4.2 Интеллектуализация измерений

Важным результатом исследований, связанных с повышением качества функционирования измерительных систем, является создание специальных интеллектуальных датчиков.

Традиционные направления совершенствования таких датчиков реализуются как путем улучшения конструкции и элементов аппаратной части, так и за счет разработки методов формального описания и анализа измерительных процедур. Развитию аналитического подхода при синтезе интеллектуальных датчиков способствует создание алгоритмов оптимальной обработки данных на основе все более сложных статистических моделей входных воздействий на датчик. В качестве конкурирующей стратегии рассматривается способ реализации интеллектуального датчика на основе искусственных нейронных сетей (ИНС).

На практике интеллектуализация измерений связана в первую очередь с обеспечением регистрирующего прибора или датчика некими знаниями о соотношении реально измеряемой физической величины, с той которую в результате мы хотим измерить и применение этого соотношения к измеряемой величине, а также осуществлением предварительной обработки измеряемой величины.

Например, представленная на рисунке 1 схема, реализует интеллектуальную измерительную систему регистрации усредненной по времени температуры.

Измеряя сопротивление, терморезистора (косвенно, через напряжение в схеме делителя), в зависимости от его температуры, мы можем сопоставить это сопротивление с конкретным значением температуры этого датчика, для этого необходимо знать соотношение этих величин и применить это соотношение для данного датчика.

Набор таких вот знаний и их применение к измеряемой величине и предварительная их обработка и обеспечивает интеллектуализацию измерений.

В результате этого, выполнив оцифровку напряжения и применив знания о соотношении температуры с напряжением, на выходе датчика мы получим цифровое представление усредненной температуры терморезистора.

5 Измерительные базы знаний

5.1 Понятие о базах знаний

В настоящее время целью исследований в области ИИ является создание таких систем, которые, с одной стороны, могут использовать большое количество знаний, передаваемых им специалистами, а с другой - способны вступать в диалог и объяснять свой собственные выводы. Это предполагает наличие эффективного управления большой по объему и хорошо структурированной базой знаний, строгое разграничение между различными уровнями знаний, наличие множества удобных представлений для правил, схем предикатов или прототипов и четко определенный процесс обмена информацией между различными источниками.

Необходимо, чтобы система знала, что она знает. Если попытаться провести аналогию с людьми, то подобное метазнание означает постоянное использование в течение жизни информации о каждом прожитом дне. Если, например, вы забыли имя приятеля, встреченного на улице, то ваше метазнание состоит в том, что либо вы его имя знали, но забыли, либо этого имени никогда не знали. Впрочем, мы постоянно используем важные эвристические правила, основанные на подобном метазнаний, такие, как "если бы это была правда, то я бы это знал". Они зависят от двух важных параметров: значимости имеющего к ним отношения факта и степени нашей собственной компетентности в данной области. В действительности каждое человеческое знание сразу же требует метазнания, связанного с тем местом, которое мы отводим данному знанию в ряду другой информации, как мы к нему относимся, для каких целей оно нам полезно, к какому семейству принадлежит.