СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В статье рассматривается этап проектирования, разрабатываемого авторами, программного комплекса, реализующего процессы кластеризации и классификации данных на основе искусственных нейронных сетей с предварительным сокращением размерности (редуцированием) пространства признаков. Этот этап является одним из важнейших при разработке программного продукта. Практически все современные программные комплексы характеризуются большим разнообразием взаимодействующих программных модулей, что, в свою очередь, увеличивает сложность на этапе проектирования современных программ. На этом этапе разработчики программных продуктов используют различные методы. В статье рассмотрен известный способ моделирования систем математическим аппаратом сетей Петри, который получил широкое применение в самых разных предметных областях. Построена сеть Петри для проектируемого программного комплекса, содержащая 48 вершин.

Проведен анализ построенной сети Петри. Он дает представление о поведении проектируемого программного комплекса. Также качественный анализ сети способствует внесению изменений в архитектуру программного комплекса на этапе проектирования.

Анализ сети производился в программной среде CPNTools версии 4.0.1. Данная среда обладает автоматизированными средствами анализа и генерирует отчеты о тупиковых состояниях системы, мертвых переходах. Анализ, проводимый в этой среде, по своей сути решает одну их основных задач теории сетей Петри – задачу достижимости.

Результатом анализа являются оценка достижимых маркировок и выявление мертвых и тупиковых состояний, приводящих к прекращению работы системы, зацикливанию и выявлению сценариев, не участвующих в работе системы. Одним из ключевых результатов анализа стало дерево достижимости. Как показал анализ, в спроектированной сети отсутствуют мертвые переходы, что сигнализирует о корректно спроектированной архитектуре программного продукта.

1. Котов В.Е. Сети Петри. – М.: Наука, 1984. – 160 с.

2. Reisig W. Petri nets: an introduction. – Berlin; New York: Springer-Verlag, 1985. – 172 p.

3. Программный комплекс «Анализ экспериментальных данных на основе нейронных сетей»: свидетельство о государственной регистрации программы для ЭВМ / В.А. Харахинов, С.С. Сосинская. – № 2017618294; зарег. 04.07.2017.

4. Хайкин С. Нейронные сети: полный курс. – 2-е изд. – М.: Вильямс, 2006. – 1104 с.

5. Харман Г. Современный факторный анализ. – М.: Статистика, 1972. – 484 с.

6. Лоули Д., Мансвелл А. Факторный анализ как статистический метод. – М.: Мир, 1967. – 141 с.

7. Hinton G.E., Zemel R.S. Autoencoders, minimum description length and Helmholtz free ener-gy // Advances in Neural Information Processing Systems. – 1994. – Vol. 6. – P. 3–10.

8. Марков А.В., Воевода А.А. Анализ сетей Петри при помощи деревьев достижимости // Сборник научных трудов НГТУ. – 2013. – № 1. – С. 78–95.

9. Официальный сайт разработчиков среды CPN Tools [Электронный ресурс]. – URL: http://cpntools.org/ (дата обращения: 11.12.2018).

10. Питерсон Дж. Теория сетей Петри и моделирование систем. – М.: Мир, 1984. – 264 с.

11. Романников Д.О., Марков А.В. Об использовании программного пакета CPN Tools для анализа сетей Петри // Сборник научных трудов НГТУ. – 2012. – № 2. – С. 105–116.

12. Girault C., Valk R. Petri nets for systems engineering: a guide to modeling, verification and applications. – New York: Springer, 2003. – 628 p.

13. Харахинов В.А., Сосинская С.С. Исследование способов кластеризации деталей машиностроения на основе нейронных сетей // Программная инженерия. – 2017. – № 4. –

С. 170–176.

14. Харахинов В.А., Сосинская С.С. Влияние сокращения размерности пространства признаков на результаты классификации листьев различных видов растений // Программная инженерия. – 2018. – № 2. – С. 82–90.

15. Харахинов В.А. Генетический алгоритм как альтернатива обучения слоя Кохонена // Информационные технологии. – 2018. – № 10. – С. 642–648.