В. Л. Куровский, доктор педагогических наук, профессор, декан инженерно-экономического факультета Норильского индустриального института, академик Международной академии наук педагогического образования

А. А. Попкова, старший преподаватель кафедры информационных систем и технологий Норильского индустриального института

Рассмотренная в статье задача непрерывного мониторинга состояния учебно-методического и информационного обеспечения библиотеки учебного заведения является частью глобальной системы управления и контроля качества вуза. Авторами был определен базис критериев для оценки состояния учебно-методического и информационного обеспечения библиотеки вуза, была сформирована конфигурация пятислойной нейро-нечеткой сети для мягкого мониторинга информационно-библиотечного фонда вуза, было проведено обучение нейро-нечеткой сети с помощью генетического алгоритма. Представленная структура управленческого решения для непрерывного мониторинга состояния учебно-методического и информационного обеспечения библиотеки вуза была реализована в отдельном программном модуле для интеграции с программным комплексом АИБС "МАРК-SQL".

Ключевые слова: управление качеством образования, непрерывный мониторинг, обеспеченность вузовской библиотеки, обучение сети, генетический алгоритм, нейро-нечеткая сеть, аттестация вуза, показатели оснащенности библиотеки, глобальная система управления и контроля качества вуза.

Сетевые информационные ресурсы в сочетании с традиционными ресурсами обеспечивают современной вузовской библиотеке роль информационно-образовательного центра. Для многих вузов РФ становится актуальной задача непрерывного мониторинга уровня информационного обеспечения учебного процесса и обоснованности рационального использования аппаратно-программных и человеческих ресурсов вуза при комплектовании соответствующих фондов. В Норильском индустриальном институте (НИИ) в целях управления информационно-библиотечным фондом используется программный комплекс АИБС "МАРК-SQL" (ЗАО НПО "Информ-система", г. Москва), осуществляющий поддержку следующих функций: комплектование и обработка изданий для оперативного обновления фондов и информационное обслуживание читателей; создание электронных каталогов и электронной картотеки обеспеченности учебного процесса учебной литературой; создание и использование фонда электронных изданий и полнотекстовых баз данных; создание и использование системы учета читателей и их посещаемости; обеспечение доступа к электронному каталогу библиотеки, электронным полнотекстовым журналам, электронным учебникам и к информации на компакт-дисках и др.

Принимая во внимание, что нормативные данные, устанавливаемые Федеральным агентством по образованию РФ по относительным показателям (критериям) библиотеки, меняются из года в год, особенно при переходе на двухуровневую систему обучения, одной из важнейшей задач становится необходимость упрощения механизмов адаптации программного комплекса к новым нормативам при снижении временных затрат на адаптацию и минимизации рисков хранения противоречивой информации, защиты авторских прав полнотекстовых электронных ресурсов, защиты содержания изданий от

искажений и подмены. В статье рассматривается задача мониторинга информационно-библиотечного фонда вуза в рамках возможности приобретения студентом необходимых компетенций для подготовки бакалавра, специалиста или магистра.

Для решения этой проблемы выделены относительные показатели библиотечно-информационной оснащенности, которые разделены на количественные и качественные показатели. К количественным критериям отнесены [4] следующие показатели: х₁ - объем фонда, х₂ - коэффициент книгообеспеченности, х₃ - наличие учебных изданий, имеющих гриф Министерства образования РФ; к качественным - х₄ - критерий устареваемости основных учебных изданий из учебного фонда [2].

Так как учебные издания являются одним из основных средств обучения в вузе [1], то в качестве выходного параметра рассматривается качественный критерий х₇ - учебно-методическое и информационное обеспечение библиотеки учебного заведения, который является функционалом от вышеперечисленных основных показателей. Отметим, что поскольку входная и выходная информация рассматриваемой системы является разнокачественной (есть как количественные, так и качественные критерии), оценка значений параметров системы проводится с помощью различных шкал, а границы системы и отдельных ее составляющих являются нечеткими. Если возникает необходимость управлять объектом, который обладает неоднозначными свойствами, описание которого заведомо неполно либо не может быть сведено к простой математической модели [3], то в качестве альтернативного метода управления могут быть выбраны модули нечетко-нейронного управления. В результате рассматриваемая задача непрерывного мониторинга уровня информационного обеспечения учебного процесса и обоснованности рационального использования аппаратно-программных и человеческих ресурсов вуза для комплектования соответствующих фондов сводится к созданию нечеткой продукционной модели на основе нейросетевой технологии.

Рассмотрим архитектуру разработанного нейро-нечеткого модуля со структурой типа MISO (Multi Inputs - Single Output). Структура гибридной сети, реализующей алгоритм нечеткого вывода Мамдани, соответствует следующему выражению целевой функции:

Пятислойная гибридная система (рис. 1) с нейро-нечетким управлением для непрерывного мониторинга состояния учебно-методического и информационного обеспечения библиотеки учебного заведения требует корректной настройки параметров функций принадлежности входов (х₁, х₂, х₃ и х₄) и выхода сети (х₇). Для этого было проведено обучение нейро-нечеткой сети с помощью генетического алгоритма (рис. 2).

Рис. 1. Структура гибридной сети

Эволюционный подход к обучению нейронных сетей состоит из двух основных этапов. Первый из них - это выбор соответствующей схемы представления весов связей. В данном случае выбрано кодирование весов связей двоичными последовательностями. С учетом необходимой точности поиска решения q = 6 установили шаг r - 0,000001 кодирования веса связи на интервале [0,1]. При этом длина двоичной последовательности m_i = 20 достаточна для кодирования параметров сети. На втором этапе осуществляется сам процесс эволюции, основанный на генетическом алгоритме [3]. После выбора

схемы хромосомного представления генетический алгоритм применяется к популяции особей (хромосом, содержащих закодированное множество весов нейронной сети) с реализацией типового цикла эволюции (рис. 2), состоящего из следующих шагов.

Рис. 2. Блок-схема генетического алгоритма поиска наилучшего набора весов нейронной сети

Шаг 1. Создается случайным образом первое поколение особей входных и выходного рассматриваемых параметров сети (х₁, х₂, х₃, х₄ и х₇). Размерность популяции - 180 особей. Каждая особь состоит из 30 хромосом, что соответствует количеству настраиваемых параметров сети - число настраиваемых параметров для соответствующей функции принадлежности.

Шаг 2. Выполняется декодирование каждой особи (хромосомы) текущего поколения для восстановления множества весов и конструирование соответствующей этому множеству нейронной сети с априорно заданной архитектурой и правилом обучения [3].

Шаг 3. Рассчитывается общая среднеквадратическая погрешность (целевая функция) между фактическими и заданными значениями на всех выходах сети при подаче на ее входы обучающих образов. Найденная минимальная погрешность определяет приспособленность особи в популяции:

Шаг 4. Выполняется проверка условия остановки алгоритма. Предварительно, в случае использования метода рулетки для дальнейшей процедуры селекции хромосом, упорядочиваются особи в популяции по возрастанию и, соответственно, особь с N 1 считается "наилучшей". В случае использования турнирного метода осуществляется прямой поиск "наилучшей" особи, у которой наименьшее значение целевой функции. На этом же этапе в качестве процедуры репродукции используется элитарная стратегия, при которой 30% особей с наименьшим значением целевой функции в дальнейшем будут без изменений включены в новую популяцию (шаг 7), то есть данное множество особей не подвергается операциям скрещивания и мутации. Расчетная ошибка "наилучшей" особи сравнивается с предельной, и если предельная больше, то обучение завершено. В ином случае обучение нечетко-нейронной сети продолжается. Алгоритм может быть остановлен и после выполнения 500 000 итераций (эпох обучения).

Шаг 5. Выполняется селекция хромосом, которая заключается в выборе (по рассчитанным значениям целевой функ-

ции - для турнирного метода, или функции приспособленности - для метода рулетки) тех хромосом, которые будут участвовать в создании потомков для следующей популяции, то есть для очередного поколения. Такой выбор производится согласно принципу естественного отбора, по которому наибольшие шансы на участие в создании новых особей имеют хромосомы с наибольшими значениями функции приспособленности. В качестве метода селекции может быть использован либо метод рулетки (roulette wheel selection), либо турнирный метод (tournament selection). Дополнительно в методе "Рулетка" для предотвращения преждевременной сходимости генетического алгоритма и для лучшего поиска оптимального решения применяется степенное масштабирование (power law scaling) функции приспособленности F_i = F^1,005, где функция приспособленности i-той особи вычисляется по формуле

В результате процесса селекции создается родительская популяция, также называемая родительским пулом (mating pool) с численностью, равной текущей популяции - 180 особей.

Шаг 6. Осуществляется применение генетических операторов к хромосомам, отобранным с помощью селекции (шаг 5), что приводит к формированию новой популяции потомков от созданной на предыдущем шаге родительской популяции. В генетическом алгоритме применяются два основных генетических оператора: оператор скрещивания (crossover) и оператор мутации (mutation). В данной программе реализована процедура двухточечного скрещивания хромосом (two-point crossover) с вероятностью 0,5 ≤ р ≤ 1. В этом случае потомки наследуют фрагменты родительских хромосом, определяемые двумя случайно выбранными точками скрещивания. После скрещивания на популяции потомков выполняется этап мутации хромосом с вероятностью 0 ≤ р ≤ 0,06. Мутации подвергаются несколько генов хромосомы, определяемых случайным образом. Локус (позиция) гена тоже задается случайным образом на интервале от 2 до 19, исключая граничные кодовые значения хромосомы.

Шаг 7. Хромосомы, полученные в результате применения генетических операторов к хромосомам временной родительской популяции, и 30% хромосом, полученных на этапе элитарной стратегии, включаются в состав новой популяции. Дополнительно, каждые 250 эпох обучения или в случае совпадения (с точностью до 0,000001) среднего значения целевой функции популяции с "наилучшим" значением целевой функции особи выполняется рестарт популяции, то есть оставшиеся 70% особей в популяции заменяются новыми случайными значениями весов сети. Полученная популяция становится текущей для данной эпохи обучения генетического алгоритма, и для нее повторяются шаги 2 - 7.

Исследования подтверждают, что турнирный метод действует эффективнее, чем метод рулетки [3], поэтому рассмотрим результаты обучения нейро-нечеткой сети на основе турнирного метода селекции хромосом. Наиболее оптимальный набор параметров сети нами был получен при использовании турнирного метода обучения с толерантной точностью 0,0006.

Представленная структура (рис. 1) управленческого решения для непрерывного мониторинга состояния учебно-методического и информационного обеспечения библиотеки учебного заведения была реализована в отдельном программном модуле для интеграции с программным комплексом АИБС "МАРК-SQL". В результате с помощью разработанного модуля ПС "Информационное обеспечение вуза" были получены следующие текущие показатели библиотеки относительно фонда ГСЭ на момент проведения аттестации вуза "НИИ": объем фонда основной учебной литературы составляет 75% от всего фонда библиотеки; книгообеспеченность на одного студента - 83%; издания с грифом УМО составляют 76% от основной учебной литературы; устареваемость книги соответствует 60%.

В результате применения выражения (1), получим значение центра тяжести фигуры 0,7300, что соответствует результату "вуз аттестован". И действительно, все относительные показатели работы библиотеки относительно фонда ГСЭ соответствуют установленным минимальным нормам Федерального агентства по образованию РФ (рис. 3).

Рассмотренная нами задача непрерывного мониторинга состояния учебно-мето-

дического и информационного обеспечения библиотеки учебного заведения является частью глобальной системы управления и контроля качества вуза, призванной охватить преподавание, исследовательскую работу, руководство и управление, соотношение между традицией и новаторством, академической направленностью и экономической релевантностью, способностью удовлетворить потребности учащихся и работодателей.

Рис. 3. Результат аттестации вуза

ЛИТЕРАТУРА

1. Антонова С. Г. Проблемы совершенствования учебно-методического обеспечения профессионального образования // Университетская книга. - 2003. - N 1, с. 20 - 23.

2. Министерство образования Российской Федерации. Об утверждении Порядка формирования перечней учебных изданий высшего профессионального образования для создания ретроспективных библиотечных фондов, составляющих основу Центральной библиотеки образовательных ресурсов Минобразования России // Университетская книга. - 2003. - N 1, с. 60 - 63.

3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / Пер. с польск. И. Д. Рудинского. - М.: Горячая линия - Телеком; 2004. - 452 с.

4. Фомичева С. Т., Попкова А. А. Нейро-нечеткий модуль мониторинга информационно-библиотечного фонда вуза // МИТС-НАУКА: Международный научный вестник: Сетевое электронное научное издание. - 2008. - N 2.

QUALITY MANAGEMENT OF INFORMATION SECURITY OF HIGHER SCHOOL LIBRARIES

V. L. Kurovsky, doctor of pedagogical sciences, professor, dean of Engineering-Economic faculty of the Norilsk Industrial Institute, academician of the International Teachers' Training Academy of Science

A. A. Popkova, senior teacher of the Information Systems and Technologies department of the Norilsk Industrial Institute

The article is devoted to problem of continuous monitoring of educational-methodical and information supply of higher school library. It is a part of a global control system and higher school quality assurance. Authors define the basis of criteria for an estimation of educational-methodical and information supply of higher school library, configuration of a five-layer neuro-indistinct network for soft monitoring of higher school information-library fund, and neuro-indistinct networks by means of genetic algorithm. Presented structure of administrative decision for continuous monitoring of educational-methodical and information supply of higher school library was realized in separate program module for integration with the program complex "MARK-SQL".

Publisher:

Permanent link for scientific papers (for citations):

Comments: