Розробка алгоритму ідентифікації різних видів складних об’єктів моніторингу при веденні інформаційної роботи

Размещено на http://www.allbest.ru/

ЗМІСТ

ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ

ВСТУП

1. ТАКТИКО ? ТЕХНІЧНЕ ОБГРУНТУВАННЯ НЕОБХІДНОСТІ РОЗРОБКИ АЛГОРИТМУ ІДЕНТИФІКАЦІЇ СКЛАДНИХ ОБ'ЄКТІВ МОНІТОРИНГУ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

1.1 Методи та алгоритми кластеризації

1.2 Постановка задачі дослідження

2. РОЗРОБКА АЛГОРИТМУ ІДЕНТИФІКАЦІЇ СКЛАДНИХ ОБ'ЄКТІВ МОНІТОРИНГУ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

2.1 Основні ознаки, що дозволяють здійснювати ідентифікацію складних об'єктів моніторингу на основі нечітких алгоритмів кластерного аналізу

2.2 Вибір доцільного алгоритму кластеризації складних об'єктів моніторингу

2.3 Синтез математичної моделі кластеризації об'єктів за результатами роботи засобів радіомоніторингу

2.4 Алгоритм ідентифікації складних об'єктів моніторингу на основі нечітких алгоритмів кластерного аналізу

3. АПРОБАЦІЯ АЛГОРИТМУ ІДЕНТИФІКАЦІЇ РІЗНИХ ТИПІВ СКЛАДНИХ ОБ'ЄКТІВ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

4. ОХОРОНА ПРАЦІ

4.1 Аналіз умов праці на робочому місці

4.2 Вимоги безпеки при роботі з ПЕОМ

ВИСНОВКИ

ПЕРЕЛІК ПОСИЛАНЬ

Додаток. Програма реалізації алгоритму ідентифікації складних ОМ на основі нечітких алгоритмів кластерного аналізу

ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ

ѕ ГІС геоінформаційна система

ѕ ДРВп джерело радіовипромінювання

ѕ ЗС збройні сили

ѕ ІР інформаційна робота

ѕ ОМ об'єкт моніторингу

ѕ РЕО радіоелектронна обстановка

ѕ РЛС радіолокаційна станція

ѕ РМ радіомоніторинг

ѕ РТМ радіотехнічний моніторинг



ВСТУП

Об'єктом дослідження кваліфікаційної роботи є процес ведення інформаційної роботи підрозділами радіомоніторингу (РМ). Предметом дослідження є програмно - алгоритмічне забезпечення інформаційної роботи (ІР) ідентифікації об'єктів моніторингу (ОМ) за результатами роботи засобів РМ. Ведення ІР має на меті обробку даних від добуваючих підрозділів. Зокрема, підвищення інформаційного забезпечення застосування військ, у підрозділах і частинах збройних сил (ЗС) передбачається за рахунок підвищення точності визначення місцеположення джерела радіовипромінювання (ДРВп) засобами моніторингу з подальшою їх ідентифікацією та створенням відповідних моделей їх діяльності.

Метою роботи є розробка алгоритму ідентифікації різних видів складних ОМ при веденні ІР, внаслідок роботи якого збільшується швидкість обробки інформації, яка надходить від засобів РМ та збільшується час для прийняття рішення оператором.

Робота виконувалась методом кластерного аналізу, адже одним з найефективніших варіантів побудови моделі розміщення складних об'єктів моніторингу в умовах відсутності апріорної вибірки є застосування кластерного аналізу. Використання алгоритмів кластеризації дозволяє здійснювати побудову можливих варіантів розміщення об'єктів моніторингу з врахуванням особливостей рельєфу місцевості на основі геоінформаційних систем (ГІС) з меншими затратами часу.

Отримані результати відображають бойовий порядок, тип підрозділу та радіоелектронну обстановку (РЕО) в ньому. Для побудови моделі розміщення складних об'єктів моніторингу застосовується принцип статистичного детермінованого розміщення простих об'єктів. Застосування даного принципу зводиться до послідовного отримання засічок для побудови моделі відображення РЕО.

Результати роботи можуть бути використані для ведення ІР підрозділами РМ.

Розвиток даної роботи полягає у збільшенні кількості ознак ідентифікації, що в свою чергу призведе до збільшення ймовірності правильного розпізнавання складних ОМ.



1. ТАКТИКО - ТЕХНІЧНЕ ОБГРУНТУВАННЯ НЕОБХІДНОСТІ РОЗРОБКИ АЛГОРИТМУ ІДЕНТИФІКАЦІЇ СКЛАДНИХ ОБ'ЄКТІВ МОНІТОРИНГУ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

Сьогодні, основою досягнення переваги над противником є технологічна перевага та збільшення інформаційної складової забезпечення бойових дій ЗС, а головною рисою сучасної збройної боротьби - інтеграція процесів ведення моніторингу, передачі даних, управління військами та зброї, вогневої поразки противника в масштабі часу близькому до реального.

Цим питанням присвячено чимало розробок закордонних і вітчизняних фахівців. Їх успішність радикально пов'язують з можливостями добувати й доставляти споживачеві необхідну інформацію для вирішення визначених збройним силам завдань.

Метою даного розділу є обґрунтування необхідності удосконалення процесу розпізнавання та вибір доцільного алгоритму ідентифікації складних ОМ.

Даний алгоритм повинен забезпечити вибір найкращого рішення з множини можливих рішень при проведенні ідентифікації складних ОМ. Процес прийняття рішення при веденні РМ характеризується частковою невизначеністю, неповнотою і недостовірністю інформації, малим резервом часу та динамічною зміною РЕО. Крім того, він повинен враховувати існуючі недоліки процесу ідентифікації складних ОМ.

Враховуючи особливості ведення РМ: умови невизначеності та відсутність апріорної інформації про груповий об'єкт, що робить не можливим використання класичної теорії ідентифікації (класифікації), в даній роботі мною запропоновано рішення даної задачі за допомогою кластерного аналізу [3].

Згідно [9] кластерний аналіз - це спосіб групування багатовимірних об'єктів, оснований на представленні результатів окремих спостережень точками геометричного простору з подальшим виділенням груп як «згустків» цих точок.

Таким чином, основна мета аналізу - виділити у вхідних багатовимірних масивах даних такі однорідні підмножини, щоб об'єкти всередині груп були схожі між собою, а об'єкти з різних груп - не схожі. Під «схожістю» розуміється близькість об'єктів в багатовимірному просторі ознак, і тоді задача зводиться до виділення в цьому просторі скупчень об'єктів, які вважаються однорідними групами. В даному розділі розглянуто існуючі алгоритми кластеризації та проведено їх аналіз [7], а також здійснено постановку задачі дослідження. Задача ідентифікації вирішується в умовах невизначеності, адже для кожного окремого завдання необхідно вибрати відповідний алгоритм і міри відстаней. Вибір метрики повністю лежить на операторі, оскільки результати кластеризації можуть істотно відрізнятися при використанні різних способів визначення ступеня схожості. Візуалізація великої кількості просторових даних займає тривалий час. Дана проблема вирішується за допомогою вибору найбільш доцільного методу кластеризації, що дозволить багато в чому покращити процес відображення просторових даних і полегшить роботу з ними.

1.1 Методи та алгоритми кластеризації

кластеризація моніторинг складний об'єкт

З аналізу літератури [2] визначено, що загальноприйнятої класифікації методів кластеризації не існує. Але якщо узагальнити різні методи кластеризації, то можна виділити ряд груп.

Об'єднання схожих об'єктів у групи може бути здійснене різними способами. Серед таких груп, згідно [18] виділяються наступні:

а) ієрархічні групи - будують не одне розбиття вибірки на кластери, що не перетинаються, а систему вкладеного розбиття. За допомогою таких груп можна виділити кластери, об'єднуючи менші кластери та розподіляючи більші. Тобто на виході створюється дерево кластерів, на різних рівнях якого можна отримати різне розподілення на кластери. Серед груп ієрархічної кластеризації виділяються два основні типи: висхідні і низхідні алгоритми.

- низхідні типи груп кластеризації працюють за принципом «згори-вниз»: на початку усі об'єкти поміщаються в один кластер, який потім розбивається на дрібніші кластери.

- висхідні типи, які на початку роботи поміщають кожен об'єкт в окремий кластер, а потім об'єднують кластери у більші, поки усі об'єкти вибірки не будуть міститись в одному кластері.

б) неієрархічні (плоскі) - будують одне розбиття об'єктів на кластери. Плоскі групи вважаються досить швидкими та простими в дії. До того ж одноразове розбиття дозволяє уникнути необхідності зберігати велику кількість проміжних даних. Серед таких груп кластеризації виділяються наступні типи:

- типи, які ґрунтовані на теорії графів. Суть їх полягає в тому, що вибірка об'єктів представляється у вигляді графа G= (V, E), вершинам (V) якого відповідають об'єкти, а ребра (E) мають вагу, яка дорівнює «відстані» між об'єктами. Перевагою даних типів кластеризації є наочність, відносна простота реалізації і можливість внесення різних удосконалень, які ґрунтовані на геометричних міркуваннях.

- EM - тип. Алгоритм EM - типу використовують в математичній статистиці для пошуку оцінок максимальної правдоподібності параметрів ймовірнісних моделей, коли модель залежить від деяких прихованих змінних. Кожна ітерація EM-типу алгоритму складається з двох кроків. На E-кроку (expectation) обчислюється очікуване значення функції правдоподібності, при цьому приховані змінні розглядаються як спостережувані. На M-кроку (maximization) обчислюється оцінка максимальної правдоподібності, таким чином збільшується очікувана правдоподібність, що обчислюється на E-кроці. Потім це значення використовується для E-кроку на наступній ітерації. Алгоритм виконується до збіжності.

- K - середніх (k - means) - тип. Алгоритм цього типу будує задане число кластерів, розташованих якнайдалі один від одного. Робота алгоритму ділиться на декілька етапів: випадковий вибір k точок, що є початковими «центрами мас» кластерів; віднесення кожного об'єкта до кластера з найближчим «центром мас»; перерахування «центрів мас» кластерів згідно з їх поточним складом; якщо критерій зупинки алгоритму не задоволений, то повернутися до віднесення кожного об'єкта до кластера з найближчим «центром мас». В якості критерію зупинки роботи алгоритму зазвичай вибирають мінімальну зміну середньоквадратичної похибки. Так само можливо зупиняти роботу алгоритму, якщо при спробі віднести об'єкт до кластера з найближчим «центром мас», не було об'єктів, що перемістилися з кластера в кластер. До недоліків цього алгоритму можна віднести необхідність задавати кількість кластерів для розбиття.

- C - середніх (c - means) - найбільш популярний тип нечіткої кластеризації. Він є модифікацією типу k- середніх. Кроки роботи алгоритму даного типу:

1) вибір початкового нечіткого розбиття n об'єктів k кластерів шляхом вибору матриці приналежності U розміру n * k;

2) використовуючи матрицю U, пошук значення критерію нечіткої помилки; кожне спостереження «приписується» до одного з n кластерів - того, відстань до якого найкоротша;

3)розрахунок нового центра кожного кластера як елемент, ознаки якого розраховуються як середнє арифметичне ознак об'єктів, що входять у цей кластер.

Відбувається стільки ітерацій (повторюються кроки 3-4), поки кластерні центри не стануть стійкими.

Не дивлячись на значні відмінності між перерахованими методами всі вони спираються на початкову « гіпотезу компактності»: у просторі об'єктів всі близькі об'єкти повинні відноситись до одного кластера, а всі різні (відмінні) об'єкти відповідно повинні знаходитись у різних кластерах відповідно. Для вирішення основної задачі, тобто ідентифікації ОМ за допомогою алгоритмів кластерного аналізу доцільним буде застосування алгоритму C - середніх - типу. Адже даний тип алгоритму має ряд особливостей та переваг, він дозволяє одному і тому ж об'єкту належати одночасно кільком кластерам з різним ступенем приналежності, а також він простий і швидкий та легко реалізується на практиці.

1.2 Постановка задачі дослідження

Процес прийняття рішення при веденні РМ характеризується частковою невизначеністю і недостовірністю інформації, малим резервом часу та динамічною зміною РЕО. Проаналізувавши теоретичний матеріал було встановлено, що на сучасному етапі існує велика кількість типів кластеризації, які використовують різні принципи та підходи. Але, незважаючи на це, проблема актуальна, розробляються нові алгоритми для вирішення тих чи інших завдань. Для роботи над кваліфікаційною роботою необхідно проаналізувати методи і алгоритми кластеризації, розібратися в області застосування кожного з них і вибрати найбільш доцільний для даного завдання алгоритм, який повинен забезпечувати: вибір найкращого рішення з множини можливих рішень ідентифікації складних ОМ, головним елементом якого є кластеризація.

Підвищення вимог до достовірності та оперативності прийнятих рішень в процесі ведення ІР потребують комплексування даних різних видів моніторингу. Тим часом, існуючі способи визначення місця положення ОМ та їх ідентифікації неоптимальні стосовно основних показників ефективності. Такими показниками є ймовірність правильного ухвалення рішення і час його прийняття. В ідеалі потрібно домогтися покращення даних параметрів, але через їхній взаємозв'язок це неможливо. Підвищення достовірності потребує обробки й аналізу додаткової інформації, що неминуче призводить до збільшення часу.

Задачу підвищення достовірності своєчасного і правильного рішення для визначення місцеположення ОМ та його ідентифікації можна вирішити шляхом автоматизації процесу обробки інформації і формування рекомендацій, що призведе до значного зменшення часу інформаційної підготовки прийняття рішення. Його зменшення дасть оператору більше часу на прийняття рішення, що дозволить більш детально аналізувати інформацію, яка надходить про ОМ, і дасть можливість використання додаткової інформації. Це, у свою чергу, призведе до підвищення ймовірності правильного прийняття рішення при тому ж часі виконання алгоритму прийняття рішення. Вироблення рекомендацій оператору дасть можливість істотно спростити наступний етап його роботи - етап безпосереднього прийняття рішення.

Отже, задачу дослідження по ідентифікації ОМ з використанням різних видів ДРВп в загальному вигляді можна сформулювати таким чином: необхідно за певними показниками РЕО провести ідентифікацію ОМ з максимальною достовірністю за заданий час.

Часові витрати на прийняття рішення в автоматизованій системі управління (АСУ) з аналізу наявних матеріалів можливо відобразити за допомогою діаграми (рис.1.1).

Рисунок 1.1 ? Часова діаграма прийняття рішень

На рис. 1.1 прийняті такі умовні позначення:

- час збору інформації технічними засобами;

- час, що витрачається на обробку інформації і формування первинних гіпотез;

- час, що витрачається на вибір рішення;

- час, необхідний для реалізації прийнятого рішення.

Як видно з діаграми (рис.1.1), значна частина часу йде на обробку інформації і формування гіпотез. На вибір рішення приділяється досить малий час, що може привести до низької його імовірності. Це може викликати прийняття неадекватних рішень.

Отже, задача комплексування даних різних видів радіомоніторингу сформульована таким чином: необхідно за показниками оцінити місцеположення ОМ та провести його ідентифікацію D за допустимий час з максимальною достовірністю. У формалізованому вигляді її можна представити:

, (1.1)

де ? показник з визначеної множини ;

? варіанти оцінки місцеположення ОМ;

? час і допустимий час аналізу відповідно.

Висновок до першого розділу

На основі визначених недоліків та обґрунтованого методу ідентифікації ОМ у межах даної кваліфікаційної роботи необхідно провести наступні дослідження: визначити ознаки, що характеризують процес iдентифiкацiї складних об'єктів по різних видах РМ, розробити модель iдентифiкацiї складних ОМ по різних видах РМ, розробити програмно-алгоритмічне забезпечення.



2. РОЗРОБКА АЛГОРИТМУ ІДЕНТИФІКАЦІЇ СКЛАДНИХ ОБ'ЄКТІВ МОНІТОРИНГУ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

В даному розділі здійснюється розробка алгоритму ідентифікації об'єктів моніторингу на основі нечітких алгоритмів кластерного аналізу. Розробка охоплює чотири етапи. На першому етапі проаналізовано методи розрахунку відстаней між об'єктами і центрами кластерів, обґрунтовано який для вирішення задачі кваліфікаційної роботи буде найдоцільнішим. На другому етапі вибрано сукупність алгоритмів кластеризації, на основі яких буде будуватись математична модель. На третьому етапі розраховано математичну модель кластеризації ОМ за результатами роботи засобів РМ та РТМ. На завершальному четвертому етапі побудовано власне алгоритм ідентифікації складних ОМ на основі нечітких алгоритмів кластерного аналізу.

2.1 Основні ознаки, що дозволяють здійснювати ідентифікацію складних об'єктів моніторингу на основі нечітких алгоритмів кластерного аналізу

Відомі [2] деякі етапи кластеризації. Початковим етапом кластеризації є необхідність складання вектора характеристик для кожного об'єкта -- як правило, це набір ознак з невеликими числовими значеннями. Однак існують також алгоритми, що працюють з якісними (категорійними) характеристиками. Вихідними даними для здійснення кластеризації ОМ буде вектор характеристик географічних координат просторових даних розміщення ДРВ; частотний діапазон та інтенсивність їх роботи. Визначивши вектор характеристик, можна провести його нормалізацію, щоб всі компоненти давали однаковий внесок при розрахунку «відстані». У процесі нормалізації всі значення приводяться до деякого діапазону, наприклад, [-1, -1] або [0, 1]. Для кожної пари об'єктів вимірюється «відстань» між ними -- ступінь схожості. Існує безліч метрик, ось лише основні з них:

- відстань Евкліда. Найбільш поширена функція відстані. Є геометричною відстанню у багатовимірному просторі. Такий метод шукає кластери як сфери однакового розміру.

, (2.1)

де ? центр i-го кластера;

? і-ий об'єкт кластеризації;

? відстань між об'єктами з вихідної матриці даних і центрами кластерів;

N ? кількість елементів у вибірці.

- квадрат евклідової відстані. Застосовується для надання більшої ваги віддаленішим один від одного об'єктам. Ця відстань обчислюється таким чином:

; (2.2)

- відстань міських кварталів (манхеттенська відстань). Ця відстань є середньою різниць по координатах. У більшості випадків застосування такої відстані призводить до таких же результатів, як і для звичайної відстані Евкліда. Проте при його застосуванні вплив окремих великих різниць (викидів) зменшується (оскільки вони не зводяться в квадрат). Формула для розрахунку манхеттенскої відстані:

; (2.3)

- відстань Чебишева. Ця відстань може виявитися корисною, коли треба визначити два об'єкти як «різні», якщо вони розрізняються по будь - якій одній координаті. Відстань Чебишева обчислюється за формулою:

; (2.4)

- степенева відстань. Застосовується у разі, коли необхідно збільшити або зменшити вагу, що відноситься до розмірності, для якої відповідні об'єкти сильно відрізняються. Степенева відстань обчислюється за наступною формулою:

, (2.5)

де r і p - параметри, що визначаються користувачем. Параметр p відповідальний за поступове зважування різниць по окремих координатах, параметр r відповідальний за прогресивне зважування великих відстаней між об'єктами. Якщо обидва параметри - r і p - рівні 2, то ця відстань співпадає з відстанню Евкліда.

Вибір метрики повністю лежить на досліднику, оскільки результати кластеризації можуть істотно відрізнятися при використанні різних метрик [19].

Для даного випадку найбільш доцільна метрика -- Евклідова [5], так як дана міра ідеально підходить для розрахунку географічних відстаней та бойових порядків. Решта метрик менш доцільніші, так як вони застосовуються для вирішення інших специфічних завдань, і не придатні для здійснення кластеризації просторових даних. Основні характеристики бойових порядків засобів ППО і ознаки по яких можливо здійснювати кластеризацію представлені у табл. 2.1.



Таблиця 2.1

Основні характеристики бойових порядків засобів ППО і ознаки по яких можливо здійснювати кластеризацію

Назва дивізіону	Кількість бойових батарей, шт.	Відстань між бойовими батареями, км	Віддаленість від переднього краю, км	Дальність зв'язку, км
“Чапарел - Вулкан”	3	8-15	>15	8-30
“Петріот”	6	30-50	>40	30-100
“Удосконалений Хок”	3-4	15-40	>35	15-80

Ознаки, по яким здійснюється кластеризація:

- кількість бойових батарей - N;

- відстань між бойовими батареями ;

- віддаленість від переднього краю ;

- дальність зв'язку .

2.2 Вибір доцільного алгоритму кластеризації складних об'єктів моніторингу

Проаналізувавши відомі алгоритми кластеризації [4] , для вирішення задачі ідентифікації, найбільш доцільними є нечіткі алгоритми. Нечіткі методи кластеризації, на відміну від чітких, дозволяють одному і тому ж об'єкту належати одночасно кільком кластерам з різним ступенем приналежності. Нечітка кластеризація в багатьох ситуаціях переважає чітку, зокрема для об'єктів, розташованих на грані кластерів.

Алгоритм кластеризації складається з ряду блоків:

- вибір початкового нечіткого розбиття n об'єктів k кластерів шляхом вибору матриці приналежності U розміру n x k;

- пошук значення критерію нечіткої помилки, використовуючи матрицю U:



, (2.6)

де - «центр мас» нечіткого кластера k :

; (2.7)

- кожне спостереження «приписується» до одного з n кластерів - того, відстань до якого найкоротша;

- розраховується новий центр кожного кластера як елемент, ознаки якого розраховуються як середнє арифметичне ознак об'єктів, що входять у цей кластер.

Відбувається така кількість ітерацій (повторюються кроки 3-4), поки кластерні центри не стануть стійкими (тобто при кожній ітерації в кожному кластері виявлятимуться одні й ті самі об'єкти). Це повторення грунтоване на мінімізації цільової функції, яка представляє собою відстань від будь-якого елемента кластера у центрі самого кластеру, зважених щодо членства класу, відносно іншого елемента кластера. Дисперсія всередині кластера буде мінімізована, а між кластерами - максимізована. Цей алгоритм може не підійти, якщо заздалегідь невідоме число кластерів, або необхідно однозначно віднести кожен об'єкт до одного кластера.

Переваги:

- простота та швидкість виконання.

Недоліки:

- результат кластеризації у найбільшій мірі залежить від випадкових початкових позицій кластерних центрів;

- алгоритм чутливий до аномальних вимірів (викидів), які можуть викривлювати середнє.

Існують наступні алгоритми нечіткого кластерного аналізу:

- FCM (Fuzzy c-means - нечітких c-середніх);

- гірської кластеризації;

- поступово зростаючого розбиття.

Алгоритм FCM

Алгоритм нечіткої кластеризації називають FCM - алгоритмом (Fuzzy Classifier Means, Fuzzy C-Means). Метою FCM - алгоритму кластеризації є автоматична класифікація безлічі об'єктів, які задаються векторами ознак в просторі ознак. Іншими словами, такий алгоритм визначає кластери і відповідно класифікує об'єкти. Кластери представляються нечіткими множинами, і, крім того, межі між кластерами також є нечіткими.

FCM-алгоритм кластеризації припускає, що об'єкти належать усім кластерам з певним ступенем приналежності. Ступінь приналежності визначається відстанню від об'єкта до відповідних кластерних центрів. Даний алгоритм ітераційно обчислює центри кластерів і нові ступені приналежності об'єктів.

Алгоритм нечіткої кластеризації виконується наступним чином :

а) ініціалізація.

Вибираються наступні параметри:

- необхідна кількість кластерів N, 2 <N <К;

- міра відстаней (Евклідова);

- фіксований параметр q;

- початкова (на нульовій ітерації) матриця приналежності об'єктів з урахуванням заданих початкових центрів кластерів .

б) регулювання позицій центрів кластерів.

На t-му ітераційному кроці при відомій матриці обчислюється відповідно до викладеного вище рішенням системи диференціальних рівнянь.

в) корегування значень приналежності .

Враховуючи відомі , вираховуються , якщо , в іншому випадку:

; (2.8)

г) зупинка алгоритму.

Алгоритм нечіткої кластеризації зупиняється при виконанні наступної умови:

, (2.9)

де || || ? матрична норма (Евклідова);

е ? заздалегідь заданий рівень точності.

Алгоритм гірської кластеризації

Алгоритм пікового групування (гірської кластеризації), запропонований Р. Ягером та Д. Фільовим, не вимагає задавання кількості кластерів. Кластеризація гірським алгоритмом не є нечіткою, однак, її часто використовують при синтезі нечітких правил з даних.

Ідея алгоритму полягає в тому, що спочатку визначають точки, які можуть бути центрами кластерів. Далі для кожної такої точки розраховується значення потенціалу, що показує можливість формування кластера в її околиці. Чим щільніше розташовані об'єкти в околиці потенційного центра кластера, тим вище значення його потенціалу. Після цього ітераційно вибираються центри кластерів серед точок з максимальними потенціалами. Алгоритм гірської кластеризації можна записати як послідовність таких кроків:

а) формування потенційних центрів кластерів, число яких Q повинно бути кінцевим. Центрами кластерів можуть бути об'єкти кластеризації - екземпляри вибірки х. Тоді Q = S, де S - кількість екземплярів у вибірці x. Другий спосіб вибору потенційних центрів кластерів полягає в дискретизації простору вхідних ознак. Для цього діапазони зміни вхідних ознак розбивають на кілька інтервалів. Проводячи через точки розбиття прямі, паралельні координатним осям, одержуємо «сітковий» гіперкуб. Вузли цієї сітки і будуть відповідати центрам потенційних кластерів. Позначимо через - кількість значень, що можуть приймати центри кластерів за r-ою координатою, r = 1,2,...N. Тоді кількість можливих кластерів буде дорівнювати:

; (2.10)

б) розрахунок потенціалу центрів кластерів за формулою:

, (2.11)

де - потенційний центр q-го кластера;

? значення j-ої ознаки для q-го кластера;

б ? додатня константа;

? відстань (Евклідова) між потенційним центром кластера та об'єктом кластеризації .

У випадку, коли об'єкти кластеризації задані двома ознаками (N = 2), графічне зображення розподілу потенціалу буде являти собою поверхню, що нагадує гірський рельєф (рис. 2.1). Звідси і назва - гірський алгоритм кластеризації.



Рисунок 2.1 ? Розподіл потенціалу при кластеризації гірським алгоритмом

в) вибір центрами кластерів координати «гірських» вершин. Для цього, центром першого кластера призначають точку з найбільшим потенціалом. Звичайно, найвища вершина оточена декількома досить високими піками. Тому призначення центром наступного кластера точки з максимальним потенціалом серед вершин, що залишилися, призвело б до виділення великого числа близько розташованих центрів кластерів.

Щоб вибрати наступний центр кластера необхідно спочатку виключити вплив щойно знайденого кластера. Для цього значення потенціалу для можливих центрів кластерів, що залишилися, перераховується в такий спосіб: від поточних значень потенціалу віднімають внесок центра щойно знайденого кластера (тому кластеризацію за цим алгоритмом іноді називають субтрактивною). Перерахунок потенціалу відбувається за формулою:

, (2.12)

де ? потенціал на першій ітерації;

? потенціал на другій ітерації;

в ? додатня константа;

? номер першого знайденого центра кластера:

. (2.13)

Номер центра другого кластера визначається за максимальним значенням оновленого потенціалу:

. (2.14)

Потім знову перераховуються значення потенціалів:

. (2.15)

д) якщо максимальне значення потенціалу перевищує деякий поріг, то здійснюється перехід до пункту б), у іншому випадку - зупинка. Алгоритм гірської кластеризації є ефективним, якщо розмірність вхідного вектора не є занадто великою. У іншому випадку (при великій кількості ознак) число потенційних центрів наростає лавиноподібно, і процес розрахунку чергових пікових функцій стає занадто тривалим, а процедура кластеризації - малоефективною.

Алгоритм гірської кластеризації можна використовуватись для синтезу нечіткої бази знань. Нехай ми маємо - центри кластерів, знайдені в результаті гірської кластеризації, кожному з яких зіставлене значення цільової ознаки . Тоді кожному центру кластера ставиться у відповідність правило: якщо , то , де нечіткі терми та характеризуються гаусівськими функціями приналежності:

. (2.16)

Алгоритм поступово зростаючого розбиття IDA

Алгоритм поступово зростаючого розбиття IDA (incremental decomposition algorithm) полягає в наступному. На першій ітерації є одне продукційне правило, що має як область свого впливу (область, у якій значення результуючої функції приналежності передумови нечіткого правила перевищує задану величину) усю множину припустимих вхідних значень (рис. 2.2).

На другій ітерації дане правило розбивається на два двома способами (показані стрілками). Проводиться навчання і вибирається, який зі способів розбиття дає найменшу погрішність (даний перехід відзначений чорною стрілкою). Серед наявних правил вибирається те, для якого складова похибки в загальній похибці є найбільшою (область його впливу заштриховано). Воно і підлягає розбиттю на два правила двома способами (ітерація 3). Описаний процес продовжується до досягнення необхідної точності або поки не буде згенеровано задане число продукційних правил.

Рисунок 2.2 ? Схема роботи методу IDA

Інформація про ДРВп, що надходить від пеленгаторних постів записується до бази даних. Після чого, сукупність даних, що досліджується представляє собою кінцеву множину ДРВп , кожен елемент якої характеризується множиною кількісних та якісних характеристик , наприклад: координати розташування ДРВп, вид зв'язку (КХ, УКХ), інтенсивність роботи (частота виходу в ефір впродовж 12 годин), які у свою чергу після проведення аналізу і кластеризації дадуть змогу оператору відобразити реальну РЕО, на якій чітко буде відображатись кількість підрозділів (бойових батарей в даному випадку) N, відстань між ними , віддаленість від переднього краю , дальність зв'язку . Для ідентифікації складних ОМ необхідно вибрати оптимальний алгоритм кластеризації. В даній роботі пропонується вибрати алгоритм C-means та усунути його основний недолік - необхідність попереднього задання кількості кластерів. Для усунення даного недоліку мною запропоновано частково поєднати алгоритм C - means та алгоритм гірської кластеризації, адже перевагою останнього є те, що він не вимагає задавання кількості кластерів, а сам їх шукає і встановлює для них центри, які можуть бути КП (командним пунктом) в бойовому порядку підрозділу. Ця умова є необхідною для вирішення задачі кваліфікаційної роботи, тому для ідентифікації складних об'єктів моніторингу буде використано саме це поєднання методів. Для застосування цього алгоритму необхідно розрахувати математичну модель та визначити характеристики ДРВп, які підлягають обробці.

2.3 Синтез математичної моделі кластеризації об'єктів за результатами роботи засобів радіомоніторингу

Для заданої множини ДРВп K, що характеризується вхідними векторами і N визначених кластерів передбачається, що будь-яка належить будь-якому з приналежністю в інтервалі [0,1], де j - номер кластера, а k ? номер вхідного вектора.

Для забезпечення однозначності в розрахунках при розробці математичної моделі приймаються до уваги наступні умови нормування для :

; (2.17)

. (2.18)

Для забезпечення найбільшої ймовірності приналежності ДРВп до кластеру необхідно мінімізувати суми всіх зважених відстаней :

, (2.19)

де q ? фіксований параметр, заданий перед ітераціями.

Для досягнення вищезазначеної мети необхідно вирішити наступну систему рівнянь:

(2.20)

де N ? кількість кластерів;

k ? кількість ДРВп;

? ймовірність входження до кластеру .

Сумісно з умовами нормування дана система диференціальних рівнянь має наступний розв'язок:

, (2.21)

де ? зважений центр мас.



(2.22)

Таким чином представлено математичну модель, яка забезпечує процес кластеризації ОМ з заданою приналежністю в умовах невизначеності, за визначеними ознаками з використанням алгоритму C-means, на основі якої створено алгоритм ідентифікації складних ОМ.

2.4 Алгоритм ідентифікації складних об'єктів моніторингу на основі нечітких алгоритмів кластерного аналізу

На даний час розроблена велика кількість програмних пакетів, які забезпечують вирішення задач в різних галузях науки. Найбільш всеохоплюючим різноманітних галузей науки є програмний пакет Matlab.

Для вирішення поставлених задач ідентифікації ОМ доцільно використовувати функції кластеризації програмного пакету Matlab.

В даному програмному пакеті необхідно розробити алгоритм, щоб забезпечити виконання наступних вимог до кластеризації складних ОМ:

- автоматичного визначення кількості кластерів, що розглядаються з заданої множини ДРВ;

- автоматичного визначення приналежності кожного ДРВ до кожного з кластерів;

- зручне для оператора представлення даних для подальшої їх обробки та аналізу;

- визначення кількості засобів зв'язку і типу зв'язку, який вони реалізовують;

- визначення інтенсивності роботи засобу зв'язку, яка є передумовою для надання її статусу основного ДРВп в підрозділі.

На основі розробленої математичної моделі розроблений алгоритм, що реалізує вимоги для виконання поставленого завдання в програмному середовищі MatLab. В додатку А представлена блок - схема алгоритму кластеризації, що забезпечує вирішення поставлених задач.

Алгоритм побудований на основі функціональних блоків. Робота функціонального блоку розрахована по певних функціях, які мають вхідні аргументи. Аргументом функції може виступати як сукупність ДРВп з їхніми параметрами, що підлягають кластеризації, так і окремі характеристики, що визначають роботу даного алгоритму.

В даному алгоритмі показано процес кластеризації ОМ з використанням двох функцій кластеризації subclust та fcm, які входять до програмного пакету Matlab.

Після того, як головна функція отримала вхідні дані про ОМ, (додаток А, блок 1), вона викликає функцію subclust, або метод субтрактивної нечіткої кластеризації (додаток А, блок 3), який забезпечує визначення кількості кластерів.

Ідея методу субтрактивної кластеризації полягає в тому, що кожна точка даних передбачається як центр потенційного кластера, після чого обчислюється деяка міра здатності кожної точки даних представляти центр кластера. Ця кількісна міра заснована на оцінці щільності точок даних довкола відповідного центру кластера.

Даний алгоритм заснований на виконанні наступних дій:

а) вибір точки даних з максимальним потенціалом для представлення центру першого кластера.

б) видалення всіх точки даних в околиці центру першого кластера, величина якої задається параметром radii, щоб визначити наступний нечіткий кластер і координати його центру. Тобто цей параметр дозволяє вибрати максимальний радіус кластера, в даному випадку на вибір тактичного нормативу бойового порядку.

Ці дві процедури повторюються до тих пір, поки всі точки даних не виявляться всередині околиць радіусу radii шуканих центрів кластерів.

Функція командного рядка subclust знаходить центри кластерів методом субтрактивної кластеризації. Вона використовується в наступному форматі:

[C, S] = subclust (X, radii, xBounds, options)

Розглянемо вхідні аргументи:

Матриця X містить дані кластеризації щодо ДРВп, а також їх характеристики. Перші дві колонки матриці X відповідають координатам окремих точок даних, решта колонок це якісні показники ДРВп..

Параметр radii є вектором, компоненти якого набувають значень з інтервалу [0, 1] і задають діапазон розрахунку центрів кластерів по кожній з ознак вимірів, тобто ним задаються дані щодо радіусу ОМ. При цьому робиться припущення, що всі дані містяться в деякому одиничному гіперкубі. Можливо задавати радіус для кожної характеристики ДРВп окремо. У загальному випадку малі значення параметра radii призводять до пошуку великої кількості малих бойових формувань (взвод, рота).

Аргумент xBounds є матрицею розмірності (2*q), яка визначає спосіб відображення матриці даних X в деякому одиничному гіперкубі. Тут q - кількість ознак, що розглядаються в множині даних. Цей аргумент є необов'язковим, якщо матриця X вже нормалізована. Перший рядок матриці xBounds містить мінімальні значення інтервалу виміру кожної з ознак, а другий рядок - максимальні значення виміру кожної з ознак. Приклад задання аргументу “xBounds=[-10_-5; 10_5]”. При проведенні кластеризації перша характеристика знаходитиметься в межах [-10 +10], а друга [-5 +5].

Для зміни заданих за умовчанням параметрів алгоритму кластеризації може бути використаний додатковий вектор options. Компоненти цього вектора можуть набувати наступних значень:

- options (1) = quashFactor - параметр, використовуваний як коефіцієнт для множення значень radii, які визначають околицю центру кластера. Це здійснюється з метою зменшення впливу потенціалу граничних точок, що розглядаються як частина нечіткого кластера;

- options (2) = acceptRatio - параметр, що встановлює потенціал як частину потенціалу центру першого кластера, вище за який інша точка даних може розглядатися як центр іншого кластера;

- options (3) = rejectRatio -- параметр, що встановлює потенціал як частину потенціалу центру першого кластера, нижче за який інша точка даних не може розглядатися як центр іншого кластера;

- options(4) = verbose - якщо значення цього параметра не дорівнює нулю, то на екран монітора виводиться інформація про виконання процесу кластеризації.

Вихідними значеннями функції будуть змінні [C, S]:

а) Функція subclust повертає матрицю С значень координат центрів нечітких кластерів. При цьому кожен рядок цієї матриці містить координати одного центру кластера.

б) Ця функція також повертає вектор S, компоненти якого представляють значення s, які визначають діапазон впливу центру кластера по кожній з ознак, що розглядаються. При цьому всі центри кластерів володіють однаковою множиною значень s, які призначені для визначення правильності розбиття кластерів.

Отримані значення центрів кластерів з параметру “C” передаються у функцію fcm. Синтаксис функції fcm має наступний вигляд:

[center, U, obj_fcn] = fcm(data, cluster_n, options)

Вхіднимн аргументами цієї функції є:

- data: матриця початкових даних ДРВп X кластеризації, s-рядок якої представляє інформацію про один об'єкт нечіткої кластеризації у формі вектора xs = (xs1, xs2, ..., xsN), xsj - кількісне значення ознаки для об'єкта даних ДРВп, s=1, 2,..., S - кількість екземплярів кластеризації, N - кількість параметрів (ознак), що описують один екземпляр (або кластер);

- cluster_n: кількість шуканих нечітких кластерів (більше одиниці).

Вихідними аргументами цієї функції [center, U, obj_fcn] є :

- center: матриця центрів шуканих нечітких кластерів ДРВп, кожен рядок якої представляє собою координати центру одного з нечітких кластерів у формі вектора;

- U: матриця значень функцій приналежності шуканого нечіткого розбиття, або матриця ймовірностей;

- obj_fcn: значення цільової функції на кожній з ітерацій роботи алгоритму FCM.

Функція fcm (data, cluster_n, options) може бути викликана з додатковими аргументами options, які призначені для управління процесом нечіткої кластеризації, а також для зміни критерію зупинки роботи алгоритму і відображення інформації на екрані монітора.

Ці додаткові аргументи мають наступні значення:

- options (1) : експоненціальна вага m для розрахунку матриці нечіткого розбиття U (за умовчанням це значення дорівнює т=2);

- options (2): максимальне число ітерацій k (за умовчанням це значення дорівнює k=100);

- options (3): мінімально допустиме значення покращення цільової функції за одну ітерацію алгоритму (за замовчанням це значення дорівнює e=0.00001);

- options (4): інформація про поточну ітерацію, що відображується на екрані монітора (за умовчанням це значення дорівнює 1).

Якщо будь-яке із значень додаткових аргументів дорівнює NAN (не число), то для цього аргументу використовується значення за умовчанням. Функція fcm закінчує свою роботу, коли алгоритм FCM виконає максимальну кількість ітерацій , або коли різниця між значеннями цільових функцій на двох послідовних ітераціях буде менше заданого апріорі значення параметра збіжності алгоритму e.

Функція fcm реалізована у вигляді m-файла і використовує, у свою чергу, три інші функції:

- функцію initfcm для формування матриці вихідного розбиття деяким випадковим чином;

- функцію distfcm розрахунку матриці відстаней між точками даних і центрами кластерів;

- функцію stepfcm для розрахунку значень цільової функції і функцій приналежності об'єктів нечітким кластерам на кожній ітерації роботи алгоритму FCM. Всі ці функції також реалізовані у вигляді m-файлів.

Представлений алгоритм ідентифікації забезпечує проведення кластеризації ОМ. Також існує можливість задання параметрів кластеризації. Проте використання лише одного алгоритму для ідентифікації ОМ не може в достатній мірі забезпечувати розв'язання всього спектра задач ідентифікації ОМ. Таким чином, для успішного проведення ідентифікації необхідно використовувати різні алгоритми аналізу даних.

Висновок до другого розділу

В даному розділі було розглянуто всі існуючі методи кластеризації, серед яких було обрано найбільш доцільний алгоритм для виконання задачі ідентифікації ОМ. Таким алгоритмом є поєднання алгоритму С-means. та алгоритму гірської кластеризації Для застосування цього алгоритму було розраховано математичну модель, де запропоновано використання формули Евклідової відстані, що найбільш підходить для розрахунку по координатах.



3. АПРОБАЦІЯ АЛГОРИТМУ ІДЕНТИФІКАЦІЇРІЗНИХ ТИПІВ СКЛАДНИХ ОБ'ЄКТІВ НА ОСНОВІ НЕЧІТКИХ АЛГОРИТМІВ КЛАСТЕРНОГО АНАЛІЗУ

Проведення апробації є необхідним для перевірки в реальних умовах, на практиці, теоретично розроблених математичних моделей та алгоритмів. Апробація дозволяє на практиці оцінити можливості створених моделей та знайти їхні недоліки для різних вихідних даних та умов застосування. Математична модель алгоритму реалізована на основі математичного моделювання у середовищі MatLab.

Розглянемо вирішення задачі ідентифікації ОМ для множини вхідних даних, що є матрицею даних ДРВп X розмірністю (28x4) (таблиця 3.1), яка міститься у файлі point 6 (База даних 21:00 25.12.2012).

Рисунок 3.1 ? Вибір бази даних



Таблиця 3.1

Вхідні дані для розрахунків

Координати по х	Координати по y	Робоча частота	Інтенсивність виходу в ефір
43	39	19	12
44	40	13	15
44	41	49	45
43,5	45	768	536
44	67	423	445
41	68	436	421
42	70	752	523
44	72	12	19
69	31	56	72
68,5	34	23	17
71	32	643	336
70	35	679	698
70	75	15	63
71	76	14	54
72	78	876	563
68	80	55	47
88	39	25	36
89	40	32	45
90	41	12	21
91	45	36	54
91	67	74	78
89	68	67	89
89	70	44	51
90	72	15	30
68	52	15	42
69	55	46	16
56	59	79	95
58	63	20	17

Побудуємо на графіку точки з координатами, які містяться у перших двох колонках масиву. На рис. 3.2 представлений варіант розміщення ДРВп.



Рисунок 3.2 ? Варіант розміщення ДРВп

З врахуванням всіх особливостей, деякі параметри для проведення розрахунків були встановлені загальним чином:

- аргумент squashFactor = 1.25 вказує на те, що необхідно визначити кластери, недалеко розташовані один від одного.

- аргумент acceptRatio=0.5 вказує на те, що для пошуку центрів кластерів дуже високий потенціал не є необхідним.

- аргумент rejectRatio=0.15 не виключає з розгляду точки даних, що не володіють високим потенціалом.

- аргумент verbose = 1 дозволяє виведення інформації про виконання процесу кластеризації на екран монітора.

Наступним кроком був підбір тактичного нормативу для ідентифікації ОМ. Він обирається довільним чином, відповідно до того який підрозділ ми хочемо ідентифікувати. На рис. 3. 3 показано як обирається тактичний норматив на прикладі ОМ ? батальйон або дивізіон.

Рисунок 3.3 ? Вибір тактичного нормативу

Потім була здійснена кластеризація, в результаті виконання якої були отримані наступні якісні показники (рис. 3.4).

Рисунок 3.4 ? Результат вирішення задачі нечіткої субтрактивної кластеризації в системі MatLab

З рис. 3.4 видно, що в результаті проведення кластеризації по дальності зв'язку ми виявили один батальйон (дивізіон) з центром з координатами (70,55), який позначений трикутником, повернутим в праву сторону. Межею цього підрозділу є коло, яке намальоване навколо нього. Цифри, колір, та умовне позначення на кожного ДРВп мають інформативний характер. Цифри означають номер підрозділу, до якого належить ДРВп, колір - інтенсивність виходу в ефір, а умовне позначення - вид зв'язку, який забезпечує кожне ДРВп.

Для ідентифікації групового ОМ проведеться більш детальна кластеризація і вибереться в пошуку тактичних нормативів роту (батарею) для ідентифікації їх в отриманому батальйоні (дивізіоні).

Рисунок 3.5 ? Вибір тактичного нормативу (батарея)



Рисунок 3.6 ? Результат ідентифікації рот (батарей) як ОМ

Як можна відмітити, для вказаних значень аргументів функція субтрактивної кластеризації, що розглядається, знаходить вісім нечітких кластерів і відображає координати їх центрів в вікні системи MatLab. Із ідентифікованих восьми кластерів 6 являються бойовими батереями, а 2 інші шта і штабна батерея відповідно.

Як видно з рис 3.6, дальність від переднього краю складає більше, ніж 40 км, що дозволяє нам остаточно сказати про завершення ідентифікації ОМ.

Висновок до третього розділу

Таким чином, дана програма на основі системи MatLab дозволяє вирішувати завдання нечіткої кластеризації з параметрами, які нас задовольняють.

Результати нечіткої кластеризації мають наближений характер і можуть служити лише для попередньої структуризації інформації, що міститься в множині вихідних даних. Вирішуючи завдання нечіткої кластеризації, потрібно пам'ятати про особливості і обмеження процесу виміру ознак у сукупності об'єктів кластеризації. Оскільки нечіткі кластери формуються на основі метрики Евкліда, відповідний простір ознак повинен задовольняти аксіомам метричного простору. В той же час для пошуку закономірностей в проблемній області, що мають неметричний характер, необхідно використовувати спеціальні засоби та інструменти, розроблені для інтелектуального аналізу даних (Data Mining).



4. ОХОРОНА ПРАЦІ

Охорона праці - це система правових, соціально - економічних, організаційно - технічних, санітарно - гігієнічних і лікувально - профілактичних заходів та засобів, спрямованих на збереження життя, здоров'я і працездатності людини у процесі трудової діяльності.

Законодавчими актами, що визначають основні положення з охорони праці, є загальні закони України, а також спеціальні законодавчі акти, які приймаються або затверджуються іншими державними органами і Кабінетом Міністрів України, Міністерством охорони здоров'я України та іншими відомствами.

Загальними законами України, що визначають основні положення з охорони праці, є Конституція України, Кодекс законів про працю України та Закон України " Про охорону праці".

Спеціальними законодавчими актами є міжгалузеві та галузеві нормативні акти про охорону праці.

Державна політика в галузі охорони праці базується на принципах:

- пріоритету життя і здоров'я працівників;

- підвищення рівня промислової безпеки шляхом суцільного технічного контролю;

- комплексного розв'язання завдань охорони праці на основі загальнодержавної програми з цього питання;

- соціального захисту працівників, повного відшкодування шкоди особи, які потерпіли від нещасних випадків;

- встановлення єдиних вимог з охорони праці для всіх підприємств;

- використання економічних методів управління охороною праці;

- забезпечення координації діяльності органів державної влади в галузі охорони праці;

- використання світового досвіду організації роботи щодо підвищення безпеки праці.

4.1 Аналіз умов праці на робочому місці

Аналіз умов праці на робочому місці характеризується такими параметрами як мікроклімат та вентиляція приміщення, освітленість, можливість враження електричним струмом, стан пожежної безпеки.

Мікроклімат приміщення та робочих місць має значний вплив на самопочуття людини, її здоров'я та працездатність. Підвищена або понижена температура повітря, надмірна його вологість або сухість, значна швидкість руху повітря або його застій призводить до погіршення умов праці, знижують її продуктивність, збільшують захворюваність. Для виключення вказаних несприятливих наслідків розроблені санітарно-гігієнічні вимоги до параметрів мікроклімату. Ці вимоги викладені у ГОСТ 12.1.005-76 ?Повітря робочої зони. Загальні вимоги?. Оптимальні значення параметрів мікроклімату наведені у табл. 4.1

Таблиця 4.1

Оптимальні значення параметрів мікроклімату

Сезон року	Категорії робіт	Температура, С°	Відносна вологість, %	Швидкість руху повітря, м/с
Холодний та перехідний	Легка - I Сер. Важкості - II а Сер. Важкості - II б Важка - III	20 - 23 10 - 20 17 - 19 16 - 18	60 - 40 60 - 40 60 - 40 60 - 40	0,2 0,2 0,3 0,3
Теплий	Легка - I Сер. Важкості - II а Сер. Важкості - II б Важка - III	22 - 25 21 - 23 20 - 22 10 - 21	60 - 40 60 - 40 60 - 40 60 - 40	0,2 0,3 0,4 0,5

Оптимальні параметри мікроклімату визначаються тільки за період року та за ступенем важкості роботи, яка виконується.

Теплий період року характеризується середньодобовою температурою 10⁰ С і вище, а холодний - нижче 10⁰ С.

Робота з ПЕОМ відносяться до категорії робіт як легка, тобто роботи, які виконуються сидячи, стоячи або пов'язані з ходьбою, але не вимагають систематичного фізичного напруження та перенесення вантажів, енергозатрати - 150 ккал/г. Параметри для даної категорії робіт наведені в табл. 4.1.

Важливою умовою підтримання праці особового складу на високому рівні є забезпечення приміщення належною вентиляцією, яка призначена для видалення з приміщення надмірної теплоти, пилу, вологи, шкідливих газів. Вентиляція може бути природною та механічно. Механічна вентиляція забезпечується осьовими або відцентровими вентиляторами. Природна вентиляція, у свою чергу, може бути організованою, тобто обмін повітря проводиться через вікна та світлові ліхтарі та неорганізованою, тобто повітрообмін проводиться через нещільності у конструкції будівель та матеріалів.

У приміщенні для роботи організована природна припливно-витяжною вентиляцією. Така організація вентиляції приміщення здатна забезпечувати вимоги, які висуваються до приміщення.

Освітлення приміщення здійснюється як природним так і штучним освітленням. Причому природне освітлення здійснюється через вікно у зовнішніх стінах. В даному випадку природна освітленість залежить також і від світлих тонів фарб, якими пофарбовані стіни та столи.

Якість освітлення залежить також від рівномірності освітлення, яке визначається за виразом:

(4.1)

де - мінімальне значення показання люксметра;

- максимальне значення показання люксметра.

Проведене дослідження показало, що коефіцієнт нерівномірності складає 0,45. Тоді як мінімальне значення для того, щоб задовольняти гігієнічні вимоги має складати не менше 0,3.

Штучне освітлення реалізовується за допомогою ламп денного освітлення (газорозрядні лампи), які сумісно використовуються з освітлюваною арматурою. Дані лампи мають світлові характеристики, які найбільш повно відповідають гігієнічним вимогам.

Електрична безпека приміщень є важливим заходом захисту особового складу від враження електричним струмом. В зв'язку з цим в приміщенні організовано контурне заземлення та щит швидкого зняття напруги. Для кожного робочого місця передбачено гумовий килимок.

Дане приміщення належить до категорії з підвищеною небезпекою, оскільки має можливість одночасного дотику особового складу до металевих частин ПЕОМ та металоконструкцій будівлі, які з'єднані із землею.

Важливе значення для безпеки життя, здоров'я та матеріальних цінностей під час виконання лабораторної роботи є забезпечення пожежної безпеки в приміщенні. Враховуючи це, в приміщенні передбачено ряд протипожежних заходів. Як засіб сигналізації використовується сигналізаційна димова пожежна установка СДПУ-1, яка призначена для виявлення диму, для автоматичної сигналізації про пожежу. Вона розрахована на включення 10 променів, із паралельними підключенням на кожен промінь 10 пожежних комбінованих випромінювачів або димових датчиків.