявшемся событии A P(B / A). Тогда вероятность одновременного появления событий A и B P(A,B) определяется следующей формулой:

P(A,B) = P(A) P(B / A) = P(B) P(A / B).

Воспользовавшись этой формулой и данными выше понятиями, можно записать вероятность одновременного появления диагноза D i и признака K j следующим образом:

P(D i , K j) = P(D i) P(K j / D i) = P(K j) P(D i / K j).

В этом выражении величина P(D i / K j) - это условная вероятность существования диагноза D i при обнаружении признака K j , то есть это та величина, которая ищется при вероятностном подходе к решению задачи распознавания диагнозов. После соответствующих преобразований из последнего выражения получим формулу Байеса

P(D i / K j) = P(D i) P(K j / D i) / P(K j). (4.1)

Формула (4.1) получена для случая, когда при постановке диагноза используется один простой признак.

Для принятия решения о диагнозе при использовании набора (комплекса) признаков применяется обобщенная формула Байеса , которую можно получить из следующих соображений. Если диагностирование проводится по комплексу признаков, то в результате обследования мы получаем конкретную реализацию каждого j-го признака K * j и, следовательно, конкретную реализацию комплекса признаков K * в целом. В этом случае формула Байеса предстанет в виде

(4.2)

где P(D i / K *) - условная вероятность нахождения объекта диагностики в диагнозе D i при условии, что в ходе обследования была получена реализация K * комплекса признаков K; P(K *) - вероятность появления конкретной реализации K * комплекса признаков K у всех диагностируемых объектов, независимо от их технического состояния; P(K * /D i) - условная вероятность появления конкретной реализации K * комплекса диагностических признаков K для объектов, находящихся в диагнозе D i .

Преобразуем последнее выражение с учетом следующих соображений.

Примем, что система может находиться только в одном из n технических состояний, тогда

Будем считать, что отдельные диагностические признаки, входящие в состав комплекса признаков, - независимые. Такое допущение вполне справедливо для реальных условий при большом числе влияющих факторов. Тогда условную вероятность P(K * / D i) в соответствии с известными положениями теории вероятностей можно представить как произведение:

где P(K * j / D i) - условная вероятность появления конкретной реализации K * j j-го признака при нахождении объекта диагностики в диагнозе D i ; j = 1... L.

Вероятность же появления конкретной реализации комплекса признаков при нахождении объекта во всех диагнозах P(K *) можно представить следующим образом:

С учетом последних соотношений уравнение (4.2) перепишем в окончательном виде:

. (4.3)

Полученное уравнение называется обобщенной формулой Байеса .

Сделаем некоторые замечания к полученным соотношениям.

1.Поскольку проверяемый объект обязательно будет находиться в одном из диагнозов D i , то с учетом соотношения (4.3) можно записать:

2.Если реализация некоторого комплекса признаков K * встречается только для одного диагноза D S , а для остальных диагнозов не встречается, то такая реализация комплекса признаков называется детерминирующей для диагноза D S . Для этой реализации комплекса признаков справедливо соотношение

Тогда из обобщенной формулы Байеса следует, что

Анализ этих замечаний свидетельствует о том, что детерминистский подход является частным случаем вероятности.

Для практического использования метода Байеса на первоначальном этапе необходимо произвести расчет априорных вероятностей появления i-х диагнозов и условных априорных вероятностей появления m-го разряда j-го признака при нахождении объекта диагностики в D i -м диагнозе. Расчет этих вероятностей производится на основе статистического материала, полученного из эксплуатации. Результаты этих расчетов и результаты окончательных расчетов вероятностей появления диагнозов при полученном комплексе признаков удобно представлять в табличном виде.

Рассмотрим порядок диагностирования с помощью метода Байеса.

На первоначальном этапе на основе собранного статистического материала определяют:

Набор диагнозов D i , подлежащих распознаванию;

Априорные вероятности появления этих диагнозов P(D i).

Априорные вероятности появления m-го разряда j-го признака K jm при нахождении объекта в диагнозе D i , то есть P(K jm / D i) .

Для удобства работы эти данные представляются в виде табл.4.1, которая называется диагностической матрицей в методе Байеса .

Таблица 4.1

Диагностическая матрица в методе Байеса

\ D i

Составление этой таблицы является важнейшим моментом при диагностировании с использованием метода Байеса. Поскольку эксплуатация ведется непрерывно, то исходные данные постоянно пополняются и элементы диагностической матрицы должны постоянно уточняться.

Пользуясь данными, представленным в диагностической матрице, для каждого из диагнозов D i с использованием обобщенной формулы Байеса (4.3) рассчитываются послеопытные (апостериорные) вероятности появления диагноза D i при условии, что в ходе измерений получена конкретная реализация комплексах признаков K * s , то есть P(D i / K * s). Для удобства пользования результаты расчета заносятся в табл. 4.2 следующего вида:

Таблица 4.2

Di\P(D i / K * S)

Решающим правилом является выбор, диагноза имеющего максимальную рассчитанную вероятность при данном наборе признаков, то есть при использовании метода Байеса объект с комплексом признаков K * s относится к диагнозу c наибольшей рассчитанной (апостериорной) вероятностью P(D i / K * s).

Следует отметить, что метод Байеса обладает рядом недостатков:

1. Для реализации данного метода необходим большой объем экспериментальных начальных данных, которые можно получить только из эксплуатации.

2. Для метода характерны большие погрешности при распознавании редких диагнозов из-за грубости оценок вероятности появления этих диагнозов.

3. Отсутствует однозначный критерий для выбора порогового значения вероятности P(D i /K * s), по которому принимается решение по диагнозу.

Несмотря на имеющиеся недостатки, метод Байеса достаточно эффективен и прост в реализации, в том числе и при использовании вычислительной техники.

Поясним метод Байеса на примере. Пусть при эксплуатации авиационного ГТД контролируются время выбега ротора при останове t и вибрация корпуса двигателя V. В качестве диагностических признаков принимаются: K 1 - время выбега ротора меньше требуемого по техническим условиям; K 2 - повышенная вибрация. Для данного типа ГТД появление этих признаков связано со следующими диагнозами: D 1 - увеличенный зазор по бандажным полкам рабочих лопаток турбины; D 2 - износ беговых дорожек подшипника ротора. Исправное состояние будем обозначать D 3 .

В ходе эксплуатации было установлено, что для двигателей, находящихся в исправном состоянии, признак K 1 не встречается, а признак K 2 встречается у 10% двигателей. То есть P(K 1 / D 3) = 0, а P(K 2 / D 3) = 0,1.

Известно, что 85% двигателей отрабатывают свой ресурс без дефектов, для 10% двигателей наблюдается диагноз D 1 , а для 5% - диагноз D 2 . Поэтому принимаем P(D 1) = 0,1; P(D 2) = 0,05; P(D 3) = 0,85.

Далее, в ходе сбора статистики определено, что признак K 1 встречается у 15% двигателей, находящихся в диагнозе D 1 , и у 55% двигателей, находящихся в диагнозе D 2 . Следовательно P(K 1 / D 1) = 0,15 и P(K 1 / D 2) = 0,55. Признак K 2 встречается у 10% двигателей, находящихся в диагнозе D 1 , и у 50% двигателей, находящихся в диагнозе D 2 , то есть P(K 2 / D 1) = 0,1 и P(K 2 / D 2) = 0,50.

Составим диагностическую матрицу. При этом будем считать, что признаки K 1 и K 2 бинарные и обозначим: K 1 - отсутствие первого признака и K 2 - отсутствие второго признака. Тогда вероятности непоявления первого и второго признаков соответственно определятся соотношениями

P(K 1 / D i) = 1 - P(K 1 / D i) и P(K 2 / D i) = 1 - P(K 2 / D i) .

Таблица 4.3

Диагностическая матрица

P(K j / D i)\ D i

P(K 1 / D i)

P(K 2 / D i)

Пользуясь формулой Байеса, определим вероятность появления каждого из диагнозов при различных сочетаниях признаков. Например, в соответствии с формулой (4.3), вероятность нахождения двигателя в диагнозе D 1 при наблюдении обоих признаков определится из соотношения

Результаты расчетов сведем в табл. 4.4, подобную табл. 4.2

Таблица 4.4

P(D i / K 1 , K 2)	P(D i / K 1 , K 2)	P(D i / K 1 , K 2)	P(D i / K 1 , K 2 )

В соответствии с полученными результатами можно сделать следующее заключение:

1. Если при диагностировании были обнаружены оба признака (повышенная вибрация и малое время выбега ротора), то можно достаточно уверенно предположить, что у подшипника ротора появился износ беговых дорожек.

2. Если при диагностировании оба признака отсутствуют, то наиболее вероятно исправное состояние двигателя.

3. Если при диагностировании обнаружен только первый признак (увеличение времени выбега), то уверенно можно сказать, что двигатель неисправен, но для разделения неисправных состояний необходимы дополнительные исследования.

4. Если при диагностировании обнаружен только второй признак (повышенная вибрация), то с большой степенью вероятности можно предположить, что двигатель находится в исправном состоянии.

МЕТОД ПОСЛЕДОВАТЕЛЬНОГО АНАЛИЗА

МЕТОД БАЙЕСА

План лекции

Анализ и проверка домашней работы

Организационный момент.

Ход лекции.

Лекция 9

Тема. СТАТИСТИЧЕСКИЕ МЕТОДЫ РАСПОЗНАВАНИЯ

Цель. Дать понятие распознавания цифрового сигнала.

1. Учебная. Разъяснить процесс распознавания цифрового сигнала.

2. Развивающая. Развивать логическое мышление и естественное - научное мировоззрение.

3. Воспитательная . Воспитывать интерес к научным достижениям и открытиям в отрасли телекоммуникации.

Межпредметные связи:

· Обеспечивающие: информатика, математика, вычислительная техника и МП, системы программирования.

· Обеспечиваемые: Стажерская практика

Методическое обеспечение и оборудование:

1. Методическая разработка к занятию.

2. Учебный план.

3. Учебная программа

4. Рабочая программа.

5. Инструктаж по технике безопасности.

Технические средства обучения: персональный компьютер.

Обеспечение рабочих мест:

· Рабочие тетради

3. Ответьте на вопросы:

1. В чем заключается отличие цифровых сигналов от аналоговых?

2. Какие классы диаграмм используются при проведении измерений?

3. Дайте краткое описание каждому классу.

4. Что используется для построения глазковой диаграммы?

5. Поясните суть глазковой диаграммы.

· Основы метода

Обобщенная формула Байеса.

· Диагностическая матрица.

· Решающее правило

· Основы метода.

· Общая процедура метода.

· Связь границ принятия решения с вероятностями ошибок первого и второго рода.

Основное преимущество статистических методов распознавания состоит в возможности одновременного учета признаков различной физической природы, так как они характеризуются безразмерными величинами - вероятностями их появления при различных состояниях системы .

Среди методов технической диагностики метод, основанный на обобщенной формуле Байеса (Теорема Байеса (или формула Байеса) - одна из основных теорем теории вероятностей, которая позволяет определить вероятность того, что произошло какое-либо событие(гипотеза) при наличии лишь косвенных тому подтверждений (данных), которые могут быть неточны ), занимает особое место благодаря простоте и эффективности.

Метод Байеса имеет недостатки: большой объем предварительной информации, «угнетение» редко встречающихся диагнозов и др. Однако в случаях, когда объем статистических данных позволяет применить метод Байеса, его целесообразно использовать как один из наиболее надежных и эффективных методов.

Основы метода. Метод основан на простой формуле Байеса. Если имеется диагноз D i и простой признак ki, встречающийся при этом диагнозе, то вероятность совместного появления событий (наличие у объекта состояния Di и признака ki)

Из этого равенства вытекает формула Байеса

(3.2)

Очень важно определить точный смысл всех входящих в эту формулу величин.

P(Di)- априорная вероятность гипотезы D

P(ki/Di) - вероятность гипотезы ki при наступлении события D (апостериорная вероятность - вероятность случайного события при условии того, что известны апостериорные данные, т.е. полученные после опыта.)

P(ki) - полная вероятность наступления события ki

P(Di/ki) - вероятность наступления события Di при истинности гипотезы ki

Р(D)- вероятность диагноза D , определяемая по статистическим данным (априорная вероятность диагноза). Так, если предварительно обследовано N объектов и у W,- объектов имелось состояние D, то

P(D i) = N i /N. (3.3)

Р (kj/Di) - вероятность появления признака k j ; у объектов с состоянием Di. Если среди Ni, объектов, имеющих диагноз Di, у N ij проявился признак k j то

(3.4)

Р (kj) - вероятность появления признака kj во всех объектах независимо от состояния (диагноза) объекта . Пусть из общего числа N объектов признак к } был обнаружен у Nj объектов, тогда

(3.5)

В равенстве (3.2) Р ( Di/kj) - вероятность диагноза D после того, как стало известно наличие у рассматриваемого объекта признака kj (апостериорная вероятность диагноза ).

Постановка задач технической диагностики

Основные направления технической диагностики

Основы технической диагностики

РАЗДЕЛ №5

Определения. Термин «диагностика» происходит от греческого слова «диагнозис», что означает распознавание, определение.

В процессе диагностики устанавливается диагноз, т.е. определяется состояние больного (медицинская диагностика) или состояние технической системы (техническая диагностика).

Технической диагностикой называется наука о распознавании состояния технической системы.

Цели технической диагностики. Рассмотрим кратко основное содержание технической диагностики. Техническая диагностика изучает методы получения и оценки диагностической информации, диагностические модели и алгоритмы принятия решений. Целью технической диагностики является повышение надежности и ресурса технических систем.

Как известно, наиболее важным показателем надежности является отсутствие отказов во время функционирования (работы) технической системы. Отказ авиационного двигателя в полетных условиях, судовых механизмов во время плавания корабля, энергетических установок в работе под нагрузкой может привести к тяжелым последствиям.

Техническая диагностика благодаря раннему обнаружению Дефектов и неисправностей позволяет устранить подобные отказы в процессе технического обслуживания, что повышает надежность и эффективность эксплуатации, а также дает возможность эксплуатации технических систем ответственного назначения по состоянию.

В практике ресурс таких систем определяется по наиболее «слабым» экземплярам изделий. При эксплуатации по состоянию каждый экземпляр эксплуатируется до предельного состояния в соответствии с рекомендациями системы технической диагностики. Эксплуатация по техническому состоянию может принести выгоду, эквивалентную стоимости 30% общего парка машин.

Основные задачи технической диагностики. Техническая диагностика решает обширный круг задач, многие из которых являются смежными с задачами других научных дисциплин. Основной задачей технической диагностики является распознавание состояния технической системы в условиях ограниченной информации.

Техническую диагностику иногда называют безразборной диагностикой, т. е. диагностикой, осуществляемой без разборки изделия. Анализ состояния проводится в условиях эксплуатации, при которых получение информации крайне затруднено. Часто не представляется возможным по имеющейся информации сделать однозначное заключение и приходится использовать статистические методы.

Теоретическим фундаментом для решения основной задачи технической диагностики следует считать общую теорию распознавания образцов. Эта теория, составляющая важный раздел технической кибернетики, занимается распознаванием образов любой природы (геометрических, звуковых и т.п.), машинным распознаванием речи, печатного и рукописного текстов и т.д. Техническая диагностика изучает алгоритмы распознавания применительно к задачам диагностики, которые обычно могут рассматриваться как задачи классификации.

Алгоритмы распознавания в технической диагностике частично основываются на диагностических моделях, устанавливающих связь между состояниями технической системы и их отображениями в пространстве диагностических сигналов. Важной частью проблемы распознавания являются правила принятия решений (решающие правила).

Решение диагностической задачи (отнесение изделия к исправным или неисправным) всегда связано с риском ложной тревоги или пропуска цели. Для принятия обоснованного решения целесообразно привлекать методы теории статистических решений, разработанные впервые в радиолокации.

Решение задач технической диагностики всегда связано с прогнозированием надежности на ближайший период эксплуатации (до следующего технического осмотра). Здесь решения должны основываться на моделях отказов, изучаемых в теории надежности.

Вторым важным направлением технической диагностики является теория контролеспособности. Контролеспособностью называется свойство изделия обеспечивать достоверную оценку его

технического состояния и раннее обнаружение неисправностей и отказов. Контролеспособность создается конструкцией изделия и принятой системой технической диагностики.

Крупной задачей теории контролеспособности является изучение средств и методов получения диагностической информации. В сложных технических системах используется автоматизированный контроль состояния, которым предусматривается обработка диагностической информации и формирование управляющих сигналов. Методы проектирования автоматизированных систем контроля составляют одно из направлений теории контролеспособности. Наконец, очень важные задачи теории контролеспособности связаны с разработкой алгоритмов поиска неисправностей, разработкой диагностических тестов, минимизацией процесса установления диагноза.

В связи с тем, что техническая диагностика развивалась первоначально только для радиоэлектронных систем, многие авторы отождествляют теорию технической диагностики с теорией контролеспособности (поиском и контролем неисправностей), что, конечно, ограничивает область приложения технической диагностики.

Структура технической диагностики. На рис. 5.1 показана структура технической диагностики. Она характеризуется двумя взаимопроникающими и взаимосвязанными направлениями: теорией распознавания и теорией контролеспособности. Теория распознавания содержит разделы, связанные с построением алгоритмов распознавания, решающих правил и диагностических моделей. Теория контролеспособности включает разработку средств и методов получения диагностической информации, автоматизированный контроль и поиск неисправностей. Техническую диагностику следует рассматривать как раздел общей теории надежности.

Рис. 5.1. Структура технической диагностики

Вводные замечания. Пусть требуется определить состояние шлицевого соединения валов редуктора в эксплуатационных условиях. При большом износе шлицев появляются перекосы и усталостные разрушения. Непосредственный осмотр шлицев невозможен, так как требует разборки редуктора, т. е. прекращения эксплуатации. Неисправность шлицевого соединения может повлиять на спектр колебаний корпуса редуктора, акустические колебания, содержание железа в масле и другие параметры.

Задача технической диагностики состоит в определении степени износа шлицев (глубины разрушенного поверхностного слоя) по данным измерений ряда косвенных параметров. Как указывалось, одной из важных особенностей технической диагностики является распознавание в условиях ограниченной информации, когда требуется руководствоваться определенными приемами и правилами для принятия обоснованного решения.

Состояние системы описывается совокупностью (множеством) определяющих ее параметров (признаков). Разумеется, что множество определяющих параметров (признаков) может быть различным, в первую очередь, в связи с самой задачей распознавания. Например, для распознавания состояния шлицевого соединения двигателя достаточна некоторая группа параметров, но она должна быть дополнена, если проводится диагностика и других деталей.

Распознавание состояния системы - отнесение состояния системы к одному из возможных классов (диагнозов). Число диагнозов (классов, типичных состояний, эталонов) зависит от особенностей задачи и целей исследования.

Часто требуется провести выбор одного из двух диагнозов (дифференциальная диагностика или дихотомия); например, «исправное состояние» и «неисправное состояние». В других случаях необходимо более подробно охарактеризовать неисправное состояние, например повышенный износ шлицев, возрастание вибраций лопаток и т. п. В большинстве задач технической диагностики диагнозы (классы) устанавливаются заранее, и в этих условиях задачу распознавания часто называют задачей классификации.

Так как техническая диагностика связана с обработкой большого объема информации, то принятие решений (распознавание) часто осуществляется с помощью электронных вычислительных машин (ЭВМ).

Совокупность последовательных действий в процессе распознавания называется алгоритмом распознавания. Существенной частью процесса распознавания является выбор параметров, описывающих состояние системы. Они должны быть достаточно информативны, чтобы при выбранном числе диагнозов процесс разделения (распознавания) мог быть осуществлен.

Математическая постановка задачи. Взадачах диагностики состояние системы часто описывается с помощью комплекса признаков

K = (k l , k 2 ,..., k j ,..., k v ), (5.1)

где k j - признак, имеющий m j разрядов.

Пусть, например, признак k j представляет собой трехразрядный признак (m j = 3), характеризующий величину температуры газа за турбиной: пониженная, нормальная, повышенная. Каждый разряд (интервал) признака k j обозначается k js , например повышенная температура за турбиной k j з. Фактически наблюдаемое состояние соответствует определенной реализации признака, что отмечается верхним индексом *. Например, при повышенной температуре реализация признака k* j = k j з.

Вобщем случае каждый экземпляр системы соответствует некоторой реализации комплекса признаков:

K * = (k 1 * , k 2 * ,..., k j * ,..., k v * ). (5.2)

Во многих алгоритмах распознавания удобно характеризовать систему параметрами x j , образующими v - мepный вектор или точку в v -мepнoм пространстве:

X = (x l , x 2 , x j , , x v ). (5.3)

Вбольшинстве случаев параметры x j имеют непрерывное распределение. Например, пусть x j - параметр, выражающий температуру за турбиной. Предположим, что соответствие между параметром x j (° C) итрехразрядным признаком k j таково:

< 450 к j l

450 - 550 к j 2

> 500 к j 3

В данном случае с помощью признака k j получается дискретное описание, тогда как параметр x j дает непрерывное описание. Отметим, что при непрерывном описании обычно требуется значительно больший объем предварительной информации, но описание получается более точным. Если, однако, известны статистические законы распределения параметра, то необходимый объем предварительной информации сокращается.

Из предыдущего ясно, что принципиальных отличий при описании системы с помощью признаков или параметров нет, и в дальнейшем будут использованы оба вида описания.

Как указывалось, в задачах технической диагностики возможные состояния системы - диагнозы D i - считаются известными.

Существуют два основных подхода к задаче распознавания: вероятностный идетерминистский . Постановка задачи при вероятностных методах распознавания такова. Имеется система, которая находится в одном из ислучайных состояний D i . Известна совокупность признаков (параметров), каждый из которых с определенной вероятностью характеризует состояние системы. Требуется построить решающее правило, с помощью которого предъявленная (диагностируемая) совокупность признаков была бы отнесена к одному из возможных состояний (диагнозов). Желательно также оценить достоверность принятого решения и степень риска ошибочного решения.

При детерминистских методах распознавания удобно формулировать задачу на геометрическом языке. Если система характеризуется v -мерным вектором X , то любое состояние системы представляет собой точку в v-мерном пространстве параметров (признаков). Предполагается, что диагноз D, соответствует некоторой области рассматриваемого пространства признаков. Требуется найти решающее правило, в соответствии с которым предъявленный вектор X * (диагностируемый объект) будет отнесен к определенной области диагноза. Таким образом задача сводится к разделению пространства признаков на области диагнозов.

При детерминистском подходе области диагнозов обычно считаются «непересекающимися», т.е. вероятность одного диагноза (в область которого попадает точка) равна единице, вероятность других равна нулю. Подобным образом предполагается, что и каждый признак либо встречается при данном диагнозе, либо отсутствует.

Вероятностный и детерминистский подходы не имеют принципиальных различий. Более общими являются вероятностные методы, но они часто требуют и значительно большего объема предварительной информации. Детерминистские подходы более кратко описывают существенные стороны процесса распознавания, меньше зависят от избыточной, малоценной информации, больше соответствуют логике мышления человека.

В последующих главах излагаются основные алгоритмы распознавания в задачах технической диагностики.

Среди методов технической диагностики метод, основанный на обобщенной формуле Бaйeca , занимает особое место благодаря простоте и эффективности.

Разумеется, метод Байеса имеет недостатки: большой объем предварительной информации, «угнетение» редко встречающихся диагнозов и др. Однако в случаях, когда объем статистических данных позволяет применить метод Байеса, его целесообразно использовать как один из наиболее надежных и эффективных методов.

Основы метода. Метод основан на простой формуле Байеса. Если имеется диагноз D i и простой признак k j , встречающийся при этом диагнозе, то вероятность совместного появления событий (наличие у объекта состояния D i и признака k j )

P (D i k j) = P (D i) P (k j /D i) = P (k j) P (D i /k j). (5.4)

Из этого равенства вытекает формула Байеса (см. гл. 11)

P(D i /k j) = P(D i) P(k i /D i)/P(k j ) (5.5)

Очень важно определить точный смысл всех входящих в эту формулу величин.

P (D i ) - вероятность диагнозаD i , определяемая по статистическим данным (априорная вероятность диагноза ). Так, если предварительно обследовано N объектов и у N i объектов имелось состояние D i , то

P (D i ) = N i /N . (5.6)

P (k j /D i ) - k j у объектов с состоянием D i . Если среди N i объектов, имеющих диагнозD i , у N ij проявился признак k j , то

P (k j /D i ) = N ij /N i . (5.7)

P (k j ) - вероятность появления признакаk j во всех объектахнезависимо от состояния (диагноза)объекта. Пусть изобщего числа N объектов признакk j был обнаружену N j объектов, тогда

P(k j ) = N j /N . (5.8)

Для установления диагноза специальное вычисление P (kj ) не требуется. Как будет ясно из дальнейшего, значения P (D i )и P (k j / D i ), известные для всех возможных состояний, определяют величину P (k j ).

Вравенстве (3.2) P (D i /k j )- вероятность диагноза D i послетого, как сталоизвестно наличие у рассматриваемого объекта признака k j (апостериорная вероятность диагноза ).

Обобщенная формула Байеса. Эта формула относится к случаю, когда обследование проводится по комплексу признаков К , включающему признаки k 1 , k 2 , ..., k v . Каждый из признаков k j имеет m j разрядов (k j l , k j 2 , ..., k js , ..., ). В результате обследования становитсяизвестной реализация признака

k j * = k js (5.9)

и всего комплекса признаков K *. Индекс *, как и раньше, означаетконкретное значение (реализацию) признака. Формула Байеса для комплексапризнаков имеет вид

P (D i /К * )= P (D i )P (К */D i )/P (К * )(i = 1, 2, ..., n ), (5.10)

где P (D i /К * ) - вероятность диагноза D i после того, какстали известны результаты обследования по комплексу признаков К , P (D i ) - предварительная вероятность диагноза D i (по предшествующей статистике).

Формула (5.10) относится к любому из n возможных состояний (диагнозов) системы. Предполагается, что система находится только в одном из указанных состояний ипотому

В практических задачах нередко допускается возможность существования нескольких состояний А 1 , ..., А r , причем некоторые из них могут встретиться в комбинации друг с другом. Тогда в качестве различных диагнозов D i следует рассматривать отдельные состояния D 1 = А 1 , ..., D r = А r и их комбинации D r +1 = А 1 ^ А 2 , … и т. п.

Перейдем к определению P (К */ D i ). Если комплекс признаков состоит из v признаков, то

P (К */ D i ) = P(k 1 */ D i )P (k 2 */k 1 * D i )...P (k v */k l * ...k* v- 1 D i ), (5.12)

где k j * = k js - разряд признака, выявившийся в результате обследования. Для диагностически независимых признаков

P (К */ D i ) = P (k 1 */ D i ) P (k 2 */ D i )... P (k v * / D i ). (5.13)

Вероятность появления комплекса признаковК *

P (К *)= P (D s)P (К */D s) . (5.14)

Обобщенная формула Байеса может быть записана так:

P (D i /K * ) (5.15)

где P (К */ D i )определяется равенством (5.12) или (5.13). Изсоотношения (5.15) вытекает

P (D i /К *)=l, (5.16)

что, разумеется, и должно быть, так как один из диагнозов обязательно реализуется, а реализация одновременно двух диагнозов невозможна.

Следует обратить внимание на то, что знаменатель формулы Байеса для всех диагнозов одинаков. Это позволяет сначала определить вероятности совместного появления i -гo диагноза и данной реализации комплекса признаков

P (D i К *) = P (D i )P (К */D i ) (5.17)

и затем апостериорную вероятность диагноза

P (D i /К *) = P (D i К *)/P (D s К *). (5.18)

Отметим, что иногда целесообразно использовать предварительное логарифмирование формулы (5.15), так как выражение (5.13) содержит произведения малых величин.

Если реализация некоторого комплекса признаков К * является детерминирующей для диагноза D p , то этот комплекс не встречается при других диагнозах:

Тогда, в силу равенства (5.15)

(5.19)

Таким образом, детерминистская логика установления диагноза является частным случаем вероятностной логики. Формула Байеса может использоваться и в том случае, когда часть признаков имеет дискретное распределение, а другая часть - непрерывное. Для непрерывного распределения используются плотности распределения. Однако в расчетном плане указанное различие признаков несущественно, если задание непрерывной кривой осуществляется с помощью совокупности дискретных значений.

Диагностическая матрица. Для определения вероятности диагнозов по методу Байеса необходимо составить диагностическую матрицу (табл. 5.1), которая формируется на основе предварительного статистического материала. В этой таблице содержатся вероятности разрядов признаков при различных диагнозах.

Таблица 5.1

Диагностическая матрица в методе Байеса

P (D i k j) = P (D i) P (k j /D i) = P (k j) P (D i /k j). (5.4)

Из этого равенства вытекает формула Байеса (см. гл. 11)

P(D i /k j) = P(D i) P(k i /D i)/P(k j ) (5.5)

Очень важно определить точный смысл всех входящих в эту формулу величин.

P (D i ) = N i /N . (5.6)

P (k j /D i ) = N ij /N i . (5.7)

P(k j ) = N j /N . (5.8)

k j * = k js (5.9)

и всего комплекса признаков K *. Индекс *, как и раньше, означаетконкретное значение (реализацию) признака. Формула Байеса для комплексапризнаков имеет вид

P (D i /К * )= P (D i )P (К */D i )/P (К * )(i = 1, 2, ..., n ), (5.10)

Перейдем к определению P (К */ D i ). Если комплекс признаков состоит из v признаков, то

P (К */ D i ) = P(k 1 */ D i )P (k 2 */k 1 * D i )...P (k v */k l * ...k* v- 1 D i ), (5.12)

P (К */ D i ) = P (k 1 */ D i ) P (k 2 */ D i )... P (k v * / D i ). (5.13)

Вероятность появления комплекса признаковК *

P (К *)= P (D s)P (К */D s) . (5.14)

Обобщенная формула Байеса может быть записана так:

P (D i /K * ) (5.15)

где P (К */ D i )определяется равенством (5.12) или (5.13). Изсоотношения (5.15) вытекает

P (D i /К *)=l, (5.16)

P (D i К *) = P (D i )P (К */D i ) (5.17)

и затем апостериорную вероятность диагноза

P (D i /К *) = P (D i К *)/ P (D s К *). (5.18)

Тогда, в силу равенства (5.15)

(5.19)

Таким образом, детерминистская логика установления диагноза является частным случаем вероятностной логики. Формула Байеса может использоваться и в том случае, когда часть признаков имеет дискретное распределение, а другая часть - непрерывное. Для непрерывного распределения используются плотности распределения. Однако в расчетном плане указанное различие признаков несущественно, если задание непрерывной кривой осуществляется с помощью совокупности дискретных значений.

Таблица 5.1

Диагностическая матрица в методе Байеса

Если признаки двухразрядные (простые признаки «да - нет»), то в таблице достаточно указать вероятность появления признака Р (k i /D i). Вероятность отсутствия признака Р ( /D,-) = 1 - Р (k i /D i).

Однако более удобно использовать единообразную форму, полагая, например, для двухразрядного признака Р (k j /D i) = Р (k i 1 /D i ); Р ( /D,) = Р (k i 2 /D i).

Отметим, что P(k js /Di) = 1, где т, - число разрядов признака k j . Сумма вероятностей всех возможных реализаций признака равна единице.

В диагностическую матрицу включены априорные вероятности диагнозов. Процесс обучения в методе Байеса состоит в формировании диагностической матрицы. Важно предусмотреть возможность уточнения таблицы в процессе диагностики. Для этого в памяти ЭВМ следует хранить не только значения P(k js /Di), но и следующие величины: N - общее число объектов, использованных для составления диагностической матрицы; N i - число объектов с диагнозом D i ; N ij - число объектов с диагнозом D i , обследованных по признаку k j . Если поступает новый объект с диагнозом D μ , то проводится корректировка прежних априорных вероятностей диагнозов следующим образом:

(5.20)

Далее вводятся поправки к вероятностям признаков. Пусть у нового объекта с диагнозом D μ выявлен разряд r признака k j . Тогда для дальнейшей диагностики принимаются новые значения вероятности интервалов признака k j при диагнозе D μ :

(5.21)

Условные вероятности признаков при других диагнозах корректировки не требуют.

Пример. Поясним метод Байеса. Пусть при наблюдении за газотурбинным двигателем проверяются два признака: k 1 - повышение температуры газа за турбиной более чем на 50 °С и k 2 - увеличение времени выхода на максимальную частоту вращения более чем на 5 с. Предположим, что для данного типа двигателей появление этих признаков связано либо с неисправностью топливного регулятора (состояние D 1 ,), либо с увеличением радиального зазора в турбине (состояние D 2).

При нормальном состоянии двигателя (состояние D 3)признак k 1 не наблюдается, а признак k 2 наблюдается в 5% случаев. На основании статистических данных известно, что 80% двигателей вырабатывают ресурс в нормальном состоянии, 5% двигателей имеют состояние D 1 и 15% - состояние D 2 . Известно также, что признак k 1 встречается при состоянии D 1 в 20% , а при состоянии D 2 в 40% случаев; признак k 2 при состоянии D 1 встречается в 30%, а при состоянии D 2 - в 50% случаев. Сведем эти данные в диагностическую таблицу (табл. 5.2).

Найдем сначала вероятности состояний двигателя, когда обнаружены оба признака k 1 и k 2 . Для этого, считая признаки независимыми, применим формулу (5.15).

Вероятность состояния

Аналогично получим Р (D 2 /k 1 k 2) = 0,91; Р (D 3 /k 1 k 2) = 0.

Определим вероятность состояний двигателя, если обследование показало, что повышение температуры не наблюдается (признак k 1 ), но увеличивается время выхода на максимальную частоту вращения (признак k 2 наблюдается). Отсутствие признака k 1 есть признак наличия (противоположное событие), причем Р ( /Di) = 1 - Р (k 1 /Di).

Для расчета применяют также формулу (5.15), но значение Р (k 1 /Di) в диагностической таблице заменяют на Р ( /Di). В этом случае

и аналогично Р (D 2 / k 2) = 0,46; Р (D 3 / k 2) = 0,41. Вычислим вероятности состояний в том случае, когда оба признака отсутствуют. Аналогично предыдущему получим

Отметим, что вероятности состояний D 1 и D 2 отличны от нуля, так как рассматриваемые признаки не являются для них детерминирующими. Из проведенных расчетов можно установить, что при наличии признаков k 1 и k 2 в двигателе с вероятностью 0,91 имеется состояние D 1 , т.е. увеличение радиального зазора. При отсутствии обоих признаков наиболее вероятно нормальное состояние (вероятность 0,92). При отсутствии признака k 1 и наличии признака k 2 вероятности состояний D 2 и D 3 примерно одинаковы (0,46 и 0,41) и для уточнения состояния двигателя требуется проведение дополнительных обследований.

Таблица 5.2

Вероятности признаков и априорные вероятности состояний

Решающее правило - правило, в соответствии с которым принимается решение о диагнозе. В методе Байеса объект с комплексом признаков К * относится к диагнозу с наибольшей (апостериорной) вероятностью

K* D i ,если P(D i /K *) > P(D j /K *) (j = 1, 2,..., n ; i ≠ j ). (5.22)

Символ , применяемый в функциональном анализе, означает принадлежность множеству. Условие (5.22) указывает, что объект, обладающий данной реализацией комплекса признаков К * или, короче, реализация К * принадлежит диагнозу (состоянию) D i . Правило (5.22) обычно уточняется введением порогового значения для вероятности диагноза:

P (D i / K *) ≥ P i , (5.23)

где P i . - заранее выбранный уровень распознавания для диагноза D i . При этом вероятность ближайшего конкурирующего диагноза не выше 1 – P i . Обычно принимается P i ≥ 0,9. При условии

P(D i / K *)

(5.24)

решение о диагнозе не принимается (отказ от распознавания) и требуется поступление дополнительной информации.

Процесс принятия решения в методе Байеса при расчете на ЭВМ происходит достаточно быстро. Например, постановка диагноза для 24 состояний при 80 многоразрядных признаках занимает на ЭВМ с быстродействием 10 - 20 тысяч операций в секунду всего несколько минут.

Как указывалось, методу Байеса присущи некоторые недостатки, например погрешности при распознавании редких диагнозов. При практических расчетах целесообразно провести диагностику и для случая равновероятностных диагнозов, положив

P(D i) = l / n (5.25)

Тогда наибольшим значением апостериорной вероятности будет обладать диагноз D i , для которого Р (K* /D i) максимальна:

K* D i ,если P(K* /D i) > P(K* /D j) (j = 1, 2,..., n ; i ≠ j ). (5.26)

Иными словами, устанавливается диагноз D i если данная совокупность признаков чаще встречается при диагнозе D i , чем при других диагнозах. Такое решающее правило соответствует методу максимального правдоподобия. Из предыдущего вытекает, что этот метод является частным случаем метода Байеса при одинаковых априорных вероятностях диагнозов. В методе максимального правдоподобия «частые» и «редкие» диагнозы равноправны.

Для надежности распознавания условие (5.26) должно быть дополнено пороговым значением

P(K */D i) ≥ P i , (5.27)

где P i - заранее выбранный уровень распознавания для диагноза D i .