Управляющие сигналы: Управляющие сигналы | Control Signals

Управляющие сигналы — это… Что такое Управляющие сигналы?

Управляющие сигналы

16. Управляющие сигналы

Сигналы для пуска и контроля выполнения функций ФЕ(П) ИИС. Управляющие сигналы подразделяются на командные и контрольные

Словарь-справочник терминов нормативно-технической документации. academic.ru. 2015.

• Управляющие модули,
• Управляющие системы

Смотреть что такое «Управляющие сигналы» в других словарях:

• управляющие сигналы — Сигналы, передаваемые между различными частями коммуникационной системы как часть механизма управления системой (например, сигналы RTS, DTR или DCD).  [http://www.lexikon.ru/dict/net/index.html] Тематики сети вычислительные EN control signals …   Справочник технического переводчика

• СТ СЭВ 1610-79: Приборы электронные измерительные. Интерфейс НИС-1. Логические и электрические условия, информационные, управляющие и программные сигналы

  — Терминология СТ СЭВ 1610 79: Приборы электронные измерительные. Интерфейс НИС 1. Логические и электрические условия, информационные, управляющие и программные сигналы: 12. Аналоговый сигнал Сигнал, связанный с информацией о представляемой… …   Словарь-справочник терминов нормативно-технической документации

• Командные сигналы (В-сигналы) — 17. Командные сигналы (В сигналы) Управляющие сигналы, подаваемые на ФЕ(П) и вызывающие выполнение определенной функции в ФЕ(П) Источник …   Словарь-справочник терминов нормативно-технической документации

• Контрольные сигналы (М-сигналы) — 18. Контрольные сигналы (М сигналы) Управляющие сигналы, выдаваемые ФЕ(П) и определяющие ее состояние Источник …   Словарь-справочник терминов нормативно-технической документации

• ГОСТ 21835-84: Устройства коммутационной техники связи управляющие.

  Термины и определения — Терминология ГОСТ 21835 84: Устройства коммутационной техники связи управляющие. Термины и определения оригинал документа: 31. Асинхронный режим работы программного управляющего устройства коммутационной техники связи Режим работы программного… …   Словарь-справочник терминов нормативно-технической документации

• Информационные сигналы (1-сигналы) — 15. Информационные сигналы (1 сигналы) Электрические сигналы, несущие информацию о величине или состоянии исследуемого объекта или процесса Источник …   Словарь-справочник терминов нормативно-технической документации

• Программные сигналы (Р-сигналы) — 19. Программные сигналы (Р сигналы) Сигналы, определяющие режим работы ФЕ(П), а также алгоритм обработки информационных сигналов без непосредственного влияния на пуск Источник …   Словарь-справочник терминов нормативно-технической документации

• система — 4.48 система (system): Комбинация взаимодействующих элементов, организованных для достижения одной или нескольких поставленных целей. Примечание 1 Система может рассматриваться как продукт или предоставляемые им услуги. Примечание 2 На практике… …   Словарь-справочник терминов нормативно-технической документации

• часть — 3.7 часть (part): Часть исследуемой системы. Примечание Часть может быть физической (например, аппаратные средства) или логической (например, шаг в последовательности операций). Источник: ГОСТ Р 51901.11 2005: Менеджмент риска. Исследование… …   Словарь-справочник терминов нормативно-технической документации

• КОМПЬЮТЕР — устройство, выполняющее математические и логические операции над символами и другими формами информации и выдающее результаты в форме, воспринимаемой человеком или машиной. Первые компьютеры использовались главным образом для расчетов, т.е.… …   Энциклопедия Кольера

Информационно-управляющие системы

№	Наименование	Заказчик	год
1	Информационно-управляющая система Мыльджинского газоконденсатного месторождения АСУТП УКПГ, АСУТП  УДСК, АСУ ШФЛУ, АСУ котельной, АСУ водозаборных сооружений, система телемеханики, производственно-диспетчерская служба  (I, II, III очереди) Система управления: Fisher-Rosemount EMERSON RS3, EMERSON DeltaV. Количество сигналов — 4350	АО «ГАЗПРОМ» АО «Томскгазпром»	1999
2	АСУ объектами энергоснабжения пос. Харасавей Система управления:  Fisher-Rosemount ROC364, Intellution FIX32.	АО «ГАЗПРОМ» АО «Надымгазпром»	1999
3	Информационно-управляющая система Губкинского газового месторождения АСУТП  УКПГ,  САПКЗ, система телемеханики кустов газовых скважин и газопровода, производственно-диспетчерская служба. Система управления: АСУТП — EMERSON RS3 ,  САПКЗ – Quadlog, СТМ – ROC364, iFIX. Количество сигналов — 2670	ЗАО «ПУРГАЗ»	2000
4	АСУТП Северо-Альметьевской  установки комплексной подготовки нефти Система управления: EMERSON RS3. Количество сигналов — 350	АО «ТАТНЕФТЬ»	2000
5	Информационно-управляющая система Восточно-Таркосалинского газоконденсатного месторождения АСУТП и САП УНТС, АСУТП и САП УДК, система телемеханики конденсатопровода, АСУ Э, Вторая очередь АСУТП и САПКЗ УНТС. Система управления: АСУТП — EMERSON DeltaV, САП – ЭМИКОН, iFIX, СТМ – SCADAPack, iFIX. Количество сигналов — 4450	ООО «НОВАТЭК-ТАРКОСАЛЕНЕФТЕГАЗ»	2001
6	Информационно-управляющая система Северо-Уренгойского газоконденсатного месторождения (Западный купол) АСУТП УКПГ, САПКЗ, система телемеханики, производственно-диспетчерская служба. Система управления: АСУТП — EMERSON DeltaV,  САП – ЭМИКОН, iFIX, СТМ – ROC364, iFIX. Количество сигналов — 1808	АО «НОРТГАЗ»	2001
7	Информационно-управляющая система Восточно-Таркосалинского газового месторождения АСУТП УКПГ, САПКЗ, система телемеханики кустов газовых скважин, Вторая очередь СТМ, производственно-диспетчерская служба. Система управления: АСУТП — EMERSON DeltaV, САП – ЭМИКОН, iFIX, СТМ – SCADAPack, iFIX. Количество сигналов — 3000	ООО «НОВАТЭК-ТАРКОСАЛЕНЕФТЕГАЗ»	2001
8	АСУТП УППГ Вьюжного газового месторождения. Система управления: контроллеры Modicon, SCADA — iFIX. Количество сигналов — 300	ООО «ЯнгПур»	2001
9	Система автоматического газового пожаротушения НПС «Невская», «Кириши», «Приморск». Система управления – ЭМИКОН.	АО «ТРАНСНЕФТЬ»	2001
10	Система автоматики нефтеперекачивающей станции «Суторминская»	АО «ТРАНСНЕФТЬ» АО «Сибнефтепровод»	2001
11	Информационно-управляющая система Северо-Васюганского газоконденсатного месторождения АСУТП  УКПГ, САП, АСУТП котельной Система управления: EMERSON DeltaV. Количество сигналов — 2850	АО «ГАЗПРОМ» АО «Томскгазпром»	2002
12	АСУТП Ольховской дожимной насосной станции. Система управления: ПЛК SMART PEP Modular Computers, SCADA – InTouch Wonderware. Количество сигналов – 200.	АО «ТНК» АО «Оренбургнефть»	2002
13	Информационно-управляющая система Западно-Таркосалинского газоконденсатного месторождения АСУТП УКПГК и САПКЗ (I и II очередь). Система управления:  ЭМИКОН ЭК-2000, SCADA-iFIX . Количество сигналов — 842	ООО «Энерготехгрупп»	2003
14	АСУТП и САПКЗ УКПГ Западно-Озерного газового месторождения. Система управления: АСУТП — EMERSON DeltaV,  САПКЗ – ЭМИКОН, iFIX. Количество сигналов — 500	АО «Сибнефть-Ноябрьскнефтегаз»	2003
15	АСУТП ЦПС Южно-Мыльджинской группы месторождений. Система управления: ПТК SIMATIC PCS7 Siemens, EMERSON DeltaV. Количество сигналов — 1325	АО «Томская нефть»	2003
16	САПКЗ Западно-Таркосалинского газоконденсатного месторождения Система управления: ЭМИКОН, Intellution iFIX.	ООО «Энерготехгрупп»	2003
17	САП резервуарного парка РВС-5000	АО «ТАТНЕФТЬ»	2003
18	Информационно-управляющая система Ханчейского нефтегазоконденсатного месторождения АСУТП УКПГ и САП, АСУТП УНТС,  система телемеханики кустов газовых скважин, газопровода, производственно-диспетчерская служба. Система управления: АСУТП — EMERSON DeltaV,  САП – ЭМИКОН, iFIX, СТМ – SCADAPack, iFIX. Количество сигналов — 1950	ООО «НОВАТЭК-ТАРКОСАЛЕНЕФТЕГАЗ»	2004
19	Информационно-управляющая система Юрхаровского газоконденсатного месторождения АСУТП УКПГ, САПКЗ, система телемеханики кустов скважин, газопровода и конденсатопровода, подсистема управления водозаборными сооружениями, АСУ Э, производственно-диспетчерская служба. Система управления: АСУТП, САПКЗ — EMERSON DeltaV,  СТМ – ROC364, iFIX. Количество сигналов — 3000	ООО «НОВАТЭК-Юрхаровнефтегаз»	2004
20	САПКЗ УКПГ Вынгаяхинского газового месторождения Система управления: Siemens QuadLog. Количество сигналов — 1100	ОАО «ГАЗПРОМ» ООО «Ноябрьскгаздобыча»	2004
21	САПКЗ  УППГ Еты-Пуровского газового месторождения. Система управления: Siemens QuadLog. Количество сигналов — 250	ОАО «ГАЗПРОМ» ООО «Ноябрьскгаздобыча»	2004
22	АСУТП и САП Восточно-Таркосалинского нефтяного месторождения. Система управления: контроллеры SCADAPack, SCADA — iFIX. Количество сигналов — 450	ООО «НОВАТЭК-ТАРКОСАЛЕНЕФТЕГАЗ»	2004
23	АСУТП  ГРС поселка Тарко-Сале. Система управления: контроллеры SCADAPack, SCADA – Trace Mode. Количество сигналов — 100		2004
24	АСУТП ГРС на скважине 71. Система управления: контроллеры SCADAPack, SCADA – Trace Mode. Количество сигналов — 100		2004
25	АСУТП  УКПГ-2 Оренбургского ГПУ	АО «ГАЗПРОМ» ООО «Оренбурггазпром»	2004
26	Система телемеханики газосборных сетей	ООО «НОВАТЭК Юрхаровнефтегаз»	2004
27	САПКЗ УКПГ Находкинского газового месторождения. Система управления: Siemens PCS7 (контроллеры SIMATIC серии S7-400). Количество сигналов — 1000	ООО «Ямалнефтегаз»	2004
28	Система автоматики резервуарного парка «Западный Сургут»	АО «ТРАНСНЕФТЬ» АО «Сибнефтепровод»	2005
29	САППСиКЗ ГТЭС Ватьеганского месторождения. Система управления: Siemens PCS7 (контроллеры SIMATIC серии S7-400). Количество сигналов — 250	ООО «ЛУКОЙЛ–Западная Сибирь»	2006
30	АСУТП пункта сдачи-приёмки нефти «Завьялово». Система управления: Siemens PCS7 (контроллеры SIMATIC серии S7-400). Количество сигналов — 1000	ООО «Норд Империал»	2006
31	АСУТП пункта сдачи-приёмки нефти «Лугинецкое». Система управления: Siemens PCS7 (контроллеры SIMATIC серии S7-400). Количество сигналов — 1000	ООО «Норд Империал»	2006
32	АСУТП НТС-2 Ханчейского газоконденсатного месторождения Система управления: EMERSON DeltaV. Количество сигналов — 500	ООО «НОВАТЭК-ТАРКОСАЛЕНЕФТЕГАЗ»	2007
33	Информационно-управляющая система Уренгойского месторождения, Участок № 1А Ачимовских залежей АСУТП и ПАЗ, САПКЗ, СТМ, АСУ Э. Система управления: АСУТП, ПАЗ — EMERSON DeltaV,  САПКЗ – Quadlog. СТМ – ROC800. Количество сигналов — 6000	ООО «Ачимгаз»	2008
34	Система телемеханики сбора и транспорта газа Юрхаровского месторождения Система управления: EMERSON DeltaV. Количество сигналов — 200	ООО «НОВАТЭК-Юрхаровнефтегаз»	2008
35	Система телемеханики газосборных сетей Система управления: ROC364, SCADAPack. Количество сигналов — 300		2008
38	Расширение системы телемеханики кустов газовых скважин газопровода Система управления: SCADAPack, iFIX. Количество сигналов — 500	ООО «НОВАТЭК-ТАРКОСАЛЕНЕФТЕГАЗ»	2008
39	АСУТП трубопровода «Верхнечонское газоконденсатное месторождение –«Восточная Сибирь – Тихий океан». Система управления: АСУТП – Yokogawa Centum, ПАЗ, САПКЗ – Yokogawa ProSafe,  СТМ – Yokogawa STARDOM. Количество сигналов — 7000	ОАО «ТНК-BP» ОАО «Верхнечонскнефтегаз»	2008
40	Информационно-управляющая система Северного участка сеноманской газовой залежи Губкинского газового месторождения АСУТП, САПКЗ, СТМ. Система управления: АСУТП, ПАЗ — EMERSON DeltaV,  САПКЗ – Quadlog. СТМ – ROC364. Количество сигналов — 800	ЗАО «ПУРГАЗ»	2008
41	Расширение Информационно-управляющей системы Ханчейского месторождения. Система управления: АСУТП — EMERSON DeltaV,  САП – ЭМИКОН, GE iFIX, СТМ – SCADAPack, iFIX. Количество сигналов – 700	ООО «НОВАТЭК-ТАРКОСАЛЕНЕФТЕГАЗ»	2008
43	САППС и КЗ ГТЭС и ДКС Тевлинско-Русскинского месторождения: ТПП «Когалымнефтегаз». ПТК на базе системы PCS7 Siemens  в составе пяти стоек управления, двух автоматизированных рабочих мест оператора. Количество сигналов — 992	ООО «ЛУКОЙЛ – Западная Сибирь»	2009
44	САППС и КЗ КПКУГ Северо-Губкинского месторождения: ТПП «Ямалнефтегаз». ПТК на базе системы PCS7 Siemens  в составе трёх стоек управления и автоматизированного рабочего места оператора. Количество сигналов — 936	ООО «ЛУКОЙЛ – Западная Сибирь»	2009
45	САП ЦППН на Когалымском месторождении Система управления: Siemens PCS7 (контроллеры SIMATIC серии S7-400). Количество сигналов – 1000	ЗАО «ЛУКОЙЛ — АИК»	2009
46	АСУТП по проекту «Реконструкция пристани № 5 Западного района ОАО «Новороссийский морской торговый порт». Система выполнена на базе программно-технического комплекса SIMATIC S7300  Siemens. Количество сигналов – 216	ОАО «Новороссийский морской торговый порт»	2009
47	АСУ и ПАЗ по проекту «Реконструкция комплекса перевалки нефтепродуктов». Система выполнена на базе PCS7 Siemens. Количество сигналов – 576	ОАО «ИПП»	2009
48	АСУТП и САП УКПГ Стерхового месторождения. ПТК АСУТП на базе EMERSON DeltaV в составе: 4 стойки управления, 3 АРМа —  1800 сигналов с учетом резерва 20%. ПТК САП на базе контроллеров КСАП-01 ЭМИКОН в составе: 4 стойки управления, 1 АРМ — 832 сигнала с учетом резерва 20%. Количество сигналов — 2632	ООО «ПурНоваГаз»	2009
50	АСУТП кустов газовых скважин «Обустройство Восточно-Уренгойского Лицензионного участка». Система управления: Allen-Bradley ControlLogix. Количество сигналов – 850	ОАО «ТНК-BP» ЗАО «Роспан Интернешнл»	2009
51	АСУТП кустов газовых скважин «Обустройство Ново-Уренгойского Лицензионного участка». Система управления: Allen-Bradley ControlLogix. Количество сигналов – 1000	ОАО «ТНК-BP» ЗАО «Роспан Интернешнл»	2009
52	АСУТП и САП УКПГ ДКС газоконденсатного промысла Восточно-Таркосалинского месторождения. Система управления: EMERSON DeltaV. Количество сигналов – 900	ООО «НОВАТЭК-ТАРКОСАЛЕНЕФТЕГАЗ»	2010
53	Система телемеханики Стерхового месторождения. Система управления: Control Microsystems, контроллеры SCADAPack, Clear SCADA. Количество сигналов – 1200	ООО «НОВАТЭК-ТАРКОСАЛЕНЕФТЕГАЗ»	2010
54	АСУТП объекта «Обустройство сеноманской газовой залежи. Новогоднее месторождение. Узел подключения газопровода». Система управления: SCADAPack, InTouch. Количество сигналов – 200	ОАО «Газпромнефть- Ноябрьскнефтегаз »	2010
55	САППС и КЗ на КС в районе ГЭТС на Ватьеганском месторождении. Система выполнена на базе PCS7 Siemens, SIMATIC серии S7-400. Количество сигналов – 150	ООО «ЛУКОЙЛ-Информ»	2010
56	АСУ котельной п.Пионерный Система управления: SCADAPack. Количество сигналов – 150	ООО «НОВАТЭК-ТАРКОСАЛЕНЕФТЕГАЗ»	2010
57	Узел редуцирования топливного газа Южного Узла отбора и учёта газа. Система управления на базе контроллеров STARDOM и ПО верхнего уровня FAST/TOOLS Yokogawa в составе: 1 стойки управления, 1 АРМа. Количество сигналов — 771	Sakhalin Energy Ltd	2011
58	Система контроля и управления электрическими сетями Южного Узла отбора и учёта газа, на базе контроллеров STARDOM и ПО верхнего уровня FAST/TOOLS Yokogawa в составе: 1 стойки управления (3 секции), 1 АРМа.  Количество сигналов — 1096	Sakhalin Energy Ltd	2011
59	Система аварийного отключения, обнаружения пожара и загазованности Южного Узла отбора и учёта газа, Сахалин II, на базе контроллеров ProSafe RS и ПО верхнего уровня FAST/TOOLS  Yokogawa в составе: 1 стойки управления, 1 АРМа. Количество сигналов  — 259	Sakhalin Energy Ltd	2011
60	Система телемеханики кустов скважин Нефтяного промысла Восточно-Таркосалинского месторождения. Система управления: SCADAPack. Количество сигналов – 400	ООО «НОВАТЭК-ТАРКОСАЛЕНЕФТЕГАЗ»	2011
61	Узел редуцирования топливного газа Северного Узла отбора и учёта газа. Система управления на базе контроллеров STARDOM Yokogawa. Количество сигналов — 250	Sakhalin Energy Ltd	2011
62	Система контроля и управления электрическими сетями Северного Узла отбора и учёта газа. Система управления на базе контроллеров STARDOM Yokogawa. Количество сигналов — 2100	Sakhalin Energy Ltd	2011
63	Система аварийного отключения, обнаружения пожара и загазованности Северного Узла отбора и учёта газа. Система управления на базе контроллеров ProSafe Yokogawa. Количество сигналов — 300	Sakhalin Energy Ltd	2011
64	Модернизация АСУТП УКПГ Южного участка Губкинского ГМ. Система управления EMERSON DeltaV. Количество сигналов — 1700	ЗАО «Пургаз»	2011
65	Реконструкция АСУТП (АСУ «Бункер»). АСУТП отгрузки нефтепродуктов на суда-бункеровщики в г.Новороссийске. Система управления Siemens PCS7. Количество сигналов — 400	ОАО «ИПП»	2011
66	АСУТП централизованного узла учёта нефтепродуктов на ЛДПС «Черкассы». Система управления EMERSON DeltaV. Количество сигналов — 700	ОАО «УФАНЕФТЕХИМ»	2012
67	АСУТП и САП ЦПС и ДКС (верхний уровень) Центрального участка Нефтяного промысла Восточно-Таркосалинского месторождения. Система управления: EMERSON DeltaV, ЭМИКОН, GE iFIX. Количество сигналов – АСУТП 2000, САП — 900	ООО «НОВАТЭК-ТАРКОСАЛЕНЕФТЕГАЗ»	2012
68	Система телемеханики второй (резервной) нитки конденсатопровода участка 1А Ачимовских отложений Уренгойского месторождения. Система управления: EMERSON ROC800, DeltaV. Количество сигналов — 1000	ЗАО «АЧИМГАЗ»	2012
69	Система телемеханики и система связи по объекту «Обустройство валанжинских залежей (БТ10, БТ11) Берегового газоконденсатного месторождения». Система управления: Control Microsystems SCADAPack. Количество сигналов — 400	ЗАО «Геотрансгаз»	2012
70	Автоматическая система управления, регулирования и учёта газа. Узел подключения Берегового ГКМ к магистральному газопроводу «Заполярное-Уренгой I, II». Система управления: СТН-3000. Количество сигналов — 200	ЗАО «Геотрансгаз»	2012

Защита управляющих сигналов информационных систем Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.056.5

ЗАЩИТА УПРАВЛЯЮЩИХ СИГНАЛОВ ИНФОРМАЦИОННЫХ СИСТЕМ

И. С. Савельев, А. С. Тимохович Научный руководитель — В. В. Золотухин

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

E-mail: [email protected]

Рассматривается защита управляющих сигналов информационных систем.

Ключевые слова: защита, безопасность, защита информации, управляющие сигналы, сигналы, информационные системы, уровни защиты.

CONTROL SIGNAL PROTECTION IN INFORMATION SYSTEMS

I. S. Savelyev, A. S. Timohovich Scientific Supervisor — V. V. Zolotuhin

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av. , Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]

In this paper we consider the protection control signals in information systems.

Keywords: protection, security, protection information, control signals, signals, information systems, levels of protection.

Одним из важнейших аспектов вопроса безопасности являются проблемы, возникающие при использовании каналов передачи данных. Злоумышленник может получить доступ к основной сети и выполнять роль второго доверенного лица для отправки всех команд на жизненно важные системы.

Прежде чем начать говорить о защите управляющих сигналов, необходимо рассказать о самом объекте защиты, то есть о сигнале. Сигнал — это физическая величина, которая изменяется во времени, пространстве или зависит от любой другой переменной, посредством которой информация может быть передана. Из этого следует, что термины «сигнал» и «информация» очень тесно связаны, а значит необходимо дать определение термину информация. Информация -это знания, переданные или полученные благодаря обучению, коммуникации, исследованиям, обучению в отношении конкретного факта или обстоятельства.

Но следует отличать простые информационные сигналы от сигналов управления. Управляющие сигналы — это сигналы, предназначенные для задания команд или выполнения конкретных действий над системами или устройствами, в которые они посылаются. Из этого следует, что управляющие сигналы отвечают за работоспособность всей системы.

Для того чтобы обеспечить защиту и безопасность таких сигналов, чаще всего они посылаются по отдельному каналу, который называется управляющим. А значит, если злоумышленник получит доступ к такому каналу, то он сможет контролировать действия, происходящие в системе, украсть важные и секретные сведения, изменить команды или полностью вывести из строя всю информационную систему. Поэтому обеспечение защиты управляющих сигналов является очень важной задачей.

Защита информации — это совокупность действий, направленных на предоставление и поддержание информационной безопасности.

Актуальные проблемы авиации и космонавтики — 2017. Том 2

Информационная безопасность — это набор стратегий для управления процессами, необходимыми для предотвращения, обнаружения и противодействия угрозам цифровой и нецифровой информации [2].

Со стороны информационной безопасности, информация должна обладать следующими требованиями:

— конфиденциальность — гарантирует, что содержание данных может быть доступно только тем пользователям, которые имеют на это права;

— целостность — гарантирует, что данные защищены от запрещенного изменения, удаления, создания и дублирования;

— аутентичность — гарантирует, что источником информации является именно то лицо, которое заявлено как ее автор;

— безопасность — гарантирует, что информация не изменяет направления и не перехватывается при передаче между оконечными точками;

— апеллируемость — гарантирует, что информацию можно привязать к ее автору и при необходимости доказать, авторство отправленного сообщения;

— доступность — гарантирует, что нет ограничений для зарегистрированных пользователей к доступу к информации, потокам данных и приложениям.

Таким образом, главной задачей подсистемы безопасности информационной системы является обеспечение указанных требований [1].

Чтобы гарантировать комплексное обеспечение защиты, параметры защиты должны применяться к системе сетевого оборудования и групп объектов, которые именуются уровнями защиты. Вместе, эти 3 уровня гарантируют полную безопасность системы.

Уровни защиты — это серия инструментов для гарантии безопасности сетей. Уровень инфраструктуры позволяет применять уровень услуг, а уровень услуг обеспечивает возможность применения уровня приложений. Архитектура защиты берет в учет то, что каждый из уровней имеет разные проблемы с безопасностью, и предоставляет гибкость противодействия возможным угрозам способом, наиболее подходящим для определенного уровня.

Уровни защиты определяют, где в продуктах должна быть обеспечена безопасность, путем обеспечения последовательной проверки сетевой безопасности. Например, первые проблемы безопасности рассматриваются для уровня инфраструктуры, затем для уровня служб и, наконец, уязвимости безопасности рассматриваются для уровня приложений.

Уровень защиты инфраструктуры состоит из различных составляющих сети, а также фрагментов сетевой передачи, защищенных характеристиками безопасности. Уровень инфраструктуры выступает в качестве основных строительных блоков сетей, их сервисов и приложений. Характеристиками элементов, принадлежащих к уровню инфраструктуры, можно назвать отдельные коммутаторы, серверы, в том числе линии связи между ними.

Уровень защиты служб защищает службы, предоставляемые продавцами услуг своим клиентам. Эти услуги варьируются от базового транспорта и присоединения к средствам поддержки услуг, таким как те, которые необходимы для обеспечения доступа в Интернет. Уровень безопасности служб используется для защиты изготовителей услуг и их клиентов, которые могут стать объектами угроз безопасности.

Уровень безопасности приложений сосредоточен на защите сетевых программ, к которым обращаются клиенты, используя услуги. Эти программы активируются сетевыми службами и состоят из базовой передачи файлов и приложения для просмотра веб-страниц. Сетевые приложения могут быть предоставлены сторонними поставщиками прикладных услуг [3].

Во избежание несанкционированного доступа к системе, должны применяться аутентификация и авторизация, гарантирующие безопасность, защиту, конфиденциальность и целостность информации и сигналов. Следует обеспечить защиту и конфиденциальность управляющих сигналов, прежде всего потому, что устройства имеют доступ к ним и управляют ими (например, информацию о перемещениях и время отправления сигналов).

Для исключения возможности исполнения злоумышленником роли дополнительного доверенного лица, защитить каналы передачи данных и расширить границы контролируемой зоны, при этом учитывая особенности используемых устройств, нужно создать надежный, защищен-

ный и доверенный канал между управляющим центром автоматизированной системы и конечными устройствами.

Из выше изложенного следует, что, зная измерения информации и три уровня защиты, можно надежно обеспечить защиту управляющих сигналов информационных систем.

Библиографические ссылки

1. Рекомендация МСЭ-Т X.805. Архитектура безопасности для систем, обеспечивающих связь между оконечными устройствами [Электронный ресурс]. URL: https://www.itu.int/rec/T-REC-X.805-200310-I/en (дата обращения: 15.04.2017).

2. Хорев П. Б. Методы и средства защиты информации в компьютерных системах. М. : Академия. 4-е изд. 2008. С. 6-31.

3. Конахович Г. Ф., Климчук В. П., Паук С. М., Потапов В. Г. Защита информации в телекоммуникационных системах. М. : МК-Пресс, 2005. 288 с.

© Савельев И. С., Тимохович А. С., 2017

Управляющие компании получили сигнал «Оттепель»

В связи с положительными температурами в период с 5 по 7 февраля единая дежурно-диспетчерская служба города оповестила руководящий состав управляющих организаций о принятии мер по обеспечению безопасности граждан.

По данным ФГБУ «Западно-Сибирское УГМС», с 5 по 7 февраля на территории города Новосибирска ожидается повышение температуры воздуха в дневные часы до +1°С, небольшой снег, порывы ветра до 17 м/с.

5 февраля: температура ночью −6..-8 °С, днем 0..-2 °С, ветер юго-западный 3-8 м/с. Ночью небольшой снег, днем без осадков, на дорогах — гололедица.

6 февраля: температура ночью −4..-6 °С, днем −1..+1 °С, ветер юго-западный, ночью 3-8 м/с, днем 7-12 м/с. Ночью без осадков, днем небольшой снег, на дорогах — гололедица.

7 февраля: температура ночью −5..-7 °С, днем −1..+1 °С, ветер юго-западный, днем 7-12 м/с, местами порывы до 17 м/с. Ночью и днем небольшой снег, на дорогах — гололедица.

Сегодня, 4 февраля, единая дежурно-диспетчерская служба мэрии передала по автоматизированной системе «Sprut» сигнал «Оттепель» управляющим компаниям в сфере жилищно-коммунального хозяйства.

Руководители управляющих организаций по эксплуатации жилого фонда должны обратить особое внимание на состояние крыш, срочно принять меры по очистке их от снега и сосулек. Кроме того, в местах возможного схода снега и наледи с кровель, козырьков, балконов и других конструкций сотрудники УК должны организовать работу по предупреждению и выставлению ограждений.

Жителям многоквартирных домов также необходимо устранить льдообразования со своих балконов и карнизов.

Специалисты департамента по чрезвычайным ситуациям, мобилизационной работе и взаимодействию с административными органами мэрии города Новосибирска напоминают: при возникновении чрезвычайных ситуаций необходимо обращаться по телефону 051.

Изменено 04.02.2020 16:45:49 Просмотров:

управляющие сигналы нервной системы?пути распространения сигналов нервной системы ?влияние на

Нервная система – это система, которая регулирует деятельность всех органов и систем человека. Данная система обуславливает:

1) функциональное единство всех органов и систем человека;

2) связь всего организма с окружающей средой.

Нервная система имеет и свою структурную единицу, которая именуется нейроном. Нейроны – это клетки, которые имеют специальные отростки. Именно нейроны строят нейронные цепи.

Вся нервная система делится на:

1) центральную нервную систему;

2) периферическую нервную систему.

К центральной нервной системе относятся головной и спинной мозг, а к периферической нервной системе – отходящие от головного и спинного мозга черепно-мозговые и спинномозговые нервы и нервные узлы.

Также условно нервную систему можно подразделить на два больших раздела:

1) соматическая нервная система;

2) вегетативная нервная система.

Соматическая нервная система связана с человеческим телом. Эта система отвечает за то, что человек может самостоятельно передвигаться, она же обуславливает связь тела с окружающей средой, а также чувствительность. Чувствительность обеспечивается с помощью органов чувств человека, а также с помощью чувствительных нервных окончаний.

Передвижение человека обеспечивается тем, что с помощью нервной системы осуществляется управление скелетной мышечной массой. Ученые-биологи соматическую нервную систему по-другому называют анимальной, т.  к. передвижение и чувствительность свойственны только животным.

Нервные клетки можно разделить на две большие группы:

1) афферентные (или рецепторные) клетки;

2) эфферентные (или двигательные) клетки.

Рецепторные нервные клетки воспринимают свет (с помощью зрительных рецепторов), звук (с помощью звуковых рецепторов), запахи (с помощью обонятельных и вкусовых рецепторов).

Двигательные нервные клетки генерируют и передают импульсы к конкретным органам-исполнителям. Двигательная нервная клетка имеет тело с ядром, многочисленные отростки, которые называются дендритами. Также нервная клетка имеет нервное волокно, которое называется аксон. Длина этих аксонов колеблется от 1 до 1,5 мм. С их помощью осуществляется передача электрических импульсов к конкретным клеткам.

Управление технологическими процессами буровых установок (США)

Компания Varco International является ведущим поставщиком бурового оборудования и интегрированных систем управления процессами бурения нефтяных и газовых скважин. Новые системы управления на базе технологии Amphion, поставляемые компанией, основаны на применении сетей Ethernet. Эти системы обеспечивают эргономичное, эффективное и безопасное управление технологическими процессами современных буровых установок.

Описание системы

 Системы управления, поставляемые Varco, являются системами высокой готовности, которые обеспечивают централизованный мониторинг, контроль и управление автоматизированными процессами бурения. Системы собраны на оборудовании компании Varco, ее партнеров и третьих производителей. Оператор системы осуществляет управление с эргономичного пульта бурильщика, который представляет собой комбинацию терминала с сенсорным экраном, кнопочного пульта и джойстиков. Комплекс средств наземного контроля обеспечивает формирование сигналов управления электрооборудованием и механизмами буровой установки. Основные технологические параметры, контролируемые системой, — частота вращения бурового долота (об/мин), осевая нагрузка на долото, крутящий момент, поток бурового раствора и др.

В качестве устройств связи в системе используются промышленные Ethernet-коммутаторы MOXA ED6008-MM-SC (эквивалентны EDS-408A-MM-SC), смонтированные в шкафы локального управления. Они обеспечивают мониторинг и управление процессами различного оборудования буровой. Каждый шкаф включает несколько устройств ED6008, которые передают управляющие сигналы локальным устройствам и отсылают данные с PLC, модулей Ethernet I/O и контрольных панелей на операторский пульт. Все локальные станции объединены друг с другом в оптоволоконное резервированное кольцо по разработанной компанией MOXA технологии Turbo Ring – такая резервированная сетевая инфраструктура позволяет оператору осуществлять все процессы в режиме реального времени. Резервирование сети и использование отказоустойчивых промышленных коммутаторов MOXA позволяют гарантировать высокую готовность системы управления буровой.

Схема сети объекта

Преимущества, определившие выбор оборудования

1. Технология резервирования сети MOXA Turbo Ring позволяет объединять Ethernet-коммутаторы в резервированное кольцо со временем перехода на резервный канал менее 300 мсек.
2. Защищенное исполнение устройств, отсутствие вентилятора и длительный срок наработки на отказ гарантируют длительную безотказную работу устройств в условиях буровой.
3. Коммутаторы ED6008-MM-SC имеют порты многомодовой оптики, что позволяет защитить передаваемые данные от электромагнитных и радиопомех, а также увеличить дальность передачи данных.
4. ED6008-MM-SC монтируется на DIN-рейку, что позволяет удобно разместить устройство в шкафу автоматики.
5. Коммутатор ED6008 в режиме реального времени отсылает оператору оповещение по e-mail при возникновении различных сбоев, позволяя быстро устранять неполадки.

 

Оборудование MOXA

ED6008-MM-SC (эквивалентен EDS-408A-MM-SC ) Быстрая и надежная сеть на базе кольцевого резервирования и оптоволоконных кабелей Передача данных на большие расстояния Автоматическое оповещение о сбоях по e-mail или через реле аварийной сигнализации Длительный срок наработки на отказ и промышленное исполнение Простота настройки и управления через web-интерфейс, Telnet или последовательную консоль Модели с поддержкой расширенного температурного диапазона -40 ~ +75°С

«Газпром нефть» испытала на северных месторождениях грузовые беспилотники

Беспилотные автомобили, еще недавно казавшиеся фантастикой, постепенно становятся реальностью. Тестовые образцы сегодня можно встретить и на улицах Москвы, и на безлюдных просторах Западной Сибири и Заполярья. Все достоинства грузовых беспилотников сотрудники «Газпром нефти» смогли оценить этой весной: компания совместно с отечественными производителями грузовой техники — КАМАЗом и ГАЗом — провела два цикла испытаний умных машин на Ямале и в Югре

Ермак — покоритель Сибири

Сложно найти более экстремальные условия для испытаний грузовых беспилотников, чем Гыданский полуостров Ямала ранней весной. В марте здесь еще стоят тридцатиградусные морозы, а метели набирают силу. Днем горизонта практически не видно. Белую пелену не могут разогнать даже штормовые ветра, летящие над тундрой с бешеной скоростью. Добавьте к этому сложный рельеф с перепадами высот до 25 метров, отсутствие транспортной и дорожной инфраструктуры, и вы получите идеальную площадку для максимально объективной проверки возможностей человека и машины. Испытания беспилотных грузовиков «Газпром нефть» и группа компаний «КАМАЗ» сознательно провели именно в таких условиях. Ни нефтяной компании, ни Камскому автозаводу не нужен был образцовый выставочный стенд для демонстрации намерений с одной стороны и возможностей с другой. Никакого глянца, только хардкор: если умные грузовики не потеряют голову при этих вводных, значит, можно смело планировать их внедрение в логистику жизнеобеспечения северных нефтепромыслов. Производитель специально разработал эту серию беспилотников для перевозки грузов в условиях Крайнего Севера и даже назвал ее «Ермак» в честь покорителя Сибири.

В разработке арктических месторождений грузоперевозки играют роль кровеносной системы. С их помощью на удаленные нефтепромыслы поступает «кислород» материально-технических ресурсов для строительства инфраструктуры, добычи нефти, жизнеобеспечения автономных территорий. На Восточно-Мессояхское месторождение, где и проходили первые в истории отечественного автопрома арктические испытания беспилотных КамАЗов, только этой зимой было доставлено более ста тысяч тонн оборудования и материалов. Ежедневно на зимник — 140-километровую временную автодорогу, связывающую автономный промысел с Большой землей, — выходило до 400 машин. Непростой маршрут, включающий десятки ледовых переправ, крутые подъемы и резкие спуски, занимает минимум шесть часов от поселка Тазовский до Восточной Мессояхи. Сегодня компания делает все, чтобы это логистическое плечо было максимально надежным: строит зимники, представляющие собой спрессованный снег со льдом, следит за их обслуживанием, контролирует безопасность перевозок. В какой-то момент стало очевидно, что цифровые технологии, которые «Газпром нефть» сегодня активно использует в разведке и добыче, необходимо внедрять и в логистику, чтобы вывести грузоперевозки на качественно новый уровень безопасности и эффективности.

Умение передвигаться по заданным маршрутам с высокой точностью, за доли секунды распознавать препятствия и прогнозировать траекторию своего движения — важное преимущество беспилотников

За альфа-КамАЗом

В испытаниях беспилотных КамАЗов на Восточно-Мессояхском месторождении участвовали три машины. Этого количества автомобилей достаточно, чтобы оценить возможность ведущего транспортного средства — КамАЗа-альфы — управлять движением бета-автомобилей в колонне. В перспективе в состав одного грузового каравана могут входить до 20 машин, и каждая будет безоговорочно, если это слово уместно в отношении техники, выполнять приказы альфа-мобиля. Перемещение умных КамАЗов по Мессояхе координировал экипаж из водителя и двух программистов. Они управляли системой контроля за движением колонны и фиксировали результаты эксперимента: даже безлюдные технологии не могут обойтись без людей. Общий километраж испытаний составил 2,5 тысячи километров.

«Как обычный человек представляет себе управление беспилотником? — говорит водитель-испытатель Научно-технического центра „КАМАЗа“ Руслан Муратов. — Прикасаешься к кнопке на приборной панели, и все начинает крутиться, лететь, ехать. По сути, то же самое происходит и у нас. Нажимаем на клавишу автопилота и активации системы на смартфоне, принимаем удобное положение и можем наслаждаться поездкой. На Мессояхе мы так не расслаблялись, конечно: уровень задач и природные условия к релаксу не располагают, нужно каждую секунду быть включенным в процесс».

Принцип работы беспилотных КамАЗов, конечно, сложнее, чем «нажми на кнопку — получишь результат». Программное обеспечение беспилотных транспортных средств разработано по Европейскому стандарту функциональной безопасности ISO 26262. Навигационная спутниковая система позволяет высокоавтоматизированным КамАЗам передвигаться по заданным траекториям с точностью до 20 см. Автомобили оснащены четырьмя типами сенсоров: 3D-лидар строит цифровую карту дорог, 2D-лидар сканирует объекты во фронтальной зоне, радар распознает препятствия на расстоянии до 200 метров, камеры с широкоугольным и узкоугольным объективом фиксируют статичные и движущиеся объекты как в ближней, так и в дальней зоне.

Вся информация с сенсоров и систем связи поступает в мозг машины — вычислитель, где происходит обработка входящих данных и формируются команды для управления автомобилем. Чтобы машины в колонне могли принимать управляющие сигналы и общаться между собой, их оснастили промышленным Wi-Fi, LTE и резервным УКВ на случай, если не сработали другие каналы связи. При проектировании беспилотных КамАЗов было использовано комплексное решение, позволяющее переходить на резервное питание и в случае помех со стороны одного из передающих каналов переключаться на другой. Беспилотники фиксируют информацию от нескольких источников управления и принятия решений. К исполнению принимаются команды блока с наивысшим приоритетом, а в случае отказа системы автомобили получают сигнал к безопасному экстренному торможению. Если осторожно провести аналогию с человеком, то интеллектуальная начинка беспилотников моделирует функции гиппокампа — отдела человеческого мозга, который отвечает за управление реакциями и ориентацию в пространстве.

«Главное преимущество беспилотных транспортных средств — их неограниченная работоспособность, — убежден Дмитрий Потапов, генеральный директор „Газпромнефть-Снабжения“ — предприятия, непосредственно занимающегося доставкой грузов в периметре „Газпром нефти“ и курировавшего испытания. — Эти машины не устают и не ошибаются даже на сложных маршрутах, в условиях низких температур, метелей и плохой видимости. Испытания подтверждают, что в сравнении с пилотируемыми аналогами беспилотные КамАЗы более безопасны и рентабельны».

Умение передвигаться по заданным маршрутам с высокой точностью, за доли секунды распознавать препятствия и прогнозировать траекторию своего движения с учетом актуальной дорожной обстановки — важное преимущество беспилотников. По утверждению разработчиков автоматизированных КамАЗов, использование этих машин позволит на 50% снизить аварийность при грузоперевозках, на 15% уменьшить себестоимость процесса, на 30% увеличить скорость поставок. Для «Газпром нефти», которая главными приоритетами своей работы считает безопасность и эффективность, это серьезные аргументы в пользу внедрения беспилотных технологий в свои логистические процессы.

На законной основе

Развивающийся рынок беспилотных автомобилей — прекрасная возможность для отечественных автопроизводителей вступить в конкурентную борьбу с мировыми гигантами и занять свою нишу. Благо сегодня для этого появляются все условия: и спрос, и законодательная база.

«Несмотря на то что беспилотные технологии — явление сравнительно новое для России, спрос на беспилотные автомобили КамАЗ стал очевидным еще несколько лет назад, и компания давно работает в этой области. Сегодня интерес к внедрению беспилотных перевозок среди промышленных предприятий увеличивается, постепенно формируется законодательная база, это открывает перед нами новые возможности. Уверен, что с решением юридических вопросов, долгое время сдерживавших производство автономного колесного транспорта в стране, тема получит новое развитие», — говорит Ирек Гумеров, заместитель генерального директора КАМАЗа по развитию.

Вадим Яковлев,
заместитель генерального директора по разведке и добыче «Газпром нефти»

Арктические проекты составляют значительную часть нашего производственного портфеля. Мы научились преодолевать вызовы, связанные с экстремальными климатическими условиями и удаленностью наших активов от развитой инфраструктуры, создавая инженерные и технологические решения, которых нет больше нигде в мире. Компания постоянно ищет новые возможности для повышения эффективности и безопасности нефтедобычи. В том числе используя беспилотные технологии мониторинга промышленных объектов и доставки грузов. Эти инновации «Газпром нефть» внедряет вместе с партнерами из других отраслей, создавая стимулы для развития многих российских индустрий.

Россия относительно недавно включилась в мировую гонку беспилотников. И законодательная база для использования высокоавтоматизированных транспортных средств действительно только формируется. В феврале 2020 года Правительство РФ приняло поправки в нормативные документы, упрощающие механизм допуска беспилотных машин на дороги общего пользования и расширяющие географию эксперимента по их тестированию. В числе 13 регионов, включенных в перечень, оказались Югра и Ямал, которые вместе с «Газпром нефтью» вошли в пул инициаторов этих поправок. Кроме того, компания взаимодействует с федеральными органами власти в направлении изменений правил охраны труда при использовании автомобилей на производственных объектах.

На одном треке с нефтяной компанией скорость продвижения инициатив в области развития беспилотных технологий сегодня набирают Сбербанк и «Яндекс». Совместно с отечественными производителями умных машин они подготовили план из 30 технологических и нормативных мероприятий для поэтапного перехода от тестирования к полноценной эксплуатации автоматизированных транспортных средств. Согласно этому документу, направленному в Минтранс и Минпромторг, в 2022 году в стране уже могут быть созданы все условия для полноценной эксплуатации беспилотников.

Беспилотники — на выход

Так или иначе, все российские компании, занимающиеся развитием беспилотных автомобилей, рассчитывают, что их детища появятся на дорогах страны буквально через год-два. Например, представители ГЛОНАССа называют 2022 год как срок окончания эксперимента по тестированию безлюдных технологий. К этому времени «Яндекс» рассчитывает вывести на дороги общего пользования около тысячи умных машин. Сегодня флот беспилотников «Яндекса» насчитывает около 110 автомобилей. Они активно тестируются в Москве и, по утверждению менеджмента компании, технически уже готовы ездить полностью самостоятельно, даже без участия водителя-испытателя. Зеленым светом для выхода таких машин на линию должны стать соответствующие поправки в нормативные акты и ПДД.

Что касается месторождений «Газпром нефти», то первые беспилотные автомобили могут заступить на северную вахту уже в 2021 году. По крайней мере, такое промежуточное решение было принято по итогам испытаний, которые компания провела весной этого года на Южно-Приобском месторождении ХМАО. При поддержке правительства Югры и компании «ГАЗ» — еще одного российского разработчика процессов беспилотного управления транспортом — нефтяники совместно с НПО «Автомобильные интеллектуальные технологии» протестировали беспилотный электромобиль ГАЗель Next Electro и проверили его возможности в решении типовых транспортных задач на внутрипромысловых дорогах.

В ходе испытаний на Южно-Приобском месторождении умная машина фиксировала появление постороннего транспорта и пешеходов, автоматически изменяя скорость и траекторию движения, демонстрировала стабильность связи с центром дистанционного контроля и вообще пришлась нефтяникам по душе: маневренная, быстрая, сообразительная. По итогам тестирования Центр инноваций в логистике «Газпромнефть-Снабжения» направил заводу-производителю уточняющие требования. После учета этих замечаний, возможно, уже ближайшей осенью, на югорском месторождении начнется пробная коммерческая эксплуатация ГАЗель Next Electro с внедрением беспилотника в реальные бизнес-процессы.

«Иногда мне кажется, что я герой фильма о будущем, которое уже наступило», — делится своими мыслями с корреспондентом «СН» водитель-испытатель умных КамАЗов Руслан Муратов. И добавляет: «Но главная роль в этой истории все равно остается за человеком: кто-то же должен принимать правильные решения». Хороший слоган для беспилотного будущего.

Мировой опыт внедрения беспилотников

Дольше остальных занимается автоматизацией перевозок концерн Daimler. Автопроизводитель продемонстрировал самоходный автомобиль под названием Mercedes-Benz Future Truck 2025 еще в 2014 году. Автомобиль использует систему Highway Pilot для навигации по автомагистралям без помощи человека. Компания сосредоточена на перевозках, где грузовики движутся друг за другом, снижая сопротивление воздуха, а также потребление топлива на 10%. Впрочем, у каждого транспортного средства по-прежнему есть водитель: для безопасности и ручного управления после выезда с автотрассы. А самоуправление автомобиля предусмотрено только до скорости 80 км/ч.

Беспилотные мерседесы, ориентированные на езду по автострадам, еще ждут своего часа. В то же время в мае 2019 года стартовала первая по-настоящему беспилотная коммерческая грузовая служба на дорогах общего пользования в Германии. Маршрут, по которому едут грузовики, короткий, а максимальная скорость всего 5 км/ч. Электрические автомобили произведены компанией Einride и не имеют ни кабины водителя, ни обычной системы управления. Они контролируются дистанционно оператором, который может вести до 10 автономных транспортных средств сразу. Грузовики осуществляют перевозки в немецкой логистической компании DB Schenker. Демонтаж кабины снижает эксплуатационные расходы примерно на 60% по сравнению с обычным дизельным грузовиком c водителем, утверждают в Einride.

Не осталась в стороне от актуальной темы и компания Volvo. В 2016 году шведы продемонстрировали беспилотные грузовики с акцентом как на безопасность, так и на эффективность. Ведущий грузовик управляет ускорителями и тормозами двух следующих грузовиков. То есть они все вместе ускоряются и замедляются, тем самым исключая задержки, вызванные временем реакции водителя. Водители все еще имеют доступ к рулевому управлению, но в Volvo говорят, что в будущем вождение тоже может быть автоматизировано.

Компания Volvo, которая сотрудничает с FedEx, утверждает: если управляемые компьютером грузовики следуют друг за другом, экономия топлива может составить 10%. В ноябре 2018 года Volvo Trucks начали первое в мире коммерческое обслуживание грузовиков без водителя, пусть и не на дорогах общего пользования, как Einride. Сервис использует грузовики Volvo в Норвегии для транспортировки известняка из карьера в порт, расположенный в трех километрах от места погрузки.

А вот, пожалуй, самый «громкий» производитель беспилотников компания Tesla пока еще находится в процессе разработки идеального грузовика. Свою первую автоматизированную грузовую модель Tesla представила в ноябре 2017 года. Грузовики оборудованы полуавтоматической системой, где газ, тормоза и руль управляются компьютером на магистралях с четкой разметкой полос, но водитель должен всегда оставаться в полной готовности и с рукой на руле. Цель компании — создание автоматизированных систем, в которых только ведущий грузовик полностью управляется человеком, а остальные следуют за ним.

Пока остаются за рулем и водители беспилотных грузовиков Waymo, компании, более известной как подразделение самоуправляемых автомобилей Google. В марте 2018 года компания объявила о планах по автоматизации грузовых автомобилей и уже через год запустила пилотный проект в Атланте, где автомобили Waymo перевозят грузы в дата-центры Google.

Введение в блок управления и его конструкцию

Введение в блок управления и его конструкцию

Блок управления является частью центрального процессора (ЦП) компьютера, который управляет работой процессора. Он был включен как часть архитектуры фон Неймана Джона фон Неймана. Блок управления отвечает за то, чтобы сообщить памяти компьютера, арифметическому / логическому устройству и устройствам ввода и вывода, как реагировать на инструкции, отправленные процессору.Он извлекает внутренние инструкции программ из основной памяти в регистр инструкций процессора, и на основе содержимого этого регистра блок управления генерирует управляющий сигнал, который контролирует выполнение этих инструкций.

Блок управления работает, получая входную информацию, которую он преобразует в управляющие сигналы, которые затем отправляются в центральный процессор. Затем процессор компьютера сообщает подключенному оборудованию, какие операции выполнять. Функции, выполняемые блоком управления, зависят от типа ЦП, поскольку архитектура ЦП варьируется от производителя к производителю.Примеры устройств, которым требуется CU:

• Управляющие процессоры (ЦП)
• Графические процессоры (ГП)

Функции блока управления —

1. Он координирует последовательность перемещения данных в , из множества субблоков процессора и между ними.
2. Он интерпретирует инструкции.
3. Управляет потоком данных внутри процессора.
4. Он принимает внешние инструкции или команды, которые преобразует в последовательность управляющих сигналов.
5. Он управляет многими исполнительными модулями (например, ALU, буферами данных и регистрами), содержащимися в ЦП.
6. Он также выполняет несколько задач, таких как выборка, декодирование, обработка выполнения и сохранение результатов.

Типы блоков управления —
Есть два типа блоков управления: фиксированный блок управления и микропрограммируемый блок управления.

1. Аппаратный блок управления —
   В аппаратном блоке управления сигналы управления, которые важны для управления выполнением инструкций, генерируются специально разработанными аппаратными логическими схемами, в которых мы не можем изменить метод генерации сигналов без физического изменения структуры схемы.Код операции инструкции содержит основные данные для генерации управляющего сигнала. В декодере команд декодируется код операции. Декодер команд составляет набор из множества декодеров, которые декодируют различные поля кода операции команды.

   В результате несколько выходных линий, выходящих из декодера команд, получают значения активных сигналов. Эти выходные линии подключены к входам матрицы, формирующей управляющие сигналы для исполнительных устройств компьютера. Эта матрица реализует логические комбинации декодированных сигналов из кода операции команды с выходами матрицы, которая генерирует сигналы, представляющие последовательные состояния блока управления, и с сигналами, поступающими извне процессора, например.грамм. сигналы прерывания. Матрицы построены аналогично массивам программируемой логики.

   Управляющие сигналы для выполнения инструкции должны генерироваться не в единичный момент времени, а в течение всего временного интервала, соответствующего циклу выполнения инструкции. Следуя структуре этого цикла, в блоке управления организована соответствующая последовательность внутренних состояний.

   Ряд сигналов, генерируемых матрицей генератора управляющих сигналов, отправляется обратно на входы следующей матрицы генератора управляющих состояний.Эта матрица объединяет эти сигналы с сигналами синхронизации, которые генерируются блоком синхронизации на основе прямоугольных шаблонов, обычно поставляемых кварцевым генератором. Когда новая инструкция поступает в блок управления, блоки управления находятся в начальном состоянии выборки новой инструкции. Декодирование инструкций позволяет блоку управления входить в первое состояние, связанное с выполнением новой инструкции, которое длится до тех пор, пока синхронизирующие сигналы и другие входные сигналы, такие как флаги и информация о состоянии компьютера, остаются неизменными.Изменение любого из ранее упомянутых сигналов стимулирует изменение состояния блока управления.

   Это приводит к тому, что для матрицы генератора сигналов управления генерируется новый соответствующий вход. Когда появляется внешний сигнал (например, прерывание), блок управления переходит в следующее состояние управления, которое является состоянием, связанным с реакцией на этот внешний сигнал (например, обработкой прерывания). Значения флагов и переменных состояния компьютера используются для выбора подходящих состояний для цикла выполнения инструкции.

   Последними состояниями в цикле являются состояния управления, при которых начинается выборка следующей инструкции программы: отправка содержимого счетчика программ в буферный регистр адреса основной памяти и затем чтение командного слова в регистр команд компьютера. Когда текущая инструкция является инструкцией остановки, завершающей выполнение программы, блок управления переходит в состояние операционной системы, в котором он ожидает следующей пользовательской директивы.

2. Микропрограммируемый блок управления —
   Фундаментальное различие между этими структурами блока и структурой аппаратного блока управления заключается в существовании управляющего хранилища, которое используется для хранения слов, содержащих закодированные управляющие сигналы, обязательные для выполнения инструкции.

   В микропрограммных блоках управления последующие командные слова загружаются в регистр команд обычным способом. Однако код операции каждой инструкции не декодируется напрямую, чтобы обеспечить немедленную генерацию управляющего сигнала, но он содержит начальный адрес микропрограммы, содержащейся в управляющей памяти.

   • С одноуровневым хранилищем управления:
     В этом случае код операции команды из регистра команд отправляется в регистр адреса хранилища управления.На основе этого адреса первая микрокоманда микропрограммы, которая интерпретирует выполнение этой инструкции, считывается в регистр микрокоманды. Эта микрокоманда содержит в своей рабочей части закодированные сигналы управления, обычно в виде нескольких битовых полей. В наборах декодеров полей микрокоманды поля декодируются. Микрокоманда также содержит адрес следующей микрокоманды данной микропрограммы инструкции и поле управления, используемое для управления действиями генератора адресов микрокоманды.

     Последнее упомянутое поле определяет режим адресации (операция адресации), который будет применяться к адресу, встроенному в текущую микрокоманду. В микрокомандах наряду с режимом условной адресации этот адрес уточняется с помощью флагов состояния процессора, которые представляют состояние вычислений в текущей программе. Последняя микрокоманда в инструкции данной микропрограммы — это микрокоманда, которая извлекает следующую команду из основной памяти в регистр команд.

   • С двухуровневым хранилищем управления:
     В этом, в блоке управления с двухуровневым хранилищем управления, помимо управляющей памяти для микрокоманд, включена память нано-команд. В таком блоке управления микрокоманды не содержат закодированных сигналов управления. Операционная часть микрокоманд содержит адрес слова в памяти наноинструкций, которое содержит закодированные управляющие сигналы. Память нано-инструкций содержит все комбинации управляющих сигналов, которые появляются в микропрограммах, которые интерпретируют полный набор инструкций данного компьютера, записанный один раз в форме нано-инструкций.

     Таким образом избегается ненужное сохранение одинаковых рабочих частей микрокоманд. В этом случае слово микрокоманды может быть намного короче, чем с одноуровневым хранилищем управления. Это дает намного меньший размер в битах памяти микрокоманд и, как следствие, гораздо меньший размер всей управляющей памяти. Память микрокоманд содержит элемент управления для выбора последовательных микрокоманд, в то время как эти управляющие сигналы генерируются на основе нано-инструкций.В нано-инструкциях управляющие сигналы часто кодируются с использованием метода 1 бит / 1 сигнала, что исключает декодирование.

Вниманию читателя! Не прекращайте учиться сейчас. Ознакомьтесь со всеми важными концепциями теории CS для собеседований SDE с помощью курса CS Theory Course по доступной для студентов цене и подготовьтесь к работе в отрасли.

Рабочий пример: бета-сигналы управления | 13.2 Тематические видео | 13.2 Тематические видео | 13 Создание бета-версии | Вычислительные структуры | Электротехника и информатика

Чтобы лучше понять роль каждого из бета-сигналов управления, мы рассмотрим пример задачи, которая предоставляет нам частично заполненную управляющую таблицу для 5 различных инструкций.

Две из этих инструкций являются существующими бета-инструкциями, которые мы должны вывести из предоставленных управляющих сигналов.

Остальные три — это три новые инструкции, которые мы добавляем в нашу бета-версию, изменяя необходимые управляющие сигналы для обеспечения желаемого поведения каждой из операций.

Первая инструкция, которую мы хотим добавить в нашу бета-версию, — это инструкция LDX, которая представляет собой двойную индексацию загрузки.

Это означает, что для получения эффективного адреса загрузки вместо добавления содержимого регистра к константе, как это делается в инструкции LD, мы складываем содержимое двух разных регистров.

Таким образом, адрес для этой операции загрузки является результатом сложения содержимого регистров Ra и Rb.

Содержимое ячейки памяти, на которую указывает этот эффективный адрес, загружается в регистр Rc.

Наконец, ПК увеличивается на 4, чтобы указать на следующую инструкцию.

Вторая инструкция, которую мы хотим добавить в нашу бета-версию, — это инструкция MVZC, которая является инструкцией с константой перемещения, если она равна нулю.

Эта инструкция работает следующим образом: если содержимое регистра Ra равно нулю, то версия буквальной константы с расширенным знаком будет загружена в регистр Rc.

За этим следует приращение ПК, чтобы указать на следующую инструкцию.

Третья инструкция, которую мы хотим добавить в нашу бета-версию, — это инструкция STR, относящаяся к сохранению.

Для этой инструкции эффективный адрес вычисляется с помощью знака, расширяющего константу C, умножая его на 4 и прибавляя к PC + 4.

Затем содержимое регистра Rc сохраняется в той ячейке памяти, на которую указывает действующий адрес. это было просто вычислено.

В качестве последнего шага ПК увеличивается на 4, чтобы указать следующую инструкцию.

Здесь показано частично заполненное управляющее ПЗУ.

Наша работа — заполнить все желтые поля, помеченные знаком?.

Начнем с верхней строки этой таблицы.

Значение, которое немного отличается в этой строке, — это значение PCSEL, равное 2.

Для большинства инструкций PCSEL равно 0, для инструкций ветвления оно равно 1, а для инструкций JMP равно 2.

Это означает, что инструкция, описанная в этой строке, должна быть инструкцией JMP.

Увеличив масштаб логики управления PCSEL на бета-диаграмме, мы видим, что обычно PCSEL = 0 для перехода к следующей инструкции.

PCSEL = 1, чтобы выполнить операцию ветвления, и PCSEL = 2, чтобы выполнить операцию перехода, где цель перехода указана JT, или цель перехода.

Это означает, что инструкция, описанная в этой строке, должна быть инструкцией JMP.

Здесь показано поведение инструкции JMP.

Эффективный адрес вычисляется путем взятия содержимого RA и очистки нижних 2 битов, чтобы значение стало выровненным по слову.

Адрес следующей инструкции, то есть PC + 4, сохраняется в регистре Rc на тот случай, если нам нужно вернуться к следующей инструкции в программе.

Затем ПК обновляется новым действующим адресом, чтобы фактически продолжить выполнение в месте назначения инструкции JMP.

Эта диаграмма потока данных выделяет необходимый поток данных через бета-версию для правильной реализации инструкции JMP.

Обратите внимание, что через ALU или память не проходят красные линии, потому что ALU и память не используются для этой инструкции.

Управляющие сигналы, которые должны быть установлены, чтобы следовать по этому пути в бета-версии, следующие: WDSEL или выбор записи данных должен быть установлен в 0, чтобы передать значение PC + 4 через мультиплексор WDSEL.

WERF, или файл регистра разрешения записи, должен быть установлен в 1, чтобы разрешить запись в файл регистра.

WASEL, или выбор адреса записи, должен быть установлен в 0, чтобы производить запись в регистр Rc, а не в регистр XP.

ASEL, BSEL и ALUFN не заботятся об инструкции JMP.

Кроме того, MOE, что означает разрешение вывода в память, также не имеет значения, потому что эта инструкция не использует данные памяти.

Единственный управляющий сигнал, связанный с памятью, о котором нам действительно нужно беспокоиться, — это сигнал MWR или чтения записи в память, который должен быть установлен в 0, чтобы в память не записывалось никакое значение.

Возвращаясь к нашему управляющему ПЗУ и заполняя значение WERF, мы видим, что управляющие сигналы для инструкции JMP соответствуют диаграмме потока данных бета-версии, которую мы только что рассмотрели.

Переходя ко второй строке нашего управляющего ПЗУ, мы видим, что теперь в этой строке есть PCSEL = Z.

Это говорит о том, что инструкция, соответствующая этой строке, является своего рода инструкцией ветвления.

Из двух наших инструкций ветвления одна, которая разветвляется при Z = 1, — это BEQ.

Это означает, что эта строка соответствует операции BEQ.

Остальные управляющие сигналы для операции BEQ выглядят так же, как и для JMP, потому что и здесь ALU и память не используются, поэтому единственный сигнал, связанный с ALU и памятью, который должен быть установлен, это MWR, поэтому мы не записать в память.

Кроме того, как и инструкция JMP, инструкции ветвления также сохраняют адрес возврата в регистре Rc, поэтому поведение управляющих сигналов, относящихся к регистровому файлу, одинаково.

Теперь посмотрим на третью строку ПЗУ управления.

В этой строке нам фактически сообщают, что соответствующая инструкция является недавно добавленной инструкцией LDX.

Итак, наша задача — определить, как установить отсутствующие управляющие сигналы, чтобы добиться желаемого поведения для этой операции.

Напомним, что ожидаемое поведение этой инструкции состоит в том, что содержимое регистров Ra и Rb будет сложено вместе, чтобы получить эффективный адрес загрузки.

Это означает, что нам нужно выполнить ADD в качестве нашего ALUFN.

Нам также нужны нулевые значения ASEL и BSEL для передачи значений регистров Ra и Rb в ALU.

Здесь показан полный поток данных через регистровый файл, ALU и память.

Чтобы читать регистр Rb, а не Rc, RA2SEL должен быть установлен в 0.

Как мы только что упомянули, ASEL и BSEL установлены в 0, а ALUFN установлен в ADD.

Результат сложения регистров Ra и Rb используется как адрес загрузки.

Это называется MA, или адресом памяти на бета-диаграмме.

Чтобы разрешить чтение из памяти, мы устанавливаем MWR на 0 и MOE на 1.

Это устанавливает функцию чтения / записи для чтения и позволяет считывать вывод из порта чтения памяти.

На бета-диаграмме считанные данные помечены как MRD или данные чтения из памяти.

Данные, которые считываются из памяти, затем передаются в регистровый файл, устанавливая WDSEL = 2.

Чтобы записать этот результат в регистр Rc, WERF = 1 и WASEL = 0.

Итак, здесь показано законченное управляющее ПЗУ для операции LDX.

Переходим к четвертой инструкции.

Здесь мы видим, что ALUFN просто пропускает операнд B через регистровый файл.

Мы также видим, что WERF зависит от значения Z.

Это означает, что инструкция, которая соответствует этой строке, — это MVZC, которая перемещает константу в регистр Rc, если содержимое регистра Ra = 0.

Способ, которым это Инструкция работает так: BSEL = 1 для передачи константы в качестве операнда B и ALUFN = B для передачи этой константы через ALU.

WDSEL = 1, так что выход ALU возвращается как значение записи для файла регистров.

Поскольку WDSEL = 1, а не 2, мы знаем, что данные, поступающие из памяти, будут игнорироваться, поэтому MOE может быть безразличным.

Конечно, MWR все равно должен быть установлен в 0, чтобы гарантировать, что мы не записываем случайные значения в нашу память.

RA2SEL также не имеет значения, потому что нас не волнует, передается ли регистр Rb или регистр Rc в качестве второго аргумента чтения файла регистра, RD2.

Причина, по которой нам все равно, состоит в том, что BSEL = 1 будет игнорировать значение RD2 и передавать константу, которая поступает непосредственно из инструкции после ее расширения знаком.

ASEL также не имеет значения, потому что ALU будет игнорировать вход A, когда ALUFN = B.

WASEL должен быть 0, чтобы результат операции записывался в регистр Rc.

Наконец, PCSEL = 0 для загрузки PC + 4 в регистр PC, чтобы следующая инструкция была выбрана после этой.

Теперь мы на последней строке нашего управляющего ПЗУ.

Мы знаем, что эта строка должна соответствовать нашей третьей добавленной инструкции, которая является STR или относительной записью.

Напомним, что эта инструкция записывает содержимое регистра Rc в память по адресу, который вычисляется эффективной адресной строкой.

Эффективный адрес этой инструкции — PC + 4 + 4 * SEXT (C).

Дополнительный сумматор, расположенный непосредственно под памятью команд, используется для вычисления PC + 4 + 4 * SEXT (C).

Это значение затем передается в ALU через операнд A путем установки ASEL = 1.

Установка ALUFN = A передает это значение как выход ALU, чтобы использовать его в качестве адреса памяти.

Это адрес, по которому хранилище будет записывать в память.

Значение, которое будет записано по этому адресу в памяти, — это содержимое регистра Rc.

Регистр Rc пропускается через регистровый файл, устанавливая RA2SEL = 1.

Это заставляет RD2 иметь содержимое регистра Rc.

Это значение затем становится MWD или данными записи в память, которые являются данными, которые будут храниться в адресе памяти, созданном ALU.

Чтобы разрешить запись в память, MWR должен быть установлен на 1.

Поскольку WERF = 0, ничего нельзя записать в регистровый файл.

Это означает, что значение WDSEL и WASEL не имеет значения, поскольку файл регистров не будет затронут независимо от их значений.

Наконец, ПК увеличивается на 4, чтобы получить следующую инструкцию.

Итак, здесь показано наше законченное контрольное ПЗУ для операции STR.

Аналоговые управляющие сигналы, используемые в системах отопления, вентиляции и кондиционирования воздуха

В старые времена систем автоматизации зданий управление большинством вещей осуществлялось с помощью сжатого воздуха. Этот метод назывался пневматическим и состоял из системы с воздушным компрессором с небольшими трубками, проложенными по всему зданию, с использованием воздуха низкого давления в диапазоне 3-15 фунтов на квадратный дюйм. Система управления могла либо включать, выключать подачу воздуха к устройству, либо изменять давление воздуха на устройство в зависимости от нагрузки.Эти маленькие трубки будут управлять клапанами, заслонками и насосами, среди прочего, в системе. Изменение сигнала с нагрузкой — это то, что мы будем называть модулирующим аналоговым сигналом.

Положительные и отрицательные стороны каждого типа аналогового управляющего сигнала

Со времен расцвета пневматики электронные средства управления стали менее дорогими и более популярными. Сегодня в системе автоматизации здания почти все управляется электроникой. Модулирующие аналоговые сигналы теперь представляют собой либо переменное напряжение 0-10 вольт постоянного тока, либо переменный ток 4-20 миллиампер постоянного тока.Давайте посмотрим на плюсы и минусы каждого типа этих аналоговых сигналов.

Сигнал 0-10 В постоянного тока

Запуск с сигналом 0–10 В постоянного тока, очень распространенным в отрасли HVAC, и большинство контроллеров и оборудования управления зданием могут отправлять и принимать сигнал 0–10 В постоянного тока. Этот сигнал чувствителен к электрическим помехам от двигателей и других линий электропередач и оборудования в здании. Длина кабеля также играет роль в сигнале. Более длинные кабели могут эффективно снизить напряжение сигнала из-за сопротивления длины провода.Чем длиннее кабель, тем больше падение напряжения в сигнале.

Поиск и устранение неисправностей 0–10 В постоянного тока можно легко выполнить, используя вольтметр постоянного тока и подключив провода измерителя к клеммам, на которых они подсоединены. Если счетчик показывает ноль вольт, это не означает, что контроллер не выдает напряжение, это может означать, что в проводе есть обрыв. Вы должны перейти к другому концу провода и снова измерить напряжение, чтобы определить, не оборван ли провод.

Сигнал 4-20 мА

Сигнал 4–20 мА — лучший выбор для кабелей большой длины, а также он менее восприимчив к внешним помехам от двигателей и других линий электропередач и оборудования в здании.По этим причинам сигнал 4-20 мА использовался в управлении промышленными процессами.

Устранение неисправностей также легко выполняется с помощью амперметра постоянного тока. Чтобы использовать амперметр постоянного тока, вы сначала должны разорвать токовую цепь, отсоединив один из проводов от точки подключения и надев один провод измерителя на точку подключения, а другой провод измерителя — к проводу, удаленному от точки подключения. Поскольку «минимальный» сигнал составляет 4 мА, легко определить, есть ли обрыв провода в контуре, поскольку счетчик покажет 0 мА.

Таким образом, у каждого типа управляющего сигнала есть свои плюсы и минусы. Оба типа могут быть легко измерены техническим прибором, если он может считывать постоянное напряжение постоянного тока в мА. Вы можете использовать любой из этих типов в системах HVAC и должны владеть обоими методами.

Заявление об ограничении ответственности: R. L. Deppmann и его аффилированные лица не несут ответственности за проблемы, вызванные использованием информации на этой странице. Хотя эта информация исходит из многолетнего опыта и может быть ценным инструментом, она может не учитывать особые обстоятельства в вашей системе, и поэтому мы не можем нести ответственность за действия, вытекающие из этой информации.Если у Вас возникнут вопросы, обращайтесь к нам.

Раздел 544.007 — Сигналы управления дорожным движением в целом, Tex. Transp. Кодекс § 544.007

Действующий с законодательством, принятым на регулярной сессии 2019 года

Раздел 544.007 — Сигналы управления дорожным движением в целом (a) Сигнал управления дорожным движением, отображающий различные цветные огни или цветные светящиеся стрелки последовательно или в комбинации, может отображаться только зеленым , желтый или красный и применяется к операторам транспортных средств, как это предусмотрено в этом разделе. (b) Оператор транспортного средства, стоящего перед круговым зеленым сигналом, может двигаться прямо или повернуть направо или налево, если только знак не запрещает поворот. Оператор должен уступить дорогу другим транспортным средствам и пешеходам, законно находящимся на перекрестке или прилегающем пешеходном переходе, когда подан сигнал. (c) Оператор транспортного средства встречает сигнал зеленой стрелки, отображаемый отдельно или с другим сигналом, может осторожно въехать на перекресток, чтобы двигаться в направлении, разрешенном стрелкой или другим указателем, показанным одновременно.Оператор должен уступить дорогу пешеходу на прилегающем пешеходном переходе на законных основаниях и другим транспортным средствам, законно использующим перекресток. (d) Оператор транспортного средства, который видит только постоянный красный сигнал, должен остановиться на четко обозначенной стоп-линии. При отсутствии стоп-линии оператор должен остановиться перед въездом на пешеходный переход на ближней стороне перекрестка. Автомобиль, который не поворачивает, должен стоять до тех пор, пока не появится указание на движение. После остановки и остановки до перекрестка, где можно безопасно въехать на перекресток и предоставления пешеходам законного права проезда на соседнем пешеходном переходе и других транспортных средств, законно использующих перекресток, оператор может: (1) повернуть направо; или (2) повернуть налево, если пересекающиеся улицы являются улицами с односторонним движением и левый поворот разрешен. (e) Водитель транспортного средства, движущийся по постоянному желтому сигналу, предупреждается этим сигналом о том, что: (1) движение, разрешенное зеленым сигналом, прекращается; или (2) подается красный сигнал. (f) Транспортная комиссия Техаса, муниципальный орган или уполномоченный суд округа могут запретить в пределах юрисдикции организации поворот для оператора транспортного средства, стоящего перед постоянным красным сигналом, разместив на перекрестке уведомление о том, что поворот запрещенный. (g) Этот раздел применяется к официальному сигналу управления дорожным движением, размещаемому и поддерживаемому в месте, отличном от перекрестка, за исключением положения, которое по своей природе не может применяться. Требуемая остановка должна производиться у знака или разметки на тротуаре, указывающих, где должна быть сделана остановка. При отсутствии такого знака или обозначения остановка должна производиться по сигналу. (h) Обязанности, налагаемые настоящим разделом, применяются к водителю трамвая так же, как и к водителю транспортного средства. (i) Оператор транспортного средства, столкнувшегося с сигналом управления движением, отличным от сигнала управления съездом на автомагистраль или пешеходного гибридного маяка, который не отображает индикацию ни в одной из сигнальных головок, должен остановиться в соответствии с разделом 544.010 как будто на перекрестке стоит знак остановки. (j) В этом разделе: (1) «Сигнал управления съездом на въезд с автострады» означает сигнал управления движением, который управляет потоком движения, въезжающим на автостраду. (2) «Гибридный пешеходный маяк» означает управляемый пешеходом сигнал управления дорожным движением, который последовательно отображает огни разного цвета только при активации пешеходом.

Tex. Transp. Кодекс § 544.007

с изменениями, внесенными законами 2011 г., 82-й лег., Р.С., гл. 485, п. 1, эфф. 17 июня 2011 г. с изменениями, внесенными законами 2003 г., 78-й лег., Гл. 1325, п. 19.04, эфф. 1 сентября 2003 г., Закон 1995 г., 74-й лег., Гл. 165, п. 1, эфф. 1 сентября 1995 г.

---

Структура для диагностики неконтролируемых сигналов в многомерном процессе с использованием оптимизированных опорных векторных машин

Многомерное статистическое управление процессом является продолжением и развитием унитарного статистического управления процессом.Большинство многомерных диаграмм статистического контроля качества обычно используются (в обрабатывающей промышленности и сфере услуг), чтобы определить, работает ли процесс так, как задумано, или есть какие-то неестественные причины отклонений в общей статистике. Как только контрольная диаграмма обнаруживает неконтролируемые сигналы, одна трудность, с которой сталкиваются с многомерными контрольными диаграммами, — это интерпретация неконтролируемого сигнала. То есть мы должны определить, одна или несколько переменных или их комбинация ответственны за аномальный сигнал.В этой статье описан новый подход к диагностике неконтролируемых сигналов в многомерном процессе. Предлагаемая методология использует оптимизированные машины опорных векторов (классификация опорных векторов машин на основе генетического алгоритма) для распознавания набора подклассов многомерных паттернов, определения ответственных переменных при возникновении паттернов. Для проверки этой модели используются несколько наборов экспериментов. Эффективность предлагаемого подхода демонстрирует, что эта модель может точно классифицировать источник (источники) неконтролируемого сигнала и даже превосходит традиционную многомерную схему управления.

1. Введение

Статистическое управление процессами (SPC) — один из наиболее эффективных инструментов общего управления качеством (TQM), который используется для отслеживания изменений производственного процесса. Контрольные диаграммы — это наиболее широко применяемые инструменты SPC, используемые для выявления аномальных вариаций контролируемых измерений, а также для определения их возможных причин [1, 2]. По диаграмме состояния мы можем легко узнать, находится ли производственный процесс в контролируемом состоянии или нет; Специалисты по качеству или инженеры ищут возможные причины и вносят некоторые необходимые исправления и корректировки, чтобы вернуть неконтролируемый процесс обратно в контролируемое состояние [3].

В поле множественной диагностики качества часто есть две или более характеристики качества, которые следует контролировать одновременно. Идея природы заключается в том, что мы можем вести отдельную контрольную диаграмму для каждой характеристики. Традиционная технология SPC основана на данных наблюдения за процессом, отвечающих независимым и одинаково распределенным. Однако многие производственные процессы не соответствуют этому предположению. Это привело бы к явлению высокой степени распознавания ошибок, когда характеристики сильно коррелированы.Хотеллинг первым распознает дефекты, если мы просто расширим одномерную контрольную диаграмму до многомерного процесса; таким образом, концепция многомерного качества была предложена в 1947 году. Статистика Хотеллинга [4–7] может быть наиболее распространенным инструментом в многомерном анализе для определения того, находится ли весь процесс в неконтролируемом состоянии. Основные возможные причины средних сдвигов связаны с появлением новых рабочих, машин, материалов или методов, изменением метода или стандарта измерения и т. Д.Статистикой теста среднего вектора учитывается не только волатильность среднего, но и корреляция между переменными. это оптимальная тестовая статистика для обнаружения общего сдвига. Помимо контрольной диаграммы, Mason et al. [8] предложили процедуру выбора причины с использованием декомпозиции статистики. Пользователь может увидеть вклад каждой переменной, разложив статистику. Более того, это разложение позволяет пользователю наблюдать, какая переменная (и) со значительным вкладом является (являются) причиной аномальных процессов.Недостатками этого метода являются дополнительные вычисления и его чувствительность к количеству переменных. Для обнаружения средних сдвигов были предложены другие многомерные контрольные диаграммы, такие как контрольная диаграмма многомерного экспоненциально взвешенного скользящего среднего (MEWMA) и контрольная диаграмма многомерной совокупной суммы (MCUSUM). Lowry et al. [9] предложили многомерное расширение контрольной диаграммы экспоненциально взвешенной скользящей средней (EWMA). Они сравнили свой метод с контрольной диаграммой многомерной совокупной суммы (MCUSUM), основанной на показателях средней длины бега (ARL), и их результаты показали, что диаграмма MEWMA была похожа на диаграмму MCUSUM в обнаружении средних сдвигов многомерного нормального распределения.

Помимо традиционной технологии многомерного статистического управления процессом (MSPC), многие ученые пытались диагностировать аномальный процесс в многомерном процессе с помощью интеллектуального анализа данных и искусственного интеллекта, особенно нейронных сетей [10, 11]. Нейронные сети (NN) обладают отличной устойчивостью к шуму в реальном времени, не требуя гипотез о статистическом распределении контролируемых измерений. Эти важные особенности делают сети NN перспективными и эффективными инструментами, которые можно использовать для улучшения анализа данных в приложениях для контроля качества производства.В последние два десятилетия различные сети с разной структурой и алгоритмами обучения получили широкое распространение для контроля качества [12]. Многослойный персептрон (MLP) NN [13], обучающее векторное квантование (LVQ) NN [14], вероятностное NN [15], адаптивная теория резонанса (ART) NN [16], модульная NN [17], NN с обратным распространением (BPN) [ 18] и т. Д., Использовались для обнаружения аномальных сигналов и (или) идентификации некоторых основных аномальных паттернов, таких как сдвиг, тренд, цикл и паттерны смешения. Эти модели на основе NN показали свою эффективность и действенность в SPC.

Суммирование нескольких интересующих переменных в одной статистике не освобождает источник (и) неконтролируемых сигналов; то есть, он не может сказать, какая из переменных или комбинация переменных вызвали неконтролируемые сигналы. Вы знаете, что знание разделения неконтролируемых переменных может быть полезным для сужения набора возможных назначаемых причин, что является более быстрым выявлением конкретных причин и сокращением затрат на корректировку.

В литературе есть несколько многомерных исследований, посвященных нейронным сетям, таких как эффективное обнаружение неконтролируемых сигналов или идентификация источников неконтролируемых сигналов посредством среднего сдвига в многомерных процессах.Эль-Мидани и др. [19] разработали искусственные нейронные сети для распознавания, управляющие распознаванием образов диаграммы в многомерном процессе. Yu et al. [1, 20] предложили подход к ансамблю селективной нейронной сети (NN) (DPSOEN, оптимизация роя дискретных частиц) для мониторинга и диагностики неконтролируемых сигналов в двумерном процессе. Обширные эксперименты показывают, что этот метод эффективен. Салехи и др. [21] представили гибридную модель, основанную на обучении, для оперативного анализа неконтролируемых сигналов в многомерных производственных процессах.Основным вкладом этой работы является распознавание типа неестественного паттерна и классификация основных параметров для сдвига, тренда и цикла, а также для каждой переменной одновременно с помощью предложенной гибридной модели. Kim et al. [22] попытались интегрировать современные алгоритмы интеллектуального анализа данных, включая искусственные нейронные сети, поддержку векторной регрессии и многомерные сплайны адаптивной регрессии с методами SPC для достижения эффективного мониторинга в многомерных и автокоррелированных процессах.Результаты моделирования для различных сценариев показали, что контрольные диаграммы на основе моделей интеллектуального анализа данных работают лучше, чем традиционные контрольные диаграммы на основе моделей временных рядов. Cheng et al. [23] разработали использование SVR для прогнозирования величины изменения процесса. Нейронные сети с прямой связью с различными алгоритмами обучения и оценкой на основе CUSUM используются в качестве эталонов для сравнения.

Исследования показывают, что определение источника (ов) неконтролируемых сигналов с помощью нейронной сети оказалось эффективным и полезным инструментом в многомерных производственных процессах, который имеет лучшие возможности оценки, чем CUSUM и MEWMA.Однако классификатор ИНС обладает способностью к суждению и классификации только после того, как он изучен с помощью машинного обучения. Это обучение, основанное на принципе минимизации эмпирического риска, что приводит к длительному времени обучения, плохой способности к обобщению и легкости падения в локальный минимум. Он не подходит для качественной диагностики, когда процесс динамичный и изменчивый. Хотя машины поддержки векторов показали отличную производительность обобщения в ряде приложений, одна проблема, с которой сталкивается пользователь SVM, заключается в том, как выбрать ядро ​​и конкретные параметры для этого ядра.Поэтому приложения SVM требуют поиска оптимальных настроек для конкретного приложения. Функции ядра отображают исходные данные в пространство более высокого измерения и делают входные данные линейно разделяемыми в преобразованном пространстве. Выбор функций ядра в значительной степени зависит от задачи и является наиболее важным фактором в приложениях поддержки векторных машин. В этой работе ядро ​​RBF используется в качестве функции ядра SVM, поскольку оно имеет тенденцию обеспечивать лучшую производительность.

В этом исследовании, учитывая высокую мощность распознавания машины опорных векторов и возможности глобального поиска генетического алгоритма, был разработан оптимизированный подход SVM, названный GA-SVM (классификация опорных векторов машин на основе генетических алгоритмов); Предложена структура распознавания образов контрольной диаграммы многомерных данных наблюдений для классификации источников неконтролируемых сигналов в многомерных процессах. Классификация SVM используется для распознавания выбранных подклассов многомерных аномальных паттернов, определения вариации (ов), которые ответственны (являются) за возникновение анормального паттерна, в то время как роль GA заключается в том, что он оптимизирует параметры SVM, такие как параметры функции ядра. и штрафной коэффициент.

Остальная часть этого документа организована следующим образом: генерация шаблонов многомерного процесса и алгоритмы опорных векторных машин представлены в разделе 2; Раздел 3 описывает диагностический классификатор SVM на основе ГА в средстве процесса для его содержания; в разделе 4 мы используем численный пример и серийные тесты для проверки предложенного метода; выводы представлены в Разделе 5.

2. Методология

В этом разделе представлен практический обзор создания шаблонов многомерных процессов и алгоритмов поддержки векторных машин.Он готовится к тому, чтобы модель диагностики была предложена в следующей главе.

2.1. Генерация шаблонов многомерного процесса

Согласно теории многомерного контроля качества [24–26], статистика может отражать состояние корреляционной структуры и средний вектор данных многомерного процесса. Общее качество многомерного процесса можно контролировать, сравнивая приведенную выше статистику с положительным UCL. Эти диаграммы легко построить, если параметры процесса (т.е., — средний вектор и — ковариационная матрица) известны. Однако ковариационная матрица обычно неизвестна во многих областях контроля качества; мы не могли принять значение произвольно. В этом случае ковариационная матрица должна оцениваться с помощью предельной выборки. Вектор среднего и ковариационная матрица достаточны для характеристики любого многомерного нормального распределения. Таким образом, случайные многомерные векторы, такие как, представляют собой вектор наблюдений на основе качественных характеристик независимых нормальных распределений во времени.Таким образом, при многомерном статистическом управлении процессом средний вектор статистики получается с использованием следующей формы:

Случайные выборки размера регулярно собираются из процесса. Таким образом, представляет собой средний вектор для каждого из многомерных векторов, например для to. Термин представляет собой количество характеристик качества, представленных одним вектором-столбцом, и является транспонированным, то есть вектором-строкой. Наконец,, которая является матрицей по, является обратной по отношению к матрице. Следовательно, статистика является результатом матрицы по (т.е., это скалярная величина). Каждый нормальный многомерный средний вектор должен приводить к значению, которое меньше или равно UCL, заданному как, где — верхний хвост распределения, который действует как ошибка типа I, когда доверительный предел равен проценту и со степенями свободы. . Любой вектор, который приводит к построению графика выше предела, исключается из моделируемого набора данных. Размер выборки сохраняется равным 1, так что векторное значение каждой моделируемой многомерной точки используется непосредственно для представления одного наблюдения выборки.

2.2. Краткое введение в алгоритмы машины опорных векторов

Метод машины опорных векторов — это новая и многообещающая технология классификации и регрессии [27–31]. Основную идею SVM можно кратко изложить следующим образом. SVM изначально отображает входные векторы в многомерное пространство признаков, линейно или нелинейно, что имеет отношение к выбору функции ядра. Входные векторы или векторы признаков в пространстве признаков затем классифицируются линейно с помощью численно оптимизированной гиперплоскости, разделяющей два класса (это может быть расширено до мультикласса).Обучение SVM всегда ищет глобально оптимизированное решение, а гиперплоскость зависит только от подмножества обучающих примеров [32–35].

Позвольте,,, быть обучающим набором с входными векторами и выходом. Здесь — количество выборочных наблюдений, — размерность каждого наблюдения и — известная цель. Алгоритм заключается в поиске гиперплоскости, где — вектор гиперплоскости и член смещения, чтобы отделить данные от двух классов с максимальной шириной поля, а все точки под границей называются опорным вектором.Для оптимизации гиперплоскости SVM решает следующую задачу оптимизации:

Трудно решить (2). Таким образом, SVM преобразует задачу оптимизации в двойственную задачу методом Лагранжа. Значение в методе Лагранжа должно быть неотрицательными действительными коэффициентами. Уравнение (2) преобразуется к следующей ограниченной форме:

В (3) — коэффициент штрафа, определяющий степень штрафа, назначенного за ошибку. Его можно рассматривать как параметр настройки, который можно использовать для управления компромиссом между максимизацией маржи и ошибкой классификации.Чтобы точно разделить два класса, добавьте как недостающую переменную в уравнение Лагранжа, чтобы получить,,. Задача переменной slack — увеличить гибкий буфер границы.

В общем, он не смог найти линейную отдельную гиперплоскость для всех данных приложения. Для задач, которые не могут быть линейно разделены во входном пространстве, SVM использует метод ядра для преобразования исходного входного пространства в многомерное пространство признаков, где может быть найдена оптимальная линейная разделяющая гиперплоскость.Общие функции ядра — это линейная, полиномиальная, радиальная базисная функция (RBF) и сигмоид. Хотя доступно несколько вариантов функции ядра, наиболее широко используемой функцией ядра является RBF, которая определяется как [36] где — параметр функции ядра. Следовательно, в этом исследовании используется RBF. Также в этом исследовании мы использовали многоклассовый метод SVM для построения диагностической модели.

3. Модель диагностики на основе оптимизированной машины опорных векторов в процессе

Параметры, которые необходимо определить, — это параметр ядра, параметр регуляризации и.Параметр ядра определяет структуру многомерного пространства функций. Параметр ядра выбирается с помощью генетического алгоритма (GA). Параметр регуляризации следует выбирать с осторожностью, чтобы избежать переобучения.

В этой статье для достижения цели диагностики по среднему вектору, а также идентификации и определения местоположения аномальных переменных в многомерном процессе, во-первых, мы предполагаем, что аномальные факторы в процессе только делают изменяемые средний вектор вместо изменяемой ковариационной матрицы.Исходя из этого, в данной статье предлагается диагностика неконтролируемых сигналов в многомерном процессе на основе диаграммы хотеллинга и оптимизированных векторных машин поддержки. Структура модели диагностики кратко проиллюстрирована на рисунке 1.

Схема может быть кратко представлена ​​следующим образом: часть обнаружения и процесс диагностики. Когда статистически выявляется неконтролируемый сигнал, собираются дополнительные наблюдения процесса, и они рассматриваются как хромосома, которая затем выполняется с помощью двоичного кода.Мультиклассовый машинный классификатор опорных векторов будет использоваться для распознавания случайной хромосомы, а точность распознавания будет рассматриваться как функция пригодности для оценки приспособленности отдельного признака. Путем операций отбора, кроссовера и мутации с самоадаптирующейся оптимизацией GA для параметра штрафа и параметра ядра мы получаем оптимальную модель, которая, наконец, используется для идентификации источника (ов) неконтролируемого сигнала, а также идентификация и расположение аномальных переменных.

На рисунке 1 мы идентифицируем и обнаруживаем аномальные переменные, переводя их в проблему распознавания образов. Для процесса производства размерности есть случаи: среднее значение каждой переменной либо нормальное, либо ненормальное. В этих условиях средний вектор -мерности полностью имеет нормальные (ненормальные) состояния. Другими словами, существует только одно нормальное состояние и ненормальное состояние. Если контрольная диаграмма вышла из-под контроля, это должно быть одно из ненормальных состояний. Чтобы различать эти состояния, мы определяем это ненормальное состояние как шаблоны, которые следует идентифицировать; мы используем оптимизированную модель SVM для выявления аномального сигнала, полученного с помощью генетического алгоритма.

В качестве примера двумерного процесса опорный вектор среднего и ковариационная матрица; аномальное состояние среднего вектора имеет только три обстоятельства, которые следует идентифицировать: первая переменная вышла из-под контроля, а вторая переменная находится под контролем; первая переменная находится под контролем, вторая переменная вышла из-под контроля; обе две переменные вышли из-под контроля. Если обозначить неконтролируемую переменную как 1, а контролируемую переменную как 0, то целевыми векторами для этих случаев были значения (0,0,0,0), (0,1,0,0), (0 , 0,1,0) и (0,0,0,1), которые используются для идентификации того, что нормальная, первая и вторая или обе характеристики качества находятся в неконтролируемом состоянии, где отметка ( 0,0,0,0) представляет собой нормальные шаблоны, а (0,1,0,0), (0,0,1,0) и (0,0,0,1) представляют три аномальных шаблона.Когда по статистике обнаруживается неконтролируемый сигнал, и если оптимальная модель SVM обнаруживает шаблон сигнала (0,1,0,0), это указывает на то, что в этом процессе первая переменная находится под контролем, а вторая переменная выходит из-под контроля; Как только оптимальная модель SVM обнаруживает шаблон сигнала (0,0,0,1), это указывает на то, что в этом процессе обе две переменные вышли из-под контроля, и так далее. В упомянутой выше идее оптимальная модель SVM является не только заменой контрольной диаграммы хотеллинга, но также идентификацией и местоположением аномальных переменных, когда контрольной схемой обнаруживается неконтролируемый сигнал.

4. Моделирование и анализ

В этом разделе приведен пример, полученный из двумерного примера химического процесса Монтгомери, чтобы проиллюстрировать использование предлагаемого подхода. Параметры этого процесса представляют собой целевые значения процесса и; вектор эталонного среднего и эталонная матрица дисперсии получают по первым пятнадцатым данным наблюдения. Таким образом, и is

В следующей части мы сравним возможности оценки различных статистических подходов, таких как BPNN, SVM и оптимизированная SVM.

4.1. Разработка примеров и установка параметров

Данные обучения очень важны в приложениях SVM, которые определяют эффективность распознавания работы классификатора. В этом исследовании метод моделирования Монте-Карло был применен для создания необходимых наборов данных нормальных и ненормальных примеров для обучения и тестирования. Многомерное моделирование может дать только упрощенную картину реальности. Наилучшая альтернатива — там, где это возможно, собирать различные данные из реальных производственных систем.

В двумерном приложении SPC вход в нейронную систему должен состоять из окна временного ряда двумерных векторов. В этом исследовании рассматриваются пять различных типов сдвигов (т. Е., И), связанных с той характеристикой качества, которые равномерно охватывают диапазон сдвигов всего процесса. Для создания наборов обучающих данных мы сдвигаем средний вектор как, и в этом двумерном процессе, чтобы проверить хорошие возможности SVM в небольшой выборке; пятьсот входных векторов сдвинуты на 1.0 для каждой аномальной модели были сгенерированы с использованием статистики, которая использовалась в качестве набора обучающих данных для оптимизированной SVM.

Количество SVM в выходном слое определяется размерностью характеристик качества. Выходной вектор состоит из четырех элементов и использует наибольшее значение для идентификации источника (ов) всех сигналов; в этом исследовании количество выходных узлов равно 4.

Чтобы оценить производительность оптимизированной SVM, были сгенерированы различные сдвинутые вектора выборки,,, и.Подобно сгенерированным наборам обучающих данных, мы применили статистику для обнаружения общего неконтролируемого сигнала для каждого вектора выборки с ошибкой типа I, равной 0,5. Мы делали это, пока не получили 500 примеров для каждого ненормального случая, которые использовались в качестве наборов данных тестирования оптимизированной SVM.

4.2. Оптимизация с использованием генетического алгоритма (GA)

SVM — это мощный инструмент машинного обучения и интеллектуального анализа данных, обладающий классификационной способностью. Однако на производительность SVM сильно влияет параметр штрафа (стоимости) и дисперсия параметра функции ядра RBF.

Глобальная оптимизация пытается найти абсолютно лучший набор оптимальных условий, которые приводят к наивысшему объективному значению. Обычно это очень сложная проблема. Традиционные методы оптимизации, такие как поиск градиентного подъема / спуска в направлении локального вектора градиента, и, таким образом, легко застревают в проблеме с мультимодальной целевой функцией. Метод оптимизации, используемый в нашем исследовании, — это генетический алгоритм (ГА), который является одним из самых популярных и широко используемых методов глобальной оптимизации.На рисунке 2 представлена ​​структура оптимизации параметров с помощью генетического алгоритма (ГА).

4.3. Анализ производительности для двумерного процесса

В этом разделе влияние ключевых факторов оптимизированной модели SVM на их производительность обобщения анализируется путем проведения следующих экспериментов. Анализ может помочь нам получить подходящую настройку параметров для улучшения обобщающих характеристик предлагаемой модели.

4.3.1. Тест 1: процесс выбора оптимальных параметров

В этом исследовании свободные параметры SVM были выбраны после эксперимента по оптимизации генетического алгоритма. Весь процесс реализован в Matlab 2009b. Чтобы найти оптимальные параметры, мы выбрали типы сдвига для трех различных значений волатильности; каждый тип генерирует 100 образцов. Соответствующие параметры генетических операций устанавливаются следующим образом: размер популяции — 20, максимальное количество итераций — 200, генетический разрыв поколения и вероятность мутации принимаются равными 0.9 и 0,01 соответственно, сингл — 0,01, выбранное ядро ​​было основано на RBF с размером 1,0834, а параметр регуляризации был установлен на 1,5136. На рисунках 3 (a) и 3 (b) показан пример результата поиска по сетке, где -axis и -axis равны и, соответственно. -Axis — это точность. Результаты этого эксперимента показали, что SVM довольно устойчива к выбору параметров.

(a) Поверхностный график поиска по сетке
(b) Контурные графики поиска по сетке
(a) Поверхностный график поиска по сетке
(b) Контурные графики поиска по сетке

4.3.2. Тест 2: Анализ чувствительности к разным моделям

В таблице 1 представлено сравнение производительности модели BPNN на основе исходных данных, модели SVM и оптимизированной модели SVM, обученной и протестированной с использованием исходных данных. Общий общий процент правильного распознавания трех моделей составляет 92,11, 94,23 и 97,96 соответственно. Оптимизированная SVM показывает лучшую производительность идентификации в большинстве случаев по сравнению с моделью BP и SVM. Это указывает на то, что тип классификатора и выбор ядерного параметра и параметра штрафа (стоимости) могут помочь повлиять на качество распознавания классификации.Таким образом, генетический алгоритм может усилить характерную черту неконтролируемых сигналов.

9045 9045 0,0 1,0) 90.00 909 93.6 909 1045 4745 94,0 9045 9 9045 92.0 909 4645 9045 909 4645 92,2 95.0 96.0 Оптимизированный 9045 9045 97.6 909 909 909 98,0 Модель Сдвиг Правильный процент классификации (%) величина (0 0 0 0) (0 1 0 0 0) 9045 1 0) (0 0 0 1) Процент BPNN (0.0 0,0) 470 14 13 3 94,00 (1,0 0,0) 0 450 12 38 0 3 452 45 90,38 (1,0 1,0) 0 30 25 445 89 (1,5 0,0) 0 460 1 39 92,00 (0,0 1,5) 0 0 2 91,60 (1,5 1,5) 0 27 23 450 90,00 (2,0 0,0) 0 9 0 (0,0 2,0) 0 5 465 30 93,0 (2,0 2,0) 0 45 0 4 90,0 (2,5 0,0) 0 470 0 25 94,0 (0,0 2,5) 0 94.4 (2,5 2,5) 0 20 22 458 91,6 (3,0 0,0) 0 (0,0 3,0) 0 3 471 12 94,2 (3,0 3,0) 0 Совокупный 92,11 SVM (0,0,0,0) 480 (0,0,0,0) 480 8 9045 9045 9045 9045 (1,0 0,0) 0 468 12 20 93,6 (0,0 1,0) 0 9 468 9 468 6 (1,0 1,0) 0 16 22 462 92,4 (1,5 0,0) 0 0 (0,0 1,5) 0 3 472 25 94,2 (1,5 1,5) 0 (2,0 0,0) 0 474 8 18 94,8 (0,0 2,0) 470459 3 0 3 94,0 (2,0 2,0) 0 10 22 468 93,6 (2,5 0,0) 0 (2,5 0,0) 0 (0,0 2,5) 0 9 472 19 94,4 (2,5 2,5) 0 (2,5 2,5) 0 4 92,0 (3,0 0,0) 0 480 2 18 96,0 (0,0 3,0) 0 2 0 2 95.6 (3,0 3,0) 0 15 13 472 94,4 Агрегатное (0,0,0,0) 500 0 0 0 100 SVM (1,0 0,0) 0 480 1 19.0 (0,0 1,0) 0 3 484 13 96,8 (1,0 1,0) 0 8 0 96,4 (1,5 0,0) 0 491 0 9 98,2 (0,0 1,5) 0 (1,5 1,5) 0 5 5 490 98,0 (2,0 0,0) 0 0 (0,0 2,0) 0 1 488 11 97,6 (2,0 2,0) 0 97.0 (2,5 0,0) 0 490 0 10 98,0 (0,0 2,5) 0 0 0 99,4 (2,5 2,5) 0 5 4 491 99,2 (3,0 0,0) 0 904 909 98.8 (0,0 3,0) 0 0 495 5 99,0 (3,0 3,0) 0 7 0 7 97,4 Совокупный 97,96

модель.Таким образом, оптимизированная SVM может применяться в некоторых многомерных процессах, которые имеют множество характеристик качества (например, более трех характеристик), что может снизить сложность структуры NN и помогает построить SVM с более простой структурой. Более того, оптимизированный SVM показывает хорошую производительность при идентификации источника (ов) неконтролируемых сигналов.

4.3.3. Тест 2: Анализ чувствительности к количеству обучающих примеров

Обучающие наборы разных размеров были созданы для оптимизации обучения.В таблице 2 представлены результаты тестирования оптимизированной SVM, обученной на различных примерах. Из этих результатов можно сделать следующие выводы: (1) Увеличение количества обучающих примеров может улучшить производительность GASVM до определенного уровня точности при любом заданном значении величины сдвига. Это можно объяснить тем фактом, что с достаточно большими обучающими наборами есть больше шансов на истинное представление проблемного пространства. Однако любое дальнейшее увеличение размера обучения после достижения таких пределов не улучшит производительность GASVM.Более того, больший обучающий набор приводит к более высоким временным затратам на обучение. (2) Аномальные шаблоны с малыми величинами сдвига требуют большего представления распределения плотности с помощью больших обучающих наборов. (3) Аномальные шаблоны с большими величинами сдвига требуют меньших наборов обучающих данных, так как их легче идентифицировать. Это связано с тем, что аномальные модели с большими величинами сдвига имеют более сильные особенности, которые легче отделяются от других аномальных моделей.

9045 9045 9045 9045 9045 9045 9045 В этой статье мы предложили оптимизированную SVM как подход к оценке размера сдвига процесса. Генетический алгоритм используется для самоадаптивной оптимизации параметра штрафа и параметра ядра; затем было введено это оптимизированное моделирование SVM, чтобы идентифицировать ответственные переменные при возникновении аномального паттерна.Характеристики предлагаемого подхода были оценены путем оценки различных шаблонов точности распознавания с помощью моделирования. Предлагаемый оптимизированный подход SVM сравнивался с ANN и SVM. Обширные сравнения показывают, что предлагаемый подход, представленный в этом документе, предлагает конкурентоспособную альтернативу существующим процедурам контроля. Наше исследование показывает, что SVM обеспечивает лучшую производительность. Результаты показывают, что SVM является многообещающим инструментом для оценки величины среднего сдвига. Дальнейшие исследования могут проводиться в нескольких областях.Дальнейшим улучшением было бы объединение нескольких других алгоритмов оптимизации в SVM, что могло бы еще больше повысить производительность обобщения SVM. Второй областью будет построение входного вектора на основе характеристик, извлеченных из исходных входных наблюдений. Благодарности Эта работа была поддержана Национальным научным фондом Китая (№ 51075418), Национальным научным фондом Китая (№ 61174015) и Чунцинским фондом CMEC Китая (№CSTC2010BB2285). In silico обнаружение контрольных сигналов: последовательности обработки 3′-конца мРНК у различных видов Реферат Мы исследовали сигналы процессинга 3′-конца мРНК у каждого из шести видов эукариот (дрожжи, рис, арабидопсис, плодовая муха, мышь и человек) посредством анализа более 20 000 тегов 3′-экспрессируемой последовательности. Использование и сохранение канонического элемента AAUAAA широко варьируется среди шести видов и особенно слабо у растений и дрожжей.Даже у видов животных сигнал AAUAAA не кажется таким универсальным, как показали предыдущие исследования. Обилие одноосновных вариантов AAUAAA коррелирует с их измеренной эффективностью обработки. Как было обнаружено ранее, сигналы полиаденилирования растений больше похожи на сигналы дрожжей, чем на сигналы животных, как с общим содержанием, так и с расположением сигнальных элементов. У всех исследованных видов полный сигнал полиаденилирования, по-видимому, состоит из совокупности нескольких элементов.В свете этих и предыдущих результатов мы представляем расширенную концепцию сигналов обработки на 3′-конце, в которой для обработки не требуется универсального единого элемента точной последовательности. Скорее общая эффективность является функцией всех элементов, и, что важно, неэффективное слово в одном элементе может быть компенсировано сильными словами в других элементах. Эти сложные шаблоны показывают, что эффективные инструменты для идентификации сигналов обработки 3′-конца потребуют большего, чем идентификация согласованной последовательности. Знание последовательностей и функций генов включает только часть информации, необходимой для понимания биологических систем на молекулярном уровне. Не менее важны идентификация и характеристика регуляторных элементов, которые регулируют временную и тканеспецифичную экспрессию любого отдельного гена. Обнаружение контрольных последовательностей нуклеиновых кислот затруднено, потому что они короткие и часто вырожденные. Однако базы данных последовательностей могут предоставить средства для статистической идентификации предполагаемых сигналов при наличии подходящей биологической гипотезы для выбора последовательностей-кандидатов.Мы проанализировали контрольные сигналы полиаденилирования у шести видов эукариот, исследуя 20 842 3′-экспрессируемых тега последовательности (EST). Результаты должны оказаться полезными при планировании будущих экспериментов для дальнейшего выяснения механизма 3′-конца процессинга мРНК. Контрольные последовательности обычно исследовали с помощью мутагенеза нетранслируемых областей вблизи кодирующей последовательности на векторных конструкциях или с помощью in vitro футпринтинга сайтов связывания для идентифицированных регуляторных белков.Хотя эти методы успешно охарактеризовали многие контрольные сайты, они ограничены как в контексте контекста, так и в количестве последовательностей, которые можно обоснованно исследовать. Анализ управляющих последовательностей в искусственных конструкциях лишь частично воспроизводит условия в геномной последовательности, где на сигнальные слова могут влиять многие факторы, такие как использование несвязанных, но перекрывающихся функциональных элементов (1) и использование нескольких сигналов различной силы (2) . Постоянно расширяющиеся базы данных последовательностей предоставляют метод исследования контрольных последовательностей in silico .Посредством статистического исследования множества последовательностей, которые, как известно, связаны с общим молекулярным процессом, слова последовательности, наиболее часто используемые для регулирования этого процесса, могут быть идентифицированы в их естественном контексте. Хотя статистическая значимость не обязательно указывает на фактическое биологическое использование, она предоставляет информативные средства для идентификации потенциальных сигналов, функция которых может быть впоследствии проверена с помощью мутагенеза или других методов. Наш основанный на EST анализ сигналов обработки 3′-концов в дрожжах (2) подтвердил экспериментальные результаты и в то же время указал на тонкие сложности, ранее не замеченные.Мы расширили этот анализ на Oryza sativa (рис), Arabidopsis thaliana (арабидопсис), Drosophila melanogaster (плодовая муха), Mus musculus (мышь) и Homo sapiens (человек). Результаты не только дают информацию о контрольных последовательностях, предпочитаемых каждым видом, но также дают потенциальное понимание молекулярной эволюции механизма 3′-концевого процессинга. Исследования гомологии белков между дрожжами, млекопитающими и растениями показали значительное сходство в субъединицах комплексов, участвующих в процессинге 3′-концов (3-6).Настоящая работа, однако, предполагает, что различия также играют важную роль. Точный выбор последовательностей EST с их 3′-концом на полиаденилатном [поли (A)] хвосте имеет решающее значение для нашего анализа. Потенциальные ошибки или двусмысленность включают наличие поли (A) или векторной последовательности в записях базы данных, неправильную маркировку (инверсия 5 ‘и 3’) последовательности EST при отправке в базы данных, неоднозначную ориентацию (смысловую или антисмысловую) архивированной последовательности. , гибридизация олиго (dT) праймеров с A-богатыми областями, отличными от поли (A) хвоста, и геномная встречаемость последовательностей узнавания эндонуклеаз рестрикции, используемых для вставки кДНК в векторы секвенирования (2).Поли (А) или векторные последовательности могут быть обнаружены относительно легко, и мы сделали это на последовательностях, включенных в это исследование. Как мы показали ранее, оставшиеся источники ошибок могут быть идентифицированы путем сравнения последовательностей EST с полными геномными последовательностями и связанных с ними прогнозов генов. Однако, поскольку полные последовательности доступны только для нескольких организмов, мы не смогли широко использовать эту процедуру исправления ошибок в настоящем исследовании. Таким образом, наши наборы EST, вероятно, содержат некорректные последовательности.Сопоставление EST плодовых мух с доступными контигами (см. Ниже) показывает, что примерно 25% этих последовательностей имеют неоднозначное происхождение. Сигнал процессинга 3′-конца у млекопитающих широко исследовался [см. Обзоры (7–9)] и, как было обнаружено, состоит из двух компонентов: канонического гексамера AAUAAA, расположенного на 10–30 оснований перед сайтом обработки. , и нижележащий, менее зависящий от последовательности элемент, богатый U или UG. 3′-концевые сигналы дрожжей [см. Обзоры (8–10)] состоят из восходящего элемента эффективности (оптимально UAUAUA), богатого A позиционирующего элемента (PE) (оптимально AAUAAA) и богатых U областей, расположенных выше, ниже по течению. сайта расщепления (CS) или фланкирует его.Наше исследование дрожжевых сигналов обработки 3′-конца показало, что общая эффективность сигнала является сложной функцией отдельных элементов, и, в частности, слабые контрольные слова в одном или нескольких элементах могут быть компенсированы более сильными словами в других элементах. Исследования полиаденилирования растений [см. Обзоры (11, 12)] показали, что 3′-концевые сигналы процессинга больше напоминают сигналы дрожжей, чем сигналы млекопитающих. В частности, кажется, что существует восходящий элемент (UE), подобный элементу UAUAUA дрожжей, и PE был охарактеризован как A-богатый, а не строго AAUAAA.Также, как и у дрожжей, сообщалось о множественных сайтах процессинга для одной единицы транскрипции в относительно плотно упакованном порядке на расстоянии порядка десятков нуклеотидов друг от друга. Напротив, исследования альтернативного полиаденилирования у млекопитающих обнаружили конкурирующие сайты, обычно разделенные сотнями или тысячами нуклеотидов. Методы Выбор данных. 3′-EST (номера доступа и последовательности можно получить по адресу http: // bmerc-www.bu.edu/polyA) были получены от GenBank. 3′-EST чаще всего генерируются обратной транскрипцией, инициированной олигодезокситимидилатным праймером, который гибридизуется с поли (A) хвостом, обнаруженным на 3′-конце зрелых мРНК. Последовательности обычно обрабатываются для удаления вектора и последовательности поли (A) перед отправкой в ​​базы данных. Следовательно, если допустить отсутствие ошибок, крайний 3′-конец архивированной последовательности EST соответствует сайту процессинга 3′-конца (расщепление с последующим полиаденилированием). Мы выбрали наборы EST, которые с высокой вероятностью можно было идентифицировать как происходящие из поли (A) хвоста мРНК.Последовательности человека, мыши и плодовой мушки были инвертированы, потому что они были заархивированы в антисмысловой ориентации. Все 3′-концы искали на предмет наличия либо остаточных поли (А), либо векторных последовательностей. Предполагалось, что последовательности, содержащие по меньшей мере 12 аденинов из последних 15 оснований, включают поли (A) хвосты и были усечены до основания, предшествующего 5′-самому аденину. Мы идентифицировали последовательности вектора путем поиска сайтов узнавания рестрикционных ферментов, используемых для вставки кДНК в вектор секвенирования.Если последовательность, непосредственно предшествующая сайту узнавания, была поли (А), последовательность усекали и оставляли для анализа. Если непосредственно предшествующая последовательность не была поли (A), последовательность отбрасывалась, поскольку она могла быть геномным вхождением сайта узнавания, что исключает ее из нашего анализа. Последовательности были дополнительно проверены на избыточность (в пределах каждого специфичного для каждого организма набора) путем сравнения пересечений с использованием blast (13), в котором каждая последовательность сравнивалась с другой.Предполагалось, что любая пара последовательностей с нуклеотидной идентичностью, превышающей 90% длины более короткой последовательности, происходит из одного источника, и одна была исключена из набора данных. В человеческих EST 200 дополнительных последовательностей были удалены после того, как было обнаружено, что они совпадают с последовательностью Alu, особенно в таком положении, чтобы указывать на гибридизацию олиготимидилатного праймера с геномной серией из 15 аденинов. Анализ последовательностей. Наш анализ последовательностей EST заключался в определении частотно-зависимых частот встречаемости одиночных и множественных нуклеотидов (слов), где позиционная зависимость определялась предполагаемым сайтом процессинга 3′-конца.Последовательности EST для каждого организма первоначально выравнивали по 3′-концу последовательности. Чтобы идентифицировать наиболее распространенные (и предположительно самые сильные) подэлементы предполагаемых сигналов, мы выровняли последовательности, используя профиль логарифмической вероятности шириной 6 нт. Оценка профиля в каждой позиции была рассчитана как: 1, где i — начальная позиция профиля в последовательности, q i + j , j — частота основания в i + j встречающееся в позиции j в профиле, и p i + j — частота основания в позиции i + j , появляющаяся в любом месте последовательности.EST были выровнены с положением максимальной оценки профиля, и профиль был пересчитан. Этот процесс повторяли для приблизительной сходимости по «лучшей» последовательности подэлементов. Мы ограничили алгоритм, чтобы он не смещал последовательности более чем на 5 нт в любой итерации, тем самым ограничивая полное отклонение от исходного выравнивания в конце последовательности EST. Это ограничение особенно важно в случае дрожжей и растений, где потенциально перекрывающаяся природа соседних сигналов обсуждалась ранее (10, 12). Мы провели анализ слов с использованием Z-баллов (14). 2, где для данного слова w , N w — это измеренное количество, а E w и V w — оценки ожидаемого количества и дисперсии, соответственно. Мы использовали оценки Маркова h -2 (14) для ожидаемого количества и дисперсии, где h — длина исследуемых слов. Z-баллы были рассчитаны для 150 нт перед CS.Исследование Z-показателей выявило приблизительно нормальные распределения. Опасность использования Z-оценок для данных EST заключается в том, что по мере уменьшения общего количества изученных слов в словах с наивысшими оценками могут преобладать крайне маловероятные слова, которые встречаются только несколько раз. Поэтому мы также исследовали необработанное количество каждого слова в каждом окне. Слова, получившие высокие оценки как по Z-шкале, так и по исходному количеству, являются вероятными кандидатами на биологическую функцию. Мы также измерили необработанные подсчеты и вычислили Z-баллы в меньших окнах в пределах 3′-конечной области обработки.В основе этого измерения лежит наше предположение, что биологически значимые слова будут находиться примерно в постоянном положении по отношению к сайту обработки. Постоянное расположение определенного слова отражается в соответственно неравномерном распределении между счетными окнами. Для оконных Z-показателей оценки для подсчета и дисперсии из общей области были масштабированы для использования в окнах, потому что использование оценок подсчета и дисперсии из более крупной области неявно предполагает равномерное распределение любого конкретного слова по всему диапазону.Тогда оконный Z-счет является мерой отклонения от равномерного распределения для любого конкретного слова по отношению к CS. В первую очередь мы исследовали частоту встречаемости 6-узловых слов, потому что многие ранее описанные 3′-обрабатывающие элементы были гексамерами. Кроме того, значимость статистических результатов обычно уменьшается при увеличении размера слова в постоянном наборе данных. Мы провели поиск 48 × 10 6 нуклеотидов геномных последовательностей плодовых мух на предмет выравнивания 3236 последовательностей EST плодовых мух следующим образом: во избежание сложности идентификации сплайсированных экзонов только последние 60 нуклеотидов каждого EST были сопоставлены с геномной последовательностью.Сначала мы использовали автомат с конечным числом состояний для поиска выравнивания не более чем с двумя несовпадениями из 24 оснований, которые начинались на 60 узлов выше 3′-конца EST. Затем эти сопоставления были дополнительно проверены с помощью сопоставления по Смиту-Уотерману (15) последних 60 нуклеотидов EST с указанной геномной последовательностью. Допускались юстировки не более чем с шестью несовпадениями любого типа. Последующую идентификацию неоднозначных 3′-концов проводили, как описано ранее (2). Мы выполнили идентичный поиск 4069 EST арабидопсиса, используя 38 × 10 6 нуклеотидов геномной последовательности. Результаты Номенклатура и условные обозначения. Положение в пре-мРНК, где происходит процессинг 3′-конца (расщепление и последующее добавление поли (A)), называется CS. Относительное позиционирование вверх (вниз по течению) относится к направлению 5 ‘(3’) по отношению к CS, и соответствующие положения даны как отрицательные (положительные) числа. Богатый А элемент, часто AAUAAA, с центром примерно в положении -20, обнаруженный во всех организмах, исследованных на сегодняшний день, называется PE.Любые общие элементы, расположенные в 5 ‘от PE, называются UE. Элементы, расположенные на 3 ‘от CS, называются нижележащими элементами (DE). Мы исследовали распределение нуклеотидов и слов в больших наборах EST (1352 дрожжи, 1246 рис, 4068 арабидопсис, 3236 плодовых мух, 6029 мышей и 4337 человек), которые содержат предполагаемые сайты процессинга 3′-конца. PE: AAUAAA, по-видимому, является обычным и предположительно функциональным, хотя и не важным, для всех исследованных организмов. Частоты одиночных нуклеотидов в каждой позиции относительно 3′-конца EST показаны на фиг. 1 A ; все исследованные организмы обнаруживают заметный пик остатков аденина с центром в положении примерно в 20 нуклеотидах выше CS (фиг. 1 A ). Среднее содержание каждого нуклеотида значительно варьируется между растениями и животными, отражая различия в составе последовательностей 3′-нетранслируемых областей. Рисунок 1 Частоты однонуклеотидов, предшествующие сайтам процессинга 3′-конца, как определено выравниванием 3′-EST, полученных из дрожжей (1352), риса (1246), арабидопсиса (4069), плодовой мушки (3236), мыши (6029), и человеческие (4427) кДНК.Позиции даны относительно предполагаемого сайта обработки 3′-конца. ( A ) Последовательности, выровненные по крайнему 3′-концу EST. ( B ) Последовательности, сопоставленные с профилем из 6 нуклеотидов с помощью итерационной процедуры, как описано в методах . Используя метод итеративного профилирования, описанный в методах , мы определили наилучшее представление конкретных элементов, расположенных рядом с CS. Как показано на фиг. 1 B , в последовательностях животных преобладает сигнал, указывающий на канонический AAUAAA.Однако сигналы растений и дрожжей не демонстрируют такой доминирующей особенности. Поскольку процедура нечувствительна к незначительным различиям во взаимном расположении общего признака, такие различия не могут объяснить снижение специфичности AAUAAA у дрожжей и растений. Sequence Logo (16), изображения трасс, показанных на рис. 1 B , доступны в качестве дополнительных материалов на веб-сайте PNAS (см. Www.pnas.org). Анализ использования гексамера (Z-баллы и частота появления) в окне шириной 10 узлов, центрированном на 20 узлах выше CS, показал, что все виды демонстрируют непропорциональное использование AAUAAA.Процентное соотношение последовательностей EST, содержащих AAUAAA в последних 50 нуклеотидах, приведено в таблице 1. Хотя все растения и дрожжи имеют высокие Z-баллы этого слова, общее количество последовательностей, в которых оно появляется, составляет менее 15%; вместо этого эти организмы демонстрируют статистический избыток разнообразных гексамеров, богатых А, без доминирования какой-либо конкретной последовательности. [Подобные результаты были получены ранее на основании небольших исследований мутагенеза (11, 17).] Напротив, 65% исследованных последовательностей EST плодовых мух и 60% исследованных последовательностей плодовых мух содержат AAUAAA или AUUAAA (наиболее распространенный вариант) в финальные 50 нт.У мыши процент падает до 34%; однако мы полагаем, что мышиные EST содержат более неоднозначно идентифицированные последовательности, чем другие, в первую очередь потому, что графики, показанные на рис. 1 A , отображают больше случайных последовательностей (базовые частоты равны или около 25%), особенно по сравнению с человеческими EST. . Кроме того, мышиные EST содержат последовательности, по крайней мере, из восьми различных типов клеток. Недавние эксперименты (18) показывают, что разные типы клеток мыши полиаденилируются альтернативными версиями процессинговых белков, которые могут иметь измененное сродство к специфическим последовательностям связывания РНК.Однако, если они разделены по типу ячеек, наборы данных мыши становятся слишком маленькими для анализа, который мы описываем здесь. Таблица 1 Частота появления AAUAAA в контексте элемента позиционирования, определенная анализом последовательностей 3′-EST UE используются в растениях и дрожжах, но редко в животных. Растения и дрожжи демонстрируют явное свидетельство наличия сигнальных элементов выше А-богатого PE. Было продемонстрировано, что в дрожжах элемент эффективности восходящего потока более важен, чем PE, при выборе места обработки (10), а наиболее эффективной версией UE была UAUAUA (17).И у риса, и у арабидопсиса U-богатые последовательности доминируют на последних 100 нуклеотидах (кроме области PE) перед CS. Рис. 1 A ясно показывает это преобладание остатков урацила. Путем изучения использования пентамера и гексамера перед PE мы определили, что последовательности, содержащие элементы UUGUAU и UUGUAA (или аналогичные слова), значимы как в исходных подсчетах, так и в Z-показателях (определенных в методах ) с пиком использование примерно 60 узлов перед CS. Другие U-богатые слова (напр.g., UUUUUU) часто появляются в позициях, типичных для UE; однако повышенное количество этих других слов происходит по всей 3′-нетранслируемой области (3-‘UTR), поэтому их высокое количество вероятно из-за общего U-богатства 3’-UTR. Интересно, что оптимальный UE дрожжей (UAUAUA) встречается как в рисе, так и в A. thaliana, с позиционным распределением, которое достигает пика между 20 и 30 н. Перед CS, что указывает на то, что в этих случаях это слово может действовать как позиционирующее. а не элемент эффективности.В целом очевидное положение UE как у риса, так и у арабидопсиса, по-видимому, простирается дальше вверх по течению, чем у дрожжей. Напротив, EST человека, мыши и плодовой мухи не демонстрируют статистических доказательств широкого использования сигнальных элементов выше AAUAAA PE. Тем не менее, хотя мы не нашли слов со статистическим избытком, проверка наиболее распространенных слов в ближнем верхнем течении (примерно 50 узлов выше CS) выявила слова, которые напоминают UE, идентифицированные для дрожжей и растений.Это может указывать на небольшое количество генов с вышестоящими контрольными последовательностями. Однако слова, содержащие повторяющиеся UA или UG, также ранее были идентифицированы как сигналы с другими функциями, например, замедление стабильности мРНК (19), предполагая, что они могут не играть никакой роли в процессинге 3′-конца у животных . Сайту 3′-конца процессинга часто предшествуют богатые ураном сегменты у дрожжей и растений, которые, по-видимому, не имеют аналогов у животных. Как показано на рис.1, 3′-концевые сайты процессинга для растений и дрожжей обычно располагаются после богатых ураном областей; Ранее мы обнаружили, что за сайтами полиаденилирования дрожжей также обычно следует нижележащий U-богатый участок, хотя специфичность этих двух «U-богатых» сигналов невысока у дрожжей. Наиболее распространенные слова, встречающиеся в последовательности, непосредственно предшествующей CS в рисе, арабидопсисе и дрожжах, — это единственный цитозин в более длинном ряду урацилов (UUUUCU, UUUCUU и т. Д.). Тем не менее, хотя эта группа слов является наиболее значимой в области, окружающей CS, она встречается менее чем в 25% последовательностей, которые мы исследовали. Сопоставление последовательностей EST с геномной последовательностью улучшает анализ данных. В нашем предыдущем исследовании дрожжей мы продемонстрировали, что сравнение последовательностей EST с геномной последовательностью значительно улучшает качество наших данных, поскольку мы смогли устранить неоднозначные последовательности, вызванные такими эффектами, как внутреннее праймирование или геномное появление рестрикционных ферментов CS. Мы получили 48 × 10 6 оснований геномной последовательности плодовой мушки и провели поиск выравнивания EST, как описано в методах .Мы успешно выровняли 1190 из 3236 последовательностей EST с геномной последовательностью. Нам удалось идентифицировать 25 последовательностей EST, за которыми сразу же (в геномной последовательности) следуют вероятные последовательности распознавания рестрикционного фермента, и 283 последовательности EST, за которыми следуют A-богатые области (по крайней мере, 7 из следующих 10 нуклеотидов), что делает гибридизацию праймера неоднозначной. Оставшиеся 882 последовательности 3′-EST плодовой мушки анализировали с использованием профиля и Z-показателей, как описано для EST без геномной информации. Аналогичный поиск 4069 EST арабидопсиса в 38 × 10 6 основаниях геномной последовательности дал 662 совпадения, из которых 624 были сохранены как однозначные 3′-концы. Сигнальные слова PE, найденные для совпадающих по геному EST плодовых мух, совпадают с найденными при анализе негеномных EST. Рис. 2 A показывает результат итеративного выравнивания профиля для PE (с центром в позиции -20), а также наиболее распространенные сигнальные слова. На рис. 2 B показаны те же особенности плодовой мухи DE. Как видно, DE не так специфичен, как UE. Наиболее значимыми гексамерами, определенными для DE плодовой мухи, являются UGUUUU, UGUGUU и UUUUUU, все из которых имеют максимальное использование примерно на 10-20 базисах ниже по течению от CS.Эти слова хорошо согласуются с оптимальной последовательностью связывания РНК, определенной для субъединицы 64 кДа фактора стимуляции расщепления млекопитающих с помощью измерений selex (20). Рисунок 2 Частоты однонуклеотидов, которые описывают два основных сигнальных элемента сигнала обработки 3′-конца плодовой мушки, как определено анализом 882 EST, которые были успешно выровнены с последовательностями контигов. Используя процедуру итеративного профилирования, определенную в методах , последовательности были последовательно выровнены на ( A, ) PE (приблизительное положение -20) и ( B ) DE (приблизительное положение +14). Эффективность процессинга 3′-конца 18 последовательностей, которые отличаются одной заменой от канонической AAUAAA, измеряли в экстрактах клеток человека (HeLa) Sheets et al. (21). Для сравнения, мы измерили количество этих слов в последовательностях EST-генома плодовых мух, которые не содержали , а канонических AAUAAA (327 из 882 последовательностей). В геномных последовательностях искали гексамеры, которые отличались от AAUAAA только мутацией одного основания.Исходя из предположения, что наиболее вероятно будет использоваться наиболее эффективная из имеющихся последовательностей, мы ранжировали слова на основе их ранее измеренной эффективности и подсчитывали только слово с наивысшим рейтингом в каждой последовательности EST. Рис. 3 сравнивает эти подсчеты с измеренными значениями эффективности. Хотя согласие не является точным, сходство, особенно в использовании слов с одной заменой пиримидина (AUUAAA, CAUAAA, UAUAAA, AAUACA и AAUAUA) поразительно. Этот результат предполагает, что появление вариантов элемента сигнала коррелирует с их соответствующей эффективностью обработки.Сравнение результатов одного и того же анализа для EST человека и мыши доступно в качестве дополнительных материалов (см. Www.pnas.org). Рисунок 3 Сравнение встречаемости (в 327 выровненных по контигу последовательностях EST плодовых мух, которые не содержали AAUAAA) с in vitro , измеренной [в клетках HeLa человека (21)] эффективностью обработки последовательностей, аналогичных каноническому PE AAUAAA. Эффективность обработки отображается как процент от эффективности AAUAAA, тогда как вхождения отображаются как доля от общего числа исследованных последовательностей. Обсуждение На рис. 4 схематично показаны элементы сигнала, которые, по-видимому, определяют 3′-концевые участки обработки, вместе со словами, которые наиболее часто встречаются в каждой позиции. Хотя показаны только самые распространенные слова для каждого элемента, важно повторить, что похожие слова (отличающиеся не более чем одной или двумя заменами) также кажутся функциональными. В дрожжах как эксперименты по мутагенезу, так и наш предыдущий анализ на основе EST продемонстрировали, что слабые сигнальные слова, хотя и снижены в эффективности обработки, играют важную роль в выборе сайта процессинга 3′-конца. Рисунок 4 Графические изображения предлагаемого выравнивания сигналов обработки 3′-концов для дрожжей ( A ), растений ( B ) и животных ( C ), включая наиболее часто встречающиеся слова для каждого подэлемента. Сигналы 3′-полиаденилирования растений ближе к сигналам дрожжей, чем к сигналам животных. Было показано, что для выбора сайта полиаденилирования дрожжей элементы эффективности вышеупомянутого продукта не менее или более важны, чем PE (10).Сообщалось, что растения демонстрируют подобное поведение (11, 12), хотя сигналы полиаденилирования растений не были так широко исследованы. Слова, которые, как мы обнаружили, вероятно, являются UE в рисе и арабидопсисе, аналогичны словам в дрожжах, хотя наиболее значимые слова, обнаруженные для растений, соответствуют некоторым из менее эффективных UE для дрожжей (например, UUGUAA и UUGUAU). PEs, идентифицированные для риса и арабидопсиса, также похожи на дрожжи в том смысле, что доминирующий сигнал, по-видимому, лучше охарактеризован как «A-богатый», чем каким-либо отдельным словом.Наконец, и рис, и арабидопсис демонстрируют повышенное количество урацила, а также общие значимые слова между PE и CS по сравнению с дрожжами. УЭ растений и дрожжей демонстрируют сходство с УЭ у животных. В недавнем сравнении 3′-концевого процессинга среди различных организмов была предложена идея, что UE дрожжей и DE последовательностей млекопитающих связаны (22). Наше исследование подтверждает эту модель тем, что DE, обнаруженные в последовательностях плодовых мух, содержат слова, похожие на UE риса и арабидопсиса.При сравнении с UE дрожжей мы обнаруживаем частый образец урацилов, чередующихся с пуринами, со случайной заменой урацила на цитозин (например, UAUAUA, UAUGUA, UUGUAU, UACAUA, UGUGUU и т. Д.). Взаимодействия белок-мРНК кажутся по своей сути динамическими процессами, которые демонстрируют статистическую изменчивость. Если мы предположим, что процессинг 3′-конца выполняет регуляторную функцию, мы не должны ожидать, что это необходимо или желательно, чтобы все виды мРНК полиаденилировались с одинаковой эффективностью.Даже если одни и те же молекулярные компоненты ответственны за все полиаденилирование пре-мРНК [и это не является достоверным (18)], изменение скорости полиаденилирования может быть опосредовано изменением контрольных последовательностей. Несколько недавних отчетов предоставляют доказательства того, что дифференциальные скорости полиаденилирования используются для регуляции экспрессии генов. В частности, исследования гена Su (f) у D. melanogaster (23) выявили процессинг 3′-конца по крайней мере в трех отдельных положениях, одно из которых дает сильно усеченный транскрипт, который не транслируется.Производство нефункционального транскрипта коррелировало с уровнями функционального белка, что подразумевает отрицательную саморегуляцию. Было показано, что выбор среди альтернативных сайтов полиаденилирования в нескольких дрожжевых транскриптах коррелирует с регуляцией источника углерода (24). Наше предыдущее исследование показало, что полный сигнал обработки 3′-конца дрожжей состоит из четырех отдельных элементов, каждый из которых способствует определению места обработки. Настоящее исследование дополнительно подчеркивает статистическую природу 3′-концевого процессинга, как в отсутствии сильных согласованных последовательностей для многих исследуемых здесь элементов, так и в сходстве измеренной EST численности и эффективности обработки , измеренной in vitro, сигналов типа AAUAAA. Наш информационный анализ сигналов обработки 3′-концов в целом согласуется с опубликованными экспериментальными данными, хотя он требует концептуального расширения идеи управляющей последовательности, чтобы включить в нее набор взаимодействующих элементов, ни один из которых не обязан иметь уникальный идентификатор . Предыдущие исследования, как экспериментальные (20), так и аналитические (25, 26), по-видимому, позволяют сделать аналогичный вывод. Такая система кажется парадоксально неточной [и дополнительно осложняется участием чрезвычайно сложного белкового аппарата (20, 27)].Тем не менее мгновенное рассмотрение альтернатив помогает его рационализировать. Например, один точно определенный сигнал полиаденилирования (например, октамер), распознаваемый одним белком расщепления, может возникать (или стираться) довольно часто в результате мутации. Выбор гибкого набора элементов, ни один из которых не очень сильно связан с белковыми механизмами, но связывание которых является кооперативным, сводит к минимуму вероятность преждевременного или пропущенного процессинга 3′-конца. Это также дает другой способ модулировать динамический диапазон экспрессии генов. Очевидно, что по мере разработки более полных моделей необходимо учитывать динамическую статистическую природу процессов регуляции генов. Недавние исследования сайтов промоторов транскрипции, например, показали, что во многих из них отсутствует консенсусная последовательность «ТАТА» -бокса (28). Методы, которые мы использовали здесь для изучения сигналов обработки 3′-конца, предлагают мощный подход к статистическому исследованию управляющих последовательностей для других регуляторных процессов. Им требуется только подходящая биологическая гипотеза для выбора конкретных данных из баз данных последовательностей.Наиболее веским аргументом в пользу такого биоинформатического анализа является то, что он дополняет классические подходы и может сфокусировать эксперименты на вероятных последовательностях-кандидатах, тем самым сокращая необходимый диапазон сбора данных, требуемый для полной характеристики управляющих сигналов. Благодарности Мы благодарим Джеффри Купера, Чипа Селензу, Тома Гилмора и Дина Толана за критическое прочтение рукописи. Мы благодарим различные усилия по секвенированию EST за предоставление их данных.J.H.G и C.R.C поддерживаются Sequenom, Inc. S.C.M. поддерживается Институтом генетики, Кембридж, Массачусетс. T.F.S. поддерживается грантом Министерства энергетики DE-FG02–98ER62558. Сокращения EST, метка экспрессированной последовательности; CS, сайт расщепления; PE, позиционирующий элемент; UE, восходящий элемент; DE, нижний элемент; поли (А), полиаденилат Принята к печати 23 сентября 1999 г. Copyright © 1999, Национальная академия наук Аппроксимация суперпозициями сигмоидальной функции [A] Р. Б. Эш, Реальный анализ и вероятность , Academic Press, Нью-Йорк, 1972 г. Google Scholar [BH] Э. Баум и Д. Хаусслер, Какой размер сети дает правильное обобщение?, Neural Comput . (появляться). [B] B.Баварский (ред.), Специальный раздел по нейронным сетям для систем и управления, IEEE Control Systems Mag. , 8 (апрель 1988 г.), 3–31. Google Scholar [BEHW] А. Блумер, А. Эренфойхт, Д. Хаусслер и М.К. Вармут, Классификация обучаемых геометрических концепций с помощью измерения Вапника-Червоненкиса, Труды 18-го ежегодного симпозиума ACM по теории вычислений , Беркли, CA, 1986, стр. 273–282. [BST] Л. Браун, Б. Шрайбер и Б. А. Тейлор, Спектральный синтез и проблема Помпейу, Ann. Inst. Фурье (Гренобль) , 23 (1973), 125–154. MathSciNet Google Scholar [CD] С.М. Кэрролл и Б.В. Дикинсон, Построение нейронных сетей с использованием преобразования Радона, препринт, 1989. [C] Г. Цибенко, Нейронные сети с непрерывными значениями и двумя скрытыми слоями достаточно, технический отчет , Факультет компьютерных наук, университет Тафтса, 1988. [DS] П. Диаконис и М. Шахшахани, О нелинейных функциях линейных комбинаций, SIAM J. Sci. Статист. Comput. , 5 (1984), 175–191. Артикул MathSciNet МАТЕМАТИКА Google Scholar [F] К. Фунахаши, О приближенной реализации непрерывных отображений нейронными сетями, Нейронные сети (в печати). [G] Л. Дж. Гриффитс (изд.), Специальный раздел о нейронных сетях, IEEE Trans. Акуст. Речевой сигнал. , 36 (1988), 1107–1190. Google Scholar [HSW] К. Хорник, М. Стинчкомб и Х. Уайт, Многослойные сети с прямой связью — универсальные аппроксиматоры, препринт, 1988 г. [HL1] У. Я. Хуанг и Р. П. Липпманн, Сравнения между нейронными сетями и обычные классификаторы, технический отчет, лаборатория Линкольна, Массачусетский технологический институт, 1987. [HL2] W. Y. Huang и R.P. Lippmann, Neural Net and Traditional Classifiers, Technical Report, Lincoln Laboratory, MIT, 1987. [H] P. J. Huber, Projection Pursuit, Ann. Статист. , 13 (1985), 435–475. MathSciNet МАТЕМАТИКА Google Scholar [J] Л. К. Джонс, Конструктивные приближения для нейронных сетей с помощью сигмоидальных функций, Серия технических отчетов, No.7, Математический факультет Университета Лоуэлла, 1988. [K] А. Н. Колмогоров, О представлении непрерывных функций многих переменных суперпозицией непрерывных функций одной переменной и сложением, Докл. Акад. Наук. СССР , 114 (1957), 953–956. MathSciNet МАТЕМАТИКА Google Scholar [LF] А. Лапедес и Р. Фарбер, Нелинейная обработка сигналов с использованием нейронных сетей: прогнозирование и системное моделирование, Технический отчет, Теоретический отдел, Национальная лаборатория Лос-Аламоса, 1987. [L1] Р. П. Липпман, Введение в вычисления с нейронными сетями, IEEE ASSP Mag. , 4 (апрель 1987 г.), 4–22. Артикул Google Scholar [L2] Г. Г. Лоренц, 13-я проблема Гильберта, в Математические разработки, возникающие из проблем Гильберта (Ф. Браудер, ред.), Т. 2, стр. 419–430, Американское математическое общество, Провиденс, Род-Айленд, 1976. Google Scholar [MSJ] J.Махоул, Р. Шварц и А. Эль-Джаруди, Возможности классификации двухслойных нейронных сетей. Труды Международной конференции IEEE по акустике, речи и обработке сигналов , Глазго, 1989 г. (в печати). [MP] М. Мински и С. Паперт, Персептроны , MIT Press, Кембридж, Массачусетс, 1969. Google Scholar [N] N. J. Nilsson, Learning Machines , McGraw-Hill, New York, 1965. Google Scholar [P] Палм Г. О представлении и аппроксимации нелинейных систем, Часть II: Дискретные системы, Биол. Кибернет. , 34 (1979), 49–52. Артикул MathSciNet МАТЕМАТИКА Google Scholar [R1] В. Рудин, Реальный и комплексный анализ , McGraw-Hill, New York, 1966. Google Scholar [R2] W.Рудин, Функциональный анализ , Макгроу-Хилл, Нью-Йорк, 1973. Google Scholar [RHM] DE Rumelhart, GE Hinton и JL McClelland, Общая структура для параллельной распределенной обработки, в Parallel Distributed Processing: Explorations in the Microstructure of Cognition (DE Rumelhart, JL McClelland, and the PDP Research Group , ред. Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Примеры обучения Величина сдвига Совокупная 1.0 1,5 2,0 ​​ 2,5 3,0 300 95,78 96,02 96,65 97,13 97,13 97,13 96,67 97,33 97,45 97,86 97,02 900 96,15 97,24 97,84 98.25 98,64 97,62 1200 96,64 97,82 98,06 98,50 98,87 97,98