УСТРОЙСТВО ВЫЧИСЛЕНИЯ СТЕПЕНИ ДОВЕРИЯ К СРЕДСТВУ РАЗВЕДКИ Российский патент 2024 года по МПК G06N3/08 G06F17/10 

Изобретение относится к вооружению и военной технике, а именно к устройствам обработки разведывательной информации, основанным на специфических математических моделях.

Известны устройства, основанные на математических моделях, используемые в отношении информационной безопасности.

Известна система автоматизированного анализа фактов (см. [1] патент Российской Федерации на изобретение № 2656583 «Система автоматизированного анализа фактов», МПК G06F 15/00, опубл. 05.06.2018), представляющая собой технологию информационной безопасности, которая позволяет отслеживать активность сотрудников компании в социальных сетях, форумах, блогах вне периметра безопасности компании и анализировать полученные данные для предотвращения потенциальных угроз. Цель достигается созданием системы автоматизированного анализа фактов, обеспечивающей проверку и анализ поведенческих рисков пользователей социальных медиа, обладающей гибкой настройкой критериев мониторинга и повышенной эффективностью обнаружения угроз, исходящих от действий сотрудников в социальных медиа. Уровни угрозы имеют следующие категории: информативный уровень, уровень предупреждения или критический уровень.

Известен способ, описывающий оценку достоверности сообщаемой информации на основе структурированного интервью (см. [2] патент Российской Федерации на изобретение № 2438558 «Способ оценки достоверности сообщаемой информации на основе анализа динамики параметров невербального и вербального компонентов экспрессивной речи», МПК А61В 5/00 15/00, опубл. 10.01.2012), характеризующийся тем, что регистрируют параметры вербального и невербального компонентов экспрессивной речи при ответах на блоки вопросов. Изучается динамика выделенных параметров с определением наиболее информативных, сгруппированных на основе факторного анализа, выявляются характерные для исследуемого субъекта тенденции изменений по каждому параметру и/или группе параметров вербального и невербального компонентов экспрессивной речи, по которым делают вывод о ложности/истинности сообщаемой информации путем сравнения количественных параметров реакции на вопросы проверочного блока с количественными параметрами реакций на вопросы нейтрального и/или контрольного блоков вопросов.

Известен способ, описывающий повышение надежности оценки благонадежности индивида - потребителя финансовых услуг за счет построения психологического и социального портрета индивида (см. [3] патент Российской Федерации на изобретение № 2473967 «Система оценки благонадежности индивида-потребителя финансовых услуг», МПК G06Q 90/00, опубл. 20.10.2012). Система оценки благонадежности содержит совокупность взаимодействующих между собой средств ввода данных, анализа введенных данных, сбора информации в социальных сетях, сбора данных о сетевых взаимодействиях, опроса контрагентов индивида по социальным сетям, вычисления численно выражаемой и нормированной оценки благонадежности потребителя финансовых услуг. Система также включает в себя базу данных индивидов, компонент психологического и социального тестирования индивида - предполагаемого потребителя финансовых услуг в форме вопрос-ответ; компонент анализа социального окружения. А также компонент формирования профиля психологических и социальных качеств индивида, выполненный с возможностью получения информации с выходов компонента анализа введенных данных, компонента сбора данных о сетевых взаимодействиях, компонента анализа социального окружения, компонента анализа сетевых взаимодействий между индивидами, компонента опроса контрагентов индивида по социальным сетям и компонента психологического и социального тестирования.

Патент Российской Федерации по контролю качества работы оператора промышленного транспортного средства (см. [4] патент Российской Федерации на изобретение № 2643459 «Контроль качества работы оператора промышленного транспортного средства», МПК G06Q 10/06, опубл. 08.02.2017) описывает способ объединения показателей выполнения работы оператора промышленного транспортного средства. Техническим результатом является создание средств, обеспечивающих сбор информации о трудовых ресурсах и оценку качества их работы. Для этого общее качество рабочей силы анализируется, количественно оценивается и представляется с использованием вычислительного блока системы анализа, которая выполняет анализ данных предприятия. Система анализа представляет ключевую информацию о выполнении работы рабочей силы с помощью ряда аппаратных устройств для информирования различных пользователей. Система анализа связывает настраиваемый профиль выполнения работы с множеством показателей выполнения работы. Каждый показатель выполнения работы представляет систему измерения выполнения работы, которая определяет аспект рабочих обязанностей, выполняемых связанной с ними рабочей единицей. Количественные оценки объединяются в общую количественную оценку профиля выполнения работы. Для вычисления количественных оценок рассматриваются данные по множеству рабочих зон путем сбора и анализа данных от различных систем.

В области вооружения и военной техники существуют методические подходы по оцениванию степени доверия к средствам разведки, позволяющие получить статические оценки доверия, не учитывающие динамически изменяющиеся условия ведения разведки.

Вышеперечисленные математические методы не могут быть использованы для проведения оценки степени доверия к источникам информации в режиме реального времени.

Техническим результатом заявленного изобретения является создание устройства вычисления степени доверия к средствам разведки в режиме реального времени при изменяющихся погодных и оперативно-тактических условиях. Изобретение позволяет обрабатывать совокупность необходимых для оценки степени доверия факторов, последовательно определяя важность каждого фактора в данных гидрометеорологических и оперативно-тактических условиях и вычислять на их основе степень доверия к средствам разведки при уточнении класса обнаруженного объекта войск противника (ОБВП).

Среди факторов, влияющих на степень доверия к средству разведки, обнаружившем ОБВП, наиболее значимыми являются физико-географические и гидрометеорологические факторы, факторы оперативно-тактической обстановки, а также факторы противодействия противника техническим средствам разведки.

Примерный перечень факторов и их значений, используемых для работы по динамическому оцениванию степени доверия к средству разведки, обнаружившему ОБВП, представлен в Таблице 1.

Задача вычисления степени доверия к средству разведки является задачей линейной регрессии с полиномиальными коэффициентами, оценивающей входной вектор параметров условий ведения разведки (например, 18 чисел согласно Табл. 1) и дающей на выходе вектор с оценками степеней доверия к конкретному средству разведки по отношению к распознаванию конкретного класса ОБВП, и решается с применением технологии нейросетевого моделирования при наличии обученной по методу «обучение с учителем» искусственной нейронной сети (ИНС).

«Обучение с учителем» ИНС предполагает, что для каждого входного вектора переменных (см. Табл. 1) известен целевой выход. ИНС обучают, а затем тестируют на заданном числе примеров размеченных данных. Каждый из примеров представляет собой находящийся в однозначном соответствии набор (вектор) значений входных переменных ИНС и соответствующие ему значения выходных переменных ИНС.

Обучение ИНС происходит на автоматизированном рабочем месте (АРМ), не связанном с устройством вычисления степени доверия к средству разведки. Результаты вычислений, полученных на АРМ в виде коэффициентов, записывают в устройство вычисления степени доверия до начала его работы.

Устройство вычисления степени доверия к средству разведки состоит из блока обработки входных параметров, блока обработки физико-географических и гидрометеорологических данных, блока обработки данных оперативно-тактической обстановки, блока обработки данных о противодействии противника, вычислительного блока, блока настройки ИНС, блока формирования выходного сигнала и блока хранения результатов.

Входные параметры в виде вектора из лингвистических переменных (см. Табл. 1), характеризующих физико-географические, гидрометеорологические факторы, факторы оперативно-тактической обстановки и противодействия противника техническим средствам разведки, описывающих текущую обстановку, с внешнего устройства поступают на вход блока обработки входных параметров. В блоке обработки входных параметров производится разделение переменных на физико-географические и гидрометеорологические факторы, факторы оперативно-тактической обстановки и факторы противодействия противника средствам разведки, которые передаются соответственно на блок обработки физико-географических и гидрометеорологических данных, блок обработки данных оперативно-тактической обстановки и блок обработки данных о противодействии противника, где и производится предобработка факторов путем перевода лингвистических переменных в бинарное представление (0 и 1), а для категориальных переменных производится факторизация, заключающаяся в следующем: каждому терму фактора присваивается численное значение, после чего ему ставится в соответствие бинарный вектор, состоящий из нулей кроме позиции, соответствующей искомому числу (например, при наличии 3 термов им ставятся в соответствие числа 1, 2 и 3, а уже числам - вектора (0,0,1), (0,1,0) и (1,0,0)). Информация с блока обработки физико-географических и гидрометеорологических данных, блока обработки данных оперативно-тактической обстановки и блока обработки данных о противодействии противника передается на вычислительный блок, который осуществляет расчёт степени доверия к средству разведки с учетом коэффициентов блока настройки ИНС, полученных при обучении ИНС на АРМ, не связанном с устройством вычисления степени доверия к средству разведки, и записанных в блок настройки ИНС. Расчеты вычислительного блока передаются на блок формирования выходного сигнала, где осуществляется интерпретация результата расчета, перевод его в формат хранения и обработки, а также передача ответа задачи по вычислению степени доверия к средствам разведки в блок хранения результатов и на внешний исполнительный орган для принятия тактических решений.

Схема устройства вычисления степени доверия к средству разведки приведена на фигуре 1, где:

1 - Блок обработки входных параметров (Бл.Вх.);

2 - Блок обработки физико-географических и гидрометеорологических данных (Бл.ФГД);

3 - Блок обработки данных оперативно-тактической обстановки (Бл.ОТО);

4 - Блок обработки данных о противодействии противника (Бл.ПП);

5 - Вычислительный блок (Выч.Бл.);

6 - Блок настройки ИНС (Бл.ИНС);

7 - Блок формирования выходного сигнала (Бл.Вых.);

8 - Блок хранения результатов (Бл.Хр.).

Описание структуры и связей устройства

Вход блока обработки входных параметров (1) устройства вычисления степени доверия к средству разведки подключен к внешнему устройству, откуда подаются входные параметры в виде вектора из лингвистических переменных (см. Таб. 1). В блоке обработки входных параметров (1) производится разделение переменных на физико-географические и гидрометеорологические факторы, факторы оперативно-тактической обстановки и факторы противодействия противника средствам разведки, которые передаются на входы блока обработки физико-географических и гидрометеорологических данных (2), блока обработки данных оперативно-тактической обстановки (3) и блока обработки данных о противодействии противника (4) соответственно. Выходы блока обработки физико-географических и гидрометеорологических данных (2), блока обработки данных оперативно-тактической обстановки (3) и блока обработки данных о противодействии противника (4), а также выход блока настройки ИНС соединены со входом вычислительного блока (5), осуществляющего расчёт степени доверия к средству разведки, выход которого соединяется со входом блока формирования выходного сигнала (7), который выдаёт ответ задачи по расчёту степени доверия к средству разведки на вход блока хранения результатов (8), а также на внешний исполнительный орган.

Принцип обучения ИНС устройства вычисления степени доверия к средству разведки

На АРМ, не связанном с устройством вычисления степени доверия к средству разведки, заранее производится формирование ИНС путем полиномизации до 2-ой степени вектора переменных. Формируется тренировочная выборка, представляющая собой вектор вида (х[1],…х[n],х[1]*х[2],…х[1]*х[n], … x[i]*x[j],…x[1]^2,…x[n]^2), содержащий все возможные комбинации компонент вектора, включая слагаемые 1 и 2-ой степени, а также перекрёстные слагаемые (x[i]*x[j]).

Далее подбираются весовые коэффициенты ИНС с полиномиальными коэффициентами, минимизирующие функционал ошибки:

где k=(1,..7) - тип средства разведки, j=(1,..10) - класс ОБВП.

- функция ошибки, соответствующая k-ому (k = (1,..7)) средству разведки,

по отношению к распознаванию класса j (j=(1,..10));

- степень доверия, рассчитанная в соответствии с методиками [5, 6];

- текущий ответ модели;

m - количество обучающих примеров.

ИНС с учётом слагаемых 2-ой степени была выбрана, с одной стороны, исходя из максимальной точности алгоритма, достигаемой на тренировочной выборке, а, с другой стороны, исходя из наглядности и простоты реализации алгоритма линейной регрессии.

Процесс обучения ИНС заключается в последовательной подаче на вход векторов из тренировочной выборки, в расчёте функционала ошибки и процессе подстройки коэффициентов W_kj[i] для каждого слагаемого (i=(1..N), k=(1,..7), j=(1,..10)), где N - общее количество полиномиальных слагаемых линейной регрессии.

Обновление коэффициентов прекращается, когда точность предсказания становится больше 95%. Для этого используется критерий ранней остановки обучения, позволяющий не производить большое количество итераций (заранее неизвестное перед началом обучения), ограничиваясь тестовой выборкой векторов.

Алгоритм считается сошедшимся при достижении 95% точности на тестовой выборке входных примеров. Размер тестовой выборки составляет 25% от размера тренировочной выборки.

Для каждого вектора входных параметров формируют полиномиальный вектор из 192 чисел, которому ставится в соответствие весовые коэффициенты W[i], i=1..192 для оценки каждого из (K*J)=70 чисел, соответствующих оцениваемым степеням доверия к средствам разведки.

Полученные коэффициенты записываются в устройство вычисления степени доверия к средству разведки (в блок настройки ИНС (6)) до начала его работы.

Принцип работы устройства вычисления степени доверия к средству разведки

Для обработки входных параметров в виде вектора из лингвистических переменных (см. Таб. 1), характеризующих физико-географические и гидрометеорологические факторы, факторы оперативно-тактической обстановки и противодействия противника техническим средствам разведки, описывающих текущую обстановку, в блоке обработки входных параметров (1) проводится формализация и передача значений факторов на входы блока обработки физико-географических и гидрометеорологических данных (2), блока обработки данных оперативно-тактической обстановки (3) и блока обработки данных о противодействии противника (4) соответственно для перевода лингвистических переменных в бинарное представление (0 и 1), а для категориальных переменных производится факторизация, заключающаяся в следующем: каждому терму фактора присваивается численное значение, после чего ему ставится в соответствие бинарный вектор, состоящий из нулей кроме позиции, соответствующей искомому числу (например, при наличии 3 термов им ставится в соответствие числа 1, 2 и 3, а уже числам - вектора (0,0,1), (0,1,0) и (1,0,0)). Полученные данные поступают на вход вычислительного блока (5), реализующего алгоритм ИНС с учетом весовых коэффициентов блока настройки ИНС (6), где и происходит расчет степени доверия для всех средств разведки в данных условиях по следующей формуле:

где k=(1,..7) - тип средства разведки, j=(1,..10) - класс объекта противника.

Результаты расчета подаются на блок формирования выходного сигнала (7), где осуществляется интерпретация результата расчета, перевод его в формат хранения и обработки, а также передача ответа задачи по вычислению степени доверия к средствам разведки в блок хранения результатов (8) и на внешний исполнительный орган для обработки оператором и принятия решения о дальнейших действиях, исходя из полученного ответа.

Результаты, полученные в отношении скорости вычисления и производительности устройства вычисления степени доверия к средству разведки, подтверждают обоснованность предпринятого подхода и действенность применения методов машинного обучения в системах автоматизированной обработки оперативной информации, а также архитектуры устройства, описанной выше. Причем архитектура устройства может быть реализована в виде запоминающего устройства с использованием комплементарной структуры металл-оксид-полупроводник (КМОП) - цифровых схем, которая имеет преимущество легкого проектирования и построения. Они основываются на существующих логических элементах и в полной мере отражают достижения в области цифровых схем за последние десятилетия [7]. Весовые коэффициенты W_kj[i], соответствующие каждому элементу вектора значений входных переменных ИНС, могут быть реализованы с использованием ячеек цифровой памяти. Эффективная реализация весовых коэффициентов ИНС исключительно важна для сохранения точности и предсказательной силы алгоритма. Суммирование состояний нейронов может быть легко реализовано с помощью множителей и сумматоров.

Заявленное устройство может быть применено при совершенствовании системы комплексной обработки разведывательной информации.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Патент Российской Федерации № 2656583 G06F 15/00; G06Q 50/01 В.В. Ермаков. Система автоматизированного анализа фактов.

2. Патент Российской Федерации № 2438558 А61В 5/00 Л.Н. Иванов. Способ оценки достоверности сообщаемой информации на основе анализа динамики параметров невербального и вербального компонентов экспрессивной речи.

3. Патент Российской Федерации № 2473967 G06Q 90/00 G06F 17/40 М.Е. Трухин. Система оценки благонадежности индивида - потребителя финансовых услуг.

4. Патент Российской Федерации № 2643459 G06Q 10/06 С.Ш. ДЕ ОЛИВЕЙРА. Контроль качества работы оператора промышленного транспортного средства.

5. Теоретические основы планирования артиллерийской разведки. И.Н. Фомин, - СПб: Военный артиллерийский университет, 2000 г. - 96 с.

6. Основы математического моделирования процессов функционирования сил и средств артиллерийской разведки. А.С. Воробьев, - СПб: Михайловская артиллерийская академия, 1997 г. - 39 с.

7. С. Юнг и С.С. Ким. Аппаратная реализация в режиме реального времени нейронные сетевой контроллер с ЦСП и ПЛИС для нелинейных систем "Промышленная электроника, IEEE Transactions, том. 54" стр. 265-271, 2007.

Настоящее техническое решение относится к области вычислительной техники. Технический результат заключается в вычислении степени доверия к средствам разведки в режиме реального времени при изменяющихся погодных и оперативно-тактических условиях. Технический результат достигается за счёт устройства вычисления степени доверия к средствам разведки в режиме реального времени при изменяющихся погодных и оперативно-тактических условиях, которое содержит блок обработки входных параметров, разделяющий и передающий значения входных параметров на блоки обработки физико-географических и гидрометеорологических данных, обработки данных оперативно-тактической обстановки и обработки данных о противодействии противника, вычислительный блок, осуществляющий расчет степени доверия к средству разведки с учетом коэффициентов блока настройки искусственной нейронной сети, блок формирования выходного сигнала, который переводит результаты расчета в формат хранения и обработки, и блок хранения результатов. 3 з.п. ф-лы, 1 ил., 1 табл.

1. Устройство вычисления степени доверия к средству разведки, содержащее блок обработки входных параметров, блок обработки физико-географических и гидрометеорологических данных, блок обработки данных оперативно-тактической обстановки, блок обработки данных о противодействии противника, вычислительный блок, блок настройки искусственной нейронной сети, блок формирования выходного сигнала и блок хранения результатов, причем блок обработки входных параметров, на вход которого с внешнего устройства подается вектор переменных, представляющих собой значения физико-географических и гидрометеорологических факторов, факторов оперативно-тактической обстановки и противодействия противника техническим средствам разведки, которые характеризуют текущую обстановку, производит разделение и передачу соответствующих переменных на входы блока обработки физико-географических и гидрометеорологических данных, блока обработки данных оперативно-тактической обстановки и блока обработки данных о противодействии противника, в которых производится предобработка значений факторов путем перевода в бинарное или факторизованное представление и на выходах которых полученные численные переменные объединяются и поступают на вход вычислительного блока, осуществляющего расчет степени доверия к средству разведки с учетом коэффициентов блока настройки искусственной нейронной сети, полученных и записанных в блок настройки при обучении искусственной нейронной сети по методу «обучение с учителем» на автоматизированном рабочем месте, не связанном с устройством вычисления степени доверия к средству разведки, а с выхода вычислительного устройства результат расчета поступает на вход блока формирования выходного сигнала, где осуществляется интерпретация результата расчета, перевод его в формат хранения и обработки, а также передача ответа задачи по вычислению степени доверия к средству разведки в блок хранения результатов и на внешний исполнительный орган для принятия тактических решений в режиме реального времени.

2. Устройство по п. 1, отличающееся тем, что на автоматизированном рабочем месте, не связанном с устройством вычисления степени доверия к средству разведки, производится формирование искусственной нейронной сети путем полиномизации до 2-ой степени вектора переменных, в результате которой формируется вектор вида (х[1],…х[n],х[1]*х[2],…х[1]*х[n],…x[i]*x[j],…x[1]^2,…x[n]^2), содержащий все возможные комбинации компонент вектора, включая слагаемые 1 и 2-ой степени, а также перекрестные слагаемые (x[i]*x[j]), а далее подбираются весовые коэффициенты искусственной нейронной сети с полиномиальными коэффициентами, минимизирующие функционал ошибки:

где:

- функция ошибки, соответствующая k-ому (k=(1,..7)) средству разведки, по отношению к распознаванию класса j (j=(1,..10));

- степень доверия, рассчитанная в соответствии с методиками;

- текущий ответ модели.

m - количество обучающих примеров.

3. Устройство по п. 1, отличающееся тем, что процесс обучения искусственной нейронной сети заключается в последовательной подаче на вход векторов из тренировочной выборки, в расчете функционала ошибки и процессе подстройки коэффициентов Wkj[i] для каждого слагаемого (i=(1..N), k=(1,..7), j=(1,..10)), где N - общее количество полиномиальных слагаемых линейной регрессии, а обновление коэффициентов прекращается, когда точность предсказания на тестовой выборке становится больше 95%.

4. Устройство по п. 1, отличающееся тем, что вычислительный блок может быть реализован с использованием комплементарной структуры металл-оксид-полупроводник-цифровых схем.