Метод построения модели и анализ программного обеспечения

На основе нечеткой логики

В настоящее время существует большое количество программного обеспечения, использующего теорию нечеткой логики при решении задач в различных областях [37]. При моделировании сложных технических систем наибольшей универсальностью обладают FuzzyTECH и Fuzzy Logic Toolbox для MatLab [33]. Большинство рассмотренных программных продуктов ориентированы на построение нечетких систем, когда параметры функций принадлежности и правила задаются экспертом, так только в одном пакете используются генетические алгоритмы для формирования нечеткой модели. Методы построения (обучения) адаптивных нечетких моделей являются более сложными и трудоемкими, чем методы других интеллектуальных моделей.

Основные трудности связаны с генерацией базы нечетких правил и корректировкой формы функций принадлежности [20]. В настоящий момент не существует какого-либо одного общепризнанного метода обучения нечетких моделей, поэтому актуальной задачей является разработка и поиск новых, эффективных методов. Таким образом, скорее всего, наиболее перспективное направление исследований лежит в использовании генетических алгоритмов для обучения нечетких моделей [8, 33].

Проведенный обзор известных пакетов программ для нечеткого моделирования показывает, что для построения системы оценки качества предоставления услуги физиологического мониторинга целесообразно использовать пакет Fuzzy Logic Toolbox для MatLab. Преимуществом использования пакета является наличие достаточного количества документации и информационных источников по его применению в различных областях, в том числе в области телекоммуникаций и управления качеством обслуживания. На рисунке 2.5. представлена модель оценки качества предоставления услуги физиологического мониторинга с использованием пакетов Fuzzy Logic Toolbox программного комплекса MatLab.

Рисунок 2.5. Модель оценки качества предоставления услуги

физиологического мониторинга

На рисунке 2.6. представлены этапы оценки качества предоставления услуги физиологического мониторинга на основе нечеткой логики для всех 18 правил системы нечеткого логического вывода.

Рисунок 2.6. Этапы оценки этапы оценки качества предоставления услуги физиологического мониторинга на основе нечеткой логики

Входная лингвистическая переменная «Скорость передачи информации» принимает значение 76.6 кбит/c, входная лингвистическая переменная «Задержка» – 40 мс и входная лингвистическая переменная «Доля потери пакетов» – 10^-7. При данных значениях выходная лингвистическая переменная принимает значение 85%, что соответствует высокой оценки (оценке) качества предоставления услуги физиологического мониторинга.

Система оценки качества предоставления услуги физиологического мониторинга в сети M2M для электронного здоровья (рисунок 2.7), реализована также с использованием пакетов Simulink и Fuzzy Logic Toolbox программного комплекса MatLab. Значения трех входных переменных поступают на вход мультиплексора, в котором происходит объединение данных. Далее производится оценка качества предоставления услуги физиологического мониторинга с использование аппарата нечеткой логики на основе разработанных нечетких правил. Значение оценки выводится на виртуальный дисплей.

Рисунок 2.7. Система оценки качества предоставления услуги физиологического мониторинга с использованием пакетов Simulink и Fuzzy Logic Toolbox программного комплекса MatLab

На рисунке 2.8. приведена зависимость качества предоставления сетью связи услуги физиологического мониторинга в процентах от (а) скорости передачи информации и задержки, (б) задержки и доли потери пакетов и (в) скорости передачи информации и доли потерянных пакетов.

(а)

(б)

(в)

Рисунок 2.8. Зависимость, отображающая влияния входных лингвистических переменных на значение выходной лингвистической переменной