Альошин сергій павлович



страница2/5
Дата21.05.2016
Размер3.57 Mb.
ТипАвтореферат
1   2   3   4   5

                              ОСНОВНИЙ ЗМіСТ РОБОТИ


У вступі обґрунтовано актуальність теми дисертаційної роботи, сформульовано мету та завдання дослідження, визначено об’єкт, предмет і методи дослідження, описано наукову новизну й практичне значення одержаних результатів. Наведено відомості про впровадження результатів роботи, апробацію, особистий внесок здобувача та публікації.

Перший розділ присвячено аналізу можливостей і недоліків сучасних систем підтримкі рішень в управлінні складною соціотехнічною системою (ССТС) – совокупностью взаимосвязанных социальной (коллектив сотрудников, экспертов, лиц принимающих решения) и технической (объект управления, средства измерения, анализа, памяти) подсистем, взаимодействующих с целью максимизации продуктивности совместной деятельности. При этом ССТС выделяется как сегмент из общего класса социотехнических систем, который включает физические объекты со слабо формализуемыми процессами, многофакторным управляющим воздействием, отсутствием эффективного математического, алгоритмического и программного инструментария для продуктивного управления подобными объектами. Обзор проблемных для автоматицации управления предметних областей (учебный прцесс в ВУЗе, медицинская и техническая диагностика, управление высокоточным оружием, экологический мониторинг и др.), показал перспективность использования для управления подобными объектами быстро развивающихся технологий искусственного интеллекта (ТИИ), обладающего важными для практического использования преимуществами (способность к восприятию данных, обучению, обобщению и адаптации, наличие ассоциативной памяти и др.).

Вместе с тем, применение ТИИ в управлении ССТС раскрывает ряд нерешенных теоретических и практических проблем. Нет аналитической взаимосвязи размерности входного вектора, мощности обучающей выборки с числом элементов в скрытых слоях нейросети, значениями ошибок обучения и обобщения, временем итерационного процесса, формы поверхности ошибки отклика сети. Отсутствует строгое теоретическое обоснование сходимости процесса обучения сети за конкретное число циклов. Проблема сходимости обостряется наличием сложной, мультимодальной поверхностью сигнала отклика сети. При многомерном входном векторе требуется значительное число нейронов в скрытом слое для адекватного отображения искомой функциональной зависимости «вход – выход» по массиву примеров из обучающей выборки. При этом каждый скрытый нейрон вносит свой вклад в форму поверхности ошибки, усложняя ее форму. А большинство алгоритмов обучения сводятся к градиентным методам поиска минимума целевой функции не гарантирующих обучение нейронных сетей за приемлемое время. Следовательно, проектирование систем поддержки решений в управления сложными объектами осуществляется в условиях отсутствия единых подходов, цельной методологии подготовки данных, выбора архитектуры сети, универсальных аналитических моделей, быстрых и надежных алгоритмов обучения и программного обеспечения.

Вместе с тем современный алгоритмический и программный инструментарий, принципиально позволяет оперативно конструировать нейросетевую среду, реализовать широкий класс архитектур нейросетей различной сложности и правил модификации синаптического пространства, что значительно упрощает реализацию предподготовки данных, поиск наиболее эффективной сети и контроль над всеми параметрами в процессе обучения и тестирования модели.

Следовательно, сушествует основа создания цельного методологического, алгоритмического и программного инструментария для построения эффективных автоматизированных систем поддержки принятия решений для ССТС.

В силу особенностей ССТС получить точную математическую модель модель поведения такого объекта не представляется возможным. Поэтому целесообразен аналитический подход, основанный на прецедентах, содержащих информацию о закономерностях факторов и состояний, их взаимном влиянии, силе и направлении воздействия. Для извлечения этой информации и практического использования в аналитических системах поддержки принятия решений возникает необходимость моделирования базовых функций, являющихся фрагментами искусственного интеллекта:

– описание и представление образа конкретного объекта в форме массива информативных признаков;

представление образа объекта в форме принадлежности к некоторым смысловым отображениям(классам);

– формирование обобщенных образов объектов на основе использования процедур восприятия и идентификации при описании конкретных объектов на основе примеров (массив выборки пар «вход – выход»);

– оценка дифференцирующей силы признаков и их редукция: определение для каждого признака его вклада в различие друг от друга обобщенных образов; понижение размерности пространства признаков через контролируемое и корректное удаление незначимых признаков;

– классификация обобщенных образов: определение сходств и различий обобщенных образов друг с другом; объединение сходных образов в кластеры ( множества со сходными признаками);

– классификация признаков: определение сходств и различий признаков по их смыслу; объединение сходных по смыслу признаков в кластеры;

– распознавание объектов: сравнение предметного образа конкретного объекта со всеми обобщенными образами и принятие решения о принадлежности к классу.

          – выбор оптимальных управляющих факторов: формирование массива возможных управляющих воздействий, анализ их силы и направления, адаптация к предметной области, обеспечение заданных целевых состояний объекта.

Продуктивная реализация отмеченных функций в системах поддержки решений управления ССТС входит в противоречие с их недостаточным методологическим, алгоритмическим и программным обеспечением (рис.1).



Высокие возможности современного              алгоритмического и     программного инструментария



   Отсутствие единой технологии     построения систем поддержки     принятия решений для ССТС

входных факторов




autoshape 315  



Разработка методологии, технологии и программного обеспечения  автоматизации базовых процессов поддержки принятия решений в управлении ССТС на основе интеллектуальной обработки данных


Рис.1. Схема противоречий в создании СППР ССТС и пути их разрешения.

Требуют дополнительной теоретической проработки такие вопросы как:

– структуризация и формализация предметной области;

– синтез аналитической модели ССТС;

– выбор состоятельных критериев и оптимизация модели;

– обеспечение и контроль адекватности модели, надежности и точности результатов;

–  решение задач идентификации состояния объекта управления, прогнозирование динамики поведения и поддержка принятия управленческих решений с применением обученных моделей;

– поиск эффективных моделей сложных СТС, основанных на комплексном применении теории информации, полиномиальной аппроксимации функций методом Колмогорова-Арнольда и быстрых алгоритмов обучения нейронных сетей;

– выделение и описание класса объектов как «сложная социотехническая система» на основе введения понятий, процедур, условий и качества функционирования моделей;

– обеспечение нахождения глобального экстремума функции ошибки в классе сложных СТС модифицированными методами градиентного спуска с понижением размерности входных факторов и принятия компромиса в сложности сети, мощности обучающей выборки и времени обучения;

– унификация представления входных данных для обучения искусственной нейронной сети, основанная на использовании информационной меры Харкевича для обеспечения инвариантности процесса обучения сети к предметной области исследуемого объекта;

– нахождение аналитических оценок надежности и точности разрабатываемых процедур анализа данных в сложных социотехнических системах для установления ганиц применимости разработанных методов, алгоритмов и моделей.

Следовательно, существует проблема создания продуктивных СППР в управлении ССТС, острота которой может быть уменьшена разработкой методов, технологий и программного обеспечения построения моделей, позволяющих автоматизировать базовые процессы при распознавании состояний, прогнозировании динамики поведения и выборе оптимальных управляющих факторов исследуемых объектов на базе интеллектуальных технологий.          Сформулированная проблема требует решения указанного комплекса задач, которые выделены во вступлении как задачи исследования и рассматриваются в следующих разделах диссертации.           Во втором разделе обосновано функционирование ССТС как реализация набора базовых функций, которые реализуются непрерывными моделями, а моменты принятия решений о её текущем состоянии, прогнозе динамики поведения и выборе управляющих факторов для достижения целевого состояния – дискретными. Исходя из того, что принятие решений при анализе ССТС базируется на этих трех системообразующих процессах, задача моделирования ситуационного центра быстрого реагирования формализуется выражением:

(1)

где           множество текущих состояний ССТС;

              множество прогнозов динамики состояний ССТС;

множество входных факторов ССТС;

моменты времени принятия решений;

критерий продуктивности решения;

допустимый интервал времени на принятие решения и требуемая степень адекватности модели, соответственно.

Показано, что если формализация отображения пространства входных факторов в пространство состояний ССТС на основе исходной априорной информации о системе не осуществима в допустимых границах адекватности за установленное время:

                                          

                                   ,       (1а)

 ,    где – расстояние между объектом и его моделью в метрическом пространстве с заданной метрикой , а – допустимый предел неадекватности в заданном метрическом пространстве,  установленное время, то исследуемая система относится к классу сложных социотехнических систем. Степень адекватности модели используется в качестве критерия сложности объекта при выделении класса сложных социотехнических систем. При этом для выделения и описания класса сложных социотехнических систем необходим выбор метрики оценки адекватности модели, что и обосновано в конце данного раздела.

Базовые процессы ССТС, требующие формализации,  моделирования и принятия решений управления ими, представлены блок–схемой на рис. 2.

                                          



autoshape 197autoshape 198autoshape 207autoshape 208autoshape 209autoshape 210autoshape 211autoshape 212autoshape 213autoshape 214autoshape 215

ССТС
autoshape 187 autoshape 188 autoshape 193 autoshape 194 autoshape 195 autoshape 196 autoshape 201 autoshape 202 autoshape 203 autoshape 204 autoshape 205 autoshape 206                                              




Модели оценки

состояния ССТС





Модели адаптации

входных факторов





Модели прогноза

поведения ССТС





Блок             управления


autoshape 199 autoshape 200                         Рис.2. Блок-схема принятия решений управления ССТС
        В соответствии с блок-схемой составим обобщенное математическое описание модели сложной социотехнической системы, введем необходимые обозначения и охарактеризуем их:          - вектор воздействий среды в момент времени ;           - вектор управляющих переменных в момент времени ;         - вектор входных переменных системы в момент времени ;         - вектор выходных переменных в момент времени . Выходные переменные в общем случае связаны с входными переменными функциональной зависимостью

, ( 1б )

где - символ вектор – функции отображения в .          Используя введенные переменные, можно составить обобщенную математическую модель управления объектом исследования



( 2 )

при ограничениях: ; ; ; , где            соответственно, начальное состояние системы, области допустимых значений переменных состояния, управляющих и наблюдаемых переменных (пространства дисциплинирующих условий на состояния, управление (ресурсы) и наблюдаемые переменне). Уравнение (2) описывает состояние объекта исследования в любой момент времени на интервале , а совместно с выражением (1а) – выходную ситуацию в том же временном интервале.          В контексте обобщенной математической модели процесс управления состоит в дискретной оценке текущего состояния объекта, измерения наблюдаемых переменных и воздействии управляющими переменными на объект с целью обеспечения желаемого состояния или поведения. Указанный механизм воздействия описывается вектор – функцией , представляющей отображение в . Достижение целевой функции (желаемого качества функционирования ССТС) требует выполнения процедур классификации состояний объекта, прогнозирования изменений состояний под воздействием управляющих факторов и нахождение их оптимальных значений в условиях заданных ограничений. Задача нахождения отображения ограниченного пространства управляющих факторов на конечное пространство состояний при посредничестве пространства измеряемых параметров приобретает при этом конкретную форму математического описания.           Пусть определено конечное множество состояний объекта исследования (). Допустим, что каждое состояние объекта можно описать набором измеряемых переменных . Множество всевозможных значений, которые может принимать обозначим через . Набор может содержать как количественные так и качественные переменные. Предположим, что для некоторого фиксированного момента времени состояние характеризуется набором наблюдений его параметров . Пусть это будет набор , где обозначает значение параметра для состояния . Дополнительно к набору на множестве определен набор переменных целевого состояния = , имеющий ту же размерность, что и . Множество значений , обозначим через . Предположим, что переменные наборов и случайные величины, а на множестве задана вероятностная мера – закон совместного распределения величины.            В этой ситуации задача прогнозирования переменой по произвольному набору значений представляется комплексной задачей регрессионного анализа и распознавания образов. Если замеры параметров наблюдений осуществлять в дискретные моменты времени и в эти же моменты начинаются процедуры принятия решений о текущем состоянии ССТС, прогноза ее состояния к следующему замеру и определение входных факторов, соответствующих этому прогнозному состоянию, то весь процесс представляется дискретно–непрерывным. Интервал дискретности определяется особенностями предметной области.            Отображение выражается решающей функцией, вид которой следует определить. Допустим, что – множество всевозможных решающих функций, каждая из которых позволяет получить некоторое решение , зависящее от значений наблюдаемого набора его параметров . При ограничениях на класс решающих функций размерность множества может понижаться: , ().            Предполагается, что задана функция потерь , которая описывает риски, возникающие при ошибочных решениях в анализе состояния ССТС: если принято решение = , в то время, когда истинное решение (состояние объекта) =. Это правомерно, так как в основе принятия решений управления ССТС лежит процедура распознавания образов: на этапе оценки текущего состояния – распознавание класса актуального состояния; на этапе прогноза – распознавание класса предсказанного состояения; на этапе выбора управляющих факторов – распознавание входного вектора, соответствующего целевому состоянию исследуемой системы (обратная задача распознаванию состояний объекта).            Исходя из указанных условий и особенностей ССТС, для некоторой текущей ситуации состоянию объекта из множества , в каждый момент соответствует некоторая функция из множества . При этом принятию решения при наличии как совместному событию сопоставляются ожидаемые потери при прогнозировании произвольного наблюдения. Тогда текущей ситуации состояния объекта из множества в каждый момент будет соответствовать некоторая функция из множества . При этом соотношению (,) сопоставляются ожидаемые потери при прогнозировании произвольного наблюдения

() = (3)

в формате среднего риска по всей области текущих значений . Оптимальным решением (решающей функцией) выберем , для которого выполняется условие:                                () = (). (4)





Эту функцию можно найти, если известно распределение . В практических задачах (реальные СТС) оно как правило не известно. В этом случае решающая функция выбирается из множества на основе анализа выборки наблюдений над . На практике обычно ограничиваются оценкой эмпирического риска путем усреднения по обучающей выборке:                   () = () = , (5) при .  Для задания метода построения решающих функций необходимо так же указать алгоритм построения решающей функции (), оптимизирующий критерий качества - (). Учитывая условия функционирования ССТС, отмеченные в постановке задания на исследование, функциональная связь управляющих факторов и состояний ССТС носит в общем случае случайный характер, задачу оценки рисков можно свести к формату анализа совместных апостериорных распределений факторов и состояний ССТС.           В выбранных обозначениях обозначает состояние системы, зависящее от входных данных - случайной дискретной величины, которая может принимать значения c вероятностью . Под влиянием управляющего воздействия объект перешел в некоторое состояние, которое мы отслеживаем по наблюдению величины со значениями с вероятностями . Тогда условная вероятность перехода объекта управления в состояние c признаками под действием имеет вид ). Эффективное управление должно обеспечивать такие условия, чтобы эта вероятность была наибольшей:                                                   , (6) что означает вероятность максимальной обусловленности состояния ССТС набором факторов . При этом сам фактор примет некоторое конкретное значение :                                                               ,  (7)           Степень обусловленности состояния системы набором факторов необходимое, но недостаточное условие оптимального управления, так как решения могут быть не только правильными, но и ошибочными. Тогда при высокой обусловленности степень достижения требуемого состояния снижается. Достаточным условием при этом является ситуация, когда из множества всех решений ни одно из ни не препятствует достижению целевого состояния объектом. Это условие представляет гипотезу позитивных решений (). Совокупность правильных решений в управлении с их максимальной детерминирующей силой позволяет искать среди множества решений наилучшее в форме:                                                      , (8) где – область всех возможных значений их множества позитивных решений. В реальных условиях (неопределенность, помехи, противодействие и др.) могут иметь место ошибочные решения – гипотеза . Задача нахождения максимальной обусловленности, при всех возможных решениях, может быть выражена в виде:                                                    ,                                         (9)            где - область всех возможных значений из множества позитивных и ошибочных решений.           Так как ошибочные решения возможны из-за недостатка априорных данных, коррелированности управляющих факторов, ограниченности выборки прецедентов, случайных мешающих факторов и т.д., задача приобретает статистический характер.         В качестве оценки наилучшего решения возьмем отношение этих выражений и сравнить их с некоторым числом µº, выражающим вероятность допустимой ошибки выбора правильного решения. Тогда задача выбора наилучшего решения сводится к задаче проверки гипотез [58,19] :

(10) при ограничениях на среду, условия, факторы ( ):, где из (2).        – вектор допустимых значений дисциплинирующих факторов (ограничивающее множество)   , соответствующий размерности.           Если известна аналитическая форма связи состояний и факторов, т.е. вид условной вероятности , то применив, например, процедуру показанную в [58], можно найти решение этой задачи.          Как показывает практика анализа сложной СТС [158-164], получить эту зависимость не всегда представляется возможным из-за ее особенностей, а значит, найти решение (10).          В этой ситуации представляется целесообразной трансформация выражения (10) из вероятностно-аналитической формы в информационно-аналитическую.          Корректность такого подхода обусловлена тем, что принятие решения о значении управляющего фактора – это выбор некоторого наиболее предпочтительного управляющего воздействия из исходного множества всех возможных управляющих воздействий, обеспечивающего наиболее эффективное достижение целей управления[27,28]. В результате выбора неопределенность (энтропия) исходного множества уменьшается на величину информации, которая порождается самим актом выбора. А.А.Харкевич установил аналитическое соответствие между вероятностью обусловленности состояния объекта и количеством вносимой в систему информации [28]:                                   , (11) где – количество информации, вносимое в систему набором управляющих факторов для перевода ее в состояние ();                          - вероятность наблюдения на выходе состояния (), при условии ();           и - вероятности наличия – го фактора и – го состояния соответственно и отражают вероятностную природу информации, которая подается на вход объекта управления и регистрируется на его  выходе;         –максимальное количество значений факторов и состояний.       Из соотношения (2) видно, что максимальное количество информации достигается,   если нет мешающих факторов и наблюдается однозначность соответствия между значениями случайной величины на входе и выходе, а управляющие воздействия в пространстве факторов взаимно ортогональны. Эти условия можно формализовать следующим образом:       где при при                 В этом случае количество информации максимально и объект находится в режиме оптимального управления. Однако в реальных условиях можно лишь в той или иной мере приблизиться к такому состоянию, максимизируя величину                  В рассматриваемых социотехнических системах целевые состояния заданы показателями (индикаторами) количественного характера. Обозначим набор этих показателей вектором (). Поиск эффективного управления возможен на основе стратегии приближения теущих показателей состояния к целевым:

(12)

при вариациях   , (13) где: – информационный индикатор -го состояния объекта, показывающий количество информации о переходе ССТС в данное состояние, имеющееся в каждом из - факторов; . Выражение в (13) выражает скалярное произведение, которое может быть представлено в виде:                                                       (14)                   с учетом меры Харкевича и частот фактов: .          Таким образом, равенства (10), (11), (13), (14) выражают фундаментальный характер связи прагматических свойств информации с категорией текущего и целевого состояния ССТС при решении прикладных задач в исследовании поведения объектов различной природы при многофакторном влиянии на переход системы в то или иное состояние. При этом принятие решения аналитической системой – это выбор некоторого, наиболее предпочтительного, управляющего набора входных факторов из исходного множества всех возможных входных воздействий, обеспечивающего переход (нахождение) объекта исследования в целевое состояние. В результате принятия решения (выбора значений входного вектора) минимизируется неопределенность исходного множества возможных решений на величину информации, которую можно измерить и максимизировать согласно (11), (12), (13) [14, 21, 22].           Выше было отмечено, что для выделения и описания класса сложных социотехнических систем необходим выбор метрики оценки адекватности модели. Так как в основе анализа лежит массив данных предыстории, в которых заложены скрытые статистические связи и закономерности, выбор метрики оценки адекватности модели логично осуществлять на основе статистических критериев близости с учетом особенностей предметной области.                 Выражение (1) формализует границу области сложных систем в более широком классе социотехнических систем и позволяет классифицировать ССТС по статистическому критерию близости признаковых пространств целевого и текущего состояний системы. Как следует из [14], особенности предметных областей рассматриваемых ССТС, позволяют достаточно корректно применить статистические критерии близости при оценке пространств признаков целевого и текущего состояний системы. Показано, что наилучшее функционирование системы управления характеризуется критерием оптимального управления (целевой функцией), который представляет собой величину, определяющую эффективность достижения цели управления, а критерием оптимальности выступает максимальное отклонение параметров системы от заданных значений. Тогда можно сформулировать задачу проверки статистической близости распределений двух наборов параметров (индикаторов), соответствующих двум состояниям ССТС.          Пусть имеются две вы­борки значений признаков состояний системы размера из наборов индикаторов ССТС для текущих и целевых состояний соответственно. Предположим, что функции распределения и являются непрерывными. Выберем в качестве рабочего статистического инструментария критерий Колмогорова – Смирнова. Статистика этого критерия измеряет степень различия между двумя функциями распределения, полученными в результате опыта. Проверяется гипо­теза о том, что для двух любых выборок извлеченных из одной и той же генеральной сово­купности, т.е. описывающих текущие значения индикаторов одной и той же ССТС, имеет место                                                         (16) при любом значении аргумента. Невязка двух распределений (в нашем случае текущего и целевого состояний) определяется через статистику построенную по выборкам следующим образом [14]:                                                , (17) где – мощность выборки индикаторов текущего состояния, а - эмпирическая функция распределения этой выборки, которая находится известным способом:

, (18) где ; ; - номер управляющего фактора; - количество управляющих факторов; - наблюдаемые значения -го управляющего фактора для -й выборки. Функцию распределения целевого состояним определим следующим образом:                                    , (19)

где и - границы интервалов допустимых значений индикаторов вектора целевого состояния.           Показано, что согласно теореме Смирнова [15], отклонения параметров состояний связаны с уровнем значимости, т.е. с выбираемыми допустимыми ошибками, соотношением



, (20) где - значения квантиля Колмогорова при выбранном уровне значимости (). При этом критерий согласия Смирнова позволяет проверить, согласуется ли заданная выборка (совокупность индикаторов текущего состояния) с заданным фиксированным распределением (совокупность индикаторов целевого состояния). При решении практических задача выбрано правило:  если статистика                                                            (21) превышает квантиль распределения Колмогорова , заданного уровня значимости (), то нулевая гипотеза отвергается. В противном случае - принимается на уровне () [15]. Таким образом, максимальное значение ошибки в выражении (17) через статистику Смирнова (21) и квантиль распределения Колмогорова установленного уровня значимости, имеет детерминированную связь с ошибками первого и второго рода при проверке статистической близости текущего и целевого состояний исследуемой ССТС. Это позволяет корректно количественно оценивать допустимые риски с учетом особенностей предметной области и количественно установить верхнюю границу допустимой ошибки с учетом традиционно принятых в математической статистике ошибок 1-го и 2-го рода, отображающих реальный ущерб системе. Это условие окончания итерационного процесса обучения нейронной сети.          При таком подходе устанавливается однозначное соответствие двух основополагающих параметров модели: величины допустимой ошибки (возможного ущерба в системе ) и степени адекватности модели ( надежности принимаемых решений ), что наполняет допустимый предел неадекватности модели (δ) в заданном метрическом пространстве признаков, реальным предметным содержанием (медицина, финансы, техника и т.п.).           Функции распределений и на основании теоремы Колмогорова – Арнольда о представлении функции нескольких аргументов через сумму композиций функций одной переменной [9] и ее адаптации к нейросетевому формату Хехт – Нильсеном [10], могут быть преобразованы по алгоритму      , (22) где – мощность обучающей выборки, – параметры нейросети, – количество нейронов, – весовые коэффициенты нейронов. При этом можно утверждать, что существует такой набор чисел , при которых функция аппроксимируется рядом (22) на всей области ее определения и может быть реализована с помощью трехслойной нейронной сети с любой наперед заданной погрешностью. Воспользуемся этой теоремой и приведем формулировки задач исследования (2), (5), (12), (13) к нейросетевому формату.

В качестве обучающего правила моделей применялся метод градиентного спуска и его модификации. Результатом обучения был выбор таких значений всех весовых коэффициентов сети и , которые обеспечивают максимальное совпадение выходного вектора и целевого вектора ожидаемых значений при предъявлении вектора входных факторов ,где мощность обучающей выборки ( ).  Для многомерного случая обучение сети с использованием градиентного метода состоит из процедур, которые подразумевают корректировку весов после обработки всех пар в обучающей последовательности с использование целевой функции в виде:



(23)

  Модификация синаптических коэффициентов осуществляется на основе градиентного метода:


.

Компоненты вектора градиента функции невязки рассчитывались по метода обратного распространения ошибки в формате принятых обозначений [145]:                                 (24)

Выходы 1 и 2 нейронных слоев определялись согласно выражений:

          (25)

Соотношения для частных производных функции невязки по весам нейронов выходного слоя имеют вид:
,  (26)

где 

      Компоненты градиента для весов предпоследнего слоя определяются по методике дифференцирования сложной функции [45]:

                    , (27)


где , — сигнал на входе в сеть, коэффициент при  — величина погрешности обучения, перенесенная с выхода сети к входу.         Расчет каждого элемента вектора градиента функции ошибки согласно выражений (24,25,26,27) и реализацию алгоритмов обучения для стоящих задач распознавания актуального состояния, прогнозирования динамики этого состояния и выбор продуктивных факторов, целесообразно осуществлять с применением нейроэмуляторов, так как они обладают необходимым программным инструментарием[134,156]. При таком подходе решение проблемы поиска оптимального решения в управлени ССТС сводится к минимизации функции ошибки нейронной сети при ее обучении в режимах классификации, регрессионного анализа, прогнозирования и выбора соответствующего набора факторов.        Нахождение формы отображения пространства факторов в пространство состояний осуществляется в процессе модификации массива синаптических коэффициентов нейросети по набору примеров. Поэтому задача моделирования принятия решений в ССТС на практике сводится к подбору данных для формирования обучающей выборки, их нормированию, масштабированию и фильтрации, выбору алгоритма подбора весовых коэффициентов, обеспечению сходимости итерационного процесса при заданной точности и скорости.         Учитывая особенности рассматриваемых предметных областей ССТС, существует возможность манипулирования временем сходимости процесса обучения моделей в широких пределах, учитывая его связь с ошибами обучения, сложностью моделей, размерностью входного вектора и мощностью обучающего множества [31, 32, 34]. Таким образом, специфика рассматриваемых объектов исследования как обобщенного понятия ССТС, позволяет подходить к её исследованию с точки зрения теории информации как к шумящему, определенным образом, телекоммуникационному каналу, в котором базовые процессы (классификация, прогнозирование, кластеризация, выбор входных воздействий), как образы, описываются на языке их информативных признаков, подвергаются анализу и оптимизации. Исходным материалом для реализации перечисленных процессов являются данные предыстории ССТС в соответствующей предметной области. Это является основой формирования обучающей выборки, приведенной к единому формату через семантическую меру целесообразности Харкевича и ранжированной по детерминирующей силе воздействия.          Для нахождения наилучших решений применялись процедуры проверки гипотез для оценки классов состояний, многомерный регрессионный анализ при поиске зависимостей «вход-выход» и адаптивный поиск значений входного вектора под заданный вектор индикаторов целевого состояния исследуемого объекта. Верификация результатов моделирования достигалась обоснованием адекватности моделей корректным выбором исходных данных и дисциплинирующих условий, оценкой достоверности и точности результатов на основе статистических расчетов доверительных вероятностей и доверительных интервалов. Оптимизация найденных решений обеспечена использованием статистических решающих правил в формате их нейросетевого моделирования, нахождением управляющих факторов максимальной дифференцирующей силы.          Таким образом, формализация проблемы принятия решений в управлении продуктивностью функционирования ССТС может принимать форму (2), (4), (10), (12,13), (22), что зависит от особенностей предметного наполнения решаемой задачи (вида входных данных, характера, структуры, целей системы, условий функционирования, ограничений и др.). Наибольшими перспективами при принятии решений управления ССТС, как было показано выше, обладают информационные технологии с использованием элементов искусственного интеллекта (обучение, обобщение, распознавание, адаптация).          

          В третьем разделе проводится декомпозиция принятия решений в управлении ССТС на базовые процессы и их формализация. К понятию базовых процессов в данном контексте отнесятся: классификация состояний объекта, прогноз изменения состояний во времени, выбор оптимальной совокупности входных факторов. Адекватная математическая модель, аналитически связывающая входные факторы ССТС с выходными индикаторами её состояния, является основой построения оптимальной системы принятия решений. Однако в условиях большой размерности вектора входных данных и сложности взаимосвязей с индикаторами состояния объекта построить адекватную многомерную зависимость сразу для всего массива данных, как правило, не удается [13, 35, 48]. Поэтому нахождению многофакторной зависимости, как решению задачи многомерной регрессии, должна предшествовать процедура структурирования исходных данных с целью формирования однородных подмножеств. Тогда удается добиться заданных границ производительности при построении модели регрессионного анализа для каждого из полученных подмножеств. Решение этой задачи целесообразно осуществить в формате кластерного анализа.

        Для построения программной модели анализа структуры входных данных предлагается использовать среду пакет технического анализа Statsoft и обеспечить адаптацию эмуляторов базовых функций в рамках установленных ограничений.

  Формально построение математической модели внутренней структуры индикаторов состояния ССТС на основе исходных данных входного множества факторов сводится к отображению пространства факторов на пространство состояний с заданной надежностью и точностью:



, (28)   — множество выборок признаков описания экологического состояния;   – верифицированное выходное значение функции регрессии.        При конечном массиве обучающих выборок , выбранной функции расстояния между объектами (эвклидово расстояние), необходимо разделить массив данных на непересекающиеся подмножества, так, чтобы каждое состояло из объектов, близких по метрике , а объекты разных подмножеств существенно отличались между собой, то есть:                                   (29)                                    , (30)

; ,

 — множество выборок признаков описания инвестиционных состояний;  — множество номеров кластеров;   ; - множества значений входных факторов и номеров классов;

h, j = 1,2,…,K – средние значения в кластерах;

d) – расстояние между объектом и центром кластера;

d) – расстояние между центрами кластеров.

         Созданные для каждого из кластеров отдельные нейронные сети, реализующие многомерную регрессию, позволили получить физическую модель связи входных факторов с индикаторами состояния ССТС как реализацию функции (30). Производительность сетей и ошибки на обучающем, контрольном и тестовом множествах удалось обеспечить в допустимых пределах, что позволило получить состоятельный инструмент поддержки принятия решений в оценке прогноза состояний объекта.

       Решение задачи основано на извлечении знаний из массива примеров путем обучения нейросетевой модели анализа данных. Учитывая, что число рассматриваемых факторов ССТС в исследуемых предметных областях (экономика, медицина, экология идр.) достигает нескольких десятков и сотен [3] и эти факторы, как правило, оказывают влияние друг на друга, часть из них зашумлена или отсутствует, решения принимаются в условиях высокой априорной неопределенности. В таких условиях наиболее эффективны методы и алгоритмы нейросетевого распознавания образов [4,5,7]. Проведенный Так как исходная классификация входных данных может отсутствовать, то на первом этапе задача распознавания классов сводится к распознаванию компактных, однородных группировок в данных, что позволяет корректно применить теорему Колмогорова [9,10] для регрессионного анализа в каждом кластере.

Внутри кластеров данные в определенной мере однородны, что позволяет корректно применить теорему Колмогорова [9,10] для регрессионного анализа в каждом кластере.

      Таким образом, после группировки входных данных как компактных множеств в многомерном пространстве на основе выбранной метрики близости, новые наблюдения можно классифицировать по принадлежности к тому или иному кластеру с минимальным значением меры близости. Это эквивалентно процедуре описания классов на языке их признаков, с учетом экспертного заключения предметного специалиста.


Каталог: conferences
conferences -> Развитие коммуникативно-речевых умений
conferences -> Секция 3,устный
conferences -> Демократический стиль управления как отражение ассертивности руководителя
conferences -> Самооценка руководителя как фактор влияния на психологический климат коллектива
conferences -> Стресс в практике управления и пути его преодоления
conferences -> Теории и стили лидерства
conferences -> Нравственные ценности Будущих управленческих кадров как части современной молодежи
conferences -> В. В. Кузнецова (Ульяновск)
conferences -> О факторах, влияющих на репродуктивное поведение населения
conferences -> Творческие компетенции и их роль в профессиональном инновационном развитии работников библиотек


Поделитесь с Вашими друзьями:
1   2   3   4   5


База данных защищена авторским правом ©dogmon.org 2017
обратиться к администрации

    Главная страница