КУБАНСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ

ЛУЦЕНКО Евгений Вениаминович

АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ В УПРАВЛЕНИИ АКТИВНЫМИ ОБЪЕКТАМИ

(СИСТЕМНАЯ ТЕОРИЯ ИНФОРМАЦИИ И ЕЕ ПРИМЕНЕНИЕ
В ИССЛЕДОВАНИИ ЭКОНОМИЧЕСКИХ, СОЦИАЛЬНО-ПСИХОЛОГИЧЕСКИХ,
ТЕХНОЛОГИЧЕСКИХ И ОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИХ СИСТЕМ)

Краснодар – 2002

УДК	303.732.4
ББК	65.05
Л	86

Рецензенты:

Барановская Т. П., профессор, доктор экономических наук, заведующая кафедрой системного анализа и обработки информации, Кубанский государственный аграрный университет (г.Краснодар)

Ключко В. И., профессор, доктор технических наук, заведующий кафедрой ВТ и АСУ, Кубанский государственный технологический университет (г.Краснодар)

Лежнев В. Г., профессор, доктор физико-математических наук, профессор кафедры математического моделирования, Кубанский государственный университет (г.Краснодар)

Луценко Е. В.

Л 86 Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). – Краснодар: КубГАУ. 2002. – 605 с.

ISBN 5-94672-020-1

В монографии излагаются теоретические основы и технология применения нового междисциплинарного научного направления, получившего название "Автоматизированный системно-когнитивный анализ" (АСК-анализ), в котором с единых позиций теории информации изучаются процессы познания и труда (в форме управления предметом труда). Рассматриваются вопросы применения АСК-анализа для рефлексивного управления активными системами, к которым относятся социально-экономические системы, люди с их "психической реальностью", биологические и экологические системы, а также новый класс технических систем: технические системы с параметрами, качественно-изменяющимися в процессе штатной эксплуатации. При этом сам процесс познания в форме АСК-анализа включается непосредственно в цикл управления в качестве периодически выполняемого этапа.

Предлагаются математическая модель АСК-анализа, основанная на системном обобщении семантической теории информации А.Харкевича, а также соответствующий численный метод и реализующий его специальный программный инструментарий – Универсальная когнитивная аналитическая система "Эйдос" (с системами окружения "Эйдос-фонд" и "Эйдос-Y"). Приведено 4 численных примера применения АСК-анализа в различных предметных областях, подробно рассмотрены опыт и перспективы его применения.

Для студентов, аспирантов и ученых, работающих в области системного анализа, когнитивного анализа, рефлексивного управления активными системами, когнитивного моделирования, для всех интересующихся СИИ, интеллектуальной обработкой данных и интеллектуальным управлением.

Ил. 171. Табл. 44. Формул 94. Библиогр.: 366 назв.

ISBN 5-94672-020-1	Ó Е.В.Луценко, 2002 г.
	Ó КубГАУ, 2002 г.

СОДЕРЖАНИЕ

ВВЕДЕНИЕ.......................................................................................................................................................................... 5

ГЛАВА 1. ПРОБЛЕМА УПРАВЛЕНИЯ АКТИВНЫМИ ОБЪЕКТАМИ И КОНЦЕПЦИЯ ЕЕ РЕШЕНИЯ 35

1.1. ПРОБЛЕМА УПРАВЛЕНИЯ АКТИВНЫМИ ОБЪЕКТАМИ.................................................................. 35

1.2. ТРЕБОВАНИЯ К МЕТОДАМ РЕШЕНИЯ ПРОБЛЕМЫ И КРИТЕРИИ ИХ СРАВНЕНИЯ............ 57

1.3. ТРАДИЦИОННЫЕ ПУТИ РЕШЕНИЯ ПРОБЛЕМЫ................................................................................. 62

1.4. КОНЦЕПЦИЯ РЕШЕНИЯ ПРОБЛЕМЫ: ОБОБЩЕННАЯ МОДЕЛЬ ДЕТЕРМИНИСТСКО-БИФУРКАЦИОННОЙ ДИНАМИКИ АКТИВНЫХ СИСТЕМ................................................................................................................... 90

1.5. ВЫВОДЫ............................................................................................................................................................ 105

ГЛАВА 2. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ АСК-АНАЛИЗА................................................................ 109

2.1. СИСТЕМНЫЙ АНАЛИЗ, КАК МЕТОД ПОЗНАНИЯ............................................................................ 109

2.2. КОГНИТИВНАЯ КОНЦЕПЦИЯ И СИНТЕЗ КОГНИТИВНОГО КОНФИГУРАТОРА................. 133

2.3. ФОРМАЛИЗАЦИЯ БАЗОВЫХ КОГНИТИВНЫХ ОПЕРАЦИЙ СИСТЕМНОГО АНАЛИЗА...... 144

2.4. СТРУКТУРИРОВАНИЕ СИСТЕМНОГО АНАЛИЗА ДО УРОВНЯ БАЗОВЫХ КОГНИТИВНЫХ ОПЕРАЦИЙ 156

2.5. ВЫВОДЫ............................................................................................................................................................ 158

ГЛАВА 3. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ АСК-АНАЛИЗА....................................................................... 163

3.1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ СИСТЕМНОЙ ТЕОРИИ ИНФОРМАЦИИ......................................... 163

3.2. СЕМАНТИЧЕСКАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ АСК-АНАЛИЗА........................................ 213

3.3. НЕКОТОРЫЕ СВОЙСТВА МАТЕМАТИЧЕСКОЙ МОДЕЛИ (СХОДИМОСТЬ, АДЕКВАТНОСТЬ, УСТОЙЧИВОСТЬ И ДР.)....................................................................................................................................................................................... 280

3.4. СВЯЗЬ СИСТЕМНОГО ОБОБЩЕНИЯ ИНФОРМАЦИОННОЙ МЕРЫ ХАРКЕВИЧА СО СТАТИСТИКОЙ c² И НОВАЯ МЕРА УРОВНЯ СИСТЕМНОСТИ ПРЕДМЕТНОЙ ОБЛАСТИ.................................................................. 288

3.5. СРАВНЕНИЕ, ИДЕНТИФИКАЦИЯ И ПРОГНОЗИРОВАНИЕ КАК ОБЪЕКТНЫЙ АНАЛИЗ (РАЗЛОЖЕНИЕ ВЕКТОРОВ ОБЪЕКТОВ В РЯД ПО ВЕКТОРАМ КЛАССОВ)........................................................................................... 291

3.6. ВЫВОДЫ............................................................................................................................................................ 298

ГЛАВА 4. ЧИСЛЕННЫЙ МЕТОД АСК-АНАЛИЗА......................................................................................... 306

4.1. СТРУКТУРЫ ДАННЫХ И ПОСЛЕДОВАТЕЛЬНОСТЬ ЧИСЛЕННЫХ РАСЧЕТОВ В СООТВЕТСТВИИ С СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛЬЮ АСК-АНАЛИЗА........................................... 306

4.2. ОПИСАНИЕ АЛГОРИТМОВ БАЗОВЫХ КОГНИТИВНЫХ ОПЕРАЦИЙ СИСТЕМНОГО АНАЛИЗА 308

4.3. ДЕТАЛЬНЫЕ АЛГОРИТМЫ БКОСА (АСК-АНАЛИЗА)...................................................................... 317

4.4. ВЫВОДЫ............................................................................................................................................................ 341

ГЛАВА 5. СПЕЦИАЛЬНЫЙ ПРОГРАММНЫЙ ИНСТРУМЕНТАРИЙ АСК-АНАЛИЗА – СИСТЕМА "ЭЙДОС" 342

5.1. НАЗНАЧЕНИЕ И СОСТАВ СИСТЕМЫ "ЭЙДОС"................................................................................. 342

5.2. ПОЛЬЗОВАТЕЛЬСКИЙ ИНТЕРФЕЙС, ТЕХНОЛОГИЯ РАЗРАБОТКИ И ЭКСПЛУАТАЦИИ ПРИЛОЖЕНИЙ В СИСТЕМЕ "Эйдос".................................................................................................................................................................... 346

5.3. ТЕХНИЧЕСКИЕ ХАРАКТЕРИСТИКИ СИСТЕМЫ "ЭЙДОС" (ВЕРСИИ 7.3)................................. 374

5.4. ОБЕСПЕЧЕНИЕ ЭКСПЛУАТАЦИИ СИСТЕМЫ "ЭЙДОС"................................................................. 378

5.5. ВЫВОДЫ............................................................................................................................................................ 381

ГЛАВА 6. АСК-АНАЛИЗ, КАК МЕТОДОЛОГИЯ СИНТЕЗА И ЭКСПЛУАТАЦИИ РЕФЛЕКСИВНЫХ АСУ АКТИВНЫМИ ОБЪЕКТАМИ (НА ПРИМЕРЕ РЕШЕНИЯ ЗАДАЧ АСУ КАЧЕСТВОМ ПОДГОТОВКИ СПЕЦИАЛИСТОВ) 383

6.1. ФУНКЦИОНАЛЬНО-СТРУКТУРНЫЕ ТИПЫ АСУ............................................................................... 383

6.2. АСК-АНАЛИЗ, КАК АЛГОРИТМ СИНТЕЗА РАСУ АКТИВНЫМИ ОБЪЕКТАМИ.................... 389

6.3. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ СИНТЕЗА РАСУ КАЧЕСТВОМ ПОДГОТОВКИ СПЕЦИАЛИСТОВ 395

6.4. ВЫВОДЫ............................................................................................................................................................ 423

ГЛАВА 7. ОПЫТ И ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ АСК- АНАЛИЗА................................................ 426

7.1. КРАТКИЙ ОБЗОР ОПЫТА ПРИМЕНЕНИЯ АСК-АНАЛИЗА ДЛЯ ИССЛЕДОВАНИЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМ.................................................................................................................................................................... 426

7.2. АНАЛИЗ ДИНАМИКИ МАКРОЭКОНОМИЧЕСКИХ СОСТОЯНИЙ ГОРОДОВ И РАЙОНОВ НА УРОВНЕ СУБЪЕКТА ФЕДЕРАЦИИ В ХОДЕ ЭКОНОМИЧЕСКОЙ РЕФОРМЫ (НА ПРИМЕРЕ КРАСНОДАРСКОГО КРАЯ) 430

7.3. ПРОГНОЗИРОВАНИЕ УРОВНЯ БЕЗРАБОТИЦЫ (НА ПРИМЕРЕ ЯРОСЛАВСКОЙ ОБЛАСТИ) 430

7.4. ПРОГНОЗИРОВАНИЕ РАЗВИТИЯ РАЗЛИЧНЫХ СЕГМЕНТОВ РЫНКА (НА ПРИМЕРЕ ФОНДОВОГО РЫНКА РФ) 431

7.5. ПРОГНОЗИРОВАНИЕ РЕЗУЛЬТАТОВ ВЫРАЩИВАНИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР И ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ ПО РАЦИОНАЛЬНОМУ ВЫБОРУ АГРОТЕХНОЛОГИЙ............................. 450

7.6. СОЦИАЛЬНО–ЭКОНОМИЧЕСКИЕ ИССЛЕДОВАНИЯ..................................................................... 456

7.7. СИНТЕЗ И РЕШЕНИЕ ЗАДАЧ УПРАВЛЕНИЯ КАЧЕСТВОМ ПОДГОТОВКИ СПЕЦИАЛИСТОВ (НА ПРИМЕРЕ КЮИ МВД РФ)..................................................................................................................................................................... 463

7.8. ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ СЛОЖНЫМИ ТЕХНИЧЕСКИМИ СИСТЕМАМИ.... 481

7.9. ОГРАНИЧЕНИЯ ПРЕДЛОЖЕННОЙ ТЕХНОЛОГИИ И ВОЗМОЖНОСТИ ОБОСНОВАННОГО РАСШИРЕНИЯ ОБЛАСТИ ЕЕ ПРИМЕНЕНИЯ НА ОСНОВЕ НАУЧНОЙ ИНДУКЦИИ........................................................................ 498

7.10. МОНИТОРИНГ, ПРОГНОЗИРОВАНИЕ И УПРАВЛЕНИЕ В ФИНАНСОВО-ЭКОНОМИЧЕСКОЙ СФЕРЕ 502

7.11. ОЦЕНКА РИСКОВ СТРАХОВАНИЯ И КРЕДИТОВАНИЯ ПРЕДПРИЯТИЯ............................... 507

7.12. АНАЛИЗ ОБЩЕСТВЕННОГО МНЕНИЯ (СОЦИОЛОГИЯ И ПОЛИТОЛОГИЯ)........................ 510

7.13. ЭКОЛОГИЧЕСКИЙ МОНИТОРИНГ, АНАЛИЗ И ПРОГНОЗИРОВАНИЕ.................................... 514

7.14. НЕКОТОРЫЕ ПЕРСПЕКТИВЫ РАЗВИТИЯ И ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ АСК-АНАЛИЗА.......... 515

7.15. ВЫВОДЫ......................................................................................................................................................... 558

ЗАКЛЮЧЕНИЕ............................................................................................................................................................. 565

СПИСОК ЛИТЕРАТУРЫ.......................................................................................................................................... 569

ПРИЛОЖЕНИЯ............................................................................................................................................................. 585

ПР-1. РИСУНКИ....................................................................................................................................................... 585

ПР-2. ТАБЛИЦЫ....................................................................................................................................................... 590

ПР-3. ФОРМУЛЫ..................................................................................................................................................... 592

ПР-4. АКТЫ ВНЕДРЕНИЯ И ПРОВЕДЕНИЯ НАУЧНО-ИССЛЕДОВАТЕЛЬСКИХ РАБОТ............. 593

ПР-5. ДЕТАЛЬНЫЙ УКАЗАТЕЛЬ РАЗДЕЛОВ............................................................................................... 597

ВВЕДЕНИЕ

В данной работе обобщены результаты более чем 18-летних исследований и разработок автора в области автоматизации системного и когнитивного анализа (от "cognition" – "познание", англ.) и управления активными объектами. В результате этих исследований была обобщена семантическая теория информации А.Харкевича и разработана формализуемая когнитивная концепция из которой следует существование 10 базовых когнитивных операций (БКО), к которым сводятся различные процессы познания, в том числе и системный анализ (СА). Системный анализ, структурированный до уровня базовых когнитивных операций, предложено назвать "Системно-когнитивным анализом" (СК-анализ). Разработаны иерархические структуры данных и детальные алгоритмы БКО. Высокая степень детализации алгоритмов БКОСА позволила реализовать их в одной программной системе: Универсальной когнитивной аналитической системе "Эйдос" и автоматизировать СК-анализ, создав тем самым один из вариантов автоматизированного СК-анализа (АСК-анализ).

Таким образом, на пути интеграции с когнитивными технологиями впервые предложен конкретный универсальный вариант автоматизированного системного анализа (АСА), что ранее (на пути максимальной детализации СА) удавалось сделать лишь для конкретных предметных областей применения СА (например, в области нетрадиционной энергетики [271]).

Применение АСК-анализа создало благоприятные условия для автоматизации рефлексивного управления активными объектами как на детерминистских, так и на бифуркационных этапах их развития.

Одним из ключевых понятий работы является понятие "Активных объектов" (АО). Поэтому определение АО целесообразно уточнить.

Определение активных объектов: под активными объектами в данной работе понимаются объекты, имеющие собственную систему целеполагания и принятия решений, а также адаптивную модель предметной области, включая модели самого себя (т.е. АО являются рефлексивными) и управляющих систем различного уровня и назначения, которые воздействуют на активный объект как на объект управления.

К активным объектам относятся прежде всего люди и системы с их участием: это социально-экономические системы различного уровня иерархии от экономики страны и сегмента рынка или отрасли до конкретного предприятия, различные группы населения, электорат, социум, организационно-технические, технологические и человеко-машинные системы, экипажи, а также сложные и интеллектуальные технические системы с параметрами, качественно изменяющимися в процессе штатной эксплуатации.

Традиционно управление активными системами осуществляется на основе подходов, разрабатываемых в политологии, экономике и психологии, "тяготеющих к гуманитарному полюсу". При этом огромный опыт управления техническими и организационными системами, накопленный в теории и практике автоматизированных систем управления (АСУ), остается, по мнению автора, недостаточно востребованным.

Задачи создания АСУ активными объектами управления (АОУ) относятся к важнейшим для жизни общества, однако корректно ставить и решать подобные задачи стало возможным лишь в последнее время благодаря бурному развитию ряда новых перспективных научных направлений: "интеллектуальный анализ данных", "интеллектуальное управление", "нейронные сети", "генетические алгоритмы", "когнитивное моделирование" и ряда других. Весьма существенно, что сами эти новые научные направления могут рассматриваться как "плоды системного эффекта", возникающего на границах научных направлений в результате междисциплинарного взаимодействия.

В этом взаимодействии есть два направления: распространение естественно-научных методов, прежде всего математики и кибернетики, в традиционно гуманитарную сферу; распространение научных результатов и идей, полученных в гуманитарной сфере, в традиционный ареал естественных наук.

В данной работе предпринята попытка "наведения новых мостов" в этом междисциплинарном диалоге, за которым стоит диалог гуманитарного и естественно-научного "полюсов науки".

Управление активными объектами имеет ярко выраженную специфику и ряд существенных отличий от традиционного управления техническими объектами, как по способам математического моделирования объекта управления и принятия решения о выборе управляющих воздействий, так и по способу оказания управляющих воздействий. Причина этого состоит в том, что активные системы развиваются путем чередования детерминистских и бифуркационных этапов. На детерминистских этапах поведение системы жестко предопределено, а после прохождения точек бифуркации – оно в высокой степени неопределенно.

Традиционно (И.Пригожин с соавт.) считается, что в точке бифуркации поведение системы случайно. Предлагается обобщить это понимание, считая, что на бифуркационных этапах осуществляется принятие решений, а на детерминистских – их реализация (случайный выбор есть лишь один из вариантов принятия решений, оптимальный лишь в случае полного отсутствия априорной информации). Таким образом, на бифуркационных этапах определяются закономерности, определяющие поведение системы на детерминистских этапах, это означит, что в точках бифуркации система изменяется качественно (революционно), а на детерминистских этапах – лишь количественно (эволюционно).

Для создания АСУ активными объектами (системами) необходимо осуществить синтез математической модели предметной области, а затем поддерживать ее адекватность при переходе объекта управления через точки бифуркации, которые происходят достаточно часто на протяжении жизненного цикла АСУ. Из вышеизложенного следует, что для этого поддержания адекватности необходим периодический синтез модели АОУ при каждом прохождении системы через точку бифуркации, т.к. в этом случае адаптации (количественного уточнения существующей модели) уже недостаточно.

Однако, в связи с тем, что активные объекты значительно сложнее классических технических и законы их поведения динамичны, в отличие от неизменных физических законов, детерминирующих поведение классических технических объектов, осуществлять периодический синтез математической модели АОУ в режиме реального времени традиционными методами весьма проблематично.

В данной работе предлагается ввести понятия о классических и неклассических технических системах. Под классическими техническими системами (КТС) понимаются технические системы, параметры которых изменяются качественно лишь в случаях прекращения штатного функционирования системы, т.е. при ее аварии или разрушении. Под неклассическими техническими системами (НТС) понимаются технические системы, параметры которых изменяются качественно в процессе штатного (предусмотренного конструкцией, нормального) функционирования системы.

С целью создания благоприятных условий для периодического синтеза математической модели АОУ, необходимо разработать автоматизированный инструмент для исследования (познания) предметной области, обеспечивающий выявление, изучение и отражение в математической модели качественно новых закономерностей, управляющих поведением АОУ после прохождения им точки бифуркации.

При этом в качестве методологии целесообразно использовать системный анализ (СА), т.к. одним из основных его требований является полнота и всесторонность рассмотрения, а из теории автоматизированных систем управления АСУ) хорошо известно, что недоучет в математической модели существенных факторов приводит к неадекватности модели и управления.

Однако, применение системного анализа в неформализованном варианте для управления активными объектами в реальном времени весьма проблематично по причине огромной трудоемкости обработки значительных объемов информации в условиях жестких временных ограничений.

Использование имеющихся программных систем не позволяет решить эту задачу по следующим причинам:

1. Математические модели разработаны не для всех этапов СА и ряд этапов на данный момент остаются неформализованными.

2. Существующие математические модели основываются на различных математических подходах.

3. Не для всех математических моделей разработаны и доступны программные средства.

4. Не для всех этапов СА созданы реализующие из программные системы.

5. Имеющиеся программные системы сложно приобрести.

6. Эти системы разработаны с использованием различного инструментария, в различной идеологии, интерфейсах, на различных платформах и не образуют единого программного комплекса. Поэтому возникают:

– сложности инсталляции различных программных систем в единой операционной среде на одном компьютере.

– сложность передачи данных между программными системами (отсутствие программных интерфейсов, несовместимость по стандартам и структурам данных).

Как это не парадоксально, но приходится констатировать, что автоматизация системного анализа велась несистемно. И путь максимальной детализации системного анализа способствовал возникновению этой ситуации.

Из всего вышесказанного возникает идея комплексной автоматизации системного анализа на единой методологической, математической, алгоритмической и инструментальной основе. В этой связи необходимо отметить, что впервые понятие автоматизированного системного анализа (АСА) предложено В.П.Стабиным в 1984 году [300].

Итак, в данной работе ставится и решается проблема обеспечения устойчивого управления активными объектами как на детерминистских, так и на бифуркационных этапах их развития.

Предлагается решение этой проблемы путем разработки универсального математического метода и соответствующего инструментария автоматизации системного анализа, как метода познания, т.е. путем декомпозиции системного анализа до уровня базовых когнитивных операций, разработки теоретических основ, инструментария и технологии АСК-анализа.

Выдвигается гипотеза, что это позволит обеспечить устойчивое управление активными объектами как на детерминистских, так и на бифуркационных этапах их развития.

Сказанным определяются объект и предмет исследования.

Объект исследования: системный анализ активных объектов.

Предмет исследования: управление активными объектами на основе автоматизированного системно-когнитивного анализа (АСК-анализа).

Проблематика работы соответствует Постановлению Правительства РФ от 28.05.96 "О приоритетных направлениях развития науки и техники и критических технологиях", в части приоритетных направлений "Информационные технологии и электроника" и "Производственные технологии": компьютерное моделирование (теоретические основы и инструментарий для проведения математического эксперимента, включая новые вычислительные модели для задач естественных и гуманитарных наук, эффективные численные методы для реализации таких моделей); искусственный интеллект (интеллектуальные системы поддержки принятия решений на основе неклассических логик и интеллектуального интерфейса /в т.ч. когнитивной графики/, интегрированные экспертные системы, основанные на знаниях, методы и средства выявления и представления знаний, методы правдоподобных рассуждений, объединяющих индукцию, аналогию и абдукцию, их применение в интеллектуальных системах); распознавание образов (математические методы и инструментальные средства широкого назначения и для решения индивидуальных, нестандартных или особо важных задач распознавания, прогнозирования и анализа в различных предметных областях); информационная поддержка технологии (модели жизненного цикла продукции, производственных процессов и среды).

Цель и задачи исследования. Целью работы является разработка методологии, математической модели и численного метода, соответствующего специального программного инструментария АСК-анализа, технологии и методики его применения для управления активными объектами.

Для достижения цели в работе решены следующие задачи:

1) разработка схемы СА, ориентированного на интеграцию с когнитивными технологиями;

2) разработка формализуемой когнитивной концепции, выявление БКО, структуризация СА до уровня БКО, разработка обобщенного алгоритма АСК-анализа;

3) разработка математической модели АСК-анализа;

4) разработка численного метода, реализующего математическую модель (конструирование структур данных и алгоритмов БКОСА и визуализации когнитивной графики); разработка детального алгоритма АСК-анализа;

5) создание специального программного обеспечения, реализующего предложенные математические модели и алгоритмы БКОСА, т.е. создание инструментария АСК-анализа;

6) разработка методологии, технологии и методики синтеза рефлексивных АСУ активными объектами;

7) синтез и эксплуатация компонент рефлексивных АСУ активными объектами на основе технологии и инструментария АСК-анализа (в различных предметных областях).

Методы исследований. Научные исследования работы основывались на теоретических и экспериментальных методах.

Теоретические методы: системный анализ, когнитивный анализ, теория информации, теория принятия решений, теория распознавания образов, теория активных систем, теория рефлексивного управления, теория автоматизированных систем управления, математическая статистика, линейная алгебра, когнитивная психология, логика, гносеология.

Экспериментальные методы: численный эксперимент, измерения внутренней и внешней, дифференциальной и интегральной валидности предложенных моделей.

Достоверность и обоснованность основных научных и практических результатов исследования подтверждается следующим:

– предложенная системная теория информации (СТИ) имеет четкую методологическую основу, построена на достоверных, проверяемых общеизвестных фактах (явлении интерференции последствий выбора);

– предложенная математическая модель и численный метод, реализованные в программном инструментарии, исследуются и верифицируются на адекватность в каждом конкретном исследовании на основе АСК-анализа;

– формализуемая когнитивная концепция обоснована методологически и фактологически;

– применена комплексная методика исследования, обеспечивающая взаимопроверяемость, сопоставляемость данных полученных в различных исследованиях, проведенных с применением АСК-анализа;

– применен апробированный математический аппарат;

– постановка задач корректна, предложенные методы решения рассматриваемых в работе задач обоснованы;

– получены оправданные, наглядные и интуитивно-убедительные результаты, совпадающие с уже известными экспертам при проведении исследовании с помощью АСК-анализа уже ранее изученных другими методами предметных областей;

– АСК-анализ, его технология и инструментарий обеспечивают накопление и анализ как положительного, так и отрицательного опыта. В работе приводятся 4 численных примера из различных предметных областей, основанные на обработке фактологического материала, включающего 1860629 фактов опыта;

– многолетняя успешная эксплуатация созданного специального программного инструментария и технологии, реализующих предложенные математические модели в десятках различных предметных областей подтверждается 17 актами об успешном решении задач идентификации и прогнозирования развития активных систем, управления ими за 1987 – 2002 годы.

В работе предлагаются:

1. Формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор (т.е. минимальный полный набор БКО, к которым сводятся различные процессы познания), состоящий из десяти БКО.

2. Теоретические основы и технология АСК-анализа.

3. Математическая модель АСК-анализа, основанная на системном обобщении семантической меры целесообразности информации А.Харкевича.

4. Численный метод, в универсальной форме реализующий математическую модель АСК-анализа, включающий иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА.

5. Специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод АСК-анализа – Универсальная когнитивная аналитическая система "Эйдос".

6. Технология и методика синтеза рефлексивных АСУ на основе АСК-анализа, в частности в области управления качеством подготовки специалистов.

7. Применение предложенных методики, технологии и специального инструментария для решения реальных задач в четырех предметных областях:

– прогнозирование и исследование развития сегмента фондового рынка РФ;

– прогнозирование результатов применения агротехнологий и поддержка принятия решений по управлению урожайностью сельскохозяйственных культур.

– управление качеством подготовки специалистов;

– синтез систем автоматического управления автономными комбинированными фотоветроэлектроэнергетическими установками;

Научная новизна работы состоит в следующем:

1. Предложен новый подход к автоматизации системного анализа, основанный не на его максимальной детализации (традиционный подход), а за счет структурирования по базовым когнитивным операциям системного анализа (БКОСА).

2. Предложена целостная научная концепция, получившая название: "Формализуемая когнитивная концепция", обеспечивающая:

– адекватное отражение иерархической структуры когнитивных процессов;

– формализацию понятия "смысл" за счет дискретно-интегрального представления фактов опыта;

– структуризацию процессов познания по базовым когнитивным операциям (БКО).

3. Предложены новые понятия: "Базовые когнитивные операции системного анализа" (БКОСА) и "Когнитивный конфигуратор", под которым понимается минимальный полный набор БКОСА, достаточный для представления различных процессов познания.

4. Из формализованной когнитивной концепции следует существование 10 БКОСА, образующих "когнитивный конфигуратор": 1) присвоение имен; 2) восприятие; 3) обобщение (синтез, индукция); 4) абстрагирование; 5) оценка адекватности модели; 6) сравнение, идентификация и прогнозирование; 7) анализ (дедукция и абдукция); 8) классификация и генерация конструктов; 9) содержательное сравнение; 10) планирование и принятие решений об управлении.

3. Системный анализ рассматривается как метод познания. Системный анализ структурирован до уровня базовых когнитивных операций. Системный анализ, структурированный до уровня базовых когнитивных операций, предложено называть системно-когнитивным анализом (СК-анализ). Предложена обобщенная структура СК-анализа. Показано, что СК-анализ имеет лучшие предпосылки для автоматизации, чем системный анализ.

4. Изменена (обобщена) традиционная трактовка известных понятий "Состояние бифуркации" и "Детерминистское состояние": предложено рассматривать их соответственно не как состояния с высокой и низкой неопределенностью поведения системы (И.Пригожин с соавт.), а как состояния принятия и реализации решений, качественного и количественного изменения закономерностей поведения системы.

5. Предложена обобщенная модель детерминистско-бифуркационной динамики активных объектов.

6. Введено новое понятие: "Интерференция последствий выбора", на основе которого переосмыслено содержание фундаментального понятия "Информация" и дано обоснование необходимости разработки системной теории информации (СТИ).

7. Предложен вариант системной теории информации, в рамках которого получено системное обобщение формулы А.Харкевича для семантической меры целесообразности информации и введена новая информационная мера, получившей название "Системная мера целесообразности информации" (СМЦИ).

8. В системной мере целесообразности информации, в котором впервые непосредственно в аналитическом выражении для самого понятия "Информация" отражены такие фундаментальные свойства систем, как "Уровень системности" и "Степень детерминированности" системы. Кроме того это выражение (как и формула Шеннона) удовлетворяет принципу соответствия с выражением Хартли в детерминистском случае, учитывает понятия цели и мощность множества будущих состояний объекта управления, обеспечивает формализацию смысла на основе дискретно-интегрального описания предметной области, сопоставимость в пространстве-времени.

Эти свойства системной меры целесообразности информации свидетельствуют о ее оптимальности как основы математической модели управления активными объектами.

Необходимо акцентировать то обстоятельство, что предложенная "Системная мера целесообразности информации" является известной мерой Харкевича, модифицированной таким образом, что выполняется принцип соответствия с мерой Хартли (для детерминистского случая), который выполняется и для меры Шеннона (для равновероятных событий). Тем самым в предложенной СТИ снято одно из противоречий между семантической теорией информации Харкевича и классической теорией информации Шеннона.

9. На основе системной меры целесообразности информации разработана математическая модель активных объектов, относящаяся к классу семантических информационных моделей. Данная модель обеспечивает формализацию БКОСА (в т.ч. решение прямых и обратных задач идентификации и прогнозирования, задач кластерно-конструктивного анализа) и автоматизированный синтез обобщенных таблиц решений на основе непосредственно эмпирических данных и вывод информации о механизмах принятия решений в форме обобщенных правил логического вывода (с расчетной степенью истинности посылок, импликаций и существования заключений).

10. На основе системной мере целесообразности информации предложена новая информационная мера уровня системности предметной области, связанная с мерой c².

11. Показано, что предложенный в работе метод идентификации и прогнозирования является разложением вектора состояния объекта по векторам обобщенных образов классов, представляющих собой произвольные функции, поэтому предложено называть этот метод "Объектным анализом" (термин автора) по аналогии с Фурье-анализом.

12. Разработан численный метод, включающий иерархические структуры баз данных и 24 детальных алгоритма 10 БКОСА, а также алгоритмы визуализации когнитивной графики (отображение векторов, семантических сетей и когнитивных диаграмм состояний АОУ и факторов).

13. Создана программная система (Универсальная когнитивная аналитическая система "Эйдос"), реализующая математическую модель с соответствующим численным методом и автоматизирующая все 10 базовых когнитивных операций системного анализа.

Таким образом:

– СК-анализ автоматизирован и создан автоматизированный системно-когнитивный анализ (АСК-анализ);

– создан инструментарий АСК-анализа в качестве которого выступает система "Эйдос".

14. Разработаны методика и технология синтеза рефлексивных АСУ активными объектами на основе АСК-анализа, обеспечивающие синтез и адаптацию модели, на (соответственно) бифуркационных и детерминистских этапах развития АОУ.

15. Разработана технология достоверного прогнозирования состояний АОУ на детерминистских этапах его развития и достоверного прогнозирования времени перехода АОУ в бифуркационное состояние.

16. Разработаны концептуальные основы синтеза АСУ качеством подготовки специалистов: предложена двухуровневая модель РАСУ качеством подготовки специалистов и алгоритм ее синтеза на основе применения автоматизированного системного анализа, структурированного до уровня базовых когнитивных операций.

17. Продемонстрирована возможность синтеза и эксплуатации компонент рефлексивных АСУ активными объектами (РАСУ АО) в режиме адаптации и периодического синтеза модели на основе применения АСК-анализа в ряде предметных областей.

18. Предложены новые понятия о классических и неклассических технических системах:

– под классическими техническими системами (КТС) понимаются технические системы, параметры которых изменяются качественно лишь в случаях прекращения штатного функционирования системы, т.е. при ее аварии или разрушении

– под неклассическими техническими системами (НТС) понимаются технические системы, параметры которых изменяются качественно в процессе штатного (предусмотренного конструкцией, нормального) функционирования системы.

19. Предложено изменение трактовки понятий "адаптация" и "синтез" модели:

– традиционно под адаптацией модели понимается не только количественное, но и качественное ее изменение

– в данной работе предлагается под адаптацией понимать лишь ее количественное изменение, а для качественного ее изменения использовать термин "синтез".

20. В порядке научной дискуссии и развития обоснованных в работе теоретических положений высказан ряд спорных, но интересных идей:

– идея многополюсных конструкты, являющиеся обобщением бинарных конструктов;

– идея континуального обобщения АСК-анализа на основе применения нечеткой логики.

Теоретическая значимость подтверждается следующим:

– формализацией базовых когнитивных операций, многие из которых совпадают с известными методами научного мышления: обобщение (синтез, индукция); абстрагирование; оценка адекватности; внешнее и содержательное сравнение, идентификация и прогнозирование; дедукция и абдукция; классификация и формирование понятий (конструктов);

– изложены новые идеи и аргументы в их пользу;

– приведены многие элементы научной теории: сформулированы гипотеза; доказаны 4 теоремы об аддитивности системной меры целесообразности информации; при создании СТИ проанализированы исходные научные факты, на основе анализа которых исторически было сформировано понятие "Информация" и расширена фактологическая база этого понятия; создан механизм их автоматизированной интерпретации в семантической информационной модели, обеспечивающей автоматическую генерацию выводов, анализ тенденций, учет факторов и условий;

– на основе предложенной системной теории информации сформулирован новый ранее неизвестный "Закон повышения эмерджентности", описывающий возрастание доли системной информации в объекте при увеличении количества его элементов, а также три следствия из него;

– в рамках СТИ сформулированы гипотезы "О природе сложности системы" и "О видах системной информации": сложность системы определяется количеством содержащейся в ней информации; системная информация включает две составляющих: зависящее от количества элементов системы и зависящее также от характера взаимосвязей между элементами;

– вычленена новая перспективная проблема, подлежащая дальнейшему исследованию: применение технологии АСК-анализа для создания on-line многоагентных распределенных систем обнаружения, накопления и использования знаний в Internet, что действительно может превратить "мировую паутину" в "мировой (коллективный) разум" и может явится качественно новым шагом на пути эволюции ноосферы.

Практическая значимость проведенного исследования состоит в разработке инструментария АСК-анализа в виде Универсальной когнитивной аналитической системы "Эйдос" обеспечивающей: создание автоматизированных систем мониторинга, идентификации (прогнозирования) состояний активных объектов и управления ими в самых различных предметных областях; надежную эксплуатацию этих систем в промышленном режиме при массовой обработке информации; углубленный интеллектуальный анализ данных.

Реализация результатов. Опыт применения АСК-анализа подтверждает эффективность его использования в следующих предметных областях: социологические и политологические исследования, анализ общественного мнения (Краснодарский сектор Института социологических исследований АН СССР, Краснодарский краевой агропромышленный комитет, Академия государственной службы при Президенте РФ, Краснодарский государственный институт культуры, Информационно-аналитический центр администрации Краснодарского края, Аналитический центр администрации Ярославской области и др.); проектирование адаптивных АСУ сложными техническими объектами (Государственное предприятие особое конструкторское бюро "Икар", Кубанский государственный технологический университет); решение ряда задач управления качеством подготовки специалистов (Краснодарский юридический институт МВД РФ); идентификация и анализ макроэкономических состояний городов и районов Краснодарского края и края в целом на основе оценки значимости индикаторов макроэкономики и применения методов статистической теории информации и искусственного интеллекта (Департамент экономики и прогнозирования администрации Краснодарского края); прогнозирование результатов применения агротехнологий и управление выращиванием сельскохозяйственных культур (Кубанский государственный аграрный университет); прогнозирование успешности будущей профессиональной деятельности в экстремальных ситуациях в условиях высокой ответственности и дефицита времени (Северокавказская региональная поисково-спасательная служба Государственного комитета РФ по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий МЧС, АО "Новошип" Новороссийское морское пароходство), решение задач Центра Правительственной связи в Краснодарском крае.

Проведенные исследования являются составной частью плановых и договорных НИР и ОКР. Все они приняты заказчиками, что подтверждается 17 актами о внедрении предложенных технологий и инструментария АСК-анализа.

Апробация работы. Основные положения и результаты данной работы докладывались и обсуждались на 21 международных, всесоюзных, всероссийских семинарах и симпозиумах: Всесоюзная научно-практическая конференция "Проблемы управления развитием городов" (Краснодар, 1985); VIII Всесоюзный съезд психологов (Москва, 1989); Всероссийская конференция "В.И.Вернадский и современность /к 130–летию со дня рождения/" (Краснодар, 1993); IX научно-практическая конференция "Теоретические и прикладные проблемы социально-психологической и медико-педагогической службы" (Краснодар, 1995); Всероссийская научно–практическая конференция "Состояние и связи криминалистики и теории оперативно–розыскной деятельности ОВД" (Краснодар, 1995); Межвузовская научно-практическая конференция "Актуальные проблемы социально-правовой подготовки специалистов и перспективы совершенствования системы комплектования органов внутренних дел" (Краснодар, 1997); Всероссийская научно–практическая конференция "Актуальные проблемы социально–правовой подготовки специалистов и перспективы совершенствования системы комплектования ОВД" (Краснодар, 1997); Межвузовская конференция "Организация и методологические проблемы компьютеризации учебного процесса" (Краснодар, 1998); 1-я Всероссийская научно-техническая конференция "Компьютерные технологии в науке, проектировании и производстве" (Н.Новгород, 1999); III Всероссийская научно-техническая конференция "Информационные технологии и системы" (Воронеж, 1999); III международная открытая сессия "Modus Academicus": "Компьютерные технологии в науке и образовании XXI века" (Ульяновск, 1999); 1-я Всероссийская научно-техническая конференция "Теория конфликта и ее приложения" (Воронеж, 2000); 2-е Всероссийское совещание-семинар "Интеллектуальные информационные системы" (Воронеж, 2000); 2-я Международная выставка-конференция "Информационные технологии и телекоммуникации в образовании" (Москва, 2000); III международная научно-практическая конференция "Вековой поиск модели хозяйственного развития России" (Волжский, 2000); II, III и IV межвузовские научно-технические конференции "Проблемы совершенствования систем защиты информации, электроснабжения военных объектов и образовательных технологий подготовки специалистов" (Краснодар, 2000-2002); Всероссийская конференция "Опыт и проблемы совершенствования региональной системы дополнительного профессионального образования в области управления качеством" (Краснодар, 2001); Всероссийская конференция "Проблемы экономического и социального развития России" (Пенза, 2001); "Научное обеспечение современных технологий производства, хранения и переработки плодов и ягод в России и странах СНГ (Москва, 2002).

Публикации. По теме данной работы опубликовано: 58 научных работ, в том числе: 4 монографии; 1 стандарт, 49 научных статей, авторские права на созданное специальное программное обеспечение и структуры баз данных защищены 4 свидетельствами РосПатента РФ.

Структура и объем работы. Работа состоит из введения, семи глав с выводами к каждой из них, заключения, списка использованной литературы, содержащего 366 наименований, и 5 приложений. Работа изложена на 605 страницах машинописного текста и содержит: 44 таблицы, 171 рисунок, 94 нумерованных формулы и 5 приложений на 21 странице.

Во введении сформулированы объект и предмет исследования, его цель, проблема и задачи, обоснована актуальность, освещен научный аппарат, показана научная новизна и практическая значимость, дано краткое изложение основных идей, приведены сведения по апробации основных результатов данной работы.

В 1-й главе: "Проблема управления активными объектами и концепция ее решения" даны определения основных терминов, используемых в данной работе; поставлена проблема; проанализированы традиционные подходы к решению проблемы и предложена концепция ее решения.

1. Причина возникновения проблемы обеспечения устойчивого управления активными объектами состоит в том, что математическая модель периодически теряет адекватность при переходе объекта через точку бифуркации.

2. Традиционно эта проблема решается путем адаптации модели на основе апостериорной информации. Однако в данном случае этого недостаточно, т.к. необходимо качественное изменение модели, т.е. не адаптация, а синтез.

3. Концепция решения проблемы: необходимо обеспечить периодический синтез модели активного объекта в режиме реального времени, для чего необходимо применение автоматизированного системного анализа как инструмента автоматизации познания предметной области.

Таким образом, целью работы является разработка методологии, математической модели и численного метода, соответствующего специального программного инструментария АСК-анализа, технологии и методики его применения для управления активными объектами.

Для достижения цели в работе решены следующие задачи:

1) разработка схемы СА, ориентированного на интеграцию с когнитивными технологиями;

3) разработка математической модели АСК-анализа;

6) разработка методологии, технологии и методики синтеза рефлексивных АСУ активными объектами на основе АСК-анализа;

Решение этих задач составляет этапы решения проблемы, поставленной в работе.

Во 2-й главе: "Методологические основы АСК-анализа" системный анализ рассматривается как метод познания, предлагаются схема системного анализа, ориентированного на интеграцию с когнитивными технологиями и концепция формализации базовых когнитивных операций, подробно анализируется место базовых когнитивных операций в системном анализе и предлагается обобщенная схема системного анализа, структурированного до уровня базовых когнитивных операций.

В этой главе реализован 1-й этап решения проблемы – разработка схемы СА, ориентированного на интеграцию с когнитивными технологиями с целью создания условий для дальнейшей автоматизации его этапов.

Отсюда органично вытекает 2-й этап решения проблемы – разработка формализуемой когнитивной концепции, выявление базовых когнитивных операций (БКО), структуризация системного анализа до уровня БКО, разработка обобщенного алгоритма системно-когнитивного анализа (АСК-анализа).

1. Системный анализ представляет собой теоретический метод познания, современное воплощение конкретной диалектики. Перспектива его автоматизации состоит в интеграции с когнитивными технологиями.

2. Предлагаемая когнитивная концепция рассматривает процесс познания, как многоуровневую иерархическую систему обработки информации в которой когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня. Таким образом между структурами разных уровней иерархии существует отношение "дискретное - интегральное". Именно это служит основой формализации смысла. В рамках предложенной когнитивной концепции сконструирован когнитивный конфигуратор (терм.авт.), представляющий собой минимальную полную систему когнитивных операций, названных "базовые когнитивные операции системного анализа" (БКОСА). Всего выявлено 10 таких операций, каждая из которых достаточно элементарна для формализации и программной реализации: 1) присвоение имен; 2) восприятие; 3) обобщение (синтез, индукция); 4) абстрагирование; 5) оценка адекватности модели; 6) сравнение, идентификация и прогнозирование; 7) дедукция и абдукция; 8) классификация и генерация конструктов; 9) содержательное сравнение; 10) планирование и принятие решений об управлении.

3. С целью создания предпосылок автоматизации, предложено структурировать системный анализ до уровня базовых когнитивных операций, допускающих формализацию и автоматизацию. СА, структурированный до уровня БКО, предложено называть системно-когнитивным анализом (СК-анализ).

В 3-й главе: "Математическая модель АСК-анализа" реализован 3-й этап решения проблемы, состоящий в разработке математической модели АСК-анализа: разработана концепция системной (эмерджентной) теории информации; семантическая информационная модель, обеспечивающая количественную и качественную адаптацию с учетом динамики предметной области (т.е. адаптацию и пересинтез); исследованы важнейшие свойства предложенной математической модели; предложена новая информационная мера уровня системности предметной области, связанная с мерой c²; развитый метод идентификации и прогнозирования предложено называть "Объектным анализом" по аналогии с Фурье-анализом.

1. Предложен вариант реализации системной теории информации в рамках которого:

– обоснованы требования к математической модели и численной мере;

– осуществлен выбор базовой численной меры для чего проанализированы абсолютные, относительные и аналитические формы представления информации; теория информации применена для анализа процесса труда и средств труда; в рамках предложенной информационной теории стоимости раскрыта глубокая взаимосвязь между понятиями "стоимость" и "информация"; рассмотрены вопросы определения стоимости баз знаний и источник эффективности АСУ с точки зрения теории информации;

– сконструирована новая системная мера семантической целесообразности информации для чего получено системное обобщение формулы Хартли для количества информации; сформулирован закон возрастания эмерджентости и 3 следствия из него; получено системное обобщение формулы А.Харкевича для количества информации; рассмотрены генезис и некоторые интерпретации системной теории информации (СТИ).

2. На базе системной (эмерджентной) теории информации разработана содержательная (семантическая) информационная модель АСК-анализа, относящаяся к интеллектуальным информационным моделям:

– предложен формализм двух взаимосвязанных семантических информационных пространств: пространства классов (в котором объектами являются вектора обобщенных образов классов), и пространства атрибутов (в котором объектами являются вектора атрибутов). Причем координатами векторов в обоих случаях являются информативности, рассчитываемые в соответствии с предложенной системной мерой целесообразности информации;

– раскрыт механизм когнитивной структуризации и формализации предметной области путем использования шкал и градаций;

– описана возможность использования классической теории информации Шеннона для расчета весовых коэффициентов и мер сходства;

– развита математическая модель, основанная на семантической мере целесообразности информации: даны решения трех основных задач АСУ (синтез и адаптация модели, расчет влияния факторов на переход объекта управления в различные состояния, прогнозирование поведения объекта управления, выработка многофакторного управляющего воздействия, сравнение факторов и состояний объекта управления); обоснована сопоставимость предложенных частных критериев (доказаны 4 теоремы о сопоставимости).

3. Исследованы основные свойства математической модели: ее непараметричность; зависимость информативностей факторов и адекватности модели от объема обучающей выборки; зависимость адекватности, уровня системности и степени детерминированности модели от степени ее ортонормированности.

4. Предложена новая меры уровня системности предметной области, основанная на системной мере целесообразности информации, математически показана связь предложенного критерия с критерием c².

5. Показано, что предложенный метод идентификации и прогнозирования с математической точки зрения является разложением вектора состояния объекта по векторам обобщенных образов классов, представляющих собой произвольные функции, поэтому предложено называть этот метод "Объектным анализом" по аналогии с Фурье-анализом.

Предложенная математическая модель объединяет преимущества содержательных и статистических моделей и позволяет решать задачи идентификации и прогнозирования развития активных систем (разложение вектора объекта по векторам классов – "Объектный анализ"), а также вырабатывать эффективные управляющие воздействия путем решения обратной задачи прогнозирования и применения элементов нетрадиционной логики и правдоподобных (нечетких) рассуждений.

Разработка семантической информационной модели создает необходимые предпосылки для разработки численного метода (алгоритмов и структур данных) и разработки инструментария АСК-анализа.

В 4-й главе: "Численный метод АСК-анализа" реализован 4-й этап решения проблемы состоит в разработке численного метода, реализующего математическую модель (конструирование структур данных и алгоритмов БКОСА и визуализации когнитивной графики); разработка детального алгоритма АСК-анализа.

В данной главе:

1. Десять базовых когнитивных операций детализированы на 24 подоперации.

2. В соответствии с формализуемой когнитивной концепцией разработана детальная иерархическая структура данных, обеспечивающая реализацию когнитивных операций и подопераций.

3. Даны вербальные описания всех базовых когнитивных операций с детализацией по подоперациям.

4. Приведены детальные алгоритмы всех базовых когнитивных операций с детализацией по подоперациям.

Таким образом, в данной главе разработан численный метод, включающий иерархические структуры данных и 24 алгоритма всех 10 базовых когнитивных операций системного анализа, чем обеспечивается уровень детализации, достаточный для программной реализации АСК-анализа. Необходимо отметить, что данный численный метод реализует все БКОСА на основе непосредственно эмпирических данных.

В 5-й главе: "Специальный программный инструментарий АСК-анализа - система "Эйдос" подробно описана разработанная автором Универсальная когнитивная аналитическая система "Эйдос", защищенная 4 Свидетельствами РосПатента РФ (1994 год). Показано, что система "Эйдос" обеспечивает реализацию всех базовых когнитивных операций автоматизированного системного анализа и решение проблемы и задач, поставленных в данном исследовании. В этой главе раскрыты назначение и состав системы, подробно описан ее пользовательский интерфейс, а также технология создания и эксплуатации приложений. Приведены технические характеристики системы, предложены инфраструктура эксплуатации и виды обеспечения. Система "Эйдос" является большой системой: листинг ее исходных текстов (текущей версии 7.3 вместе с системами окружения "Эйдос-фонд" и "Эйдос-Y") 6-м шрифтом составляет около 800 страниц, в процессе работы система оперирует десятками баз данных.

Здесь реализован 5-й этап решения проблемы – создание специального программного обеспечения, реализующего предложенные математические модели и алгоритмы БКОСА, т.е. создание инструментария АСК-анализа.

1. Создана Универсальная когнитивная аналитическая система "Эйдос", обеспечивающая автоматизацию всех базовых когнитивных операций системного анализа.

2. Рассмотрена технология синтеза и эксплуатации приложений в системе "Эйдос", обеспечивающая:

– формализацию предметной области;

– подготовку обучающей выборки и управление ей;

– синтез семантической информационной модели предметной области;

– оптимизацию модели;

– проверку адекватности модели;

– идентификацию и прогнозирование;

– типологический анализ (включая решение обратной задачи идентификации и прогнозирования, семантический информационный и кластерно-конструктивный анализ учебных достижений и факторов).

– оригинальную графическую визуализация результатов анализа в форме когнитивной графики (семантических сетей и когнитивных диаграмм).

Описание функций и структуры системы "Эйдос" ведется на основе описания ее интерфейса с детальной привязкой к реализуемым в каждой подсистеме и режиме базовым когнитивным операциям системного анализа.

В 6-й главе: "АСК-анализ, как методология синтеза и эксплуатации рефлексивных АСУ активными объектами (на примере решения задач АСУ качеством подготовки специалистов)" разработана классификация функционально-структурных типов АСУ и определено место адаптивных АСУ сложными системами (ААСУ СС) и РАСУ АО в этой классификации; показаны роль и место АСК-анализа в РАСУ АО; предложено рассматривать алгоритм АСК-анализа, как алгоритм синтеза РАСУ АО; рассмотрены некоторые теоретические вопросы синтеза РАСУ качеством подготовки специалистов.

Здесь представлен 6-й этап решения проблемы, включающий разработку методологии, технологии и методики синтеза рефлексивных АСУ активными объектами на основе АСК-анализа.

1. Разработаны классификация функционально-структур-ных типов АСУ и показано место адаптивных АСУ сложными системами и рефлексивных АСУ активными объектами в этой классификации; показаны роль и место АСК-анализа в рефлексивных АСУ активными объектами.

2. Предложено рассматривать алгоритм АСК-анализ, как алгоритм синтеза рефлексивных АСУ активными объектами.

3. Рассмотрены некоторые теоретические вопросы синтеза РАСУ качеством подготовки специалистов, предложена ее двухуровневая структура:

– на первом уровне объектом управления является учащийся, а управляющей системой – педагогический процесс;

– на втором уровне объектом управления является педагогический процесс, а управляющей системой – руководство вузом и вышестоящие инстанции.

В 7-й главе: "Опыт и перспективы применения АСК-анализа" реализован последний 7-й этап решения проблемы: синтез и эксплуатация компонент рефлексивных АСУ активными объектами на основе технологии и инструментария АСК-анализа (в различных предметных областях).

В данной главе:

– сделан обзор опыта применения АСК-анализа для исследования социально-экономических проблем;

– приведены развернутые численные примеры успешного практического применения предложенной технологии АСК-анализа в 4-х предметных областях: (анализ и прогнозирование состояний фондового рынка; синтез РАСУ возделыванием сельскохозяйственных культур; решение задач РАСУ качеством подготовки специалистов; синтез САУ ФВЭУ);

– на основе метода научной индукции сформулированы ограничения АСК-анализа и обоснована возможность корректного расширения области его применения на предметные области, где эти ограничения несущественны;

– описаны перспективы применения предложенных технологий АСК-анализа в управлении технологиями, экономике, психологии, социологии и политологии, маркетинговых, рекламных и социально-психологических исследованиях, правоохранительной сфере и в Internet (создание многоагентных распределенных систем обнаружения, накопления и использования знаний по различным предметным областям), в ряде других областей. В частности отмечаются перспективные применения для атрибуции анонимных и псевдонимных текстов, контент-анализа, синтеза интеллектуальных дескрипторных информационно-поисковых систем с интерфейсом запросов на естественном языке, идентификации и классификации изображений по их вербальным описаниям, формирования обобщенных фотороботов лиц по направлениям деятельности и идентификации с ними, применения в области психографологии и дерматоглифики, и т.д., кроме того рассматриваются ограничения предложенного варианта АСК-анализа и рассматриваются вопросы его развития (путем преодоления указанных ограничений) с применением теории нечетких множеств и неклассической логики. В порядке обсуждения в научной дискуссии предложено рассматривать автоматизированный системный анализ, структурированный до уровня базовых когнитивных операций, как автоматизированный системно-когнитивный анализ (АСК-анализ).

Основной вывод, по результатам данной главы, состоит в том, что оправданным и обоснованным выглядит предположение об очень высокой универсальности математического метода и инструментария АСК-анализа, а также технологии и методики его применения в самых различных предметных областях, в которых накапливаются факты и производятся их обобщение и анализ, а также выполняются другие когнитивные операции, связанные с процессами познания и управления.

В Заключении отражены основные выводы и результаты, полученные в данной работе, подчеркнуты некоторые предложенные в ней новые теоретические идеи, высокая достоверность полученных результатов и их практическая значимость.

Автор данной работы выражает признательность кандидату технических наук, доценту Владимиру Николаевичу Лаптеву, доктору технических наук, профессору Лойко Валерию Ивановичу, доктору экономических наук, профессору Барановской Татьяне Петровне, доктору экономических наук, профессору Семенову Михаилу Игнатьевичу, доктору технических наук, профессору Левину Борису Калиновичу, доктору технических наук, профессору Атрощенко Валерию Александровичу, доктору технических наук, профессору Симанкову Владимиру Сергеевичу, кандидату психологических наук, доценту Некрасову Сергею Дмитриевичу, кандидату психологических наук, доценту Третьяку Владимиру Георгиевичу, доктору биологических наук, кандидату технических наук, профессору Засухиной Ольге Александровне, заслуженному учителю Российской Федерации Гельферу Феликсу Семеновичу и доктору педагогических наук, профессору Бедерхановой Вере Петровне за поддержку и вклад в понимание проблематики исследования.

ГЛАВА 1. ПРОБЛЕМА УПРАВЛЕНИЯ АКТИВНЫМИ ОБЪЕКТАМИ И КОНЦЕПЦИЯ ЕЕ РЕШЕНИЯ

1.1. ПРОБЛЕМА УПРАВЛЕНИЯ АКТИВНЫМИ ОБЪЕКТАМИ

1.1.1. Классификация систем и понятие активного объекта. Определения основных терминов

С целью постановки проблемы данной работы рассмотрим классификацию систем, определим понятие активного объекта (системы), дадим авторскую интерпретацию основных терминов, используемых в работе.

Основные понятия теории систем

Рассмотрим понятие "система", обращая основное внимание на особенности применения этого фундаментального понятия в теории и практике синтеза рефлексивных автоматизированных систем управления (РАСУ) активными объектами (системами).

Прежде всего система – это целостная совокупность некоторых элементов, не сводящаяся к простой сумме своих частей, т.е. представляющая собой нечто большее, чем просто сумму частей. Это нечто, отсутствующее в частях системы, взятых самих по себе, и совершенно необходимое, чтобы элементы образовали систему, представляет собой интегрирующее начало, системообразующий фактор. Интегрирующее начало может быть как объективным, так и субъективным, а системы, соответственно, естественными и искусственными. Искусственная система есть средство достижения цели. Но и естественные, например, экологические системы, человек часто рассматривает с прагматической точки зрения, т.е. с точки зрения того, что они могут ему дать или какими они должны быть, чтобы обеспечить человеку определенные желательные условия, т.е. опять же с точки зрения соответствия определенным субъективным целям.

Различные модели систем отличаются тем, насколько полно в этих моделях отражены знания разработчиков модели о внутреннем строении моделируемых систем, и насколько эти модели являются подходящими для применения с точки зрения достижения целей АСУ.

Простейшей (полностью феноменологической) моделью системы является модель "черного ящика" [234]. Так называют систему, о которой внешнему наблюдателю доступны только лишь входные и выходные параметры, а внутренняя структура системы и процессы в ней неизвестны. Входные параметры можно рассматривать как управляющие воздействия, а желательные значения выходных – как цель управления. Ряд важных выводов о поведении системы можно сделать, наблюдая только ее реакцию на воздействия, т.е. наблюдая зависимости между изменениями входных и выходных параметров. Такой подход открывает возможности изучения систем, устройство которых либо совершенно неизвестно, либо слишком сложно для того, чтобы можно было по свойствам составных частей и связям между ними сделать выводы о поведении системы в целом. Поэтому понятие "черный ящик" широко применяется при решении задач идентификации и моделировании реакции на управляющее воздействие в АСУ сложными объектами управления.

Важно понимать, что "черный ящик" представляет собой именно систему, причем в общем случае, сложную систему. Из этого следует очень важный вывод: оптимизировать какой–либо отдельно взятый выходной параметр нельзя, так как это может привести к уничтожению всей системы, т.е. выходные параметры необходимо рассматривать системно, т.е. в единстве, комплексе.

Несмотря на свою кажущуюся простоту, построение модели "черного ящика" не является тривиальной задачей. Дело в том, что любая реальная система взаимодействует со средой бесчисленным множеством способов. Строя модель системы, из этого бесчисленного множества связей отбирают конечное их число и включают их в список входов и выходов. Критерием отбора при этом является целевое назначение модели, существенность той или иной связи для достижения цели. То, что существенно и важно, включается в модель, а то, что не существенно и не важно – не включается.

Но проблема как раз и заключается в том, что в действительности заранее никому не может быть точно известно, какие входные параметры оказывают существенное влияние на выходные целевые параметры, а какие нет. Это можно узнать, статистически исследовав эволюцию некоторого объекта в течение длительного времени, что проблематично, либо изучив достаточное количество аналогичных объектов, находящихся на различных стадиях своей эволюции, т.е. вариабельных конкретных "мгновенных" реализаций аналогичных объектов управления.

Но даже если такая информация имеется, то математически ее обработать, например с применением факторного анализа, также далеко не просто, так как обычно размерность реальных задач намного (на несколько порядков) превосходит возможности стандартных статистических методов и пакетов.

Более развитой, чем "черный ящик" является модель состава системы, в которой перечисляются составляющие ее элементы и подсистемы. Совокупность необходимых и достаточных для достижения целей управления элементов и подсистем с определенными отношениями между ними называется структурой системы.

Суммируя модели "черного ящика", состава и структуры, можно дать следующее синтетическое определение системы: "Система есть совокупность взаимосвязанных элементов, обособленная от среды и взаимодействующая с ней как единое целое для достижения определенной объективной или субъективной цели" [234].

Существуют различные подходы к классификации систем:

– по происхождению: искусственные, смешанные и естественные;

– по степени изученности структуры (наличию информации): "черный ящик", "серый ящик (непараметризованный и параметризованный классы), "белый ящик";

– по способу управления: управляемые извне, самоуправляемые, с комбинированным управлением;

– по ресурсной обеспеченности управления: энергетические ресурсы (обычные и энергокритичные), материальные ресурсы (малые и большие), информационные ресурсы (простые и сложные).

При недостатке априорной информации об объекте управления построение его содержательной модели затруднительно. В этих условиях, возможно применить модель "черного ящика", которая предполагает минимум знаний о структуре и связях входных и выходных параметров моделируемого объекта.

При построении этой модели выходные параметры определяются исходя из целей управления, а проблема выбора входных параметров, значимо влияющих на выходные, в принципе может решаться различными методами, например, такими как: многофакторный анализ, дискриминантный анализ, методы проверки статистических гипотез, методы теории информации.

В данной работе предлагаются различные варианты классификации параметров, в зависимости от того, какие состояния объекта управления и среды они характеризуют и в какой степени они зависят от человека.

Более пристального внимания заслуживает также классификация систем по ресурсной обеспеченности управления. Для того, чтобы модель реально заработала, или, как говорят была актуализирована, необходимы затраты различных ресурсов, прежде всего энергетических, материальных, информационных, финансовых, а также других.

Конечно, ресурсная обеспеченность меняется с течением времени, что связано прежде всего с совершенствованием компьютерной техники и информационных систем, а также зависит от возможностей организаций и конкретных исследователей и разработчиков. Поэтому классификация этого типа, безусловно, является относительной.

Большой называется система, поведение которой определяется всей совокупностью ее элементов, взаимодействующих между собой, ни один из которых не является определяющим [234]. В рассматриваемом контексте термин "большая" означает не пространственные размеры системы, а большое количество ее элементов. При моделировании больших систем возникает проблема высокой размерности описания. Например, если применяется многофакторная модель, то вычислительные и понятийные (связанные с интерпретацией) трудности возникают уже при количестве факторов от семи до десяти. В то же время многие реальные задачи требуют учета многих сотен и даже тысяч различных факторов. На практике чаще всего исследователь самостоятельно решает неформализованным путем, какие факторы исследовать, а какие нет.

Сложной называется система, адекватное моделирование которой требует учета отсутствующей или недоступной на момент моделирования информации [234]. Если управление приводит к неожиданным, непредвиденным или нежелательным результатам, т.е. отличающимся от ожидаемых (прогнозируемых) в соответствии с моделью, то это объясняется недостатком существенной информации, что порождает неадекватность модели.

Таким образом, простота или сложность системы относительна и указывает на достаточность или недостаточность информации о системе в действующей модели этой системы, т.е. связана с возможностью построения адекватной модели.

Определения базовых понятий, используемых в работе

Предметная область (ПО) представляет собой систему, включающую: активный объект управления, управляющую систему и окружающую среду (рисунок 1.1).

Активными будем называть системы, имеющие собственную систему целеполагания и принятия решений, а также адаптивную модель самого себя (рефлексивность) и окружающей среды, включая модели систем управления различного уровня и назначения, которые воздействуют на активную систему (АС) как на активный объект управления (АОУ). В работе термины "активная система" и "активный объект" рассматриваются как синонимы.

Рисунок 1.1. Структура предметной области

и рефлексивной АСУ активными объектами

Сложная система – это система, которая не может быть отображена в формальной модели по причине дефицита информации о ней.

Рефлексивная система – это система, имеющая собственную адаптивную модель себя и окружающей среды.

Из сопоставления этих определений следует, что активные системы являются одновременно сложными рефлексивными системами.

Активный объект управления (АОУ) – активная система, являющаяся объектом управления.

Классификация факторов:

– активный объект управления описывается факторами, характеризующими его текущее и прошлые состояния;

– управляющая система характеризуется технологическими факторами, с помощью которых она оказывает управляющее воздействие на активный объект управления;

– окружающая среда характеризуется прошлыми, текущими и прогнозируемыми факторами, которые также оказывают воздействие на активный объект управления.

Управляющие факторы – это факторы, оказывающие влияние на объект управления, которыми может воздействовать управляющая система. Факторы окружающей среды – это факторы, оказывающие влияние на объект управления, и действие которых не зависит от управляющей системы. Необходимо отметить, что факторы всех этих категорий в математической модели рассматриваются единообразно, что не исключает возможности изучения влияния на результаты управления отдельных различных групп или единичных факторов.

Модель активного объекта управления учитывает два уровня: информационный и поддержки. На информационном уровне локализуются функции целеполагания, синтеза и адаптации модели окружающей среды АОУ (включая управляющую систему), принятия и реализации решений. Уровень поддержки представляет собой систему, обеспечивающую функционирование информационного уровня (рисунок 1.1)

Классификация состояний АОУ. Активный объект управления характеризуется будущими состояниями, которые классифицируются как целевые и нежелательные. Причем эта классификация в общем случае различная у самого активного объекту управления и управляющей системы (они могут полностью не совпадать, а также частично или полностью совпадать).

Адаптация модели ПО – количественное изменение параметров модели, уточнение обобщенных образов классов и семантических портретов факторов.

Синтез модели ПО – формирование или качественное изменение параметров модели: формирование образов новых классов и/или учет влияния новых факторов. Формальная модель ПО представляет собой математическую модель, численный метод, структуры баз данных, алгоритмы их обработки, обеспечивающие отображение в количественной форме структуры ПО, а также изучение причинно-следственных взаимосвязей между факторами и будущими состояниями АОУ.

Системно-когнитивный анализ (СК-анализ) – это системный анализ, как метод познания, структурированный до уровня базовых когнитивных операций.

Автоматизированный системно-когнитивный анализ (АСК-анализ) (Automated system cognitive analysis) – это системно-когнитивный анализ в котором базовые когнитивные операции автоматизированы.

1.1.2. Двухуровневая модель активной системы и рефлексивное мета-управление

По-видимому, понятие активной системы впервые предложено отечественными учеными В.В. Дружининым и Д.С. Конторовым в 1976] [71]. В дальнейшем большой вклад в развитие теории активных систем внесли Бурков В.Н., Новиков Д.А., Черкашин А.М. [32].

Определение активной системы: активные системы – это системы с целеполаганием и активной свободной волей, поведение которых основано на накоплении информации о себе и окружающей среде, ее анализе, прогнозе собственного состояния и состояния окружающей среды, на принятии и реализации решений.

Примерами активных систем являются люди, коллективы (предприятия), социально-экономические системы различных уровней и масштабов: от коллективов и предприятий, до территориально-распределенных межотраслевых комплексов, а также биологические и экологические системы, некоторые интеллектуальные кибернетические системы и многие другие.

Соотношение содержания понятий "сложная система" и "активная система": из определения активной системы следует, что функции, характерные для активных систем, могут реализоваться только за счет сложной системы их поддержки.

Отсюда следует еще одно определение активных систем: активные системы – это сложные системы с целесообразным поведением.

Это определение является "классическим" в том смысле, что дано через подведение под более общее понятие ("сложная система") и выделение специфического признака ("целесообразное поведение").

Это означает, что активную систему можно упрощенно представить в виде двухуровневой модели: т.е. суперпозиции, объединения двух систем (рисунок 1.2):

1. Интеллектуальной информационной системы (ИИС), обеспечивающей целеполагание, накопление информации (мониторинг), ее интеллектуальный анализ, прогноз развития себя и окружающей среды, принятие решений.

2. Сложной системы поддержки функций (ССПФ) ИИС и реализации управляющих воздействий.

Рисунок 1. 2. Двухуровневая модель активной системы

Понятие рефлексии: из определения активной системы непосредственно следует, что они действуют на основе определенной сформированной и постоянно модифицируемой ими модели самих себя и окружающей среды, причем в модель окружающей среды входит и модель внешней автоматизированной системы управления (АСУ), которая оказывает воздействие на активную систему.

Итак, в связи с тем, что активные системы рефлектируют, управление ими может быть только рефлексивным. Нерефлексивные адаптивные модели в случае управления активным объектом управления просто не обеспечивают необходимого уровня адекватности, так же как линейные модели непригодны для управления существенно нелинейными процессами.

Поэтому предлагается новое понятие: "рефлексивная АСУ" (РАСУ), – это АСУ, в которой в качестве объекта управления выступает активная система, т.е. это АСУ активным объектом управления (АОУ): РАСУ АОУ.

Новизна теории РАСУ АОУ по сравнению с классической теорией автоматизированных систем управления состоит прежде всего в том, что в классической теории активной стороной является только система автоматического управления (САУ), а объект управления (ОУ) рассматривается только как пассивный объект управляющих воздействий, в РАСУ же объект управления также является активной стороной (субъектом), он стремится к своим целям, которые в общем случае не совпадают с целями управления, активно отражает окружающую среду, включая АСУ, адаптируется, вырабатывает и реализует решения.

Поэтому, несмотря на то, что рефлексивное управление уже получило определенное развитие в рамках таких наук, как психология, менеджмент, имиджмент, акмеология, для теории автоматизированного управления рефлексивное управление является новым перспективным направлением научных исследований и разработок. Именно в рамках теории автоматизированного управления рефлексивное управление может стать автоматизированным, т.е. получить в свое распоряжение математические и алгоритмические модели и реализующие их программные системы, а также соответствующую методологию, технологию и методику их применения.

Поэтому можно обоснованно утверждать, что в автоматизации состоит одно из перспективных направлений развития рефлексивного управления.

Понятие уровня рефлексии, соотношение между адаптивными и рефлексивными АСУ. Чтобы раскрыть данный вопрос рассмотрим таблицу 1.1:

Между адаптивными АСУ сложными системами (ААСУ СС) и рефлексивными АСУ активными объектами (РАСУ АО) есть много общего, можно даже сказать, что РАСУ АО в определенном смысле являются развитием ААСУ АС, поэтому представляет интерес их сопоставление.

В этой связи необходимо отметить, что адаптивные АСУ сложными системами по существу являются РАСУ 0-го порядка рефлексивности.

Таблица 1. 1 – СОДЕРЖАНИЕ ПОНЯТИЯ: "УРОВЕНЬ РЕФЛЕКСИИ"

Поэтому развитие теории РАСУ активными объектами можно рассматривать как одну из "точек роста" теории адаптивных систем управления сложными объектами.

Итак, адаптивные системы управления являются частным случаем рефлексивных. Общее между ними в постоянной модификации модели объекта управления и окружающей среды в системе управления.

Существует две основные причины, определяющие необходимость адаптации системы управления:

1. Динамика предметной области, т.е. объекта управления и окружающей среды.

2. Повышение степени адекватности модели предметной области до необходимого уровня.

Необходимо отметить, что время адаптации модели до приемлемого уровня адекватности определяется возможностями (вычислительными и информационными ресурсами) АСУ и может превышать время нахождения предметной области в относительно стационарном состоянии. В этом случае происходит срыв управления. Так неопытный художник не может написать "похожий на оригинал" портрет, если натура все время "вертится". Основной причиной этого является то, что информация стареет и становится неадекватной. При использовании для выработки управляющих воздействий закономерностей и взаимосвязей между управляющими факторами и результатами их воздействия, выявленных на основе устаревшей, неадекватной информации, соответственно будет получен и неадекватный результат. Поэтому непрерывное накопление все больших объемов статистики само по себе еще не обеспечивает все большего соответствующего увеличения точности.

Если предметная область стационарна, то новые объемы информации обладают все меньшей и меньшей новизной и вносят все меньший вклад в увеличение точности модели. Иначе говоря уменьшение погрешности модели на одну и ту же величину (например 1%) сначала обходится дешево, а затем все дороже и дороже. Поэтому начиная с момента накопления определенного объема информации в базе данных и достижении требуемой точности модели продолжение процесса накопления информации становится нерациональным и этот процесс останавливают. Таким образом в этом случае можно изучить предметную область один раз перед проектированием АСУ и больше к этому вопросу не возвращаться. Если же предметная область вдруг неожиданно и существенно измениться, то в такой АСУ произойдет срыв управления, т.к. она станет неадекватной.

Если же предметная область динамична, то устаревшая информация может искажать картину и фактически является шумом, а новой информации может быть недостаточно для достижения необходимой точности модели. Соответственно возникает задача определения оптимальной продолжительности учитываемой предыстории на основе исследования соотношения "стоимость информации/точность модели". Поэтому, в этом случае, необходимо непрерывно (или периодически в соответствии с определенным регламентом) накапливать информацию и изучать, познавать предметную область, чтобы обеспечить актуальность исходной информации и адекватность модели для принятия решений.

Функция интеллектуального анализа и познания предметной области обычно выполняется (реализуется) разработчиками АСУ непосредственно перед ее проектированием (НИР и ОКР) с применением уже имеющихся в арсенале науки знаний, выработанных поколениями ученых.

Когда исследование предметной области необходимо провести один раз в течение достаточно длительного специально отведенного для этого времени, то это в общем-то представляет собой вполне посильную и в какой-то степени техническую задачу.

Когда же это необходимо делать непрерывно, в реальном времени (т.е. непосредственно в процессе эксплуатации АСУ), при жестких временных ограничениях и больших размерностях обрабатываемых данных, то человек не справляется с выполнением функции познания предметной области и становится узким местом в системе управления, и, таким образом, возникает проблема, которую необходимо разрабатывать и решать.

Обычно задачи управления такого класса, которые требуют для своего решения накопления информации, ее интеллектуального анализа и познания динамичной предметной области в реальном времени при жестких ограничениях и больших размерностях данных, просто не решались.

Предлагается автоматизировать часть функций познания, т.е. некоторые из когнитивных операций, обычно реализуемых человеком, т.е. дать человеку-исследователю, человеку-аналитику инструмент, средство труда, более эффективно чем он, выполняющий переданные ему функции, освобождающий человека от нагрузки, связанной с выполнением переданных функций и, этим самым, и повышающий эффективность выполнения им оставшихся функций.

Средство автоматизации когнитивных операций представляет собой средство труда высокого функционального уровня и как всякое средство труда, реализует переданные ему функции, ранее выполнявшиеся только человеком, вне биологических и психических ограничений человека, человек же выполняет оставшиеся ему функции в более комфортном режиме, не будучи обремененным выполнением функций, переданных средству труда.

Однако различие между адаптивными и рефлексивными АСУ, связанное с учетом или неучетом существования рефлексии не является единственным. Второе, и может быть даже более существенное, различие состоит в характере управляющего воздействия, которое особенно наглядно проявляется в случае управления двухуровневым АОУ:

1. Управляющее воздействие в ААСУ АОУ направлено на ССПФ ИИС. При этом есть два варианта, связанные с тем, выключается или нет ИИС в результате управляющего воздействия на сложную систему поддержки (рисунок 1.3):

– ССПФ ИИС не выключается и ее действие приводит к тому, что АОУ "сопротивляется" внешнему управляющему воздействию, что приводит к неоправданным затратам энергии на управление (инерция), а также к тому, что система вообще не переходит в целевое состояние или через некоторое время возвращается в исходное состояние;

– ССПФ ИИС выключается, и тогда управление АОУ ничем не отличается от классического варианта адаптивного управления АОУ.

2. Управляющее воздействие РАСУ АОУ направлено непосредственно на ИИС. Это приводит к коррекции целей и мотиваций АОУ в направлении их сближения и согласования с целями внешней системы управления, что приводит к изменению направления его активности в русло, обеспечивающее "самопроизвольный" переход АОУ в заданное целевое состояние. Очень существенно, что при этом затраты энергии на управление могут быть практически нулевыми по сравнению с вариантом воздействия на ССПФ.

Рисунок 1. 3. Различие в характере управляющего воздействия на АОУ
в РАСУ ОУ и ААСУ СС

Наглядным примером, отражающим характер (уровень) воздействия на активный объект управления – пациента, является лечебное управляющее воздействие врача:

– врач-хирург физически воздействует на организм пациента (т.е. на сложную систему поддержки психических функций), как сложную систему;

– врач-психотерапевт психически воздействует на психику пациента, модифицируя его мотивации, ценности, способы оценки, стимулы и установки, рассматривая его как активную систему.

Для обеспечения высокой эффективности воздействия психотерапевт должен предварительно создать у пациента свой образ, внушающий высокий авторитет и доверие. Если пациенту будет по каким-то причинам смешно смотреть или слушать психотерапевта, то последний обречен на неудачу. Таким образом, психотерапевт управляет пациентом, как активной системой методом рефлексивного управления.

Когда при управлении человеком не считаются с тем, что он представляет собой активную систему, т.е. без согласования с ним оказывают прямое воздействие на его организм, то это часто рассматривают как насилие, оскорбление или преступление.

Примеры рефлективного взаимодействия высокого порядка:

1. Слова из песни популярной группы: "Она обернулась чтобы посмотреть, не обернулся ли он, чтобы посмотреть, не обернулась ли она".

2. "Коридор", который получается при отражении зеркал друг в друге или изображение на видеомониторе, которое получается, когда на него направляешь видеокамеру, соединенную с ним.

3. Микрофон, поднесенный к динамикам, соединенный с ними.

Третий пример наглядно иллюстрирует, что РАСУ высокого порядка рефлективности в принципе могут и самовозбуждаться, если величина рефлексии больше некоторой величины.

Возникает естественный вопрос о необходимости и целесообразности учета высоких порядков рефлективности в АСУ.

В этой связи необходимо отметить, что:

– системы высокого порядка рефлективности встречаются редко и являются довольно экзотическими;

– как правило, эффект от рефлексивных взаимодействий 2-го и более высоких порядков быстро ослабевает и на практике им можно пренебречь;

– при необходимости учета высоких порядков рефлективности резко возрастает сложность математических моделей и алгоритмов для их анализа, а также трудоемкость сбора и анализа информации.

Все это делает рассмотрение РАСУ высоких порядков рефлективности неоправданным, поэтому в данном исследовании ограничимся рассмотрением РАСУ 1-го порядка рефлективности, которые в дальнейшем изложении будут называться просто "РАСУ" без дополнительных специальных уточнений.

Связь рефлексивного управления и системного анализа: одно из основных требований системного анализа – это требование полноты и всесторонности рассмотрения. Это требование не может быть в полной мере выполнено без учета рефлексии, т.к. нерефлексивные модели активных объектов просто неполны, а значит неадекватны. При управлении детерминистскими системами рефлексивностью часто можно пренебречь без существенного ущерба для качества управления, когда же объект управления представляет собой активную систему, неучет рефлективности приводит к недопустимому уровню неадекватности модели.

Это означает, что необходимо непрерывно изучать, познавать АОУ для обеспечения адекватности его модели.

Не вполне адекватным является представление о том, что рефлексия характерна только для достаточно развитых систем, например биологических или даже только обладающих сознанием и самосознанием. Рефлексия представляет универсальное свойство объектов не только живой, но и неживой природы на всех иерархических уровнях организации систем: и в микромире, и на макро- и мега- уровнях, т.е. рефлексия является одним из проявлений всеобщего взаимодействия и взаимного отражения в природе. В качестве примеров достаточно привести второй закон Ньютона и вариационные принципы, в частности, принцип Мопертюи.

Это означает, что методы рефлексивного управления применимы и актуальны не только для управления социально-экономическими, экологическими, биологическими и интеллектуальными кибернетическими системами, но и для управления макро- и микрообъектами неживой природы, причем не только классическими, но и особенно квантовыми. Последнее заслуживает пояснения.

Квантовые объекты являются системами, которые могут находится в двух основных состояниях: редуцированном, т.е. локализованном в пространстве-времени, и в виртуальном, при котором пространственное распределение плотности вероятности описывается нелокальной волновой функцией. Именно при измерении параметров квантовых объектов или оказании на них классического по своей природе управляющего воздействия с помощью классических приборов происходит их полная или частичная редукция, т.е. их состояние существенно изменяется. Это можно рассматривать как проявление рефлексии.

Необходимо отметить, что на первый взгляд понятие цели имеет чисто субъективный характер и, соответственно, активные системы – это системы, в которых есть какой-то элемент сознания. Однако это не совсем так. В ряде случаев поведение физических и природных систем, которым трудно приписать сознание, проще понять и смоделировать, если предположить, что они как бы стремятся к некоторым объективным целям (достаточно вспомнить "Принцип Мопертюи").

Поведение активных систем прогнозировать сложнее, чем детерминистских, т.к. активность вносит существенный элемент неопределенности. Это сближает активные системы с стохастическими. Отличие состоит в том, что в стохастических системах неопределенность имеет случайный характер, т.е. представляет собой ни что иное, как шум, статистические характеристики которого обычно известны. Это обстоятельство позволяет прогнозировать и учитывать характеристики этого шума при управлении.

Неопределенность в поведении активных систем имеет принципиально иной, гораздо более сложный, целесообразный характер. Активная система может по-разному реагировать на одно и то же управляющее воздействие в зависимости от предыстории своего развития, состояния окружающей среды и прогноза их развития. Более того, активная система адаптируется к применяемым методам управления ею, включая в свою модель окружающей среды и саму внешнюю систему управления. Модель активной системы, на основе которой осуществляется управление ею, должна учитывать это обстоятельство, поэтому она с необходимостью должна быть не просто адаптивной, а более того – рефлексивной (Дружинин В.В., Конторов Д.С., 1976 [71].

Из того, что активная система создает и непрерывно модифицирует модель внешней среды (включая модель внешней системы управления), непрерывно обеспечивая ее адекватность, с необходимостью следует, что управление активной системой предполагает непрерывное ее изучение (познание), на основе которого должна адаптироваться модель активной системы в системе управления.

1.1.3. Постановка проблемы, выбор объекта и предмета исследования

Развитие активных систем представляет собой последовательное чередование этапов принятия и реализации решений. На этапе принятия решения (состояние бифуркации) состояние АС фиксировано, а направление его будущего развития неопределенно. В этом состоянии формируются или задаются закономерности, определяющие дальнейшее развитие системы на детерминистском этапе, при этом система изменяется (трансформируется) качественно, т.е. революционно. Именно в состоянии бифуркации проявляются те специфические особенности активных систем, которые позволяют называть их активными. На этапе же реализации решения (детерминистский этап), наоборот, направление развития фиксировано, а состояние АС неопределенно. В этом состоянии система развивается в соответствии с закономерностями, заданными ранее на бифуркационном этапе, при этом система изменяется количественно, т.е. эволюционно. На детерминистских этапах АС по сути можно рассматривать как сложные системы.

Необходимо отметить, что примерно с середины 80–х годов школа И.Пригожина развивает чрезвычайно перспективный и глубокий подход, согласно которому в развитии любой системы (в том числе и человека) чередуются периоды, в течение которых система ведет себя то как "в основном детерминированная", то как "в основном случайная", т.е. системы развиваются путем поочередного прохождения детерминистских и бифуркационных состояний. Однако в данном данном исследовании понятие бифуркации понимается несколько шире: т.е. как принятие решений, соответственно, детерминистский этап рассматривается как этап реализации решений. Случайный выбор направления дальнейшего развития системы представляет собой лишь один из возможных подходов к принятию решений, приемлемый в случае дефицита информации.

При управлении активными объектами на детерминистских этапах их развития адекватны адаптивные АСУ сложными системами, основанные на: мониторинге; выявлении закономерностей в предметной области путем анализа данных мониторинга; применении выявленных закономерностей в предметной области для прогнозирования развития АС и управления ей; количественном уточнении модели предметной области на основе использования информации обратной о результатах управления.

Таким образом на детерминистских этапах развития АС осуществляется адаптация формальной модели ПО, в которой в формализованном виде накапливаются знания о закономерностях, действующих на этом этапе.

Однако, на бифуркационном этапе развития АС формализованное знание закономерностей ПО, накопленное на предыдущем детерминистском этапе развития АОУ, теряет свою адекватность и является практически бесполезным или даже вредным для дальнейшего управления АОУ. При применении устаревшей модели для управления недопустимо повышается вероятность срыва управления, т.е. перевода АОУ в нецелевые состояния, что крайне нежелательно или недопустимо.

Объект исследования: системный анализ активных объектов.

1.2. ТРЕБОВАНИЯ К МЕТОДАМ РЕШЕНИЯ ПРОБЛЕМЫ И КРИТЕРИИ ИХ СРАВНЕНИЯ

Эти требования по сути являются требованиями к математической модели активного объекта управления, а критерии – критериями оценки степени адекватности модели.

Требования можно разделить на две основные группы:

– общие требования, связанные с качеством выполнения моделью своих функций и ее реализуемостью;

– специфические требования, вытекающие из их использования для синтеза и эксплуатации адаптивных АСУ сложными объектами.

Рассмотрим эти требования по порядку. Необходимо отметить, что в соответствии с концептуальной идеей решения основной проблемы, поставленной в данной работе (см. раздел 1.5), рассмотрим методы распознавания образов и принятия решений с точки зрения их применимости для моделирования активных объектов управления в рефлексивных АСУ активными объектами.

1.2.1. Общие требования (критерии качества)

Одно из основных общих требований к модели – "функциональность". Под функциональностью понимается пригодность модели для достижения поставленной цели. В контексте данной работы модель функциональна, если она обеспечивает адекватную идентификацию текущего состояния моделируемого объекта и отражает динамику его развития.

Очевидно, что функциональность модели не является единственным критерием ее качества. Показателями качества модели являются также либо собственно вероятность ошибки классификации, либо связанные с ней некоторые функции потерь. При этом различают условную вероятность ошибочной классификации, ожидаемую ошибку алгоритма классификации на выборке заданного объема, и асимптотическую ожидаемую ошибку классификации. Функции потерь также разделяют на функцию средних потерь, функцию ожидаемых потерь и эмпирическую функцию средних потерь.

Необходимо отметить, что само понятие "ошибка классификации" предполагает, что существует независимый от алгоритма распознавания способ, позволяющий достоверно определить, к какому классу относится каждый распознаваемый объект. Обычно (но не всегда) считается, что таким способом является экспертная оценка. На этой основе может быть сформулирован соответствующий критерий качества алгоритмов распознавания, который можно было бы назвать "степень соответствия экспертным оценкам", или более пространно: "очевидность и естественность результатов автоматизированной классификации для человека–специалиста". Дело в том, что, к сожалению, слишком часто результаты автоматизированной классификации плохо интерпретируются, т.е., проще говоря, малопонятны или совсем непонятны людям, несмотря на то, что при этом они являются правильными с точки зрения определенных формальных критериев. Это безусловно является существенным недостатком таких алгоритмов.

Кроме того, алгоритмы распознавания имеют свои "области компетентности", т.е. эффективность их работы в большей или меньшей степени зависит от статистических характеристик входных данных (обучающей выборки), и от того, что априорно известно об этих статистических характеристиках. В данном исследовании предлагается соответствующий критерий качества распознающего алгоритма, который мог бы быть назван "универсальность".

Практически во всех случаях предъявляются более или менее жесткие требования и ко времени решения задачи. В ряде случаев быстродействие алгоритма играет очень существенную, если не решающую роль: например, в военных приложениях (конечно, при условии, что идентификация выполняется правильно). Во всяком случае с прагматической точки зрения можно считать, что если на реальных данных, которые необходимо обработать, алгоритм работает неприемлемо долго, то можно сделать вывод о том, что он просто практически не работает.

Конечно, время решения задачи (при всех прочих равных условиях) определяется не только вычислительной эффективностью алгоритма, но и мощностью вычислительной системы (компьютера). Поэтому использование современных быстродействующих компьютеров весьма желательно. И все же не следует смешивать эти две проблемы, так как при любом уровне развития вычислительной техники всегда существовали алгоритмы, которые работали практически, а также алгоритмы, которые работали лишь теоретически, т.е. гипотетически.

Следующим критерием качества модели является ее "логическая сложность". Часто алгоритмы с более высокой достоверностью распознавания являются и более сложными.

Например, такие развитые и качественные с точки зрения высокой достоверности распознавания методы, как комплексные методы: "алгоритмы вычисления оценок" (АВО) и "коллективы решающих правил" (КРП) [75] имеют очень высокую сложность. Отсюда следует высокая сложность их программной реализации, а также низкое быстродействие, сложность интерпретации результатов их работы.

Косвенным критерием качества распознающего алгоритма является "наличие коммерческой программной реализации", а также популярность у пользователей соответствующей программной системы.

Естественно, упомянутыми выше критериями качества алгоритмов распознавания их перечень не ограничивается. Учитывая это, предлагается ввести понятие "интегральный критерий качества алгоритма распознавания". В предварительном плане для количественной оценки интегрального критерия можно предложить метод сведения многокритериальной задачи к однокритериальной, однако более подробное рассмотрение этих вопросов выходит за рамки данной работы.

По–видимому, идеальным, с точки зрения предложенных выше критериев качества, можно считать универсальный, высокоадекватный, быстросходящийся и устойчивый, быстродействующий и простой алгоритм, дающий интуитивно–понятные специалистам результаты.

Например, применяются три основных экспериментальных метода оценки наиболее распространенного критерия качества распознающих алгоритмов, вероятности достоверного распознавания:

– выборка используется одновременно как обучающая и контрольная;

– выборка разбивается на две части – обучающую и контрольную;

– из всей выборки случайным образом извлекается один объект, а по оставшимся синтезируется решающее правило и производится распознавание извлеченного объекта, эта процедура повторяется заданное число раз (например, до полного перебора).

Первый способ дает завышенную оценку качества распознавания по сравнению с той же оценкой качества по независимым от обучения данным. Второй способ является самым простым и убедительным. Им широко пользуются, если экспериментальных данных достаточно. В то же время третий способ, называемый также методом скользящего экзамена, является наиболее предпочтительным, так как дает меньшую дисперсию оценки вероятности ошибки. Однако этот метод является и самым трудоемким, так как требует многократного построения правила распознавания.

1.2.2. Специфические требования, вытекающие из проблематики исследования

Кроме общих требований к методу распознавания образов, существуют еще и специфические, которые вытекают из применения этого метода для синтеза и эксплуатации адаптивных АСУ сложными системами.

Метод должен обеспечивать:

– решение обратной задачи распознавания: т.е. по целевому состоянию АОУ он должен определять входные параметры, переводящие объект управления в это состояние;

– сравнение целевых и иных состояний активного объекта управления по тем факторам, которые способствуют или препятствуют переводу АОУ в эти состояния (изучение вопросов устойчивости управления).

Таким образом, на основе вышеизложенного можно сформулировать следующие основные требования к моделям АОУ, ориентированные на применение в РАСУ АО.

Модель должна обеспечивать:

– идентификацию состояния АОУ по его выходным параметрам (при независимости времени идентификации от объема обучающей выборки);

– выработку эффективных управляющих воздействий на активный объект управления;

– накопление информации об объекте управления и повышение степени адекватности модели, в том числе в случае изменения характера взаимосвязей между входными и выходными параметрами АОУ (адаптивность);

– определение ценности факторов для детерминации состояний АОУ и контролируемое снижение размерности модели при заданных граничных условиях, в том числе избыточности.

Кроме того, модель должна быть математически прозрачной (достаточно простой) и технологичной в программной реализации.

1.3. ТРАДИЦИОННЫЕ ПУТИ РЕШЕНИЯ ПРОБЛЕМЫ

1.3.1. Характеристика исходных данных и требования к математической модели

Предполагается, что исходные данные обладают большими размерностями (тысячи и десятки тысяч факторов и состояний объекта управления), не подчиняются нормальному распределению, являются фрагментарными (неполными), а также неточными и зашумленными. Считается, что их невозможно собрать в результате специально-организованного эксперимента и единственным способом их получения является наблюдение.

Из этих характеристик исходных данных вытекают следующие основные требования к математической модели:

– содержательная интерпретируемость;

– эффективная вычислимость на основе эмпирических данных (наличие эффективного численного метода);

– универсальность;

– адекватность;

– сходимость;

– семантическая устойчивость;

– сопоставимость результатов моделирования в пространстве и времени;

– непараметричность;

– формализация базовых когнитивных операций системного анализа (прежде всего таких, как обобщение, абстрагирование, сравнение классификация и др.);

– корректность работы на фрагментарных, неточных и зашумленных данных;

– возможность обработки данных очень больших размерностей (тысячи и десятки тысяч факторов и будущих состояний объекта управления);

– математическая и алгоритмическая ясность и простота, эффективная программная реализуемость.

Рассмотрим различные классы моделей на предмет их соответствия предъявляемым требованиям.

1.3.2. Понятие модели; классификация и общие принципы построения моделей. Выбор класса модели активного объекта управления в рефлексивной АСУ (содержательные информационные модели)

При построении АСУ существует фундаментальная и в принципе неустранимая проблема, вытекающая из противоречия между целью и средствами АСУ. Это проблема адекватности средств: АСУ создаются для управления состояниями реальных объектов, а манипулируют они лишь условными сигналами о состояниях реальных объектов и их математическими моделями.

Перед принятием решения о характере управляющего воздействия на объект его возможные результаты моделируются в АСУ на основе математической модели объекта управления. Поэтому эффективность АСУ непосредственно связана с адекватностью модели объекта управления и достоверностью информации о его реальных состояниях.

В этой связи для достижения целей исследования необходимо:

– рассмотреть роль и место математических моделей в общей системе классификации моделей различного типа;

– дать определение сложной системы и сложного объекта управления АСУ;

– сформулировать общие принципы построения математических моделей сложных систем;

– обосновать выбор абстрактной модели АОУ.

Сущность моделирования и общая классификация моделей.

Под моделью понимается некий объект–заместитель, который в определенных условиях заменяет изучаемый объект–оригинал, воспроизводя наиболее существенные его свойства и обеспечивая большее удобство оперирования [234].

Первоначально в качестве моделей одних объектов применялись другие объекты. Затем были осознаны модельные свойства чертежей, рисунков и карт. Отдельный класс составляют физические аналоговые модели: электрические, пневматические и т.п. Следующий шаг заключался в признании того, что моделями одних реальных объектов могут служить не только другие реальные объекты, но и абстрактные идеальные построения, типичным примером которых служат математические и другие символические модели, в частности сам язык.

Математические модели в свою очередь подразделяются на статистические (матричные), операциональные (алгоритмические) и аналитические [234].

Кроме того, модель может быть специально построена таким образом, чтобы отражать только внешние, наблюдаемые феноменологические характеристики моделируемых явлений. Такие модели называются феноменологическими. Также разработчик может попытаться сконструировать содержательную модель явления, вскрывающую внутренние ненаблюдаемые механизмы явления, но таким образом, чтобы из этой содержательной модели следовали и внешне наблюдаемые характеристики. Если эти прогнозируемые на основании содержательной модели внешние характеристики соответствуют действительно наблюдаемым, то обычно считается, что и содержательная модель соответствует действительности, т.е. верна или истинна.

При этом считается, что "в действительности все устроено именно так, как это предполагается в содержательной модели". Это очень сильная и ответственная операция придания абстрактной модели онтологического статуса называется гипостазированием. В результате выполнения этой и чаще всего неоправданной операции люди начинают считать, что мир устроен определенным образом, хотя в действительности так устроена лишь их модель этого мира. К вопросу об истинности содержательных моделей нужно относиться крайне осторожно, так как, по–видимому, можно создать неограниченное количество различных содержательных моделей, верно объясняющих одну и ту же феноменологическую картину (альтернативные модели).

К этому необходимо добавить, что построение содержательных моделей значительно более трудоемко, чем феноменологических.

Математические модели обладают различной степенью общности:

– наиболее общими являются статистические (матричные) модели, частным случаем которых являются информационные модели, которые позволяют отобразить и детерминистские, и статистические системы очень большой размерности;

– алгоритмические модели имеют более узкую область адекватности: они неудобны для отображения статистических зависимостей и лучше работают в детерминистской области;

– аналитические модели можно отнести к подмножеству алгоритмических, для которых разработан аналитический формализм (уравнения, формулы).

С возникновением математической лингвистики было осознано, что языковые модели также относятся к аналитическим моделям. В этом смысле любое словесное описание какого либо объекта является его моделью, а сам язык в целом является моделью той области реальности, которую можно каким–либо образом (с различными степенями адекватности) отобразить с его использованием [234]. Более того, язык – это модель реальности, вполне адекватно отражающая исторический опыт того народа, который этот язык создал.

В настоящее время осуществляются совершенно обоснованные попытки обобщить понятие модели на любые информационно связанные реальные и идеальные системы. Если есть любые две информационно взаимодействующие системы (неважно реальные или идеальные), то любая из этих систем может рассматриваться как модель другой в той степени, в какой она отражает ее.

Таким образом, модель некоторого объекта или явления есть и средство, и результат его познания.

Именно использование модели явления позволяет АСУ моделировать последствия различных вариантов целенаправленного управляющего воздействия на него, сравнивать эти возможные последствия с целевыми, желательными состояниями и выбирать воздействие, приводящее к результату, наиболее близкому к целевому.

Общие принципы построения математических моделей при управлении активными объектами.

Рассмотрим этапы построения, вопросы алгоритмизации и программной реализации моделей сложных систем, применимых в адаптивных АСУ сложными системами.

Существуют три основных проблемы, которые необходимо решить перед созданием математической модели сложной системы:

– прежде всего должна быть определена цель создания модели, так как модель отображает оригинал не во всей его полноте (это невозможно, так как модель конечна, а любой объект неисчерпаем), а лишь те аспекты оригинала, которые связаны с достижением поставленной цели; цель, безусловно, сама представляет собой модель того состояния объекта управления, для достижения которого применяется АСУ;

– должен быть выбран тип модели, исходя из двух взаимосвязанных требований: во–первых, модель должна адекватно отображать актуальное состояние оригинала, и, во–вторых, она должна обеспечивать формирование алгоритма преобразования объекта управления из актуального состояния в целевое;

– модель должна быть проста в реализации, т.е. требовать для своей реализации минимальных вычислительных и других видов ресурсов, так как в противном случае эта модель будет представлять лишь чисто абстрактный интерес.

Отметим, что в качестве варианта решения этих проблем, имеющего ряд достоинств, в данном исследовании предложена адаптивная информационная модель, обеспечивающая динамическую перестройку решающих правил в соответствии с содержанием обучающей информации и новой (дополнительной) или изменившейся целью.

Модель должна обеспечивать выявление наиболее существенного в объекте с точки зрения достижения цели управления.

Конечность модели неизбежно приводит к тому, что любая модель является упрощенной. Это считается приемлемым, так как все соглашаются с неизбежностью того, что модель соответствует оригиналу с некоторой погрешностью. Необходимо лишь, чтобы эта погрешность была практически приемлемой. Необходимо подчеркнуть, что на практике упрощенность модели не является особым препятствием для ее эффективного применения.

Существует еще одна причина вынужденного упрощения модели: необходимость практической реализации модели и реального оперирования с ней. Очень сложные модели невозможно реализовать и практически использовать, поэтому они имеют скорее лишь чисто научную ценность. Опыт показывает, что сложные модели редко хорошо работают. Часто упрощенные модели дают огромный выигрыш в потребляемых вычислительных ресурсах по сравнению с оптимальными моделями, давая результаты, отличающиеся от оптимальных условно говоря в десятых знаках после запятой. Простые и эффективные модели часто вызывают своего рода эстетическое удовлетворение, т.е. они в определенном смысле "красивы".

Таким образом, при создании модели явления нужно стремиться не только к тому, чтобы она адекватно отражала все наиболее существенные стороны моделируемого явления (с точки зрения достижения цели управления), но и соответствовала требованиям "простоты" и "красоты".

При создании модели необходимо специально в явном виде сформулировать те предпосылки, которые должны быть истинными, чтобы модель была применимой, т.е. те условия и характеристики моделируемых явлений, соблюдение которых необходимо для обеспечения адекватности модели.

Например, в ряде случаев пользователи статистических пакетов применяют параметрические статистические процедуры, пригодные только в случае нормальности выборки, и при этом не только не проверяют, выполняется ли это условие, но и даже не задумываются о том, соблюдается ли оно в их конкретном случае. К выводам, полученным при подобных "методах" исследования, нужно относиться с большой осторожностью, так как достоверный результат при таком подходе сам является случайностью.

Подобные ситуации выдвинули перед разработчиками моделей специальную проблему: создание моделей, применимость которых сохраняется в очень широком диапазоне условий данных. В математической статистике этому подходу соответствуют непараметрические и робастные процедуры обработки данных, в теории управления – исследование устойчивости моделей и адаптивные модели.

Часто бывает сложным явно исследовать выборку на нормальность. В этом случае косвенным свидетельством в пользу ее нормальности может служить согласованность результатов ее анализа параметрическими и непараметрическими методами. Поэтому рекомендуется не ограничиваться каким–либо одним, пусть даже, по–видимому, адекватным задаче методом, а применять несколько различных методов и затем сопоставлять их результаты друг с другом. Это существенно увеличивает надежность выводов.

Наука накопила значительный опыт построения различного рода моделей. Заманчивой кажется идея обобщения этого опыта и построения алгоритма для проектирования моделей, по крайней мере моделей определенного класса. Однако более глубокий анализ показывает, что построение модели является сложным наукоемким и творческим итерационным процессом, в котором в процессе построения модели могут уточняться и даже изменяться цели ее создания и другие исходные данные. В любом случае обнаружить недостатки уже работающей модели гораздо проще, чем предусмотреть и обойти их заранее. На основании этого можно сделать вывод о том, что создание каждой модели высокого качества представляет собой событие в соответствующей области науки, а сам процесс создания новых моделей, полностью (до конца) в принципе не формализуем.

В этой связи особую значимость приобретает вопрос о разработке адаптивных моделей, т.е. моделей, способных легко перестраиваться и сохранять высокую степень адекватности как при изменении целевых и оценочных установок, так и самой моделируемой предметной области.

Опыт показывает, что модели, не обладающие высокой степенью адаптивности, как правило, имеют короткий жизненный цикл, так как быстро теряют адекватность (исключением из этого правила являются лишь естественнонаучные модели, описывающие фундаментальные свойства реальности).

1.3.3. Модели, применяемые в социально-экономическом анализе и прогнозировании

Согласно В. В. Федосееву с соавторами [322] общепринятой классификации моделей социально-экономических систем не существует, вместе с тем для этого обычно используют несколько независимых друг от друга классификационных шкал с градациями (таблица 1.2).

Таблица 1. 2 – КЛАССИФИКАЦИЯ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ
СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМ

Сам В. В. Федосеев рассматривает:

– основы линейного программирования;

– оптимальные экономико-математические модели;

– методы и модели анализа динамики экономических процессов;

– модели прогнозирования;

– балансовые модели;

– эконометрические (регрессионные) модели;

– прикладные модели.

Другие авторы дают несколько отличающуюся классификацию экономико-математических методов и моделей.

Н. Ш. Кремер, Б. А. Путко и соавторы [112, 113] рассматривают:

– модели линейного и нелинейного программирования;

– модели сетевого планирования и управления;

– теорию массового обслуживания;

– модели управления запасами;

– элементы теории вероятностей, математической статистики и линейной алгебры;

– парный и множественный регрессионный анализ;

– регрессионные статические и динамические модели;

– методы анализа временных рядов и прогнозирования;

– обобщенную линейную модель множественной регрессии и метод наименьших квадратов;

– системы одновременных уравнений.

О.О.Замков, А.В.Толстопятенко и Ю.Н.Черемных в своей работе [87] раскрывают содержание следующих методов:

– функции и графики;

– основы дифференциального исчисления и его применение к исследованию функций, в частности эластичности функций и функций нескольких переменных;

– соотношения между суммарными, средними и предельными величинами;

– оптимизационные задачи с ограничениями и задачи оптимизации производства;

– методы максимизации полезности, модели потребительского спроса и компенсационные эффекты;

– производственные функции;

– экономическая динамика и ее моделирование;

– математическая теория игр;

– экономико-статистические методы;

– линейная регрессия: статистический анализ модели, ее построение и применение для макроэкономического анализа;

– метод наименьших квадратов;

– системы одновременных уравнений;

– нелинейная регрессия;

– авторегрессионное преобразование.

Таким образом, на основании этого краткого анализа, по мнению автора, можно констатировать, что традиционно при рассмотрении экономико-математических методов недостаточно внимания уделяется интеллектуальным методам анализа данных и извлечения знаний из данных (Data Mining), прежде всего таким, как методы распознавания образов и принятия решений, а также вопросам применения теории информации в экномических исследованиях. В определенной степени эту диспропорцию компенсируют такие работы как [181–184, 320, 321]. Рассмотрим некоторые из этих методов и подходов подробнее.

1.3.4. Идентификация состояний активных систем в рефлексивных АСУ

Основные задачи адаптивной идентификации.

Распознавание представляет собой информационный процесс, реализуемый некоторым преобразователем информации (интеллектуальным информационным каналом, системой распознавания), имеющим вход и выход. На вход системы подается информация о том, какими признаками обладают предъявляемые объекты. На выходе системы отображается информация о том, к каким классам (обобщенным образам) отнесены распознаваемые объекты.

При создании и эксплуатации автоматизированной системы распознавания образов решается ряд задач. Рассмотрим кратко и упрощенно эти задачи. Отметим, что у различных авторов формулировки этих задач, да и сам набор не совпадают, так как он в определенной степени зависит от конкретной математической модели, на которой основана та или иная система распознавания. Кроме того, некоторые задачи в определенных моделях распознавания не имеют решения и, соответственно, не ставятся.

Задача формализации предметной области.

По сути это задача является задачей кодирования. Составляется список обобщенных классов, к которым могут относиться конкретные реализации объектов, а также список признаков, которыми эти объекты в принципе могут обладать.

Задача формирования обучающей выборки.

Обучающая выборка представляет собой базу данных, содержащую описания конкретных реализаций объектов на языке признаков, дополненную информацией о принадлежности этих объектов к определенным классам распознавания.

Задача обучения системы распознавания.

Обучающая выборка используется для формирования обобщенных образов классов распознавания на основе обобщения информации о том, какими признаками обладают объекты обучающей выборки, относящиеся к этому классу и другим классам.

Задача снижения размерности пространства признаков.

После обучения системы распознавания (получения статистики распределения частот признаков по классам) становится возможным определить для каждого признака его ценность для решения задачи распознавания. После этого наименее ценные признаки могут быть удалены из системы признаков. Затем система распознавания должна быть обучена заново, так как в результате удаления некоторых признаков статистика распределения оставшихся признаков по классам изменяется. Этот процесс может повторяться, т.е. быть итерационным.

Задача распознавания, идентификации и прогнозирования.

Распознаются объекты распознаваемой выборки, которая, в частности, может состоять и из одного объекта. Распознаваемая выборка формируется аналогично обучающей, но не содержит информации о принадлежности объектов к классам, так как именно это и определяется в процессе распознавания. Результатом распознавания каждого объекта является распределение или список всех классов распознавания в порядке убывания степени сходства распознаваемого объекта с ними.

Задача контроля качества распознавания, идентификации и прогнозирования.

После распознавания может быть установлена его адекватность. Для объектов обучающей выборки это может быть сделано сразу, так как для них просто известно, к каким классам они относятся. Для других объектов эта информация может быть получена позже. В любом случае может быть определена фактическая средняя вероятность ошибки по всем классам распознавания, а также вероятность ошибки при отнесении распознаваемого объекта к определенному классу.

Результаты распознавания должны интерпретироваться с учетом имеющейся информации о качестве распознавания.

Задача адаптации.

Если в результате выполнения процедуры контроля качества установлено, что оно неудовлетворительное, то описания неправильно распознанных объектов могут быть скопированы из распознаваемой выборки в обучающую, дополнены адекватной классификационной информацией и использованы для переформирования решающих правил, т.е. учтены. Более того, если эти объекты не относятся к уже имеющимся классам распознавания, что и могло быть причиной их неверного распознавания, то этот список может быть расширен. В результате система распознавания адаптируется и начинает адекватно классифицировать эти объекты.

Задача выработки управления (обратная задача распознавания, идентификации и прогнозирования).

Задача распознавания состоит в том, что для данного объекта по его известным признакам устанавливается его принадлежность к некоторому ранее неизвестному классу. В обратной задаче распознавания, наоборот, для данного класса распознавания устанавливается, какие признаки наиболее характерны для объектов данного класса, а какие нет (или какие объекты обучающей выборки относятся к данному классу).

Задачи кластерного и конструктивного анализа.

Кластерами называются такие группы объектов, классов или признаков, что внутри каждого кластера они максимально сходны, а между разными кластерами – максимально различны.

Конструктом (в контексте, рассматриваемом в данном разделе) называется система противоположных кластеров. Таким образом, в определенном смысле конструкты есть результат кластерного анализа кластеров.

В кластерном анализе количественно измеряется степень сходства и различия объектов (классов, признаков), и эта информация используется для классификации. Результатом кластерного анализа является сама классификация объектов по кластерам. Эта классификация может быть представлена в форме семантических сетей.

Задача когнитивного анализа.

В когнитивном анализе информация о сходстве и различии классов или признаков интересует исследователя сама по себе, а не для того, чтобы использовать ее для классификации, как в кластерном и конструктивном анализе.

Если для двух классов распознавания является характерным один и тот же признак, то это вносит вклад в сходство этих двух классов. Если же для одного из классов этот признак является нехарактерным, то это вносит вклад в различие.

Если два признака коррелируют друг с другом, то в определенном смысле их можно рассматривать как один признак, а если антикоррелируют, то как различные. С учетом этого обстоятельства наличие различных признаков у разных классов также вносит определенный вклад в их сходство и различие.

Результаты когнитивного анализа могут быть представлены в форме когнитивных диаграмм.

Методы идентификации и их характеристики.

Принципы классификации методов распознавания образов.

Распознаванием образов называются задачи построения и применения формальных операций над числовыми или символьными отображениями объектов реального или идеального мира, результаты решения которых отражают отношения эквивалентности между этими объектами. Отношения эквивалентности выражают принадлежность оцениваемых объектов к каким–либо классам, рассматриваемым как самостоятельные семантические единицы.

При построении алгоритмов распознавания классы эквивалентности могут задаваться исследователем, который пользуется собственными содержательными представлениями или использует внешнюю дополнительную информацию о сходстве и различии объектов в контексте решаемой задачи. Тогда говорят о "распознавании с учителем" [75]. В противном случае, т.е. когда автоматизированная система решает задачу классификации без привлечения внешней обучающей информации, говорят об автоматической классификации или "распознавании без учителя". Большинство алгоритмов распознавания образов требует привлечения весьма значительных вычислительных мощностей, которые могут быть обеспечены только высокопроизводительной компьютерной техникой.

Различные авторы ( Ю.Л. Барабаш [15], В.И. Васильев [39], А.Л. Горелик , В.А. Скрипкин [58], Р. Дуда, П. Харт [72], Л.Т.Кузин [114], Ф.И. Перегудов, Ф.П. Тарасенко [234], Темников Ф.Е., Афонин В.А., Дмитриев В.И. [309], Дж. Ту, Р. Гонсалес [315], П. Уинстон [318], К. Фу [328], Я.З. Цыпкин [340] и др.) дают различную типологию методов распознавания образов. Одни авторы различают параметрические, непараметрические и эвристические методы, другие – выделяют группы методов, исходя из исторически сложившихся школ и направлений в данной области. Например, в работе [75], в которой дан академический обзор методов распознавания, используется следующая типология методов распознавания образов:

– методы, основанные на принципе разделения;

– статистические методы;

– методы, построенные на основе "потенциальных функций";

– методы вычисления оценок (голосования);

– методы, основанные на исчислении высказываний, в частности на аппарате алгебры логики.

В основе данной классификации лежит различие в формальных методах распознавания образов и поэтому опущено рассмотрение эвристического подхода к распознаванию, получившего полное и адекватное развитие в экспертных системах.

Эвристический подход основан на трудно формализуемых знаниях и интуиции исследователя. При этом исследователь сам определяет, какую информацию и каким образом система должна использовать для достижения требуемого эффекта распознавания.

Подобная типология методов распознавания с той или иной степенью детализации встречается во многих работах по распознаванию. В то же время известные типологии не учитывают одну очень существенную характеристику, которая отражает специфику способа представления знаний о предметной области с помощью какого–либо формального алгоритма распознавания образов.

Д.А.Поспелов (1988) выделяет два основных способа представления знаний [244]:

– интенсиональное, в виде схемы связей между атрибутами (признаками).

– экстенсиональное, с помощью конкретных фактов (объекты, примеры).

Интенсиональное представление фиксируют закономерности и связи, которыми объясняется структура данных. Применительно к диагностическим задачам такая фиксация заключается в определении операций над атрибутами (признаками) объектов, приводящих к требуемому диагностическому результату. Интенсиональные представления реализуются посредством операций над значениями атрибутов и не предполагают произведения операций над конкретными информационными фактами (объектами).

В свою очередь, экстенсиональные представления знаний связаны с описанием и фиксацией конкретных объектов из предметной области и реализуются в операциях, элементами которых служат объекты как целостные системы.

Можно провести аналогию между интенсиональными и экстенсиональными представлениями знаний и механизмами, лежащими в основе деятельности левого и правого полушарий головного мозга человека. Если для правого полушария характерна целостная прототипная репрезентация окружающего мира, то левое полушарие оперирует закономерностями, отражающими связи атрибутов этого мира [91, 244].

Описанные выше два фундаментальных способа представления знаний позволяют предложить следующую классификацию методов распознавания образов:

– интенсиональные методы, основанные на операциях с признаками.

– экстенсиональные методы, основанные на операциях с объектами.

Необходимо особо подчеркнуть, что существование именно этих двух (и только двух) групп методов распознавания: оперирующих с признаками, и оперирующих с объектами, глубоко закономерно. С этой точки зрения ни один из этих методов, взятый отдельно от другого, не позволяет сформировать адекватное отражение предметной области. Между этими методами существует отношение дополнительности в смысле Н.Бора [25], поэтому перспективные системы распознавания должны обеспечивать реализацию обоих этих методов, а не только какого–либо одного из них.

Таким образом, в основу классификации методов распознавания, предложенной Д.А.Поспеловым [244], положены фундаментальные закономерности, лежащие в основе человеческого способа познания вообще, что ставит ее в совершенно особое (привилегированное) положение по сравнению с другими классификациями, которые на этом фоне выглядят более легковесными и искусственными.

Интенсиональные методы.

Отличительной особенностью интенсиональных методов является то, что в качестве элементов операций при построении и применении алгоритмов распознавания образов они используют различные характеристики признаков и их связей. Такими элементами могут быть отдельные значения или интервалы значений признаков, средние величины и дисперсии, матрицы связей признаков и т. п., над которыми производятся действия, выражаемые в аналитической или конструктивной форме. При этом объекты в данных методах не рассматриваются как целостные информационные единицы, а выступают в роли индикаторов для оценки взаимодействия и поведения своих атрибутов.

Группа интенсиональных методов распознавания образов обширна, и ее деление на подклассы носит в определенной мере условный характер:

– методы, основанные на оценках плотностей распределе ния значений признаков

– методы, основанные на предположениях о классе решающих функций

– логические методы

– лингвистические (структурные) методы.

Экстенсиональные методы.

В методах данной группы, в отличие от интенсионального направления, каждому изучаемому объекту в большей или меньшей мере придается самостоятельное диагностическое значение. По своей сути эти методы близки к клиническому подходу, который рассматривает людей не как проранжированную по тому или иному показателю цепочку объектов, а как целостные системы, каждая из которых индивидуальна и имеет особенную диагностическую ценность [75]. Такое бережное отношение к объектам исследования не позволяет исключать или утрачивать информацию о каждом отдельном объекте, что происходит при применении методов интенсионального направления, использующих объекты только для обнаружения и фиксации закономерностей поведения их атрибутов.

Основными операциями в распознавании образов с помощью обсуждаемых методов являются операции определения сходства и различия объектов. Объекты в указанной группе методов играют роль диагностических прецедентов. При этом в зависимости от условий конкретной задачи роль отдельного прецедента может меняться в самых широких пределах: от главной и определяющей и до весьма косвенного участия в процессе распознавания. В свою очередь условия задачи могут требовать для успешного решения участия различного количества диагностических прецедентов: от одного в каждом распознаваемом классе до полного объема выборки, а также разных способов вычисления мер сходства и различия объектов. Этими требованиями объясняется дальнейшее разделение экстенсиональных методов на подклассы:

– метод сравнения с прототипом;

– метод k–ближайших соседей;

– алгоритмы вычисления оценок ("голосования");

– коллективы решающих правил.

Сравнительный анализ методов идентификации и прогнозирования.

В таблице 1.2. представлена характеристика различных методов распознавания образов по следующим параметрам: классификация методов распознавания; области применения методов распознавания; классификация ограничений методов распознавания.

Таблица 1. 3 - КЛАССИФИКАЦИЯ МЕТОДОВ РАСПОЗНАВАНИЯ, СРАВНЕНИЕ ИХ ОБЛАСТЕЙ ПРИМЕНЕНИЯ И ОГРАНИЧЕНИЙ

Роль и место идентификации состояний объектов в автоматизации управления активными объектами.

Автоматизированная система управления состоит из двух основных частей: объекта управления и управляющей системы.

Управляющая система осуществляет следующие функции:

– идентификация состояния объекта управления;

– выработка управляющего воздействия исходя из целей управления с учетом состояния объекта управления и окружающей среды;

– оказание управляющего воздействия на объект управления.

Распознавание образов есть не что иное, как идентификация состояния некоторого объекта. Автоматизированная система управления, построенная на традиционных принципах, может работать только на основе параметров, закономерности связей которых уже известны, изучены и отражены в математической модели. В итоге АСУ, основанные на традиционном подходе, практически не работают с активными многопараметрическими слабодетерминированными объектами управления, такими, например, как макро– и микросоциально–экономические системы в условиях динамичной экономики "переходного периода", иерархические элитные и этнические группы, социум и электорат, физиология и психика человека, природные и искусственные экосистемы и многие другие.

Поэтому, в состав перспективных АСУ, обеспечивающих устойчивое управление активными объектами в качестве существенных функциональных звеньев должны войти подсистемы идентификации и прогнозирования состояний среды и объекта управления, основанные на методах искусственного интеллекта (прежде всего распознавания образов), методах поддержки принятия решений и теории информации.

Кратко рассмотрим вопрос о применении систем распознавания образов для принятия решений об управляющем воздействии.

Если в качестве классов распознавания взять целевые и иные будущие состояния объекта управления, а в качестве признаков – факторы, влияющие на него, то в модели распознавания образов может быть сформирована количественная мера причинно-следственной связи факторов и состояний. Это позволяет по заданному состоянию объекта управления получить информацию о факторах, которые способствуют или препятствуют его переходу в это состояние, и, на этой основе, выработать решение об управляющем воздействии.

Факторы могут быть разделены на следующие группы:

– характеризующие предысторию объекта управления и его актуальное состояние управления;

– технологические (управляющие) факторы;

– факторы окружающей среды;

Таким образом, системы распознавания образов могут быть применены в составе АСУ: в подсистемах идентификации состояния объекта управления и выработки управляющих воздействий.

Это целесообразно в случае, когда объект управления представляет собой активную систему.

1.3.5. Принятие решения об управляющем воздействии в рефлексивных АСУ активными объектами

Решение проблемы синтеза адаптивных АСУ сложными системами рассматривается в данной работе с учетом многочисленных и глубоких аналогий между методами распознавания образов и принятия решений.

С одной стороны, задача распознавания образов представляет собой принятие решения о принадлежности распознаваемого объекта к определенному классу распознавания. С другой стороны, задачу принятия решения предлагается рассматривать как обратную задачу декодирования или обратную задачу распознавания образов. Но особенно очевидной общность основных идей, лежащих в основе методов распознавания образов и принятия решений, становится при рассмотрении их с позиций теории информации.

Многообразие задач принятия решений.

Принятие решений как реализация цели.

Определение: принятие решения ("выбор") есть действие над множеством альтернатив, в результате которого исходное множество альтернатив сужается, т.е. происходит его редукция.

Выбор является действием, придающим всей деятельности целенаправленность. Именно через акты выбора реализуется подчиненность всей деятельности определенной цели или совокупности взаимосвязанных целей.

Принятие решений как снятие неопределенности (информационный подход).

Процесс получения информации можно рассматривать как уменьшение неопределенности в результате приема сигнала, а количество информации – как количественную меру степени снятия неопределенности.

Но в результате выбора некоторого подмножества альтернатив из множества, т.е. в результате принятия решения, происходит тоже самое (уменьшение неопределенности). Это значит, что каждый выбор, каждое решение порождает определенное количество информации, а значит может быть описано в терминах теории информации.

Классификация задач принятия решений.

Множественность задач принятия решений связана с тем, что каждая компонента ситуации, в которой осуществляется принятие решений, может реализовываться в качественно различных вариантах [75].

Критериальный язык принятия решений.

Об одном и том же явлении можно говорить на различных языках различной степени общности и адекватности. К настоящему времени сложились три основных языка описания выбора.

Самым простым, наиболее развитым и наиболее популярным является критериальный язык [234].

Название этого языка связано с основным предположением, состоящим в том, что каждую отдельно взятую альтернативу можно оценить некоторым конкретным (одним) числом, после чего сравнение альтернатив сводится к сравнению соответствующих им чисел.

Пусть, например, {X} – множество альтернатив, а x – некоторая определенная альтернатива, принадлежащая этому множеству: xX. Тогда считается, что для всех x может быть задана функция q(x), которая называется критерием (критерием качества, целевой функцией, функцией предпочтения, функцией полезности и т.п.), обладающая тем свойством, что если альтернатива x₁ предпочтительнее x₂ (обозначается: x₁ > x₂), то q(x₁)>q(x₂).

При этом выбор сводится к отысканию альтернативы с наибольшим значением критериальной функции.

Однако на практике использование лишь одного критерия для сравнения степени предпочтительности альтернатив оказывается неоправданным упрощением, так как более подробное рассмотрение альтернатив приводит к необходимости оценивать их не по одному, а по многим критериям, которые могут иметь различную природу и качественно отличаться друг от друга.

Многокритериальные задачи не имеют однозначного общего решения. Поэтому предлагается множество способов придать многокритериальной задаче частный вид, допускающий единственное общее решение. Естественно, что для разных способов эти решения являются в общем случае различными. Поэтому едва ли не главное в решении многокритериальной задачи – обоснование данного вида ее постановки. Используются различные варианты упрощения многокритериальной задачи выбора, основным из которых является сведение многокритериальной задачи к однокритериальной путем ввода интегрального критерия.

Основная проблема в многокритериальной постановке задачи принятия решений состоит в том, что необходимо найти такой аналитический вид функции, связывающей частные критерии с интегральным критерием, который бы обеспечил следующие свойства модели: высокую степень адекватности предметной области и точке зрения экспертов; минимальные вычислительные трудности максимизации интегрального критерия, т.е. его расчета для разных альтернатив; устойчивость результатов максимизации интегрального критерия от малых возмущений исходных данных.

Выбор в условиях неопределенности.

Определенность – это частный случай неопределенности, а именно: это неопределенность, близкая к нулю.

В современной теории выбора считается, что в задачах принятия решений существует три основных вида неопределенности:

1. Информационная (статистическая) неопределенность исходных данных для принятия решений.

2. Неопределенность последствий принятия решений (выбора).

3. Расплывчатость в описании компонент процесса принятия решений.

Экспертные методы выбора.

При исследовании сложных систем часто возникают проблемы, которые по различным причинам не могут быть строго поставлены и решены с применением разработанного в настоящее время математического аппарата. В этих случаях прибегают к услугам экспертов (системных аналитиков), чей опыт и интуиция помогают уменьшить сложность проблемы.

Однако необходимо учитывать, что эксперты сами представляют собой сверхсложные системы, и их деятельность также зависит от многих внешних и внутренних условий. Поэтому в методиках организации экспертных оценок большое внимание уделяется созданию благоприятных внешних и психологических условий для работы экспертов.

На работу эксперта оказывают влияние следующие факторы:

– ответственность за использование результатов экспертизы;

– знание того, что привлекаются и другие эксперты;

– наличие информационного контакта между экспертами;

– межличностные отношения экспертов (если между ними есть информационный контакт);

– личная заинтересованность эксперта в результатах оценки;

– личностные качества экспертов (самолюбие, конформизм, воля и др.)

Взаимодействие между экспертами может как стимулировать, так и подавлять их деятельность. Поэтому в разных случаях используют различные методы экспертизы, отличающиеся характером взаимодействия экспертов друг с другом: анонимные и открытые опросы и анкетирования, совещания, дискуссии, деловые игры, мозговой штурм и т.д.

Существуют различные методы математической обработки мнений экспертов. Экспертам предлагают оценить различные альтернативы либо одним, либо системой показателей. Кроме того им предлагают оценить степень важности каждого показателя (его "вес" или "вклад"). Самим экспертам также приписывается уровень компетентности, соответствующий вкладу каждого из них в результирующее мнение группы.

Развитой методикой работы с экспертами является метод "Дельфи" [234]. Основная идея этого метода состоит в том, что критика и аргументация благотворно влияют на эксперта, если при этом не затрагивается его самолюбие и обеспечиваются условия, исключающие персональную конфронтацию.

Необходимо особо подчеркнуть, что существует принципиальное различие в характере использования экспертных методов в экспертных системах и в поддержке принятия решений. Если в первом случае от экспертов требуется формализация способов принятия решений, то во втором – лишь само решение, как таковое.

Поскольку эксперты привлекаются для реализации именно тех функций, которые в настоящее время или вообще не обеспечиваются автоматизированными системами, или выполняются ими хуже, чем человеком, то перспективным направлением развития автоматизированных систем является максимальная автоматизация этих функций.

Обоснована необходимость поиска или разработки математической модели, адекватной для целей моделирования активных объектов управления адаптивных АСУ.

Рассмотрены общие принципы построения математических моделей и определено, что для моделирования активных объектов управления при большой степени неопределенности исходной информации может быть целесообразно применение модели "черного ящика", как предъявляющей минимальные требования к объему априорной информации об объекте управления.

Определены общие и специфические требования к математической модели сложного объекта управления и критерии их оценки. Обосновано, что модель должна быть математически прозрачной (достаточно простой) и технологичной в программной реализации. Кроме того, она должна обеспечивать:

– выработку эффективных управляющих воздействий на активный объект управления;

Проведен краткий обзор методов распознавания образов и принятия решений, дан их сравнительный анализ в соответствии с ранее обоснованными критериями, очерчены области применения методов и их основные ограничения, определена степень соответствия рассмотренных методов целям, поставленным в работе.

Таким образом, как показал аналитический обзор методов распознавания образов и принятия решений, а также их сравнительный анализ в соответствии с предложенными критериями, метода, вполне адекватного для применения в составе рефлексивных АСУ активными объектами, в готовом виде не существует, но он может быть разработан на основе метода решения многокритериальной задачи с применением математических моделей теории информации.

Обычно поставленная проблема решается путем слабо формализованного процесса разработки новой версии АСУ, адекватной качественно изменившейся ситуации. Конечно при этом применяются средства синтеза модели, но эти средства рассчитаны на единовременный, а не периодический синтез. При этом используется системный анализ ПО, включая математические модели и средства автоматизации различных этапов системного анализа. Обзор различных подходов к системному анализу и различных средств автоматизации его этапов позволяет сделать выводы о том, что:

1. Автоматизированные средства периодического синтеза моделей ПО практически отсутствуют и в настоящее время синтез модели является полностью неформализуемым этапом системного анализа.

2. Математические модели, применяемые для автоматизации различных этапов системного анализа, основаны на различных математических подходах и теориях и не имеют единой методологической базы и понятийной основы, а значит слабо согласуются друг с другом, что не предполагает их совместное использование или делает его трудно достижимым.

3. Программные средства, обеспечивающие автоматизацию математических моделей различных этапов системного анализа, разработаны для ограниченного набора моделей, основаны на различных инструментальных средствах и стандартах баз данных и не образуют единого программного комплекса. Кроме того, они как правило не имеют универсальной формы и созданы для применения в конкретных предметных областях.

1.4. КОНЦЕПЦИЯ РЕШЕНИЯ ПРОБЛЕМЫ: ОБОБЩЕННАЯ МОДЕЛЬ ДЕТЕРМИНИСТСКО-БИФУРКАЦИОННОЙ ДИНАМИКИ АКТИВНЫХ СИСТЕМ

Для решения основной проблемы необходима разработка методов, обеспечивающих: первичный синтез модели предметной области; идентификацию текущего состояния системы как детерминистского или бифуркационного; выработку рекомендаций по оказанию управляющих воздействий на АОУ на детерминистском этапе; адаптацию модели на детерминистском этапе с учетом информации обратной связи о фактических результатах управления; прогнозирование времени наступления бифуркационного этапа развития АОУ; синтез модели после прохождения бифуркационного этапа.

При этом будем исходить из того, что выработка управления на бифуркационном этапе и сразу после него является существенно неформализуемым процессом, который в настоящее время и в обозримой перспективе может осуществляться только человеком.

Основная причина этого, состоит в том, что после прохождения системой точки бифуркации по сути дела необходимо заново познавать закономерности ее поведения на очередном детерминистском этапе, а это пока является прерогативой человека.

Здесь снова возникает классический вопрос, впервые заданный А.Тьюрингом еще 1960 году: "Может ли машина мыслить?" По мнению автора, "В принципе да, но на практике на современном этапе развития техники и технологии, т.е. пока нет". Вместе с тем вполне очевидно, что уже на текущем этапе развития науки и технологии "машина", а конкретнее компьютер и программная система, вполне могут помочь человеку мыслить.

Поэтому задача состоит в том, чтобы максимально облегчить для человека процесс познания предметной области, создав для этого максимально комфортные информационные и функциональные условия, предоставив ему инструмент, т.е. средство труда, берущее на себя некоторые рутинные операции, выполняемые человеком в процессе мышления. При этом мышление рассматривается как процесс познания.

Сделать это в данном исследовании предлагается путем разработки математических моделей, алгоритмов и реализующего их специального программного обеспечения, берущего на себя основные познавательные (когнитивные) операции, выполняемые человеком при системном познании предметной области.

1.4.1. Классическое дерево вероятностей

С середины 80–х годов школа И.Пригожина развивает подход, согласно которому в развитии любой системы (в том числе и человека) чередуются периоды, в течение которых система ведет себя то как "в основном детерминированная", то как "в основном случайная" [234].

Удобным формальным средством визуализации этой идеи является "классическое дерево вероятностей" (терм.авт.), в котором точки бифуркации изображаются узлами, а участки детерминистского развития системы – дугами. В узлах определяется направление дальнейшего развития системы, а в дугах – это направление реализуется. В настоящем исследовании предлагается рассматривать узлы в диаграмме "дерева вероятностей", – это этапы принятия решений, а дуги как этапы реализации этих решений. Случайный выбор является лишь одним из методов принятия (который оптимален в случае отсутствия информации о предметной области), поэтому предлагаемый подход является более общим, чем подход школы И.Пригожина. Необходимо также отметить, что в результате реализации некоторого конкретного решения система с необходимостью оказывается в очередной точке бифуркации.

Рассмотрим упрощенный пример.

Молодой человек в начальном состоянии, изображенном на диаграмме (рисунок 1.4), находится в точке бифуркации "абитуриент".

В этой точке в процессе сдачи вступительных экзаменов определяется, станет ли он студентом. существует две альтернативы, изображенные дугами:

1. Он поступает на очное отделение и учится в течение 5 лет (дуга: "обучение в вузе").

2. Он не поступает и сразу оказывается в точке бифуркации: "выбор места работы".

Рисунок 1. 4. Классическое дерево вероятностей

После окончания учебы выпускник, т.е. молодой специалист, также оказывается в точке бифуркации: "выбор места работы". Однако, не смотря на то, что у людей с высшим образованием и без него точки бифуркации "выбор места работы" совпадают по названию, по содержанию они существенно отличаются, из-за чего, собственно, на диаграмме и изображено два различных состояния с таким названием. Дело в том, что возможности выбора места работы самым существенным образом зависят от пути по которому человек перешел в данную точку бифуркации, т.е. зависят от его предыстории: множество альтернатив, доступных для человека без высшего образования в данной точке бифуркации, является подмножеством альтернатив, доступных для человека с высшим образованием.

Глубокую аналогию можно провести между рассмотренным примером поведения активной системы "человек" и квантовым движением микрообъекта, движение которого осуществляется путем чередования редуцированных и квантовых состояний. В соответствии с соотношением неопределенностей Гейзенберга в редуцированном состоянии определенными являются координаты квантового объекта, но неопределенным направление и скорость движения, а в виртуальном, наоборот, определенными являются направление и скорость движения, но неопределенными координаты. Это означает, что редуцированные состояния можно изобразить точками бифуркаций на "дереве вероятностей", а виртуальные, соответственно, дугами. В редуцированном состоянии как бы определяется направление будущего перемещения, а в виртуальном – реализуется это решение. Для человека в редуцированных состояниях точно известно, кем он является в настоящее время, но неизвестно кем он может стать в будущем, а в виртуальных, наоборот, его текущее состояние не фиксировано, т.е. он находится "в стадии трансформации", зато известно кем он станет в результате этой трансформации. Эта глубокая аналогия позволяет выдвинуть гипотезу, что развитие человека можно представить как его движение в некотором абстрактном фазовом суперпространстве развития.

Естественно, реальная система управления должна устойчиво управлять объектом управления не только на "детерминистских" участках его истории, но и в точках, в которых его дальнейшее поведение становится в высокой степени неопределенным и непредсказуемым. Отметим, что классический подход к управлению ориентирован именно на управление системами на детерминистских участках их эволюции, когда объект управления в течение длительного времени можно с достаточной точностью рассматривать как лишенный внутренней активности и обоснованно абстрагироваться от того, что это в общем случае не так.

Однако в ряде случаев, такое упрощенное представление об объекте управления является неадекватным и необходимо разрабатывать подходы к управлению системами, в поведении которых существенную роль играет их внутренняя активность, в частном случае - свобода воли.

Плодотворная аналогия движением активных и квантовых систем будет продолжена и развита ниже, т.к. это позволяет открыть много новых для теории автоматизированного управления аспектов исследования активных систем, а также дает надежду на возможность применения в будущем хорошо развитого математического аппарата квантовой теории поля (КТП) для решения задач управления активными объектами

1.4.2. Уровни бифуркаций

Как показано выше, в точке бифуркации принимается решение о дальнейшем пути эволюции системы, а на детерминистском этапе принятое решение реализуется. После окончания реализации принятого решения система опять попадает в состояние бифуркации.

На этом уровне абстрагирования и детализации этап реализации решения представляется однородным и лишенным какой-либо внутренней структуры. Однако при более детальном рассмотрении выясняется, что этап реализации некоторого важного решения (решения 1-го уровня) сам состоит из определенной последовательности этапов, на которых принимаются определенные решения (решения 2-го уровня), вытекающие из решения 1-го уровня и этапов их реализации.

Если продолжить пример, приведенный в предыдущем разделе, то дугу "Процесс обучения в вузе" можно представить в форме последовательности точек бифуркации, соответствующих сдаче сессий. В этих точках бифуркации определяется (принимается решение), будет ли студент обучаться в вузе на следующем семестре или на следующем курсе. Однако само решение о сдаче сессий фактически предопределено поступлением в вуз, т.е. с этой точки зрения является реализацией решения, т.е. детерминистским этапом. Таким образом, классификация того или иного этапа как бифуркационного или детерминистского является в определенной мере относительной.

1.4.3. Снятие неопределенности, как результат передачи информации

Рассмотрим систему: "человек – объект" в точке бифуркации, т.е. в точке, в которой снимается (уменьшается) неопределенность в поведении одного из элементов этой системы. Информация есть количественная мера снятия неопределенности [309], поэтому рассмотрим два основных направления информационных потоков, которые возможны в этой системе:

1. От человека к объекту: "Труд" (управление).

2. От объекта к человеку: "Познание" (идентификация).

В результате труда, который с позиций, развиваемых в данной работе, представляет собой управляющее, по существу информационное, воздействие на предмет труда, снимается неопределенность состояния предмета труда, в результате чего он трансформируется в продукт труда. В результате познания снимается неопределенность наших представлений об объекте познания, т.е. снимается неопределенность в состоянии человека, в результате чего он трансформируется из "незнающего" в "знающего".

Если абстрагироваться от направления потока информации и, соответственно, от того, неопределенность в состоянии какой системы снимается (объекта или человека), то, очевидно, в обоих случаях количество переданной информации является количественной мерой степени снятия неопределенности.

1.4.4. Интерференция последствий выбора в результате одновременного выбора альтернатив. Обобщенное дерево вероятностей. Необходимость разработки системной (эмерджентной) теории информации

Обобщим пример, предложенный в предыдущем разделе и поясним понятие "интерференция последствий выбора". Пусть студент одновременно поступает в два высших учебных заведения и получает два высших образования (сейчас это возможно). По окончании обучения выбор "куда пойти работать" является не простой суммой вариантов выбора по каждой из специальностей, а качественно иным, включающим также новые области, не входящие ни в один из вариантов. Эти новые области его работы образуются за счет того, что свойства, полученные студентом при получении 1-го и 2-го высшего образования, взаимодействуют друг с другом и образуют систему свойств, предоставляющую ему новые возможности, не входящие ни в один из вариантов, взятый сам по себе [140].

Таким образом наблюдается картина последствий, не сводящаяся к простой сумме последствий альтернативных вариантов, т.е. очень напоминающая квантовое физическое явление, которое называется интерференцией плотности вероятности. Это явление безусловно имеет системный характер, т.е. свойства системы в целом не сводится к алгебраической сумме свойств ее частей.

Обобщим классическое дерево вероятностей таким образом, чтобы оно позволяло теоретически отображать явление интерференции альтернатив (рисунок 1.5):

Рисунок 1. 5. Обобщенное дерево вероятностей

В классической теории информации Хартли-Шеннона само понятие информации определяется на основе теоретико-множественных и комбинаторных представлений на основе анализа поведения классического макрообъекта, который может переходить только в четко фиксированные альтернативные редуцированные состояния, например монета может упасть либо на "орел", либо на "решку". Если эти варианты равновероятны, то при реализации одного из них по формуле Хартли мы получаем информацию в 1 бит, при реализации одного из W равновероятных состояний мы получаем информацию I=Log₂W бит, если неравновероятны, то для расчета количества информации используется формула Шеннона.

Однако квантовые объекты могут оказываться одновременно в двух и более альтернативных для классических объектов состояниях. Такие состояния будем называть смешанными.

Например электрон может интерферировать сам на себе, проходя одновременно через две щели [323]. При этом наблюдаются эффекты, не сводящиеся к суперпозиции классических состояний, т.е. имеющие существенно квантовый, системный, эмерджентный, нелинейный характер.

Поэтому классическая теория информации Хартли-Шеннона может быть обобщена путем рассмотрения квантовых объектов в качестве объектов, на основе анализа поведения которых формируется само основополагающее понятие информации. Обобщенную таким образом теорию информации предлагается называть системной или эмерджентной теорией информации.

Основным отличием эмерджентной теории информации от классической является учет свойства системности, как фундаментального и универсального свойства всех объектов, на уровне самого понятия информации, а не только в последующем изложении, как в классической теории.

Достаточно рассмотреть квантовое обобщение теории Хартли, т.к. путь вывода теории Шеннона из теории Хартли широко известен.

Ричард Фейнман в основополагающей работе "Характер физических законов" [323] рассматривает пример интерференции электрона на двух щелях, причем наблюдается это процесс с помощью Комптон-эффекта, т.е. путем рассеяния фотонов на электроне. При этом электрон всегда наблюдается в форме объекта с размером порядка длины волны света, и как выяснилось, его свойства самым существенным образом зависят от его наблюдаемого, а значит и фактического размера. Мы не будем детально приводить известную аргументацию Р.Фейнмана и коснемся лишь моментов, играющих ключевую роль в квантовом (системном) обобщении понятия "информация".

Когда длина волны фотонов меньше расстояния между щелями, то видно, как электрон проходит через одну из щелей. В этом случае за ней наблюдается классическое распределение N₁₂, являющееся простой суммой распределения N₁, и распределения N₂, полученных соответственно от щелей 1 и 2 (рисунок 1.6).

Если как N₁(x) обозначить количество электронов, прошедших через щель №1 и попавших на экран в точке с координатой x, а как N₂(x) – количество электронов, прошедших через щель №2, то в классическом случае результирующее распределение N₁₂(x) является простой суммой двух исходных распределений:

(1. 1)

Когда длина волны фотонов порядка расстояния между щелями или больше, то видно, как он проходит через экран "накрывая" обе щели одновременно. В этом случае за ними наблюдается сложная интерференционная картина, нисколько не напоминающая сумму или суперпозицию классических распределений за 1-й и 2-й щелями, т.е. не являющуюся их суммой (рисунок 1.7):


Рисунок 1. 6. Классический объект, интерференции нет	Рисунок 1. 7. Квантовый объект, интерференция есть

Введем следующие обозначения:

a₁(x) – амплитуда вероятности попадания электрона в точку x экрана через отверстие 1;

a₂(x) – амплитуда вероятности попадания электрона в точку x экрана через отверстие 2.

a₁₂(x) – амплитуда вероятности попадания электрона в точку x экрана через отверстия 1 и 2 одновременно.

Тогда:

(1. 2)

откуда:

(1. 3)

Сравнивая выражения (1.1) и (1.3) видим, что квантовый эффект прохождения электрона через две щели одновременно приводит к появлению дополнительного слагаемого. Это дополнительное слагаемое учитывает системный эффект состоящий в том, что состояния объекта, в классической теории считавшиеся альтернативными, т.е. одновременно не реализуемыми ни при каких условиях, в квантовой теории таковыми не являются и могут осуществляться одновременно, что приводит к возможности нахождения объекта в смешанных состояниях.

Если вероятность прохождения электрона через каждую из W щелей одинакова, то по классической теории Хартли в самом факте пролета электрона через одну из щелей содержится количество информации:

(1. 4)

где W – количество щелей, или, в общем случае, классических состояний объекта.

В соответствии с концепцией эмерджентной теорией информации предлагается ввести в это выражение параметр j, учитывающий квантовые системные эффекты, т.е. учитывающих возможность нахождения объекта в смешанных состояниях. В результате количество состояний объекта возрастает и, следовательно, так же возрастает и количество информации, которое мы получаем, когда узнаем, что он перешел в одно из этих состояний:

(1. 5)

где j – степень эмерджентности системы (синоним: уровень системности объекта), в частности:

Для деструктивных систем свойства целого меньше свойств частей, для классических систем они совпадают, для синтетических систем свойства целого больше свойств частей и не сводятся к ним.

На первый взгляд можно было бы просто увеличить количество состояний системы W за счет учета смешанных состояний. Однако этот путь не удовлетворяет известному принципу соответствия, который в данном контексте требует, чтобы в предельном случае более общая теория переходила в уже известную классическую.

Здесь уместно привести теорему, впервые доказанную известным кибернетиком У.Эшби: у системы тем больше возможностей в выборе поведения, чем сильнее степень согласованности поведения ее частей (т.е. в чем большей степени ее можно назвать системой, авт.).

Теорема Эшби описывает систему в точке бифуркации, причем по сути он при этом использует понятие "степень эмерджентности объекта", хотя в явном виде и не вводит его. Более того, он указывает на источник эмерджентности: – взаимодействие частей и связывает уровень системности или уровень системной организации с степенью взаимодействия этих частей.

В теории информации есть теорема, доказывающая, что энтропия системы в целом меньше суммы энтропий ее частей на величину взаимной информации частей друг о друге. Таким образом, можно утверждать, что способность системы к выбору прямо пропорциональная степени ее эмерджентности и самым непосредственным образом связана с ее способностью противостоять действию закона возрастания энтропии.

Таким образом, и теоретико-информационное рассмотрение сложных активных самоорганизующихся систем, каким является человек и системы с участием человека, и рассмотрение квантовых систем, приводит к необходимости разработки эмерджентной теории информации, в которой используется обобщенное понятие информации, учитывающее эффект системности с помощью коэффициента эмерджентности.

Рассмотрим численный пример вычисления коэффициента эмерджентности для простого случая, когда все рассматриваемые места работы равновероятны. Пусть количество мест, куда может пойти работать выпускник после получения 1-й специальности будет равно: W₁=6, после получения 2-й специальности: W₂=10, а при одновременном получении обоих специальностей дополнительно появляется еще DW=16 мест работы, откуда:

W₃= W₁+W₂+DW =32

(1. 6)

Сравнивая выражения (1.6) и (1.3) видим, что новые дополнительные состояния, образующиеся за счет квантовых и системных эффектов, математически в теории информации и квантовой механике учитываются совершенно аналогично.

Тогда в 1-м случае, если мы узнаем, что выпускник устроился на определенное место работы, то мы получаем

I₁=Log₂W₁»2,58 бит

информации, во 2-м случае, соответственно:

I₂=Log₂W₂»3,32 бита

Но в 3-м случае мы получаем не

I₃=Log₂(W₁+W₂)=4 бита,

как можно было бы ожидать, если бы не было интерференции последствий, т.е. системного эффекта, а:

I₃=Log₂W₃=5 бит.

(1. 7)

т.е. на 1 бит больше. Таким образом, при наблюдении за поведением объектов, при рассмотрении их как элементов некоторой системы, мы получаем больше информации, чем при рассмотрении их как автономных объектов, т.е. вне системы, даже при том же их поведении. Это можно объяснить тем, что дополнительная информация – это и есть информация о системе, о том, как она влияет на повеление своего элемента.

16 дополнительных состояний (мест работы) выпускника в 3-м случае образовались за счет системного эффекта (эмерджентности) и являются "смешанными", образующимися за счет одновременного наличия у выпускника свойств, полученных при окончании и 1-й, и 2-й специальности, поэтому, учитывая выражения (1.5) и (1.6), получаем:

I₃=Log₂W₃= Log₂(W₁+W₂)^j

Откуда:

Следовательно, одновременное окончание двух специальностей в рассмотренном случае дает системный эффект 1,25.

Таким образом, предлагаемый концептуальный подход к построению эмерджентной теории информации позволяет количественно учитывать системный эффект или эмерджентность непосредственно на уровне самого понятия "информация", что имеет важное значение для науки и практики применения теории информации и системного анализа для управления активными объектами.

1.5. ВЫВОДЫ

1. Активные объекты рассматриваются как объекты принимающие и реализующие решения на основе модели себя (рефлексивность) и окружающей среды, включая управляющую систему. Развитие активных объектов осуществляется путем чередования бифуркационных и детерминистских состояний, т.е. состояний принятия и реализации решений.

2. Проблема управления активными объектами состоит в том, что модель активной системы периодически теряет адекватность при переходе активного объекта через точку бифуркации.

3. Традиционно эта проблема решается путем адаптации модели на основе апостериорной информации. Однако в данном случае этого недостаточно, т.к. необходимо качественное изменение модели, т.е. не адаптация, а синтез. В этой связи предложено уточнение смысла терминов "адаптация" и "синтез" модели: под адаптацией модели понимается количественное изменение параметров модели, уточнение обобщенных образов классов и семантических портретов факторов, а под синтезом – формирование или качественное изменение параметров модели: формирование смысла новых классов и/или учет влияния новых факторов.

4. Предлагаемая концепция решения проблемы состоит в том, чтобы обеспечить периодический синтез модели активной системы в режиме реального времени, для чего необходимо применение системного анализа, как метода познания и инструмента его автоматизации. Для этого необходима разработка методов, обеспечивающих:

– первичный синтез модели предметной области; идентификацию текущего состояния системы как детерминистского или бифуркационного;

– выработку рекомендаций по оказанию управляющих воздействий на АОУ на детерминистском этапе;

– адаптацию модели на детерминистском этапе с учетом информации обратной связи о фактических результатах управления; прогнозирование времени наступления бифуркационного этапа развития АОУ;

– синтез модели после прохождения бифуркационного этапа.

Выработка управления на бифуркационном этапе и сразу после него является существенно не формализуемым процессом, который осуществляется только человеком. Основная причина этого состоит в том, что после прохождения системой точки бифуркации, по сути дела, необходимо заново познавать закономерности ее поведения на очередном детерминистском этапе. Поэтому задача состоит в том, чтобы максимально облегчить для человека процесс познания предметной области, создав для этого наиболее комфортные информационные и функциональные условия, предоставив ему инструмент, т.е. средство труда, берущее на себя некоторые рутинные операции, выполняемые человеком в процессе мышления. При этом мышление рассматривается как процесс познания. Сделать это предлагается путем разработки математических моделей, алгоритмов и реализующего их специального программного обеспечения, берущего на себя основные познавательные (т.е. когнитивные) операции, выполняемые человеком при системном познании предметной области.

5. Предложена структура рефлексивной АСУ активными объектами, включающая двухуровневую модель активного объекта управления, классификацию факторов и будущих состояний объекта управления.

Двухуровневая модель активного объекта управления предполагает два типа управляющих воздействий:

– информационное (мета-управляющее) воздействие на интеллектуальную информационную систему активного объекта управления;

– энергетическое (силовое) воздействие на сложную систему поддержки функций интеллектуальной информационной системы активного объекта управления.

Классификация факторов, включает:

– факторы, характеризующие активный объект управления в его прошлых и текущем состояниях, в том числе факторы, характеризующие его как активную, рефлексивную систему;

– управляющие факторы;

– факторы окружающей среды.

Будущие состояния активного объекта управления, классифицируются как целевые и нежелательные с позиций управляющей системы и самого активного объекта управления. В общем случае эти классификации не совпадают.

6. Показано, что в рефлексивных АСУ активными объектами информационное мета-управление активным объектом состоит в коррекции его целей и мотиваций в направлении сближения его целей с целями управляющей системы.

7. Основной вывод по результатам 1-й главы состоит в том, что автоматизация когнитивных операций системного анализа – это путь решения исследуемой проблемы. Для этого предлагается структурировать системный анализ до уровня базовых когнитивных операций, а затем разработать математическую модель, алгоритмы и структуры данных для базовых когнитивных операций, а также создать реализующую их специальную программную систему и разработать технологию ее применения.

8. Таким образом, целью работы является разработка методологии, математической модели и численного метода, соответствующего специального программного инструментария АСК-анализа, технологии и методики его применения для управления активными объектами.

9. Для достижения цели в данной работе решаются задачи:

1) разработка схемы СА, ориентированного на интеграцию с когнитивными технологиями;

3) разработка математической модели АСК-анализа;

6) разработка методологии, технологии и методики синтеза рефлексивных АСУ активными объектами;

ГЛАВА 2. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ АСК-АНАЛИЗА

В данной главе системный анализ рассматривается как метод познания, предлагается схема детализированного системного анализа и когнитивная концепция формализации базовых когнитивных операций, анализируется место базовых когнитивных операций в системном анализе и предлагается схема системно-когнитивного анализа.

2.1. СИСТЕМНЫЙ АНАЛИЗ, КАК МЕТОД ПОЗНАНИЯ

2.1.1. Принципы системного анализа

Системный анализ – это есть не набор каких-то руководств или принципов для управляющих, это способ мышления по отношению к организации и управлению. Системный анализ используется в тех случаях, когда стремятся исследовать объект с разных сторон, комплексно. Наиболее распространенным направлением системных исследований считается системный анализ, под которым понимают методологию решения сложных задач и проблем, основанную на концепциях, разработанных в рамках теории систем. Системный анализ определяется и как "приложение системных концепций к функциям управления, связанным с планированием", или даже со стратегическим планированием и целевой стадией планирования.

Термин "системный анализ" впервые появился в 1948 г. в работах корпорации RAND в связи с задачами внешнего управления, а в отечественной литературе широкое распространение получил после перевода книги С. Оптнера [220]. Дальнейшее развитие системный анализ получил в трудах зарубежных и отечественных ученых: Гэйна К., Сарсона Т., Клиланда Д., Кинга В. [108], Перегудова Ф.И., Тарасенко Ф.П. [334], Юдина Б. Г. [357], Валуева С.А. [37], Губанова В.А., Захарова В.В., Коваленко А.Н. [65], Кафарова В.В., Дорохова И.Н., Маркова Е.П. [100], Мисюра Я.С., Купрюхина А.И., Дубенчака Г.И., Джагарова Ю.А. Дубенчака В.Е. [234].

Во многих работах системный анализ развивается применительно к проблеме планирования и управления в период усиления внимания к программно-целевым принципам. В планировании термин "системный анализ" был практически неотделим от терминов "целеобразование", "программно-целевое планирование". Для исследования этих вопросов пока еще почти нет формализованных средств: имеются методики, обеспечивающие полноту расчленения системы на части, но почти нет работ, в которых исследовалось бы, как при расчленении на части не утратить целого.

Понимая недостаточность и необходимость разработки средств декомпозиции и сохранения целостности, в последнее время часто возвращаются к определению системного анализа как формализованного здравого смысла, к пониманию системного анализа как искусства.

Системный анализ основывается на следующих принципах:

1) единства – совместное рассмотрение системы как единого целого и как совокупности частей;

2) развития – учет изменяемости системы, ее способности к развитию, накапливанию информации с учетом динамики окружающей среды;

3) глобальной цели – ответственность за выбор глобальной цели. Оптимум подсистем не является оптимумом всей системы;

4) функциональности – совместное рассмотрение структуры системы и функций с приоритетом функций над структурой;

5) децентрализации – сочетание децентрализации и централизации;

6) иерархии – учет соподчинения и ранжирования частей;

7) неопределенности – учет вероятностного наступления события;

8) организованности – степень выполнения решений и выводов.

Сущность системного подхода формулировалась многими авторами. В развернутом виде она сформулирована Афанасьевым В.Н., Колмановским В.Б. и Носовым В.Р., определившими ряд взаимосвязанных аспектов, которые в совокупности и единстве составляют системный подход [12]:

– системно-элементный, отвечающий на вопрос, из чего (каких компонентов) образована система;

– системно-структурный, раскрывающий внутреннюю организацию системы, способ взаимодействия образующих ее компонентов;

– системно-функциональный, показывающий, какие функции выполняет система и образующие ее компоненты;

– системно-коммуникационный, раскрывающий взаимосвязь данной системы с другими как по горизонтали, так и по вертикали;

– системно-интегративный, показывающий механизмы, факторы сохранения, совершенствования и развития системы;

– системно-исторический, отвечающий на вопрос, как, каким образом возникла система, какие этапы в своем развитии проходила, каковы ее исторические перспективы.

Быстрый рост современных организаций и уровня их сложности, разнообразие выполняемых операций привели к тому, что рациональное осуществление функций руководства стало исключительно трудным делом, но в тоже время еще более важным для успешной работы предприятия. Чтобы справится с неизбежным ростом числа операций и их усложнением, крупная организация должна основывать свою деятельность на системном подходе. В рамках этого подхода руководитель может более эффективно интегрировать свои действия по управлению организацией.

Системный подход способствует, как уже говорилось, главным образом выработке правильного метода мышления о процессе управления. Руководитель должен мыслить в соответствии с системным подходом. При изучении системного подхода прививается такой образ мышления, который, с одной стороны, способствует устранению излишней усложненности, а с другой – помогает руководителю уяснять сущность сложных проблем и принимать решения на основе четкого представления об окружающей обстановке. Важно структурировать задачу, очертить границы системы. Но столь же важно учесть, что системы, с которыми руководителю приходится сталкиваться в процессе своей деятельности, являются частью более крупных систем, возможно, включающих всю отрасль или несколько, порой много, компаний и отраслей промышленности, или даже все общество в целом. Далее следует сказать, что эти системы постоянно изменяются: они создаются, действуют, реорганизуются и, бывает, ликвидируются.

Принципиальной особенностью системного анализа является использование методов двух типов – формальных и неформальных (качественных, содержательных).

Методика системного анализа разрабатывается и применяется в тех случаях, когда у лиц, принимающих решения, на начальном этапе нет достаточных сведений о проблемной ситуации, позволяющих выбрать метод ее формализованного представления, сформировать математическую модель или применить один из новых подходов к моделированию, сочетающих качественные и количественные приемы. В таких условиях может помочь представление объектов в виде систем, организация процесса принятия решения с использованием разных методов моделирования.

Для того чтобы организовать такой процесс, нужно определить последовательность этапов, рекомендовать методы для выполнения этих этапов, предусмотреть при необходимости возврат к предыдущим этапам. Такая последовательность определенным образом выделенных и упорядоченных этапов с рекомендованными методами или приемами их выполнения представляет собой методику системного анализа.

Таким образом, методика системного анализа разрабатывается для того, чтобы организовать процесс принятия решения в сложных проблемных ситуациях. Она должна ориентироваться на необходимость обоснования полноты анализа, формирование модели принятия решения, адекватно отображать рассматриваемый процесс или объект.

Одной из принципиальных особенностей системного анализа, отличающей его от других направлений системных исследований, является разработка и использование средств, облегчающих формирование и сравнительный анализ целей и функций систем управления. Вначале методики формирования и исследования структур целей базировались на сборе и обобщении опыта специалистов, накапливающих этот опыт на конкретных примерах. Однако в этом случае невозможно учесть полноту получаемых данных.

Таким образом, основной особенностью методик системного анализа является сочетание в них формальных методов и неформализованного (экспертного) знания. Последнее помогает найти новые пути решения проблемы, не содержащиеся в формальной модели, и таким образом непрерывно развивать модель и процесс принятия решения, но одновременно быть источником противоречий, парадоксов, которые иногда трудно разрешить. Поэтому исследования по системному анализу начинают все больше опираться на методологию прикладной диалектики.

С учетом вышесказанного в определении системного анализа нужно подчеркнуть, что системный анализ:

– применяется для решения таких проблем, которые не могут быть поставлены и решены отдельными методами математики, т.е. проблем с неопределенностью ситуации принятия решения, когда используют не только формальные методы, но и методы качественного анализа ("формализованный здравый смысл"), интуицию и опыт лиц, принимающих решения;.

– объединяет разные методы с помощью единой методики; опирается на научное мировоззрение;

– объединяет знания, суждения и интуицию специалистов различных областей знаний и обязывает их к определенной дисциплине мышления;

– уделяет основное внимание целям и целеобразованию.

Приведенная характеристика научных направлений, возникших между философией и узкоспециальными дисциплинами, позволяет расположить их примерно в следующем порядке: философско-методологичекие дисциплины, теория систем, системный подход, системология, системный анализ, системотехника, кибернетика, исследование операций, специальные дисциплины.

Системный анализ расположен в середине этого перечня, так как он использует примерно в одинаковых пропорциях философско-методологические представления (характерные для философии, теории систем) и формализованные методы и модели (что характерно для специальных дисциплин).

Системология и теория систем по сравнению с системным анализом больше пользуются философскими понятиями и качественными представлениями и ближе к философии. Исследование операций, системотехника, напротив, имеют более развитый формальный аппарат, но менее развитые средства качественного анализа и постановки сложных задач с большой неопределенностью и с активными элементами.

Рассматриваемые научные направления имеют много общего. Необходимость в их применении возникает в тех случаях, когда проблема (задача) не может быть решена методами математики или узкоспециальных дисциплин. Несмотря на то, что первоначально направления исходили из разных основных понятий (исследование операций – из понятия "операция"; кибернетика – из понятий "управление", "обратная связь", "системный анализ", теория систем, системотехника; системология – из понятия "система"), в дальнейшем направления оперируют со многими одинаковыми понятиями – элементы, связи, цели и средства, структура и др.

Разные направления пользуются также одинаковыми математическими методами. В то же время есть между ними и отличия, которые обусловливают их выбор в конкретных ситуациях принятия решений. В частности, основными специфическими особенностями системного анализа, отличающими его от других системных направлений, являются:

– наличие, средств для организации процессов целе-образования, структуризации и анализа целей (другие системные направления ставят задачу достижения целей, разработки вариантов пути их достижения и выбора наилучшего из этих вариантов, а системный анализ рассматривает объекты как системы с активными элементами, способные и стремящиеся к целеобразованию, а затем уже и к достижению сформированных целей);

– разработка и использование методики, в которой определены этапы, подэтапы системного анализа и методы их выполнения, причем в методике сочетаются как формальные методы и модели, так и методы, основанные на интуиции специалистов, помогающие использовать их знания, что обусловливает особую привлекательность системного анализа для решения экономических проблем.

2.1.2. Методы системного анализа

Рассмотрим основные методы, направленные на использование интуиции и опыта специалистов, а также методы формализованного представления систем [234].

Метод "мозговой атаки"

Методы данного типа преследуют основную цель – поиск новых идей, их широкое обсуждение и конструктивную критику. Основная гипотеза заключается в предположении, что среди большого числа идей имеются по меньшей мере несколько хороших. При проведении обсуждений по исследуемой проблеме применяются следующие правила:

1) сформулировать проблему в основных терминах, выделив единственный центральный пункт;

2) не объявлять идею ложной и не прекращать исследование ни одной идеи;

3) поддерживать идею любого рода, даже если ее уместность кажется вам в данное время сомнительной;

4) оказывать поддержку и поощрение, чтобы освободить участников обсуждения от скованности.

При всей кажущейся простоте данные обсуждения дают неплохие результаты.

Метод экспертных оценок

Основа этих методов – различные формы экспертного опроса с последующим оцениванием и выбором наиболее предпочтительного варианта. Возможность использования экспертных оценок, обоснование их объективности базируется на том, что неизвестная характеристика исследуемого явления трактуется как случайная величина, отражением закона распределения которой является индивидуальная оценка эксперта о достоверности и значимости того или иного события. При этом предполагается, что истинное значение исследуемой характеристики находится внутри диапазона оценок, полученных от группы экспертов и что обобщенное коллективное мнение является достоверным. Наиболее спорным моментом в данных методиках является установление весовых коэффициентов по высказываемым экспертами оценкам и приведение противоречивых оценок к некоторой средней величине. Данная группа методов находит широкое применение в социально-экономических исследованиях.

Метод "Делъфи"

Первоначально метод "Дельфи" был предложен как одна из процедур при проведении мозговой атаки и должен был помочь снизить влияние психологических факторов и повысить объективность оценок экспертов. Затем метод стал использоваться самостоятельно. Его основа – обратная связь, ознакомление экспертов с результатами предшествующего тура и учет этих результатов при оценке значимости экспертов.

Метод "дерева целей"

Термин "дерево" предполагает использование иерархической структуры, полученной путем разделения общей цели на подцели. Для случаев, когда древовидный порядок строго по всей структуре не выдерживается, В. И. Глушков ввел понятие "прогнозного графа". Метод "дерева целей" ориентирован на получение относительно устойчивой структуры целей проблем, направлений. Для достижения этого при построении первоначального варианта структуры следует учитывать закономерности целеобразования и использовать принципы формирования иерархических структур.

Морфологические методы

Основная идея морфологического подхода – систематически находить все возможные варианты решения проблемы путем комбинирования выделенных элементов или их признаков. В систематизированном виде метод морфологического анализа был впервые предложен Ф. Цвикки и часто так и называется "метод Цвикки" [234]. Известны три основные схемы метода:

– метод систематического покрытия поля, основанный на выделении так называемых опорных пунктов знаний в исследуемой области и использование для заполнения поля некоторых сформулированных принципов мышления;

– метод отрицания и конструирования, который заключается в формулировке некоторых предположений и замене их на противоположные с последующим анализом возникающих несоответствий;

– метод морфологического ящика, который состоит в определении всех возможных параметров, от которых может зависеть решение проблемы. Выявленные параметры формируют матрицы, содержащие все возможные сочетания параметров по одному из каждой строки с последующим выбором наилучшего сочетания.

Одна из наиболее полных классификаций, базирующаяся на формализованном представлении систем, т.е. на математической основе, включает следующие методы:

– аналитические (методы как классической математики, так и математического программирования);

– статистические (математическая статистика, теория вероятностей, теория массового обслуживания);

– теоретико-множественные, логические, лингвистические, семиотические (рассматриваемые как разделы дискретной математики);

– графические (теория графов и пр.).

Классу плохо организованных систем соответствует в данной классификации статистические представления. Для класса самоорганизующихся систем наиболее подходящими являются модели дискретной математики и графические модели, а также их комбинации.

Прикладные классификации ориентированы на экономико-математические методы и модели и в основном определяются функциональным набором задач, решаемых системой.

2.1.3. Этапы системного анализа (по Перегудову и Тарасенко, Лийву, Спицнаделю, Симанкову, Казиеву) и вопросы его детализации

Ведущие зарубежные Акофф Р. [5], Бир С., Винер Р.[44], Месарович М., Мако Д., Такахара И. [190. 191], Оптнер С.Л. [220], Черчмен У., Эшби У.Р. [356], Янг С. [363], и отечественные ученые в области системного анализа Ф.И.Перегудов, Ф.П.Тарасенко [234], В.С.Симанков [271], Э.Х.Лийв [132], В.Н.Спицнадель [298], предлагают несколько отличающиеся друг от друга схемы основных этапов системного анализа.

Отечественные классики в области системного анализа Ф.И.Перегудов и Ф.П.Тарасенко считают [234], что системный анализ не может быть полностью формализован. Ими предложена схема неформализованных этапов системного анализа, представленная на рисунке 2.1:

Рисунок 2. 1. Неформализуемые этапы системного анализа
по Ф.И.Перегудову и Ф.П.Тарасенко [234 ]

Однако, в утверждении этих авторов есть некоторый смысловой парадокс, состоящий в том, что предложенная ими схема, приведенная на рисунке 2.1, сама может рассматриваться как первый шаг на пути формализации представленных на ней этапов системного анализа в форме алгоритма:

1. Определение конфигуратора.

2. Постановка проблемы – отправной момент исследования. В исследовании сложной системы ему предшествует работа по структурированию проблемы.

3. Расширение проблемы до проблематики, т.е. нахождение системы проблем, существенно связанных с исследуемой проблемой, без учета которых она не может быть решена.

4. Выявление целей: цели указывают направление, в котором надо двигаться, чтобы поэтапно решить проблему.

5. Формирование критериев. Критерий – это количественное отражение степени достижения системой поставленных перед ней целей. Критерий –это правило выбора предпочтительного варианта решения из ряда альтернативных. Критериев может быть несколько. Многокритериальность является способом повышения адекватности описания цели. Критерии должны описать по возможности все важные аспекты цели, но при этом необходимо минимизировать число необходимых критериев.

6. Агрегирование критериев. Выявленные критерии могут быть объединены либо в группы, либо заменены обобщающим критерием.

7. Генерирование альтернатив и выбор с использованием критериев наилучшей из них. Формирование множества альтернатив является творческим этапом системного анализа.

8. Исследование ресурсных возможностей, включая информационные потоки и ресурсы.

9. Выбор формализации (построение и использование моделей и ограничений) для решения проблемы.

10. Оптимизация (для простых систем).

11. Декомпозиция.

12. Наблюдение и эксперименты над исследуемой системой.

13. Построение системы.

14. Использование результатов проведенного системного исследования.

Чтобы облегчить выбор методов в реальных условиях принятия решения, необходимо разделить методы на группы, охарактеризовать особенности этих групп и дать рекомендации по их использованию при разработке моделей и методик системного анализа.

Как уже отмечалось, специфической особенностью системного анализа является сочетание качественных и формальных методов. Такое сочетание составляет основу любой используемой методики. Различные схемы системного анализа, предлагаемые ведущими учеными в этой области (Оптнер С.Л., Янг С., Федоренко Н.П., Никаноров С.П., Черняк Ю.И., Перегудов Ф.И., Тарасенко Ф.П., Симанков В.С., Казиев В.М., Лийв Э.Х.) сведены в таблице 2.1:

Таблица 2. 1 – ЭТАПЫ СИСТЕМНОГО АНАЛИЗА СОГЛАСНО РАЗЛИЧНЫМ АВТОРАМ

Раскроем подробнее содержание основных этапов системного анализа по В.С.Симанкову [271], которым предложена, по-видимому, наиболее детализированная на данный момент иерархическая структуризация системного анализа в виде IDEF0-диаграмм (рисунок 2.2):

Рисунок 2. 2. Основные этапы системного анализа по В.С.Симанкову [271]

Важным достоинством IDEF0-диаграмм является возможность наглядно графически отобразить не только сами этапы системного анализа в их взаимосвязи, но и показать различные виды ресурсного обеспечения для реализации этих этапов (информационные, кадровые и др.), а также дать развернутую характеристику каждого этапа по его входу и выходу.

Этап исследования системы представляется в виде IDEF0 диаграммы, приведенной на рисунке 2.3.

Рисунок 2. 3. Этап СА "Исследование системы" по В.С.Симанкову [271]

Этап моделирования представляется в виде IDEF0 диаграммы, приведенной на рисунке 2.4:

Рисунок 2. 4. Этап СА "Моделирование систем" по В.С.Симанкову [271]

В соответствии с общим алгоритмом системного анализа (рисунок 2.2) этап синтеза системы управления представляется в виде следующей IDEF0 диаграммы (рисунке 2.5):

Рисунок 2. 5. Этап СА "Синтез системы управления" по В.С.Симанкову [271]

В соответствии с общим алгоритмом системного анализа (рисунок 2.2) этап синтеза системы, представляется в виде IDEF0-диаграмм, приведенных на рисунках 2.6 – 2.9:

Рисунок 2. 6. Этап СА "Синтез системы" по В.С.Симанкову [271]

Рисунок 2. 7. Этап СА "Синтез альтернативных вариантов"
по В.С.Симанкову [271]

Рисунок 2. 8. Этап СА "Определение ресурсов" по В.С.Симанкову [271]

Рисунок 2. 9. Этап СА "Выбор системы" по В.С.Симанкову [271]

В соответствии с общим алгоритмом системного анализа (рисунок 2.2) этап реализации и развития системы, является завершающим. Он представляется в виде IDEF-диаграммы, приведенной на рисунке 2.10.

Рисунок 2. 10. Этап СА "Реализация и развитие системы"
по В.С.Симанкову [271]

Работы по детализации системного анализа вдохновлялись надеждой на то, что более мелкие этапы легче автоматизировать. Отчасти этой надежде суждено было осуществиться. Но парадокс этого пути автоматизации системного анализа, который оправданно было бы назвать путем "максимальной детализации" состоит в том, что на пути "максимальной детализации" сама автоматизация системного анализа велась не системно: т.е. различные мелкие этапы СА автоматизировались различными не связанными друг с другом группами ученых и разработчиков, которые исходили при этом из своих целей, научных интересов и возможностей.

В результате на данный момент сложилась следующая картина:

– не все этапы системного анализа автоматизированы;

– для автоматизации различных этапов системного анализа применяются различные математические модели и теории, с применением различных инструментальных средств и на различных платформах созданы различные программные системы, не связанные друг с другом и не образующие единого инструментального комплекса;

– как правило эти программные системы имеют специализированный характер, т.е. автоматизируют отдельные этапы системного анализа не в универсальной форме, а лишь в одной конкретной предметной области.

Поэтому автор считает, что "максимальная детализация системного анализа" – не самоцель, т.е. бессмысленна "детализация ради детализации". Безусловно данное направление представляет интерес в научном плане, однако, по-видимому, не перспективно как путь автоматизации системного анализа, т.к. будучи изначально предназначено для облегчения процесса его автоматизации на деле оно фактически лишь усложнило решение этой задачи.

Таким образом, из приведенных детализированных схем этапов и процедур системного анализа очевидно, что на всех этапах широко используются когнитивные операции, т.е. операции, связанные с познанием предметной области и объекта управления и с созданием их идеальной модели. Поэтому в данной работе предлагается иной путь автоматизации системного анализа состоящий не в его максимальной детализации, а в интеграции с когнитивными технологиями путем структурирования по когнитивным операциям.

2.1.4. Этапы когнитивного анализа (по Максимову и Корноушенко)

Рассмотрим этапы когнитивного анализа в варианте, предлагаемом ведущими отечественными учеными в этой области В.И.Максимов, Е.К.Корноушенко, Гребенюк Е.А., Григорян А.К. [62, 64] (рисунок 2.11):

Рисунок 2. 11. Этапы когнитивного анализа по В.И.Максимову и Е.К.Корноушенко [62, 64]

В этой связи необходимо также отметить работы Казиева В.М., С.В.Качаева , А.А.Кулинич, А.Н.Райкова, Д.И.Макаренко, С.В.Ковриги, Е.А.Гребенюка, А.К.Григоряна в области когнитивного анализа [62, 64, 94, 171, 172, 175–177, 255–258].

Если проанализировать перечисленные методы системного анализа, то можно сделать основополагающий для данного исследования вывод о том, что все они самым существенным образом так или иначе основаны на процессах познания предметной области.

Поэтому как одно из важных и перспективных направлений автоматизации системного анализа предлагается рассматривать автоматизацию когнитивных операций системного анализа. Чтобы выявить эти операции и определить их место и роль в процессах познания, рассмотрим базовую когнитивную концепцию.

2.1.5. Предлагаемая обобщенная схема системного анализа, ориентированного на интеграцию с когнитивными технологиями

Сопоставительный анализ приведенных в таблице 2.1 схем системного и когнитивного анализа, а также анализ иерархической схемы детализированного системного анализа, предложенной В.С.Симанковым [271], показывает, что они во многом взаимно дополняют друг друга. Это является основанием для их объединения в одной схеме. С учетом этого, а также модели реагирования открытых систем на вызовы среды, предложенной В.Н.Лаптевым [122] (рисунок 2.12), нами предложена схема системного анализа, ориентированного на интеграцию с когнитивными технологиями, представленная на рисунке 2.13.

Рисунок 2. 12. Схема реагирования открытой систем
на вызовы среды по В.Н.Лаптеву [122]

В данной схеме отражены следующие этапы реагирования:

– идентификация текущего состояния системы как детерминистского (типового) или бифуркационного (нетипичного, качественно-нового);

– если ситуация типовая, то выработка рекомендаций по управлению стандартным (формализованным) путем, за которым следует переход системы в предусмотренное состояние и уточнение правил принятия решения на основе информации обратной связи о степени успешности управления (адаптация модели);

– если ситуация качественно-новая, то осуществляется неформализованный поиск нового нестандартного решения;

– если нестандартное решение удачно, то, происходит переход системы в качественно-новое состояние, а само решение формализуется и становится типовым (синтез модели), т.е. передается в будущие состояния, в противном случае система гибнет.

Рисунок 2. 13. Схема системного анализа, ориентированного
на интеграцию с когнитивными технологиями

2.2. КОГНИТИВНАЯ КОНЦЕПЦИЯ И СИНТЕЗ КОГНИТИВНОГО КОНФИГУРАТОРА

2.2.1. Понятие когнитивного конфигуратора и необходимость естественнонаучной (формализуемой) когнитивной концепции

В данном разделе приводится когнитивная концепция, разработанная автором исследования в 1998 году [156], с учетом двух основных требований:

1. Адекватное отражение в когнитивной концепции реальных процессов, реализуемых человеком в процессах познания.

2. Высокая степень приспособленности когнитивной концепции для формализации в виде достаточно простых математических и алгоритмических моделей, допускающих прозрачную программную реализацию в автоматизированной системе.

Определение понятия конфигуратора

Понятие конфигуратора, по-видимому, впервые предложено В.А.Лефевром [131], хотя безусловно это понятие использовалось и раньше, но, во-первых, оно не получало самостоятельного названия, а, во-вторых, использовалось в частных случаях и не получало обобщения. Под конфигуратором В.А.Лефевр понимал минимальный полный набор понятийных шкал или конструктов, достаточный для адекватного описания предметной области.

Примеры конфигураторов (с учетом [234]):

1. Декартова система координат является исторически первым геометрическим конфигуратором, позволяющим построить аналитическую геометрию реального 3-х мерного пространства. Позже были предложены сферические, цилиндрические и другие системы координат, также позволяющие решать эту задачу.

2. Фундаментальные понятия классической механики (координаты в пространстве-времени, скорость, ускорение, перемещение, вращение, масса, энергия, импульс, сила) образуют "классический механический конфигуратор", обеспечивающий адекватное описание макроскопических классических механических явлений. Обобщениями классического механического конфигуратора являются квантовый и релятивистский конфигураторы.

3. Профессиограммы, включающие качества личности с количественной оценкой их важности для успешности профессиональной деятельности по тем или иным направлениям. При этом качества, не играющие роль в профессиограмму не входят. Таким образом, профессиограмму можно определить как "профессиональный конфигуратор личности".

Понятие когнитивного конфигуратора

В исследованиях по когнитивной психологии изучается значительное количество различных операций, связанных с процессом познания [231, 289, 330]. Однако, насколько известно из литературы, психологами не ставился вопрос о выделении из всего множества когнитивных операций такого минимального (базового) набора наиболее элементарных из них, из которых как составные могли бы строится другие операции. Ясно, что для выделения таких базовых когнитивных операций (БКО) необходимо построить их иерархическую систему, в фундаменте которой будут находится наиболее элементарные из них, на втором уровне – производные от них, и т.д. Таким образом, под когнитивным конфигуратором будем понимать минимальный полный набор базовых когнитивных операций, достаточный для представления различных процессов познания.

Когнитивные концепции и операции

Проведенный анализ когнитивных концепций показал, что они разрабатывались ведущими психологами (Пиаже, Солсо, Найсер) [231, 289, 330] без учета требований, связанных с их дальнейшей формализацией и автоматизацией. Поэтому имеющиеся концепции когнитивной психологии слабо подходят для этой цели; в когнитивной психологии не ставилась и не решалась задача конструирования когнитивного конфигуратора и, соответственно, не сформулировано понятие базовой когнитивной операции.

2.2.2. Предлагаемая когнитивная концепция

Ставить цель автоматизировать процесс познания в целом в настоящее время не вполне реалистично, но вполне возможно автоматизировать отдельные операции, выполняемые человеком в процессе познания, т.е. когнитивные операции.

Оптимальной системой когнитивных операций (когнитивным конфигуратором) будем называть такую систему, которая одновременно удовлетворяет требованиям полноты и минимальной избыточности. Когнитивные операции, образующие оптимальную систему, будем называть базовыми когнитивными операциями.

Соответственно, возникает задача выявления и определения базовых когнитивных операций, сделать это предлагается на основе когнитивной концепции.

Средство труда (компьютер и программная система) для автоматизации когнитивных операций будем обозначать вслед за Фукушимой термином "Когнитрон" (хотя и будем вкладывать в этот термин другой смысл, чем в теории нейронных сетей).

Автоматизация оптимальной системы когнитивных операций обеспечивает новое перераспределение функций в процессах познания и труда между человеком и средством труда в пользу последнего. Такое перераспределение функций между человеком и средством труда вполне закономерно и очень перспективно с точки зрения предложенных автором еще в 1980 году "Информационно-функциональной теории развития техники" и "Закона повышения качества базиса" и знаменуют собой новый этап развития технологий.

В данном исследовании не ставится задача рассматривать концепции, принятые в философской теории познания (гносеологии) и в психологии процессов познания (когнитивной психологии). Отметим лишь следующее:

– весь процесс возникновения наук путем последовательного "отслаивания" их предмета от предмета интегральной сверх и преднауки философии в определенной последовательности по мере усложнения предмета исследования (физика, химия, биология, история) и применения естественнонаучного метода, говорит о том, что этот метод в перспективе должен быть применен к диалектике, логике и теории познания, а в конце концов – и к постановке и решению основного вопроса философии (автор, 1979, 1990, 1994).

– системный анализ, как неоднократно заявляли классики системного анализа [227], по сути дела представляет собой современное естественнонаучное воплощение диалектики. В этом контексте учение о развитии систем путем чередования детерминистских и бифуркационных состояний представляет собой ничто иное, как естественнонаучное трактовку закона диалектики "Перехода количественных изменений в качественные". Иначе говоря, детерминистские этапы – это этапы количественного, эволюционного изменения объекта управления, а бифуркационные – этапы его качественного, революционного преобразования.

Поэтому системный анализ рассматривается в данной работе как теоретический метод познания детерминистско-бифуркационной динамики систем. Таким образом, логически системный анализ можно считать результатом выполнения программы естественнонаучного развития диалектики, хотя исторически он и возник иначе. Саму когнитивную психологию также в определенной мере можно рассматривать как результат выполнения программы естественнонаучного развития гносеологии.

Автоматизировать процесс познания в целом безусловно значительно сложнее, чем отдельные операции процесса познания. Но для этого прежде всего необходимо выявить эти операции и найти место каждой из них в системе или последовательности процесса познания.

Сделать это предлагается в форме когнитивной концепции, которая должна удовлетворять следующим требованиям:

– адекватность, т.е. точное отражение сущности процессов познания, характерных для человека, в частности описание процессов вербализации, семантической адаптации и семантического синтеза (уточнения смысла слов и понятий и включения в словарь новых слов и понятий);

– высокая степень детализации и структурированности до уровня достаточно простых базовых когнитивных операций;

– возможность математического описания, формализации и автоматизации.

Однако приходится констатировать, что даже концепции когнитивной психологии, значительно более конкретные, чем гносеологические, разрабатывались без учета необходимости построения реализующих их математических и алгоритмических моделей и программных систем. Более того, в когнитивной психологии из всего многообразия различных исследуемых когнитивных операций не выделены базовые, к суперпозиции и различным вариантам сочетаний которых сводятся различные процессы познания.

Поэтому для достижения целей данного исследования концепции когнитивной психологии мало применимы. В связи с этим в данном исследовании предлагается когнитивная концепция, удовлетворяющая сформулированным выше требованиям. Эта концепция достаточно проста, иначе было бы невозможно ее формализовать, многие ее положения интуитивно очевидны или хорошо известны. Тем ни менее эта концепция должна быть вербализована, чтобы образовать систему, позволяющую продвинуться еще на шаг к решению поставленной в данной работе проблемы: выявить базовые когнитивные операции, их содержание и последовательность. Положения когнитивной концепции приведены в определенном порядке, соответствующем реальному ходу процесса познания "от конкретных эмпирических исходных данных к содержательным информационным моделям, а затем к их верификации, адаптации и, в случае необходимости, к пересинтезу".

Системный анализ представляет собой теоретический метод познания, т.е. сложный многоступенчатый, итерационный, иерархически организованный когнитивный процесс.

Исходные данные для системного анализа поставляются из нескольких независимых информационных источников, имеющих качественно различную природу, которые мы будем условно называть "органы чувств". Данные от органов чувств также имеют качественно различную природу, обусловленную конкретным видом информационного источника. Для обозначения этих исходных данных будем использовать термин "атрибут". В результате выполнения когнитивной операции "присвоение имен" атрибутам могут быть присвоены уникальные имена, т.е. они могут быть отнесены к некоторым градациям номинальных шкал. Получение информации о предметной области в атрибутивной форме осуществляется когнитивной операцией "восприятие".

Исходные данные содержат внутренние закономерности, объединяющие качественно разнородные исходные данные от различных информационных источников.

После восприятия предметной области может быть проведен ее первичный анализ путем выполнения когнитивной операции: "сопоставление опыта, воплощенного в модели, с общественным", т.е. с результатами восприятия той же предметной области другими. Это делается с целью исключения из дальнейшего анализа всех наиболее явных расхождений, как сомнительных.

Однако, закономерности в предметной области могут быть выявлены путем выполнения когнитивной операции "обобщение" только после накопления в результате мониторинга достаточно большого объема исходных данных в памяти.

Наличие этих закономерностей позволяют предположить, что:

– существуют некие интегративные структуры, не сводящиеся ни к одному из качественно-различных аспектов исходных данных и обладающие по отношению к ним системными, т.е. эмерджентными свойствами, которые не могут быть предметом прямого восприятия с помощью органов чувств, но могут являться предметом для других форм познания, например логической формы. Для обозначения этих структур будем использовать термин "объект";

– "объекты" считаются причинами существования взаимосвязей между атрибутами.

Объектам приписывается объективное существование, в том смысле, что любой объект обнаруживается несколькими независимыми друг от друга способами с помощью различных органов чувств (этот критерий объективного существования в физике называется "принцип наблюдаемости").

После обобщения возможны когнитивные операции: "определение значимости шкал и градаций атрибутов" и "определение степени сформированности шкал и градаций классов".

Путем выполнения когнитивной операции "присвоение имен" конкретным объектам могут быть присвоены уникальные имена, т.е. они могут быть отнесены к некоторым градациям номинальной шкалы, которые мы будем называть "классами". В данном случае класс представляет собой отображение объекта шкалу, т.е. это своего рода целостный образ объекта. После этого возможно выполнение когнитивной операции "идентификация" объектов, т.е. их "узнавание": при этом по атрибутам объекта определяется класс, к которому принадлежит объект. При этом все атрибуты, независимо от их качественно различной природы, рассматриваются с одной-единственной точки зрения: "Какое количество информации они несут о принадлежности данного объекта к каждому из классов".

Кроме того возможно выполнение когнитивной операции: "дедукция и абдукция, обратная задача идентификации и прогнозирования", имеющей очень важное значение для управления, т.е. вывод всех атрибутов в порядке убывания содержащегося в них количества информации о принадлежности к данному классу.

Аналогично, может быть выполнена когнитивная операция: "семантический анализ атрибута", представляющий собой список классов, в порядке убывания количества информации о принадлежности к ним, содержащейся в данном атрибуте.

Таким образом возможно два взаимно-дополнительных способа отображения объекта: в форме принадлежности к некоторому классу (целостное, интегральное, экстенсиональное); в форме системы атрибутов (дискретное, интенсиональное).

Дальнейшее изучение атрибутов позволяет ввести понятия "порядковая шкала" и "градация". Порядковая шкала представляет собой способ классификации атрибутов одного качества, обычно по степени выраженности (интенсивности). Градация – это конкретное положение или диапазон на шкале, которому ставится в соответствие конкретный атрибут, соответствующее определенной степени интенсивности. Каждому виду атрибутов, информация о которых получается с помощью определенного "органа чувств", ставится в соответствие одна шкала. Таким образом, если при анализе в номинальных шкалах, можно было в принципе ввести одну шкалу для всех атрибутов, то в порядковых шкалах каждому атрибуту будет соответствовать своя шкала.

После идентификации уникальных объектов с классами возможна их классификация и присвоение обобщающих имен группам похожих классов. Для обозначения группы похожих классов используем понятие "кластер". Формирование кластеров осуществляется с помощью когнитивной операции "классификация". Кластер представляет собой своего рода "объект, состоящий из объектов", т.е. объект 2-го порядка. Если объект выполняет интегративную функцию по отношению к атрибутам, то кластер – по отношению к объектам.

Необходимо подчеркнуть, что термин "класс" используется не только для обозначения образов уникальных объектов, но и для обозначения их кластеров, т.е. классу может соответствовать не уникальное, а обобщающее имя, в этом случае мы имеем дело с обобщенным классом. Да и кластеры могут быть не только кластерами уникальных объектов, но и обобщенных классов.

Если объективное существование уникальных объектов мало у кого вызывает сомнение, то вопрос об объективном существовании интегративных структур 2-го и более высоких порядков остается открытым. В некоторых философских системах подобным объектам приписывался даже более высокий статус существования, чем самим объектам, например обычные объекты рассматриваются лишь как "тени" "Эйдосов" (Платон). Известны и другие понятия для обозначения объектов высоких порядков, например "архетип" (Юм), "эгрегор" (Андреев) и др. Нельзя не отметить, что в современной физике (специальной и общей теории относительности) есть подобное понятие пространственно-временного интервала, который проявляется как движение объекта. По-видимому, статус существования структур реальности, отражаемых когнитивными структурами тем выше, чем выше интегративный уровень этих структур.

Являясь объектами 2-го порядка сами кластеры в результате выполнения когнитивной операции "генерация конструктов" могут быть классифицированы по степени сходства друг с другом. Для обозначения системы двух противоположных кластеров, с "спектром" промежуточных кластеров между ними, будем использовать термин "бинарный конструкт", при этом сами противоположные кластеры будем называть "полюса бинарного конструкта". Таким образом конструкт представляет собой объект 3-го порядка.

Словом "бинарный" определяется, что в данном случае полюсов у конструкта всего два, но этим самым подчеркивается, что в принципе их может быть 3, 4 и больше. Бинарный конструкт можно формально представить в виде порядковой шкалы или даже шкалы отношений, на которой градациям соответствуют кластеры, а значит и сами классы и соответствующие объекты. Конструкты с количеством полюсов больше 2 могут быть представлены графически в форме семантических сетей в которых полюса являются вершинами, а дуги имеют цвет и толщину, соответствующие степени сходства-различия этих вершин. Семантические сети можно считать также просто графической формой представления результатов кластерного анализа.

Аналогично кластерам и конструктам классов формируются кластеры и конструкты атрибутов. В кластеры объединяются атрибуты, имеющие наиболее сходный смысл. В качестве полюсов конструктов выступают кластеры атрибутов, противоположных по смыслу.

Бинарные конструкты классов и атрибутов представляет собой когнитивные структуры, играющие огромную роль в процессах познания. Не будет преувеличением сказать, что познание представляет собой процесс генерации, совершенствования и применения конструктов. Будем считать, что конструкт тем более совершенен и тем выше его качество, чем сильнее отличаются его полюса, т.е. чем больше диапазон его области значений.

В кластерном анализе определялась степень сходства или различия классов, а не то, чем конкретно сходны или отличаются. При выполнении когнитивной операции "содержательное сравнение" двух классов определяется вклад каждого атрибута в их сходство или различие. Результаты содержательного сравнения выводятся в наглядной графической форме когнитивных диаграмм, в которых изображаются информационные портреты классов с наиболее характерными и нехарактерными для них атрибутами и атрибуты разных классов соединяются линиями, цвет и толщина которых соответствуют величине и знаку вклада этих атрибутов в сходство или различие данных классов.

Результаты идентификации и прогнозирования, осуществленные с помощью модели, путем выполнения когнитивной операции "верификация" сопоставляются с опытом, после чего определяется выполнять ли когнитивную операцию "обучение", состоящую в том, что параметры модели могут изменяться количественно, и тогда мы имеем дело с адаптацией, или качественно, и тогда идет речь о переформировании модели.

2.2.3. Предлагаемый когнитивный конфигуратор

Таким образом из предложенной когнитивной концепции вытекает существование по крайней мере 10 базовых когнитивных операций к которым сводятся процедуры системного анализа (таблица 2.2):

Таблица 2. 2 – ОБОБЩЕННЫЙ СПИСОК БКОСА
(КОГНИТИВНЫЙ КОНФИГУРАТОР)

Необходимо отметить, что классификация операций системного анализа по В.М.Казиеву [94] ближе всего к позиции, излагаемой в данной работе, т.к. этим автором названы 6 из 10 базовых когнитивных операций системного анализа: формализация; синтез (индукция); абстрагирование; анализ (дедукция); распознавание, и идентификация образов; классификация. Вместе с тем им не приводятся математическая модель, алгоритмы и инструментарий реализации этих операций и не ставится задача их разработки, кроме того некоторые из них приведены дважды под разными названиями, например: анализ и синтез это тоже самое, что дедукция и индукция (таблица 2.2).

По-видимому, впервые идея сведения мышления и процессов познания к когнитивным операциям была четко сформулирована в V веке до н.э.: "Сущность интеллекта проявляется в способностях обобщения, абстрагирования, сравнения и классификации" (цит.по пам., Патанжали, Йога-Сутра).

Эти операции представляют собой иерархическую систему: 1-е является элементарными, 2-е используют 1-е в качестве элементов в схеме обработки информации, и т.д. Поэтому на очередность (последовательность) выполнения этих операций существуют определенные ограничения: операции более высокого уровня иерархии (интегративности) не могут быть выполнены раньше операций предыдущих уровней иерархии.

2.3. ФОРМАЛИЗАЦИЯ БАЗОВЫХ КОГНИТИВНЫХ ОПЕРАЦИЙ СИСТЕМНОГО АНАЛИЗА

2.3.1. Исходные теоретические положения когнитивной концепции

В этой связи нами предложена формализуемая когнитивная концепция, не претендующая на вклад в когнитивную психологию, но удовлетворяющая требованиям, вытекающим из существа исследования.

Исходные положения этой когнитивной концепции:

1) процессы познания обеспечивают в целом адекватное отражение процессов природы и общества;

2) некоторые когнитивные (познавательные) операции возможно представить в виде математических и алгоритмических моделей (формализовать);

3) формализованные модели когнитивных операций допускают программную реализацию, т.е. передачу соответствующих функций, ранее выполнявшихся только человеком, интеллектуальным средствам труда. Это обеспечивает возможность выполнения данных функций вне ограничений, присущих человеку и высвобождает его ресурсы для выполнения более творческих функций.

На базе выше сформулированных положений построена целостная система взглядов на процесс познания, т.е. когнитивная концепция (рисунок 2.14):

Рисунок 2. 14. Обобщенная схема предлагаемой
когнитивной концепции

Суть предложенной когнитивной концепции состоит в том, что процесс познания рассматривается как многоуровневая иерархическая система обработки информации, в которой каждый последующий уровень является результатом интеграции элементов предыдущего уровня. На 1-м уровне этой системы находятся дискретные элементы потока чувственного восприятия, которые на 2-м уровне интегрируются в чувственный образ конкретного объекта. Те, в свою очередь, на 3-м уровне интегрируются в обобщенные образы классов и факторов, образующие на 4-м уровне кластеры, а на 5-м конструкты. Система конструктов на 6-м уровне образуют текущую парадигму реальности (т.е. человек познает мир путем синтеза и применения конструктов). На 7-м же уровне обнаруживается, что текущая парадигма не единственно-возможная.

Ключевым для когнитивной концепции является понятие факта, под которым понимается соответствие дискретного и интегрального элементов познания (т.е. элементов разных уровней интеграции-иерархии), обнаруженное на опыте. Факт рассматривается как квант смысла, что является основой для его формализации. Таким образом, происхождение смысла связывается со своего рода "разностью потенциалов", существующей между смежными уровнями интеграции-иерархии обработки информации в процессах познания.

1. Процесс познания начинается с чувственного восприятия. Различные органы восприятия дают качественно-различную чувственную информацию в форме дискретного потока элементов восприятия. Эти элементы формализуются с помощью описательных шкал и градаций.

2. В процессе накопления опыта выявляются взаимосвязи между элементами чувственного восприятия: одни элементы часто наблюдаются с другими (имеет место их пространственно-временная корреляция), другие же вместе встречаются достаточно редко. Существование устойчивых связей между элементами восприятия говорит о том, что они отражают некую реальность, интегральную по отношению к этим элементам. Эту реальность будем называть объектами восприятия. Рассматриваемые в единстве с объектами элементы восприятия будем называть признаками объектов. Таким образом, органы восприятия дают чувственную информацию о признаках наблюдаемых объектов, процессов и явлений окружающего мира (объектов). Чувственный образ конкретного объекта представляет собой систему, возникающую как результат процесса синтеза признаков этого объекта. В условиях усложненного восприятия синтез чувственного образа объекта может быть существенно замедленным и даже не завершаться успехом в реальном времени.

3. Человек присваивает конкретным объектам названия (имена) и сравнивает объекты друг с другом. При сравнении выясняется, что одни объекты в различных степенях сходны по их признакам, а другие отличаются. Сходные объекты объединяются в обобщенные категории (классы), которым присваиваются имена, производные от имен входящих в категорию конкретных объектов. Классы формализуются с помощью классификационных шкал и градаций и обеспечивают интегральный способ описания действительности. Путем обобщения (синтеза, индукции) информации о признаках конкретных объектов, входящих в те или иные классы, формируются обобщенные образы классов. Накопление опыта и сравнение обобщенных образов классов друг с другом позволяет определить степень характерности признаков для классов, смысл признаков и ценность каждого признака для идентификации конкретных объектов с классами и сравнения классов, а также исключить наименее ценные признаки из дальнейшего анализа без существенного сокращения количества полезной информации о предметной области (абстрагирование). Абстрагирование позволяет существенно сократить затраты внутренних ресурсов системы на анализ информации. Идентификация представляет собой процесс узнавания, т.е. установление соответствия между чувственным описанием объекта, как совокупности дискретных признаков, и неделимым (целостным) именем класса, которое ассоциируется с местом и ролью воспринимаемого объекта в природе и обществе. Дискретное и целостное восприятие действительности поддерживаются как правило различными полушариями мозга: соответственно, правым и левым (доминантность полушарий). Таким образом именно системное взаимодействие интегрального (целостного) и дискретного способов восприятия обеспечивает возможность установление содержательного смысла событий. При выполнении когнитивной операции "содержательное сравнение" двух классов определяется вклад каждого признака в их сходство или различие.

4. После идентификации уникальных объектов с классами возможна их классификация и присвоение обобщающих имен группам похожих классов. Для обозначения группы похожих классов используем понятие "кластер". Но и сами кластеры в результате выполнения когнитивной операции "генерация конструктов" могут быть классифицированы по степени сходства друг с другом. Для обозначения системы двух противоположных кластеров, с "спектром" промежуточных кластеров между ними, будем использовать термин "бинарный конструкт", при этом сами противоположные кластеры будем называть "полюса бинарного конструкта". Бинарные конструкты классов и атрибутов, т.е. конструкты с двумя полюсами, наиболее типичны для человека и представляет собой когнитивные структуры, играющие огромную роль в процессах познания. Достаточно сказать, что познание можно рассматривать как процесс генерации, совершенствования и применения конструктов. Качество конструкта тем выше, чем сильнее отличаются его полюса, т.е. чем больше диапазон его смысла.

Результаты идентификации и прогнозирования, осуществленные с помощью модели, путем выполнения когнитивной операции "верификация" сопоставляются с опытом, после чего определяется целесообразность выполнения когнитивной операции "обучение". При этом может возникнуть три основных варианта, которые на рисунке 2.15 обозначены цифрами:

1. Объект, входит в обучающую выборку и достоверно идентифицируется (внутренняя валидность, в адаптации нет необходимости).

2. Объект, не входит в обучающую выборку, но входит в исходную генеральную совокупность, по отношению к которой эта выборка репрезентативна, и достоверно идентифицируется (внешняя валидность, добавление объекта к обучающей выборке и адаптация модели приводит к количественному уточнению смысла признаков и образов классов).

3. Объект не входит в исходную генеральную совокупность и идентифицируется недостоверно (внешняя валидность, добавление объекта к обучающей выборке и синтез модели приводит к качественному уточнению смысла признаков и образов классов, исходная генеральная совокупность расширяется).

Рисунок 2. 15. К пояснению смысла понятий: "Адаптация и синтез когнитивной модели предметной области", "Внутренняя и внешняя валидность информационной модели",

2.3.2. Когнитивный конфигуратор и базовые когнитивные операции системного анализа

Познание предметной области с одной стороны безусловно является фундаментом, на котором строится все грандиозное здание системного анализа, а с другой стороны, процессы познания являются связующим звеном, органично объединяющим "блоки" принципов и методов системного анализа в стройное здание. Более того, процессы познания буквально пронизывают все методы и принципы системного анализа, входя в них как один из самых существенных элементов.

Однако, на этом основании неверным будет представлять, что когнитивные операции являются подмножеством понятия "системный анализ", скорее наоборот: системный анализ представляет собой один из теоретических методов познания, представимый в форме определенной последовательности когнитивных операций, тогда как другие последовательности этих операций позволяют образовать другие формы теоретического познания.

Поэтому разработка математических моделей, алгоритмов и программных систем, обеспечивающих автоматизацию применения когнитивной концепции в системном анализе, является актуальной научной и технической проблемой, заслуживающей внимания и усилий, как исследователей, так и разработчиков.

Сложность решения этой важнейшей проблемы состоит в ее ярко выраженном системном, комплексном, междисциплинарном характере, что определяет необходимость для ее решения активно и нетривиально использовать знания из таких областей науки, как когнитивная психология, системный анализ, математическое моделирование, теория информации, теория распознавания образов и принятия решений, а также применить на практике технологии программной реализации систем интеллектуального анализа данных и искусственного интеллекта.

Безусловно, в решении данной проблемы существует неограниченное поле деятельности для психологов, но в данной работе внимание акцентируется на научно-техническом аспекте, а именно на разработке соответствующих математических моделей, алгоритмов, программных систем, а также методологии, технологии и методики их применения для синтеза рефлексивных АСУ активными объектами.

В данной работе предлагается разрабатывается обоснованный вариант решения этой междисциплинарной проблемы. Вместе с тем этим самым не решается глобальная проблема автоматизации системного анализа, а лишь совершается один шаг в этом чрезвычайно перспективном направлении.

Конкретно путь достижения этой цели состоит в разработке:

1. Аналитической модели, позволяющей заложить основы для автоматизации когнитивных операций.

2. Алгоритмических моделей базовых когнитивных операций, обеспечивающих уровень конкретизации, позволяющий непосредственно приступить к их программной реализации.

Поэтому далее рассмотрим базовые когнитивные операции системного анализа и возможности их применения в рефлексивном управлении активными объектами.

2.3.3. Задачи формализации базовых когнитивных операций системного анализа

Выбор единой интерпретируемой численной меры для классов и атрибутов

При построении модели объекта управления одной из принципиальных проблем является выбор формализованного представления для индикаторов, критериев и факторов (далее: факторов). Эта проблема распадается на две подпроблемы:

1. Выбор и обоснование смысла выбранной численной меры.

2. Выбор математической формы и способа определения (процедуры, алгоритма) количественного выражения для значений, отражающих степень взаимосвязи факторов и будущих состояний АОУ.

Рассмотрим требования к численной мере, определяемые существом подпроблем. Эти требования вытекают из необходимости совершать с численными значениями факторов математические операции (сложение, вычитание, умножение и деление), что в свою очередь необходимо для построения полноценной математической модели.

Требование 1: из формулировки 1-й подпроблемы следует, что все факторы должны быть приведены к некоторой общей и универсальной для всех факторов единице измерения, имеющей какой-то смысл, причем смысл, поддающийся единой сопоставимой в пространстве и времени интерпретации.

Традиционно в специальной литературе [43, 167, 324] рассматриваются следующие смысловые значения для факторов:

– стоимость (выигрыш-проигрыш или прибыль-убытки);

– полезность;

– риск;

– корреляционная или причинно-следственная взаимосвязь.

Иногда предлагается использовать безразмерные меры для факторов, однако, этот вариант не является удовлетворительным, т.к. не позволяет придать смысл факторам и получить содержательную интерпретацию выводов, полученных на основе математической модели.

Таким образом, возникает ключевая при выборе численной меры проблема выбора смысла, т.е. по сути единиц измерения, для индикаторов, критериев и факторов.

Требование 2: высокая степень адекватности предметной области.

Требование 3: высокая скорость сходимости при увеличении объема обучающей выборки.

Требование 4: высокая независимость от артефактов.

Что касается конкретной математической формы и процедуры определения числовых значений факторов в выбранных единицах измерения, то обычно применяется метод взвешивания экспертных оценок, при котором эксперты предлагают свои оценки, полученные как правило неформализованным путем. При этом сами эксперты также обычно ранжированы по степени их компетентности. Фактически при таком подходе числовые значения факторов является не определяемой, искомой, а исходной величиной. Иначе обстоит дело в факторном анализе, но в этом методе, опять же на основе экспертных оценок важности факторов, требуется предварительно, т.е. перед проведением исследования, принять решение о том, какие факторы исследовать (из-за жестких ограничений на размерность задачи в факторном анализе). Таким образом оба эти подхода реализуемы при относительно небольших размерностях задачи, что с точки зрения достижения целей настоящего исследования, является недостатком этих подходов.

Поэтому самостоятельной и одной из ключевых проблем является обоснованный и удачный выбор математической формы для численной меры индикаторов и факторов.

Эта математическая форма с одной стороны должна удовлетворять предыдущим требованиям, прежде всего требованию 1, а также должна быть процедурно вычислимой, измеримой.

Выбор неметрической меры сходства объектов в семантических пространствах

Существует большое количество мер сходства, из которых можно было бы упомянуть скалярное произведение, ковариацию, корреляцию, евклидово расстояние, расстояние Махалонобиса и др. [3, 4].

Проблема выбора меры сходства состоит в том, что при выбранной численной мере для координат классов и факторов она должна удовлетворять определенным критериям:

1. Обладать высокой степенью адекватности предметной области, т.е. высокой валидностью, при различных объемах выборки, как при очень малых, так и при средних и очень больших.

2. Иметь обоснованную, четкую, ясную и интуитивно понятную интерпретацию.

3. Быть нетрудоемкой в вычислительном отношении.

4. Обеспечивать корректное вычисление меры сходства для пространств с неортонормированным базисом.

Из требования 4 сразу следует, что Евклидово расстояние d_jk между j-м и k-м классами не подходит в качестве метрики, т.к. оно предполагает ортонормированность пространства:

Известно, что для неортнормированного базиса может быть использовано расстояние Махаланобиса. Однако и одно не удовлетворяет сформулированным требованиям, т.к. дает не расстояние между векторами, а расстояние от некоторого центра масс (центроида).

Поэтому в данном исследовании предложено использовать в качестве меры сходства скалярное произведение векторов, а также нормированное скалярное произведение, т.е. по сути дела корреляцию. При этом координаты векторов должны представлять их проекции на оси координат неортонормированного базиса.

Определение идентификационной и прогностической ценности атрибутов

Не все факторы имеют одинаковую ценность для решения задач идентификации, прогнозирования и управления. Традиционно считается, что факторы имеют одинаковую ценность только в тех случаях (обычно в психологии), когда определить их действительную ценность не представляется возможным по каким-либо причинам.

Для достижения целей, поставленных в данном данном исследовании, необходимо решить проблему определения ценности факторов, т.е. разработать математическую модель и алгоритм, которые допускают программную реализацию и обеспечивают на практике определение идентификационной и прогностической ценности факторов.

Ортонормирование семантических пространств классов и атрибутов (Парето-оптимизация)

Если не все факторы имеют одинаковую ценность для решения задач идентификации, прогнозирования и управления, то возникает проблема исключения из системы факторов тех из них, которые не представляют особой ценности. Удаление малоценных факторов вполне оправданно и целесообразно, т.к. сбор и обработка информации по ним в среднем связана с такими же затратами времени, вычислительных и информационных ресурсов, как и при обработке ценных факторов. В этом состоит идея Парето-оптимизации. Однако это удаление должно осуществляться при вполне определенных граничных условиях, характеризующих результирующую систему:

– адекватность модели;

– количество признаков на класс;

– суммарное количество градаций признаков в описательных шкалах.

В противном случае удаление факторов может отрицательно сказываться на качестве решения задач.

Проблема состоит в том, что факторы вообще говоря коррелируют друг с другом и поэтому их ценность может изменяться при удалении любого из них, в том числе и наименее ценного. Поэтому просто взять и удалить наименее ценные факторы не представляется возможным и необходимо разработать корректный вычислительный алгоритм обеспечивающий решение этой проблемы при заданных граничных условиях.

2.4. СТРУКТУРИРОВАНИЕ СИСТЕМНОГО АНАЛИЗА ДО УРОВНЯ БАЗОВЫХ КОГНИТИВНЫХ ОПЕРАЦИЙ

На рисунке 2.13 наглядно прослеживается сходство с когнитивным анализом (рисунок 2.11). Это естественно, т.к. системный анализ рассматриваться многими авторами, как одна из форм теоретического познания. Учитывая это и с целью создания условий для дальнейшей декомпозиции системного анализа до уровня, достаточного для разработки алгоритмов и программной реализации, предлагается структурировать системный анализ до уровня базовых когнитивных операций.

В порядке обсуждения предлагается рассматривать системный анализ, структурированный до уровня базовых когнитивных операций, как системно-когнитивный анализ (СК-анализ). Необходимо отметить, что впервые понятие "СК-анализ" предложено А.Е.Кибрик и Е.А.Богдановой в работе: "Русская лексема САМ: системно-когнитивный анализ" (Вопросы языкознания, 3, 1995). Однако этими авторами данное понятие было введено в другой предметной области, ими не ставилась и не решалась задача автоматизации СК-анализа.

В связи с тем, что СК-анализ структурируется нами до уровня БКОСА, его автоматизация становится решаемой задачей, в отличие от автоматизация непосредственно системного анализа или детализированного системного анализа.

Отсюда органично вытекает 2-й этап решения проблемы – структурирование системного анализа до уровня базовых когнитивных (познавательных) операций.

Учитывая структуру когнитивного конфигуратора (таблица 2.2) конкретизируем обобщенную схему этапов системного анализа, ориентированного на интеграцию с когнитивными технологиями (рисунок 2.13), в результате чего получим обобщенную схему этапов АСК-анализа (рисунок 2.16). Предложенная схема представляет собой схему системного анализа, структурированного до уровня базовых когнитивных операций (АСК-анализа). Нумерация блоков на рисунке 2.16 соответствует этапам СА на рисунке 2.13.

Рисунок 2. 16. Обобщенная схема этапов АСК-анализа

Схема, АСК-анализа, представленная на рисунке 2.16, определяет место каждой из базовых когнитивной операций в системном анализе.

2.5. ВЫВОДЫ

1. С целью поиска путей автоматизации системного анализа проанализированы различные его варианты, предложенные ведущими учеными в этой области. Предполагается, что автоматизацию системного анализа целесообразно осуществлять путем его декомпозиции и максимальной детализации.

2. Наиболее детализированной из известных по литературным данным является иерархическая схема системного анализа, предложенная В.С.Симанковым. Ее анализ показывает, что на всех этапах системного анализа осуществляются процессы познания (моделирования). В той связи предложена идея поиска путей автоматизации системного анализа на пути его интеграции с когнитивными технологиями.

3. Рассмотрен наиболее разработанная вариант когнитивного анализа (В.И.Максимов с соавторами). Отмечено сходство рассмотренных схем системного и когнитивного анализа. Предложено осуществлять автоматизацию системного анализа не на основе его максимальной декомпозиции и детализации, а путем интеграции с когнитивными технологиями.

4. На основе сопоставления и объединения схем системного анализа, разработанных ведущими учеными в этой области, а также с учетом методологии когнитивного анализа, предложена схема системного анализа, ориентированного на интеграцию с когнитивными технологиями. Предложено структурировать системный анализ до уровня познавательных (когнитивных) операций, достаточно элементарных, чтобы их было возможно автоматизировать.

5. Поставлена задача выявить когнитивные операции. Сделать это предполагалось в два этапа:

во-первых, – сформулировать требования к когнитивным операциям;

во-вторых, – проанализировать когнитивные концепции различных авторов с целью выявления когнитивных операций, удовлетворяющих сформулированным требованиям.

6. Сформулированы и обоснованы следующие требования к БКОСА:

а) эти операции должны быть достаточно элементарными (только в этом случае реальна их формализация в математической модели, алгоритмах и структурах данных, а затем и программная реализация);

б) набор БКО должен быть полон (т.е. достаточен для конструирования более сложных операций путем различных комбинаций или последовательностей базовых когнитивных операций);

в) набор БКО должен быть минимален по количеству.

Требования б) и в) соответствуют понятию конфигуратора, применяемому в системном анализе (В.А.Лефевр [131]). Поэтому предложено понятие "когнитивный конфигуратор", под которым понимается минимальный набор когнитивных операций, достаточный для автоматизации системного анализа, как метода познания. Так как когнитивный конфигуратор состоит из операций, к которым сводятся различные процедуры системного анализа, как метода познания, то эти операции были названы базовыми (по аналогии с понятием ортонормированного базиса). Следовательно, необходимо сконструировать когнитивный конфигуратор, т.е. выявить базовые когнитивные операции системного анализа.

7. Анализ концепций ведущих авторов в области когнитивной психологии (Пиаже, Солсо, Найсер) показал, что они разрабатывались без учета требований, связанных с формализацией и автоматизацией, поэтому в данной работе предложена формализуемая когнитивная концепция, в рамках которой определен набор БКОСА.

8. Предложенная формализуемая когнитивная концепция основана на следующих положениях:

– процессы познания можно представить в виде последовательности когнитивных операций;

– некоторые когнитивные (познавательные) операции возможно представить в виде математических и алгоритмических моделей (формализовать);

– формализованные модели когнитивных операций допускают программную реализацию, т.е. передачу соответствующих функций, ранее выполнявшихся только человеком, интеллектуальным средствам труда. Это обеспечивает возможность выполнения данных функций вне ограничений, присущих человеку, и высвобождает его ресурсы для выполнения более творческих функций.

9. Суть предложенной когнитивной концепции состоит в том, что процесс познания рассматривается как многоуровневая иерархическая система обработки информации, в которой когнитивные структуры каждого последующий уровня является результатом интеграции структур предыдущего уровня:

– на 1-м уровне этой системы находятся дискретные элементы потока чувственного восприятия, которые получаются непосредственно от органов чувств и рассматриваются как исходная информация о реальности;

– на 2-м уровне дискретные элементы потока чувственного восприятия интегрируются в чувственные образы конкретных объектов и факторов (присвоение конкретных имен);

– на 3-м уровне конкретные чувственные образы объектов и факторов интегрируются в обобщенные образы классов и факторов (присвоение обобщенных и символических имен, обобщение и абстрагирование);

– на 4-м уровне обобщенные образы классов и факторов сравниваются друг с другом и классифицируются в кластеры;

– на 5-м кластеры классов и факторов сравниваются друг с другом и образуют бинарные и многополюсные конструкты;

– на 6-м уровне конструкты классов и факторов образуют текущую парадигму реальности, формулируется гипотеза о том, что человек познает мир путем синтеза и применения конструктов;

– на 7-м же уровне сравниваются текущие парадигмы конкретных людей и их групп, в результате чего обнаруживается, что текущая парадигма не единственно-возможная.

Предложенная когнитивная концепция предусматривает периодическое подтверждение на практике адекватности или неадекватности сформированной модели предметной области, а также ее количественное уточнение с учетом новых достоверных данных (адаптация) или ее качественное переформирование (синтез).

9. Ключевым для когнитивной концепции является понятие факта, под которым понимается соответствие дискретного и интегрального элементов познания (т.е. элементов разных, как правило смежных, уровней интеграции-иерархии), обнаруженное на опыте. Факт рассматривается как квант смысла, что является основой для математической модели смысла в предложенной семантической информационной модели. Таким образом, происхождение смысла связывается со своего рода "разностью потенциалов", существующей между смежными уровнями интеграции-иерархии обработки информации в процессах познания.

10. В рамках предложенной когнитивной концепции сконструирован когнитивный конфигуратор (тер.авт.), представляющий собой минимальную полную систему когнитивных операций, названных "базовые когнитивные операции системного анализа" (БКОСА). Всего выявлено 10 таких операций, каждая из этих операций достаточно элементарна для формализации и программной реализации: 1) присвоение имен; 2) восприятие; 3) обобщение (синтез, индукция); 4) абстрагирование; 5) оценка адекватности модели; 6) сравнение, идентификация и прогнозирование; 7) дедукция и абдукция; 8) классификация и генерация конструктов; 9) содержательное сравнение; 10) планирование и принятие решений об управлении.

Таким образом, из предложенной концепции выводятся структура когнитивного конфигуратора, система базовых когнитивных операций и обобщенная схема автоматизированного системного анализа, структурированного до уровня базовых когнитивных операций, получившего название "АСК-анализ".

ГЛАВА 3. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ АСК-АНАЛИЗА

3.1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ СИСТЕМНОЙ ТЕОРИИ ИНФОРМАЦИИ

3.1.1. Требования к математической модели и численной мере

Требования к математической модели:

Содержательная интерпретируемость; эффективная вычислимость на основе эмпирических данных (наличие эффективного численного метода); универсальность; адекватность; сходимость; семантическая устойчивость; сопоставимость результатов моделирования в пространстве и времени; непараметричность; формализация базовых когнитивных операций системного анализа (прежде всего таких, как обобщение, абстрагирование, сравнение классификация и др.); корректность работы на фрагментарных, неточных и зашумленных данных; возможность обработки данных очень больших размерностей (тысячи факторов и будущих состояний объекта управления); математическая и алгоритмическая ясность и простота, эффективная программная реализуемость.

Требования к численной мере:

Ключевым при построении математических моделей является выбор количественной меры, обеспечивающей учет степени причинно-следственной взаимосвязи исследуемых параметров.

Эта мера должна удовлетворять следующим требованиям:

1) обеспечивать эффективную вычислимость на основе эмпирических данных, полученных непосредственно из опыта;

2) обладать универсальностью, т.е. независимостью от предметной области;

3) подчиняться единому для различных предметных областей принципу содержательной интерпретации

4) количественно измеряться в единых единицах измерения а количественной шкале (шкала с естественным нулем, максимумом или минимумом);

5) учитывать понятия:

– "цели объекта управления", "цели управления";

– "мощность множества будущих состояний объекта управления";

– уровень системности объекта управления;

– степень детерминированности объекта управления;

6) обладать сопоставимостью в пространстве и во времени;

7) обеспечивать возможность введения метрики или не метрической функции принадлежности на базе выбранной количественной меры.

Для того, чтобы выбрать тип модели, удовлетворяющей сформулированным требованиям, необходимо решить на какой форме информации эта модель будет основана: абсолютной, относительной или аналитической.

3.1.2. Выбор базовой численной меры

Абсолютная, относительная и аналитическая информация.

Широко известны абсолютная и относительная формы информации. Абсолютная форма – это просто количество, частота. Относительная форма – это доли, проценты, относительные частоты и вероятности.

Менее знакомы специалисты с аналитической формой информации, примером которой является условные вероятности, стандартизированные статистические значения и количество информации.

Абсолютная информация – это информация содержащаяся в абсолютных числах, таких как количество чего-либо, взятого "само по себе", т.е. безотносительно к объему совокупности, к которой оно относится.

Относительная информация – это информация, содержащаяся в отношениях абсолютного количества к объему совокупности. Относительная информация измеряется в частях, процентах, промиле, вероятностях и некоторых других подобных единицах. Очевидно, что и из относительной информации, взятой изолированно, вырванной из контекста, делать какие-либо обоснованные выводы не представляется возможным. Те, кто иногда делает это сознательно, просто вводит в заблуждение некомпетентных слушателей.

Для того, чтобы о чем-то судить по процентам, нужен их сопоставительный анализ, т.е. анализ всего процентного распределения. Вариантов такого анализа может быть много, но суть не в этом, а в том, что такой анализ необходим. Рассмотрим один из возможных вариантов сопоставительного анализа процентных распределений на нашем примере. Этот вариант предполагает использование в качестве "базы оценки" среднего по всей совокупности (нормативный подход: норма – среднее).

Аналитическая (сопоставительная) информация – это информация, содержащаяся в отношении вероятности (или процента) к некоторой базовой величине, например к средней вероятности по всей выборке. Аналитическими являются также стандартизированные величины в статистике и количество информации в теории информации.

Очевидно, именно аналитическая информация является наиболее кондиционной для употребления с той точки зрения, что позволяет непосредственно делать содержательные выводы об исследуемой предметной области (точнее будет сказать, что она сама и является выводом), тогда как для того, чтобы сделать аналогичные выводы на основе относительной, и особенно абсолютной информации требуется ее значительная предварительная обработка. Эта "предварительная обработка" и составляет значительную долю трудоемкости труда аналитиков и экспертов, которые полагаются во многом на чисто качественную (невербализуемую, интуитивную) оценку имеющейся у них сырой относительной информации, однако проводить необходимые для этого расчеты для реальных объемов данных вручную не представляется возможным.

Для экономических исследований является естественным манипулировать понятиями "прибыль" – "убыток" или сходными понятиями теории игр: "выигрыш" – "проигрыш", измеряя их при этом, как правило, в денежных единицах.

Однако, на этом пути возникает ряд проблем:

1. Проблема выбора денежных единиц или сопоставимого во времени и пространстве способа их измерения.

2. Принципиальная проблема, состоящая в том, что не все явления, даже в экономике, уместно и целесообразно количественно оценивать (измерять) в денежных единицах.

В данной работе автор предлагает не решать эти проблемы, а обойти их, выбрав в качестве количественной меры не "стоимость", а то, что лежит в основе стоимости. Для этого предлагается раскрыть один из аспектов сущности понятия "стоимость" на основе применения аналитического понятия "информация", которое удовлетворяет всем сформулированным выше требованиям к количественной мере.

Труд, как информационный процесс. Средства труда, как информационные системы

Информационно-функциональная теория развития техники разработана автором в 1980 году (ДСП) [152]. С позиций этой теории труд представляет собой прежде всего информационный процесс, средства труда являются информационными системами, передающими и усиливающими информационные потоки между человеком и внешней средой.

Взаимодействие человека со средствами труда приводит не только к созданию определенного материального продукта труда, но и к изменению самого человека. Уровень сознания человека во многом детерминируется функциональным уровнем средств труда, с помощью которых он трудится.

Труд (процесс опредмечивания) с позиций теории информации предлагается рассматривать как процесс перезаписи информации из образа продукта труда в структуру физической среды (предмета труда). По мере осуществления этого процесса физическая форма продукта труда за счет записи в ней информации структурируется и выделяется из окружающей среды. Тело человека и средства труда выступают при этом как канал передачи информации.

Таким образом сам процесс передачи информации по каналу связи и запись ее в носитель информации – это и есть тот процесс (труд), который преобразует носитель информации в заранее заданную форму, т.е. в продукт труда.

Очевидно образ продукта труда и сам продукт труда относятся к качественно различным уровням Реальности на которых тождественная по содержанию (семантике) информация просто физически не может находится в одной и той же языковой, синтаксической форме. Поэтому тело человека и его средства труда как информационный канал, соединяющий качественно различные уровни Реальности, не просто передает информацию с сохранением ее содержания с одного уровня на другой, но при этом с необходимостью преобразует и языковую форму представления информации, т.е. осуществляет ее компиляцию, которая фактически и представляет собой технологический процесс.

Информация образа продукта труда, проявляющаяся первоначально в форме целесообразной и целенаправленной трудовой деятельности, т.е. как свободная информация, преобразуется затем в форму связанной информации, выступающей как покоящиеся полезные свойства продукта труда, определяемые его физической формой и структурой [49].

Свободная информация, существующая в форме целесообразности процесса труда не имеет стоимости, но образует ее в той мере, в какой преобразуется в информацию, связанную в структуре физической формы продукта труда. При этом смысл (содержание, семантика, качество) информации связанной в продукте труда определяет его потребительскую стоимость, тогда как ее количество связано с абстрактной себестоимостью продукта.

Время, за которое перезаписывается определенное количество информации из образа продукта труда в его физическую структуру определяется информационной пропускной способностью тела человека и его средств труда как информационного канала. Чем это время меньше, т.е. чем выше информационная пропускная способность тела человека и его средств труда, тем выше развитие человека и технологии. Так как процесс труда это сознательный процесс, то и количественные и содержательные возможности человека как информационного канала определяются типом и состоянием его сознания. Процесс увеличения информационной пропускной способности сознания человека поддерживается (обеспечивается, сопровождается) соответствующими психофизиологическими изменениями в теле человека.

Роль человека и его средств труда в процессе перезаписи информации из образа продукта труда в структуру его физической формы и в создании потребительной стоимости и стоимости продукта труда различна. Это различие определяется тем, что в процессе труда человек выполняет лишь ту часть работы по созданию определенного продукта труда, которая заключается в выполнении функций еще не переданных его средствам труда. Та же часть работы, которая состоит в выполнении уже полностью переданных средствам труда функций выполняется ими автоматически, т.е. без участия человека (рисунок 3.1):

Рисунок 3. 1. Упрощенная схема информационного канала
для процессов труда с использованием средств труда

Информационно-функциональная теория развития техники:

включает, в частности, следующие положения. Каждая трудовая функция реализует определенный этап преобразования формы информации и ее передачи из образа продукта труда в предмет труда. Процесс развития средств труда состоит в последовательной (т.е. в единственном и строго определенном порядке) передаче им трудовых функций, ранее выполнявшихся человеком (закон последовательной передачи функций), при этом технологический базис общества, экономические и социальные отношения изменяются количественно. Переданные средствам труда функции реализуются вне биологических ограничений человека (остаются только ограничения технологии), а оставшиеся у человека функции – вне ограничений, связанных с необходимостью выполнения переданных функций. После передачи средствам труда всех трудовых функций физического организма человека им начинают передаваться психические функции (закон повышения качества базиса), при этом технологический базис общества, экономические и социальные отношения изменяются качественно. В рамках этой теории получены обобщенные информационно-функциональные схемы 15 типов уже существующих и перспективных средств труда.

Процесс передачи и записи информации, как управляющее воздействие, преобразующее предмет труда в продукт труда

Наиболее развитой формой труда на текущем этапе технологического развития, по-видимому, является АСУ. Поэтому для развития представлений об информационной природе процесса труда рассмотрим глубокую аналогию между каналом передачи информации и процессом управления в АСУ.

Варианты структур каналов передачи информации

Канал передачи информации состоит из линии связи, модулятора и демодулятора, кодирующего и декодирующего, а также решающих устройств, позволяющих с высокой степенью достоверности принять и передать сообщение [351].

Для увеличения надежности передачи применяются также каналы обратной связи и решающие устройства. Последние служат для классификации сомнительных сигналов и отождествления их с достаточно высокой степенью достоверности с состояниями источника информации или с определенным кодом (рисунок 3.2).

Рисунок 3. 2. Варианты структур каналов передачи информации

Информационная модель канала передачи информации и аналогия со структурой АСУ

Следуя [9] кратко рассмотрим классическую функциональную схему АСУ (рисунок 3.3), на которой показаны основные элементы управляющего устройства (УУ).

Рисунок 3. 3. Классическая функциональная схема АСУ

АСУ состоит из двух основных частей: объекта управления и управляющего устройства. Объектом управления может быть любое управляемое техническое устройство или какой–либо технологический процесс.

Состояние объекта управления зависит от приложенных к нему воздействий g(t) и от собственных параметров, поэтому характеризуется выходной величиной y(t).

Воздействие g(t), поступающее на вход управляющего устройства и содержащее информацию о требуемом значении y(t), называется задающим воздействием.

Воздействие z(t), поступающее от управляющего устройства на вход объекта для обеспечения в нем желаемого процесса, называется управляющим воздействием.

Воздействие f(t), приложенное к объекту и вызывающее отклонение управляемого параметра от заданного значения, называется возмущающим воздействием (помехой).

Задающее воздействие g(t), которое является входным сигналом АСУ и определяет требуемый закон изменения выходного сигнала y(t), поступает на чувствительный элемент (ЧЭ). Кроме того на этот элемент подаются сигналы обратной связи y(t) и возмущающего воздействия f(t).

С выхода ЧЭ сигнал x(t), который является функцией воздействия {x, y, f} и характеризует ошибку (рассогласование) АСУ, усиливается усилителем (У) и поступает на исполнительный механизм (ИМ).

ИМ вырабатывает и подает на объект управления (ОУ) управляющее воздействие z(t).

Иногда при формировании управляющего воздействия кроме сигнала ошибки учитываются его производная и интеграл.

Часто для обеспечения требуемых статических и динамических характеристик системы используются корректирующие устройства: последовательные (КУ1) и параллельные (КУ2).

В состав АСУ могут входить еще и специальные элементы для согласования отдельных частей системы, а также вычислительные устройства для реализации алгоритма работы управляющего устройства.

Обобщив варианты структур каналов передачи информации, представленные на рисунке 3.1, получим следующую обобщенную информационную модель канала передачи информации (рисунок 3.4):

Рисунок 3. 4. Обобщенная информационная модель
канала передачи информации

Источник информации ИИ создает сигналы z, которые после кодирования и модуляции в преобразователе П1 превращаются в сигналы x и поступают в линию связи ЛС. Для удобства сигналы источника будем называть сообщениями, а сигналы x в линии связи просто сигналами. В результате действия помех f сигнал y на приемной стороне может отличаться от сигнала x. Помехи имеют случайный характер и подчиняются статистическим законам. Фактически источником помех является окружающая среда, имеющая сложную структуру, но на практике удобно считать, что помехи создаются некоторым источником помех ИП с определенными статистическими свойствами и поступают в линию связи в виде сигнала f. Приемная часть канала содержит преобразователь П2, демодулирующий и декодирующий принятые сигналы y, и приемник информации ПИ, перерабатывающий принятые сообщения u.

Сравним две информационные системы: канал передачи информации и автоматизированную систему управления, проанализируем, чем они сходны и чем отличаются друг от друга.

Сравнивая функциональную схему АСУ на рисунке 3.3 и обобщенную информационную модель канала передачи информации на рисунке 3.4 и мы видим, что с формальной точки зрения у них есть очень много общего как по структуре, так и по функциям (таблица 3.1).

Таблица 3. 1 – СРАВНЕНИЕ ФУНКЦИОНАЛЬНОЙ СХЕМЫ АСУ И ОБОБЩЕННОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ КАНАЛА ПЕРЕДАЧИ ИНФОРМАЦИИ

Кроме того, обе эти системы прежде всего представляют собой информационные системы, т.е. предназначены для вполне определенных целей, которые достигаются путем передачи и записи информации. Таким образом, именно информация переводит эти системы из нефункционального состояния в функциональное, повышает их уровень системности.

Различие между каналом передачи информации и АСУ состоит в различии их целей, т.е. в том, ради чего в них передается информация:

– в канале информация передается для сообщения приемнику;

– в АСУ информация передается для изменения структуры и функций объекта управления.

Необходимо дополнительно отметить, что любой приемник информации при получении информации изменяет свою структуру, а иногда и функции, но в теории связи этот факт не играет особой роли и ему не уделяется особого внимания. Однако в теории и практике автоматизированного управления именно это обстоятельство выступает на первый план, так как именно ради изменения состояния объекта управления на него и оказывается информационное управляющее воздействие.

Интересно, что врач-психотерапевт что-то говорит пациенту (гипнотику) вовсе не ради того, чтобы сообщить ему некоторую информацию, а чтобы вылечить его, т.е. перевести из болезненного состояния в здоровое. Учитель также воздействует на ученика не столько ради сообщения ему некоторой информации, хотя этот момент и присутствует, сколько ради того, чтобы научить его учиться, т.е. изменить его. Программист также далек от того, чтобы сообщать компьютеру некоторую информацию, просто он разрабатывает программную систему, т.е. сначала создает, а затем изменяет некоторый информационный объект, который с его точки зрения безусловно представляет собой объект управления ничуть не в меньшей степени, чем кувшин, формирующийся из глины, под руками гончара с точки зрения последнего. Да и кувшин формируется из глины, собственно говоря, по мере того, как информация образа кувшина перезаписывается через руки гончара в глину, представляющую собой не что иное, как приемник и носитель информации.

Эти глубокие аналогии могут быть развиты и продолжены, если исследовать роль обратных связей, с одной стороны, для повышения помехоустойчивости канала передачи информации, а с другой, – для управления в автоматизированных системах управления.

Помехоустойчивость передачи и приема информации

Повышение помехоустойчивости является одной из наиболее важных задач передачи информации. Оно обеспечивается за счет введения определенной избыточности, т.е. увеличения объема сигнала. Это возможно, если скорость передачи информации по каналу это позволяет.

Применяются следующие методы повышения помехоустойчивости:

1. Увеличение мощности сигнала для увеличения отношения сигнал/шум.

2. Применение помехоустойчивого кодирования, т.е. введение дополнительных символов в код передаваемого сообщения. Эти символы позволяют на приемной стороне обнаружить и исправить ошибки. Введение дополнительных символов увеличивает время передачи сообщения и/или частоту передачи символов.

3. Применение помехоустойчивых видов модуляции.

4. Применение помехоустойчивых методов приема (фильтрации).

5. Применение каналов с обратной связью.

Остановимся на последнем методе подробнее.

Если имеется дополнительный канал связи между источником и приемником информации, то его можно использовать как канал обратной связи, по которому от приемника к источнику может передаваться для контроля достоверности приема:

– весь объем полученной информации;

– только информация об элементах сообщения, достоверность которых сомнительна и которые требуется повторить.

Системы передачи первого типа называются системами с информационной обратной связью, а второго типа – с решающей обратной связью.

В системах с решающей обратной связью на приемной стороне должно быть интеллектуальное решающее устройство, обеспечивающее оценку степени достоверности принимаемой информации: если уверенность в достоверности высока, то обратный сигнал не посылается, если же уверенность недостаточна, то делается запрос на повторную передачу.

Работа такой системы напоминает телефонный разговор, в котором слушающий переспрашивает слова или фразы, которые он из-за плохой слышимости не смог распознать. Это означает, что система декодирования в общем случае является системой распознавания и решающее устройство в канале передаче информации с решающей обратной связью по сути дела должно быть системой распознавания образов.

Интерпретация задачи выработки управляющего воздействия в АСУ как обратной задачи декодирования теории информации и обратной задачи распознавания образов

Теория систем связи является областью науки, в которой первоначально возникла, а затем в основном и развивалась теория информации. В другие области науки теория информация проникла исторически позже и не получила в них столь мощного развития. Тем не менее и это дало очень плодотворные и интересные результаты [1, 11, 26, 66, 90, 221, 330, 331 и др.].

По мнению автора, существующие глубокие аналогии между каналом передачи информации и автоматизированной системой управления, с одной стороны, а также между процессом декодирования передаваемого сигнала в канале передаче информации и процессом распознавания образов, с другой, позволяют обоснованно надеяться на то, что эти аналогии могут быть с успехом продолжены и что на этом пути могут быть получены новые интересные для теории и практики АСУ результаты.

С позиций теории информации объект управления естественным образом может рассматриваться как канал связи (включая приемник информации), на вход которого подается определенная информация в форме входных параметров. Входная информация преобразует состояние объекта управления, т.е переводит его из начального состояния в конечное, характеризующееся определенными выходными параметрами. Таким образом, на выходе объекта управления входная информация приобретает форму выходных параметров.

Канал связи считается идеальным, если на его выходе фиксируются те же параметры, что и на входе. Поэтому в теории связи ставится задача создания каналов связи, обеспечивающих формирование выходных параметров, тождественных входным. Если рассматривать объект управления как канал связи, то очевидно, что он далек от идеального с точки зрения теории информации, так как преобразует входные параметры в выходные по сложным, более того, до конца не известным законам.

Формирование на выходе объекта управления определенных заранее заданных параметров можно считать преобразованием этого объекта из исходного состояния, характеризующегося набором входных параметров, в целевое состояние, которое осуществлено путем подачи на его вход определенной информации (управляющего воздействия).

Поэтому в теории автоматизированного управления ставится иная задача: зная с определенной точностью закономерности преобразования входных параметров в выходные разработать и подать на вход объекта управления (канала связи) такие входные параметры, которые обеспечивают получение на его выходе заранее заданных выходных параметров.

Идеальный канал связи не искажает входной информации, т.е. выходные параметры не отличаются от входных. В шумящем канале связи связь выходных параметров с входными носит сложный и неоднозначный характер, определяемый статистическими характеристиками шума. Важнейшим разделом теории информации является теория построения кодов, позволяющих обнаруживать и исправлять ошибки, возникающие из–за шума в канале связи. Эти коды имеют определенные возможности, т.е. могут, например, гарантировать абсолютную достоверность восстановления переданного с искажением слова при однократной ошибке. Однако, когда количество ошибок превышает помехоустойчивость кода, он выдает произвольные (случайные) результаты декодирования, что является совершенно неприемлемым.

Поиск методов построения систем интеллектуального декодирования, обеспечивающих устойчивую работу при очень большом количестве ошибок в канале связи путем учета как статистики различных видов ошибок, так и их динамики, приводит к идее применения для этих целей алгоритмов распознавания образов.

Следовательно, в наиболее общей постановке задача декодирования с исправлением ошибок может трактоваться как задача распознавания образов, так как процесс декодирования по сути дела сводится к идентификации, т.е. определению класса, к которому относится принятое слово.

Системы распознавания тесно связаны с системами принятия решений, так как распознавание есть не что иное, как принятие решения о принадлежности распознаваемого объекта к определенному классу [251].

С позиций теории АСУ объект управления преобразует входные параметры в выходные не случайным образом, а в соответствии со своей функциональной структурой. Аналитически это преобразование задается моделью, которая является аналитическим выражением (формулой), детерминистским образом связывающей выходные параметры с входными. Для простых объектов управления достаточно знать их модель, чтобы по целевым выходным параметрам определить задающее их управление. Это означает, что простые детерминистские объекты управления можно рассматривать как каналы связи без помех.

Для сложных объектов управления связь выходных параметров с входными имеет более сложный статистический характер, чем у детерминистских объектов. Кроме того на эту связь влияют параметры, значения которых являются неопределенными. Тем не менее, эта связь, безусловно, существует. Это означает, что сложный объект управления можно рассматривать как зашумленный информационный канал, на вход которого действуют управляемые параметры, влияние среды и неизвестных параметров рассматривается как шум, а на выходе формируются выходные параметры.

В постановке теории информации данная, т.е. первая, задача управления по параметрам формулируется следующим образом: "Определить, какую информацию необходимо подать на вход объекта управления (т.е. какими должны быть его входные параметры), чтобы получить на его выходе заранее заданную выходную информацию (выходные параметры)".

Однако в случае сложного объекта управления его состояние не сводится к значениям выходных параметров. Поэтому необходимо предварительно решить вторую задачу, т.е. исходя из того, что целевые состояния объекта управления известны, определить приоритетные выходные параметры, играющие основную роль в детерминации этих состояний.

Кроме того, сама связь выходных и входных параметров у сложных объектов управления имеет сложный и динамичный характер, который не может быть адекватно описан статической детерминистской аналитической моделью. Вместе с тем применение обучающейся системы распознавания образов обеспечивает решение и этой третьей задачи, т.е. построение и адаптацию динамичной информационной модели объекта управления и в том случае, когда он является сложной системой.

С позиций теории информации все эти три задачи относятся к обратным задачам декодирования. Для систем распознавания образов, формирующих обобщенные образы классов распознавания, это стандартная операция, не представляющая проблемы.

Предложено рассматривать сложный объект управления как зашумленный информационный канал, на вход которого действуют управляемые параметры, влияние среды рассматривается как шум, а на выходе формируются выходные параметры.

Обоснован важный в теоретическом отношении вывод о том, что принятие решения об управляющем воздействии представляет собой решение обратной задачи декодирования теории информации, или в общем случае – обратной задачи распознавания образов. Иначе говоря: процесс труда по сути дела представляет собой процесс управления, – это информационный процесс, обратный процессу познания.

Информационная теория стоимости. Связь количества (синтаксиса) и качества (содержания, семантики) информации с меновой и потребительной стоимостью

Информация записанная в структуре продукта труда непосредственно человеком создает и потребительную, и меновую стоимость. Информация же записанная в структуре продукта средствами труда, т.е. без участия человека, автоматически, не увеличивает стоимость этого продукта, хотя и создает его потребительную стоимость.

При этом совершенно неважно, каким образом записана эта информация в самих средствах труда: непосредственно человеком или также с помощью средств труда. Неважно также записана эта информация непосредственно в механической или другой консервативной структуре средств труда жестко один раз и навсегда, или в некотором мобильном устройстве памяти с возможностью его перепрограммирования (как в компьютерах, на гибких автоматизированных линиях и роботизированных комплексах).

Напротив информация стертая в средстве труда в процессе создания данного продукта (износ средства труда) переноситься на него и увеличивает его стоимость, хотя и не создает никакой потребительной стоимости. Но в процессе труда информация в средстве труда может не только стираться, но и накапливаться: это происходит, например, в интеллектуальных автоматизированных системах, как обучающихся с учителем, так и самообучающихся (поэтому их называют генераторами информации). В этом случае стоимость средств труда в процессе их использования не уменьшается, а возрастает, и стоимость продукта, созданного с их помощью соответственно уменьшается, а не увеличивается.

Итак, потребительная стоимость продукта труда определяется КАЧЕСТВОМ (смыслом, содержанием) связанной информации, записанной в физической форме и структуре того продукта непосредственно человеком или его средствами труда.

Абстрактная себестоимость продукта труда определяется алгебраической суммой КОЛИЧЕСТВА связанной информации, записанной в структуре физической формы продукта труда человеком и КОЛИЧЕСТВА связанной информации стертой или записанной в структуре физической формы средств труда в процессе производства данного продукта, причем последняя берется со знаком "+", если она стерта (износ средств труда), и со знаком "-", если она записана (генерация информации).

Производительность человеческого труда тем выше, чем большее количество функций тела человека передано его средствам труда, а также чем выше степень использования функциональных возможностей этих средств труда человеком. Чем выше производительность труда, тем большая доля информации записывается в продукте труда средствами труда автоматически, т.е. без участия человека. Таким образом, в конечном счете производительность труда определяется прежде всего уровнем развития сознания человека.

Рисунок 3. 5. Схема образования потребительной стоимости и стоимости в процессе труда с позиций информационной теории стоимости

В отличие от производительности труда изменение его интенсивности не влияет на функциональный уровень технологии, а значит и на соотношение между количеством информации, записанной в продукт труда человеком и средствами труда. Поэтому только уменьшение рабочего времени, необходимого на производство данного продукта, достигнутое за счет увеличения производительности человеческого труда уменьшает абстрактную себестоимость этого продукта и может служить адекватной мерой изменения этой себестоимости. Так гениальные произведения искусства, содержащие колоссальную информацию, записанную в них непосредственно человеком-творцом практически без использования средств труда, всегда будут иметь наивысшую стоимость, значительно превосходящую стоимость самых качественных репродукций.

До сих пор мы использовали термин и понятие "время" без его специального анализа и определения в каком-то обыденно-экономическом значении. Теперь же основываясь на общности основных законов информационных взаимодействий проведем аналогию (а может быть и больше чем аналогию) между "временем физическим", "психофизиологическим" и "экономическим", естественно, насколько это возможно в рамках данной работы.

Из физики известно, что редукция виртуального объекта происходит при сообщении ему энергии, необходимой для образования его массы покоя. Очевидно, редуцируемый объект представляет собой канал взаимодействия классического и виртуального уровней Реальности и этот канал обеспечивает передачу энергии с первого уровня на второй. Однако для возникновения структуры редуцированной формы объекта одной энергии явно недостаточно: для этого необходима также и информация об этой структуре. Эта информация существовала еще до редукции на виртуальном уровне строения редуцируемого объекта и была передана по тому же каналу, но в направлении обратном энергетическому потоку.

Таким образом в физике виртуальная сущность объекта выступает как источник информации, сам объект как информационно-энергетический канал взаимодействия виртуального и редуцированного уровней Реальности, а редуцированная форма объекта - как носитель информации, изменяющий свою структуру по мере записи соответствующей информации в структуре среды.

Чем выше уровень развития (сложность) объекта, тем более отдаленные друг от друга качественно различные уровни Реальности он соединяет как информационно-энергетический канал, тем выше пропускная способность (мощность) этого канала, тем большее разнообразие форм энергии и языковых форм представления информации он обеспечивает, и, наконец тем выше информационная емкость его формы, т.е. тем большее количество информации может быть записано в структуре его формы до момента начала повышения ее энтропии.

Здесь уместным является пример с магнитофонной лентой на которую мы пытаемся записать как можно больше информации на единицу длины путем уменьшения скорости протяжки. Если при постоянном информационном потоке записи эту скорость уменьшать линейно, то первоначально плотность информации будет возрастать также практически линейно (а энтропия соответственно уменьшаться), однако скоро мы заметим, что плотность информации стала возрастать медленнее, т.к. возросли шумы (уменьшилось отношение сигнал/шум). Если продолжать и дальше уменьшать скорость протяжки, то конце концов это приведет к тому, что качественный записывающий сигнал будет восприниматься лентой практически как стирающий, т.е. на нее будет записываться один шум.

Таким образом можно сделать по крайней мере следующие выводы:

Процесс труда можно рассматривать как процесс редукции образа продукта труда в структуре физической среды, что становится непосредственно очевидным при достижении ментального типа сознания;

Человеческая душа с ее неисчерпаемым творческим потенциалом является единственным источником всякой собственности и стоимости в этом мире. Поэтому даже в чисто экономическом, в общем-то достаточно "приземленном" смысле, нет ничего более ценного в мире, чем человеческая душа.

Примечание: Согласно теории "Естественного права" (Сократ, Платон, Фома Аквинский) наиболее глубоким источником права является природа самого человека. Одним из основных правовых отношений является отношение собственности. На этом основании автор выдвигает (в качестве гипотезы, конечно) "Естественную теорию собственности":

1. Человеческая Душа является единственным и наиболее глубоким источником всех форм собственности и их фундаментом;

2. В зависимости от формы сознания человеческая душа отождествляет себя с различными "телами проявления" и, таким образом, возникает первая производная форма собственности: - собственность на свое тело и право на жизнь (при физической форме сознания - это собственность на физическое тело и физическую жизнь);

3. Из "Естественного права" собственности на свое тело возникает право собственности на все, что произведено непосредственно и исключительно с применением своего тела: прежде всего сам живой (собственный) труд, средства и продукты труда (физического и "умственного");

4. Право собственности на свой труд и средства труда приводят к праву собственности на продукты своего труда, произведенные с использованием собственных средств труда, а также к отсутствию права собственности на продукты труда, произведенные с использованием чужих средств труда (наемный труд).

Темп времени является величиной индивидуальной для каждого объекта и определяется мощностью информационно-энергетического канала, связывающего физическую форму объекта с его более глубокими структурными уровнями.

Информация, как товар

В эпоху господства капитала полагали, что "чистым товаром" является золото. Однако, если проанализировать те свойства золота, которые превратили его в основной эквивалент стоимости, то с очевидностью обнаружится, что это именно те свойства, из-за которых золото является идеальным носителем информации (информация легко "записывается" в золото, т.к. оно достаточно мягкое; информация долго сохраняется в золоте, т.к. оно не ржавеет, не является хрупким, не подвержено другим формам "порчи", т.е. стирания). Известно, что "стоимость" является не физическим свойством той или иной вещи, стоимость - это свойство вещи, которое приписывают ей люди, которые вступают посредством нее в определенные экономические отношения друг с другом. В действительности же все отношения людей друг с другом являются информационными. Золото, как эквивалент стоимости, также является лишь "информационным пакетом", несущим определенное количество информации, соответствующее его весу. Исходя из всех этих рассуждений и учитывая информационную теорию стоимости, основные положения которой были сформулированы выше, являясь свидетелями информационного общества, победившего в развитых странах, мы можем предположить, что единственным "чистым товаром" является (а по существу всегда и являлась) только информация.

Информация является квинтэссенцией стоимости

Кратко рассмотрим вопрос о стоимости самой информации, имеющий самое непосредственное отношение к проблеме оценки экономической эффективности применения систем интеллектуальной обработки данных.

Мы знаем, как информация, в качестве рекламы, приносит деньги. Мы знаем также, что технология, "Ноу-хау", стоит значительно дороже, чем продукты ее применения.

Информация, как и нефть, может быть "сырой" или обработанной. Сырая информация может почти ничего не стоить по сравнению со стоимостью аналитически обработанной информации, т.е. информации, которая находится в форме пригодной для употребления, готовой немедленно принести громадные преимущества ее обладателю по сравнению с другими людьми, ею не обладающими.

Стоимость и амортизация интеллектуальных систем и баз знаний

Любая программная система представляет собой виртуальное средство труда работающее на базе универсального компьютера. Эти информационные средства труда, так же как и обычные "физические", могут быть предназначены либо для непосредственного потребления пользователем (группа "Б"), или для создания других подобных средств труда ("группа "А").

Вопрос о стоимости программных систем - это вопрос о стоимости средств труда, начисто лишенных своего "физического тела". В их создание вложен громадный высококвалифицированный труд, наукоемкие технологии, но тиражируются такие средства очень просто - путем перезаписи на магнитный носитель. Это своего рода "психосинтез", и если бы нечто аналогичное стало возможным с физическими объектами, то наступил бы настоящий "золотой век", по крайней мере в плане материальном (гибкие роботизированные комплексы уже приближают их к этому). Следовательно, в соответствии с информационной теорией стоимости программные продукты имеют высокую потребительную стоимость и практически никакой меновой стоимости. Меновая стоимость программных продуктов определяется практически затратами на поиск места, где они уже есть, и на доставку потребителю. С появлением Internet практически решены вопросы и поиска, и доставки программного обеспечения и других "информационных товаров".

Чтобы повысить меновую стоимость программных систем их разработчики стараются затруднить их так называемое "свободное тиражирование" или попросту говоря - воровство, вводя необходимость инсталляции и "привязывая" систему к конкретному компьютеру (имеются также другие способы). Но, во-первых, против этого также есть свои средства, а во-вторых, такая привязка снижает функциональную ценность программной системы, т.к. делает ее более уязвимой при технических авариях, модернизации компьютера и т.п., что в общем делает ее менее удобной для пользователя.

Что касается износа программных систем, этих "нематериальных активов", то физический износ у них вообще отсутствует, а моральный может быть весьма значительным: после появления новой версии программного продукта - старой уже никто не хочет пользоваться (хотя иногда появляется "сырая" и "не очень работающая" новая версия, а старая - хорошо отработана и идеально выполняет свои функции). Итак, с появлением новой версии старая может "в один момент" потерять всю свою стоимость (в том числе и балансовую - в результате переоценки).

Иначе обстоит дело с базами данных и интеллектуальными системами, которые накапливают и структурируют информацию, обрабатывают ее по более или менее сложным алгоритмам, в результате чего их стоимость непрерывно возрастает. Стоимость баз данных, находящихся на банковском сервере, может в десятки миллионов раз превышать стоимость самого компьютера и в процессе работы это соотношение все больше увеличивается в пользу информации. Естественно, такую ценную информацию необходимо защищать, чтобы даже если сервер будет похищен, злоумышленники не смогли извлечь из него ни одно бита интересующей их информации.

Источники экономической эффективности АСУ и систем интеллектуальной обработки данных с позиций теории информации

Информация, содержащаяся в системе, непосредственно связана с энтропией этой системы (обратно пропорционально), а та, в свою очередь, – с количеством энергии в системе (пропорционально). Таким образом, информация имеет энергетический эквивалент. В принципе возможна формула, связывающая количество информации с количеством энергии, наподобие знаменитой формулы Альберта Эйнштейна E=mc².

При сообщении некоторой системе определенного количества информации ее энтропия уменьшается, что приводит к выделению или экономии энергии (охлаждению системы). Например, при внедрении системы оперативного управления процессом уборки зерновых в масштабах одного района Краснодарского края в 1983-1988 годах за счет повышения ровня системной организации объекта управления экономилось топлива на сумму около 400 тысяч рублей. Автором данной работы эти мысли высказывались в предложенной им информационной теории стоимости еще в 1979 году. В последние годы подобные мысли высказываются и рядом других авторов [132].

Вывод о выборе в качестве базовой численной меры количества информации

Аналитическая информация измеряется в БИТах или других единицах измерения информации, а также может быть безразмерной (однако во втором случае она сложнее поддается содержательной интерпретации).

Таким образом, в качестве количественной меры взаимосвязи факторов и будущих состояний АОУ целесообразно использовать количество информации.

Однако, известно много различных информационных мер и, следовательно, возникает задача выбора одной из них, оптимальной по выбранным критериям. Различные выражения классической теории информации для количества информации: Хартли, Шеннона и Харкевича учитывают различные аспекты информационного моделирования объектов (таблице 3.2):

Таблица 3. 2 – СООТВЕТСТВИЕ ТРЕБОВАНИЯМ
ВЫРАЖЕНИЙ ДЛЯ КОЛИЧЕСТВА ИНФОРМАЦИИ

– формула Хартли учитывает количество классов (мощность множества состояний объекта управления) но никак не учитывает их признаков или факторов, переводящих объект в эти состояния, т.е. содержит интегральное описание объектов;

– формула Шеннона основывается на учете признаков, т.е. основывается на дискретном описании объектов;

– формула Харкевича учитывает понятие цели и также как формула Шеннона основана на статистике признаков, но не учитывает мощности множества будущих состояний объекта управления, включающего целевые и другие будущие состояния объекта управления и также как формула Шеннона основывается на дискретном описании объектов.

Как видно из таблицы 3.2, классическая формула Харкевича по учитываемым критериям имеет преимущества перед классическими формулами Хартли и Шеннона, т.к. учитывает как факторы, так и понятие цели. Поэтому именно выражение для семантической целесообразности информации Харкевича взято за основу при выводе обобщающего выражения, удовлетворяющего всем предъявляемым требованиям.

3.1.3. Конструирование системной численной меры на основе базовой

Системное обобщение формулы Хартли для количества информации.

Классическая формула Хартли имеет вид:

(3. 1)

Будем искать ее системное обобщение в виде:

(3. 2)

где:

W – количество чистых (классических) состояний системы.

j – коэффициент эмерджентности Хартли (уровень системной организации объекта, имеющего W чистых состояний);

Учитывая, что возможны смешанные состояния, являющиеся нелинейной суперпозицией или одновременной реализацией чистых (классических) состояний "из W по m", всего возможно состояний системы, являющихся сочетаниями классических состояний. Таким образом, примем за аксиому, что системное обобщение формулы Хартли имеет вид [153, 366]:

(3. 3)

Так как , то при M=1 выражение (3.3) приобретает вид (3.1), т.е. выполняется принцип соответствия, являющийся обязательным для более общей теории.

Рассмотрим подробнее смысл выражения (3.3), представив сумму в виде ряда слагаемых:

(3. 4)

Первое слагаемое в (3.4) дает количество информации по классической формуле Хартли, а остальные слагаемые – дополнительное количество информации, получаемое за счет системного эффекта, т.е. за счет наличия у системы иерархической структуры или смешанных состояний. По сути дела эта дополнительная информация является информацией об иерархической структуре системы, как состоящей из ряда подсистем различных уровней сложности.

Например, пусть система состоит из W пронумерованных элементов 1-го уровня иерархии. Тогда на 2-м уровне иерархии элементы соединены в подсистемы из 2 элементов 1-го уровня, на 3-м – из 3, и т.д. Если выборка любого элемента равновероятна, то из факта выбора n-го элемента по классической формуле Хартли мы получаем количество информации согласно (3.1). Если же при этом известно, что данный элемент входит в определенную подсистему 2-го уровня, то это дает дополнительное количество информации, за счет учета второго слагаемого, поэтому общее количество получаемой при этом информации будет определяться выражением (3.4) уже с двумя слагаемыми (M=2). Если элемент одновременно входит в M подсистем разных уровней, то количество информации, получаемое о системе и ее подсистемах при выборке этого элемента определяется выражением (3.4). Так, если мы вытаскиваем кирпич из неструктурированной кучи, состоящей из 32 кирпичей, то получаем 5 бит информации, если же из этих кирпичей сложен дом, то при аналогичном действии мы получаем дополнительное количество информации о том, из какой части дома (подсистемы) вытащен этот кирпич. Действия каменщика, укладывающего кирпич на место, предусмотренное проектом, значительно выше по целесообразности, чем у грузчика, складывающего кирпичи в кучу.

Учитывая, что при M=W:

(3. 5)

в этом случае получаем:

(3. 6)

Выражение (3.5) дает оценку максимального количества информации, которое может содержаться в элементе системы с учетом его вхождения в различные подсистемы ее иерархической структуры.

Однако реально в любой системе осуществляются не все формально возможные сочетания элементов 1-го уровня иерархии, т.к. существуют различные правила запрета, различные для разных систем. Это означает, что возможно множество различных систем, состоящих из одинакового количества тождественных элементов, и отличающихся своей структурой, т.е. строением подсистем различных иерархических уровней. Эти различия систем как раз и возникают благодаря различию действующих для них этих правил запрета. По этой причине систему правил запрета предлагается назвать информационным проектом системы. Различные системы, состоящие из равного количества одинаковых элементов (например, дома, состоящие из 20000 кирпичей), отличаются друг от друга именно по причине различия своих информационных проектов.

Из выражения (3.5) очевидно, что I быстро стремится к W:

(3. 7)

В действительности уже при W>4 погрешность выражения (3.5) не превышает 1% (таблица 3.3):

Таблица 3. 3 – ЗАВИСИМОСТЬ ПОГРЕШНОСТИ
ВЫРАЖЕНИЯ (3.5) ОТ КОЛИЧЕСТВА КЛАССОВ W

График зависимости погрешности выражения (3.5) от количества классов W приведен на рисунке 3.6:

Рисунок 3. 6. Зависимость погрешности приближенного выражения системного обобщения формулы Хартли от количества классов W

Приравняв правые части выражений (3.2) и (3.3):

(3. 8)

получим выражение для коэффициента эмерджентности Хартли:

(3. 9)

Непосредственно из вида выражения для коэффициента эмерджентности Хартли (3.9) ясно, что он представляет собой относительное превышение количества информации о системе при учете системных эффектов (смешанных состояний, иерархической структуры ее подсистем и т.п.) над количеством информации без учета системности, т.е. этот коэффициент отражает уровень системности объекта.

С учетом выражения (3.9) выражение (3.2) примет вид:

(3. 10)

или при M=W и больших W, учитывая (3.4 – 3.6):

(3. 11)

Выражение (3.10) и представляет собой искомое системное обобщение классической формулы Хартли, а выражение (3.11) – его достаточно хорошее приближение при большом количестве элементов или состояний системы (W).

Таким образом, коэффициент эмерджентности Хартли отражает уровень системности объекта и изменяется от 1 (системность минимальна, т.е. отсутствует) до W/Log₂W (системность максимальна). Очевидно, для каждого количества элементов системы существует свой максимальный уровень системности, который никогда реально не достигается из-за действия правил запрета на реализацию в системе ряда подсистем различных уровней иерархии.

Например: из 32 букв русского алфавита может быть образовано не осмысленных 6-буквенных слов, а значительно меньше. Если мы услышим одно из этих в принципе возможных слов, то получим не 5´6=30 информации, содержащейся непосредственно в буквах (в одной букве содержится Log₂32=5 бит), а 30+19,79=49,79 бит, т.е. в 1.66 раз больше. Это и есть уровень системности иерархического уровня 6-буквенных слов русского языка. Уровень системности русского языка, как системы, состоящей из слов длиной от одной до 6 букв, согласно выражения (3.9) с учетом (3.5), равен примерно 6,4.

Аналогично и в генах, этих "символах генома", содержится значительно больше информации о фенотипе, чем предполагается в классической генетике Менделя, т.к. они образуют ансамбли различных уровней иерархии в зависимости от влияния среды и технологий управления (адаптивность системы "генотип-среда", Драгавцев В.А., 1993).

На уровне слов верхняя оценка уровня системности русского языка с учетом (3.5) составляет огромную величину: 2616,48 (предполагается, что в русском языке 40000 слов и предложения могут иметь любую длину). Необходимо отметить, что правила запрета на порядок слов в русском языке значительно слабее, чем, например в английском, поэтому возможно гораздо больше грамматически правильных и несущих различную информацию предложений из одних и тех же слов. Это значит, что уровень системности русского языка на уровне предложений, по-видимому, значительно превосходит уровень системности английского языка. При длине предложения до 2-х слов системность русского языка на уровне предложений согласно (3.9) составляет: 52330916.

Анализ выражения (3.9) показывает, что при М=1 оно преобразуется в (3.1), т.е. выполняется принцип соответствия. При М>1 количество информации в соответствии с системной теорией информации (СТИ) (3.9) будет превосходить количество информации, рассчитанное по классической теории информации (КТИ) (3.1). Непосредственно из выражения (3.2) получаем:

(3. 12)

Первое слагаемое в выражении (3.12) отражает количество информации, согласно КТИ, а второе – СТИ, т.е. доля системной информации.

Представляет несомненный интерес исследование закономерностей изменения доли системной информации в поведении элемента системы в зависимости от количества классов W и сложности смешанных состояний M.

В таблице 3.4 приведены результаты численных расчетов в соответствии с выражением (3.9):

Таблица 3. 4 – ЗАВИСИМОСТЬ I(W,M) ОТ КОЛИЧЕСТВА КЛАССОВ W
И СЛОЖНОСТИ СМЕШАННЫХ СОСТОЯНИЙ М

Сводные данные из таблицы 3.4 приведены в таблице 3.5, а в графическом виде они представлены на рисунке 3.7.

Таблица 3. 5 – ЗАВИСИМОСТЬ КОЛИЧЕСТВА ИНФОРМАЦИИ I(W,M)
ОТ СЛОЖНОСТИ СМЕШАННЫХ СОСТОЯНИЙ M ДЛЯ РАЗЛИЧНОГО
КОЛИЧЕСТВА КЛАССОВ W

Рисунок 3. 7. Зависимость количества информации I(W,M)
от сложности смешанных состояний M для разного количества классов W

Рост количества информации в СТИ по сравнению с КТИ обусловлен системным эффектом (эмерджентностью), который связан с учетом смешанных состояний, возникающих путем одновременной реализации нескольких чистых (классических) состояний. Выражение (3.9) дает максимальную возможную оценку количества информации, т.к. могут существовать различные правила запрета на реализацию тех или иных смешанных состояний.

Фактически это означает, что в СТИ множество возможных состояний объекта рассматривается не как совокупность несвязанных друг с другом состояний, как в КТИ, а как система, уровень системности которой как раз и определяется коэффициентом эмерджентности Хартли j (3.9), являющегося монотонно возрастающей функцией сложности смешанных состояний M. Следовательно, дополнительная информация, которую мы получаем из поведения объекта в СТИ, по сути дела является информацией о системе всех возможных состояний объекта, элементом которой является объект в некотором данном состоянии.

Закон возрастания эмерджентности и следствия из него.

Численные расчеты и аналитические выкладки в соответствии с СТИ показывают, что при возрастании количества элементов в системе доля системной информации в поведении ее элементов возрастает. Это обнаруженное нами новое фундаментальное свойство систем предлагается назвать законом возрастания эмерджентности.

Закон возрастания эмерджентности: чем больше элементов в системе, тем большую долю от всей содержащейся в ней информации составляет системная информация.

На рисунках 3.8 и 3.9 приведены графики скорости и ускорения возрастания эмерджентности в зависимости от количества элементов в системе.

Рисунок 3. 8. Возрастание доли системной информации в поведении элемента системы при увеличении количества элементов W

Более детальный анализ закона возрастания эмерджентности с использованием конечных разностей первого и второго порядка (таблица 3.5) показывает, что при увеличении количества элементов в системе доля системной информации в ней возрастает с ускорением, которое постепенно уменьшается. Это утверждение будем называть леммой 1.

Рисунок 3. 9. Ускорение возрастания доли системной информации

в поведении элемента системы от количества элементов W

Продолжим анализ закона возрастания эмерджентности. Учитывая, что:

выражение (3.3) принимает вид:

(3. 13)

где: 1<=М<=W.

и учитывая, что Log₂1=0, выражение (3.13) приобретает вид:

(3. 14)

Введем обозначения:

(3. 15)

С учетом (3.14) выражение (3.9) для коэффициента эмердентности Хартли приобретает вид:

Заменяя в (3.13) факториал на Гамма-функцию, получаем обобщение выражения (3.3) на непрерывный случай:

Или окончательно:

(3. 16)

Для непрерывного случая обозначения (3.15) принимают вид:

(3. 17)

Учитывая выражения (3.9) и (3.16) получим выражение для коэффициента эмерджентности Хартли для непрерывного случая:

И окончательно для непрерывного случая:

(3. 18)

Анализируя выражения (3.14) и (3.16) видим, что количество информации, получаемое при выборке из системы некоторого ее элемента, состоит из двух слагаемых:

1) зависящего только от количества элементов в системе: W (первое слагаемое);

2) зависящего как от количества элементов в системе W, так и от максимальной сложности подсистем: M (второе слагаемое).

Этот результат позволяет высказать гипотезы "О природе сложности системы" и "О видах системной информации":

– сложность системы определяется количеством содержащейся в ней информации;

– системная информация включает две составляющих: зависящее от количества элементов системы и зависящее также от характера взаимосвязей между элементами.

Изучим какой относительный вклад вносит каждое слагаемое в общее количество информации системы в зависимости от числа элементов в системе W и сложности подсистем M. Результаты численных расчетов отношения I_W/I_MW для различных значений W и M приведены в таблице 3.6 и на рисунке 3.10:

Таблица 3. 6 – ОТНОСИТЕЛЬНЫЙ ВКЛАД ВИДОВ ИНФОРМАЦИИ I_MW/I_W
В ОБЩЕЕ КОЛИЧЕСТВО ИНФОРМАЦИИ, СОДЕРЖАЩЕЙСЯ В СИСТЕМЕ

Рисунок 3. 10. Относительный вклад видов информации I_MW/I_W
в общее количество информации, содержащейся в системе

Анализ таблицы 3.6 и рисунка 3.10 показывает, что чем выше уровень системности, тем большая доля информации системы содержится во взаимосвязях ее элементов, и чем меньше элементов с системе, тем быстрее возрастает доля информации, содержащейся во взаимосвязях элементов при возрастании уровня системности. Эти утверждения будем рассматривать как леммы 2 и 3.

Таким образом полная формулировка закона возрастания эмерджентности с гипотезой о видах информации в системе и тремя леммами приобретает вид:

ЗАКОН ВОЗРАСТАНИЯ ЭМЕРДЖЕНОСТИ: чем больше элементов в системе, тем большую долю от всей содержащейся в ней информации составляет системная информация.

Гипотеза 1: "О природе сложности системы": сложность системы определяется количеством содержащейся в ней информации.

Гипотеза 2: "О видах системной информации": системная информация включает две составляющих:

– зависящее от количества элементов системы;

– зависящее также от характера взаимосвязей между элементами.

Лемма-1: при увеличении количества элементов в системе доля системной информации в ней возрастает с ускорением, которое постепенно уменьшается.

Лемма-2: чем выше уровень системности, тем большая доля информации системы содержится во взаимосвязях ее элементов.

Лемма-3: чем меньше элементов в системе, тем быстрее возрастает доля информации, содержащейся во взаимосвязях элементов при возрастании уровня системности.

Системное обобщение классической формулы Харкевича для количества информации

Это обобщение представляет большой интерес, в связи с тем, что А.Харкевич впервые ввел в теорию информации понятие цели. Он считал, что количество информации, сообщенное объекту, можно измерять по изменению вероятности достижения цели этим объектом за счет использования им этой информации.

Рассмотрим таблицу 3.7, в которой столбцы соответствуют будущим состояниям АОУ (целевым и нежелательным), а строки факторам, характеризующим объект управления, управляющую систему и окружающую среду.

Таблица 3. 7 – МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ

Классическая формула А.Харкевича имеет вид:

(3. 19)

где:

P_ij – вероятность достижения объектом управления j-й цели при условии сообщения ему i-й информации;

P_j – вероятность самопроизвольного достижения объектом управления j-й цели.

Однако: А.Харкевич в своем выражении для количества информации не ввел зависимости количества информации, от мощности пространства будущих состояний объекта управления, в т.ч. от количества его целевых состояний. Вместе с тем, один из возможных вариантов учета количества будущих состояний объекта управления обеспечивается классической и системной формулами Хартли (3.1) и (3.9); выражение (3.19) при подстановке в него реальных численных значений вероятностей P_ij и P_j не дает количества информации в битах; для выражения (3.19) не выполняется принцип соответствия, считающийся обязательным для обобщающих теорий. Возможно, в этом состоит одна из причин слабого взаимодействия между классической теорией информации Шеннона и семантической теорией информации.

Чтобы снять эти вопросы, приближенно выразим вероятности P_ij, P_i и P_j через частоты:

(3. 20)

Подставим в выражение (3.19) значения для P_ij и P_j из (3.20):

(3. 21)

Введем коэффициент эмерджентности Y в модифицированную формулу А.Харкевича:

(3. 22)

где: Y – коэффициент эмерджентности Харкевича (ак будет показано выше, он определяет степень детерминированности объекта с уровнем системной организации j, имеющего W чистых состояний, на переходы в которые оказывают влияние A факторов, о чем в модели накоплено N фактов).

Известно, что классическая формула Шеннона для количества информации для неравновероятных событий преобразуется в формулу Хартли при условии, что события равновероятны, т.е. удовлетворяет фундаментальному принципу соответствия [338].

Естественно потребовать, чтобы и обобщенная формула Харкевича также удовлетворяла аналогичному принципу соответствия, т.е. преобразовывалась в формулу Хартли в предельном случае, когда каждому классу (состоянию объекта) соответствует один признак (фактор), и каждому признаку – один класс, и эти классы (а, значит и признаки), равновероятны. В этом предельном случае отпадает необходимость двухвекторного описания объектов, при котором 1-й вектор (классификационный) содержит интегральное описание объекта, как принадлежащего к определенным классам, а 2-й вектор (описательный) – дискретное его описание, как имеющего определенные атрибуты. Соответственно, двухвекторная модель, предложенная в данной работе, преобразуется в "вырожденный" частный случай – стандартную статистическую модель. В этом случае количество информации, содержащейся в признаке о принадлежности объекта к классу является максимальным и равным количеству информации, вычисляемому по системной формуле Хартли (3.9).

Таким образом при взаимно-однозначном соответствии классов и признаков:

(3. 23)

формула А.Харкевича (3.13) приобретает вид:

(3. 24)

откуда:

(3. 25)

или, учитывая выражение для коэффициента эмерджентности Хартли (3.8):

(3. 26)

Смысл коэффициента эмерджентности Харкевича (3.25) проясняется, если учесть, что при количестве состояний системы W равном количеству фактов N о действии на эту систему различных факторов он равен 1. В этом случае факторы однозначно определяют состояния объекта управления, т.е. являются детерминистскими. Если же количество фактов N о действии на эту систему различных факторов превосходит количество ее состояний W, что является гораздо более типичным случаем, то этот коэффициент меньше 1. По-видимому, это означает, что в этом случае факторы как правило не однозначно (и не так жестко как детерминистские) определяют поведение объекта управления, т.е. являются статистическими.

Таким образом, коэффициент эмерджентности Харкевича Y изменяется от 0 до 1 и определяет степень детерминированности системы:

– Y=1 соответствует полностью детерминированной системе, поведение которой однозначно определяется действием минимального количества факторов, которых столько же, сколько состояний системы;

– Y=0 соответствует полностью случайной системе, поведение которой никак не зависит действия факторов независимо от их количества;

– 0<Y<1 соответствуют большинству реальных систем поведение которых зависит от многих факторов, число которых превосходит количество состояний системы, причем ни одно из состояний не определяется однозначно никакими сочетаниями действующих факторов.

Из выражения (3.25) видно, что в частном случае, когда реализуются только чистые состояния объекта управления, т.е. M=1, коэффициент эмерджентности А.Харкевича приобретает вид:

(3. 27)

Подставив коэффициент эмерджентности А.Харкевича (3.25) в выражение (3.22), получим:

или окончательно:

(3. 28)

Из вида выражения (3.25) для Y очевидно, что увеличение уровня системности влияет на семантическую информационную модель (3.28) аналогично повышению уровня детерминированности системы: понижение уровня системности, также как и степени детерминированности системы приводит к ослаблению влияния факторов на поведение системы, т.е. к понижению управляемости системы за счет своего рода "инфляции факторов".

Например: управлять толпой из 1000 человек значительно сложнее, чем воздушно-десантным полком той же численности. Процесс превращения 1000 новобранцев в воздушно-десантный полк это и есть процесс повышения уровня системности и степени детерминированности системы. Этот процесс включает процесс иерархического структурирования (на отделения, взвода, роты, батальоны), а также процесс повышения степени детерминированности команд, путем повышения "степени беспрекословности" их исполнения. Оркестр, настраивающий инструменты, также весьма существенно отличается от оркестра, исполняющего произведение под управлением дирижера.

Необходимо отметить, что при повторном использовании той же самой обучающей выборки степень детерминированности модели уменьшается. Очевидно, с формальной математической точки зрения этого явления можно избежать, если перед расчетом информативностей признаков делить абсолютные частоты на количество объектов обучающей выборки.

С использованием выражения (3.28) непосредственно из матрицы абсолютных частот (таблица 3.7) рассчитывается матрица информативностей (таблица 3.8), содержащая связи между факторами и будущими состояниями АОУ и имеющая много различных интерпретаций и играющая основополагающую роль в данном исследовании.

Таблица 3. 8 – МАТРИЦА ИНФОРМАТИВНОСТЕЙ

Из рассмотрения основополагающего выражения (3.28) видно, что:

1. При выполнении условий взаимно-однозначного соответствия классов и признаков (3.23) первое слагаемое в выражении (3.28) обращается в ноль и при всех реальных значениях входящих в него переменных оно отрицательно.

2. Выражение (3.28) является нелинейной суперпозицией двух выражений: системного общения формулы Хартли (второе слагаемое), и первого слагаемого, которое имеет вид формулы Шеннона для плотности информации и отличается от него тем, что выражение под логарифмом находится в степени, которая совпадает с коэффициентом эмерджентности Харкевича, а также способом взаимосвязи входящих в него абсолютных частот с вероятностями.

Это дает основание предположить, что первое слагаемое в выражении (3.28) является одной из форм системного обобщения выражения Шеннона для плотности информации:

(3. 29)

Поэтому вполне оправданным будет назвать степень в (3.29) коэффициентом эмерджентности Шеннона-Харкевича.

Генезис и интерпретации системной (эмерджентной) теории информации.

Полученное системное обобщение формулы Харкевича (3.28) учитывает как взаимосвязь между признаками (факторами) и будущими, в т.ч. целевыми состояниями объекта управления, так и мощность множества будущих состояний объекта управления. Кроме того она объединяет возможности интегрального и дискретного описания объектов, учитывает уровень системности и степень детерминированности описываемой системы (таблица 3.9):

Таблица 3. 9 – СООТВЕТСТВИЕ ТРЕБОВАНИЯМ ФОРМУЛ "КТИ / СТИ"

При этом факторами являются управляющие факторы, т.е. управления со стороны системы управления, факторы окружающей среды, а также факторы, характеризующие текущее и прошлые состояния объекта управления. Все это делает полученное выражение (3.28) оптимальным по сформулированным критериям для целей построения содержательных информационных моделей активных объектов управления и для применения для синтеза адаптивных систем управления (см. диаграмму: "Генезис системного обобщения формулы Харкевича для количества информации", рисунок 3.11).

Рисунок 3. 11. Генезис системной (эмерджентной) теории информации

С точки зрения современной физики будущее существует ни менее объективно, чем настоящее, но в другом фазовом состоянии [30]. Причем в будущем одновременно сосуществуют состояния объектов и их сочетания, являющиеся альтернативными и несовместимыми в настоящем. Переход из будущего в настоящее связан с реализацией одной из альтернатив в процессе редукции волновой функции и имеет принципиально вероятностный характер. При этом происходит снятие неопределенности и передача соответствующего количества информации с виртуального уровня на физический, а также запись этой информации в структуре физической среды. В процессе редукции свободная информация многовариантного будущего преобразуется в связанную информацию физической структуры редуцированного объекта. В процессе записи этой информации в соответствии с ее содержанием и формируется эта структура редуцированной формы объекта.

Количество информации, содержащейся в будущем, не может быть рассчитано на основе классической теории информации (КТИ), т.к. само понятие информации в КТИ самым существенным образом основано на понятии классического объекта, который может находиться только в четко фиксированных "чистых" состояниях. В системной теории информации понятие информации обобщено путем учета возможности реализации "смешанных" состояний, являющихся суперпозицией или одновременной реализацией нескольких чистых состояний. Смешанное состояние может объединять 2, 3 и более чистых состояния. Параметр М в формулах, приведенных на рисунке 3.11, как раз и отражает сложность смешанных состояний. Это имеет смысл, т.к. в конкретных системах могут существовать различные правила запрета на возникновение тех или иных смешанных состояний, таким образом фактически может реализоваться значительно меньше смешанных состояний, чем формально возможно. При М=1 формулы СТИ в соответствии с принципом соответствия преобразуются в формулы КТИ.

Проведенный анализ позволяет выдвинуть гипотезу о том, что синтез и модификация структур в системах подчиняется обобщенному принципу, который предлагается назвать принципом Паули-Мопертюи:

"В любой системе каждый из ее элементов принимает состояние, обеспечивающее максимум информации в системе, как целом (Паули) при минимуме управляющего информационного воздействия на элемент со стороны системы, как целого (Мопертюи)."

Этот принцип может играть роль правила запрета при структурировании системы.

Некоторые примеры, иллюстрирующие предложенную гипотезу:

– фрактальные структуры (каждый элемент строится по тем же законам, что и все целое, часть подобна целому);

– живые организмы (в каждой в клетке содержится генетическая информация обо всем организме);

– квантовые структуры, в т.ч. редукция волновой функции, как информационный процесс синтеза физических структур;

– структуры иерархического управления (на каждом уровне управления руководитель знает и самостоятельно реализует свою задачу, направленную на достижение цели всей системы в целом);

– локальные и корпоративные компьютерные сети, Internet.

Итак, различные выражения классической теории информации для количества информации: Хартли, Шеннона и Харкевича учитывают различные аспекты информационного моделирования объектов.

Полученное системное обобщение формулы А.Харкевича (3.28) учитывает как взаимосвязь между признаками (факторами) и будущими, в т.ч. целевыми состояниями объекта управления, так и мощность множества будущих состояний. Кроме того она объединяет возможности интегрального и дискретного описания объектов, учитывает уровень системности и степень детерминированности системы.

При этом факторами являются управляющие факторы, т.е. управления со стороны системы управления, факторы окружающей среды, а также факторы, характеризующие текущее и прошлые состояния объекта управления. Все это делает полученное выражение (3.28) оптимальным по сформулированным критериям для целей построения содержательных информационных моделей активных объектов управления и для применения для синтеза рефлексивных АСУ активными объектами.

3.2. СЕМАНТИЧЕСКАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ АСК-АНАЛИЗА

Основная проблема, решаемая в аналитической модели: выбор способа вычисления весовых коэффициентов, отражающих степень и характер влияния факторов на переход активного объекта управления в различные состояния.

Основное отличие предлагаемого подхода от методов обобщения экспертных оценок состоит в том, что в предлагаемом подходе от экспертов требуется лишь само решение, а весовые коэффициенты автоматически подбираются в соответствии с моделью таким образом, что в сходных случаях будут приниматься решения, аналогичные предлагаемым экспертами. В традиционных подходах от экспертов требуют либо самих весовых коэффициентов, либо правил принятия решения (продукций).

3.2.1. Формализм динамики взаимодействующих семантических информационных пространств. Двухвекторное представление данных.

Не всегда и не все классы являются атрибутами, также не всегда и не все атрибуты являются классами по смыслу. Поэтому традиционное представление данных в форме одной матрицы с одинаковыми строками и столбцами представляется нецелесообразным и предлагается более общее – двухвекторное представление.

В предлагаемой математической модели формальное описание объекта представляет собой совокупность его интенсионального и экстенсионального описаний. Интенсиональное (дискретное) описание – это последовательность информативностей (но не кодов) тех и только тех признаков, которые реально фактически встретились у данного конкретного объекта. Экстенсиональное (континуальное) описание состоит из информативностей (но не кодов) тех классов распознавания, для формирования образов которых по мнению экспертов целесообразно использовать интенсиональное описание данного конкретного объекта. Именно взаимодействие и взаимная дополнительность этих двух взаимоисключающих видов описания объектов формирует то, что психологи, логики и философы называют "смысл".

Таким образом формальное описание объекта в предлагаемой модели состоит из двух векторов. Первый вектор описывает к каким обобщенным категориям (классам распознавания) относится объект с точки зрения экспертов (вектор субъективной, смысловой, человеческой оценки). Второй же вектор содержит информацию о том, какими признаками обладает данный объект (вектор объективных характеристик). Необходимо особо подчеркнуть, что связь этих двух векторов друг с другом имеет вообще говоря не детерминистский, а вероятностный, статистический характер.

Если объект описан обоими векторами, то это описание можно использовать для формирования обобщенных образов классов распознавания, а также для проверки степени успешности выполнения этой задачи.

Если объект описан только вторым вектором – вектором признаков, то его можно использовать только для решения задачи распознавания (идентификации), которую можно рассматривать как задачу восстановления вектора классов данного объекта по его известному вектору признаков.

Предлагаемая модель удовлетворяет принципу соответствия, т.е. в ней одновекторный вариант описания предметной области получается как некоторое подмножество из возможных в ней вариантов, определяемое двумя ограничениями:

– справочник классов распознавания тождественно совпадает со справочником признаков;

– наличие какого-либо признака у объекта обучающей выборки однозначно (детерминистским образом) определяет принадлежность этого объекта к соответствующему классу распознавания (взаимно-однозначное соответствие классов и признаков).

Очевидно, эти ограничения приводят и к соответствующим ограничениям, накладываемым в свою очередь на варианты обработки информации и анализа данных в подобных системах.

Если говорить конкретнее, такая модель данных стирает различие между атрибутами и классами и не позволяет решать ряд задач, в которых эта абстракция является недопустимым упрощением. Эти задачи будут подробнее рассмотрены ниже.

Семантические пространства классов и атрибутов

Наглядно модель данных целесообразно представить себе в виде двух взаимосвязанных фазовых (т.е. абстрактных) пространств, в первом из которых осями координат служат шкалы атрибутов (пространство атрибутов), а во втором – шкалы классов (пространство классов).

В пространстве атрибутов векторами являются объекты обучающей выборки и обобщенные образы классов. Вектор класса представляет собой массив координат в фазовом пространстве, каждый элемент массива, т.е. координата, соответствует определенному атрибуту, а значение этой координаты – весовому коэффициенту, отражающему количество информации, содержащееся в факте наблюдения данного атрибута у объекта о принадлежности этого объекта к данному классу. В пространстве классов векторами являются атрибуты. Вектор атрибута представляет собой массив координат в фазовом пространстве, каждый элемент массива, т.е. координата, соответствует определенному классу, а значение этой координаты – весовому коэффициенту, отражающему количество информации, содержащееся в факте наблюдения объекта данного класса о том, что у этого объекта будет определенный атрибут.

Таким образом, выбор смысла и математической формы значений весовых коэффициентов вводит метрику в этих фазовых пространствах. Это самым существенным образом отличает предложенные семантические информационные пространства классов и атрибутов от семантического пространства, используемого в основном в психологии, в котором осями являются признаки (шкалы), а значениями координат по осям являются – градации признаков.

Однако этого недостаточно. Чтобы над векторами в фазовых пространствах можно было корректно выполнять стандартные операции сложения, вычитания, скалярного и векторного умножения, выполнять преобразования системы координат, переход от одной системы координат к другой, и вообще применять аппарат линейной алгебры и аналитической геометрии, что представляет большой научный и практический интерес и является очень актуальным, необходимо корректно ввести в этих пространствах системы координат т.е. системы отсчета, удовлетворяющие определенным требованиям.

Требования к системам координат, свойства векторов классов и атрибутов, решение проблемы снижения размерности описания и ортонормирования

В качестве осей координат пространства атрибутов целесообразно выбрать вектора атрибутов, обладающие следующими свойствами:

1. Их должно быть минимальное количество, достаточное для полного описания предметной области.

2. Эти вектора должны пересекаться в одной точке.

3. Значения координат вектора должны измеряться в одной единице измерения, т.е. должны быть сопоставимы.

Для выполнения первого требования необходимо, чтобы математическая форма и смысл весовых коэффициентов были выбраны таким образом, чтобы модули векторов атрибутов в пространстве классов были пропорциональны их значимости для решения задач идентификации, прогнозирования и управления. Причем наиболее значимые вектора атрибутов не должны коррелировать друг с другом, т.е. должны быть ортонормированны. В этом случае при удалении векторов с минимальными модулями автоматически останутся наиболее значимые практически ортонормированные вектора, которые можно принять за базисные, т.е. в качестве осей системы координат.

Второе требование означает, что минимальное расстояние между этими векторами в пространстве классов должно быть равно нулю.

Третье требование предполагает соответствующий выбор математической формы для значений координат.

Эти идеальные требования практически никогда не будут соблюдаться на практике с абсолютной точностью. Однако этого и не требуется. Достаточно, чтобы реально выбранные в качестве базисных атрибуты отображались в пространстве классов векторами, для которых эти требования выполняются с точностью, достаточной для применения соответствующих математических моделей и математического аппарата на практике.

Аналогично обстоит дело и с минимизацией размерности пространства классов. В качестве базисных могут выбраны вектора классов, имеющие максимальную длину и взаимно (попарно) ортонормированные.

Очевидно, задача выбора базисных векторов имеет не единственное решение, т.е. может существовать несколько систем таких векторов, которые можно рассматривать как результат действия преобразований системы координат, состоящих из смещений и поворотов.

3.2.2. Конструирование максимального конфигуратора предметной области (когнитивная структуризация, формализация предметной области, шкалы и градации)

Полное описание типов измерительных шкал дается в [4]

В данной работе предлагается следующие определения.

Шкала – это способ классификации объектов по наименованиям или степени выраженности некоторого свойства.

Градация – это положение на шкале (или интервал, диапазон), соответствующее наименованию или определенной степени выраженности свойства.

Формализация предметной области это процесс состоящий из двух основных этапов:

1. Конструирование шкал и градаций для описания и кодирования состояний объекта управления и факторов, влияющих на его поведение.

2. Отнесение состояний объекта управления и факторов к определенным градациям соответствующих шкал.

Понятие шкалы тесно связано с ключевым понятием когнитивной психологии: понятием конструкта, более того, практически является синонимом или формальным аналогом этого понятия. Конструктом называется понятие, имеющее полюса, противоположные по смыслу, и ряд промежуточных градаций. Познание состоит в создании (генерировании) новых конструировании конструктов и их использовании для ориентации в предметной области. Таким образом формализация предметной области по сути дела представляет собой ее познание, т.е. когнитивную структуризацию. В приведенной таблице 3.10 дана характеристика измерительных шкал согласно [4].

Таблица 3. 10 – ХАРАКТЕРИСТИКА И ПРИМЕРЫ ИЗМЕРИТЕЛЬНЫХ ШКАЛ

Конечно, наименования могут быть присвоены градациям всех видов измерительных шкал.

Шкалы классов

Очень плодотворным является представление классов распознавания, как некоторых областей в фазовом пространстве, в котором в качестве осей координат выступают некоторые шкалы. Классы распознавания могут рассматриваться, также, как градации (конкретные значения, заданные с некоторой точностью, или диапазоны - зоны), заданные на этих шкалах. Количество шкал, тип шкал и количество градаций на них в предлагаемой модели задает сам пользователь.

Если представить эти шкалы как оси координат, то, очевидно, наиболее обобщенным классам распознавания соответствуют зоны на самих осях. Кроме того возможны варианты сочетаний по 2 оси, соответствующие областям на координатных плоскостях. Существуют также области в фазовом пространстве, образованные сочетаниями градаций сразу n-го количества шкал, где n <= N, где N - размерность фазового пространства. Естественно, пользователь может исследовать только те классы, которые его интересуют, сознательно принимая решение не рассматривать остальных. Но он должен знать, что и остальные классы также могут быть сформированы и исследованы, а для этого нужно иметь их классификацию, принцип разработки которой мы только что рассмотрели.

Конкретными реализациями обобщенных категорий могут быть объекты, их состояния или ситуации (но применять мы, как правило, будем термин "объекты", всегда имея в виду и остальные возможные варианты). Синонимами понятия "класс распознавания" являются применяющиеся в специальной литературе термины "объекты", "категории", "образы", "эталоны", "типы", "профили".

Когда классы распознавания сформированы с ними могут осуществляться три основные операции:

– сравнение конкретных объектов, их состояний или ситуаций с классами;

– сравнение классов друг с другом;

– вывод информации о содержании обобщенного образа класса в форме таблиц или графических диаграмм.

Шкалы атрибутов

Конкретные объекты, предъявляемые Системе в качестве примеров или реализаций некоторых обобщенных классов (прецедентов), описываются на языке атрибутов, т.е. признаков.

Признаки могут иметь любую природу, в частности:

– объективную - физическую, химическую и др. (вес, температура, рост);

– социально-экономическую (меновую и потребительную стоимость, степень амортизации, процент дивидендов);

– эмоционально-психологическую (привлекательный, предупредительный, исполнительный, конфликтный и т.п.).

Система признаков двухуровневая, что позволяет формализовать (шкалировать) не только качественные (да/нет), но и количественные (числовые) признаки, а также позволяет обрабатывать вопросы со многими, в том числе и неальтернативными вариантами ответов. Вопрос с вариантами ответов можно рассматривать как шкалу с градациями. Такое понимание позволяет "ввести в оборот" хорошо разработанную теорию шкалирования, что является весьма ценным. В предлагаемой модели нет ограничений на тип и количество шкал, а также на количество градаций в них (за исключением суммарного общего количества градаций. Нет в предлагаемой модели и таких искусственных ограничений, как, например, необходимость одинакового количества градаций во всех шкалах, или необходимость использовать только шкалы только одного какого-либо типа, и т.п., которые, как правило, встречаются в других системах.

В принципе могут быть сконструированы системы признаков, представляемые деревьями трех и более уровней, однако программно реализовывать их нецелесообразно, т.к. они все сводятся к двухуровневым деревьям (вопросы с вариантами ответов).

Данная структура системы признаков относится к закрытому типу с множественным выбором. Это также не является ограничением, т.к. к данной системе могут быть сведены результаты тестирования с помощью тестов других видов: как открытых, так и закрытых, как с вербальным стимульным материалом, так и с невербальным (рисуночные тесты, тесты на конструирование, на ассоциации и т.п.).

Кинематическая и динамическая интерпретация модели

Шкалы классов (атрибутов) можно представить себе в качестве осей координат в некотором абстрактном семантическом пространстве. Тогда каждый атрибут (класс) в этом пространстве будет отображаться вектором, координатами которого являются значения информативностей. Динамика атрибута (класса) будут отображаться в этом пространстве в виде траектории. Для анализа кинематики и динамики факторов, объектов и классов могут быть адаптированы и применены понятия и законы теоретической механики, а также математический аппарат линейной алгебры и аналитической геометрии, обобщенные для неортонормированных пространств.

Например, в качестве системы отсчета в пространстве атрибутов могут быть выбраны вектора нескольких классов, наиболее сильно отличающихся друг от друга (наиболее близкие к ортонормированным).

Уровни системной организации классов

Классы распознавания могут относится к различным уровням иерархии какой-либо системы. Например, это могут быть конкретные студенты, группы, курсы, факультеты, учебные заведения, районы, регионы и т.д. В предлагаемой модели предусмотрена возможность работы с классами распознавания, относящимися не только к некоторому диапазону градаций шкал (кодов), но и к заданному диапазону уровней организации. Сами эти уровни могут иметь любой смысл, какой именно - определяет сам пользователь. Классификатор уровней классов входит в состав нормативно-справочной информации. Работа с уровнями предоставляет ряд преимуществ, по сравнению с использованием диапазонов кодов:

– классы распознавания, относящиеся к одному уровню, могут идти в справочнике в любом порядке;

– изменять коды уровней значительно легче, чем переделывать справочники, к тому же это не требует перекодирования обучающей выборки;

– уровни классов имеют самостоятельный смысл, тогда как выделение диапазонов кодов выглядит более искусственным приемом.

Уровни системной организации атрибутов

В предлагаемой модели предусмотрена возможность работы с уровнями признаков, относящимися не только к некоторому диапазону градаций (кодов), но и к заданному диапазону уровней организации. Сами эти уровни могут иметь любой смысл, какой именно – определяет сам пользователь. Например, для интегрального описания индивидуальности могут быть введены уровни качеств личности: генетически обусловленные (конституционные), социально-обусловленные (связанные с воспитанием, образованием, влиянием среды), отражающие текущее состояние. При этом в последующем анализе могут быть выявлены взаимосвязи между признаками различных уровней, т.е. может быть определено, какие конституционные качества необходимы для того, чтобы возникли определенные социально-обусловленные качества, и какие какими не должны быть первые и вторые, чтобы человек не мог оказаться в определенных нежелательных текущих состояниях. Классификатор уровней классов входит в состав нормативно-справочной информации. Работа с уровнями предоставляет ряд преимуществ, по сравнению с использованием диапазонов кодов:

– признаки, относящиеся к одному уровню, могут идти в справочнике в любом порядке;

– уровни признаков имеют самостоятельный смысл, тогда как выделение диапазонов кодов выглядит более искусственным приемом.

3.2.3. Применение классической теории информации К.Шеннона для расчета весовых коэффициентов и мер сходства

Формально, распознавание есть не что иное, как принятие решения о принадлежности распознаваемого объекта или его состояния к определенному классу (классам) [251, 277]. Из этого следует внутренняя и органичная связь методов распознавания образов и принятия решений. Аналитический обзор позволяет сделать вывод, что наиболее глубокая основа этой связи состоит в том, что и распознавание образов, и принятие решений есть прежде всего снятие неопределенности. Распознавание снимает неопределенность в вопросе о том, к какому классу относится распознаваемый объект. Если до распознавания существовала неопределенность в вопросе о том, к какому классу относится распознаваемый объект или его состояние, то в результате распознавания эта неопределенность уменьшается, причем возможно и до нуля (когда объект идентифицируется однозначно). Принятие решения (выбор) также снимает неопределенность в вопросе о том, какое из возможных решений будет принято, если существовало несколько альтернативных вариантов решений и принимается одно из них.

Для строгого исследования процессов снятия неопределенности оптимальным является применение аппарата теории информации, которая как бы специально создана для этой цели. Из этого непосредственно следует возможность применения методов теории информации для решения задач распознавания и принятия решений в АСУ. Таким образом, теория информации может рассматриваться как единая основа методов распознавания образов и принятия решений.

Формальная постановка задачи

В рефлексивных АСУ активными объектами модели распознавания образов и принятия решений применимы в подсистемах идентификации состояния АОУ и выработки управляющего воздействия: идентификация состояния АОУ представляет собой принятие решения о принадлежности этого состояния к определенной классификационной категории (задача распознавания); выбор многофакторного управляющего воздействия из множества возможных вариантов представляет собой принятие решения (обратная задача распознавания).

Распознавание образов есть принятие решения о принадлежности объекта или его состояния к определенному классу. Если до распознавания существовала неопределенность в вопросе о том, к какому классу относится распознаваемый объект или его состояние, то в результате распознавания эта неопределенность уменьшается, в том числе может быть и до нуля (когда объект идентифицируется однозначно). Из данной постановки непосредственно следует возможность применения методов теории информации для решения задач распознавания образов и принятия решений в АСУ.

Информация как мера снятия неопределенности

Как было показано выше, теория информация применима в АСУ для решения задач идентификации состояния сложного объекта управления (задача распознавания) и принятия решения о выборе многофакторного управляющего воздействия (обратная задача распознавания).

Так в результате процесса познания уменьшается неопределенность в наших знаниях о состоянии объекта познания, а в результате процесса труда (по сути управления) – уменьшается неопределенность поведения продукта труда (или объекта управления). В любом случае количество переданной информации представляет собой количественную меру степени снятия неопределенности.

В данном разделе, основываясь на работе [347], приведем математический аппарат из теории информации К.Шеннона, позволяющий решить эти задачи на основе построения и применения информационной модели АОУ.

Процесс получения информации можно интерпретировать как изменение неопределенности в вопросе о том, от какого источника отправлено сообщение в результате приема сигнала по каналу связи.

Формально эту модель можно представить следующим образом. Пусть есть два взаимосвязанных множества:

1. Множество из N информационных источников {x_i}, априорные вероятности предъявления которых равны p(x_i).

2. Множество из M признаков {y_j}, которые встречаются с априорными вероятностями p(y_j) и условными вероятностями: p(x_i|y_j).

Априорная вероятность наблюдения признака – это средняя вероятность его наблюдения при предъявлении информационных источников (объектов) из исходного множества, а условная вероятность – вероятность его наблюдения при предъявлении определенного из них.

До получения информации ситуация характеризуется неопределенностью того, от какого источника она будет направлена, т.е. априорной энтропией:

(3. 30)

Допустим, что множества информационных источников и сообщений о них никак не связаны (представляют собой независимые события), т.е. связаны совершенно случайным образом. Это означает, что события из этих двух множеств независимы друг от друга.

Пусть, например, p_ij – есть вероятность наступления события (x_i,y_j), т.е. вероятность того, что если в сообщении был признак y_j, то это сообщение от источника x_i:

p_ij=p_ip_j.

(3. 31)

Тогда в соответствии с фундаментальным определением Шеннона, энтропия множества XY, являющегося объединением множеств источников и сообщений, будет иметь вид:

(3. 32)

Подставив в эту формулу выражение для вероятности (3.31), получим:

Здесь использовано классическое определение энтропии (3.30):

(3.30)

и учтено условие нормировки вероятностей:

Таким образом, для независимых источников и сообщений получаем:

H(XY)=H(X)+H(Y).

(3. 33)

Обобщим это выражение на тот случай , когда содержание сообщений связано с тем, от какого они информационного источника. Этот случай представляет для нас особый интерес, т.к. именно в этом случае по сообщению можно определить источник.

Будем считать, что энтропия объединения множеств информационных источников и сообщений XY по прежнему определяется выражением Шеннона:

(3. 34)

Однако вероятность совместного наступления зависимых событий:

– "активен i–й информационный источник";

– "в сообщении наблюдается j–й признак"

будет равна

(3. 35)

где: – условная вероятность наблюдения признака y_j в информационном сообщении от источника x_i. Тогда, аналогично для энтропии объединенного множества получим выражение:

(3. 36)

H(XY)=H(X)+H(Y|X).

(3. 37)

В этом выражении учтено условие нормировки: , а также приведенное выше выражение для энтропии H(X). Второе слагаемое обозначим: H(Y|X) и назовем условной энтропией множества признаков из сообщений от информационных источников:

(3. 38)

Учитывая (3.35), окончательно получаем:

(3. 39)

Условной энтропией H(Y|X) измеряется степень неопределенности множества Y после снятия неопределенности множества X. Так как, очевидно, (x_i,y_j)=(y_j,x_i), тоаналогично, условной энтропией H(X/Y) измеряется степень неопределенности множества X после снятия неопределенности множества Y:

H(XY)=H(X)+H(Y|X)=H(Y)+H(X|Y)=H(YX).

(3. 40)

Фактически, условная энтропия H(X/Y) показывает нам, насколько много информации для идентификации информационных источников мы в среднем получаем из сообщений от них.

Информация, как мера соответствия объектов обобщенным образам классов

Количество информации является мерой соответствия распознаваемого объекта (его состояния) обобщенному образу класса, определенное на основе информации о признаках этого объекта.

Количество информации есть количественная мера степени снятия неопределенности: информация, содержащаяся в множестве Y относительно множества X есть уменьшение степени неопределенности множества X, возникающее в результате снятия неопределенности множества Y.

В нашем случае первое множество – это множество признаков наблюдаемого объекта, а второе – множество классов. До наблюдения объекта с системой признаков Y неопределенность наших знаний о принадлежности этого объекта к классу была H(X) (априорная энтропия), после наблюдения системы признаков Y эта неопределенность уменьшилась и стала равна H(X|Y) (апостериорная энтропия). Количество информации о том, что наблюдаемый объект с системой признаков Y относится к классу X, равно уменьшению неопределенности наших знаний об этом, которое произошло в результате обнаружения у объекта признаков, т.е. равно разности априорной и апостериорной энтропии этого класса:

(3. 41)

Если после обнаружения системы признаков неопределенность знаний о принадлежности объекта к классу стала равна нулю H(X|Y)=0, т.е. это стало известно точно, то количество информации просто равно априорной энтропии. Если же это стало известно лучше, но еще не до конца, то количество информации будет меньше, чем априорная энтропия как раз на величину оставшейся, т.е. еще не снятой неопределенности. Поэтому энтропия – это недостающая информация.

Перепишем выражение (3.41) в явной форме, подставив в него выражения для априорной и апостериорной энтропии из (3.30) и (3.39):

(3. 42)

Учитывая, что

(3. 43)

получаем выражение для среднего количества информации, которое содержится в сообщениях об источниках информации

или окончательно:

(3. 44)

Находим выражение, связывающее информацию и взаимную энтропию, основываясь на (3.44):

(3. 45)

Учитывая в выражении (3.44), что p_ij=p_ji (условие симметричности) получаем:

I(X,Y)=I(Y,X),

(3. 46)

т.е. количество информации в признаках об объектах (сообщениях об источниках информации) то же самое, что и в объектах о признаках или в источниках информации о сообщениях, так как это одна и та же информация. По этой причине эту информацию иногда называют взаимной, так как она отражает определенное отношение двух множеств и не существует сама по себе независимо от них или только когда есть лишь одно из них.

Подставляя H(X|Y) из (3.40) в выражение (3.45) получаем:

(3. 47)

Таким образом, энтропия системы, состоящей из объединения двух подсистем, меньше суммы индивидуальных энтропий этих подсистем на величину взаимной информации, содержащейся в каждой из подсистем относительно другой подсистемы.

АСУ как раз и выступает информационным системообразующим фактором, объединяющим подсистемы в единую систему, имеющую меньшую суммарную энтропию, чем ее части.

Это очень похоже на своеобразный информационный аналог известного в физике "дефекта масс". Так называется физический эффект, состоящий в том, что масса системы меньше сумм масс ее частей на величину массы, соответствующей энергии их взаимодействия [25, 30]. Подобные аналогии могут быть продолжены значительно дальше [152]. Из этого следует, что по крайней мере для информационных систем информация это и есть то интегрирующее начало, которое делает систему системой, объединяя ее части в целое, т.е. по сути дела информация есть то, без чего система разрушается на части.

Количество информации в индивидуальных событиях и лемма Неймана–Пирсона

Следуя традиции, заложенной Шенноном, до сих пор анализировалось среднее количество информации, приходящееся на любую пару состояний (x_i,y_j) объекта X и сообщения Y. Эта характеристика естественна при рассмотрении особенностей стационарно функционирующих информационных систем, когда играют роль лишь их среднестатистические характеристики.

В классическом анализе Шеннона идет речь лишь о передаче символов по одному информационному каналу от одного источника к одному приемнику. Его интересует прежде всего передача самого сообщения.

В данном исследовании ставится другая задача: идентифицировать информационный источник по сообщению от него. Поэтому метод Шеннона был обобщен путем учета в математической модели возможности существования многих источников информации, о которых к приемнику по зашумленному каналу связи приходят не отдельные символы–признаки, а сообщения, состоящие из последовательностей символов (признаков) любой длины.

Следовательно, ставится задача идентификации информационного источника по сообщению от него, полученному приемником по зашумленному каналу. Метод, являющийся обобщением метода К.Шеннона, позволяет применить классическую теорию информации для построения моделей систем распознавания образов и принятия решений, ориентированных на применение для синтеза адаптивных АСУ сложными объектами.

Для решения поставленной задачи необходимо вычислять не средние информационные характеристики, а количество информации, содержащееся в конкретном j–м признаке (символе) о том, что он пришел от данного i–го источника информации. Это позволит определить и суммарное количество информации в сообщении о каждом информационном источнике, что дает интегральный критерий для идентификации или прогнозирования состояния АОУ.

Логично предположить, что среднее количество информации, содержащейся в системе признаков о системе классов

(3. 48)

является ничем иным, как усреднением (с учетом условной вероятности наблюдения) "индивидуальных количеств информации", которые содержатся в конкретных признаках о конкретных классах (источниках), т.е.:

(3. 49)

Это выражение определяет так называемую "плотность информации", т.е. количество информации, которое содержится в одном отдельно взятом факте наблюдения j–го символа (признака) на приемнике о том, что этот символ (признак) послан i–м источником.

Если в сообщении содержится M символов, то суммарное количество информации о принадлежности данного сообщения i–му информационному источнику (классу) составляет:

(3. 50)

Необходимо отметить, что применение сложения в выражении (3.43) является вполне корректным и оправданным, так как информация с самого начала вводилась как аддитивная величина, для которой операция сложения является корректной.

Преобразуем выражение (3.50) к виду, более удобному для практического применения (численных расчетов). Для этого, следуя [347], выразим вероятности встреч признаков через частоты их наблюдения:

(3. 51)

Подставив (3.44) в (3.25), получим:

(3. 52)

Если ранжировать классы в порядке убывания суммарного количества информации о принадлежности к ним, содержащейся в данном сообщении (т.е. описании объекта), и выбирать первый из них, т.е. тот, о котором в сообщении содержится наибольшее количество информации, то мы получим обоснованную статистическую процедуру, основанную на классической теории информации, оптимальность которой доказывается в фундаментальной лемме Неймана–Пирсона [234].

Сравнивая выражения (3.52) и (3.28) видим, что в системное обобщенное формулы Харкевича входит слагаемое, сходное с выражением Шеннона для плотности информации. Различия состоят в том, что в выражении (3.28) это слагаемое возведено в степень, имеющую смысл коэффициента эмерджентности Харкевича. Необходимо отметить, что значения частот в этих формулах связаны с вероятностями несколько различным образом (выражения 3.20 и 3.51).

Таким образом, распознавание образов есть принятие решения о принадлежности объекта или его состояния к определенному классу. Если до распознавания существовала неопределенность в вопросе о том, к какому классу относится распознаваемый объект или его состояние, то в результате распознавания эта неопределенность уменьшается, в том числе может быть и до нуля. Понятие информации может быть определено следующим образом: "Информация есть количественная мера степени снятия неопределенности". Количество информации является мерой соответствия распознаваемого объекта (его состояния) обобщенному образу класса.

Количество информации имеет ряд вполне определенных свойств. Эти свойства позволяют ввести понятие "количество информации в индивидуальных событиях", которое является весьма перспективным для применения в системах распознавания образов и поддержки принятия решений.

3.2.4. Математическая модель метода распознавания образов и принятия решений, основанного на системной теории информации

Формальная постановка основной задачи рефлексивной АСУ активными объектами и ее декомпозиция

Рассмотрим некоторые основные понятия, необходимые для дальнейшего изложения. При этом будут использованы как литературные данные, так и результаты, полученные в предыдущих главах данной работы.

Принятие решения в АСУ – это выбор некоторого наиболее предпочтительного управляющего воздействия из исходного множества всех возможных управляющих воздействий, обеспечивающего наиболее эффективное достижение целей управления. В результате выбора неопределенность исходного множества уменьшается на величину информации, которая порождается самим актом выбора [277]. Следовательно, теория информации может быть применена как для идентификации состояний объекта управления, так и для принятия решений об управляющих воздействиях в АСУ.

Модель АСУ включает в себя: модель объекта управления, модель управляющей подсистемы, а также модель внешней среды. Управляющая подсистема реализует следующие функции: идентификация состояния объекта управления, выработка управляющего воздействия, реализация управляющего воздействия.

С позиций теории информации сложный объект управления (АОУ) может рассматриваться как шумящий (определенным образом) информационный канал, на вход которого подаются входные параметры , представляющие собой управляющие воздействия, а также факторы предыстории и среды, а на выходе фиксируются выходные параметры , связанные как с входными параметрами, так и с целевыми и иными состояниями объекта управления.

Одной из основных задач АСУ является задача принятия решения о наиболее эффективном управляющем воздействии. В терминах теории информации эта задача формулируется следующим образом: зная целевое состояние объекта управления, на основе его информационной модели определить такие входные параметры , которые с учетом предыстории и актуального состояния объекта управления, а также влияния среды с наибольшей эффективностью переведут его в целевое состояние, характеризующееся выходными параметрами .

С решением этой задачи тесно связана задача декодирования теории информации: "По полученному в условиях помех сообщению определить, какое сообщение было передано" [309]. Для решения данной задачи используются коды, корректирующие ошибки, а в более общем случае, - различные методы распознавания образов.

Учитывая вышесказанное, предлагается рассматривать принятие решения об управляющем воздействии в АСУ как решение обратной задачи декодирования, которая формулируется следующим образом: "Какое сообщение необходимо подать на вход зашумленного канала связи, чтобы на его выходе получить заранее заданное сообщение". Данная задача решается на основе математической модели канала связи.

Декомпозиция основной задачи в ряд частных подзадач

Построение аналитической модели АОУ затруднено из-за отсутствия или недостатка априорной информации об объекте управления, а также из-за ограниченности и сложности используемого математического аппарата. В связи с этим предлагается путь решения данной проблемы, состоящий в поэтапном решении следующих задач:

1–я задача: разработать абстрактную модель более общего класса (содержательную информационную);

2–я задача: обучить абстрактную информационную модель путем учета информации о реальном поведении АОУ, поступающей в процессе экспериментальной эксплуатации АСУ; на этом этапе адаптируется и конкретизируется абстрактная модель АОУ, т.е. в ней все более точно отражаются взаимосвязи между входными параметрами и состояниями АОУ;

3–я задача: на основе конкретной содержательной информационной модели разработать алгоритмы решения следующих задач АСУ:

3.1. Расчет влияния факторов на переход АОУ в различные возможные состояния (обучение, адаптация).

3.2. Прогнозирование поведения АОУ при конкретном управляющем воздействии и выработка многофакторного управляющего воздействия (основная задача АСУ).

3.3. Выявление факторов, вносящих основной вклад в детерминацию состояния АОУ; контролируемое удаление второстепенных факторов с низкой дифференцирующей способностью, т.е. снижение размерности модели при заданных ограничениях.

3.4. Сравнение влияния факторов. Сравнение состояний АОУ.

Сформулируем предлагаемую абстрактную модель АОУ, опишем способ ее конкретизации и приведем алгоритмы решения задач адаптивных АСУ АОУ на основе данной модели.

Решение задачи 1: "Синтез семантической информационной модели активного объекта управления"

Исходные данные для выявления взаимосвязей между факторами и состояниями объекта управления предлагается представить в виде корреляционной матрицы – матрицы абсолютных частот (таблица 3.11):

Таблица 3. 11 – МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ

В этой матрице в качестве классов (столбцов) приняты будущие состояния объекта управления, как целевые, так и нежелательные, а в качестве атрибутов (строк) – факторы, которые разделены на три основных группы, математически обрабатываемые единообразно: факторы, характеризующие текущее и прошлые состояния объекта управления; управляющие факторы системы управления; факторы, характеризующие прошлые, текущее и прогнозируемые состояния окружающей среды. Отметим, что форма таблицы 3.11 является универсальной формой представления непосредственно эмпирических данных в единстве их дискретного и интегрального представления (причины – следствия, факторы – результирующие состояния, признаки – обобщенные образы классов, образное – логическое и т.п.).

Управляющие факторы объединяются в группы, внутри каждой из которых они альтернативны (несовместны), а между которыми - нет (совместны). В этом случае внутри каждой группы выбирают одно из доступных управляющих воздействий с максимальным влиянием. Варианты содержательной информационной модели без учета прошлых состояний объекта управления и с их учетом, аналогичны, соответственно, простым и составным цепям Маркова, автоматам без памяти и с памятью.

В качестве количественной меры влияния факторов, предложено использовать обобщенную формулу А.Харкевича (3.28), полученную на основе предложенной эмерджентной теории информации. При этом по формуле (3.28) непосредственно из матрицы абсолютных частот (таблица 3.11) рассчитывается матрица информативностей (таблица 3.12), которая и представляет собой основу содержательной информационной модели предметной области:

Таблица 3. 12 – МАТРИЦА ИНФОРМАТИВНОСТЕЙ

Весовые коэффициенты таблицы 3.12 непосредственно определяют, какое количество информации I_ij система управления получает о наступлении события: "активный объект управления перейдет в j–е состояние", из сообщения: "на активный объект управления действует i–й фактор".

Принципиально важно, что эти весовые коэффициенты не определяются экспертами неформализуемым способом, а рассчитываются непосредственно на основе эмпирических данных и удовлетворяют всем ранее сформулированным требованиям, т.е. являются сопоставимыми, содержательно интерпретируемыми, отражают понятия "достижение цели управления" и "мощность множества будущих состояний объекта управления" и т.д.

В данном исследовании обосновано, что предложенная информационная мера обеспечивает сопоставимость индивидуальных количеств информации, содержащейся в факторах о классах, а также сопоставимость интегральных критериев, рассчитанных для одного объекта и разных классов, для разных объектов и разных классов.

Когда количество информации I_ij>0 – i–й фактор способствует переходу объекта управления в j–е состояние, когда I_ij<0 – препятствует этому переходу, когда же I_ij=0 – никак не влияет на это. В векторе i–го фактора (строка матрицы информативностей) отображается, какое количество информации о переходе объекта управления в каждое из будущих состояний содержится в том факте, что данный фактор действует. В векторе j–го состояния класса (столбец матрицы информативностей) отображается, какое количество информации о переходе объекта управления в соответствующее состояние содержится в каждом из факторов.

Таким образом, матрица информативностей (таблица 3.12) является обобщенной таблицей решений, в которой входы (факторы) и выходы (будущие состояния АОУ) связаны друг с другом не с помощью классических (Аристотелевских) импликаций, принимающих только значения: "Итина" и "Ложь", а различными значениями истинности, выраженными в битах и принимающими значения от положительного теоретически-максимально-возможного ("Максимальная степень истинности"), до теоретически неограниченного отрицательного ("Степень ложности").

Фактически предложенная модель позволяет осуществить синтез обобщенных таблиц решений для различных предметных областей непосредственно на основе эмпирических исходных данных и продуцировать на их основе прямые и обратные правдоподобные (нечеткие) логические рассуждения по неклассическим схемам с различными расчетными значениями истинности, являющимся обобщением классических импликаций (таблица 3.13):

Таблица 3. 13 – ПРЯМЫЕ И ОБРАТНЫЕ ПРАВДОПОДОБНЫЕ ЛОГИЧЕСКИЕ
ВЫСКАЗЫВАНИЯ С РАСЧЕТНОЙ (В СООТВЕТСТВИИ С СТИ)
СТЕПЕНЬЮ ИСТИННОСТИ ИМПЛИКАЦИЙ

Приведем пример более сложного высказывания, которое может быть рассчитано непосредственно на основе матрицы информативностей – обобщенной таблицы решений (таблица 3.13):

Если A, со степенью истинности a(A,B) детерминирует B, и если С, со степенью истинности a(C,D) детерминирует D, и A совпадает по смыслу с C со степенью истинности a(A,C), то это вносит вклад в совпадение B с D, равный степени истинности a(B,D).

При этом в прямых рассуждениях как предпосылки рассматриваются факторы, а как заключение – будущие состояния АОУ, а в обратных – наоборот: как предпосылки – будущие состояния АОУ, а как заключение – факторы. Степень истинности i-й предпосылки – это просто количество информации I_ij, содержащейся в ней о наступлении j-го будущего состояния АОУ. Если предпосылок несколько, то степень истинности наступления j-го состояния АОУ равна суммарному количеству информации, содержащемуся в них об этом. Количество информации в i-м факторе о наступлении j-го состояния АОУ, рассчитывается в соответствии с выражением (3.28) СТИ.

Прямые правдоподобные логические рассуждения позволяют прогнозировать степень достоверности наступления события по действующим факторам, а обратные – по заданному состоянию восстановить степень необходимости и степень нежелательности каждого фактора для наступления этого состояния, т.е. принимать решение по выбору управляющих воздействий на АОУ, оптимальных для перевода его в заданное целевое состояние.

Необходимо отметить, что предложенная модель, основывающаяся на теории информации, обеспечивает автоматизированное формирования системы нечетких правил по содержимому входных данных, как и комбинация нечеткой логики Заде-Коско с нейронными сетями Кохонена [184]. Принципиально важно, что качественное изменение модели путем добавления в нее новых классов не уменьшает достоверности распознавания уже сформированных классов. Кроме того, при сравнении распознаваемого объекта с каждым классом учитываются не только признаки, имеющиеся у объекта, но и отсутствующие у него, поэтому предложенной моделью правильно идентифицируются объекты, признаки которых образуют множества, одно из которых является подмножеством другого (как и в Неокогнитроне К.Фукушимы) [184].

Данная модель позволяет прогнозировать поведение АОУ при воздействии на него не только одного, но и целой системы факторов:

(3. 53)

В теории принятия решений скалярная функция I_j векторного аргумента называется интегральным критерием. Основная проблема состоит в выборе такого аналитического вида функции интегрального критерия, который обеспечил бы эффективное решение сформулированной выше задачи АСУ.

Учитывая, что частные критерии (3.28) имеют смысл количества информации, а информация по определению является аддитивной функцией, предлагается ввести интегральный критерий, как аддитивную функцию от частных критериев в виде:

(3. 54)

В выражении (3.54) круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:

(3. 55)

где:

– вектор j–го состояния объекта управления;

– вектор состояния предметной области, включающий все виды факторов, характеризующих объект управления, возможные управляющие воздействия и окружающую среду (массив–локатор), т.е.:

В реализованной модели значения координат вектора состояния ПО принимались равными либо 1 (фактор действует), либо 0 (фактор не действует).

Таким образом, интегральный критерий представляет собой суммарное количество информации, содержащееся в факторах различной природы (т.е. факторах, характеризующих объект управления, управляющее воздействие и окружающую среду) о переходе активного объекта управления в целевое состояние.

В многокритериальной постановке задача прогнозирования состояния объекта управления, при оказании на него заданного многофакторного управляющего воздействия I_j, сводится к максимизации интегрального критерия:

(3. 56)

т.е. к выбору такого состояния объекта управления, для которого интегральный критерий максимален.

Задача принятия решения о выборе наиболее эффективного управляющего воздействия является обратной задачей по отношению к задаче максимизации интегрального критерия (идентификации и прогнозирования), т.е. вместо того, чтобы по набору факторов прогнозировать будущее состояние АОУ, наоборот, по заданному (целевому) состоянию АОУ определяется такой набор факторов, который с наибольшей эффективностью перевел бы объект управления в это состояние.

Предлагается еще одно обобщение этой фундаментальной леммы, основанное на косвенном учете корреляций между информативностями в векторе состояний при использовании средних по векторам. Соответственно, вместо простой суммы количеств информации предлагается использовать корреляцию между векторами состояния и объекта управления, которая количественно измеряет степень сходства этих векторов:

(3. 57)

где:

– средняя информативность по вектору класса;

– среднее по вектору идентифицируемой ситуации (объекта).

– среднеквадратичное отклонение информативностей вектора класса;

– среднеквадратичное отклонение по вектору распознаваемого объекта.

Выражение (3.57) получается непосредственно из (3.55) после замены координат перемножаемых векторов их стандартизированными значениями:

Результат прогнозирования поведения объекта управления, описанного данной системой факторов, представляет собой список его возможных будущих состояний, в котором они расположены в порядке убывания суммарного количества информации о переходе объекта управления в каждое из них.

Сравнения результатов идентификации и прогнозирования с опытными данными, с использованием выражений (3.57) и (3.55), показали, что при малых выборках они практически не отличаются, но при увеличении объема выборки до 400 и более (независимо от предметной области) выражение (3.57) дает погрешность идентификации (прогнозирования) на 5% – 7% меньше, чем (3.55). Поэтому в предлагаемой модели используется мера сходства (3.58).

В связи с тем, что в дальнейшем изложении широко применяются понятия теории АСУ, теории информации (связи), теории распознавания образов и методов принятия решений, приведем таблицу соответствия наиболее часто используемых нами терминов из этих научных направлений, имеющих сходный смысл (таблица 3.14):

Таблица 3. 14 – СООТВЕТСТВИЕ ТЕРМИНОВ
РАЗЛИЧНЫХ НАУЧНЫХ НАПРАВЛЕНИЙ

Вывод системного обобщения формулы Харкевича (3.28) приведен в разделе 3.1 данной работы. Чрезвычайно важное для данного исследования выражение (3.28) заслуживает специального комментария. Прежде всего нельзя не обратить внимания на то, что оно по своей математической форме, т.е. формально, ничем не отличается от выражения для превышения сигнала над помехой для информационного канала [309]. Из этого, на первый взгляд, внешнего совпадения следует интересная интерпретация выражения (3.28). А именно: можно считать, что обнаружив некоторый i–й признак у объекта, предъявленного на распознавание, мы тем самым получаем сигнал, содержащий некоторое количество информации

о том, что этот объект принадлежит к j–му классу. По–видимому, это так и есть, однако чтобы оценить насколько много или мало этой информации нами получено, ее необходимо с чем–то сравнить, т.е. необходимо иметь точку отсчета или базу для сравнения. В качестве такой базы естественно принять среднее по всем признакам количество информации, которое мы получаем, обнаружив этот j–й класс:

Иначе говоря, если при предъявлении какого–либо объекта на распознавание у него обнаружен i–й признак, то для того, чтобы сделать из этого факта обоснованный вывод о принадлежности этого объекта к тому или иному классу, необходимо знать и учесть, насколько часто вообще (т.е. в среднем) обнаруживается этот признак при предъявлении объектов данного класса.

Фактически это среднее количество информации можно рассматривать как некоторый "информационный шум", который имеется в данном признаке и не несет никакой полезной информации о принадлежности объектов к тем или иным классам. Полезной же информацией является степень отличия от этого шума. Таким образом классическому выражению Харкевича (3.12) для семантической целесообразности информации может быть придан более привычный для теории связи вид:

который интерпретируется как вычитание шума из полезного сигнала. Эта операция является совершенно стандартной в системах шумоподавления.

Если полезный сигнал выше уровня шума, то его обнаружение несет информацию в пользу принадлежности объекта к данному классу, если нет – то, наоборот, в пользу не принадлежности.

Возвращаясь к выражению (3.12), необходимо отметить, что сам А.А.Харкевич рассматривал как вероятность достижения цели, при условии, что система получила информацию , а – как вероятность ее достижения при условии, что система этой информации не получала. Очевидно, что фактически соответствует вероятности случайного угадывания объектом управления правильного пути к цели, или, что тоже самое, вероятности самопроизвольного, т.е. без оказания управляющих воздействий, достижения АОУ целевого заданного состояния.

Необходимо отметить также, что каждый признак объекта управления как канала связи может быть охарактеризован динамическим диапазоном, равным разности максимально возможного (допустимого) уровня сигнала в канале и уровня помех в логарифмическом масштабе:

Максимальное количество информации, которое может содержаться в признаке, полностью определяется количеством классов распознавания W и равно количеству информации по Хартли: I=Log₂W.

Динамический диапазон признака является количественной мерой его полезности (ценности) для распознавания, но все же предпочтительней для этой цели является среднее количество полезной для классификации информации в признаке, т.е. исправленное выборочное среднеквадратичное отклонение информативностей:

(3. 58)

Очевидна близость этой меры к длине вектора признака в семантическом пространстве атрибутов:

(3. 59)

В сущности выражение (3.58) просто представляет собой нормированный вариант (3.59).

Решение задачи 2: "Адаптация модели объекта управления"

На основе обучающей выборки, содержащей информацию о том, какие факторы действовали, когда АОУ переходил в те или иные состояния, методом прямого счета формируется матрица абсолютных частот, имеющая вид, представленный в таблице 3.11. Необходимо отметить, что в случае АОУ в большинстве случаев нет возможности провести полный факторный эксперимент для заполнения матрицы абсолютных частот. В данной работе предполагается, что это и не обязательно, т.е. на практике достаточно воспользоваться естественной вариабельностью факторов и состояний АОУ, представленных в обучающей выборке. С увеличением объема обучающей выборки в ней со временем будут представлены все практически встречающиеся варианты сочетаний факторов и состояний АОУ.

В соответствии с выражением (3.28), непосредственно на основе матрицы абсолютных частот |||| (таблица 3.11) рассчитывается матрица информативностей факторов |||| (таблица 3.12).

Количество информации в i–м факторе о наступлении j–го состояния АОУ является статистической мерой их связи и количественной мерой влияния данного фактора на переход АОУ в данное состояние.

Решение задачи 3: "Разработка алгоритмов решения основных задач АСУ"

Как было показано в разделе 3.2, решение задачи 3 предполагает решение следующих подзадач.

Решение подзадачи 3.1: "Расчет влияния факторов на переход объекта управления в различные состояния (обучение, адаптация)"

При изменении объема обучающей выборки или изменении экспертных оценок прежде всего пересчитывается матрица абсолютных частот, а затем, на ее основании и в соответствии с выражением (28), - матрица информативностей. Таким образом, предложенная модель обеспечивает отображение динамических взаимосвязей, с одной стороны, между входными и выходными параметрами, а с другой, - между параметрами и состояниями объекта управления. Конкретно, это отображение осуществляется в форме так называемых векторов факторов и состояний.

В профиле (векторе) i–го фактора (строка матрицы информативностей) отображается, какое количество информации о переходе АОУ в каждое из возможных состояний содержится в том факте, что данный фактор действует.

В профиле (векторе) j–го состояния АОУ (столбец матрицы информативностей) отображается, какое количество информации о переходе АОУ в данное состояние содержится в каждом из факторов.

Решение подзадачи 3.2: "Прогнозирование поведения объекта управления при конкретном управляющем воздействии и выработка многофакторного управляющего воздействия (обратная задача прогнозирования)"

Прогнозирование состояния АОУ осуществляется следующим образом:

1. Собирается информация о действующих факторах, характеризующих состояние предметной области (активный объект управления описывается факторами, характеризующими его текущее и прошлые состояния; управляющая система характеризуется технологическими факторами, с помощью которых она оказывает управляющее воздействие на активный объект управления; окружающая среда характеризуется прошлыми, текущими и прогнозируемыми факторами, которые также оказывают воздействие на активный объект управления).

2. Для каждого возможного будущего состояния АОУ подсчитывается суммарное количество информации, содержащееся во всей системе факторов (согласно п.1), о наступлении этого состояния.

3. Все будущие состояния АОУ ранжируются в порядке убывания количества информации об их осуществлении.

Этот ранжированный список будущих состояний АОУ и представляет собой первичный результат прогнозирования.

Если задано некоторое определенное целевое состояние, то выбор управляющих воздействий для фактического применения производится из списка, в котором все возможные управляющие воздействия расположены в порядке убывания их влияния на перевод АОУ в данное целевое состояние. Такой список называется информационным портретом состояния АОУ [152].

Управляющие воздействия могут быть объединены в группы, внутри каждой из которых они альтернативны (несовместны), а между которыми - нет (совместны). В этом случае внутри каждой группы выбирают одно из фактически доступных управляющих воздействий с максимальным влиянием на достижение заданного целевого состояния АОУ.

Однако выбор многофакторного управляющего воздействия нельзя считать завершенным без прогнозирования результатов его применения. Описание АОУ в актуальном состоянии состоит из списка факторов окружающей среды, предыстории АОУ, описания его актуального (исходного) состояния, а также выбранных управляющих воздействий. Имея эту информацию по каждому из факторов в соответствии с выражением (7), нетрудно подсчитать, какое количество информации о переходе в каждое из состояний содержится суммарно во всей системе факторов. Данный метод соответствует фундаментальной лемме Неймана–Пирсона, содержащей доказательство оптимальности метода выбора той из двух статистических гипотез, о которой в системе факторов содержится больше информации. В то же время он является обобщением леммы Неймана–Пирсона, так как вместо информационной меры Шеннона используется системное обобщение семантической меры целесообразности информации Харкевича.

Предлагается еще одно обобщение этой фундаментальной леммы, основанное на косвенном учете корреляций между информативностями в профиле состояния при использовании среднего по профилю. Соответственно, вместо простой суммы количеств информации предлагается использовать ковариацию между векторами состояния и АОУ, которая количественно измеряет степень сходства формы этих векторов.

Результат прогнозирования поведения АОУ, описанного данной системой факторов, представляет собой список состояний, в котором они расположены в порядке убывания суммарного количества информации о переходе АОУ в каждое из них.

Решение подзадачи 3.3: "Выявление факторов, вносящих основной вклад в детерминацию состояния АОУ; снижение размерности модели при заданных ограничениях"

Естественно считать, что некоторый фактор является тем более ценным, чем больше среднее количество информации, содержащееся в этом факторе о поведении АОУ [152]. Но так как в предложенной модели количество информации может быть и отрицательным (если фактор уменьшает вероятность перехода АОУ в некоторое состояние), то простое среднее арифметическое информативностей может быть близко к нулю. При этом среднее будет равно нулю и в случае, когда все информативности равны нулю, и тогда, когда они будут велики по модулю, но с разными знаками. Следовательно, более адекватной оценкой полезности фактора является среднее модулей или, что наиболее точно, исправленное (несмещенное) среднеквадратичное отклонение информативностей по профилю признака.

Ценность фактора по сути дела определяется его полезностью для различения состояний АОУ, т.е. является его дифференцирующей способностью или селективностью.

Необходимо также отметить, что различные состояния АОУ обладают различной степенью обусловленности, т.е. в различной степени детерминированы факторами: некоторые слабо зависят от учтенных факторов, тогда как другие определяются ими практически однозначно. Количественно детерминируемость состояния АОУ предлагается оценивать стандартным отклонением информативностей вектора обобщенного образа данного состояния.

Предложено и реализовано несколько итерационных алгоритмов корректного удаления малозначимых факторов и слабодетерминированных состояний АОУ при заданных граничных условиях [152]. Решение задачи снижения размерности модели АОУ при заданных граничных условиях позволяет снизить эксплуатационные затраты и повысить эффективность РАСУ АО.

Решение подзадачи 3.4: "Сравнение влияния факторов. Сравнение состояний объекта управления"

Факторы могут сравниваться друг с другом по тому влиянию, которое они оказывают на поведение АОУ. Сами состояния могут сравниваться друг с другом по тем факторам, которые способствуют или препятствуют переходу АОУ в эти состояния. Это сравнение может содержать лишь результат, т.е. различные степени сходства/различия (в кластерном анализе), или содержать также причины этого сходства/различия (в когнитивных диаграммах).

Эти задачи играют важную роль в теории и практике РАСУ АО при необходимости замены одних управляющих воздействий другими, но аналогичными по эффекту, а также при изучении вопросов семантической устойчивости управления (различимости состояний АОУ по детерминирующим их факторам).

Этот анализ проводится над классами распознавания и над признаками. Он включает: информационный (ранговый) анализ; кластерный и конструктивный анализ, семантические сети; содержательное сравнение информационных портретов, когнитивные диаграммы.

Семантический информационный анализ

Предложенная математическая модель позволяет сформировать информационные портреты обобщенных эталонных образов классов распознавания и признаков.

Портреты классов распознавания представляют собой списки признаков в порядке убывания содержащегося в них количества информации о принадлежности к этим классам.

Информационный портрет класса распознавания показывает нам, каков информационный вклад каждого признака в общий объем информации, содержащейся в обобщенном образе этого класса.

В подходе к решению задач рефлексивных АСУ АО, основанном на применении методов распознавания образов, классам распознавания соответствуют, во–первых, исходные, а во–вторых, результирующие, в том числе целевые состояния объекта управления. Это значит, что в первом случае портреты классов используются для идентификации исходного состояния АОУ, потому что именно с ними сравнивается состояние объекта управления, а во втором – для выработки управляющего воздействия, так как его выбирают в форме суперпозиции неальтернативных факторов из информационного портрета целевого состояния, оказывающих наибольшее влияние на перевод АОУ в это состояние.

Портреты признаков представляют собой списки классов распознавания в порядке убывания количества информации о них, которое содержит данный признак. По своей сути информационный портрет признака раскрывает нам смысл данного признака, т.е. его семантическую нагрузку. В теории и практике рефлексивных АСУ АО информационный портрет фактора является развернутой количественной характеристикой, содержащей информацию о силе и характере его влияния на перевод АОУ в каждое из возможных результирующих состояний, в том числе в целевые. Информационные портреты классов и признаков допускают наглядную графическую интерпретацию в виде двухмерных (2d) и трехмерных (3d) диаграмм.

Кластерно–конструктивный анализ и семантические сети

Кластеры представляют собой такие группы классов распознавания (или признаков), внутри которых эти классы наиболее схожи друг с другом, а между которыми наиболее различны [76, 81, 85, 107, 179, 219, 294]. В данной работе, в качестве классов распознавания рассматриваются как исходные, так и результирующие, в том числе целевые состояния объекта управления, а в качестве признаков – факторы, влияющие на переход АОУ в результирующие состояния.

Исходные состояния АОУ, объединенные в кластер, характеризуются общими или сходными методами перевода в целевые состояния. Результирующие состояния АОУ, объединенные в кластер, являются слаборазличимыми по факторам, детерминирующим перевод АОУ в эти состояния. Это означает, что одно и то же управляющее воздействие при одних и тех же предпосылках (исходном состоянии и предыстории объекта управления и среды) могут привести к переводу АОУ в одно из результирующих состояний, относящихся к одному кластеру. Поэтому кластерный анализ результирующих состояний АОУ является инструментом, позволяющим изучать вопросы устойчивости управления сложными объектами.

При выборе управляющего воздействия как суперпозиции неальтернативных факторов часто возникает вопрос о замене одних управляющих факторов другими, имеющими сходное влияние на перевод АОУ из данного текущего состояния в заданное целевое состояние. Кластерный анализ факторов как раз и позволяет решить эту задачу: при невозможности применить некоторый управляющий фактор его можно заменить другим фактором из того же кластера.

При формировании кластеров используются матрицы сходства объектов и признаков, формируемые на основе матрицы информативностей.

В соответствии с предлагаемой математической моделью могут быть сформированы кластеры для заданного диапазона кодов классов распознавания (признаков) или заданных диапазонов уровней системной организации с различными критериями включения объекта (признака) в кластер.

Эти критерии могут быть сформированы автоматически либо заданы непосредственно. В последнем уровне кластеризации, в частности при задании одного уровня, в кластеры включаются не только похожие, но и все непохожие объекты (признаки), и, таким образом, формируются конструкты классов распознавания и признаков.

В данной работе под конструктом понимается система противоположных (наиболее сильно отличающихся) кластеров, которые называются "полюсами" конструкта, а также спектр промежуточных кластеров, к которым применима количественная шкала измерения степени их сходства или различия [152, 325].

Понятия "кластер" и "конструкт" тесно взаимосвязаны:

– так как положительный и отрицательный полюса конструкта представляют собой кластеры, в наибольшей степени отличающиеся друг от друга, то конструкты могут быть получены как результат кластерного анализа кластеров;

– конструкт может рассматриваться как кластер с нечеткими границами, включающий в различной степени, причем не только в положительной, но и отрицательной, все классы (признаки).

В теории рефлексивных АСУ АО, конструктивный анализ позволяет решить такие задачи, как:

1. Определение в принципе совместимых и в принципе несовместимых целевых состояний АОУ. Совместимыми называются целевые состояния, для достижения которых необходимы сходные предпосылки и управляющие воздействия, а несовместимыми – для которых они должны быть диаметрально противоположными. Например, обычно сложно совмещаются такие целевые состояния, как очень высокое качество продукции и очень большое ее количество.

2. Определение факторов, имеющих не только сходное (это возможно и на уровне кластерного анализа), но и совершенно противоположное влияние на поведение сложного объекта управления.

Современный интеллект имеет дуальную структуру и, по сути дела, мыслит в системе кластеров и конструктов. Поэтому инструмент автоматизированного кластерно–конструктивного анализа может быть успешно применен для рефлексивного управления активными объектами.

Необходимо отметить, что формирование кластеров затруднено из-за проблемы комбинаторного взрыва, так как требует полного перебора и проверки "из n по m" сочетаний элементов (классов или признаков) в кластеры. Конструкты же формируются непосредственно из матрицы сходства прямой выборкой и сортировкой, что значительно проще в вычислительном отношении, так как конструктов значительно меньше, чем кластеров (всего n²). Поэтому учитывая, что при формировании конструктов автоматически формируются и их полюса, т.е. кластеры, в предложенной математической модели реализован не кластерный анализ, а сразу конструктивный (как более простой в вычислительном отношении и более ценный по получаемым результатам).

Диаграммы смыслового сходства–различия классов (признаков) соответствуют определению семантических сетей [244], т.е. представляют собой ориентированные графы, в которых признаки соединены линиями, соответствующими их смысловому сходству–различию.

Когнитивные диаграммы классов и признаков

В предложенной в настоящем исследовании математической модели в обобщенной постановке реализована возможность содержательного сравнения обобщенных образов классов распознавания и признаков, т.е. построения когнитивных диаграмм [152].

В информационных портретах классов распознавания мы видим, какое количество информации о принадлежности (или не принадлежности) к данному классу мы получаем, обнаружив у некоторого объекта признаки, содержащиеся в информационном портрете. В кластерно–конструктивном анализе мы получаем результаты сравнения классов распознавания друг с другом, т.е. мы видим, насколько они сходны и насколько отличаются. Но мы не видим, какими признаками они похожи и какими отличаются, и какой вклад каждый признак вносит в сходство или различие некоторых двух классов.

Эту информацию мы могли бы получить, если бы проанализировали и сравнили два информационных портрета. Эту работу и осуществляет режим содержательного сравнения классов распознавания.

Аналогично, в информационных портретах признаков мы видим, какое количество информации о принадлежности (или не принадлежности) к различным классам распознавания мы получаем, обнаружив у некоторого объекта данный признак. В кластерно–конструктивном анализе мы получаем результаты сравнения признаков друг с другом, т.е. мы видим, насколько они сходны и насколько отличаются. Но мы не видим, какими классами они похожи и какими отличаются, и какой вклад каждый класс вносит в смысловое сходство или различие некоторых двух признаков.

Эту информацию мы могли бы получить, если бы проанализировали и сравнили информационные портреты двух признаков. Эту работу и осуществляет режим содержательного (смыслового) сравнения признаков.

Содержательное (смысловое) сравнение классов

Обобщим математическую модель, предложенную и развиваемую в данной главе, на случай содержательного сравнения двух классов распознавания: J–го и L–го.

Признаки, которые есть по крайней мере в одном из классов, будем называть связями, так как благодаря тому, что они либо тождественны друг другу, либо между ними имеется определенное сходство или различие по смыслу, они вносят определенный вклад в отношения сходства/различия между классами.

Список выявленных связей сортируется в порядке убывания модуля силы связи, причем учитывается не более заданного количества связей.

Пусть, например:

у J–го класса обнаружен i–й признак,

у L–го класса обнаружен k–й признак.

Используем те же обозначения, что и в разделе 3.1.

На основе обучающей выборки системой рассчитывается матрица абсолютных частот встреч признаков по классам (таблица 3.11).

В разделе 3.1. получено выражение (3.28) для расчета количества информации в i–м признаке о принадлежности некоторого конкретного объекта к j–му классу (плотность информации), которое имеет вид:

(3.28)

Аналогично, формула для количества информации в k–м признаке о принадлежности к L–му классу имеет вид:

(3. 60)

Вклад некоторого признака i в сходство/различие двух классов j и l равен соответствующему слагаемому корреляции образов этих классов, т.е. просто произведению информативностей

(3. 61)

Классический коэффициент корреляции Пирсона, количественно определяющий степень сходства векторов двух классов: j и l, на основе учета вклада каждой связи, образованной i–м признаком, рассчитывается по формуле

(3. 62)

где:

	– средняя информативность признаков j–го класса;
	– средняя информативность признаков L–го класса;
	– среднеквадратичное отклонение информативностей признаков j–го класса;
	– среднеквадратичное отклонение информативностей признаков L–го класса.

Проанализируем, насколько классический коэффициент корреляции Пирсона (3.62) пригоден для решения важных задач:

– содержательного сравнения классов;

– изучения внутренней многоуровневой структуры класса.

Упростим анализ, считая, что средние информативности признаков по обоим классам близки к нулю, что при достаточно больших выборках (более 400 примеров в обучающей выборке) практически близко к истине.

Каждое слагаемое (3.61) суммы (3.62) отражает связь между классами, образованную одним i–м признаком. I–я связь существует в том и только в том случае, если i–й признак есть у обоих классов. Поэтому эти связи уместно называть одно–однозначными.

Этот подход можно назвать классическим для когнитивного анализа. Рассмотрим когнитивную диаграмму, приведенную на стр. 222 работы классика когнитивной психологии Р.Солсо [296] (рисунок 3.12)

Рисунок 3. 12
. Когнитивная диаграмма
из классической работы Роберта Солсо [296].

В данной когнитивной диаграмме наглядно в графической форме показано сравнение классов (обобщенных образов) "Малиновка" и "Птица" разных уровней общности по их атрибутам (признакам).

Как видно из данной диаграммы, в ней:

1. Все атрибуты имеют одинаковый вес, т.е. не учитывается, что некоторые атрибуты более важны для идентификации класса, чем другие. Это соответствует предположению, что этот вес равен по модулю 1 для всех атрибутов.

2. Все признаки имеют одинаковый знак, т.е. они все характерны для классов и нет атрибутов нехарактерных. Это соответствует предположению, что вес всех признаков положительный, т.е. все призхнаки вносят вклад в сходство и нет признаков, вносящих вклад в различие.

3. Классы сравниваются только по тем атрибутам, которые есть одновременно у них обоих, т.е. признаки, имеющиеся у обоих классов вносят вклад в сходство классов, а признаки, которые есть только у одного из классов не вносят никакого вклада ни в сходство классов, ни в различие. Это соответствует предположению, что атрибуты ортонормированы, т.е. корреляция их друг с другом равна 0 (атрибуты семантически не связаны).

Каждое из этих трех допущений является довольно сильным и желательно их снять и, тем самым, обобщить принцип построения когнитивных диаграмм, приведенный в данном примере.

Но это означает, что данный подход не позволяет сравнивать классы, описанные различными, т.е. непересекающимися наборами признаков. Но даже если общие признаки и есть, то невозможность учета вклада остальных признаков является недостатком классического подхода, так как из содержательного анализа связей неконтролируемо исключается потенциально существенная информация. Таким образом, классический подход имеет ограниченную применимость при решении задачи №1. Для решения задачи №2 подход, основанный на формуле (3.62), вообще не применим, так как различные уровни системной организации классов образованы различными признаками и, следовательно, между уровнями не будет ни одной одно–однозначной связи.

Основываясь на этих соображениях, предлагается в общем случае учитывать вклад в сходство/различие двух классов, который вносят не только общие, но и остальные признаки. Логично предположить, что этот вклад (при прочих равных условиях) будет тем меньше, чем меньше корреляция между этими признаками.

Следовательно, для обобщения выражения для силы связи (3.61) необходимо умножить произведение информативностей признаков на коэффициент корреляции между ними, отражающий степень сходства или различия признаков по смыслу.

Таким образом, будем считать, что любые два признака (i,k) вносят определенный вклад в сходство/различие двух классов (j,l), определяемый сходством/различием признаков и количеством информации о принадлежности к этим классам, которое содержится в данных признаках:

(3. 63)

где – классический коэффициент корреляции Пирсона, количественно определяющий степень сходства по смыслу двух признаков: i и k, на основе учета вклада каждой связи, образованной содержащейся в них информацией о принадлежности к j–му классу

(3. 64)

где

	– средняя информативность координат вектора i–го признака;
	– средняя информативность координат вектора k–го признака;
	– среднеквадратичное отклонение координат вектора i–го признака;
	– среднеквадратичное отклонение координат вектора k–го признака.

Коэффициент корреляции между признаками (3.64) рассчитывается на основе всей обучающей выборки, а не только объектов двух сравниваемых классов. Так как коэффициент корреляции между признаками (3.64) практически всегда не равен нулю, то каждый признак i образует связи со всеми признаками k, где k={1,...,A}, а каждый признак k в свою очередь связан со всеми остальными признаками. Это означает, что выражение (3.63) является обобщением (3.61) с учетом много–многозначных связей.

На основе этих представлений сформулируем выражение для обобщенного коэффициента корреляции Пирсона между двумя классами: j и l, учитывающего вклад в их сходство/различие не только одно–однозначных, но и много–многозначных связей, образуемых коррелирующими признаками. Когнитивные диаграммы с много–многозначными связями предлагается называть обобщенными когнитивными диаграммами.

(3. 65)

где K_ik определяется выражением (3.64).

Сравним классический (3.62) и обобщенный (3.65) коэффициенты корреляции Пирсона друг с другом. Очевидно, при i=k (3.65) преобразуется в (3.62), т.е. соблюдается принцип соответствия. Отметим, что модель позволяет задавать минимальный коэффициент корреляции (порог) между признаками, образующими учитываемые связи. При пороге 100% отображаются только одно–однозначные связи, учитываемые в классическом коэффициенте корреляции (3.62). Из выражений (3.62) и (3.65) видно, что

(3. 66)

так как в обобщенном коэффициенте корреляции учитываются связи между классами, образованные за счет учета корреляций между различными признаками. Ясно, что отношение

(3. 67)

отражает степень избыточности описания классов. В модели имеется возможность исключения из системы признаков наименее ценных из них для идентификации классов. При этом в первую очередь удаляются сильно коррелирующие друг с другом признаки. В результате степень избыточности системы признаков уменьшается, и она становится ближе к ортонормированной.

Рассмотрим вопрос о единицах измерения, в которых количественно выражаются связи между классами.

Сходство двух признаков выражается величиной от – 1 до +1.

Максимальная теоретически возможная информативность признака в Bit выражается формулой

(3. 68)

где N_obj – количество классов.

Таким образом, максимальная теоретически возможная сила связи R_max равна

(3. 69)

Сила связи в диаграммах выражается в процентах от максимальной теоретически возможной силы связи.

На графической диаграмме отображается 8 наиболее сильных по модулю связей, рассчитанных согласно формуле (3.60), причем знак связи изображается цветом (красный +, синий – ), а величина – толщиной линии. Имеется возможность выводить диаграммы только с положительными или только с отрицательными связями (для не цветных принтеров).

Диаграммы Мерлина [143, 189] представляют собой частный случай обобщенных когнитивных диаграмм (т.е. с много–многозначными связями), т.е. диаграммы Мерлина – это когнитивные диаграммы, формируемые в соответствии с предложенной моделью при следующих граничных условиях:

1. Класс сравнивается сам с собой.

2. Фильтрация левого и правого информационных портретов выбрана по уровням системной организации признаков (в данном случае – уровням Мерлина).

3. Левый класс отображается с фильтрацией по одному уровню системной организации, а правый – по другому.

4. Диалог задания вида диаграмм предоставляет пользователю возможность задать следующие параметры:

– способ нормирования толщины линий, отображающих связи: нормирование по текущей диаграмме или по всем диаграммам;

– способ фильтрации признаков в информационных портретах диаграммы: по диапазону признаков или по диапазону уровней системной организации (уровням Мерлина);

– сами диапазоны признаков или уровней для левого и правого информационных портретов;

– максимальное количество связей, отображаемых на диаграмме;

– уровень сходства признаков, образующих одну связь, отображаемую на диаграмме: от 0 до 100%. При уровне сходства 100% в диаграммах отображаются только связи, образованные теми признаками, которые есть в обоих портретах одновременно, т.е. взаимно–однозначные связи. При уровне сходства менее 100% вообще говоря связи становятся много–многозначными, так как каждый признак корреляционно связан со всеми остальными;

– уровень сходства классов, отображаемых на диаграмме.

Таким образом, в предлагаемой математической модели в общем виде реализована возможность содержательного сравнения обобщенных образов состояний АОУ и факторов, т.е. построения когнитивных диаграмм [152, 277], веса атрибутов определяются автоматически на основе исходных данных в соответствии с математической моделью и могут принимать различные по величине положительные и отрицательные значения. Кроме того на основе кластерного анализа атрибутов определяются корреляции между ними, которые учитываются при определении вклада атрибутов в сходство или различие классов. Поэтому отношения между атрибутами разных классов в когнитивной диаграмме не "один к одному", как в диаграмме на рисунке 3.12, а "многие ко многим".

В информационном портрете состояния АОУ показано, какое количество информации о принадлежности (не принадлежности) АОУ к данному состоянию, а также о переходе (не переходе) АОУ в данное состояние содержится в том факте, что на АОУ действуют факторы, содержащиеся в данном информационном портрете.

Кластерно–конструктивный анализ дает результат сравнения состояний АОУ друг с другом, т.е. показывает, насколько эти состояния сходны друг с другом и насколько отличаются друг от друга. Но он не показывает, какими факторами эти состояния АОУ похожи и какими отличаются, и какой вклад каждый фактор вносит в сходство или различие каждых двух состояний. Чтобы получить эту информацию, необходимо проанализировать два информационных портрета, что и делается при содержательном сравнении состояний АОУ .

Смысл и значение диаграмм Мерлина применительно к проблематике АСУ состоит в том, что они наглядно представляют внутреннюю структуру детерминации состояний АОУ, т.е. показывают, каким образом связаны друг с другом факторы и будущие состояния АОУ.

Таким образом:

– для моделирования процессов принятия решений в адаптивных АСУ сложными системами целесообразно применение многокритериального подхода с аддитивным интегральным критерием, в котором в качестве частных критериев используется семантическая мера целесообразности информации (Харкевич, 1960);

– предложенная математическая модель обеспечивает эффективное решение следующих задач, возникающих при синтезе адаптивных АСУ АОУ: разработка абстрактной информационной модели АОУ; адаптация и конкретизация абстрактной модели на основе апостериорной информации о реальном поведении АОУ; расчет влияния факторов на переход АОУ в различные возможные состояния; прогнозирование поведения АОУ при конкретном управляющем воздействии и выработка многофакторного управляющего воздействия (основная задача АСУ); выявление факторов, вносящих основной вклад в детерминацию состояния АОУ; контролируемое удаление второстепенных факторов с низкой дифференцирующей способностью, т.е. снижение размерности модели при заданных ограничениях; сравнение влияния факторов, сравнение целевых и других состояний АОУ.

Предложенная методология, основанная на теории информации, обеспечивает эффективное моделирование задач принятия решений в адаптивных АСУ сложными системами.

Содержательное (смысловое) сравнение признаков

Предложенная математическая модель позволяет осуществить содержательное сравнение информационных портретов двух признаков.

Выявляются классы, которые есть по крайней мере в одном из векторов. Такие классы называются связями, так как благодаря тому, что они либо тождественны друг другу, либо между ними имеется определенное сходство или различие, они вносят определенный вклад в отношения сходства/различия между признаками по смыслу.

Все связи между признаками сортируются в порядке убывания модуля, в соответствии с определенными ограничениями, связанными с тем, что нет необходимости учитывать очень слабые связи.

Для каждого класса известно, какое количество информации о принадлежности к нему содержит данный признак – это информативность. Здесь необходимо уточнить, что информативность признака – это не только количество информации в признаке о принадлежности к данному классу, но и количество информации в классе о том, что при нем наблюдается данный признак, т.е. это взаимная информация класса и признака.

Если бы классы были тождественны друг другу, т.е. это был бы один класс, то его вклад в сходство/различие двух признаков был бы просто равен соответствующему данному классу слагаемому корреляции этих признаков, т.е. просто произведению информативностей.

Но поскольку это в общем случае это могут быть различные классы, то, очевидно, необходимо умножить произведение информативностей на коэффициент корреляции между классами.

Таким образом, будем считать, что любые два класса (j,l) вносят определенный вклад в сходство/различие двух признаков (i,k), определяемый сходством/различием этих классов и количеством информации о принадлежности к ним, которое содержится в данных признаках

(3. 70)

Вывод формулы (3.70) обобщенного коэффициента корреляции Пирсона для двух признаков совершенно аналогичен выводу формулы (3.65), поэтому он здесь не приводится. Формулы для всех входящих в (3.70) величин приведены выше в предыдущем разделе.

Так же, как и в режиме содержательного сравнения классов, в данном режиме сила связи выражается в процентах от максимальной теоретически–возможной силы связи. На диаграммах отображается 16 наиболее значимых связей, рассчитанных согласно этой формуле, причем знак связи изображается цветом (красный +, синий –), а величина – толщиной линии. Имеется возможность вывода диаграмм только с положительными или только с отрицательными связями.

Математическая модель позволяет получить обобщенные инвертированные когнитивные диаграммы для любых двух заданных признаков, для пар наиболее похожих и непохожих признаков, для всех их возможных сочетаний, а также инвертированные диаграммы Мерлина.

Необходимо отметить, что понятия, соответствующие по смыслу терминам "обобщенная инвертированная когнитивная диаграмма" и "инвертированная диаграмма Мерлина" не упоминаются даже в фундаментальных руководствах по когнитивной психологии [296] и впервые предложены в [143, 152]. Эти диаграммы представляют собой частный случай обобщенных когнитивных диаграмм признаков, формируемых в соответствии с предложенной математической моделью при следующих ограничениях:

1. Признак сравнивается сам с собой.

2. Выбрана фильтрация левого и правого вектора по уровням системной организации классов (аналог уровней Мерлина для свойств).

3. Левый вектор отображается с фильтрацией по одному уровню системной организации классов, а правый – по другому.

Обоснование сопоставимости частных критериев I_ij

Применение этого метода корректно, если можно сравнивать суммарное количество информации о переходе АОУ в различные состояния, рассчитанное в соответствии с выражением (3.62), т.е. если они сопоставимы друг с другом.

Будем считать, что величины сопоставимы тогда и только тогда, когда одновременно выполняются следующие три условия:

1. Сопоставимы индивидуальные количества информации, содержащейся в признаках о принадлежности к классам.

2. Сопоставимы величины, рассчитанные для одного объекта и разных классов.

3. Сопоставимы величины, рассчитанные для разных объектов и разных классов.

Очевидно, для решения всех этих вопросов необходимо дать точное и полное определение самого термина "сопоставимость".

Считается, что величины сопоставимы, если существует некоторая количественная шкала для измерения этих величин.

Таким образом, в нашем случае сопоставимость обеспечивается, если на шкале определены направление и единица измерения, а также есть абсолютный минимум (ноль) или максимум.

Докажем теоремы о выполнении условий сопоставимости для упрощенной и полной информационных моделей объектов и классов распознавания. Для этого рассмотрим вышеперечисленные необходимые и достаточные условия сопоставимости для упрощенной и полной информационных моделей.

Теорема-1: "О сопоставимости индивидуальных количеств информации, содержащейся в признаках объекта о принадлежности к классам"

В упрощенной информационной модели класса и информационной модели объекта принято, что все признаки имеют одинаковый вес, который равен 1, если признак есть у класса, и 0, если его нет. Уже одним этим обеспечивается сопоставимость индивидуальных количеств информации в упрощенной модели.

В полной модели количество информации рассчитывается в соответствии с модифицированной формулой Харкевича (3.28). Таким образом, в полной информационной модели класса для каждого признака известно, какое количество информации о принадлежности к данному классу он содержит. Это количество информации может быть положительным, нулевым и отрицательным, но не может превосходить некоторой максимальной величины, определяемой количеством классов распознавания: I=Log₂W (мера Хартли), где W – количество классов распознавания. Следовательно, для полной информационной модели сопоставимость индивидуальных количеств информации также обеспечивается, так как для них применима шкала отношений.

Это означает, что индивидуальные количества информации можно суммировать и ввести интегральный критерий как аддитивную меру от индивидуальных количеств информации, что и т.д.

Теорема-2: "О сопоставимости величин суммарной информации, рассчитанных для одного объекта и разных классов"

В упрощенной информационной модели вариант расстояния Хэмминга, в котором учитываются только совпадения 1 (т.е. существующих признаков), для кодовых слов объекта и класса равно:

(3. 71)

где – кодовое слово (профиль, массив–локатор) j–го класса;

L_i– кодовое слово (профиль, массив–локатор) объекта.

Пусть длина кодового слова (количество признаков) равна А. Длины кодовых слов объекта и классов одинаковы. Признаки могут принимать значения {0,1}. Тогда из этих условий и выражения (3.71) следует:

(3. 72)

Но выражение (3.72) является математическим определением шкалы отношений, что означает полную сопоставимость предложенной меры сходства для упрощенной информационной модели одного объекта и многих классов, что и т.д.

В полной информационной модели мера сходства объекта с классом имеет вид, определяемый выражением (3.70).

Очевидно, величина нормирована:

(3. 73)

что и доказывает применимость шкалы отношений и полную сопоставимость меры сходства для полной информационной модели одного объекта и многих классов.

Это значит, что можно сравнивать меры сходства данного объекта с каждым из классов и ранжировать классы в порядке убывания сходства с данным объектом, что и т.д.

Теорема-3: "О сопоставимости величин суммарной информации, рассчитанных для разных объектов и разных классов, а также классов и классов, признаков и признаков"

Очевидно, величина , рассчитанная по формуле (3.70) для различных объектов и классов нормирована:

(3. 74)

что и доказывает применимость шкалы отношений и полную сопоставимость мер сходства для полной информационной модели многих объектов и многих классов.

Это значит, что можно сравнивать меры сходства различных объектов с классами распознавания и делать выводы о том, что одни объекты распознаются лучше, а другие хуже на данном наборе классов и признаков, что и т.д.

Аналогичные рассуждения верны и для сравнения векторов классов друг с другом, а также векторов признаков друг с другом, что позволяет применить модели кластерно–конструктивного анализа и алгоритмы построения семантических сетей, что и т.д.

Теорема-4: "Об аддитивности неметрического интегрального критерия сходства, основанного на модифицированной формуле А.Харкевича и обобщенной лемме Неймана-Пирсона"

Рассмотрим информационные модели распознаваемого объекта и классов распознавания, т.е. модели, основанные на теории кодирования – декодирования. Эта модель является упрощенной, но достаточно адекватной для решения вопроса об аддитивности меры сходства объектов и классов.

Информационная модель распознаваемого объекта представляет собой двоичное слово, каждый разряд которого соответствует определенному признаку. Если признак есть у распознаваемого объекта, то соответствующий разряд имеет значение 1, если нет – то 0. Двоичное слово с установленными в 1 разрядами, соответствующими признакам распознаваемого объекта, называется его кодовым словом.

Упрощенная информационная модель класса распознавания есть двоичное слово, каждый разряд которого соответствует определенному признаку. Соответствие между двоичными разрядами и признаками для классов то же самое, что и для распознаваемых объектов. Если признак есть у класса, то соответствующий разряд имеет значение 1, если нет – то 0. Двоичное слово с установленными в 1 разрядами, соответствующими признакам класса, называется его кодовым словом.

Такая модель класса является упрощенной, так как в ней принято, что все признаки имеют одинаковый вес равный 1, если он есть у класса, и 0, если его нет, тогда как в полной информационной модели класса для каждого признака известно, какое количество информации о принадлежности к данному классу он содержит. Это количество информации может быть положительным, нулевым и отрицательным, но не может превосходить некоторой максимальной величины, определяемой количеством классов распознавания: I=Log₂N (мера Хартли), где N – количество классов.

Таким образом, в упрощенной информационной модели различные классы распознавания отличаются друг от друга только наборами признаков, которые им соответствуют.

При использовании этих упрощенных моделей задача распознавания объекта сводится к задаче декодирования, т.е. кодовые слова объектов рассматриваются как искаженные зашумленным каналом связи кодовые слова классов. Распознавание состоит в том, что по кодовому слову объекта определяется наиболее близкое ему в определенном смысле кодовое слово класса. При этом естественной и наиболее простой мерой сходства между распознаваемым объектом и классом является расстояние Хэмминга между их кодовыми словами, т.е. количество разрядов, которыми они отличаются друг от друга.

Рассмотрим теперь вопрос об аддитивности количества информации как частного критерия в интегральном критерии.

Известно [234], что существует всего два варианта формирования интегрального критерия из частных критериев: аддитивный и мультипликативный, поэтому задача сводится к выбору одного из этих вариантов.

Рассмотрим эти варианты. Пусть кодовое слово объекта состоит из N разрядов. Тогда добавление еще одного разряда, отображающего имеющийся (1) или отсутствующий (0) признак, приведет к различным результатам в случаях, когда интегральный критерий есть аддитивная и мультипликативная функция индивидуальных количеств информации в признаках (таблица 3.15):

Таблица 3. 15 – СРАВНЕНИЕ АДДИТИВНОГО И МУЛЬТИПЛИКАТИВНОГО
ВАРИАНТОВ ИНТЕГРАЛЬНОГО КРИТЕРИЯ

Дополнительный
признак

Аддитивная
функция:

Мультипликативная
функция:

Есть (1)

Нет (0)

Здесь предполагается, что: I=f(n), f(1)=1, f(0)=0.

Итак, если функция аддитивна – добавление еще одного разряда увеличит количество информации в кодовом слове на 1 бит, если соответствующий признак есть, и не изменит этого количества, если его нет; если же функция мультипликативна, – то это не изменит количества информации в кодовом слове, если соответствующий признак есть, и сделает его равным нулю, если его нет.

Очевидно, мультипликативный вариант интегрального критерия не соответствует классическим представлениям о природе информации, тогда как аддитивный вариант полностью им соответствует: требование аддитивности самой меры информации было впервые обосновано Хартли в 1928 году, подтверждено Шенноном в 1948 году, и в последующем развитии теории информации никогда не подвергалось сомнению. На аддитивности частных критериев, имеющих смысл количества информации, основана известная лемма Неймана-Пирсона [234, стр.152].

Таким образом, аддитивность интегрального критерия, основанного на частных критериях, имеющих смысл количества информации, можно считать обоснованной, что и т.д.

Обобщение интегральной модели путем учета значений выходных параметров объекта управления

Выходные параметры– это свойства объекта управления, зависят от входных параметров (в том числе параметров, характеризующих среду) и связанны с его целевым состоянием сложным и неоднозначным способом:

Задача идентификации состояния АОУ по его выходным параметрам решается подсистемой идентификации управляющей подсистемы, работающей на принципах системы распознавания образов. При этом классами распознавания являются выходные состояния АОУ, а признаками – его выходные параметры.

Подсистема выработки управляющих воздействий, также основанная на алгоритмах распознавания образов, обеспечивает выбор управления , переводящего объект управления в целевое состояние .

При этом последовательно решаются следующие две обратные задачи распознавания:

во–первых, по заданному целевому состоянию определяются наиболее характерные для данного состояния выходные параметры объекта управления:

во–вторых, по определенному на предыдущем шаге набору выходных параметров определяются входные параметры , с наибольшей эффективностью переводящие объект управления в данное целевое состояние с этими выходными параметрами:

1. Показано, что определенная ограниченность подхода Шеннона, рассмотренная в четвертой главе данной работы, преодолевается в апостериорном подходе. Обосновано, что одной из наиболее перспективных конкретизаций апостериорного подхода, является подход, предложенный в 1960 году А.А.Харкевичем [234, 309, 330, 347]. Для моделирования процессов принятия решений в адаптивных АСУ сложными системами предложено применить многокритериальный подхода с аддитивным интегральным критерием, в котором в качестве частных критериев используется семантическая мера целесообразности информации. При апостериорном подходе количество информации оценивается косвенно: по изменению степени целесообразности поведения системы, получившей эту информацию. В результате получения информации поведение системы улучшается (растет выигрыш), а в результате получения дезинформации – ухудшается (растет проигрыш). Известны и более развитые обобщения [234], основанные на интересных и правдоподобных идеях, однако они наталкиваются на значительные математические трудности и намного более сложны в программной реализации, поэтому их рассмотрение в данном исследовании признано нецелесообразным.

2. Предложенная математическая модель обеспечивает эффективное решение следующих задач, возникающих в адаптивных АСУ СС:

– разработка абстрактной информационной модели АОУ;

– адаптация и конкретизация абстрактной модели на основе информации о реальном поведении АОУ;

– расчет влияния факторов на переход АОУ в различные возможные состояния;

– прогнозирование поведения АОУ при конкретном управляющем воздействии и выработка многофакторного управляющего воздействия (основная задача АСУ);

– выявление факторов, вносящих основной вклад в детерминацию состояния АОУ; контролируемое удаление второстепенных факторов с низкой дифференцирующей способностью, т.е. снижение размерности модели при заданных граничных условиях;

– сравнение влияния факторов, сравнение целевых и других состояний АОУ.

3. Таким образом, предложенная методология, основанная на теории информации, обеспечивает эффективное моделирование задач принятия решений в адаптивных АСУ сложными системами.

4. На примере метода сведения многокритериальной задачи принятия решений к однокритериальной показана глубокая внутренняя взаимосвязь данной модели с математической моделью распознавания образов. На этой основе введено понятие "интегрального метода" распознавания и принятия решений и, после изложения основных понятий теории информации, предложена базовая математическая модель "интегрального метода", основанная на теории информации. Показано, что теория информации может рассматриваться как единая основа методов РО и ПР, распознавание образов как принятие решения о принадлежности объекта к классу распознавания, прогнозирование как распознавание будущих состояний, принятие решения об управляющем воздействии на объект управления в АСУ как решение обратной задачи распознавания.

5. Проведено исследование базовой математической модели на примере решения основной задачи АСУ: задача принятия решения о наиболее эффективном управляющем воздействии. Осуществлена декомпозиция основной задачи в последовательность частных задач для каждой из которых найдено решение, показана взаимосвязь основной задачи АСУ с задачей декодирования теории информации.

3.3. НЕКОТОРЫЕ СВОЙСТВА МАТЕМАТИЧЕСКОЙ МОДЕЛИ (СХОДИМОСТЬ, АДЕКВАТНОСТЬ, УСТОЙЧИВОСТЬ И ДР.)

Под сходимостью семантической информационной модели в данной работе понимается:

а) зависимость информативностей факторов (в матрице информативностей) от объема обучающей выборки;

б) зависимость адекватности модели (интегральной и дифференциальной валидности) от объема обучающей выборки.

Для измерения сходимости в смыслах "а" и "б" в системе реализован специальный исследовательский режим.

Под адекватностью модели понимается ее внутренняя и внешняя дифференциальная и интегральная валидность.

Под устойчивостью модели понимается ее способность давать незначительные различия в прогнозах и рекомендациях по управлению при незначительных различиях в исходных данных для решения этих задач.

3.3.1. Непараметричность модели. Робастные процедуры и фильтры для исключения артефактов

Предложенная семантическая информационная модель является непараметрической, т.к. не основана на предположениях о нормальности распределений исследуемой выборки.

Критерии для выявления артефактов есть только при большой статистике, когда же все частоты атрибутов малы, то невозможно отличить артефакт от значимого атрибута. При увеличении статистики частоты значимых атрибутов растут пропорционально объему выборки, тогда как частоты артефактов так и остаются чрезвычайно малыми, близкими к единице. В модели реализована процедура удаления наиболее вероятных артефактов, которая, как показывает опыт, существенно повышает качество (адекватность) модели.

3.3.2. Зависимость информативностей факторов от объема обучающей выборки

При учете в модели апостериорной информации, содержащейся в очередном объекте обучающей выборки, происходит перерасчет значений информативностей атрибутов. Иначе говоря изменяется количество информации, содержащейся в факте обнаружения у объекта данного атрибута о принадлежности объекта к определенному классу.

При этом значения информативностей атрибута "сходятся" к некоторому пределу в соответствии с двумя основными "сценариями":

1. Процесс "последовательных приближений", напоминающего по своей форме "затухающие колебания" (рисунок 3.13).

2. Относительно "плавное" возрастание или убывание с небольшими временными отклонениями от этой тенденции (рисунок 3.14). Других сценариев не наблюдается.

Рисунок 3. 13. Зависимость количества информации, содержащегося
в атрибуте №1 о принадлежности идентифицируемого объекта
(обладающего этим атрибутом) к классу №4

Рисунок 3. 14. Зависимость количества информации, содержащегося в атрибуте №1 о принадлежности идентифицируемого объекта
(обладающего этим атрибутом) к классу №10

В любом случае при накоплении достаточно большой статистики и сохранении закономерностей предметной области, отражаемых обучающей выборкой, модель стабилизируется в том смысле, что значения информативностей атрибутов перестают существенно изменяться. При достижении этого состояния можно утверждать, что добавление новых примеров из обучающей выборки не вносит в модель ничего нового и процесс обучения продолжать нецелесообразно.

3.3.3. Зависимость адекватности семантической информационной модели от объема обучающей выборки (адекватность при малых выборках)

При экспериментальном исследовании характеристик предлагаемой модели было обнаружено следующее:

1. При малых выборках адекватность модели (внутренняя интегральная и дифференциальная валидность) равна 100% (рисунок 3.15, диапазон "А"). Это можно объяснить тем, что при малых объемах выборки все выявленные закономерности имеют детерминистский характер.

2. При увеличении объема исследуемой выборки происходит понижение адекватности модели (переход: А®В) и стабилизация адекватности на некотором уровне около 95-98% (рисунок 3.15, диапазон "В")

3. Учет в модели объектов обучающей выборки, отражающих закономерности, качественно отличающиеся от ранее выявленных, приводит к понижению адекватности модели (переход: В®С) и ее стабилизации на уровне от 80 до 90% (рисунок 3.15, диапазон "С").

4. Внутри диапазона "В" вариабельность объектов обучающей выборки по закономерностям "атрибут®класс" меньше, чем в диапазоне "С", т.е. объекты обучающей выборки диапазона "В" более однородны, чем "С".

Рисунок 3. 15. Зависимость адекватности модели от объема обучающей выборки

Выявленные в модели причинно-следственные закономерности имеют силу для определенного подмножества обучающей выборки, например, отражающих определенный период времени, который соответствует детерминистскому периоду развития предметной области. При качественном изменении закономерностей устаревшие данные могут даже на некоторое время (пока модель не сойдется к новым закономерностям) нарушать ее адекватность.

В многочисленных проведенных практических исследованных модель показала высокую скорость сходимости и высокую адекватность на малых выборках. На больших выборках (т.е. охватывающих несколько детерминистских и бифуркационных состояний предметной области) закономерности с коротким периодом "причина-следствие" переформировываются заново, а с длительным (охватывающим несколько детерминистских и бифуркационных состояний) – автоматически становятся незначимыми и не ухудшают адекватность модели, если процесс апериодический, или сохраняют силу, если они имеют фундаментальный характер.

Из вышесказанного вытекает критерий остановки процесса обучения: если в модели ничего существенно не меняется при добавлении в обучающую выборку все новых и новых данных, то это означает, что модель адекватно отображает генеральную совокупность и продолжать процесс обучения нецелесообразно.

Здесь уместно рассмотреть один часто встречающийся вопрос, который состоит в следующем. Если для формирования образов классов распознавания предъявлено настолько малое количество обучающих анкет, что говорить об обобщении и статистике не приходится, то как это может повлиять на качество формирования этих образов и на достоверность распознавания? Если бы была статистика, то как показывает опыт, около 95% анкет, формирующих образ оказывается типичными для него, а остальные не типичными. Если этот образ формируется на основе буквально одной - двух анкет, то вероятнее всего (т.е. с вероятностью около 95%) они являются типичными, и, следовательно, образ будет сформирован практически таким же, как и при большой статистике, т.е. правильным. При увеличении статистики в этом случае информативности признаков, составляющих образ практически не меняются). Но есть некоторая, сравнительно незначительная вероятность (около 5%), что попадется нетипичная анкета. Тогда при увеличении статистики образ быстро качественно изменится и "быстро сойдется" к адекватному, "нетипичная" анкета будет идентифицирована и ее данные либо будут удалены из модели, либо для нее специально будет создан свой класс.

При незначительной статистике относительный вклад каждой анкеты в некоторый образ, сформированный с ее применением, будет достаточно велик. Поэтому в этом случае при распознавании Система уверенно относит анкету к этому образу. При большой статистике Система также уверенно относит типичные анкеты к образам, сформированным с их применением. Незначительное количество нетипичных анкет могут быть распознаны ошибочно, т.е. не отнесены Системой к тем образам, к которым их отнесли эксперты.

Наличие в системе классов распознавания очень сходных образов (по данным кластерно-конструктивного анализа) также может формально уменьшать валидность Системы. Однако фактически очень сходные образы целесообразно объединить в один, т.к. по-видимому, их разделение объективно ничем не оправдано, т.е. не соответствует действительности. Для осуществления данной операции предназначен режим: "Получение стат.характеристики обучающей выборки и объединение классов распознавания (ручной ремонт обучающей выборки)".

3.3.4. Семантическая устойчивость модели

Под семантической устойчивостью модели [141] в данном исследовании понимается ее свойство давать малое различие в прогнозе при замене одних факторов, другими, мало отличающимися по смыслу (т.е. сходными по их влиянию на поведение АОУ). Проведенные автором исследования и численные эксперименты показали, что предложенная модель обладает очень высокой семантической устойчивостью.

3.3.5. Зависимость некоторых параметров модели от ее ортонормированности

Изучим зависимость уровня системности, степени детерминированности и адекватности модели от ее ортонормированности. В связи с тем, что соответствующий научно-исследовательский режим, позволяющий изучить эти зависимости методом численного эксперимента, на момент написания данной работы находится в стадии разработки, получим интересующие нас зависимости путем анализа выражений (3.9) и (3.25), полученных в разделе 3.1.3.

При этом будем различать ортонормированность модели по классам и ортонормированность по атрибутам.

Зависимость адекватности модели от ее ортонормированности

Эта зависимость изучалась методом численного эксперимента. При этом были получены следующие результаты.

На 1-м этапе ортонормирования адекватность модели (ее внутренняя дифференциальная и интегральная валидность) возрастает. Это можно объяснить тем, что, во-первых, уменьшается количество ошибок идентификации с близкими, т.е. коррелирующими классами, и, во-вторых, удаление из модели малоинформативных признаков по сути улучшает отношение "сигнал/шум" модели, т.е. качество идентификации.

На 2-м этапе ортонормирования адекватность модели стабилизируется и незначительно колеблется около максимума. Это объясняется тем, что атрибуты, удаляемые на этом этапе, не являются критическим для адекватности модели.

На 3-м этапе ортонормирования адекватность модели начинает уменьшаться, т.к. дальнейшее удаление атрибутов не позволяет адекватно описать предметную область.

При приближении процесса ортонормирования к 3-му этапу или его наступлении этот процесс должен быть остановлен.

Зависимость уровня системности модели от ее ортонормированности

Рассмотрим выражение (3.9):

(3.9)

При выполнении операции ортонормирования по классам из модели последовательно удаляются те из них, которые наиболее сильно корреляционно связаны друг с другом. В результате в модели остаются классы практически не коррелирующие, т.е. ортонормированные. Поэтому можно предположить, что в результате ортонормирования правила запрета на образование подсистем классов становятся более жесткими, и уровень системности модели уменьшается.

Зависимость степени детерминированности модели от ее ортонормированности

Рассмотрим выражение (3.25):

(3.25)

Так как каждый класс как правило описан более чем одним признаком, то при ортонормировании классов и удалении некоторых из них из модели суммарное количество признаков N будет уменьшаться быстрее, чем количество классов W, поэтому степень детерминированности будет возрастать.

При ортонормировании атрибутов числитель выражения (3.25) не изменяется, а знаменатель уменьшается, поэтому и в этом случае степень детерминированности возрастает.

Таким образом, ортонормирование модели приводит к увеличению степени ее детерминированности.

По этой причине предлагается считать "истинной детерменированностью" предел, к которому стремится детерминированность, при корректном ортонормировании модели, т.е. при достижении максимума адекватности.

3.4. СВЯЗЬ СИСТЕМНОГО ОБОБЩЕНИЯ ИНФОРМАЦИОННОЙ МЕРЫ ХАРКЕВИЧА СО СТАТИСТИКОЙ c² И НОВАЯ МЕРА УРОВНЯ СИСТЕМНОСТИ ПРЕДМЕТНОЙ ОБЛАСТИ

Статистика c²представляет собой сумму вероятностей совместного наблюдения признаков и объектов по всей корреляционной матрице или определенным ее подматрицам (т.е. сумму относительных отклонений частот совместного наблюдения признаков и объектов от среднего):

(3. 75)

где:

– N_ij – фактическое количество встреч i-го признака у объектов j-го класса;

– t – ожидаемое количество встреч i-го признака у объектов j-го класса.

(3. 76)

Нельзя не обратить внимание на то, что статистика c² математически простым образом связана с количеством информации в системе признаков о классе распознавания, в соответствии с системным обобщением формулы Харкевича для плотности информации (3.28)

(3. 77)

а именно из (3.76) и (3.77) получаем:

(3. 78)

Из (3.78) очевидно:

(3. 79)

Сравнивая выражения (3.75) и (3.79), видим, что числитель в выражении (3.75) под знаком суммы отличается от выражения (3.79) только тем, что в выражении (3.79) вместо значений N_ij и t взяты их логарифмы. Так как логарифм является монотонно возрастающей функцией аргумента, то введение логарифма не меняет общего характера поведения функции.

Фактически это означает, что:

(3. 80)

Если фактическая вероятность наблюдения i–го признака при предъявлении объекта j–го класса равна ожидаемой (средней), то наблюдение этого признака не несет никакой информации о принадлежности объекта к данному классу. Если же она выше средней – то это говорит в пользу того, что предъявлен объект данного класса, если же ниже – то другого.

Поэтому наличие статистической связи (информации) между признаками и классами распознавания, т.е. отличие вероятностей их совместных наблюдений от предсказываемого в соответствии со случайным нормальным распределением, приводит к увеличению фактической статистики c²по сравнению с теоретической величиной.

Из этого следует возможность использования в качестве количественной меры степени выраженности закономерностей в предметной области использовать не матрицу абсолютных частот и меру c², а новую меру основанную на матрице информативностей и системном обобщении формулы Харкевича для количества информации:

(3. 81)

где:

– средняя информативность признаков по матрице информативностей.

Значение данной меры показывает среднее отличие количества информации в факторах о будущих состояниях активного объекта управления от среднего количества информации в факторе (которое при больших выборках близко к 0). По своей математической форме эта мера сходна с мерами для значимости факторов и степени сформированности образов классов и коррелирует с объемом пространства классов и пространства атрибутов.

Описанная выше математическая модель обеспечивает инвариантность результатов обучения Системы относительно следующих параметров обучающей выборки:

1. Суммарное количество и порядок ввода анкет обучающей выборки.

2. Количество анкет обучающей выборки по каждому классу распознавания.

3. Суммарное количество признаков во всех анкетах обучающей выборки.

4. Суммарное количество признаков по эталонным описаниям различных классов распознавания.

5. Количество признаков и их порядок в отдельных анкетах обучающей выборки.

Это обеспечивает высокое качество решения задач системой распознавания на неполных и разнородных (в вышеперечисленных аспектах) данных как обучающей, так и распознаваемой выборки, т.е. при таких статистических характеристиках потоков этих данных, которые чаще всего и встречается на практике и которыми невозможно или очень сложно управлять.

3.5. СРАВНЕНИЕ, ИДЕНТИФИКАЦИЯ И ПРОГНОЗИРОВАНИЕ КАК ОБЪЕКТНЫЙ АНАЛИЗ (РАЗЛОЖЕНИЕ ВЕКТОРОВ ОБЪЕКТОВ В РЯД ПО ВЕКТОРАМ КЛАССОВ)

В разделе 3.4 были введены неметрические интегральные критерии сходства объекта, описанного массивом-локатором L_i с векторами обобщенных образов классов I_ij (выражения 3.57 и 3.55)

(3. 82)

В выражении (3.82) круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:

(3. 83)

где:

– вектор j–го состояния объекта управления;

Для непрерывного случая выражение (3.81) принимает вид:

(3. 84)

Таким образом, выражение (3.82) представляет собой вариант выражения (3.80) интегрального критерия сходства объекта и класса для непрерывного случая в координатной форме.

Интересно и очень важно отметить, что коэффициенты ряда Фурье по своей математической форме и смыслу сходны с ненормированными коэффициентами корреляции, т.е. по сути скалярными произведениями для непрерывных функций в координатной форме: выражение (3.82), между разлагаемой в ряд кривой f(x) и функциями Sin и Сos различных частот и амплитуд на отрезке [–L, L] [3]:

(3. 85)

где: n={1, 2, 3,…} – натуральное число.

Из сравнения выражений (3.82) и (3.83) следует вывод, что процесс идентификации и прогнозирования (распознавания), реализованный в предложенной математической модели, может рассматриваться как разложение вектора распознаваемого объекта в ряд по векторам классов распознавания.

Например, при результатах идентификации, представленных на рисунке (3.16):

Рисунок 3. 16. Пример разложения профиля курсанта усл.№69
в ряд по обобщенным образам классов

Продолжая развивать аналогию с разложением в ряд, данный результат идентификации можно представить в векторной аналитической форме:

Или в координатной форме, более удобной для численных расчетов:

(3. 86)

где:

I(j) – интегральный критерий сходства массива-локатора, описывающего состояние объекта, и j-го класса, рассчитываемый согласно выражения (3.57):

(3.57)

I(i,j) – вектор обобщенного образа j-го класса, координаты которого рассчитываются в соответствии с системным обобщением формулы Харкевича (3.28):

(3.28)

Примечание: обозначения I(i,j) и I_ij, и т.п. эквивалентны. Смысл всех переменных, входящих в выражения (3.28) и (3.57) раскрыт в разделе 3.1.3 данной работы.

При дальнейшем развитии данной аналогии естественно возникают вопросы:

– о полноте, избыточности и ортонормированности системы векторов классов как функций, по которым будет вестись разложение вектора объекта;

– о сходимости, т.е. вообще возможности и корректности такого разложения.

В общем случае вектор объекта совершенно не обязательно должен разлагаться в ряд по векторам классов таким образом, что сумма ряда во всех точках точно совпадала со значениям исходной функции. Это означает, что система векторов классов не обязательно будет полна по отношению к профилю распознаваемого объекта, и, тем более, всех возможных объектов. Предлагается считать не разлагаемые в ряд, т.е. плохо распознаваемые объекты суперпозицией хорошо распознаваемых объектов ("похожих" на те, которые использовались для формирования образов), и объектов, которые и не должны распознаваться, так как объекты этого типа не встречались в обучающей выборке и не использовались для формирования обобщенных образов классов.

Нераспознаваемую компоненту можно рассматривать либо как шум, либо считать ее полезным сигналом, несущим ценную информацию о еще не исследованных объектах интересующей нас предметной области (в зависимости от целей и тезауруса исследователей). Первый вариант не приводит к осложнениям, так как примененный в математической модели алгоритм сравнения векторов объектов и классов, основанный на вычислении нормированной корреляции Пирсона (сумма произведений), является весьма устойчивым к наличию белого шума в идентифицируемом сигнале. Во втором варианте необходимо дообучить систему распознаванию объектов, несущих такую компоненту (в этой возможности и заключается адаптивность модели). Технически этот вопрос решается просто копированием описаний плохо распознавшихся объектов из распознаваемой выборки в обучающую, их идентификацией экспертами и дообучением системы. Кроме того, может быть целесообразным расширить справочник классов распознавания новыми классами, соответствующими этим объектам.

Но на практике гораздо чаще наблюдается противоположная ситуация (можно даже сказать, что она типична), когда система векторов избыточна, т.е. в системе классов распознавания есть очень похожие классы (между которыми имеет место высокая корреляция, наблюдаемая в режиме: "кластерно–конструктивный анализ"). Практически это означает, что в системе сформировано несколько практически одинаковых образов с разными наименованиями. Для исследователя это само по себе является очень ценной информацией. Однако, если исходить только из потребности разложения распознаваемого объекта в ряд по векторам классов (чтобы определить суперпозицией каких образов он является, т.е. "разложить его на компоненты"), то наличие сильно коррелирующих друг с другом векторов представляется неоправданным, так как просто увеличивает размерности данных, внося в них мало нового по существу. Поэтому возникает задача исключения избыточности системы классов распознавания, т.е. выбора из всей системы классов распознавания такого минимального их набора, в котором профили классов минимально коррелируют друг с другом, т.е. ортогональны в фазовом пространстве признаков. Это условие в теории рядов называется "ортонормируемостью" системы базовых функций, а в факторном анализе связано с идеей выделения "главных компонент".

В предлагаемой математической модели есть два варианта выхода из данной ситуации: исключение неформирующихся, расплывчатых или дублирующих классов; объединение почти идентичных по содержанию классов.

Но выбрать вариант и реализовать его, используя соответствующие режимы, пользователь технологии АСК-анализа должен сам. Вся необходимая и достаточная информация для принятия соответствующих решений предоставляется пользователю системы.

Если считать, что функции образов образуют формально–логическую систему, к которой применима теорема Геделя, то можно сформулировать эту теорему для данного случая следующим образом: "Для любой системы базисных функций всегда существует по крайней мере одна такая функция, что она не может быть разложена в ряд по данной системе базисных функций, т.е. всегда существует функция, которая является ортонормированной ко всей системе базисных функций в целом".

Очевидно, не взаимосвязанными друг с другом могут быть только четко оформленные, детерминистские образы, т.е. образы с высокой степенью редукции ("степень сформированности конструкта"). Поэтому в процессе выявления взаимно–ортогональных базисных образов в первую очередь будут выброшены аморфные "расплывчатые" образы, которые связаны практически со всеми остальными образами.

В некоторых случаях результат такого процесса представляет интерес и это делает оправданным его реализацию. Однако можно предположить, что и наличие расплывчатых образов в системе является оправданным, так как в этом случае система образов не будет формальной и подчиняющейся теореме Геделя, следовательно, система распознавания будет более полна в том смысле, что повысится вероятность идентификации любого объекта, предъявленного ей на распознавание. Конечно, уровень сходства с аморфным образом не может быть столь же высоким, как с четко оформленным, поэтому в этом случае может быть более уместно применить термин "ассоциация" или нечеткая, расплывчатая идентификация, чем "однозначная идентификация".

Итак, можно сделать следующий вывод: возможность наличия в системе не только четко оформленных (детерминистских) образов, но и образов аморфных, нечетких, расплывчатых является важным достоинством перспективной системы распознавания, так как обеспечивает ей возможность устойчивой работы даже в тех случаях, в которых системы распознавания (идентификации) и информационно–поисковые системы детерминистского типа практически неработоспособны. В этих условиях перспективная система работает как система ассоциативной идентификации.

Таким образом, в предложенной семантической информационной модели при идентификации и прогнозировании по сути дела осуществляется разложение векторов идентифицируемых объектов по векторам классов распознавания, т.е. осуществляется "объектный анализ" (по аналогии с спектральным, гармоническим или Фурье–анализом), что позволяет рассматривать идентифицируемые объекты как суперпозицию обобщенных образов классов различного типа с различными амплитудами (3.84). При этом вектора обобщенных образов классов с математической точки зрения представляют собой произвольные функции, и не обязательно образуют полную и не избыточную (ортонормированную) систему функций.

3.6. ВЫВОДЫ

1. В третьей главе сформулированы требования к математической модели и к численной мере, а затем обоснован выбор базовой численной меры.

Для этого рассмотрены три вида информации: абсолютная, относительная и аналитическая информация и отдано предпочтение аналитической форме информации, к которой принадлежат относительные вероятности, относительные проценты и количество информации. Вместо традиционных мер, основанных на понятии "стоимости" и "полезности" предложено использовать информационную меру. Рассмотрены различные аспекты применения теории информации для анализа процесса труда и средств труда как информационных систем. Показано, что принятие решения об управляющем воздействии и управление есть обратный процесс по отношению к идентификации и прогнозированию, т.е. познанию. Показана связь количества (синтаксиса) и качества (содержания, семантики) информации, записываемой в структуре предмета труда, с меновой и потребительной стоимостью. Сформулирована информационная теория стоимости, в которой информация рассматривается как сущность стоимости и как "первичный" и по сути единственный товар. Рассмотрены вопросы определения стоимости и амортизация интеллектуальных систем и баз знаний. Показано, что их стоимость генераторов информации возрастает в процессе эксплуатации. С позиций теории информации раскрыт фундаментальный источник экономической эффективности АСУ и систем интеллектуальной обработки данных: понижение энтропии объекта управления как приемника сообщений в результате получения управляющей информации. Сделан вывод о целесообразности выбора в качестве базовой численной меры количества информации. Поставлена задача выбора или конструирования конкретной численной меры, основанной на понятии информации.

2. В классической теории информации Шеннона, созданной на основе обобщения результатов Больцмана, Найквиста и Хартли, само понятие информации определяется на основе теоретико-множественных и комбинаторных представлений на основе анализа поведения классического макрообъекта, который может переходить только в четко фиксированные альтернативные редуцированные состояния. Однако, квантовые объекты и сложные активные рефлексивные системы могут оказываться одновременно в двух и более альтернативных для классических объектов состояниях. Такие состояния будем называть смешанными. Таким образом наблюдается картина последствий, не сводящаяся к простой сумме последствий альтернативных вариантов, т.е. очень напоминающая квантовое физическое явление, которое называется интерференцией плотности вероятности. Это явление, безусловно имеющее системный характер, предлагается называть "интерференция последствий выбора".

3. Предлагается обобщение классической теория информации Хартли-Шеннона путем рассмотрения квантовых и активных объектов в качестве объектов, на основе анализа которых формируется само основополагающее понятие информации. Обобщенную таким образом теорию информации предлагается называть системной или эмерджентной теорией информации (было бы удачным назвать ее и квантовой, но этот термин уже используется в другом смысле). Основным отличием эмерджентной теории информации от классической является учет свойства системности, как фундаментального и универсального свойства всех объектов, на уровне самого понятия информации, а не только в последующем изложении, как в классической теории.

4. Предложена системная модификация формулы Хартли для количества информации:

где:

W – количество чистых (классических) состояний системы;

– сочетания "по m" классических состояний.

Так как , то при M=1 выполняется принцип соответствия, являющийся обязательным для более общей теории. Данная формула дает верхнюю оценку возможного количества информации состоянии системы, т.к. возможны различные правила запрета и реальное количество возможных состояний системы будет меньшим, чем .

Предложено приближенное выражение для системной модификации формулы Хартли (при M=W):

При W>4 погрешность данного выражения не превышает 1%.

Дополнительная информация, которую мы получаем из поведения объекта в СТИ, по сути дела является информацией о множестве всех его возможных состояний, как системы, элементом которой является объект в некотором данном состоянии.

5. Численные расчеты и аналитические выкладки показывают, что при возрастании количества элементов в системе доля системной информации в поведении ее элементов возрастает, причем возрастает ускоренно. Это обнаруженное нами свойство систем предлагается назвать "Законом возрастания эмерджентности".

6. Предложена системная модификация классической формулы А.Харкевича, являющееся нелинейной суперпозицией классических выражением для плотности информации Шеннона и количества информации Хартли.

где: j – коэффициент эмерджентности Хартли (уровень системной организации объекта, имеющего W чистых состояний):

Полученное выражение учитывает как взаимосвязь между признаками (факторами) и будущими, в т.ч. целевыми состояниями объекта управления, так и мощность множества будущих состояний. Кроме того она объединяет возможности интегрального и дискретного описания объектов, что является основой формализации смысла, а также удовлетворяет принципу соответствия, т.е. преобразуется в формулу Хартли в предельном случае, когда каждому классу (состоянию объекта) соответствует один признак (фактор), и каждому признаку – один класс, и эти классы (а, значит и признаки), равновероятны.

7. Все это делает выражение оптимальным по сформулированным критериям для целей построения семантической информационной модели активных объектов управления и для применения для синтеза рефлексивных АСУ активными системами.

8. В предложенной семантической информационной модели генерируется обобщенная таблица решений, в которой входы (факторы) и выходы будущие состояния активного объекта управления (АОУ) связаны друг с другом не с помощью классических (Аристотелевских) импликаций, принимающих только значения: "Истина" и "Ложь", а различными значениями истинности, выраженными в битах и принимающими значения от положительного теоретически-максимально-возможного ("Максимальная степень истинности"), до теоретически неограниченного отрицательного ("Степень ложности"). Синтез обобщенных таблиц решений для различных предметных областей осуществляется непосредственно на основе эмпирических исходных данных, на основе этих таблиц продуцируются прямые и обратные правдоподобные (нечеткие) логические рассуждения по неклассическим схемам с различными расчетными значениями истинности, являющимся обобщением классических импликаций. При этом в прямых рассуждениях как предпосылки рассматриваются факторы, а как заключение – будущие состояния АОУ, а в обратных – наоборот. Степень истинности i-й предпосылки – это количество информации I_ij, содержащейся в предпосылке о наступлении j-го будущего состояния активного объекта управления.

9. Евклидово расстояние в качестве меры сходства объекта с классом, класса с классом и атрибута с атрибутом не применимо, т.к. информационное семантическое пространство вообще говоря неортонормированно, расстояние Махалонобиса также неприменимо, т.к. измеряет расстояние от центроида, а не между векторами, поэтому на основе леммы Неймана-Пирсона в качестве неметрической меры сходства предложено использовать суммарное количество информации. Если предпосылок несколько, то степень истинности наступления j-го состояния АОУ равна суммарному количеству информации, содержащемуся в них об этом:

Или в координатной форме:

где: – вектор j–го состояния объекта управления, координаты которого в информационном семантическом пространстве рассчитываются согласно системного обобщения формулы Харкевича, приведенной в п.6; – булев вектор состояния предметной области, включающий все виды факторов, характеризующих объект управления, возможные управляющие воздействия и окружающую среду (массив–локатор).

10. Предложенная семантическая информационная модель позволяет решать задачи идентификации и прогнозирования развития активных систем (разложение вектора объекта по векторам классов – "Объектный анализ"), а также вырабатывать эффективные управляющие воздействия путем решения обратной задачи прогнозирования и применения элементов нетрадиционной логики и правдоподобных (нечетких) рассуждений. В ней объединены преимущества содержательных и статистических моделей, созданы предпосылки для реализации АСК-анализа.

11. Исследована взаимосвязь примененной в модели семантической меры Харкевича со статистикой Х², и, на этой основе, предложена новая статистическая мера наличия причинно-следственных связей H, основанная на модифицированной формуле Харкевича:

где:

– средняя информативность признаков по матрице информативностей.

Обоснована устойчивость модели при малых выборках, дано обоснование сопоставимости частных критериев, разработана интерпретация распознавания как объектного анализа (разложение вектора объекта в ряд по векторам классов), предложены робастные процедуры, а также процедуры обеспечения структурной репрезентативности выборки.

12. Предложен коэффициент эмерджентности Хартли j, который представляет собой относительное превышение количества информации о системе при учете системных эффектов (смешанных состояний, иерархической структуры ее подсистем и т.п.) над количеством информации без учета системности, т.е. этот коэффициент отражает уровень системности объекта. Уровень системности объекта изменяется от 1 (системность минимальна, т.е. отсутствует) до W/Log₂W (системность максимальна). Для каждого количества элементов системы существует свой максимальный уровень системности, который никогда реально не достигается из-за действия правил запрета на реализацию в системе ряда подсистем различных уровней иерархии.

Предложен коэффициент эмерджентности Харкевича Y, который изменяется от 0 до 1 и определяет степень детерминированности системы:

Y=1 соответствует полностью детерминированной системе, поведение которой однозначно определяется действием минимальным количеством факторов, которых столько же, сколько состояний системы;

Y=0 соответствует полностью случайной системе, поведение которой никак не зависит действия факторов независимо от их количества;

0<Y<1 соответствуют большинству реальных систем поведение которых зависит от многих факторов, число которых превосходит количество состояний системы, причем ни одно из состояний не определяется однозначно никакими сочетаниями действующих факторов.

Увеличение уровня системности влияет на семантическую информационную модель аналогично повышению уровня детерминированности. Понижение уровня системности, также как и степени детерминированности системы приводит к ослаблению влияния факторов на поведение системы, т.е. к своего рода "инфляции факторов".

Основной вывод по результатам третьей главы:

В предложенном системном обобщении формулы Харкевича впервые непосредственно в аналитическом выражении для самого понятия "Информация" отражены такие фундаментальные свойства систем, как "Уровень системности" и "Степень детерминированности" системы, кроме того это выражение (как и формула Шеннона) удовлетворяет принципу соответствия с выражением Хартли в детерминистском случае, учитывает понятие цели, мощность множества будущих состояний объекта управления, объединяет возможности интегрального и дискретного описания объектов. По этим причинам полученное выражение является оптимальным в качестве основы для построения математической модели рефлексивных АСУ активными объектами.

ГЛАВА 4. ЧИСЛЕННЫЙ МЕТОД АСК-АНАЛИЗА

Численный метод АСК-анализа включает иерархические структуры баз данных и детальные алгоритмы базовых когнитивных операций системного анализа.

4.1. СТРУКТУРЫ ДАННЫХ И ПОСЛЕДОВАТЕЛЬНОСТЬ ЧИСЛЕННЫХ РАСЧЕТОВ В СООТВЕТСТВИИ С СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛЬЮ АСК-АНАЛИЗА

Рассмотрим 6 уровней базовых когнитивных операций системного анализа и 5-ти уровневую иерархическую структуру данных (рисунок 4.1), на базе которой и реализуются эти операции.

На 1-м уровне непосредственно на основе исходной информации, путем применения БКОСА 2.1 и 2.2 формируется матрица абсолютных частот.

На 2-м уровне на основе матрицы абсолютных частот путем применения БКОСА 3.1.1, 3.1.2, 3.1.3, 3.2, 3.3 формируется матрица информативностей, являющаяся основой для выполнения последующих БКОСА и обеспечивающая независимость времени их выполнения от объема обучающей выборки.

На 3-м уровне путем выполнения БКОСА 4.1 и 4.2 формируется оптимизированная матрица информативностей. Оптимизация обеспечивает экономию труда, времени и других затрат на эксплуатацию содержательной информационной модели.

На 4-м уровне с использованием оптимизированной матрицы информативностей выполняются БКОСА 9.1, 9.2, а также 10.1.1 и 10.2.1. Две последние операции обеспечивают (соответственно) создание матриц сходства классов и атрибутов, являющихся, в свою очередь, основой для реализации последующих БКОСА.

На 5-м уровне на основе матриц сходства путем выполнения БКОСА 10.1.2, 10.2.2, 10.3.1 и 10.4.1 рассчитываются базы данных, когнитивного и кластерно-конструктивного анализа.

На 6-м уровне, с использованием баз данных, созданных на 5-м уровне, реализуются БКОСА 10.1.3, 10.3.2, 10.4.2 и 10.2.3.

Рисунок 4. 1. Иерархическая структура данных
семантической информационной модели АСК-анализа

4.2. ОПИСАНИЕ АЛГОРИТМОВ БАЗОВЫХ КОГНИТИВНЫХ ОПЕРАЦИЙ СИСТЕМНОГО АНАЛИЗА

В данном разделе приведены 24 детальных алгоритма всех 10 базовых когнитивных операций системного анализа (таблица 4.1), коды которых полностью соответствуют схеме АСК-анализа (рисунок 2.16).

Таблица 4. 1 – БАЗОВЫЕ КОГНИТИВНЫЕ ОПЕРАЦИИ
СИСТЕМНОГО АНАЛИЗА (БКОСА)

В таблице 4.2 приведена структура каждой базовой когнитивной операции и даны наименования программных модулей и функций Универсальной когнитивной аналитической системы "Эйдос", реализующих данные когнитивные операции. (подробнее данная система описана в главе 5.).

Таблица 4. 2 – СООТВЕТСТВИЕ БКОСА ПРОГРАММНЫМ МОДУЛЯМ, ПРОЦЕДУРАМ И ФУНКЦИЯМ СИСТЕМЫ "Эйдос"

Детальные алгоритмы базовых когнитивных операций системного анализа приведены на рисунках 4.2 – 4.25.

БКОСА-2.1. "Восприятие и запоминание исходной обучающей информации"

В базы данных вводятся двухвекторные (дискретно-интегральные) описания объектов, включающие как их описание на языке признаков, так и принадлежность к определенным классификационным категориям – классам.

БКОСА-2.2. "Репрезентация. Сопоставление индивидуального опыта с коллективным (общественным)"

В ряде случаев, особенно при проведении политологических исследований, необходимо, чтобы исследуемая выборка корректно представляла генеральную совокупность не только в смысле традиционно понимаемой репрезентативности, но и по распределению респондентов по категориям (т.е. структурно) соответствовала ей. Добиться этого путем подбора объектов для исследования затруднительно, т.к. каждый объект может относится одновременно ко многим классификационным категориям. Данный алгоритм обеспечивает выборку из исследуемого множества объектов последовательных подмножеств, наиболее близких по частотному распределению объектов по категориям к заданному распределению. Данная операция называется также "взвешивание или ремонт данных".

БКОСА-3.1.1. "Обобщение (синтез, индукция). Накопление первичных данных"

На основе анализа обучающей выборки обеспечивается накопление в базах данных первичных элементов смысла, т.е. фактов, состоящих в том, что определенный признак встретился у объекта определенного класса.

БКОСА-3.1.2. "Обобщение (синтез, индукция). Исключение артефактов"

При отсутствии статистики невозможно отличить закономерные факты от не вписывающихся в общую складывающуюся картину и искажающих ее, т.е. артефактов. При накоплении же достаточной статистики это возможно и данный алгоритм позволяет выявить и исключить из дальнейшего анализа артефакты. Необходимо отметить, что в результате действия данного алгоритма существенно повышается качество содержательной модели предметной области, в частности ее валидность.

БКОСА-3.1.3. "Обобщение (синтез, индукция). Расчет степени истинности содержательных смысловых связей ме жду предпосылками и результатами (обобщенных таблиц решений)"

Непосредственно на основе матрицы абсолютных частот позволяет вычислить количество информации, содержащейся в факте наблюдения у некоторого объекта определенного признака о том, что данный объект принадлежит к определенной классификационной категории.

БКОСА-3.2. "Определение значимости шкал и градаций факторов, уровней Мерлина"

Рассчитывается среднее количество информации, которое система управления получает о поведении АОУ из фактов о действии тех или иных факторов и их значений. Кроме того, если факторы классифицированы независимым способом по уровням Мерлина, то определяется и значимость этих уровней.

БКОСА-3.3. "Определение значимости шкал и градаций классов, уровней Мерлина"

Рассчитывается среднее количество информации, которое система управления получает из одного признака, если известен класс. Если классы относятся к уровням Мерлина, то определяется и их значимость.

БКОСА-4.1. "Абстрагирование факторов (снижение размерности семантического пространства факторов)"

С помощью метода последовательных приближений (итерационный алгоритм) при заданных граничных условиях снижается размерность пространства атрибутов без существенного уменьшения его объема. Критерий остановки итерационного процесса – достижение одного из граничных условий.

БКОСА-4.2. "Абстрагирование классов (снижение размерности семантического пространства классов)"

С помощью метода последовательных приближений (итерационный алгоритм) при заданных граничных условиях снижается размерность пространства классов без существенного уменьшения его объема. Критерий остановки итерационного процесса – достижение одного из граничных условий.

БКОСА-5. "Оценка адекватности информационной модели предметной области"

Осуществляется идентификация объектов обучающей выборки (классификационный вектор которых уже известен) и затем рассчитывается средневзвешенная погрешность идентификации (интегральная валидность), а также погрешность идентификации с каждым классом (дифференциальная валидность). Если модель имеет приемлемый уровень адекватности, то принимается решение о возможности ее использования в адаптивном режиме на объектах, не входящих в обучающую выборку, но относящихся к генеральной совокупности, по отношению к которой эта выборка репрезентативна. Если же модель недостаточно адекватна, то продолжаются работы по синтезу адекватной модели путем увеличения количества классов и факторов, а также корректировки описаний объектов обучающей выборки и увеличения их количества.

БКОСА-7. "Сравнение, идентификация и прогнозирование. Распознавание состояний конкретных объектов (объектный анализ)"

Рассчитывается количество информации, содержащееся в описании идентифицируемого объекта о его принадлежности к каждому из классов. Все классы ранжируются в порядке убывания количества информации о принадлежности к ним в описании данного объекта. Таким образом вектор объекта разлагается в ряд по векторам классов. Кроме того все объекты ранжируются в порядке убывания сходства с каждым классом. Таким образом вектор класса разлагается в ряд по векторам объектов.

БКОСА-9.1. "Дедукция и абдукция классов (семантический анализ обобщенных образов классов, решение обратной задачи прогнозирования)"

Координаты вектора класса (т.е. факторы) ранжируются в порядке убывания их значений. Таким образом, в начале списка оказываются факторы, оказывающие наиболее сильное влияние на переход АОУ в состояние, соответствующее данному классу, а в конце списка – препятствующие этому. Это позволяет выбрать факторы для управляющего воздействия, целью которого является перевод АОУ в состояние, соответствующее данному классу. Механизм фильтрации позволяет "изолированно" рассматривать влияние различных групп факторов: например, факторов, характеризующих объект управления, управляющую систему или окружающую среду.

БКОСА-9.2. "Дедукция и абдукция факторов (семантический анализ факторов)"

Классы ранжируются в порядке убывания влияния данного фактора на переход АОУ в состояния, соответствующие этим классам. В начале списка оказываются состояния, на переход в которые данный фактор оказывает наибольшее влияние, а в конце – на переход в которые данный фактор препятствует. Этот список является развернутой характеристикой смысла фактора.

БКОСА-10.1.1. "Классификация обобщенных образов классов"

Сравниваются вектора классов и формируется диагональная матрица сходства классов, в которой по обоим осям расположены коды классов а в клетках находятся нормированные коэффициенты, численно отражающие степень сходства или различия векторов соответствующих классов.

БКОСА-10.1.2. "Формирование бинерных конструктов классов"

На основе матрицы сходства классов для каждого из них формируется ранжированный список остальных, в котором они расположены в порядке убывания сходства с данным классом. Такие списки представляют собой бинарные конструкты, а их полюса соответствуют кластерам.

БКОСА-10.1.3. "Визуализация семантических сетей классов"

На основе матрицы сходства классов визуализируются ориентированные графы, вершинам которых соответствуют классы, а ребрам – степени их сходства или различия. Знак связи обозначается цветом: красный цвет – сходство, синий – различие, толщина линии соответствует модулю (силе) связи. Необходимо отметить, что для подобных графов в литературе пока нет устоявшегося общепринятого названия: в данном исследовании, как и в предшествующих работах автора, они согласно [244] называются семантическими сетями, в литературе по когнитивному анализу их называют когнитивными картами, а в литературе по когнитивному анализу – когнитивными картами или схемами [177].

БКОСА-10.2.1. "Классификация факторов"

Сравниваются вектора факторов и формируется диагональная матрица сходства факторов, в которой по обоим осям расположены коды факторов а в клетках находятся нормированные коэффициенты, численно отражающие степень сходства или различия векторов соответствующих факторов.

БКОСА-10.2.2. "Формирование бинерных конструктов факторов"

На основе матрицы сходства факторов для каждого из них формируется ранжированный список остальных, в котором они расположены в порядке убывания сходства с данным фактором. Такие списки представляют собой бинарные конструкты, а их полюса соответствуют кластерам.

БКОСА-10.2.3. "Визуализация семантических сетей факторов"

На основе матрицы сходства факторов визуализируются ориентированные графы, вершинам которых соответствуют заданные факторы, а ребрам – степени их сходства или различия. Знак связи обозначается цветом: красный цвет – сходство, синий – различие, толщина линии соответствует модулю (силе) связи.

БКОСА-10.3.1. "Содержательное сравнение классов"

Каждая связь между классами в семантической сети, отражающая степень их сходства или различия, имеет определенную структуру, описанную в разделе 3.2.3 исследования. Эта структура включает ряд элементов, каждый из которых соответствует одному слагаемому обобщенной меры сходства векторов классов.

БКОСА-10.3.2. "Расчет и отображение многомногозначных когнитивных диаграмм, в т.ч. диаграмм Вольфа Мерлина"

Из всех составляющих связи между классами выбираются 8 наиболее сильных и отображаются в форме линий, цвет которых означает знак, а толщина – модуль силы связи. Классы изображаются в форме наиболее значимых фрагментов их информационных портретов. При этом учитываются корреляции между факторами.

БКОСА-10.4.1. "Содержательное сравнение факторов"

Каждая связь между факторами в семантической сети, отражающая степень их сходства или различия, имеет определенную структуру, описанную в разделе 3.2.3 исследования. Эта структура включает ряд элементов, каждый из которых соответствует одному слагаемому обобщенной меры сходства векторов факторов.

БКОСА-10.4.2. "Расчет и отображение многомногозначных когнитивных диаграмм, в т.ч. инвертированных диаграмм Мерлина"

Из всех составляющих связи между факторами выбираются 16 наиболее сильных и отображаются в форме линий, цвет которых означает знак, а толщина – модуль силы связи. Факторы отображаются в форме наиболее значимых фрагментов их семантических портретов. При этом учитываются корреляции между классами.

БКОСА-11. "Многовариантное планирование и принятие решения о применении системы управляющих факторов"

Выполняется в несколько этапов:

1) выполняется прогноз развития АОУ в условиях отсутствия управляющих воздействий, т.е. реализуется БКОСА-7 ("движение по инерции");

2) если в соответствии с прогнозом по п.1 АОУ достигает заданного целевого состояния (т.е. прогноз "удовлетворительный"), то планирование прекращается (переход на п.6); иначе – выполняется п.3;

3) путем решения обратной задачи прогнозирования (БКОСА-9.1) определяется набор факторов, оптимальный для перевода АОУ в заданное целевое состояние;

4) если все эти факторы есть возможность использовать для управления, то на этом планирование прекращается (переход п.6); иначе переход на п.5;

5) используя результаты кластерно-конструктивного анализа факторов (БКОСА 10.2.1, 10.2.2, 10.2.3) последовательно ищется замена для факторов, которые нет возможности использовать и после каждой замены выполняется прогнозирование (БКОСА-7); если результаты прогнозирования удовлетворительные – окончание планирования (переход на п.6); иначе принятие решения о невозможности выработки корректного управляющего воздействия;

6) окончание планирования.

4.3. ДЕТАЛЬНЫЕ АЛГОРИТМЫ БКОСА (АСК-АНАЛИЗА)

Рисунок 4. 2. Алгоритм БКОСА-2.1. "Восприятие и запоминание
исходной обучающей информации"

Рисунок 4. 3. Алгоритм БКОСА-2.2. "Репрезентация.
Сопоставление индивидуального опыта с коллективным"

Рисунок 4. 4. Алгоритм БКОСА-3.1.1. "Обобщение (синтез, индукция).
Накопление первичных данных"

Рисунок 4. 5. Алгоритм БКОСА-3.1.2. "Обобщение (синтез, индукция). Исключение артефактов"

Рисунок 4. 6. Алгоритм БКОСА-3.1.3. "Обобщение (синтез, индукция). Расчет степени истинности содержательных смысловых связей между предпосылками и результатами (обобщенных таблиц решений)"

Рисунок 4. 7. Алгоритм БКОСА-3.2. "Определение значимости шкал
и градаций факторов, уровней Мерлина"

Рисунок 4. 8. Алгоритм БКОСА-3.3. "Определение значимости шкал
и градаций классов, уровней Мерлина"

Рисунок 4. 9. Алгоритм БКОСА-4.1. "Абстрагирование факторов
(снижение размерности семантического пространства факторов)"

Рисунок 4. 10. Алгоритм БКОСА-4.2. "Абстрагирование классов
(снижение размерности семантического пространства классов)"

Рисунок 4. 11. Алгоритм БКОСА-5. "Оценка адекватности семантической
информационной модели предметной области"

Рисунок 4. 12. Алгоритм БКОСА-7. "Идентификация и прогнозирование. Распознавание состояний конкретных объектов (объектный анализ)"

Рисунок 4. 13. Алгоритм БКОСА-9.1. "Дедукция и абдукция классов (семантический анализ обобщенных образов классов,
решение обратной задачи прогнозирования)"

Рисунок 4. 14. Алгоритм БКОСА-9.2. "Дедукция и абдукция факторов (семантический анализ факторов)"

Рисунок 4. 15. Алгоритм БКОСА-10.1.1.
"Классификация обобщенных образов классов"

Рисунок 4. 16. Алгоритм БКОСА-10.1.2. "Формирование бинерных
конструктов классов"

Рисунок 4. 17. Алгоритм БКОСА-10.1.3. "Визуализация семантических
сетей классов" (когнитивная графика)

Рисунок 4. 18. Алгоритм БКОСА10.2.1. "Классификация факторов"

Рисунок 4. 19. Алгоритм БКОСА-10.2.2. "Формирование бинерных
конструктов факторов"

Рисунок 4. 20. Алгоритм БКОСА-10.2.3. "Визуализация семантических
сетей факторов" (когнитивная графика)

Рисунок 4. 21. Алгоритм БКОСА-10.3.1. "Содержательное сравнение классов"

Рисунок 4. 22. Алгоритм БКОСА-10.3.2. "Расчет и отображение
много-многозначных когнитивных диаграмм, в т.ч. диаграмм Мерлина"
(когнитивная графика)

Рисунок 4. 23. Алгоритм БКОСА-10.4.1. "Содержательное сравнение факторов"

Рисунок 4. 24. Алгоритм БКОСА-10.4.2. "Расчет и отображение много-многозначных когнитивных диаграмм, в т.ч. инвертированных
диаграмм Мерлина" (когнитивная графика)

Рисунок 4. 25. Алгоритм БКОСА-11. "Многовариантное планирование
и принятие решения о применении системы управляющих факторов"

Учитывая, что когнитивные диаграммы представляют собой детализацию семантических сетей, давая расшифровку структуры вершин и семантической сети и связей между ними, предлагается понятие "Семантическая когнитивная сеть", представляющая собой систему когнитивных диаграмм, объединенных в макроструктуру, соответствующую структуре семантической сети.

4.4. ВЫВОДЫ

1. Разработан численный метод АСК-анализа, включающий:

– иерархическую структуру данных семантической информационной модели;

– 24 детальных алгоритма 10 базовых когнитивных операций системного анализа, алгоритмы кластерно-конструктивного и когнитивного анализа, нечеткой логики и когнитивной графики, обеспечивающие оригинальную визуализацию результатов интеллектуального анализа данных (нечеткие графы).

2. Предложенный численный метод АСК-анализа обеспечил конкретизацию моделей БКОСА, достаточную для их реализации в программной системе.

ГЛАВА 5. СПЕЦИАЛЬНЫЙ ПРОГРАММНЫЙ ИНСТРУМЕНТАРИЙ АСК-АНАЛИЗА – СИСТЕМА "ЭЙДОС"

5.1. НАЗНАЧЕНИЕ И СОСТАВ СИСТЕМЫ "ЭЙДОС"

5.1.1. Цели и основные функции системы "Эйдос"

Универсальная когнитивная аналитическая система "Эйдос" является отечественным лицензионным программным продуктом [230–233], созданным исключительно с использованием официально приобретенного лицензионного программного обеспечения. По системе "Эйдос" и различным аспектам ее применения имеется около 60 публикаций ряда авторов [14, 69, 70, 136–165, 230–233, 237, 255, 270, 273–286, 313, 314, 320, 329, 366]. Титульная видеограмма системы приведена на рисунке 5.1:

Рисунок 5. 1. Титульная видеограмма системы "Эйдос"

Система "Эйдос" является одним из элементов предлагаемого решения проблемы и достижения цели данной работы, т.к. она обеспечивает решение следующих задач:

1. Синтез и адаптация семантической информационной модели предметной области, включая объект активный управления и окружающую среду.

2. Идентификация и прогнозирование состояния активного объекта управления, а также разработка управляющих воздействий для его перевода в заданные целевые состояния.

3. Углубленный анализ семантической информационной модели предметной области.

Таким образом, система "Эйдос" является инструментарием, решающим проблему данной работы.

Синтез содержательной информационной модели предметной области

Для разработки информационной модели предметной области необходимо владеть основными принципами ее когнитивной структуризации и формализованного описания. Синтез содержательной информационной модели включает следующие этапы:

1. Формализация (когнитивная структуризация предметной области).

2. Формирование исследуемой выборки и управление ею.

3. Синтез или адаптация модели.

4. Оптимизация модели.

5. Измерение адекватности модели (внутренней и внешней, интегральной и дифференциальной валидности), ее скорости сходимости и семантической устойчивости.

Идентификация и прогнозирование состояния объекта управления, выработка управляющих воздействий

Данный вид работ включает:

1. Ввод распознаваемой выборки.

2. Пакетное распознавание.

3. Вывод результатов распознавания и их оценку.

Углубленный анализ содержательной информационной модели предметной области

Углубленный анализ выполняется в подсистеме "Типология" и включает:

1. Информационный и семантический анализ классов и признаков.

2. Кластерно–конструктивный анализ классов распознавания и признаков, включая визуализацию результатов анализа в оригинальной графической форме когнитивной графики (семантические сети классов и признаков).

3. Когнитивный анализ классов и признаков (когнитивные диаграммы и диаграммы Вольфа Мерлина).

5.1.2. Обобщенная структура системы "Эйдос"

Данной обобщенной структуре соответствуют и структура управления и дерево диалога системы (таблица 5.1):

Таблица 5. 1 – ОБОБЩЕННАЯ СТРУКТУРА СИСТЕМЫ "ЭЙДОС" (версии 7.3)

Подробнее подсистемы, режимы, функции и операции, реализуемые системой "Эйдос", описаны в работе [146].

5.2. ПОЛЬЗОВАТЕЛЬСКИЙ ИНТЕРФЕЙС, ТЕХНОЛОГИЯ РАЗРАБОТКИ И ЭКСПЛУАТАЦИИ ПРИЛОЖЕНИЙ В СИСТЕМЕ "Эйдос"

Все видеограммы, приведенные в данном разделе, получены на основе приложения системы "Эйдос", разработанного на основе данных об учащихся Краснодарского юридического института МВД РФ и обеспечивающего решение ряда задач рефлексивной АСУ качеством подготовки специалистов. Более подробно данное приложение описано в главе 6 данной работы. В наименованиях разделов с описаниями подсистем и режимов системы "Эйдос" указаны коды реализуемых ими базовых когнитивных операций системного анализа в соответствии с обобщенной схемой АСК-анализа (рисунок 2.16).

5.2.1. Начальный этап синтеза модели: когнитивная структуризация и формализация предметной области, подготовка исходных данных (подсистема "Словари")

Подсистема "Словари" (рисунок 5.2) предназначена для формализации предметной области и включает следующие режимы:

– классификационные шкалы и градации;

– описательные шкалы и градации;

Рисунок 5. 2. Подсистема: "Словари"

– градации описательных шкал;

– иерархические уровни организации систем;

– автоматический ввод первичных признаков из текстовых файлов;

– почтовая служба по нормативно-справочной информации;

– печать анкеты.

Классификационные шкалы и градации (БКОСА-1.1).

Классификационные шкалы и градации предназначены для ввода справочника будущих состояний активного объекта управления – классов.

	Режим: "Классификационные шкалы и градации" (рисунок 5.3) обеспечивает ведение базы данных классификационных шкал и градаций классов: ввод; корректировку; удаление; распечатку (в файл); сортировку; поиск по базе данных.
Рисунок 5. 3. Режим: "Классификационные шкалы и градации"

Описательные шкалы и градации (БКОСА-1.2)

Описательные шкалы и градации предназначены для ввода справочников факторов, влияющих на поведение активного объекта управления – признаков (рисунок 5.4).

В этом режиме обеспечивается ввод, удаление, корректировка, копирование наименований описательных шкал и связанных с ними градаций. Характерной особенностью системы "Эйдос" является возможность использования неальтернативных градаций,

Рисунок 5. 4. Режим: "Описательные шкалы и градации"(БКОСА-1.2)

которых может быть различное количество по различным шкалам, причем это количество может быть любое (рисунок 5.5).

	Справочник позволяет работать непосредственно с градациями (с учетом связей со шкалами), видеть их общее количество, а также просматривать и распечатывать процентное распределение ответов респондентов по градациям.
Рисунок 5. 5. Градации описательных шкал
	Уровни организации систем (уровни Вольфа Мерлина) являются независимым способом классификации классов и факторов, что позволяет легко создавать и анализировать различные их подмножества как сами по себе, так и в сопоставлении друг с другом.
Рисунок 5. 6. Иерархические уровни организации систем
	В ставшей классической работе [182] В.С.Мерлин предложил интегральную концепцию индивидуальности, в которой рассматривал взаимодействие и взаимообусловленность различных уровней свойств личности:
Рисунок 5. 7. Иерархические уровни организации признаков

от генетически предопределенных, до социально-обусловленных и отражающих сиюминутное состояние.

В системе "Эйдос" предусмотрен аппарат, позволяющий классифицировать факторы таким образом, что становится возможным исследовать различные уровни их организации и взаимообусловленности.

Уровни организации классов предназначены для классификации будущих состояний активного объекта управления, как целевых и нежелательных с точки зрения самого объекта управления и управляющей системы, а также различных

Рисунок 5. 8. Иерархические уровни организации классов

вариантов сочетаний этих вариантов.

Возможны и другие виды классификации.

Система "Эйдос" обеспечивает решение задач атрибуции анонимных и псевдонимных текстов (установления вероятного авторства), датировки текстов, определения их принадлежности к определенным традициям, школам или течениям мысли [152, 181].

Рисунок 5. 9. Автоматический ввод атрибутов из текстовых файлов

Данный режим предназначен для автоматического ввода признаков текстов из текстовых файлов.

	Работы, проводимые в системе "Эйдос", не требует одновременной работы многих пользователей с одними и теми же базами данных в режиме корректировки записей.
Рисунок 5. 10. Почтовая служба по нормативной информации

Поэтому возможна эффективная организация распределенной работы по многомашинной технологии без использования ЛВС. Данный режим обеспечивает необходимую тождественность справочников на различных компьютерах.

Классификационные шкалы и градации в социально-психологических и политологических исследованиях представляют собой опросники (анкеты). После их ввода данный режим обеспечивает распечатку в файл (в поддиректорию "TXT").

Рисунок 5. 11. Печать анкеты

В системе "Эйдос" все текстовые и графические входные и выходные формы сохраняются в виде файлов, удобных для использования в различных приложениях под Windows.

	Данная подсистема обеспечивает ввод и корректировку обучающей выборки, управление ею, синтез и адаптацию модели на основе данных обучающей выборки, экспорт и импорт данных с других компьютеров.
Рисунок 5. 12. Синтез модели (подсистема "Обучение")

Ввод-корректировка обучающей информации (БКОСА-2.1)

	Данный режим имеет двухоконный интерфейс, позволяющий ввести в обучающую выборку двухвекторные описания объектов. Левое окно служит для ввода классификационной характеристики объекта. В этом окне каждому объекту
Рисунок 5. 13. Ввод-корректировка обучающей информации (БКОСА-2.1)

соответствует одна строка с прокруткой.

В правом окне вводится описательная характеристика объекта на языке признаков. Каждому объекту соответствует окно с прокруткой. Переход между окнами осуществляется по нажатию клавиши "TAB". Количество объектов в обучающей выборке не ограничено. Имеется практический опыт проведения расчетов с объемами обучающей выборки до 7000 объектов.

	Данный режим предназначен для управления обучающей выборкой путем параметрического задания подмножеств анкет для обработки, объединения классов, автоматического ремонта обучающей выборки ("ремонт или взвешивание данных").
Рисунок 5. 14. Управление составом обучающей выборки
	Выделение подмножества анкет для обработки может осуществляться логически и физически (рекомендуется 2-й вариант), это осуществляется путем сравнения с анкетой-маской. В ней задаются коды тех классов и признаков, которые
Рисунок 5. 15. Параметрическое задание анкет для обработки

обязательно должны присутствовать во всех анкетах обрабатываемого подмножества.

Данный режим предназначен для выявления слабо представленных классов (по которым недостаточно данных) и объединения нескольких классов в один. При этом производится переформирование справочника классов и автоматиче-

Рисунок 5. 16. Статистическая характеристика обучающей выборки. Ручной ремонт

ское перекодирование анкет обучающей выборки.

Автоматический ремонт обучающей выборки (ремонт или взвешивание данных) (БКОСА-2.2)

В данном режиме задается частотное распределение объектов по категориям, характерное для генеральной совокупности (или другое), затем автоматически осуществляется формирование последовательных подмножеств анкет обучающей выборки (с увели-

Рисунок 5. 17. Автоматический ремонт обучающей выборки

чивающимся числом анкет), максимально соответствующих заданному частотному распределению.

	При этом используется метод последовательных приближений по минимаксному критерию: максимизация корреляции и минимизация максимального отклонения. Соответствующие графики представлены на рисунке 5.18.
Рисунок 5. 18. Автоматический ремонт обучающей выборки

Система рекомендует оптимальное (по этим двум критериям) подмножество и позволяет исключить остальные анкеты из рассмотрения.

На рисунке 5.19 приведены графики частотных распределений объектов генеральной совокупности и выбранного подмножества обучающей выборки по категориям (классам), а также отклонение между этими распределениями. При достижении минимакса можно говорить об обеспечении структурной репрезентативности.

Рисунок 5. 19. Автоматический ремонт обучающей выборки (генеральное и текущее распределения, отклонение)

5.2.2. Количественный синтез модели: пакетное обучение системы распознавания (БКОСА-3.1)

	Данный режим включает: расчет матрицы абсолютных частот, поиск и исключение из дальнейшего анализа артефактов, расчет матрицы информативностей, расчет матрицы условных процентных распределений, пакетный
Рисунок 5. 20. Пакетное обучение системы распознавания (БКОСА-3.1)

режим автоматического выполнения вышеперечисленных 4-х режимов, а также исследовательский режим, обеспечивающий измерение скорости сходимости и семантической устойчивости сформированной содержательной информационной модели.

Расчет матрицы абсолютных частот (БКОСА-3.1.1)

В данном режиме осуществляется последовательное считывание всех анкет обучающей выборки и использование описаний объектов для формирования статистики встреч признаков в разрезе по классам. На экране в наглядной форме

Рисунок 5. 21. Накопление абсолютных частот

отображается стадия этого процесса, который может занимать значительное время при больших размерностях задачи и объеме обучающей выборки. Кроме того на качественном уровне красным отображается заполнение матрицы абсолютных частот данными: классы соответствуют столбцам, а признаки – строкам. Поэтому значительная фрагментарность данных легко обнаруживается еще на этой стадии. Данный режим обеспечивает полную "развязку по данным" и независимость времени исполнения процессов синтеза модели и ее анализа от объема обучающей выборки. Кроме того в данном режиме выявляются 4 типа формально-обнаружимых ошибок в исходных данных и по ним формируется файл отчета.

Исключение артефактов (робастная процедура) (БКОСА-3.1.2)


Рисунок 5. 22. Исключение артефактов невозможно, т.к. статистики нет	Рисунок 5. 23. Исключение артефактов возможно, т.к. статистика есть

В данном режиме на основе исследования частотного распределения частот встреч признаков в матрице абсолютных частот, делаются выводы: об отсутствии статистики (рисунок 5.22) и невозможности обнаружения и исключения артефактов; о наличии статистики и возможности выявления артефактов (рисунок 5.23); рекомендуется частота, которая признается незначимой и характерной для артефактов, осуществляется переформирование баз данных с исключенными артефактами.

Расчет матрицы информативностей (БКОСА-3.1.3, 3.2, 3.3)

	В этом режиме непосредственно на основе матрицы абсолютных частот с применением системной формулы Харкевича, рассчитывается матрица абсолютных частот, определяются значимость признаков, степень сформированности
Рисунок 5. 24. Расчет информативностей признаков

обобщенных образов классов, а также критерий Харкевича для всей матрицы информативностей в целом. На экране наглядно отображается стадия выполнения процесса и структура заполнения матрицы информативностей значимыми данными (на качественном уровне).

В этом режиме непосредственно на основе матрицы абсолютных частот рассчитывается матрица условных процентных распределений (процентные распределения ответов респондентов на вопросы анкеты в разрезе по классам – социальным категориям).

Рисунок 5. 25. Расчет условных процентных распределений

Автоматическое выполнение режимов 1-2-3-4. В данном пакетном режиме просто последовательно выполняются ранее перечисленные режимы обучения системы (кроме режима исключения артефактов).

	В данном режиме после учета каждой анкеты обучающей выборки перерассчитывается матрица информативностей и в отдельной базе данных запоминаются информативности для заданных призна-
Рисунок 5. 26. Скорость сходимости и семантическая устойчивость модели

ков. Это позволяет измерять скорость сходимости и семантическую устойчивость модели.

	В этом режиме задаются параметры, определяющие исследование скорости сходимости: порядок выборки анкет (физический; случайный; в порядке возрастания соответствия генеральной совокупности; в порядке
Рисунок 5. 27. Расчет сходимости информационной модели

убывания степени многообразия, вносимого анкетой в модель), количество и коды признаков, по которым исследуется сходимость модели, а также интервал сглаживания для расчета скользящей погрешности.


Рисунок 5. 28. Сходимость модели по атрибуту: 1246, класс: 219	Рисунок 5. 29. Семантическая устойчивость модели по атрибуту: 1246, классы: 152, 153, 186, 187, 217, 218, 219

В работе [159], на примере прогнозирования фондового рынка, подробно рассматриваются вопросы сходимости и семантической устойчивости содержательной информационной модели.

	В данном режиме обеспечивается экспорт и импорт обучающей информации при решении задач в системе "Эйдос" по многомашинной технологии.
Рисунок 5. 30. Почтовая служба по обучающей информации

5.2.3. Оптимизация модели (подсистема "Оптимизация") (БКОСА-4)

	В данной подсистеме различными способами реализуется контролируемое существенное снижение размерности семантических пространств классов и атрибутов при несущественном уменьшении их объема.
Рисунок 5. 31. Оптимизация модели (подсистема "Оптимизация")

Формирование ортонормированного базиса классов (БКОСА-4.2)


Рисунок 5. 32. Список классов в порядке убывания степени сформированности образов	Рисунок 5. 33. Парето-диаграмма степени сформированности обобщенных образов классов

Прокрутка окна вправо позволяет просмотреть дополнительные характеристики. Образы классов хорошо сформированы. Пространство классов практически ортонормированно.

Реализовано три итерационных алгоритма оптимизации, относящиеся к методу последовательных приближений: путем исключения из модели заданного количества наименее сформированных классов; путем исключения заданного процента количества классов от оставшихся (адаптивный шаг); путем исключения классов, вносящих заданный процент степени сформированности от оставшегося суммарного (адаптивный шаг).

Критерий остановки процесса последовательных приближений – срабатывание одного из заданных ограничений: достигнуто заданное минимальное количество классов в модели; достигнуто заданное минимальное количество классов на признак (полнота описания признака).

Исключение признаков с низкой селективной силой (БКОСА-4.1)


Рисунок 5. 34. Список признаков в порядке убывания степени значимости (прокрутка окна вправо позволяет просмотреть количественные характеристики)	Рисунок 5. 35. Парето-диаграмма значимости признаков (все признаки значимы, пространство атрибутов практически ортонормированно)

Реализовано три итерационных алгоритма оптимизации, относящиеся к методу последовательных приближений: путем исключения из модели заданного количества наименее значимых признаков; путем исключения заданного процента количества признаков от оставшихся (адаптивный шаг); путем исключения признаков, вносящих заданный процент значимости от оставшейся суммарной (адаптивный шаг). Критерий остановки процесса последовательных приближений – срабатывание одного из заданных ограничений: достигнуто заданное минимальное количество признаков в модели; достигнуто заданное минимальное количество признаков на класс (полнота описания класса).

Удаление классов и признаков, по которым недостаточно данных

Данный режим сходен с режимом выявления и исключения из модели артефактов.

5.2.4. Верификация модели (оценка ее адекватности) (БКОСА-5)


Рисунок 5. 36. Help режима измерения внутренней интегральной и дифференциальной валидности содержательной информационной модели	Рисунок 5. 37. Отчет по результатам измерения внутренней интегральной и дифференциальной валидности содержательной информационной модели

Данный режим исполняется после синтеза модели, копирования обучающей выборки в распознаваемую и пакетного распознавания. Он показывает средневзвешенную погрешность идентификации (интегральная валидность) и погрешность идентификации в разрезе по классам. Объект считается отнесенным к классу, с которым у него наибольшее сходство. Необходимо отметить, что остальные классы, находящиеся по уровню сходства на второй и последующих позициях не учитываются. Это обусловлено тем, что их учет привел бы к завышению оценки валидности модели. Классы, по которым дифференциальная валидность неприемлемо низка считаются не сформированными. Причинами этого может быть очень высокая вариабельность объектов, отнесенных к данным классам (тогда имеет смысл разделить их на несколько), недостаток достоверной информации по этим классам и т.д.

5.2.5. Эксплуатация приложения в режиме адаптации и периодического синтеза модели

Идентификация и прогнозирование (подсистема "Распознавание") (БКОСА-7)

	Данная подсистема включает режимы ввода и корректировки распознаваемой выборки; пакетного распознавания; вывода результатов и межмашинного обмена данными.
Рисунок 5. 38. Идентификация и прогнозирование (подсистема "Распознавание")
	В левом окне отображаются заголовки идентифицируемых объектов, в которых отображаются их коды и условные наименования, а в правом окне – описания объектов на языке признаков. В левом окне каждому объекту соответствует строка, а в правом – окно с
Рисунок 5. 39. Двухоконный интерфейс ввода-корректировки распознаваемых анкет

прокруткой. Переход между окнами происходит по нажатию клавиши "TAB".

	В данном режиме каждая анкета распознаваемой выборки последовательно идентифицируется с каждым классом.
Рисунок 5. 40. Пакетное распознавание
	Вывод результатов распознавания (идентификации и прогнозирования) возможен в двух разрезах: информация о сходстве каждого объекта со всеми классами; информация о сходстве каждого класса со всеми объектами.
Рисунок 5. 41. Вывод результатов распознавания


Рисунок 5. 42. Обобщающая форма	Рисунок 5. 43. Карточка идентификации объекта

На рисунке 5.42 представлен обобщающий отчет по итогам идентификации, в котором в каждой строке дана информация о классе, с которым объект имеет наивысший уровень сходства (выражается в процентах). Качество результата идентификации – это эвристическая оценка качества, учитывающая максимальную величину сходства, различие между первым и вторым классами по уровню сходства и в (меньшей степени) общий вид распределения классов по уровням сходства с данным объектом.

На рисунке 5.43 представлена карточка результатов идентификации (прогнозирования), которая по сути дела представляет собой результат разложения вектора объекта в ряд по векторам классов. Эти карточки распечатываются в файл с полными наименованиями классов и содержат классы, с уровнем сходства выше заданного.


Рисунок 5. 44. Обобщающая форма	Рисунок 5. 45. Карточка идентификации класса с объектами

На рисунке 5.44 представлен обобщающий отчет по итогам идентификации, в котором в каждой строке дана информация об объекте, с которым класс имеет наивысший уровень сходства (выражается в процентах). Качество результата идентификации – это эвристическая оценка качества, учитывающая максимальную величину сходства, различие между первым и вторым объектами по уровню сходства и в (меньшей степени) общий вид распределения объектов по уровням сходства с данным классом.

На рисунке 5.45 представлена карточка результатов идентификации (прогнозирования), которая по сути дела представляет собой результат разложения вектора класса в ряд по векторам объектов. Эти карточки распечатываются в файл и содержат информацию по объектам, с уровнем сходства с классом выше заданного.

Данный режим обеспечивает запись на дискету распознаваемой выборки и считывание распознаваемой выборки с дискеты с добавлением к имеющейся на текущем компьютере. Этот режим служит для объединения информации по идентифицируемым объектам,

Рисунок 5. 46. Почтовая служба по распознаваемым анкетам

введенной на различных компьютерах.

	Данная подсистема обеспечивает типологический анализ классов и признаков.
Рисунок 5. 47. Кластерно-конструктивный, семантический и когнитивный анализ (подсистема "Типология")
	Типологический анализ классов включает: информационные (ранговые) портреты; кластерно-конструктивный и когнитивный анализ классов.
Рисунок 5. 48. Типологический анализ классов распознавания

Информационные портреты классов (БКОСА-9.1)

Информационный портрет класса представляет собой список признаков в порядке убывания количества информации о принадлежности к данному классу. Такой список представляет собой результат решения обратной задачи идентификации (прогнозирования).

Рисунок 5. 49. Информационные (ранговые портреты) классов (БКОСА-9.1)

Фильтрация (F6) позволяет выделить из информационного портрета класса диапазон признаков (по кодам или уровням Мерлина) и, таким образом, исследовать влияние заданных признаков на переход активного объекта управления в состояние, соответствующее данному классу.

	Данный режим обеспечивает: расчет матрицы сходства классов; генерацию кластеров и конструктов; просмотр и печать кластеров и конструктов; пакетный режим, обеспечивающий автоматическое выполнение
Рисунок 5. 50. Кластерный и конструктивный анализ классов

первых трех режимов при установках параметров "по умолчанию"; визуализацию результатов кластерно-конструктивного анализа в форме семантических сетей.

Расчет матрицы сходства эталонов классов (БКОСА-10.1.1)

	В данном режиме непосредственно на основе оптимизированной матрицы информативностей рассчитывается матрица сходства классов. На экране в наглядной форме отображается информация о текущей
Рисунок 5. 51. Расчет матрицы сходства эталонов классов (БКОСА-10.1.1)

стадии выполнения этого процесса.

Генерация кластеров и конструктов классов (БКОСА-10.1.2)

	В данном режиме задаются параметры для генерации кластеров и конструктов классов, позволяющие исключить из форм центральную часть конструктов (оставить только полюса), а также сформировать кластеры и конструкты для
Рисунок 5. 52. Генерация кластеров и конструктов классов (БКОСА-10.1.2)

заданных (кодами или уровнями Мерлина) подматриц.

	В данном режиме обеспечивается отображение отчета по конструктам и вывод его в виде текстового файла. Реализован режим быстрого поиска заданного конструкта и быстрый выход на него по заданному классу.
Рисунок 5. 53. Просмотр и печать кластеров и конструктов атрибутов

Автоматическое выполнение режимов 1-2-3

В данном пакетном режиме автоматически выполняются вышеперечисленные 3 режима с параметрами "по умолчанию". Выполнение пакетного режима целесообразно в самом начале проведения типологического анализа для общей оценки его результатов. Более детальные результаты получаются при выполнении отдельных режимов с конкретными значениями параметров.

Вывод 2d-семантических сетей классов (БКОСА-10.1.3)

В данном режиме в диалоге задаются коды от 3 до 12 классов (больше просто не помещается на мониторе при используемом разрешении), а затем на основе данных матрицы сходства классов отображается граф, в вершинах которого находятся классы, а ребра

Рисунок 5. 54. Вывод 2d-семантических сетей классов (БКОСА-10.1.3)

соответствуют знаку (красный – "+", синий – "-") и величине (толщина линии) сходства/различия между ними. Посередине каждой линии уровень сходства/различия соответствующих классов отображается в числовой форме (в процентах).

Когнитивные диаграммы классов (БКОСА-10.3.1, 10.3.2)


Рисунок 5. 55. Двухоконный интерфейс ввода задания на формирование когнитивных диаграмм (БКОСА-10.3.1)	Рисунок 5. 56. Пример когнитивной диаграммы классов (БКОСА-10.3.2)

На рисунке 5.55 представлен двухоконный интерфейс ввода задания на формирование когнитивных диаграмм. Переход между окнами осуществляется по клавише "ТАВ", выбор класса для когнитивной диаграммы – по нажатию клавиши "Enter". В верхней левой части верхнего окна отображаются коды выбранных классов. Генерация и вывод когнитивной диаграммы для заданных классов выполняется по нажатию клавиши F5. Отображаемые диаграммы всегда записываются в виде графических файлов в соответствующие поддиректории. Имеются также пакетные режимы генерации диаграмм: генерацию когнитивных диаграмм для полюсов конструктов (F6), генерация всех возможных когнитивных диаграмм (F7), а также генерация диаграмм Вольфа Мерлина (F8).

При задании всех этих режимов имеется возможность задания большого количества параметров, определяющих вид диаграмм и содержание отображаемой на них информации.

	В данном режиме обеспечиваются: формирование и отображение семантических портретов признаков, а также кластерно-конструктивный и когнитивный анализ признаков.
Рисунок 5. 57. Типологический анализ первичных признаков

Семантические портреты атрибутов (БКОСА-9.2)


Рисунок 5. 58. Семантический портрет признака (отчет) (БКОСА-9.2)	Рисунок 5. 59. Семантический портрет признака (круговая диаграмма)

В данном режиме обеспечивается формирование семантического портрета заданного признака и его отображение в текстовой и графической формах (рисунки 5.58 и 5.59). Окно для просмотра текстового отчета имеет прокрутку вправо, что позволяет отобразить количественные характеристики. Графическая диаграмма выводится по нажатию клавиши F5, и может быть непосредственно распечатана или записана в виде графического файла в соответствующую поддиректорию.

В данном режиме обеспечивается: расчет матрицы сходства признаков; генерация кластеров и конструктов признаков: просмотр и печать результатов кластерно-конструктивного анализа; автоматическое выполнение перечисленных

Рисунок 5. 60. Кластерный и конструктивный анализ атрибутов

режимов; отображение результатов кластерно-конструктивного анализа в форме семантических сетей.

Расчет матрицы сходства атрибутов (БКОСА-10.2.1)

	Стадия выполнения расчета матрицы сходства признаков наглядно отображается на мониторе.
Рисунок 5. 61. Расчет матрицы сходства атрибутов (БКОСА-10.2.1)

Генерация кластеров и конструктов атрибутов (БКОСА-10.2.2)

	В данном режиме имеется возможность задания ряда параметров, детально определяющих обрабатываемые данные и форму вывода результатов анализа.
Рисунок 5. 62. Генерация кластеров и конструктов атрибутов (БКОСА-10.2.2)
	В этом режиме отображаются результаты кластерно-конструктивного анализа. Имеются многочисленные возможности манипулирования данными.
Рисунок 5. 63. Просмотр и печать кластеров и конструктов атрибутов

Автоматическое выполнение режимов 1-2-3. Автоматически реализуются три вышеперечисленные режима.

Вывод 2d-семантических сетей атрибутов (БКОСА-10.2.3)

	Результаты кластерно-конструктивно-го анализа признаков отображаются для заданных признаков в наглядной графической форме семантических сетей.
Рисунок 5. 64. Вывод 2d-семантических сетей атрибутов (БКОСА-10.2.3)

Когнитивные диаграммы атрибутов (БКОСА-10.4.1, 10.4.2)

Это новый вид когнитивных диаграмм, не встречающийся в литературе. Частным случаем этих диаграмм являются инвертированные диаграммы Вольфа Мерлина. При их генерации имеется возможность задания ряда параметров, определяющих обрабатываемые

Рисунок 5. 65. Когнитивные диаграммы атрибутов (БКОСА-10.4.1, 10.4.2)

данные и форму отображения результатов.

В данной подсистеме реализованы режимы оценки анкет по шкале лживости; измерения внутренней интегральной и дифференциальной валидности модели; измерения независимости классов и признаков (стандартный анализ хи-квадрат), а также режим,

Рисунок 5. 66. Анализ достоверности, валидности, независимости (подсистема "Анализ")

обеспечивающий генерацию большого количества разнообразных 2d & 3d графических форм на основе данных матриц абсолютных частот, условных процентных распределений и информативностей.

Оценка достоверности заполнения анкет

В данном режиме исследуются корреляции между ответами в каждой анкете, эти корреляции сравниваются с выявленными на основе всей обучающей выборки и все анкеты ранжируются в порядке уменьшения типичности обнаруженных в них корреляций. Считается, что если корреляции в анкете соответствуют "среднестатистическим", которые принимаются за "норму", то анкета отражает обнаруженные макрозакономерности, если же нет, то возникает подозрение в том, что она заполнена некорректно.

В данном режиме реализован стандартный анализ хи-квадрат, а также рассчитываются коэффициенты Пирсона, Чупрова и Крамера, популярные в социологических и политологических исследованиях. На рисунке 5.67 приведен бланк задания на расчет матриц сопряженности.

Рисунок 5. 67. Измерение независимости объектов и признаков (анализ c²)

На основе этого задания рассчитываются и записываются в форме текстовых файлов одномерные и двумерные матрицы сопряженности для заданных подматриц. В отличие от матриц сопряженности, выводимых в известной системе SPSS, здесь они выводятся с текстовыми пояснениями на том языке, на котором сформированы классификационные и описательные шкалы, с констатацией того, обнаружена ли статистически-значимая связь на заданном уровне значимости. Необходимо также отметить, что в системе "Эйдос" не используются табулированные теоретические значения критерия хи-квадрат для различных степеней свободы, а необходимые теоретические значения непосредственно рассчитываются со значительно большей точностью, чем они приведены в таблицах (при этом численно берется обратный интеграл вероятностей).



Рисунок 5. 68. Примеры некоторых графических форм

На рисунке 5.68 приведен фрагмент интерфейса задания на вывод графических форм и примеры некоторых из них. Всего система "Эйдос" версии 7.0 (последней на данный момент) позволяет генерировать и выводить 50 различных видов 2d & 3d графических форм.

	Реальная эксплуатация ни одной специальной программной системы невозможна либо без тщательного сопровождения эксплуатации, либо без наличия в системе развитых средств обеспечения надежности эксплуатации.
Рисунок 5. 69. Обеспечение надежности эксплуатации (подсистема "Сервис")

В системе "Эйдос" автоматически ведется архивирование баз данных; создаются отсутствующие базы данных и индексные массивы; распечатываются служебные формы, являющиеся основой содержательной информационной модели. Кроме того, по желанию пользователя отдельные базы данных просто могут быть сброшены, что необходимо для создания нового приложения.

	Этот режим необходим для начала разработки нового приложения системы "Эйдос".
Рисунок 5. 70. Генерация (сброс) различных баз данных
	Данный режим позволяет распечатать в текстовый файл матрицу абсолютных частот. Совершенно аналогично распечатываются базы условных процентных распределений и информативностей.
Рисунок 5. 71. Печать баз данных абсолютных частот
	В данную подсистему входит также интеллектуальная дескрипторная информационно-поисковая система, автоматически генерирующая нечеткие дескрипторы и имеющая интерфейс нечетких запросов на естественном языке. Отчет по результатам запроса содержит
Рисунок 5. 72. Интеллектуальная дескрипторная информационно-поисковая система

информационные объекты базы данных системы, ранжированные в порядке уменьшения степени соответствия запросу.

5.3. ТЕХНИЧЕСКИЕ ХАРАКТЕРИСТИКИ СИСТЕМЫ "ЭЙДОС" (ВЕРСИИ 7.3)

5.3.1. Базовая система "Эйдос" и системы окружения "Эйдос-Y" и "Эйдос-фонд"

Система "Эйдос" (текущей версии 7.3) включает базовую систему (система "Эйдос" в узком смысле слова), а также две системы окружения:

– систему комплексного психологического тестирования "Эйдос-Y", разработанную совместно с С.Д.Некрасовым [142, 270];

– систему анализа и прогнозирования ситуация на фондовом рынке "Эйдос-фонд", разработанную совместно с Б.Х.Шульман [159, 233].

Данные системы окружения представляют собой программные интерфейсы базовой системы "Эйдос" с базами данных психологических тестов и биржевыми базами данных соответственно, а также выполняют ряд самостоятельных функций по предварительной обработке информации.

5.3.2. Отличия системы "Эйдос" от аналогов: экспертных и статистических систем

От экспертных систем система "Эйдос" отличается тем, что для ее обучения от экспертов требуется лишь само их решение о принадлежности того или иного объекта или его состояния к определенному классу, а не формулирование правил (продукций) или весовых коэффициентов, позволяющих прийти к такому решению (система генерирует их сама, т.е. автоматически). Дело в том, что часто эксперт не может или не хочет вербализовать, тем более формализовать свои способы принятия решений. Система "Эйдос" генерирует обобщенную таблицу решений непосредственно на основе эмпирических данных и их оценки экспертами.

От систем статистической обработки информации система "Эйдос" отличается прежде всего своими целями, которые состоят в следующем: формирование обобщенных образов исследуемых классов распознавания и признаков по данным обучающей выборки (т.е. обучение); исключение из системы признаков тех из них, которые оказались наименее ценными для решения задач системы; вывод информации по обобщенным образам классов распознавания и признаков в удобной для восприятия и анализа текстовой и графической форме (информационные или ранговые портреты); сравнение распознаваемых формальных описаний объектов с обобщенными образами классов распознавания (распознавание); сравнение обобщенных образов классов распознавания и признаков друг с другом (кластерно-конструктивный анализ); расчет частотных распределений классов распознавания и признаков, а также двумерных матриц сопряженности на основе критерия X² и коэффициентов Пирсона, Чупрова и Крамера; результаты кластерно-конструктивного и информационного анализа выводятся в форме семантических сетей и когнитивных диаграмм. Система "Эйдос" в универсальной форме автоматизирует базовые когнитивные операции системного анализа, т.е. является инструментарием АСК-анализа. Таким образом, система "Эйдос" выполняет за исследователя-аналитика ту работу, которую при использовании систем статистической обработки ему приходится выполнять вручную, что чаще всего просто невозможно при реальных размерностях данных. Поэтому система "Эйдос" и называется универсальной когнитивной аналитической системой.

5.3.3. Некоторые количественные характеристики системы "Эйдос"

Система "Эйдос" обеспечивает генерацию и запись в виде файлов 50 видов 2d & 3d графических форм и 50 видов текстовых форм, перечень которых приведен в таблице 5.2.

1. При применении системы в самых различных предметных областях обеспечивается достоверность распознавания обучающей выборки: на уровне 90% (интегральная валидность), которая существенно повышается после Парето-оптимизации системы признаков (т.е. после исключения признаков с низкой селективной силой), удаления из модели артефактов, а также классов и признаков, по которым недостаточно данных.

2. Система обеспечивает одновременно обработку до 4000 классов распознавания и 4000 признаков, причем признаки могут быть не только качественные (да/нет), но и количественные, т.е. числовые.

3. Реализована возможность разработки супертестов, в том числе интеграции стандартных тестов в свою среду, (при этом не играет роли известны ли методики интерпретации, т.е. "ключи" этих тестов).

4. В системе имеется научная графика, обеспечивающая высокую степень наглядности, а также естественный словесный интерфейс при обучении Системы и запросах на распознавание.

Таблица 5. 2 – ПЕРЕЧЕНЬ ТЕКСТОВЫХ ФОРМ СИСТЕМЫ "ЭЙДОС"

Исходные тексты системы "Эйдос" и систем окружения "Эйдос-Y" и "Эйдос-фонд" в формате "Текст-DOS" имеют объем около 2 Мб, их распечатка 6-м шрифтом составляет около 731 страницу (в их большом объеме состоит основная причина, по которой они не включены в приложения к данной работе).

5.4. ОБЕСПЕЧЕНИЕ ЭКСПЛУАТАЦИИ СИСТЕМЫ "ЭЙДОС"

Универсальная когнитивная аналитическая система "Эйдос" представляет собой программную систему, и для ее эксплуатации, как и для эксплуатации любой программной системы, необходима определенная инфраструктура. Без инфраструктуры эксплуатации любая программная система остается лишь файлом, записанным на винчестере.

В зависимости от масштабности решаемых задач управления и специфики предметной области данная структура может быть как довольно малочисленной, так и более развитой. Однако в любом случае ее основные функциональные и структурные характеристики остаются примерно одними и теми же.

Кратко рассмотрим эту инфраструктуру на примере гипотетической организации, производящей определенные виды физической или информационной продукции.

Основная цель: обеспечивать информационную и аналитическую поддержку деятельности организации, направленную на производство запланированного объема продукции заданного качества, достижение высокой эффективности управления и устойчивого поступательного развития.

Данная основная цель предполагает выполнение информационных и аналитических работ с различными объектами деятельности, находящимися на различных структурных уровнях как самой организации, так и ее окружения: персональный уровень; уровень коллективов (подразделений); уровень организации в целом; окружающая среда (непосредственное, региональное, международное окружение).

Для достижения основной цели для каждого класса объектов должны регулярно выполняться следующие работы: оценка (идентификация) текущего состояния с накоплением данных (мониторинг); прогнозирование развития (оперативное, тактическое и стратегическое); выработка рекомендаций по управлению.

Необходимо особо подчеркнуть, что основная цель может быть достигнута только при условии соблюдения вполне определенной наукоемкой технологии, основы которой изложены в данной работе.

Задачи, решаемые для достижения цели:

1. Мониторинг: оценка и идентификация текущего (фактического, актуального) состояния объекта управления; накопление данных идентификации в базах данных в течение длительного времени;

2. Анализ: выявление причинно-следственных зависимостей путем анализа данных мониторинга;

3. Прогнозирование: оперативное, тактическое и стратегическое прогнозирование развития объекта управления и окружающей среды путем использования закономерностей, выявленных на этапе анализа данных мониторинга;

4. Управление: анализ взаимодействия объекта управления с окружающей средой и выработка рекомендаций по управлению.

Таким образом, по мнению автора, управление является высшей на данный момент формой обработки информации.

Для достижения основной цели и решения задач управления необходимо выполнять работы по следующим направлениям: регулярное получение исходной информации о состоянии объекта управления; обработка исходной информации на компьютерах; анализ обработанной информации, прогнозирование развития объекта управления, выработка рекомендаций по оказанию управляющих воздействий на объект управления; разработка и применение (или предоставление рекомендаций заказчикам) различных методов оказания управляющих воздействий на объект управления.

Для этого необходима определенная организационная структура:

1. Научно–методический отдел включает: научно-методический сектор; сектор разработки программного обеспечения; сектор внедрения и сопровождения программного обеспечения; сектор организационного и юридического обеспечения.

2. Отдел мониторинга: сектор исследования объекта управления; сектор по работе с независимыми экспертами; сектор по взаимодействию с поставляющими информацию организациями; сектор по анализу информации общего пользования.

3. Отдел обработки информации: сектор ввода исходной информации (операторы); сектор сетевых технологий и Internet; сектор внедрения, эксплуатации и сопровождения программных систем; сектор технического обслуживания компьютерной техники; сектор ведения архивов баз данных по проведенным исследованиям.

4. Аналитический отдел имеет структуру, обеспечивающую компетентный профессиональный анализ результатов обработки данных мониторинга по объектам, которые приняты для контроля и управления.

Для выполнения работ по этим направлениям необходимо определенное обеспечение деятельности: техническое, программное, информационное, организационное, юридическое и кадровое. Детально подобная структура и виды обеспечения ее деятельности описаны в работе автора [152].

5.5. ВЫВОДЫ

1. Создано специальное программное обеспечение реализации базовых когнитивных операций системного анализа – Универсальная когнитивная аналитическая система "Эйдос", защищенная 4 Свидетельствами РосПатента РФ [230–233].

2. Показано, что система "Эйдос" воплощает формализуемую когнитивную концепцию, реализует предложенную семантическую информационную модель и алгоритмы базовых когнитивных операций системного анализа, и, таким образом, является специальным программным инструментарием для решения проблемы и задач, поставленных в данном исследовании. Система "Эйдос" является инструментарием системного анализа, структурированного до уровня базовых когнитивных операций. В функциях и структуре системы "Эйдос" нашли воплощение фундаментальные закономерности человеческого способа познания Реальности, связанные с функциональной асимметрией мозга и знаковых систем.

3. Подробно описана технология синтеза и эксплуатации приложений системы "Эйдос", видеограммы интерфейса и технические характеристики (текущая версия системы "Эйдос-7.0" позволяет обрабатывать до 4000 будущих состояний АОУ и 4000 градаций факторов).

4. Технология разработки приложения в системе "Эйдос" включает:

– когнитивную структуризацию и формализацию предметной области (подсистема "Словари");

– синтез модели (подсистема "Обучение");

– оптимизацию модели (подсистема "Оптимизация");

– верификацию модели (оценка степени адекватности, скорости сходимости и семантической устойчивости модели).

5. Технология эксплуатации приложения системы "Эйдос" в режиме адаптации и синтеза модели включает:

– идентификацию и прогнозирование (подсистема "Распознавание");

– кластерно-конструктивный, семантический и когнитивный анализ (подсистема "Типология");

– анализ достоверности, валидности, независимости (подсистема "Анализ");

– средства и инструменты обеспечения надежности эксплуатации (подсистема "Сервис").

5. Система "Эйдос" является большой системой: листинг ее исходных текстов (вместе с системами окружения "Эйдос-фонд" и "Эйдос-Y") 6-м шрифтом составляет 731 страницу, в процессе работы система оперирует десятками баз данных (около 70).

6. Разработана инфраструктура применения системы "Эйдос", детализированы организационные, юридические, экономические, технические и другие аспекты информационной технологии применения данной системы для решения задач синтеза рефлексивных АСУ активными объектами и эксплуатации этих АСУ в режиме адаптации и периодического синтеза модели.

ГЛАВА 6. АСК-АНАЛИЗ, КАК МЕТОДОЛОГИЯ СИНТЕЗА И ЭКСПЛУАТАЦИИ РЕФЛЕКСИВНЫХ АСУ АКТИВНЫМИ ОБЪЕКТАМИ (НА ПРИМЕРЕ РЕШЕНИЯ ЗАДАЧ АСУ КАЧЕСТВОМ ПОДГОТОВКИ СПЕЦИАЛИСТОВ)

В данной главе предложена классификация функционально-структурных типов АСУ и показано место адаптивных АСУ сложными системами и рефлексивных АСУ активными объектами в этой классификации; показаны роль и место АСК-анализа в рефлексивных АСУ активными объектами; предложен алгоритм синтеза рефлексивных АСУ активными объектами.

6.1. ФУНКЦИОНАЛЬНО-СТРУКТУРНЫЕ ТИПЫ АСУ

6.1.1. Структура типовой АСУ

Цель применения АСУ обычно можно представить в виде некоторой суперпозиции трех подцелей: стабилизация состояния объекта управления в динамичной или агрессивной внешней среде; перевод объекта в некоторое конечное (целевое) состояние, в котором он приобретает определенные заранее заданные свойства; повышение качества функционирования АСУ (синтез новых моделей и их адаптация). Обычно АСУ рассматривается как система, состоящая из двух основных подсистем: управляющей и управляемой, т.е. из субъекта и объекта управления (рисунок 6.1).

Как правило, АСУ действует в определенной окружающей среде, которая является общей и для субъекта, и для объекта управления. Граница между тем, что считается окружающей средой, и тем, что считается объектом управления относительна и определяется возможностью управляющей системы оказывать на них воздействие: на объект управления управляющее воздействие может быть оказано, а на среду нет.

Рисунок 6. 1. Структура типовой АСУ

6.1.2. Параметрическая модель адаптивной АСУ сложными системами

Конкретизируем типовую структуру АСУ, используя классификацию входных и выходных параметров объекта управления. В результате получим параметрическую модель адаптивной АСУ сложными системами (рисунок 6.2).

Входные параметры (факторы) делятся на три группы: характеризующие предысторию и текущее состояние объекта управления, управляющие (технологические) факторы и факторы окружающей среды. Выходные параметры– это свойства объекта управления, зависящие от входных параметров (в т.ч. параметров, характеризующих среду). В автоматизированных системах параметрического управления целью управления является получение определенных значений выходных параметров объекта управления, т.е. перевод объекта управления в заданное целевое состояние.

Рисунок 6. 2. Параметрическая модель адаптивной АСУ сложными системами

Однако, в случае сложного объекта управления (СОУ) его выходные параметры связаны с состоянием сложным и неоднозначным (нечетким) способом. Поэтому возможность параметрического управления сложными объектами является проблематичной и вводится более общее понятие "управление по состоянию СОУ".

Для ААСУ СС выполняется принцип соответствия, т.е. в предельном случае, когда связь выходных параметров и состояний объекта управления имеет однозначный и детерминистский характер, управление по состояниям сводится к управлению по параметрам и функции ААСУ СС сводится к их подмножеству: т.е. к функциям типовой АСУ.

Задача идентификации состояния СОУ по его выходным параметрам решается подсистемой идентификации управляющей подсистемы, работающей на принципах адаптивного распознавания образов. При этом классами распознавания являются текущие состояния сложного объекта управления, а признаками – его выходные параметры.

Подсистема выработки управляющих воздействий, также основанная на алгоритмах распознавания образов, решает следующие задачи: прогноз развития окружающей среды; прогноз развития объекта управления в условиях отсутствия управляющих воздействий ("движение по инерции"); выбор управления, переводящего объект управления в целевое состояние.

Подсистема реализации управляющих воздействий осуществляет выбранное технологическое воздействие на объект управления.

Таким образом, в параметрической модели конкретно определено место системы распознавания образов и принятия решений в функциональной структуре управляющей подсистемы адаптивной АСУ СС

Параметрическая модель ААСУ СС подробно рассмотрена в работе [277]. В этой работе получены следующие важные для исследования результаты. Цель АСУ представима в форме суперпозиции трех подцелей: стабилизация состояния объекта управления в динамичной или агрессивной внешней среде; перевод объекта в некоторое конечное (целевое) состояние, в котором он приобретает определенные заранее заданные свойства; повышение качества функционирования АСУ (адаптация). Показано, что цель АСУ может быть достигнута лишь при вполне определенной функциональной структуре самой АСУ, которая представлена как в форме традиционной типовой модели, так и в форме предложенной детализированной параметрической модели. В параметрической модели адаптивной АСУ СС конкретно определено и обосновано место системы распознавания образов и принятия решений в функциональной структуре управляющей подсистемы адаптивной АСУ СС: обосновано, что система распознавания образов и принятия решений может быть применена в составе подсистем идентификации состояний СОУ и выработки управляющих воздействий адаптивных АСУ СС. Рассмотрены различные варианты структур каналов передачи информации и приведена обобщенная информационная модель; для обобщенной модели развита глубокая и плодотворная аналогия со структурой АСУ. Показано, что различие между каналом передачи информации и АСУ состоит в целях передачи информации: в канале информация передается для сообщения приемнику, а в АСУ – для изменения структуры и функций объекта управления. Обосновано, что принятие решения об управляющем воздействии представляет собой решение обратной задачи декодирования теории информации или обратной задачи распознавания образов. Предложены обобщенная функциональная структура и алгоритм функционирования автоматизированной системы распознавания образов и принятия решений в составе адаптивной АСУ СС: в составе подсистемы идентификации состояния объекта управления и подсистемы принятия решения об управляющем воздействии соответственно.

6.1.3. Параметрическая модель рефлексивной АСУ активными объектами и понятие мета-управления

АСУ активными объектами (объектами) (РАСУ АО), является обобщением ААСУ СС на случай, когда сложная система является активной, т.е. имеет собственные цели, которые в общем случае не совпадают с целями управляющей системы. Из этого обстоятельства следует, что активный объект управления (АОУ) имеет собственную модель себя и своей окружающей среды, включая и управляющую систему, как один из ее элементов. Простейшая модель АОУ включает два уровня и предполагает возможность оказания управляющих воздействий на различных уровнях АОУ (рисунок 6.3):

Рисунок 6. 3. Двухуровневая модель активного объекта управления

и способы управления им

Различия между ААСУ СС и РАСУ АО приведены в таблице 6.1:

Таблица 6. 1 – РАЗЛИЧИЯ МЕЖДУ ААСУ СС И РАСУ АО

№	ААСУ СС	РАСУ АО
Модель объекта управления	Объект управления рассматривается как физическая система, пассивно воспринимающая управляющая воздействия	Объект управления рассматривается как субъект, имеющий системы: целеполагания; моделирования себя (рефлексивность) и окружающей среды (включая управляющую систему); принятия и реализации решений
Характер управляющего воздействия	Энергетическое (физическое) воздействие	Информационное воздействие, мета-управление

Конечно, РАСУ АО не исключает возможности энергетического воздействия на физическую структуру АОУ, как в ААСУ СС, но это также может осуществляться с учетом характеристик его интеллектуальной информационной системы.

Таким образом, в РАСУ АО управление АОУ осуществляется путем управления его системой управления, т.е. путем мета-управления: согласования целей системы управления и активного объекта управления; создания у активного объекта управления благоприятного для достижения целей управления и восприятия управляющих воздействий образа управляющей системы; создания у активного объекта управления мотивации, ориентирующей его на достижение целей управления.

Учитывая сказанное, получим структуру РАСУ АО как обобщение структуры ААСУ СС на случай активного объекта управления (рисунок 6.4):

Рисунок 6. 4. Параметрическая модель рефлексивной АСУ
активными объектами (системами)

6.2. АСК-АНАЛИЗ, КАК АЛГОРИТМ СИНТЕЗА РАСУ АКТИВНЫМИ ОБЪЕКТАМИ

Применение АСК-анализа обеспечивает выявление информационных зависимостей между факторами различной природы и будущими состояниями объекта управления, т.е. позволяет осуществить синтез содержательной информационной модели, а фактически – осуществить синтез АСУ. Применение АСК-анализа в составе АСУ обеспечивает ее эксплуатацию в режиме непрерывной адаптации модели (на детерминистских этапах), а когда это необходимо (т.е. после прохождения точек бифуркации) – и ее нового синтеза (рисунок 6.5):

Рисунок 6. 5. АСК-анализ, как алгоритм синтеза РАСУ АО и инструмент
ее эксплуатации в режиме периодического синтеза и адаптации модели

Шаг 1–й: формализация предметной области (БКОСА-1): разработка описательных и классификационных шкал и градаций, необходимых для формализованного описания предметной области. Описательные шкалы описывают факторы различной природы, влияющие на поведение АОУ, а классификационные – все его будущие состояния, в том числе целевые.

Шаг 2–й: формирование обучающей выборки (БКОСА-2): информация о состоянии среды и объекта управления, а также вариантах управляющих воздействий поступает на вход системы. Работа по преобразованию этой информации в формализованный вид (т.е. кодирование) осуществляется специалистами, обслуживающими систему с использованием описательных и классификационных шкал. Вся эта информация представляется в виде специальных кодированных бланков, используемых также для ввода информации в компьютер. В результате ее формируется так называемая "обучающая выборка".

Шаг 3–й: обучение (БКОСА-3): обучающая выборка обрабатывается обучающим алгоритмом, на основе чего им формируются решающие правила (обобщенные образы состояний АОУ, отражающие весь спектр будущих возможных состояний объекта управления), а также определяется ценность факторов для решения задач подсистем идентификации, мониторинга, прогнозирования и выработки управляющих воздействий.

Шаг 4–й: оптимизация (БКОСА-4): факторы, не имеющие особой прогностической ценности, корректным способом удаляются из системы. Данный процесс осуществляется с помощью итерационных алгоритмов, при этом обеспечивается выполнение ряда ограничений, таких как результирующая размерность пространства факторов, его информационная избыточность и т.п.

Шаг 5–й: верификация модели (БКОСА-5): выполняется после каждой адаптации или пересинтеза модели. Для этого обучающая выборка копируется в распознаваемую и осуществляется ее автоматическая классификация (в режиме распознавания). Затем рассчитывается так называемая внутренняя дифференциальная и интегральная валидность, являющиеся детализированной и обобщающей характеристиками качества решающих правил.

Шаг-6: принятие решения об эксплуатации модели или ее пересинтезе. Если результаты верификации модели удовлетворяют разработчиков РАСУ АО, то она переводится из пилотного режима, при котором управляющие решения генерировались, но не исполнялись, в режим экспериментальной эксплуатации, а затем и опытно–производственной эксплуатации, когда они реально начинают использоваться для управления. Иначе, т.е. если же модель признана недостаточно адекватной, то необходимо осуществить ее пересинтез, начиная с шага 1. При этом используются следующие приемы: расширение набора факторов, т.к. значимые факторы могли не войти в модель; увеличение объема обучающей выборки, т.к. существенные примеры могли не войти в обучающую выборку; исключение артефактов, т.к. в модель могли вкрасться существенно искажающие ее не подтверждающиеся данные; пересмотр экспертных оценок и, если необходимость этого возникает систематически, то и переформирование экспертного совета, т.к. причиной этого могла быть некомпетентность экспертов; объединение некоторых классы, т.к. по ним недостаточно данных; разделение некоторых классов, т.к. по ним слишком высокая вариабельность объектов по признакам, и т.д.

Шаг 7-й: идентификация и прогнозирование состояния АОУ (БКОСА-7).

Шаг 8-й: оценка качества идентификации состояния АОУ. Если качество идентификации высокое, то состояние АОУ рассматривается как типовое, а значит причинно-следственные взаимосвязи между факторами и будущими состояниями данного объекта управления считаются адекватно отраженными в модели и известными (т.е. если качество идентификации высокое, то считается, что объект относится к генеральной совокупности, по отношению к которой обучающая выборка репрезентативна). Поэтому в этом случае осуществляется переход на Шаг-9 (выработка управляющего воздействия и последующий анализ). Иначе – считается, что на вход системы идентификации попал объект, не относящийся к генеральной совокупности, адекватно представленной обучающей выборкой. Поэтому в этом случае информация о нем поступает на Шаг-13, начиная с которого запускается процедура пересинтеза модели, что приводит к расширению генеральной совокупности, представленной обучающей выборкой.

Шаг 9-й: выработка решения об управляющем воздействии (БКОСА-9) путем решения обратной задачи прогнозирования [277].

Шаг 10–й типологический анализ классов и факторов (БКОСА-10): кластерно-конструктивный и когнитивный анализ, семантические сети, когнитивные диаграммы состояний АОУ и факторов [152].

Шаг 11-й: многофакторное планирование и принятие решения о применении системы управляющих факторов (БКОСА-11).

Шаг 12-й: оценка адекватности принятого решения об управляющих воздействиях: если АОУ перешел в заданное целевое состояние, то осуществляется переход на вход адаптации содержательной информационной модели (Шаг- 2): в подсистеме идентификации предусмотрен режим дополнения распознаваемой выборки к обучающей, чтобы в последующем, когда станут известны результаты управления, этой верифицированной (т.е. достоверной) оценочной информацией дополнить обучающую выборку и переформировать решающие правила (обучающая обратная связь). Иначе, т.е. если АОУ не перешел в заданное целевое состояние, переход на вход пересинтеза модели (Шаг-1), при этом могут быть изменены и описательные, и классификационные (оценочные) шкалы, что позволяет качественно расширить сферу адекватного функционирования РАСУ АО.

Шаг 13–й (неформализованный поиск нетипового решения об управляющем воздействии и подготовка данных для пересинтеза модели, как в случае, если решения оказалось удачным, так и в противном случае).

Таким образом, предложены методика и конкретный алгоритм применения АСК-анализа, основанного на теории информации, для синтеза рефлексивных АСУ АО и решения следующих задач в процессе ее эксплуатации: формирование обобщенных образов состояний АОУ на основе обучающей выборки (обучение); идентификация состояний АОУ на основе его параметров (распознавание); определение влияния входных параметров на перевод АОУ в различные будущие состояния (обратная задача прогнозирования); прогнозирование поведения АОУ в условиях полного отсутствия управляющих воздействий; прогнозирование поведения АОУ при различных вариантах многофакторных управляющих воздействий. Кроме того, выявленные в результате работы рефлексивной АСУ причинно-следственные зависимости между факторами различной природы и будущими состояниями объекта управления позволяют, при условии неизменности этих закономерностей в течение достаточно длительного времени, построить АСУ с постоянной моделью классического типа.

6.3. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ СИНТЕЗА РАСУ КАЧЕСТВОМ ПОДГОТОВКИ СПЕЦИАЛИСТОВ

6.3.1. Проблемы, возникающие на пути синтеза РАСУ КПС и их декомпозиция в последовательность задач

Предлагаемый в данном исследовании подход основан на исследованиях ведущих ученых в области качества подготовки специалистов: Селезневой Н.А. [200, 215, 249, 303], Субетто А.И. [200, 215, 302, 303], Татур Ю.Г. [307], Наводнова В.Г. [204], Майорова А.Н. [170], Челышковой М.Б., Ковалевой Г.С. [341, 342], Некрасова С.Д. [41, 211, 270], Третьяка В.Г. [124, 161, 165, 313, 314], Бедерхановой В.П. [16], Гельфера Ф.С., Лаптева В.Н. [120–128, 161–164, 286] и других.

Анализ этих и других источников показывает, что создание рефлексивной АСУ качеством подготовки специалистов (РАСУ КПС) является весьма сложной комплексной межотраслевой проблемой, над решением которой в настоящее время работают ученые педагоги, психологи, философы, экономисты, математики, а так же специалисты по технологии обработки информации. Все это с необходимостью обуславливает целесообразность применения системного подхода, одним из основных требований которого является требование полноты и всесторонности рассмотрения. У этой проблемы есть две стороны: традиционная, основанная на государственной системе аттестации и аккредитации, работе учебно-методических отделов, подготовке программно-методических комплексов, создании материально-технической базы и т.п.; инновационная, основанная на педагогических новациях, современных информационных технологиях и математических моделях. В данном работе не ставится цель рассмотреть все стороны этой проблемы и основное внимание уделяется разработке математических моделей и информационных технологий создания РАСУ КПС.

Проблема создания РАСУ качеством подготовки специалистов имеет сложную структуру, включающую понятийно-концептуальные; математические и информационно-технологические, а также организационные, юридические, кадровые и финансовые аспекты. Автоматизация представляет собой генеральное направление совершенствования процессов управления. В этой области накоплен огромный опыт, детально разработана математическая теория автоматизированного управления. Однако, это касается прежде всего АСУ техническими объектами от которых РАСУ КПС принципиально и качественно отличается по целому ряду существенных параметров. Эти отличия обусловлены прежде всего спецификой самого объекта управления, которым является учащийся и учебный процесс. Необходимо также отметить очень большую длительность цикла управления, которая составляет около 5 лет и на много порядков превосходит длительность цикла управления в технических системах.

Как объект управления учащийся является активной системой, т.е. имеет свои цели, которые, вообще говоря, отличаются от целей системы управления. А так же он имеет модель окружающей среды, включающей и модель системы управления. Уровень сложности учащегося, как объекта управления, на много порядков превосходит сложность любых мыслимых технических объектов. Поэтому АСУ качеством подготовки специалистов относится к рефлексивным АСУ активными объектами. Теория таких АСУ в настоящее время находится в процессе разработки.

Некоторые задачи, решаемые в РАСУ КПС: прогноз поступления абитуриента в вуз; прогноз академической успеваемости по различным дисциплинам и циклам дисциплин; прогноз успешности окончании вуза или причин отчислении; прогноз успешности профессиональной деятельности по различным направлениям после окончания вуза; прогноз продолжительности работы по специальности и причин ухода с работы по полученной специальности; определение влияния факторов образовательной, профессиональной и бытовой среды на учебные и профессиональные достижения. Эти задачи могут решаться на основе данных о психологическом статусе абитуриента и учащегося на различных стадиях обучения; на основе данных по академической успеваемости учащегося в вузе по различным дисциплинам, а также на основе других источников информации. На этой основе могут приниматься решения и научно-обоснованные рекомендаций по: подбору абитуриентов и принятию решений о приеме; профессиональной ориентации учащихся на ранних стадиях обучения; коррекции психологического статуса учащихся и их мотиваций; коррекции учебных планов по объему и содержанию преподаваемых дисциплин; коррекции методов преподавания.

Рассмотрим проблемы, возникающие на пути синтеза РАСУ КПС и их декомпозиция в последовательность задач: понятийно-концептуальные; математические и информационно-технологические; Организационно-юридические и финансовые.

Понятийно-концептуальные проблемы

Что понимать под качеством подготовки специалистов: качество процесса подготовки или качества результата? Как соотносятся понятия "Качество подготовки специалистов", "Предметная обученность" и "Качество образования"? Какую роль играет в обеспечении качества подготовки специалистов государственные образовательные стандарты? Эти стандарты ориентируют на обязательный минимум образования или на обеспечение международного уровня качества образования? Как соотносятся содержание образовательных стандартов с педагогической формой, обеспечивающей донесения этого содержания до учащихся? Какой должна быть организационная и информационная инфраструктура, а также специальный программный инструментарий, обеспечивающие контроль за соблюдением образовательных стандартов, и управление процессом образования, направленное на обеспечение соответствия государственным стандартам? Каковы критерии качества образования? Как найти разумный компромисс между нормативным и критериальным подходами к оцениванию уровня обученности? Как их измерять и обрабатывать? Какова основные требования к измерителям уровня предметной обученности? (сопоставимость, известные: сложность, раздел учебного плана, уровень освоения учебного материала). Являются ли оценки, традиционно выставляемые учащимся, измерителями уровня качества подготовки специалистов? Каковы плюсы и минусы, достоинства и ограничения тестов и традиционных контрольных заданий? Позволяют ли тесты измерять все уровни обученности, или только способность выбора, не содержат ли они скрытой подсказки? Как обеспечить сопоставимость результатов измерения качества подготовки специалистов в пространстве и времени?

Математические и информационно-технологические проблемы

Проблема выбора или разработки непараметрической робастной математической модели, обеспечивающей: анализ данных большой размерности: тысячи, а может быть и десятки тысяч факторов; анализ неструктурированных и неполных исходных данных различной качественной природы, не подчиняющихся нормальному распределению, которые очень далеки по полноте и строгости от тех, которые требуются в факторном анализе; определение фактических свойств выбранных индикаторов, критериев и факторов; выбор из всей совокупности факторов сравнительно небольшого их числа, играющих определяющую роль ( Парето – оптимизация); использование методов интеллектуального анализа данных временных рядов, позволяющих: выявить причинно-следственные закономерности в предметной области, определить периоды эргодичности, осуществлять многовариантное прогнозирование и выбор оптимального сочетания управляющих факторов с решением проблемы комбинаторного взрыва (обратная задача распознавания образов); создание программной системы, обеспечивающей решение сформулированных задач, разработка различных видов обеспечения ее эксплуатации.

Организационно-юридические и финансовые проблемы

Получение разрешения на проведение работ и сбор информации; организация и обеспечение деятельности структуры, ориентированной на разработку и эксплуатацию инновационных технологий управления качеством подготовки специалистов; организация постоянного многоуровневого мониторинга и накопление баз данных для принятия решений; интеллектуальный анализ баз данных мониторинга и выявление причинно-следственных зависимостей, детерминистских и бифуркационных периодов развития предметной области; решение задач РАСУ КПС; - решение задач разработки научно-обоснованных рекомендаций по формам и методам организации учебного процесса, подбору профессорско-преподавательского состава, управлению целями, мотивациями, стимулированию творческой активности, корректировке психологического статуса личности учащихся.

Обеспечение качества подготовки специалистов – одна из приоритетных задач системы образования вообще и высшего профессионального образования в частности. Достижение этой цели безусловно имеет важнейшее значение для каждого конкретного вуза и всего общества в целом. Таким образом, перспективность создания РАСУ КПС не вызывает сомнений. Однако по многим аспектам этой проблемы пока больше вопросов, чем ответов, причем по многим вопросам и даже терминам у специалистов не выработано общего мнения. Аргументированные варианты решения некоторых из поставленных выше вопросов предлагается в работах автора данной работы с соавторами [14, 69, 70, 136–165, 230–233, 237, 270, 273–286, 314, 320, 329, 366]. Кроме того дальнейшее развитие этого направления сдерживается недостаточной разработанностью математических моделей, алгоритмов и инструментария, позволяющих автоматизировать рефлексивное управление активными объектами. К решению сформулированной проблемы прелагается подходить с общетеоретических позиций, рассматривая учащегося, специалиста и педагогический процесс как активные функциональные системы, динамично перестраивающие свои структуры и функции для достижения поставленных целей в зависимости от сложившихся и прогнозируемых внешних условий.

Декомпозиция проблем синтеза АСУ качеством подготовки специалистов в последовательность задач

Проблему создания РАСУ КПС предлагается решить путем декомпозиции в следующую последовательность задач, для решения каждой из которых уже созданы необходимые предпосылки:

1. Определить место и роль системного анализа при создании рефлексивных систем управления качеством подготовки специалистов;.

2. Разработать математические модели, алгоритмы, численные методы, а также программный инструментарий для синтеза РАСУ КПС, технологию и методику их применения (в т.ч. в практике работы вузов), обеспечивающие: сопоставимость, интерпретируемость, технологичность количественных измерений индикаторов, критериев и факторов (идентификация и прогнозирование уровня качества подготовки специалистов); поддержку базовых когнитивных операций системного анализа в рефлексивном управлении активными объектами; определение минимальной системы индикаторов, критериев и факторов, играющих определяющую роль в обеспечении качества подготовки специалистов; выработку эффективных многофакторных управляющих воздействий; адаптацию и пересинтез модели для сохранения ее адекватности с учетом количественной и качественной динамики предметной области;

3. Создать автоматизированную систему, обеспечивающую: систематическое накопление в банках данных информации о процессах в предметной области в течение длительного времени; интеллектуальную обработку накопленной информации в соответствии с математической моделью.

4. Разработать методологию, технологию и методику синтеза РАСУ качеством подготовки специалистов на основе применения данной программной системы.

5. Апробировать принятые научно-технические решения при решении задач синтеза РАСУ качеством подготовки специалистов.

6.3.2. Специфика применения АСУ в вузе

Классическая схема автоматизированной системы управления (АСУ) включает управляемый объект и управляющую систему, находящиеся в некоторой окружающей среде и взаимодействующие друг с другом за счет управляющих и обратных связей (рисунок 6.1) [277]. Традиционно АСУ применялись при управлении различными техническими системами и технологическими процессами (АСУ ТП). В экономике известны АСУ организационного управления (АСОУ), в которых осуществляется управление людьми, выполняющими различные функции по производству материального продукта.

Возникает вопрос о том, можно ли осуществить перенос огромных наработок в этих областях на новую предметную область: синтез РАСУ КПС? Для этого, как минимум, необходимо сравнить АСУ в вузе с АСУ на производстве и в экономике, т.е. по сути провести некоторую аналогию (конечно, насколько это корректно и возможно) между вузом и заводом, сравнить что в этих случаях является сырьем, управляющими факторами, конечным продуктом, окружающей средой (таблица 6.2):

Таблица 6. 2 – СРАВНЕНИЕ РАСУ КАЧЕСТВОМ
ПОДГОТОВКИ СПЕЦИАЛИСТОВ С АСУ ТП И АСОУ

В таблице 6.2 приведены АСУ, в которых объектом управления является некий объект, на начальном этапе представляющий собой сырье, а на конечном, благодаря воздействию определенной технологии, преобразующийся в конечный продукт, выпускаемый организацией и потребляемый некоторым внешним потребителем.

Конечно, абитуриент обладает определенными предпосылками для того, чтобы стать или не стать хорошим студентом или специалистом, но можно ли на этом основании в каком-то смысле сравнивать его с какой-нибудь заготовкой для будущей детали? Если при этом сравнении упускается специфика абитуриента, как активной системы, то такое сравнение безусловно некорректно, если же характеристика конституционных и социально-обусловленных личностных свойств абитуриента (в том числе таких как его оценка и самооценка, мотивации, ценностные ориентации и т.д.) входит в систему исследуемую факторов, влияющих на его переход в будущие состояния, как это предлагается в данной работе, то такое сравнение не только обоснованно, но и целесообразно.

6.3.3. Двухконтурная модель РАСУ КПС

Концепция рефлексивной АСУ качеством подготовки специалистов и технология QFD (технология развертывания функций качества)

Чтобы сформулировать концепцию управления в РАСУ качеством подготовки специалистов рассмотрим упрощенную формальную модель. Процесс управления состоит из последовательных циклов управления, каждый из которых включают следующие этапы: количественное сопоставимое измерение параметров и идентификация состояния объекта управления; оценка эффективности (качества) предыдущего управляющего воздействия; если предыдущее управляющее воздействие не обеспечило приближения цели, то выработка новых или корректировка (адаптация) имеющихся методов принятия решений; иначе – выработка нового управляющего воздействия на основе имеющихся методов принятия решений; реализация управляющего воздействия.

При этом объектами управления, в соответствии с технологией QFD (развертывания функций качества) на различных уровнях являются потребительские свойства продукта, свойства его компонент, технологический процесс и его элементы (операции) (рисунок 6.6) [267]:

Рисунок 6. 6. Обобщенная схема QFD-технологии
(развертывание функций качества)

Рефлексивная АСУ качеством подготовки специалистов группы Б: 1-й контур: "Педагогический процесс – учащийся"

Конкретизируем общие положения QFD-технологии (развертывание функций качества) для случая РАСУ качеством подготовки специалистов. Из этой технологии следует, что на макроуровне в этой РАСУ должно быть по крайней мере два уровня: 1-й уровень – управление качеством конечной продукции и 2-й уровень – управление качеством технологии производства конечной продукции. Такие АСУ, которые управляют производством конечного продукта организации, будем называть АСУ группы "Б" (АСУ средств потребления). Применительно к РАСУ КПС, АСУ группы "Б" – это АСУ управления учащимся с помощью образовательных технологий (рисунок 6.7):

Рисунок 6. 7. Обобщенная схема АСУ КПС группы "Б"

Обычно считается известным влияние тех или иных традиционных образовательных технологий на свойства выпускника. Это положение не подвергается в данной работе сомнению, однако необходимо отметить, что само понятие "известно" существенно отличается в гуманитарной и технических областях, т.е. в этих областях приняты различные критерии для классификации исследуемых закономерностей на "известные" и "неизвестные". Это приводит к тому, что в ряде случаев то, что "гуманитарии" считают для себя известным не является таковым для "естественников", т.е. они, конечно, имеют эти знания, но они их не устраивают. Как правило гуманитариев устраивает качественная оценка связи, в результате они часто оперируют нечеткими высказываниями типа: "Наличие хороших учебных помещений положительно сказывается на качестве образования". И это для них приемлемо. Однако для создания АСУ знаний выраженных в такой форме недостаточно, требуется количественная формулировка. Что значит "хорошее учебное помещение", что "значит качество образования", в каких сопоставимых единицах измерения и каким способом (измерительным инструментом) можно измерять эти величины, в каких единицах измерения измеряется взаимосвязь между ними, носит ли она детерминистский или статистический характер и т.д. и т.п. Вот лишь некоторые вопросы, которые задают себе проектировщики АСУ. В результате в одной и той же ситуации гуманитарий может считать, что ему "известна та или иная зависимость", а специалист по созданию АСУ не может считать, что ему это известно, а значит, будет ставить вопрос о проведении специальных исследований для выявления и количественного измерения этой связи.

Поэтому при создании РАСУ качеством подготовки специалистов возникают проблемы: количественного измерения различных параметров образовательных процессов; выявления количественных зависимостей между параметрами образовательных процессов и управляющими воздействиями.

Во всех случаях внедрение АСУ означает прежде всего изменение (совершенствование) технологии воздействия на объект управления (рисунок 6.6 и таблица 6.3). Таким образом, сам процесс внедрения АСУ можно рассматривать как процесс управления совершенствованием технологии производства конечного продукта.

Рефлексивная АСУ качеством подготовки специалистов группы А: 2-й контур: "Руководство вузом – педагогический процесс"

АСУ, в которых сама образовательная технология является объектом управления, мы отнесем к группе "А" (таблица 6.3):

Таблица 6. 3 – КОМПОНЕНТЫ АСУ ОБРАЗОВАТЕЛЬНЫМИ ТЕХНОЛОГИЯМИ

№	Элементы АСУ	РАСУ КПС
1	Сырье	Образовательный процесс и ППС до внедрения РАСУ КПС
2	Объект управления	Образовательный процесс и преподаватели
3	Управляющие факторы	Материально-техническое и научно-методическое обеспечение образовательного процесса, повышение квалификации ППС
4	Конечный продукт	Образовательный процесс и ППС после внедрения РАСУ КПС
5	Потребитель	Сам выпускник, его родители, организации, социум
6	Окружающая среда	Рынок труда и образовательных услуг

В технических, производственных и (в меньшей степени) в экономических системах АСУ группы "А" являются чем-то экзотическим, т.к. объект управления, как правило, представляет собой систему с медленноменяющимися параметрами. В этих областях АСУ после внедрения работают достаточно длительное время без существенных изменений.

В РАСУ КПС ситуация кардинально иная: и сами учащиеся, и условия окружающей среды, являются весьма динамичными, из чего с необходимостью следует и высокая динамичность образовательных технологий. Следовательно РАСУ КПС группы "Б" фактически не только не может быть внедрена, но даже и разработана без одновременной разработки и внедрения РАСУ КПС группы "А", которая бы обеспечила ей высокий уровень адаптивности, достаточный для обеспечения поддержки адекватности модели как при количественных, так и при качественных изменениях предметной области. Обобщенная схема РАСУ КПС группы "А" приведена на рисунке 6.8:

Рисунок 6. 8. Обобщенная схема РАСУ КПС группы "А"

Двухконтурная модель и обобщенная схема рефлексивной АСУ качеством подготовки специалистов

Объединение РАСУ КПС групп "А" и "Б" приводит к схеме двухуровневой РАСУ КПС, в которой первый контур управления включает управление учащимся, а второй контур управления обеспечивает управление самой образовательной технологией.

Но и управление образовательными технологиями будет беспредметным без обратной связи, содержащей информацию об эффективности как традиционных педагогических методов, так и педагогических инноваций, т.е. без учета их влияния на качество образования.

Кроме того РАСУ КПС включает ряд обеспечивающих систем, работа которых направлена на создание наиболее благоприятных условий для выполнения основной функции РАСУ КПС, т.е. обеспечение международного уровня качества образования. Это так называемые обеспечивающие подсистемы: стратегическое управление (включая совершенствование организационной структуры университета и демократизацию управления); управление инновационной деятельностью (НИР, ОКР, внедрение); управление информационными ресурсами (локальные и корпоративные сети, Internet); управление планово-экономической, финансовой и хозяйственной деятельностью, и др. Необходимо также отметить, что РАСУ КПС работает в определенной окружающей среде, которая, в частности, включает: социально-экономическую среду; рынок труда; рынок образовательных услуг; рынок наукоемкой продукции.

Учитывая вышесказанное, в данном исследовании предлагается следующая обобщенная модель РАСУ КПС, включающую в качестве базовых подсистем РАСУ КПС групп "А" и "Б", а также обеспечивающие подсистемы (рисунок 6.9). Необходимо отметить, что двухуровневая схема АСУ качеством подготовки специалистов является обобщением структуры типовой АСУ для вуза, а не обобщением структуры РАСУ АО. Чтобы рассматривать ее именно как рефлексивную АСУ необходимо иметь в виду, что и образовательный процесс, и учащийся, являются активными объектами и управляющие воздействия на них имеют информационный характер. Безусловно, что информационные потоки обуславливают соответствующие финансовые, энергетические и вещественные потоки, изучаемые в логистически.

Рисунок 6. 9. Обобщенная схема двухуровневой РАСУ КПС

6.3.4. Двухуровневая РАСУ КПС, как АСУ ТП в образовании: сходство и различие

Итак, объединение РАСУ КПС групп "А" и "Б" приводит к схеме двухуровневой РАСУ КПС. Из сравнения РАСУ КПС с АСУ ТП, то можно сделать следующие выводы: аналогом сырья в вузе является абитуриент; объектом управления в вузе является студент, который представляет собой систему несопоставимо более сложную, чем любая техническая система или любой производственный процесс; технологический процесс в вузе – это образовательный процесс, где использование технических средств является вспомогательным, а основным является прямое воздействие профессорско-преподавательского состава. Вуз, если рассматривать его как производственную систему, имеет весьма специфический конечный продукт – это выпускник, молодой специалист.

РАСУ КПС имеет еще одну ярко выраженную специфическую особенность по сравнению с АСУ ТП: эта особенность – очень большая длительность технологического процесса "по выпуску одного изделия", т.е. время прохождения абитуриента до выпускника (от 4 до 7 лет, обычно 5 лет). В производственных АСУ ТП это время измеряется минутами, реже часами или днями.

Эта особенность привела к тому, что на различных стадиях образовательного процесса традиционно сложились свои циклы управления, включающие образовательное управляющее воздействие и контроль его результатов в течение каждого семестра или даже занятия.

Кроме того, в связи с тем, что качество результата во многом предопределяется качеством "сырья", т.е. абитуриентов, многие вузы пришли к тому, что создали свои собственные системы довузовского образования или наладили тесные шефские связи с уже существующими. Для повышения качества образования также очень важно иметь регулярную, систематическую информацию о начале и продолжении трудового пути выпускников, молодых специалистов, об их оценке потребителями. Следовательно, создание учебных заведений нового типа, интегрирующих в единую систему системы довузовского, вузовского и послевузовского образования, т.е. университетских комплексов, весьма перспективно. Поэтому обобщенную схему двухуровневой РАСУ КПС, представленную на рисунке 6.9 имеет смысл представить в виде "Технологической схемы управления", более традиционной для АСУ ТП (рисунок 6.10).

Цель РАСУ КПС

Традиционно, цель применения АСУ можно представить в виде некоторой суперпозиции трех подцелей:

1. Стабилизация состояния объекта управления в динамичной или агрессивной внешней среде.

2. Перевод объекта в некоторое конечное (целевое) состояние, в котором он приобретает определенные заранее заданные свойства.

3. Повышение качества функционирования АСУ (адаптация и синтез модели, совершенствование технологии воздействия на объект управления).

Для РАСУ КПС, очевидно, наиболее актуальными являются второй и третий аспекты цели АСУ, причем если второй аспект реализуется путем применения образовательных технологий, то третий – за счет реализации в составе РАСУ КПС подсистемы управления образовательным процессом. На этом моменте стоит остановиться подробнее. Если существующая образовательная технология позволяет достичь поставленной перед ней цели, то она просто применяется и эта задача решается. Если же нет, то задача превращается в проблему, которая может быть решена только путем совершенствования самой образовательной технологии.

Структура окружающей среды РАСУ КПС

Как правило, АСУ действует в определенной окружающей среде, которая является общей и для субъекта, и для объекта управления (система управления находится вне среды объекта управления в случае автоматизированных систем дистанционного управления, рассмотрение которых выходит за рамки данной работы). Граница между тем, что считается окружающей средой, и тем, что считается объектом управления относительна и определяется возможностью подсистемы управления оказывать на них воздействие: на объект управления управляющее воздействие может быть оказано, а на среду нет.

Окружающая среда включает несколько "слоев": социально-экономическая среда; рынок труда; рынок образовательных услуг; рынок наукоемкой продукции.

Рисунок 6. 10. Детализированная схема РАСУ качеством подготовки специалистов,
как двухуровневой РАСУ-ТП

Учащийся, как объект управления РАСУ КПС

В определенном аспекте, учащийся вуза, очевидно, может с полным основанием рассматриваться как объект управления, на который преподавателями в течение длительного времени систематически оказывается определенное целенаправленное управляющее воздействие, призванное в конце концов превратить вчерашнего школьника в профессионала в некоторой предметной области.

Конечно, подобный подход является очень упрощенным, т.к. человек является не просто сложнейшей системой обработки информации, но и обладает свободой воли.

С формальной точки зрения это означает, что человек, как объект управления, представляет собой активную систему. Внешние параметры подобных систем слабым и очень сложным образом связаны с их результирующим (целевым) состоянием. Выразить в аналитической форме эти зависимости в настоящее время практически не представляется возможным. Эти обстоятельства привели к тому, что традиционные подходы к синтезу систем управления состоянием человека, разрабатываемые в основном в медицине, не дали ощутимых результатов. Сложноразрешимые проблемы возникают как на этапе идентификации состояния объекта управления, так и на этапе выработки управляющего воздействия.

6.3.5. Методологические подходы к решению основной проблемы, возникающая при синтезе РАСУ КПС

Следовательно, основной проблемой, возникающей при синтезе РАСУ КПС является проблема построения адекватной математической модели учащегося, как объекта управления в образовательном процессе, а также самого образовательного процесса, которая отражала бы:

1. Критерии оценки уровня качества образования по вузу в целом, по каждой специальности и студенту, а также способ измерения значений этих критериев и метод математической обработки данных.

2. Факторы образовательного процесса, их способы измерения их значений, способы управления ими, их влияние на значения критериев качества образования.

Нормативный и критериальный подходы к выбору критериев качества образования

Перед уточнением требований к критериям, должен быть осуществлен выбор между нормативным и критериальным подходами к оценке уровня качества образования.

Критериальный подход регламентирует (например, в форме государственного образовательного стандарта), какими знаниями, умениями и навыками должны обладать учащиеся на различных ступенях обучения и выпускники различных специальностей.

Нормативный подход предполагает знание уровня качества образования, который принимается за "норму" для данного вуза, региона, страны или сообщества стран и знания конкретного учащегося оцениваются в соответствии с этой нормой.

Каждый из этих подходов обладает своими достоинствами и недостатками. Так при критериальном подходе обеспечивается сопоставимость результатов обучения во времени и между вузами и регионами, но для этого должны быть стандартизированы средства педагогических измерений, обеспечивающие измерение уровня предметной обученности, а для этого данные средства, как минимум, должны существовать и быть общепризнанными. Однако, в настоящее время таких средств не существует. Значит они должны быть созданы, стандартизированы и растиражированы, вместе с инфраструктурой, необходимой для их применения. В последние годы эта работа ведется в рамках создающейся системы централизованного тестирования.

Нормативный подход требует конструктивного определения понятия "норма". Для этого в течение достаточно длительного времени (сравнимого с периодом сопоставимости во времени) должно идти накопление данных по измерениям предметной обученности по различным учебным курсам и специальностям. Причем эти измерения и обработка данных должны производится по тем методикам, которые в дальнейшем и будут использоваться в РАСУ КПС. Нормативный подход имеет важное достоинство: по критериальному подходу "отличник из провинции" не сможет конкурировать даже с середнячком из столиц, хотя его потенциал может быть выше.

Конечно, и первое, и второе, выглядит достаточно проблематичным.

По глубокому убеждению автора в конечном счете сами критерии безусловно являются узаконенной (на том или ином формальном уровне) нормой, поэтому критериальный подход является вторичным.

Традиционный подход, основанный на проведении срезов и контрольных работ, не обеспечивает пространственно-временную сопоставимость измерений учебных достижений учащихся даже в пределах одного региона и одного учебного года. Этот недостаток может быть компенсирован применением учебных тестов, которые в последнее время становятся все более популярными.

В частности широкое распространение получило Централизованное тестирование абитуриентов и система Телетестинг (тестирование с использованием средств компьютерных сетей и Internet), предназначенные для тестирования абитуриентов. Имеются и тесты, предназначенные для измерения уровня предметной обученности непосредственно в учебном процессе. Вместе с тем возникают справедливые вопросы о том, возможно ли с помощью тестов измерять различные уровни освоения учебного материала, например такие, как творческий.

Требования к факторам и критериям их оценки в РАСУ КПС

К критериям оценки уровня качества образования и факторам, влияющим на этот уровень, которые планируется использовать в РАСУ КПС, предъявляется ряд требований. Качество применяемых тестов во многом определяется свойствами тестовых заданий. Для того, чтобы соответствовать своему назначению и тестовые задания, и сами тесты должны удовлетворять вполне определенным требованиям, которые могут и должны иметь количественное выражение.

Например, для каждого задания должно быть известно: раздел учебного плана, проверяемый данным заданием; уровень освоения учебного материала, необходимый для успешного выполнения данного задания; сложность (решаемость) данного задания для учащихся на практике; информативность данного задания, т.е. количество информации, содержащейся в степени решения данного задания учащимся о принадлежности данного учащегося к группам аттестованных и не аттестованных; ошибка измерения обученности с помощью данного задания; скорость сходимости и предел ошибки измерения обученности при увеличении объема выборки; вероятность угадывания правильного ответа для данного задания. Каждому заданию может быть приписан некоторый интегральный критерий качества, являющийся функцией приведенных свойств. Разработка таких заданий и эквивалентных по перечисленным параметрам вариантов работ – непростая научная задача, требующая целенаправленных и хорошо скоординированных усилий специалистов из различных областей в течение ряда лет.

Тесты учебных достижений также должны удовлетворять определенным требованиям: быть сопоставимыми по сложности и измеряемым параметрам обученности, определять степень соответствия уровня предметной обученности требованиям образовательных стандартов; обеспечивать мониторинг уровня обученности, для чего необходимо включать в тест задания с более широким диапазоном сложности и более широкими требованиями к уровню освоения учебного материала, а также выходящие за пределы учебного плана; содержать некоторый процент заданий с неизученными на практике свойствами, с целью их апробации и возможного использования в будущих тестах.

Кроме того, тесты учебных достижений должны в перспективе обеспечивать выявление зависимостей между решаемостью заданий и тем, поступил абитуриент в вуз или не поступил, а также успешностью его обучения в вузе на различных курсах и по различным предметам, успешностью его будущей профессиональной деятельности.

Факторы, влияющие на уровень качества образования должны быть: количественно измеримы; их значения, должны быть известны, прогнозируемы с известной погрешностью или зависеть от решений руководителей вуза; иметь количественно известное влияние на уровень качества образования по различным учебным дисциплинам и учебным специальностям.

Предлагаемые пути решения проблем, возникающих при синтезе РАСУ КПС

Система "Эйдос" может быть применена в качестве интеллектуальной компоненты в РАСУ КПС для решения задач идентификации, мониторинга, анализа и выработки управляющих воздействий га каждом из двух уровней системы. При этом выполняют следующие работы:

1. Ставят цели методики и в соответствии с ними разрабатывают перечень будущих состояний учащихся (в том числе целевых), переход в которые рассматривается как результат воздействия на учащихся с помощью педагогических технологий (специфических и неспецифических факторов). Эти целевые состояния включают: поступление или не поступление в вуз в разрезе по различным специальностям и формам обучения; показатели академической успеваемости по дисциплинам, циклам дисциплин и специальностям; успешное окончание вуза или причины и время отчисления; успешность работы по специальности или время и причины ухода с работы по специальности; обучение в послевузовских формах и т.д.

2. Разрабатывают формализованный паспорт учащегося, позволяющий описать в пригодной для компьютерной обработки форме его историю, актуальное состояние, педагогические воздействия, включая обучение в различных формах довузовского образования, и их результат. Формализованный паспорт состоит из трех основных частей: первая содержит шкалы, описывающие не зависящие от преподавателей факторы (факторы среды), вторая часть содержит факторы, зависящие от преподавателей и руководства вузом, в том числе факторы, характеризующие предысторию и актуальное состояние учащегося (управляющие факторы), которые можно рассматривать как средства достижения желаемых педагогических результатов, и третья – содержит классификацию самих прогнозируемых и целевых педагогических результатов.

3. Неструктурированная информация о педагогических воздействиях и их результатах должна быть представлена в виде формализованных паспортов и введена в систему "Эйдос" в качестве примеров того, к каким педагогическим результатам фактически приводят те или иные педагогические воздействия на учащихся, имеющих определенную предысторию и определенное актуальное состояние.

4. Система на основе предъявленных реальных примеров обучения выявит взаимосвязи между предысторией учащегося, актуальным состоянием, применяемыми педагогическими технологиями (педагогическими факторами) и полученными педагогическими результатами и сформирует так называемые информационные портреты по каждому результату. Информационный портрет педагогического результата представляет собой перечень различных характеристик учащегося, а также педагогических факторов и факторов среды с количественным указанием того, какое влияние каждый из них оказывает на осуществление данного результата.

5. Для каждой из характеристик учащегося, каждого педагогического фактора будет на основе обработки примеров обучения автоматически количественно определено, какое влияние он оказывает на осуществление каждого педагогического результата.

6. Система сравнит различные педагогические результаты и сформирует группы наиболее сходных из них (кластеры), а также определит какие кластеры наиболее сильно отличаются друг от друга (конструкты). При этом будут выявлены не только уже известные специалистам конструкты, но могут быть обнаружены и новые, ранее неизвестные. Выявленные взаимосвязи между классами отображаются в форме семантических сетей.

7. Аналогично и технологические факторы будут сгруппированы в кластеры и конструкты, так, например, будет выявлено, что некоторые различные по своей физической природе специфические и неспецифические педагогические факторы оказывают сходное влияние на педагогические результаты. Выявленные взаимосвязи между факторами отображаются в форме семантических сетей.

8. После выполнения данных работ будет проверена способность системы правильно прогнозировать педагогические результаты на массиве уже введенных формализованных паспортов, то есть будет определена внутренняя интегральная и дифференциальная валидность методики. Если она окажется достаточно высокой, то методику можно будет рекомендовать для опытно-экспериментального практического применения. В то же время, по-видимому, будут выявлены и слабодетерминированные педагогические результаты, которых наиболее сложно добиваться и достоверно прогнозировать. По соответствующим классам не принимаются решения.

Таким образом, адаптивная АСУ индивидуальным обучением позволяет решить следующие две основные задачи:

1. Прогноз того, какие педагогические результаты наиболее вероятны (а какие практически невозможны) для учащегося с данной предысторией, с данным актуальным состоянием, при воздействии на него имеющимися в распоряжении педагогическими (педагогическими) технологиями.

2. Консультация, какие предыстория, актуальная картина и педагогические воздействия должны быть, чтобы можно было рассчитывать с определенной уверенностью на заданный педагогический эффект.

Система сама оценивает степень достоверности своих прогнозов и рекомендаций, т.е. она не просто дает рекомендацию, но и количественно оценивает степень надежности этой рекомендации. Кроме того система дает характеристику каждого технологического приема (то есть говорит, "на что он работает"), а также выдает рекомендации по замене желательных технологических приемов, но очень дорогих, труднодоступных или опасных, другими, более дешевыми, доступными и безопасными, и, при этом, имеют сходное влияние на педагогические результаты. Таким образом, данная методика позволяет "просматривать" различные варианты педагогических технологий, прогнозировать последствия применения различных технологических приемов, и, на этой основе, вырабатывать научно обоснованные рекомендации по выбору квазиоптимальной для поставленных целей педагогической технологии с учетом истории и актуального состояния учащегося.

Таким образом, автоматизированная система управления:

1. Может эксплуатироваться в адаптивном режиме: то есть квалифицированный пользователь может увеличивать базу примеров, расширять перечень прогнозируемых (идентифицируемых) педагогических ситуаций, увеличивать количество факторов в формализованном паспорте или контролируемо уменьшать размерность описания без потери качества. Эти возможности функционально сближают систему "Эйдос" с нейронными сетями [312].

2. Позволяет использовать любое количество шкал для классификации и описании прогнозируемых и целевых педагогических результатов, причем в разных шкалах может быть различное количество градаций, но их общее количество не должно превышать 4000.

3. Сама выявляет зависимости на основе примеров обучения, взятых из реальной практики, и не требует от эксперта формализованного описания этих зависимостей (продукций), как в ряде экспертных систем.

Кроме того, методика позволяет также раздельно изучать вклад в достижении педагогического эффекта, который дают, с одной стороны, объективное действие педагогических факторов, а с другой стороны, эффект плацебо, действующий за счет ожиданий учащихся, их веры и других психологических факторов.

6.4. ВЫВОДЫ

1. Разработаны классификация функционально-структурных типов АСУ и показано место адаптивных АСУ сложными системами и рефлексивных АСУ активными объектами в этой классификации; показаны роль и место АСК-анализа в РАСУ АО. Рассмотрена типовая структура АСУ, предложена параметрическая модель адаптивной АСУ сложными системами (ААСУ СС) и, на основе конкретизации технологии QFD (развертывания функций качества), предложена двухуровневая модель РАСУ АО, являющаяся обобщением ААСУ СС на случай активных объектов управления:

– 1-й уровень обеспечивает управление АОУ;

– 2-й уровень – управление технологией воздействия на АОУ.

2. Проведенное сравнение ААСУ СС и РАСУ АО по способу управляющего воздействия на объект управления, степени управляемости на детерминистских и бифуркационных этапах развития объекта управления и уровню адаптивности позволяет сделать вывод о предпочтительности эксплуатационных характеристик РАСУ АО при управлении активными объектами. Это обусловлено двумя основными обстоятельствами:

– в ААСУ СС обеспечивается лишь количественная адаптация модели АОУ, что не обеспечивает сохранение ее адекватности после прохождения объектом управления точки бифуркации, т.е. его качественной трансформации, тогда как в РАСУ АО в этом случае осуществляется повторный синтез модели АОУ;

– в ААСУ СС рефлексивность и активный характер объекта управления не учитываются и управляющее воздействие на него имеет энергетический (силовой) характер, тогда как в РАСУ АО – это прежде всего воздействие на информационный уровень объекта управления, т.е. мета-управление (коррекция его целей, модели себя и окружающей среды, мотиваций способов принятия и реализации решений в направлении их сближения и согласования с целями управляющей системы).

3. Разработаны методика и технология синтеза рефлексивных АСУ активными объектами. Предложено рассматривать алгоритм системного анализа, структурированного до уровня базовых когнитивных операций, как алгоритм синтеза рефлексивных АСУ активными. Предложено рассматривать автоматизированный системный анализ, структурированный до уровня БКОСА, как методику синтеза РАСУ АО объектами и их эксплуатации в режиме адаптации и периодического синтеза модели:

– шаг 1–й: формализация предметной области (БКОСА-1);

– шаг 2–й: формирование обучающей выборки (БКОСА-2);

– шаг 3–й: обучение (БКОСА-3);

– шаг 4–й: оптимизация (БКОСА-4);

– шаг 5–й: верификация модели (БКОСА-5);

– шаг 6-й: принятие решения об эксплуатации модели или ее пересинтезе;

– шаг 7-й: идентификация и прогнозирование состояния АОУ (БКОСА-7);

– шаг 8-й: оценка качества идентификации состояния АОУ;

– шаг 9-й: выработка решения об управляющем воздействии (БКОСА-9);

– шаг 10–й типологический анализ классов и факторов (БКОСА-10);

– шаг 11-й: многофакторное планирование и принятие решения о применении системы управляющих факторов (БКОСА-11);

– шаг 12-й: оценка адекватности принятого решения об управляющих воздействиях;

– шаг 13–й (неформализованный поиск нетипового решения об управляющем воздействии и подготовка данных для пересинтеза модели, причем как в случае, если решение оказалось удачным, так и в противном случае).

4. Рассмотрены методические вопросы синтеза РАСУ качеством подготовки специалистов, предложена ее двухуровневая структура:

– на первом уровне объектом управления является учащийся, а управляющей системой – педагогический процесс;

Предложена детализированная двухуровневая модель рефлексивной АСУ качеством подготовки специалистов (РАСУ КПС), сформулированы задачи РАСУ КПС.

5. Предложенные подходы могут быть эффективно применены для создания рефлексивных АСУ организационно-техническими системами в различных предметны областях.

ГЛАВА 7. ОПЫТ И ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ АСК- АНАЛИЗА

В данной главе дан краткий обзор опыта использования предложенных технологий и подробные численные примеры их применения в четырех предметных областях: решение ряда задач управления качеством подготовки специалистов (на примере данных Краснодарского юридического института России, 7-летний лонгитюд); прогнозирование развития сегмента рынка (на примере фондового рынка доллара США, 5-летний лонгитюд); прогнозирование и управление урожайностью сельскохозяйственных культур; синтез системы автоматического управления (САУ) фотоветроэлектроэнергетическими установками (ФВЭУ). Рассмотрены перспективы развития и применения АСК-анализа в социально-экономических исследованиях и в ряде других областей.

7.1. КРАТКИЙ ОБЗОР ОПЫТА ПРИМЕНЕНИЯ АСК-АНАЛИЗА ДЛЯ ИССЛЕДОВАНИЯ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМ

Впервые предложенная модель была практически применена автором в 1981 году для разработки оптимальной методики тестирования и диагностики специальных способностей в Краснодарской краевой секции биоэлектроники при НТОРЭС им.Попова. В данном исследовании была применена максимальная анкета, состоящая из 650 вопросов, обучающая выборка составляла 150 человек из которых около 40 по результатам независимых оценок обладали выраженными способностями к специальным видам деятельности. Было сформированы обобщенные образы двух классов распознавания: "годен" и "не годен". На основе определения ценности признаков для решения задачи идентификации путем исключения незначимых признаков из максимальной анкеты был получен оптимальный опросник, содержащий всего 25 вопросов и обеспечивающий валидность 95% при 15-кратной информационной избыточности. Высокая значимость выявленных в этом исследовании вопросов подтвердилась и в дальнейших исследованиях.

Имеются акты об успешном проведении исследований с помощью данной системы в области социологии, политологии и прикладной психологии по заказам НИИ культуры Российской Федерации и Краснодарского государственного института культуры (ноябрь 1987г.), Академии общественных наук под руководством доцента Б.И.Бессалаева (март 1987г.), Института социологических исследований АН СССР под руководством доктора социологии профессора А.А.Хагурова (май 1987г. и сентябрь 1987г.).

В 1994 году система "Эйдос" была представлена в ВЦ РАН в присутствии иностранных специалистов (в основном из Японии) и получила положительную оценку председателя комитета по искусственному интеллекту Российской Академии наук академика Д.А.Поспелова (рекомендована для применения в социологических и психологических исследованиях), имеются положительные отзывы о Системе от Северо-Кавказской поисково-спасательной службы МЧС России (начальник В.М.Нархов) и Министерства Труда Российской Федерации (зам.нач. Управления, профессор Е.В.Белкин), прошла экспериментальную эксплуатацию в отделе информационного взаимодействия Аналитического центра при Президенте РФ (начальник отдела доктор технических наук, академик МАИ профессор А.Н.Райков), а также приобретена Аналитическим центром администрации Ярославской области (руководитель А.В.Бушуев), Информационно - аналитическим центром администрации Краснодарского края (директор С.Б.Лисицын), АО "Новороссийское морское пароходство" (вице-президент, капитан 1-го ранга, к.т.н. доцент В.А.Бобыр), Краснодарским юридическим институтом МВД России (начальник генерал-майор, доктор философских наук, профессор Ю.А.Агафонов).

Работы в МЧС и АО "Новошип" проводились совместно с Научно - производственной фирмой "ЭВРИТОП" (директор Б.В.Гауфман) под научным руководством кандидата технических наук, доктора биологических профессора О.А.Засухиной. Под ее же руководством Кубанским Агроуниверситетом совместно с НПП "Эйдос" была разработана методика прогнозирования урожайности и качества сельскохозяйственных культур в зависимости от вида почв, культуры-предшественника, применяемой агротехнологии (нормы высева, удобрения, вспашка и т.п.). Данная методика позволяет "просматривать" различные варианты технологии, прогнозировать последствия их применения, и, на этой основе, вырабатывать научно обоснованные рекомендации по выбору возделываемой культуры и оптимальной для поставленных целей агротехнологии. Это исследование показательно как само по себе, так и в качестве примера применения Системы для выявления взаимосвязей между различными технологиями и хозяйственными результатами. Материалы этих и других работ были представлены на международной конференции "Партнерство во имя прогресса", проходившей в конце мая 1994 года в г.Анапе. Совместно с канд.мед.наук. Г.А.Авакимяном на базе системы "Эйдос" была разработана методика диагностики избыточности и недостаточности меридианов, основанная на внешней симптоматике и анамнезе.

Для строительной фирмы "ЭКСТЕРН" (директор В.Г.Очередько) была разработана методика прогнозирования профессиональной пригодности сотрудников для работы по должностям, имеющимся в фирме. Кроме того прогнозируется возможность криминогенных проявлений. Данная методика является автоматизированным рабочим местом (АРМом) менеджера по персоналу и эксплуатировалась несколько лет в адаптивном режиме, обеспечивающем постоянное повышение качества прогнозирования на основе роста представительности обучающей выборки.

Таким образом, опыт применения АСК-анализа подтверждает эффективность его использования в следующих предметных областях:

– идентификация и анализ макроэкономических состояний городов и районов Краснодарского края и края в целом на основе оценки значимости индикаторов макроэкономики и применения методов статистической теории информации и искусственного интеллекта (Департамент экономики и прогнозирования администрации Краснодарского края);

– социологические и политологические исследования, анализ общественного мнения (Краснодарский сектор Института социологических исследований АН СССР, Краснодарский краевой агропромышленный комитет, Академия государственной службы при Президенте РФ, Краснодарский государственный институт культуры, Информационно-аналитический центр администрации Краснодарского края, Аналитический центр администрации Ярославской области и др.);

– проектирование адаптивных АСУ сложными техническими объектами (Государственное предприятие особое конструкторское бюро "Икар", Кубанский государственный технологический университет);

– решение ряда задач управления качеством подготовки специалистов (Краснодарский юридический институт МВД РФ);

– прогнозирование результатов применения агротехнологий и управление выращиванием сельскохозяйственных культур (Кубанский государственный аграрный университет);

– прогнозирование успешности будущей профессиональной деятельности в экстремальных ситуациях в условиях высокой ответственности и дефицита времени (Северокавказская региональная поисково-спасательная служба Государственного комитета РФ по делам гражданской обороны, чрезвычайным ситуациям и ликвидации последствий стихийных бедствий МЧС, АО "Новошип" Новороссийское морское пароходство);

– решение задач Центра Правительственной связи в Краснодарском крае.

Это подтверждается 17 актами внедрения предлагаемых технологий за период с 1987 по 2002 годы (приложение 4).

7.2. АНАЛИЗ ДИНАМИКИ МАКРОЭКОНОМИЧЕСКИХ СОСТОЯНИЙ ГОРОДОВ И РАЙОНОВ НА УРОВНЕ СУБЪЕКТА ФЕДЕРАЦИИ В ХОДЕ ЭКОНОМИЧЕСКОЙ РЕФОРМЫ (НА ПРИМЕРЕ КРАСНОДАРСКОГО КРАЯ)

В 1993 году в Департаменте экономики и прогнозирования администрации Краснодарского края по заказу заместителя Главы администрации Краснодарского края доктора экономических наук профессора Р.А.Попова с применением технологии АСК-анализа был проведен анализ макроэкономических состояний городов и районов Краснодарского края и всего края в целом в ходе экономической реформы на основе оценки значимости индикаторов макроэкономики и применения методов статистической теории информации и искусственного интеллекта. Данная работа проведена по закрытой теме и получила положительную оценку, что подтверждается актом внедрения.

7.3. ПРОГНОЗИРОВАНИЕ УРОВНЯ БЕЗРАБОТИЦЫ (НА ПРИМЕРЕ ЯРОСЛАВСКОЙ ОБЛАСТИ)

В 1994 году в Аналитическом центре администрации Ярославской области было разработано приложение (ДСП), обеспечивающее:

1. Программный интерфейс межу базами данных Аналитического центра, созданных в среде MS Works.

2. Анализ данных мониторинга, содержащих помесячную информацию по ряду социально-экономических показателей за 5 лет (5-летний лонгитюд) представленных Аналитическим центром, с целью выявления причинно-следственных зависимостей между ними и последующим уровнем безработицы.

3. Прогнозирование уровня безработицы на основе новых данных по социально-экономическим показателям и знания ранее выявленных причинно-следственных зависимостей.

Разработанное приложение показало высокую эффективность на ретроспективных данных и получило положительную оценку. Имеется акт внедрения.

7.4. ПРОГНОЗИРОВАНИЕ РАЗВИТИЯ РАЗЛИЧНЫХ СЕГМЕНТОВ РЫНКА (НА ПРИМЕРЕ ФОНДОВОГО РЫНКА РФ)

7.4.1. Предыстория исследования

В 1993-1994 годах, автором совместно с Б.Х.Шульман (США) были проведены исследования Российского фондового рынка [159, 233]. При этом были применены предложенные технологии и специальный программный инструментарий АСК-анализа – базовая система "Эйдос" [152] и специально

Рисунок 7. 1. Титульная видеограмма системы окружения "Эйдос-фонд"

созданная система окружения "Эйдос-фонд" (рисунок 7.1).

Было разработано несколько вариантов приложений для различных сегментов фондового рынка и с различной детализацией прогнозов. В дальнейшем данная разработка была усовершенствована (усилены графические возможности анализа данных), разработаны исследовательские режимы и др.

7.4.2. Когнитивная структуризация и формализация предметной области

Одним из основных требований системного анализа является требование полноты и всесторонности рассмотрения, а также необходимость исключения из рассмотрения несущественной информации. При когнитивной структуризации предметной области были выявлены 300 ситуаций на фондовом рынке, которые описывались 1500 показателями (таблица 7.1). В соответствии с разработанной методикой причинно-следственные взаимосвязи между ситуациями на фондовом рынке выявлялись на основании анализа биржевых баз данных, содержащих сведения примерно за 1993-1994 годы. Позже эти базы были дополнены и в настоящее время содержат данные за 1393 дня с 1992 по 1998 годы.

Таким образом, размерность модели составила: 300 прогнозируемых ситуаций на фондовом рынке, 1500 градаций факторов, 1393 прецедента за 1992 по 1998 годы, 1765907 фактов.

В соответствии с разработанной методикой, путем анализа биржевых баз данных, содержащих сведения за 1393 дня с 1992 по 1998 годы, выявлялись причинно-следственные взаимосвязи между ситуациями на фондовом рынке.

При этом были применены математические модели и технологии, а также специальный программный инструментарий АСК-анализа: когнитивная аналитическая система "Эйдос" [152]. Реализованные в данной системе когнитивные технологии основаны на системной автоматизации 10 базовых когнитивных операций с применением системного обобщения семантической меры целесообразности информации, предложенной академиком А.А.Харкевичем [330].

Таблица 7. 1 – КЛАССИФИКАЦИОННЫЕ И ОПИСАТЕЛЬНЫЕ
ШКАЛЫ И ГРАДАЦИИ ПРИ ИССЛЕДОВАНИИ ФОНДОВОГО РЫНКА

7.4.3. Исходные данные для прогноза: биржевые базы данных

Система "Эйдос-фонд" относится к окружению системы Универсальной когнитивной аналитической системы "Эйдос" и представляет собой по сути дела программный интерфейс между биржевыми базами данных и базовой системой "Эйдос".

Система "Эйдос-фонд" обеспечивает прогнозирование динамики курсов валют и ценных бумаг на 1-й 2-й, 3-й, ... , 30-й день от текущего дня с достоверностью около 85%. Преобразование данных из стандартов биржевых баз данных в стандарт Системы "Эйдос" осуществляется автоматически с помощью специально для этого созданного автором программного интерфейса. В таблице 7.2 приводится фрагмент биржевой базы данных:

Таблица 7. 2 – ФРАГМЕНТ БИРЖЕВОЙ БАЗЫ ДАННЫХ

При этом также осуществляется преобразование первичных параметров, т.е. чисел из временных рядов, характеризующих предметную область, во вторичные параметры - характеризующие наступление тех или иных экономических ситуаций (событий). Система "Эйдос" выявляет взаимосвязи между прошлыми и будущими событиями, и, на этой основе, позволяет осуществлять прогнозирование ситуаций. Технические решения, реализованные в данном программном интерфейсе, являются типовыми и могут быть использованы в других приложениях, где необходимо преобразование временных рядов, характеризующих динамику предметной области, в события, анализируемые системой "Эйдос". При использовании данного приложения были "вновь открыты" многие "сильнодействующие" закономерности валютного и фондового рынка, давно известные специалистам и вписывающиеся в так называемые "фундаментальные" (т.е. содержательные аналитические модели) и "технические" (т.е. феноменологические аналитические) модели [1]. В то же время необходимо подчеркнуть, что было открыто много новых, как правило "более слабых" и специфических закономерностей валютного и фондового рынка, характерных именно для ММВБ на момент проведения работ. Была также обнаружена определенная динамика этих закономерностей. Подход, реализованный на базе системы "Эйдос" во многом является синтезом подходов фундаментальной и технической школ и имеет определенную новизну.

7.4.4. Формирование точечных прогнозов

На приведенных ниже диаграммах, которые выдает данная система, приводится фактический курс $ США, а также множество точечных прогнозов и средневзвешенный прогноз динамики курса $, рассчитанный с учетом достоверностей точечных прогнозов. Дело в том, в данном приложении на каждый конкретный день получается 30 прогнозов, первый из которых "с позиции во времени" на 30 дней назад, второй - на 29 дней назад, и т.д.

Фрагмент карточки результатов прогнозирования, получающейся на основе данных, имеющихся на текущий день, приводится в таблице 7.3:

Таблица 7. 3 – КАРТОЧКА РЕЗУЛЬТАТОВ ПРОГНОЗИРОВАНИЯ
("ТОЧЕЧНЫЕ ПРОГНОЗЫ")

Любой прогноз основан на использовании ранее выявленных закономерностей в предметной области. Так как эти закономерности вообще говоря изменяются при прохождении активной системой точки бифуркации, то следует ожидать, что сразу после прохождения системой этой точки адекватность модели будет резко снижаться, а затем плавно возрастать со скоростью, которую называют "скоростью сходимости" за счет синтеза и адаптации новой модели (фактически исследование зависимости адекватности модели от объема выборки показывает, что погрешность модели после прохождения системой точки бифуркации уменьшается по закону близкому по форме к "затухающим колебаниям").

Из этого следует, что выявление причинно-следственных связей между событиями, между которыми было несколько точек бифуркации, вряд ли имеет смысл. Поэтому увеличение объема фактографической базы для принятия решений само по себе еще не гарантирует повышения их качества. Более того, учет данных, подчиняющихся закономерностям уже потерявшим силу, вполне может и ухудшить характеристики модели. Свойство модели сохранять адекватность при прохождении точки бифуркации будем называть устойчивостью. Результаты взвешивания "точечных прогнозов" приведены на рисунках 7.2 – 7.3.


	Рисунок 7. 2. Точечные прогнозы курса Российского рубля к доллару США, средневзвешенный прогноз и фактический курс (1993-1995)

Рисунок 7. 3. Зависимость погрешности средневзвешенного прогноза курса рубля от разброса точечных прогнозов (ММВБ, 1993-1995)

Рисунок 7. 4. Сходимость модели по атрибуту: 1246, класс: 219

Устойчивость модели, скорость ее сходимости и повышение степени адекватности при изменении объема обучающей выборки являются важнейшими характеристиками модели и определяются ее способностью к выявлению и учету новых закономерностей в предметной области, вступивших в действие после прохождения системой точки бифуркации.

Атрибут 1246: "Количество банков, участвующих в торгах сегодня по сравнению с ним же, 5 дней назад: существенно не отличается (95-105%)".

Класс 219: "На 9-й день понижение курса $ (1-3%)".

Из рисунка 7.3 видно, что погрешность прогнозирования и разброс точечных прогнозов сильно корреллируют. Таким образом, разброс точечных прогнозов может быть использован как количественный измеритель степени неопределенности состояния системы и позволяет оценить степень близости этого состояния к "детерминистскому" или "бифуркационному".

Из сравнения рисунков 7.2.и 7.3 видно, что после прохождения активной системой каждой точки бифуркации начинается колебательный процесс приближения атрибута к новому оптимальному значению, минимизирующему ошибку прогнозирования. После достижения этого состояния значение атрибута практически не изменяется до достижения системой новой точки бифуркации.

Когда разброс точечных прогнозов незначителен (рисунок 6.6), средневзвешенному прогнозу можно доверять, т.к. система находится на детерминистском участке своего развития, на котором ее поведение хорошо прогнозируется, т.к. закономерности, управляющие этим поведением на детерминистском этапе известны и не изменяются. Если же разброс точечных прогнозов велик, то средневзвешенному прогнозу доверять нельзя, т.к. система находится в бифуркационном состоянии, на котором ее дальнейшее поведение неопределенно, т.к. закономерности, управляющие этим будущим поведением только формируются, еще не определены и не отражены в модели.

7.4.5. Формирование средневзвешенного прогноза

Каждый точечный прогноз может быть представлен в форме вектора, параллельного оси Y (величина курса доллара США), имеющего определенную направленность, т.е. знак ("+" повышение, "–" понижение), а также величину, модуль, отражающую скорость изменения курса. Кроме того, каждый точечный прогноз имеет свою достоверность, нормированную от 0 до 1. Было принято, что вклад каждого точечного прогноза в средневзвешенный зависит не только от знака и модуля вектора, но от достоверности, которая просто умножается на модуль и уменьшает его пропорционально достоверности. Таким образом, средневзвешенный прогноз является векторной суммой всех точечных прогнозов с учетом их достоверностей. Так как вектора всех точечных прогнозов параллельны оси Y, то векторную сумму можно заменить их скалярной суммой в координатной форме, в которой направление вектора учитывается просто его знаком:

(6. 1)

где:

i	– дата, с которой сделан прогноз.
j	– внутренний номер прогноза, сделанного с *i-й* даты.
N	– количество прогнозов, сделанных с *i-й* даты на дату D.
*P_D*	– средневзвешенный прогноз курса доллара США на дату D.
*P_ij*	– модуль и знак *j-го* точечного прогноза курса доллара США, сделанного с *i-й* даты на дату D.
*a_ij*	– оценка достоверности *j-го* точечного прогноза курса доллара США, сделанного с *i-й* даты на дату D (формируется системой "Эйдос" автоматически на основе данных, представленных системой окружения "Эйдос-фонд")

Необходимо отметить, что учитываются только те точечные прогнозы, которые имеют положительное сходство с ситуацией, реально сложившейся на фондовом рынке. В результате средневзвешенный прогноз показывает, что "скорее всего произойдет на фондовом рынке".

Прогнозы, имеющие отрицательное сходство, также могут быть обобщены по аналогичной методике, но полученный средневзвешенный прогноз будет означать "чего точно не произойдет на фондовом рынке".

7.4.6. Оценка адекватности модели

Адекватность модели определяется несколькими способами:

1. Путем численного эксперимента, т.е. ретроспективного прогнозирования по данным обучающей выборки (внутренняя валидность).

2. Путем экспериментально сопоставления прогнозируемого и фактического развития активного объекта (внешняя валидность).

И внутренняя, и внешняя валидность может определяться в разрезе по классам (дифференциальная) или как средневзвешенная по всем классам (интегральная валидность). При исследовании системно-когнитивной модели было обнаружено, что ошибка прогнозирования курса Российского рубля по отношению к доллару США зависит от прогнозируемой ситуации, т.е. дифференциальная валидность существенно отличается от интегральной.

Фрагмент отчета по результатам измерения внутренней дифференциальной и интегральной валидности приведены в таблице 7.4.

Таблица 7. 4 – ИЗМЕРЕНИЕ ВНУТРЕННЕЙ ДИФФЕРЕНЦИАЛЬНОЙ И ИНТЕГРАЛЬНОЙ ВАЛИДНОСТИ СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ ФОНДОВОГО РЫНКА

Прохождение системой точек бифуркации изменяет значения атрибута, но не изменяет его смысла по отношению к рассмотренным классам, т.е. не изменяет семантического портрета атрибута, поэтому данный вид устойчивости предлагается называть "Семантическая устойчивость".

Из рисунков 7.2 – 7.3 хорошо видно, что погрешность прогнозирования и разброс точечных прогнозов резко возрастают синхронно с "обвалами" рубля. При искусственном (волевом) "удержании" курса рубля, которое обычно следует за периодами его "обвала", прогноз сильно отличается от фактического курса. Это можно объяснить тем, что фактически прогнозируется рыночный, а не искусственно установленный курс. Таким образом, разброс точечных прогнозов является количественным измерителем степени неопределенности состояния системы и позволяет классифицировать это состояние как "детерминистское" или "бифуркационное" или оценить степень близости к этим состояниям.

Продолжим глубокую и плодотворную квантовомеханическую аналогию. Высокая степень согласованности точечных прогнозов соответствует высокой степени редукции волновой функции, т.е. состоянию объекта с высокой степенью редукции, в котором плотность вероятности его наблюдения близка к 1 для одного состояния или в некоторой точке и очень мала для остальных. Большой разброс точечных прогнозов соответствует виртуальному состоянию объекта, при котором плотность вероятности его наблюдения распределена по различным состояниям таким образом, что для любого из них достаточно далека от 1. Объект не может находиться одновременно и в полностью виртуальном, и в полностью редуцированном состояниях, при этом количественное соотношение между "степенями редукции и виртуальности" определяется известным соотношением неопределенностей Гейзенберга [25, 30, 323].

Когда разброс точечных прогнозов незначителен, средневзвешенному прогнозу можно доверять, т.к. система находится на детерминистском участке своего развития, на котором ее поведение хорошо прогнозируется, т.к. закономерности, управляющие этим поведением на детерминистском этапе известны и не изменяются. Если же разброс точечных прогнозов велик, то средневзвешенному прогнозу доверять нельзя, т.к. система находится в бифуркационном состоянии, на котором ее дальнейшее поведение неопределенно, т.к. закономерности, управляющие этим будущим поведением только формируются и еще не определены.

Таким образом, развитые методика, технология и программный инструментарий АСК-анализа позволяют либо надежно прогнозировать развитие активного объекта, либо надежно прогнозировать его переход в бифуркационное состояние, что само по себе также чрезвычайно ценно.

7.4.7. Детерминистские и бифуркационные участки траектории

При исследовании динамики среднеквадратичного отклонения точенных прогнозов от средневзвешенного (разброс точечных прогнозов от среднего) было обнаружено, что эта характеристика позволяет выделить два основных типа периодов, которые сменяют друг друга:

1. Относительно длительные периоды, характеризующиеся "высокой кучностью точечных прогнозов". Это детерминистские периоды, для которых характерна высокая точность прогнозов, высокое совпадение средневзвешенного прогноза с фактическим курсом доллара США (на уровне 90-95%).

2. Относительно короткие периоды, характеризующиеся высокой степенью разброса точечных прогнозов. Это бифуркационные периоды, для которых характерна низкая точность прогнозов, относительно слабое совпадение средневзвешенного прогноза с фактическим курсом доллара США (на уровне 50-60%).

Необходимо специально отметить, что сам факт наступления бифуркационного периода прогнозируется по величине разброса точечных прогнозов с очень высокой достоверностью (около 95%), а что произойдет конкретно в бифуркационный период с курсом доллара США и рубля спрогнозировать вообще не представляет проблемы, т.к. всегда происходило одно и то же: во все эти "черные вторники и четверги" происходил катастрофический курса обвал рубля по отношению к доллару.

7.4.8. Прогнозирования времени перехода системы в бифуркационное состояние

Остановимся подробнее на прогнозе перехода активного объекта в бифуркационное состояние. Прежде всего, если говорить о Российском фондовом рынке, то многолетний опыт его исследования убедительно свидетельствует, что в точках бифуркации неизменно происходит "обвал" рубля. Но в возможности прогнозирования сроков перехода системы в состояние бифуркации содержится и значительно более глубокий смысл, состоящий в том, что имеется теоретическая и практическая возможность определения сроков окончания любого дела на основании сроков его начала и данных о ходе реализации. Это и прогнозирование срока окончания ВУЗа по данным о сдаче сессий, прогнозирование сроков безотказной эксплуатации различных технических систем (от мобильной энергоустановки до сложной территориально распределенной энергосистемы), "сроков жизни" различных организмов, а также экономических, общественных, военных, политических и государственных организаций, и т.п. и т.д. Примерно также по изучению участка траектории снаряда специалисты по баллистике определяют точку его вылета и предполагаемую цель.

7.4.9. Исследование семантической информационной модели

Рассмотрим каким образом в предложенной технологии решаются некоторые проблемы, сформулированные в теоретической части данного исследования:

Кратко рассмотрим на примере исследования фондового рынка основные параметры семантической информационной модели предметной области:

1. Способ взвешивания точечных прогнозов.

2. Ослабление влияния факторов со временем

3. Старение информации и периоды эргодичности процессов в предметной области.

4. Время реакции системы на изменение факторов (ригидность).

5. Автоколебания системы.

6. Детерминистские и бифуркационные участки траектории.

7. Управление фондовым рынком на детерминистских участках траектории и в точках бифуркации.

Ослабление влияния факторов со временем

Разработка методики прогнозирования основывалась на предположении о том, что факторы в среднем должны оказывать тем меньшее воздействие на текущую ситуацию на фондовом рынке, чем больше прошло времени со времени окончания их действия. Поэтому в реализованной методике учитывались факторы, действующие в течение прошедшего месяца. Специальное исследование, проведенное после разработки методики, показало, что факторы, действующие примерно 30 дней до возникновения текущей ситуации на фондовом рынке, незначительно отличаются по силе влияния на фондовый рынок от факторов, действующих 10 или 20 дней назад. Это означает, что в принципе оправдано было бы взять и значительно больший предстоящий период, например 6 месяцев, в течение которого учитывалось бы действие факторов на текущую ситуацию. Для определения длины предстоящего периода необходимо проведение специального исследования с очень большим предстоящим периодом, составляющим, например, несколько лет.

Старение информации и периоды эргодичности процессов в предметной области

В то же время при исследовании зависимости валидности методики от продолжительности предстоящего периода, в течение которого учитывается действие факторов, было обнаружено, что при увеличении этого периода валидность методики сначала возрастает, а затем начинает плавно, а иногда и скачком снижаться. Рост валидности объясняется увеличением статистики базы примеров, что повышает ее представительность и адекватность. Последующее уменьшение валидности может быть объяснено тем, что закономерности в предметной области изменяются с течением времени, и, поэтому, очень старые данные основаны на иных закономерностях, чем действующие в настоящее время, и значит они уже не повышают адекватность методики, а снижают ее, по сути искажают картину.

Периоды времени, в течение которых закономерности в предметной области существенно не меняются, называются периодами эргодичности. Именно на эр годичных периодах неадаптивные АСУ сохраняют свою адекватность. Эргодичность процессов нарушается либо в результате длительного действия эволюционных изменений в предметной области, которые в конце концов приводят к ее качественному изменению, или в результате действия кратковременных революционных (качественных, скачкообразных) изменений.

Для каждой методики должны быть определены периоды эргодичности, т.к. при выходе за эти периоды необходима адаптация старой или разработка новой методики.

Автоколебания фондового рынка

При исследовании чередования детерминистских и бифуркационных этапов в развитии активных объектов методами корреляционного анализа и конечных разностей были обнаружены автоколебания средневзвешенного прогноза, разброса точечных прогнозов и ошибки средневзвешенного прогноза на фондовом рынке с периодичностью около одной недели и одного месяца (рисунок 7.5).

Рисунок 7. 5. Автоколебания фондового рынка (ММВБ, 1993-1995)

В качестве варианта содержательного объяснения полученных результатов (т.е. их интерпретации) можно предположить, что именно с этой периодичностью на фондовом рынке в 1993-1994 годах осуществлялись принятие и реализация решений. Причем в субботу и воскресенье принимаются решения на следующую неделю, а в конце месяца – на следующий месяц. Таким образом можно говорить об уровнях бифуркаций: для достижения цели месяца как закон реализуется некий план, для реализации которого необходимо каждую неделю принимать и реализовать решения так сказать 2-го уровня, подчиненные главному плану и цели месяца.

Предложенные методология, технология, методика и специальный программный инструментарий обеспечивают системно-когнитивный анализ детерменистско-бифуркационной динамики активных объектов и в других предметных областях [271, 281]. Однако необходимо отметить, что одной из предпосылок для формирования точечных прогнозов с различных точек во времени является наличие данных мониторинга за достаточно длительный период времени, т.е. отдельных точечных исследований для этого недостаточно.

Изучение графика средневзвешенного прогноза курса доллара США показало, что его автокорреляция имеет ярко выраженную недельную периодичность, т.е. ММВБ в 1994 году имела период собственных колебаний, составляющий одну неделю. Скорее всего это связано с отсутствием торгов в выходные дни.

Время реакции системы на изменение факторов (ригидность)

Исследование, проведенное после разработки методики, показало, что наиболее сильное влияние на текущую ситуацию оказывают факторы, действующие неделю назад, а более поздние факторы практически не оказывают на нее никакого влияния. Это означает, что в ММВБ в 1994 году имела высокую "инерционность", "время реакции", "ригидность", составляющую примерно одну неделю. По некоторым данным аналогичный параметр для Лондонской биржи в этот же период времени составлял около 32 секунд.

Управление фондовым рынком на детерминистских участках траектории

Из факторов, существенно влияющих на динамику курса доллара США лишь некоторые зависят от решений крупных финансовых негосударственных руководителей, да и то, если они будут действовать скоординировано. Прежде всего это количество банков, участвующих в торгах, а также объем первоначального спроса и предложения. На второй параметр может оказывать существенное влияние Центральный банк, путем крупных интервенций или закупок доллара США.

Управление фондовым рынком в точках бифуркации

Однако, в точках бифуркации обычные закономерности фондового рынка нарушаются или практически теряют силу, в игру вступают совсем другие факторы, которые имеют в основном не экономическую, а психологическую природу. Изучение этих факторов и разработка тактики оперативных действий требует прогнозирования динамики курса в течение суток буквально по часам. Такая работа была проведена совместно с Б.Х.Шульман (США). На первом этапе была разработана универсальная формальная классификация, включающая очень большое (заранее избыточное) количество вариантов суточной динамики курса доллара США, которая генерировалась автоматически. Затем было изучено влияние факторов, действующих на фондовом рынке в течение предшествующего месяца. Проведенная работа показала, что:

– не все теоретически-возможные варианты суточной динамики курса фактически реализуются;

– существует возможность надежного прогнозирования суточной динамики курса доллара не только в детерминистские периоды, но и в точках бифуркации.

Это позволяет участникам рынка сознательно и спокойно принимать ответственные решения не только заблаговременно, но и точно привязываясь к времени в течение дня.

7.5. ПРОГНОЗИРОВАНИЕ РЕЗУЛЬТАТОВ ВЫРАЩИВАНИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР И ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ ПО РАЦИОНАЛЬНОМУ ВЫБОРУ АГРОТЕХНОЛОГИЙ

Исследование проведено совместно с О.А.Засухиной на базе Кубанского государственного аграрного университета в 1993-1996 годах [88, 152, 157]. Предложенные технологии АСК-анализа реализовывалась на базе системы "Эйдос". С помощью сформированной содержательной информационной модели прогнозировались результаты выращивания сельскохозяйственных культур и вырабатывались научно-обоснованных рекомендации по управлению урожайностью и качеством сельскохозяйственной продукции.

Созданная модель включала: объект управления (сельскохозяйственную культуру); классы (будущие состояния объекта управления, т.е. количественные и качественные результаты выращивания); факторы управляющей системы (агротехнологии, т.е. нормы высева, виды и нормы внесения удобрений, методы вспашки, ротация севооборота и т.п.); факторы окружающей среды (вид почв, культуры–предшественники по предшествующим годам и др.).

Размерность модели составила: 35 прогнозируемых результатов выращивания, 188 градаций факторов, 217 прецедентов в обучающей выборке, 18594 факта. На основе предложенной технологии АСК-анализа разработано конкретное приложение, обеспечивающее управление урожайностью и качеством сельскохозяйственных культур путем выбора и применения оптимальной агротехнологии в зависимости от поставленной цели и вида почв, культуры–предшественника, а также ряда других параметров объекта управления и окружающей среды, например, таких как: нормы высева, виды и нормы внесения удобрений, методы вспашки, ротация и др.

При создании методики выполнялись следующие работы:

	1. Формулировка целей методики и в соответствии с ними разработка перечня прогнозируемых хозяйственных ситуаций, т.е. результатов выращивания (например, для классификации будущих состояний, в том числе целевых, могут быть использованы "шкала качества" и "шкала количества", рисунок 7.6):
Рисунок 7. 6. Будущие состояния объекта управления: количественные и качественные результаты выращивания сельхозкультуры (зерновые колосовые)
	2. Разработка формализованного паспорта результатов выращивания сельхозкультур, позволяющего описать в пригодной для компьютерной обработки форме результаты выращивания конкретной сельхозкультуры на конкретном поле и по конкретной
Рисунок 7. 7. Видеограмма с фрагментом справочника описательных шкал (факторы)

технологии. Формализованный паспорт может состоять из двух частей: первая из них содержит шкалы, описывающие не зависящие от воли человека факторы, вторая – технологические факторы, которые можно рассматривать как средство достижения желаемых хозяйственных результатов (рисунок 7.7).

3. Использование бумажного архива по выращиванию сельхозкультур для заполнения формализованных паспортов и ввода в программную инструментальную систему в качестве примеров выращивания (обучающей выборки) (рисунок 7.8).

Рисунок 7. 8. Интерфейс ввода обучающей выборки

4. Выявление (на основе предъявленных реальных примеров выращивания сельхозкультур) взаимосвязей между применяемыми технологиями и полученными результатами и формирование информационных портретов по каждому возможному результату выращивания. Информационный портрет хозяйственной ситуации представляет собой перечень технологических факторов с количественным указанием того, какое влияние оказывает каждый из них на осуществление данной ситуации (рисунок 7.9):



Рисунок 7. 9. Примеры информационных портретов результатов выращивания "высокое количество" и "высокое качество"

5. Каждый из технологических факторов на основе приведенных примеров характеризуется тем, какое влияние он оказывает на осуществление каждой (целевой или нежелательной) хозяйственной ситуации (рисунок 7.10):


Рисунок 7. 10. Семантический портрет признака: "Предшественники – бобовые многолетние травы"

6. Сравнение различных хозяйственных ситуаций и формирование групп наиболее сходных из них (кластеров), а также определение кластеров, наиболее сильно отличаются друг от друга (конструктов). При этом на экспериментальной базе данных был выявлен конструкт "качество–количество", означающий, что для получения высокого качества и большого количества необходимы совершенно противоположные и несовместимые (т.е. невозможные одновременно) почвы: предшественники и агротехнологические приемы (рисунок 7.11):


Рисунок 7. 11. Конструкт классов: "Качество – количество" и семантическая сеть классов по шкалам: "Качество – количество"

7. Группировка технологических факторов в кластеры и конструкты. Кластерно-конструктивный анализ факторов показал, что некоторые различные по своей природе факторы имеют сходное влияние на хозяйственные результаты. Эти факторы предложено использовать для замены друг друга в случае необходимости (рисунок 7.12):


Рисунок 7. 12. Конструкт факторов: "Предшественники бобовые … – Ротация первая…" и семантической сети факторов: "Предшественники – Глубина обработки почвы"

8. Проверка способности созданного приложения правильно прогнозировать хозяйственные результаты на массиве уже введенных формализованных паспортов показала, что валидность оказалась недостаточно высокой для практического применения: на уровне 58%. Причиной этого являются артефакты, из-за которых некоторые хозяйственные ситуации оказались слабо детерминированными (рисунок 7.13). Удаление артефактов привело к повышению интегральной валидности до 80%, что достаточно для практического использования методики (рисунок 7.14)


Рисунок 7. 13. Интегральная и дифференциальная валидность методики до исключения артефактов	Рисунок 7. 14. Интегральная и дифференциальная валидность методики после исключения артефактов

Таким образом, были решены две основные задачи:

	*1. Прогнозирование* того, какие хозяйственные результаты наиболее вероятны (а какие практически невозможны) на данном виде почв и с данными предшественниками, а также при условии применения имеющихся в распоряжении
Рисунок 7. 15. Пример карточки прогнозирования для конкретных условий выращивания

агротехнологий (рисунок 7.15). Указана мера сходства прогнозируемой ситуации с каждым будущим состоянием.

2. Разработка рекомендаций по управляющим воздействиям, т.е. консультирование по вопросам о том, какие виды почв, предшественники и агротехнологии должны быть, чтобы можно было рассчитывать с определенной уверенностью на заданный хозяйственный результат (рисунок 7.15).

Таким образом, данная методика позволяет "просматривать" различные варианты технологии, прогнозировать последствия применения различных технологических приемов, и на этой основе вырабатывать научно обоснованные рекомендации по выбору возделываемой культуры и оптимальной для поставленных целей агротехнологии.

7.6. СОЦИАЛЬНО–ЭКОНОМИЧЕСКИЕ ИССЛЕДОВАНИЯ

Все эти исследования проводятся примерно по одной технологии:

- разрабатывается и тиражируется опросный лист;

- проводится массовый опрос общественного мнения;

- данные опроса вводятся в компьютер и обрабатываются с помощью специальных программных систем;

- результаты компьютерной обработки анализируются, разрабатывается аналитический отчет, содержащий как описание ситуации, так и рекомендации по управлению.

Различие состоит в том, к какой сфере относится информация, собираемая с помощью опросного листа:

- в случае маркетинговых исследований – это потребительские предпочтения различных групп населения (имеется успешный опыт проведения подобных исследований по закрытой тематике);

- в рекламных исследованиях нас интересует, из каких источников информации различные группы населения получают информацию о приобретаемых ими товарах, а также то, каким образом они реагируют на различные виды и методы рекламы (имеется успешный опыт проведения подобных исследований по закрытой тематике);

- при социально–психологических исследованиях для нас важны психологические качества личности и точка зрения людей на те или иные преобразования (имеется успешный опыт проведения подобных исследований по закрытой тематике).

Различают разовые (точечные) и периодические исследования. Разовые исследования дают возможность выявить картину на момент проведения опроса, тогда как периодические – обеспечивают изучение динамики процессов. Во втором случае со временем появляется возможность прогнозирования развития ситуации.

Исследования могут иметь также различный "территориальный охват", т.е. могут ограничиваться лишь одним населенным пунктом или включать сбор информации по району или краю. Во втором случае имеется возможность выявления территориальной специфики, а также возможность выявления регионов, сходных в том или ином отношении.

Использование информации, получаемой в результате маркетинговых, рекламных и социально–психологических исследований, позволяет принимать точные и эффективные решения в области планирования закупок и продвижения на рынок (адресной реализации) различных товаров, а также управлять кадрами, обеспечивая сплоченную, согласованную и надежную работу коллектива.

7.6.1. Маркетинговые исследования

Актуальность

Маркетинговые исследования проводятся в целях получения полной и достоверной информации, необходимой для определения объема и номенклатуры закупаемых товаров и организации их адресной реализации конкретным группам потребителей.

Предлагаемый подход

Опросный лист разрабатывается таким образом, чтобы с помощью него можно было получить необходимую информацию о потребителях. В опросный лист могут входить фирменные товарные знаки и каталоги товаров как изготовленные типографским способом, так и с изображения товаров, снятые с их фотографий при помощи сканера и отпечатанные на цветном принтере. Опросный лист может служить одновременно и бланком для заполнения, но могут использоваться и специальные бланки для ответов (что более рационально).

Вопросы делятся на несколько групп:

- социальный и гражданский статус потребителя (пол, возраст, образование, состоит ли в браке, сколько имеет детей, форма занятости, если работает, то руководитель он или исполнитель и т.п.);

- уровень достатка в семье потребителя;

- товары, реально приобретенные потребителем за последнее время;

- товары, которые потребитель приобрел бы, если бы у него была финансовая возможность;

- частота приобретения товаров по их видам;

- какие потребительские и стоимостные характеристики товаров привлекают потребителя и какие его не устраивают;

- где потребитель реально приобретает товары: у частных лиц, в магазинах (каких), на рынках (каких);

- какие места приобретения товаров потребитель знает: наименования магазинов и рынков;

- какую роль в выборе товара играет сервис и способ обслуживания в магазине или на рынке.

Результаты и перспективы

В результате проведения маркетингового исследования выявляются потребительские предпочтения различных групп населения в определенном секторе рынка. Выясняется, "что, где, когда", кем и по каким причинам приобретается.

Например, выясняется, что данная категория населения приобретает такие–то виды товаров в таких–то местах, а приобрела бы и такие, но если бы цена на них была более приемлемая.

На основе этой информации может быть разработан план закупок или производства товаров, определена потенциальная емкость рынка на данный момент и перспективу, а также спрогнозирована его динамика, товар может поставляться адресно в те торговые точки, которые пользуются популярностью у конкретных категорий потребителей.

Регулярное проведение маркетинговых исследований позволяет постоянно "держать руку на пульсе" и строить свою работу используя достоверное знание предпочтений возможностей и желаний своих потребителей.

Имеется положительный опыт подобных исследований (по закрытой тематике).

7.6.2. Рекламные исследования

Актуальность

Рекламные исследования проводятся в целях получения полной и достоверной информации, необходимой для адресного управления формой и содержанием информации, на основе которой конкретными группами потребителей принимаются решения о приобретении тех или иных товаров. Подобные исследования проводились автором по закрытой тематике на основе применения технологии АСК-анализа.

Предлагаемый подход

Опросный лист разрабатывается таким образом, чтобы с помощью него можно было выяснить, какими источниками информации реально пользуются различные категории потребителей, а также какие формы подачи информации они предпочитают и лучше воспринимают.

В опросный лист могут быть включены фирменные знаки, ключевые слова и рекламные фразы, а также наименования источников информации, выполненные их фирменными стилями (которые можно снять с помощью сканера и отпечатать на цветном принтере). Опросный лист может служить одновременно и бланком для заполнения, но могут использоваться и специальные бланки для ответов.

Вопросы делятся на несколько групп:

- наиболее популярные телевизионные программы и передачи;

- наиболее популярные радиопрограммы и передачи;

- отношение к рекламе, включаемой в состав радио и телепередач;

- наиболее популярные журналы и рубрики;

- наиболее популярные газеты и рубрики;

- отношение к внешней рекламе;

- роль форм, методов и фирменных стилей рекламы;

- иные источники и формы информации, на основе которой потребителями принимаются решения.

Результаты и перспективы

В результате проведения рекламного исследования выясняется, какими источниками информации пользуются различные потребительские группы населения и какие формы подачи информации для них предпочтительны.

Например, выясняется, что определенная группа населения в основном слушает "Радио Рокс" и именно определенную передачу, которая идет с 18 до 19. Кроме того, известно, что эту группу населения раздражает, когда любимая передача прерывается рекламой товаров, которые представителями данной группы в принципе не могут быть куплены. Известно, также, что эта группа предпочитает юмор политике.

На основе этой информации может быть разработан план использования этой передачи "Радио Рокс" для адресного сообщения данной группе населения информации о "ее товарах", причем в такой форме, которая будет воспринята этой группой эмоционально положительно.

Регулярное проведение рекламных исследований позволяет строить свою работу, используя достоверное знание источников и форм информации, которыми реально пользуются различные категории потребителей.

Имеется положительный опыт подобных исследований (по закрытой тематике).

7.6.3. Управление персоналом

Актуальность

Социально–психологические исследования проводятся с целью организации эффективного использования кадров на основе достоверного знания индивидуальных характеристик членов коллектива и учета их взаимодействия в группах. Подобные исследования проводились автором, акты имеются.

Предлагаемый подход

Такие исследования проводятся в два основных этапа.

На первом этапе на основе применения систем комплексного психологического тестирования, а также специальных опросников и методов обработки информации выявляются индивидуальные социальные ориентации, мотивации, психологические и профессиональные характеристики членов коллектива:

- разрабатываются профессиограммы, содержащие психологические и иные требования к работникам различных должностей данного предприятия;

- производится оценка действующего персонала;

- на основе индивидуального подхода оптимизируются назначения на должности;

- осуществляется антикриминальная профилактика.

На втором этапе изучается взаимодействие членов коллектива в группах и решается задача реструктуризации коллектива:

- изучаются вопросы совместимости членов коллектива в группах;

- выявляются внутренние коалиции и их лидеры;

- оптимизируется или строится многоуровневая система управления коллективом, в которой лидеры каждого иерархического уровня одновременно наиболее совместимы как со своим начальством, так и с подчиненными руководителями, а также конкретными исполнителями.

Опросный лист разрабатывается на основе стандартных тестов и опросников, что позволяет измерить индивидуальные психологические характеристики членов коллектива. Кроме того, он содержит оценки членов коллектива их непосредственными руководителями, если последние имеют полномочия приема на работу и увольнения своих подчиненных. Опросный лист может служить одновременно и бланком для заполнения, но могут использоваться и специальные бланки для ответов.

Вопросы делятся на несколько групп:

- профессиональная и личностная оценка члена коллектива руководителем;

- социальный и гражданский статус члена коллектива (пол, возраст, образование, состоит ли в браке, сколько имеет детей и т.п.);

- опросник 16PF Р. Б. Кеттелла;

- тест, выявляющий уровень самоактуализации (САТ);

- опросник по определению стиля управленческой деятельности;

- анкета "Ориентация на развитие";

- анкета "Опосредующие развитие факторы".

Результаты и перспективы

Регулярное проведение социально–психологических исследований позволяет эффективно управлять кадрами с учетом как индивидуальных возможностей членов коллектива, так и их совместимости в группах.

7.7. СИНТЕЗ И РЕШЕНИЕ ЗАДАЧ УПРАВЛЕНИЯ КАЧЕСТВОМ ПОДГОТОВКИ СПЕЦИАЛИСТОВ (НА ПРИМЕРЕ КЮИ МВД РФ)

7.7.1. Вводные замечания

Решение задач АСУ качеством подготовки специалистов было продемонстрировано в Краснодарском юридическом институте МВД России (КЮИ МВД РФ) на данных 7-летнего лонгитюда. Исследование проведено совместно с Третьяком В.Г. [124, 161, 165, 313, 314], и Лаптевым В.Н. [120–128, 161–164, 286] на основе данных по абитуриентам и учащимся КЮИ МВД РФ за 1995–2002 годы.

Социально-экономический эффект данного исследования обусловлен повышением эффективности вложения средств, направляемых на подготовку и переподготовку кадров, а также на их профессиональную деятельность.

В соответствии с типовой моделью РАСУ АО, представленной на рисунке 6.9, предложена 2-х уровневая модель предметной области. На 1-м уровне активным объектом управления являлся учащийся, который характеризовался текущим состоянием и предысторией; управляющей системой являлся педагогический процесс, а средой – образовательная среда вуза. На 2-м уровне активным объектом управления был педагогический процесс и образовательная среда вуза в целом, а также профессиональная среда (рисунок 6.10). В проведенном исследовании основное внимание было уделено 1-му уровню РАСУ КПС.

7.7.2. Некоторые теоретические аспекты постановки задачи

Эффективность функционирования правоохранительной системы Российской Федерации во многом зависит от профессионализма сотрудников ОВД. Поэтому особый интерес представляет разработка методов моделирования профессиональных траекторий [165], позволяющих прогнозировать поступление абитуриента в вуз, показатели его академической успеваемости в период обучения по различным специальностям, дисциплинам и циклам дисциплин, а также то, закончит ли он обучение в вузе, как и сколько он мог бы работать после окончания вуза по различным специальностям.

Для решения этой проблемы предлагается двухуровневая модель предметной области, уровни которой отличаются объектом управления, целями управления, управляющей системой и факторами, характеризующими объект управления, управляющую систему и окружающую среду. На первом уровне объектом управления является учащийся, который характеризуется текущим состоянием и предысторией; управляющей системой является педагогический процесс, а средой – образовательная среда вуза. На втором уровне объектом управления является сам педагогический процесс и даже образовательная среда вуза в целом, а также профессиональная среда; управляющей системой – вышестоящие организации.

В данной работе основное внимание сосредоточено на первом уровне. На этом уровне учащийся рассматривается как активный объект управления, имеющий собственные цели и мотивы их достижения, а также модель окружающей среды, включая управляющую систему. Педагогический процесс рассматриваются как способ управления учащимся. Учитываются все категории факторов, влияющих на характеристики выпускника и молодого специалиста. Это факторы, характеризующие текущее состояние учащегося, его предысторию, факторы педагогического процесса, другие факторы образовательной и профессиональной среды. Цели объекта управления вообще говоря не совпадают с целями управления, в частности они могут полностью не совпадать, а также частично или полностью совпадать. Управление активным объектом предполагает коррекцию его целей и мотиваций в направлении, сближающим их с целями управления, что может быть достигнуто обучением, стимулированием и другими воздействиями на его систему моделирования, целеполагания и принятия решений.

Одним из основных требований системного анализа является требование полноты и всесторонности рассмотрения предметной области. Исходя из этого требования в качестве факторов, характеризующих текущее состояние учащегося, были выбраны следующие: общая интернальность (по УСК); Интернальность в области достижений (по УСК); Интернальность в области неудач (по УСК); Интернальность в семейных отношениях (по УСК); Интернальность в области служебных отношений (по УСК); Интернальность в области межличностных отношений (по УСК). Интернальность в отношении здоровья (по УСК); Факторы по 16pf опроснику Кэттела; Эргичность предметной деятельности (по Руссалову); Социальная эргичность (по Руссалову); Пластичность в предметной деятельности (по Руссалову); Социальная пластичность (по Руссалову); Темп предметной деятельности (по Руссалову); Социальный темп (по Руссалову); Эмоциональность предметной деятельности (по Руссалову); Социальная эмоциональность (по Руссалову); Склонность к соглашательству; "Шизоидность"; Экстраверсия; Сила процессов возбуждения; Сила процессов условного торможения; Подвижность нервных процессов; Общая активность (по Ямпольскому); Интеллект; Мотивация к достижению цели - к успеху (по Т.Элерсу); Пол; Тип активности личности.

Данные комплексного психологического тестирования учащихся по перечисленным параметрам вводились в систему "Эйдос" вручную. В последующем с учетом опыта подобных исследований совместно с С.Д.Некрасовым была разработана и успешно применена система комплексного психологического тестирования "Эйдос-Y" [142], обеспечивающая: проведение психологического тестирования респондентов с помощью психологических тестов, накопление базы данных результатов тестирования, формирование психологических портретов различной детализации произвольных групп респондентов, автоматизированный транспорт исходных данных для углубленного анализа в универсальную когнитивную аналитическую систему "Эйдос".

В модели учтено три варианта образовательных технологий, применяемых по отношению к лицеистам, студентам (слушателям) и экстернам. Эти технологии отличаются набором учебных дисциплин. Другие факторы образовательной среды не учитывались, т.к. были для всех учащихся общими в связи с тем, что на данном этапе исследование проводилось на примере одного вуза: Краснодарского юридического института МВД РФ (КЮИ МВД РФ).

В качестве прогнозируемых состояний учащихся рассматривались: Поступление в вуз; Успеваемость; Окончание вуза; Успешность профессиональной деятельности; Работает в ОВД; Уволен из ОВД по собств.желанию; Уволен из ОВД за нарушение условий контракта, а также большое количество различных вариантов их детализации.

Для решения поставленной проблемы необходимо накопить данные мониторинга за достаточно длительный период, провести анализ данных мониторинга с целью выявления и изучения "причинно-следственных взаимосвязей" между прогнозируемыми состояниями активного объекта управления и непосредственно или опосредованно измеряемыми факторами, оказывающими влияние на его развитие, построить математическую модель предметной области, обеспечивающую решение задачи прогнозирования развития активного объекта управления под влиянием различных сочетаний факторов, а также обратной задачи прогнозирования, т.е. задачи выработки оптимального многофакторного управляющего воздействия на активный объект управления для перевода его в заданное целевое состояние.

Ключевым при построении математической модели является выбор количественной меры, обеспечивающей учет степени причинно-следственной взаимосвязи исследуемых параметров. Эта мера должна удовлетворять следующим требованиям: 1. Эффективная вычислимость на основе эмпирических данных, полученных непосредственно из опыта. 2. Универсальность, т.е. независимость от предметной области. 3. Единый для различных предметных областей принцип содержательной интерпретации и измеримость в единых единицах измерения. 4. Учет понятий "цели объекта управления", "цели управления". 5. Учет понятий "мощность множества будущих состояний объекта управления". 6. Сопоставимость в пространстве и во времени. 7. Возможность введения метрики и функции принадлежности на базе выбранной количественной меры. В качестве количественной меры, удовлетворяющей всем этим условиям, была предложена модифицированная мера семантической целесообразности информации А.Харкевича [330].

Математическая модель должна удовлетворять следующим требованиям: содержательная интерпретируемость; эффективная вычислимость на основе эмпирических данных (наличие эффективного численного метода); универсальность; адекватность; сходимость; семантическая устойчивость; сопоставимость результатов моделирования в пространстве и времени; непараметричность; формализация базовых когнитивных операций системного анализа (прежде всего таких, как обобщение, абстрагирование, сравнение классификация и др.); корректность работы на фрагментарных, неточных и зашумленных данных; возможность обработки данных очень больших размерностей (тысячи факторов и будущих состояний объекта управления); математическая и алгоритмическая ясность и простота, эффективная программная реализуемость.

Модель, удовлетворяющая этим требованиям, основанная на предложенной количественной мере причинно-следственных взаимосвязей событий, была разработана и реализована в универсальной когнитивной аналитической системе "Эйдос" [152].

На основе данных по абитуриентам и учащимся КЮИ МВД РФ за 1995 – 2002 годы [124, 161, 165, 313, 314] (7-летний лонгитюд) разработано соответствующее приложение системы "Эйдос", позволяющие продемонстрировать возможность решения сформулированной выше проблемы.

Одним из результатов применения системы "Эйдос" были профессиограммы специальностей, в которых отражены требования предъявляемым к сотрудникам ОВД. Ориентируясь на эти профессиограммы и осуществляется психологическое сопровождение учебного и воспитательного процесса вуза как составной части процесса подготовки квалифицированных кадров для МВД.

Кроме того, были сформированы информационные модели, позволяющие решать следующие задачи прогнозирования:

– поступления в ВУЗ; успешности обучения в вузе по различным дисциплинам и комплексам дисциплин; успешности окончания ВУЗа и причин отчисления; успешности профессиональной деятельности после окончания ВУЗа, продолжительности профессиональной деятельности по специальности, полученной в ВУЗе, а также причин ухода из ОВД, а также задачу выбора оптимального управления, для перевода активного объекта управления из заданного текущего состояния в заданное целевое состояние.

На этой основе можно заблаговременно принимать решение о целесообразности обучения по тем или иным специальностям для конкретных обучаемых.

С помощью системы "Эйдос" обеспечивается также кластерно-конструктивный анализ предметной области, в т.ч. синтез, адаптация и применение конструктов, отображение результатов анализа в наглядной графической форме семантических сетей и когнитивных диаграмм, в т.ч. диаграмм Вольфа Мерлина [143, 152, 189, 313].

Средневзвешенная достоверность прогнозирования на данных, используемых для синтеза модели (внутренняя интегральная валидность), составила в данном исследовании 83%. Внутренняя дифференциальная валидность при решении перечисленных задач колебалась при прогнозировании различных будущих состояний учащихся от 71 до 100% (при этом по двум состояниям корректные обобщенные образы не были сформированы).

Внешняя дифференциальная валидность при прогнозировании успешности службы в ОВД и продолжительности профессиональной деятельности в ОВД (т.е. при прогнозировании на данных, не входящих в обучающую выборку) составила около 80%, что подтверждает работоспособность предлагаемых технологий и их перспективность.

7.7.3. Характеристика источников информации, исходных данных и организационно-юридических форм их получения

В 1994 году на уровне руководства КЮИ МВД РФ и УВД Краснодарского края было принято решение о начале исследований, краткое описание которых приведено в данном разделе. Были разработаны и утверждены соответствующие документы. Таким образом были созданы организационные и юридические условия для сбора и накопления баз данных мониторинга. Ниже приводятся некоторые документы организационно-юридического обеспечения данного исследования:

1. Приказ о начале работ.

2. Приказ о создании экспертного Совета.

3. Ведомости экспертного Совета.

4. Календарный план проведения работ.

5. Письмо, с просьбой предоставить исходную информацию "обратной связи": служебные характеристики на выпускников КЮИ МВД РФ и приложение к нему (для заполнения формализованной служебной характеристики).

6. Сводная учебная ведомость с данными академической успеваемости.

7. Справочники классов и факторов.

Следует отметить сложность решения организационных и юридических вопросов, связанную прежде всего с новаторским характером проводимых работ. Эти вопросы были решены только благодаря пониманию и поддержке со стороны первых лиц.

7.7.4. Мониторинг качества подготовки специалистов

В результате мониторинга были получены данные о психологических свойствах личности учащихся, их академической успеваемости по различным дисциплинам и циклам дисциплин (таблица 7.5), а также данные, характеризующие их как специалистов в период несения службы после окончания института. Необходимо отметить, что решение перечисленных и других вопросов организационного и юридического обеспечения данного исследования потребовало доброй воли и неординарных решений на уровне руководства КЮИ МВД РФ и ГУВД Краснодарского края и оказалось едва ли не сложнее, чем создание научно-технологического и инструментального обеспечения этой работы (что подтверждают приведенные документы организационно-юридического обеспечения и рисунок 7.16):

Рисунок 7. 16. Письмо с просьбой предоставить служебные характеристики

на выпускников КЮИ МВД РФ и приложение к нему

Затем эти данные были преобразованы в коды (с помощью специально созданного программного интерфейса, т.е. без ручного ввода) и введены в систему "Эйдос" для последующих обработки и анализа. Необходимо отметить, что использование программного интерфейса для выполнения этих трудоемких и рутинных работ обеспечивает решение подобных задач практически на любых объемах исходных данных.

Таблица 7. 5 – ДАННЫЕ АКАДЕМИЧЕСКОЙ УСПЕВАЕМОСТИ

7.7.5. Изучение влияния факторов на качество подготовки специалистов и прогнозирование

В соответствии с предложенной моделью учащийся рассматривался как активный рефлексивный объект управления, имеющий собственные цели и мотивы их достижения, а также модель окружающей среды, включая модель себя (адекватная и неадекватная самооценка), а также модель учебной среды и управляющей системы. Педагогический процесс рассматриваются как способ управления учащимися (управляющая система). Были учтены все категории факторов, влияющих на характеристики выпускника и молодого специалиста. Это факторы, характеризующие текущее состояние учащегося и его предысторию, факторы педагогического процесса, другие факторы образовательной и профессиональной среды. Цели АОУ в общем случае не совпадают с целями управления. Управляющие воздействия на учащегося включают коррекцию его целей и мотиваций в направлении, сближающим их с целями управления, а также обучение, стимулирование и другие законные воздействия на систему моделирования, целеполагания и принятия решений.

В качестве классов распознавания были выбраны 318 будущих состояний учащихся и выпускников института. В таблице 7.6 приведены 41 из них, представляющие особый интерес для прогнозирования. Разработана классификация факторов, потенциально влияющих на качество подготовки специалистов и определен полный набор факторов, оказывающих влияние на качество подготовки специалистов (в рамках проводимого исследования) (таблица 7.7).

На основе данных по абитуриентам и учащимся КЮИ МВД РФ за 1995 – 2002 годы (7-летний лонгитюд) с помощью системы "Эйдос" был осуществлен синтез семантической информационной модели, отражающей информационные взаимосвязи между индивидуальными личностными особенностями учащихся и их учебными и профессиональными достижениями. Размерность модели составила: 318 прогнозируемых состояний учащихся и выпускников КЮИ МВД РФ, 129 градаций факторов, 69 прецедентов в обучающей выборке, 76128 фактов. Для каждого фактора определены величина и направление его влияния на качество подготовки специалистов.

Таблица 7. 6 – СПРАВОЧНИК КЛАССОВ – БУДУЩИХ СОСТОЯНИЙ УЧАЩИХСЯ И ВЫПУСКНИКОВ КЮИ МВД РФ	Таблица 7. 7 – СПРАВОЧНИК ФАКТОРОВ ВЛИЯНИЯ НА УЧАЩИХСЯ И ВЫПУСКНИКОВ КЮИ МВД РФ

Особый интерес представляет изучение влияния форм обучения и типа активности личности на учебные и профессиональные достижения (рисунок 7.17) и выявление факторов, играющих определяющую роль в детерминации состояния "Успешность профессиональной деятельности – отличная" (рисунок 7.18):


Рисунок 7. 17. Семантический портрет влияния фактора: "Тип активный, гармоничный"	Рисунок 7. 18. Информационный портрет класса: "Успешность профессиональной деятельности – Отличная"

Определение минимального набора относительно независимых факторов, оказывающих определяющее влияние на качество подготовки специалистов осуществляется путем Парето-оптимизации.

Созданное приложение системы "Эйдос" позволило решить следующие задачи (рисунок 7.19):

1. Прогнозирование поступления в ВУЗ.

2. Прогнозирование успешности обучения по различным специальностям, циклам дисциплин и дисциплинам.

3. Прогнозирования успешности окончания вуза.

Рисунок 7. 19. Пример карточки прогнозирования для конкретного респондента

4. Прогнозирование успешности будущей профессиональной деятельности в разрезе по должностям и специальностям.

5. Прогнозирование продолжительности деятельности по специальности после окончания ВУЗа.

6. Исследование влияния активности и мотивации на учебные и профессиональные успехи.

7. Изучение влияния образовательных технологий на учебные и профессиональные достижения и выработка рекомендаций по управлению образовательными технологиями.

7.7.6. Анализ результатов и перспективы развития предложенной технологии

Предлагаемая модель профессионально-значимых личностных качеств сотрудников ОВД, представленная в виде развернутой характеристики индивидуальных свойств и особенностей их взаимосвязи, отраженная в профессиограммах, необходима для повышения эффективности профессионального отбора и последующей целенаправленной подготовки будущих офицеров милиции, а также выявления степени соответствия выпускников юридического института требованиям профессии следователя, оперативного работника, инспектора ГИБДД и т.д. Каждая из сторон профессиограмм, представляющих важнейшие элементы модели психологических качеств личности сотрудников милиции, отражает, во-первых, определенный цикл профессиональной деятельности, а во-вторых, в ней заложены эталонные личностные качества, навыки, умения и знания, обеспечивающие успех на различных уровнях правоприменительных отношений.

С помощью модели решены следующие задачи прогнозирования, входящие в состав рефлексивной АСУ качеством подготовки специалистов:

1) поступление в вуз;

2) успешность обучения в вузе по различным дисциплинам и циклам дисциплин;

3) успешность окончания вуза;

4) причины отчисления;

5) успешность профессиональной деятельности после окончания вуза;

6) продолжительность профессиональной деятельности по специальности, полученной в вузе;

7) причины ухода из ОВД (средневзвешенная достоверность прогнозирования составила 83%).

Система "Эйдос", как специальное программное средство (инструментарий интеллектуальной обработки информации), продемонстрировала возможность решения задач выбора оптимальной педагогической технологии для перевода учащегося из текущего состояния в заданное целевое состояние. Технология применения системы "Эйдос", разработанная автором для КЮИ МВД РФ, позволяет заблаговременно принимать обоснованные решения о целесообразности обучения конкретных курсантов по тем или иным специальностям.

Таким образом проведенное исследование показало, что определяющую роль в успешности обучения и профессиональной деятельности играет мотивация. Следовательно и мета-управление, направленное на повышение качества подготовки специалистов прежде всего должно быть сориентировано на формирование адекватных мотиваций, а следовательно, ценностей, систем самооценки и оценивания. По-видимому, для этих целей целесообразно применить весь арсенал средств морально-политического воспитания и богатые отечественные традиции патриотического воспитания, а также сравнительно новые методы коррекции систем целеполагания, мотивации, внутреннего и внешнего стимулирования, оценки и самооценки, такие, например, как нейролингвистическое программирование (НЛП). Необходимо также отметить, что полные и достоверные данные об учащихся могут быть получены без их непосредственного тестирования на основе личных дел (в т.ч. фотографий, подчерка), а также с применением компьютерных Y-технологий [161, 290] без сознательного участия респондента.

Проведенное исследование подтверждает эффективность применения АСК-анализа для создания рефлексивных АСУ активными объектами.

Перспективно применение данного инструментария и технологии в режиме адаптации и периодического синтеза модели на систематической основе на выборках значительно большего и постоянно увеличивающегося объема по широкому спектру специальностей, в том числе и на межвузовском и межведомственном уровне. Развитие данного направления исследований и разработок целесообразно осуществить за счет включения в модель данных, характеризующих динамику личностных свойств учащихся, т.е. путем учета данных, полученных в процессе обучения, а не только перед его началом (как в проведенном исследовании), а также путем более детального учета влияния педагогических технологий, учебной, бытовой и профессиональной среды.

7.8. ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ СЛОЖНЫМИ ТЕХНИЧЕСКИМИ СИСТЕМАМИ

7.8.1. Общие положения и постановка задачи

Рассмотрим применение предложенной методологии для синтеза операционного уровня систем автоматического управления (САУ) автономными комбинированными фотоветроэлектроэнергетическими установками (ФВЭУ), представляющими собой типичный пример сложной технической системы [146, 271, 277].

Для создания автономных энергосистем малой мощности, которые могут быть использованы на удалении от линий электропередач и теплотрасс, а также в аварийных ситуациях, когда традиционные источники или системы транспорта энергии выходят из строя, в качестве резервных целесообразно использовать возобновляемые источники энергии, в первую очередь энергию солнечной радиации и ветрового потока. Однако эти источники энергии обладают недостатками, основным из которых являются высокая стоимость энергии, малая мощность, непостоянство во времени в течение суток и года, непредсказуемость.

Стоимость энергии не является определяющей в аварийных ситуациях. В то же время по данным метеостатистики недостатки таких возобновляемых источников энергии, как солнечная радиация и ветровой поток удачно компенсируют друг друга: при длительной последовательности облачных дней отсутствие солнца компенсируется обычно наличием ветра; отсутствие солнечной радиации в ночные часы суток также компенсируется обычно наличием ветра; ветер по статистике обычно бывает сильнее в зимние месяцы, тогда как солнечная радиация – в летние. Поэтому совмещение преобразователей нескольких источников энергии в единую энергосистему позволяет повысить устойчивость и эффективность выработки электроэнергии за счет уменьшения мощностей преобразователей и емкости накопителей.

Наиболее перспективными для использования в качестве системы электроснабжения удаленных потребителей малой и средней мощности в настоящее время представляются автономные комбинированные фотоветроэлектрические установки (ФВЭУ), которые и рассмотрены нами в качестве примера технического применения предложенных в данной работе методологии и технологии синтеза РАСУ АО. Система автоматического управления (САУ) автономной энергосистемой с возобновляемыми источниками энергии значительно повышает ее эффективность.

Синтез САУ проводится с учетом анализа ФВЭУ на двух уровнях: уровне компонентов энергосистемы, на котором решается задача оптимального управления отдельными устройствами ФВЭУ; операционном уровне, на котором решается задача оптимального распределения энергии между потребителями и накопителем. На уровне компонентов ФВЭУ САУ осуществляет оптимальное управление по техническим критериям эффективности. Соответствующие технические решения известны и не являются предметом рассмотрения в данной работе, которой развивается метод синтеза САУ ФВЭУ на операционном уровне [277]. Рассматриваемые ФВЭУ включают следующие установки: фотоэлектроэнергетическую установку (ФЭУ) – солнечные элементы (СЭ); ветроэлектроэнергетическую установку (ВЭУ); аккумуляторную батарею (накопитель); потребитель; систему автоматизированного управления (САУ) (рисунок 7.20):

Рисунок 7. 20. Обобщенная схема комбинированной ФВЭУ

Реальные ФВЭУ могут отличаться друг от друга структурой, типом используемых устройств (преобразователей, накопителей, потребителей), родом вырабатываемого тока.

Цель САУ заключается в автоматическом обеспечении технологических требований работоспособности компонентов энергосистемы, снижении вероятности аварийных ситуаций, связанных с недоотпуском потребителю энергии. Данная цель достигается автоматическим поддержанием работы электрогенераторов в режиме максимальной мощности, автоматической защитой устройств от аварийных ситуаций, координацией работы отдельных установок в целях приведения хода производства электроэнергии в заданный, нормальный режим.

Существование операционного уровня означает, что эффективная работа автономных ФВЭУ возможна только при использовании систем автоматического управления (САУ), т.е. зависит не только от эффективной работы компонент ФВЭУ, рассматриваемых отдельно, но и от способа их взаимодействия.

Вследствие вышеприведенных особенностей автономных ФВЭУ в качестве метода их управления на операционном уровне целесообразно принять комбинированный метод с накоплением избыточной энергии и распределением нагрузки. При этом в условиях существующего или прогнозируемого дефицита энергии осуществляется распределение нагрузки с учетом приоритета, а при избытке вырабатываемой энергии – ее накопление.

В настоящее время не существует четкого оптимального алгоритма управления энергораспределением автономных ФВЭУ в условиях дефицита вырабатываемой мощности. Кроме того, из-за большой изменчивости поступления возобновляемой энергии данный оптимальный алгоритм управления для условий различных климатов может не совпадать. На операционном уровне САУ осуществляется оперативное управление распределением энергопотоков между элементами энергосистемы посредством координации функционирования отдельных управляющих устройств на первом уровне.

Цель рассматриваемого уровня САУ – наиболее полное и бесперебойное снабжение потребителей электроэнергией при ее неравномерном поступлении в условиях нормального эксплуатационного режима всех элементов энергосистемы. Таким образом, цель САУ на операционном уровне дуальна: наиболее полное обеспечение как текущих, так и будущих потребностей потребителя в электроэнергии. Это обеспечивается выбором рационального режима энергораспределения ФВЭУ: в условиях существующего или прогнозируемого дефицита энергии осуществляется распределение нагрузки с учетом приоритетов; при избытке вырабатываемой энергии осуществляется ее накопление.

Выбор режима энергораспределения осуществляется на основе анализа информации о текущем состоянии ФВЭУ и прогнозируемом будущем состоянии первичных энергоресурсов (таблицы 7.8 – 7.9):

Таблица 7. 8 – ВАРИАНТЫ УПРАВЛЕНИЯ ФВЭУ

Таблица 7. 9 – ВЫБОР РЕЖИМА ЭНЕРГОРАСПРЕДЕЛЕНИЯ ФВЭУ

В соответствии с предложенным подходом, на основе обучающей выборки, представляющей собой экспертные оценки целесообразности выбора тех или иных режимов энергораспределения в различных ситуациях, описанных факторами, выявляются причинно-следственные взаимосвязи между факторами и выбором режимов энергораспределения. Адаптивность обеспечивается тем, что в процессе эксплуатации системы в качестве эксперта может выступать и сам пользователь, т.е. обучающая выборка может пополняться его решениями, после чего осуществляется адаптация или синтез новой модели.

7.8.2. Синтез модели, оценка ее адекватности и использование для поддержки принятия решений

В соответствии с приведенным выше общим алгоритмом АСК-анализа, который рассматривается как алгоритм синтеза и эксплуатации РАСУ АО (рисунок 2.16) и основываясь на результатах работы [277] рассмотрим пример синтеза САУ ФВЭУ.

Шаг 1–й: формализация предметной области (БКОСА-1): разработка описательных и классификационных шкал и градаций, необходимых для формализованного описания предметной области. Описательные шкалы описывают факторы различной природы, влияющие на поведение АОУ (таблица 7.10), а классификационные – все его будущие состояния, в том числе целевые (таблица 7.11):

Таблица 7. 10 – ОПИСАТЕЛЬНЫЕ ШКАЛЫ (ФАКТОРЫ)

Таблица 7. 11 – КЛАССИФИКАЦИОННАЯ ШКАЛА
(РЕЖИМЫ ЭНЕРГОРАСПРЕДЕЛЕНИЯ ФВЭУ)

Шаг 2–й: формирование обучающей выборки (БКОСА-2): с использованием приведенных выше шкал представим экспертные оценки целесообразности выбора различных режимов энергораспределения из работы [277] в форме, соответствующей требованиям обработки информации в автоматизированных системах [152] (таблица 7.12):

Таблица 7. 12 – ОБУЧАЮЩАЯ ВЫБОРКА

Шаг 3–й: обучение (БКОСА-3): обучающая выборка обрабатывается обучающим алгоритмом, в результате чего формируются решающие правила (обобщенные образы состояний АОУ, отражающие весь спектр будущих возможных состояний объекта управления), а также определяется ценность факторов для решения задач подсистем идентификации, мониторинга, прогнозирования и выработки управляющих воздействий, представленные в матрице информативностей (таблица 7.13), показывающую количество информации о целесообразности выбора того или иного режима энергораспределения получает САУ, если установлено действие некоторого фактора. Данная матрица информативностей и представляет собой конкретную информационную модель ФВЭУ, на основе которой САУ может принимать решения о выборе наиболее целесообразного режима энергораспределения. Выбирается тот режим, о котором в системе факторов {X, Y, Z} содержится максимальное количество информации.

Таблица 7. 13 – МАТРИЦА ИНФОРМАТИВНОСТЕЙ

Таким образом, размерность модели составила: 11 прогнозируемых состояний ФВЭУ, 11 градаций факторов, 40 прецедентов в обучающей выборке, 531 факт.

Шаг 4–й: оптимизация (БКОСА-4): оптимизация модели в данном примере не осуществлялась, т.к. оптимальная система факторов была выбрана на основе содержательных представлений.

Шаг 5–й: верификация модели (БКОСА-5): показала ее 100% внутреннюю дифференциальную и интегральную валидность.

Шаг-6: принятие решения об эксплуатации модели или ее пересинтезе. С учетом результатов верификации модели есть основания принять ее к эксплуатации.

Шаг 7-й: идентификация и прогнозирование состояния АОУ (БКОСА-7). В таблице 7.14 приведен пример отчета по выбору режима ФВЭУ по факторам:

Таблица 7. 14 – ВЫБОР РЕЖИМА ФВЭУ (ПРИ X=1, Y=1, Z=1)

7.8.3. Исследование модели

Взвешенное обобщение экспертных оценок рациональности режимов энергораспределения (БКОСА-2, БКОСА-3)

В обучающей выборке (таблица 7.12), мнения экспертов по выбору рационального режима энергораспределения сведены в одну таблицу. При этом возникает задача определения средней силы влияния каждого фактора на принятие решения о выборе режима энергораспределения. В предлагаемой технологии результатом решения данной задачи является таблица 7.13, представляющая собой результат взвешивания экспертных оценок на основе математической модели, предложенной в данной работе.

Автоматизация экспертных оценок и их замена оценками непосредственного пользователя ФВЭУ (БКОСА-2, БКОСА-3)

В предложенной технологии нет необходимости привлекать экспертов для построения модели ФВЭУ и разработки алгоритмов принятия решений в САУ. Имеется возможность поставки "не обученной" ФВЭУ пользователю. В этом случае ему предлагается самому сформировать классификационные и описательные шкалы и градации (возможно, вместе с поставщиком) и некоторое время самостоятельно принимать решения о выборе режимов энергораспределения, формируя на этой основе обучающую выборку. С использованием режима адаптации САУ возможна имитация автоматизированных решений с оценкой их эффективности без фактической реализации. Если их качество устраивает заказчика, то система может быть переведена в автоматизированный режим реального принятия решений о выборе режима энергораспределения. В дальнейшем, при необходимости, обучающая выборка может дополняться, а также могут изменяться оценки, приведенные в ней, в результате чего через некоторое время после переобучения САУ будет принимать решения, наиболее приемлемые для пользователя.

Определение дифференцирующей мощности факторов относительно режимов энергораспределения и контролируемое снижение размерности модели (БКОСА-3, БКОСА-4)

Анализ обучающей выборки в соответствии с математической моделью показывает, что различные факторы имеют различное влияние на перевод АОУ в различные будущие состояния.

Дифференцирующей мощностью фактора называется среднее количество полезной информации, которое САУ получает для выбора режима, если установлено, что данный фактор действует (таблица 7.15):

Таблица 7. 15 – ДИФФЕРЕНЦИРУЮЩАЯ МОЩНОСТЬ ФАКТОРОВ

Итак, факторы имеют различную дифференцирующую мощность, которая может быть установлена. Из этого следует два важных вывода: во–первых, нет необходимости перед построением модели ФВЭУ пытаться решить задачу выбора наиболее существенных факторов (как это обычно предлагается в факторном анализе); можно исследовать все факторы, о которых имеется систематическая информация; во–вторых, незначимые факторы всегда можно удалить из модели ФВЭУ без ущерба для ее эффективности и адекватности, тем самым сократив эксплуатационные расходы на сбор и обработку информации САУ.

Определение силы влияния факторов на принятие решения о переключении ФВЭУ в различные режимы энергораспределения (БКОСА-3.2, БКОСА-4.1, БКОСА-9.2)

Как видно из таблицы 7.13, различные факторы содержат различное среднее количество информации для принятия решения о выборе режима энергораспределения. Каждый режим может быть охарактеризован единственной последовательностью факторов, в которой они ранжированы в порядке убывания количества информации в пользу выбора данного режима. Такая последовательность называется информационным портретом режима ФВЭУ [152]. Аналогично каждый фактор может быть охарактеризован единственной последовательностью режимов, в которой они ранжированы в порядке убывания количества информации в пользу их выбора, содержащейся в данном факторе [152].

Информационные портреты режимов и факторов могут быть представлены в графическом виде.

Определение степени детерминированности режимов энергораспределения ФВЭУ (БКОСА-3.3, БКОСА-4.2, БКОСА-9.1)

Различные режимы отличаются друг от друга средним количеством информации о выборе или не выборе данного режима, содержащейся в факторах. Если выбор некоторого режима однозначно, т.е. детерминистским образом, определяется некоторым фактором, то этот фактор будет содержать максимально-возможное количество информации о выборе данного режима и этот режим будет иметь высокую степень детерминированности (определенности). Если же наоборот, в обобщенном образе режима все факторы содержат небольшое количество информации, то данный режим будет слабодетерминированным, а его выбор – неопределенным (таблица 7.16).

Слабодетерминированные режимы, как правило, являются сходными сразу с несколькими сильнодетерминированными. В инструментальной системе реализован режим, обеспечивающий удаление из модели тех классов, которые сводятся к суперпозиции некоторого минимального количества слабо коррелирующих друг с другом классов.

Таблица 7. 16 – ДЕТЕРМИНИРОВАННОСТЬ РЕЖИМОВ ФВЭУ

Определение фактической приоритетности нагрузок

В технологии, предлагаемой в данной работе, нет необходимости искусственно вводить группы приоритетности нагрузок, так как модель обеспечивает обработку данных большой размерности. Это означает, что все нагрузки могут быть перечислены как градации – факторы в соответствующей описательной шкале. В результате после формирования обучающей выборки на основе решений пользователя ФВЭУ выясняется порядок, в котором нагрузки обслуживаются в случае дефицита внешних энергетических ресурсов.

Исследование сходства и различия режимов ФВЭУ и факторов (БКОСА-10)

Данная задача решается в два этапа: формирование кластеров и конструктов режимов ФВЭУ и факторов; содержательное сравнение режимов ФВЭУ и факторов. Кластеры формируются инструментальной системой, на основе сравнения векторов режимов энергораспределения и факторов, представленных в таблице 7.13. Конструкт представляет собой систему наиболее сильно отличающихся кластеров (со спектром промежуточных кластеров). На рисунках 7.21 – 7.22 приведены диаграммы семантических сетей, построенных по результатам кластерно–конструктивного анализа режимов энергораспределения ФВЭУ и факторов, влияющих на принятие решений о выборе этих режимов.

Рисунок 7. 21. Семантическая сеть классов

Рисунок 7. 22. Семантическая сеть признаков

Содержательное сравнение режимов (факторов) друг с другом представляет собой информационные портреты двух режимов, в которых факторы соединены друг с другом линиями, цвет и толщина которых соответствуют знаку и величине их вклада в сходство или различие данных двух режимов (факторов). Графическое отображение этой информации называется когнитивной диаграммой [152]. Примеры когнитивных диаграмм классов и признаков приведены на рисунках 7.23 и 7.24.

Рисунок 7. 23. Когнитивная диаграмма классов

1. В разделе обоснована актуальность применения автономных комбинированных фотоветроэлектроэнергетических установок (ФВЭУ), основанных на использовании таких возобновляемых источников энергии, как солнечная радиация и поток ветра.

Рисунок 7. 24. Когнитивная диаграмма признаков

2. Показано, что КПД ФВЭУ существенно повышается при использовании систем автоматического управления (САУ). Рассматриваются два уровня САУ ФВЭУ: уровень компонент системы и операционный уровень. Технические проблемы управления ФВЭУ на уровне компонент решаются разработчиками этих компонент. Операционный уровень САУ обеспечивает выбор наиболее эффективного режима энергораспределения ФВЭУ в зависимости от состояния ФВЭУ и краткосрочного прогноза мощности первичных возобновляемых энергоресурсов. Поэтому для разработчиков ФВЭУ наибольший интерес представляет эффективный синтез именно операционного уровня САУ. Однако решение этой проблемы связано со значительными сложностями, обусловленными тем, что ФВЭУ представляет собой сложную техническую систему.

3. Приводится численный пример использования разработанной методологии синтеза РАСУ АО для синтеза операционного уровня САУ ФВЭУ. Показано, что предлагаемая методология не только обеспечивает синтез адаптивных САУ, настраивающихся на локальные особенности места установки ФВЭУ и потребности пользователя, но и позволяет поставить и решить целый комплекс взаимосвязанных задач, представляющих интерес в связи с теорией и практикой управления сложными системами, в частности при эксплуатации ФВЭУ: взвешенное обобщение экспертных оценок рациональности режимов энергораспределения; автоматизация экспертных оценок и их замена оценками непосредственного пользователя ФВЭУ; определение дифференцирующей мощности факторов относительно режимов энергораспределения и контролируемое снижение размерности модели; определение силы влияния факторов на принятие решения о переключении ФВЭУ в различные режимы энергораспределения; определение степени детерминированности режимов энергораспределения ФВЭУ; определение фактической приоритетности нагрузок; исследование сходства и различия состояний ФВЭУ и факторов.

Разработанная методика, технология и инструментарий синтеза рефлексивных АСУ активными объектами могут быть применены и в других областях.

7.9. ОГРАНИЧЕНИЯ ПРЕДЛОЖЕННОЙ ТЕХНОЛОГИИ И ВОЗМОЖНОСТИ ОБОСНОВАННОГО РАСШИРЕНИЯ ОБЛАСТИ ЕЕ ПРИМЕНЕНИЯ НА ОСНОВЕ НАУЧНОЙ ИНДУКЦИИ

Необходимо отметить, что ряд материалов данного раздела носят в определенной степени проблемно–дискуссионный характер.

Предложенные и развитые в данной работе математическая модель, методология и конкретная технология синтеза РАСУ АО основаны на фундаментальных положениях теории информации, распознавания образов и принятия решений, имеющих весьма общий характер. Они разрабатывались в общем виде без привязки к специфике какого–либо конкретного объекта управления. По этим причинам методы, развитые в данной работе и детализированные в главе 6 данной работы, обладают высокой универсальностью и применимы для синтеза РАСУ АО в самых различных предметных областях, в частности таких как: техника (управление сложными техническими системами); технология (управление технологиями в целях получения заданных хозяйственных и финансовых результатов); психология (разработка и применение профессиограмм, идентификация, мониторинг, прогнозирование и управление психологическими состояниями); обучение (прогнозирование успешности профессиональной деятельности, управление индивидуальным обучением, исследования влияния учебной активности на качество обучения и т.д.); другие применения (социология, политология, реклама, маркетинг, правоохранительная сфера и др.).

Рассмотрим перспективы применения методики и технологии АСК-анализа в некоторых из этих предметных областей более подробно. Многие из рассмотренных ниже применений технологии АСК-анализа описаны в работах: [14, 69, 70, 136–165, 230–233, 237, 270, 273–286, 314, 320, 329, 366].

Предложенная технология АСК-анализа продемонстрировала эффективность в различных предметных областях: это и синтез систем управления сложными техническими системами, и решение задач управления качеством подготовки специалистов; и прогнозирование ситуаций на фондовом рынке; и прогнозирование результатов выращивания сельскохозяйственных культур; и выбор оптимальных агротехнологий.

На первый взгляд эти области имеют мало общего между собой, между тем с математической точки зрения и с точки зрения технологии интеллектуальной обработки информации во всех этих областях решались одни и те же задачи. В этой связи возникает закономерный вопрос о существовании ограничений предложенной технологии и возможном корректном расширении области ее применения на другие предметные области.

Очевидно, ограничения АСК-анализа должны существовать, а значит они должны быть изучены, чтобы, с одной стороны, пользователь обоснованно пользовался этой технологией в областях ее оптимального, уверенного и рискованного применения, а с другой стороны, не возлагал необоснованных надежд на ее применение в тех предметных областях и для решения тех задач, для которых она не предназначена.

При решении вопроса о расширении области применения АСК-анализа целесообразно основываться на методе научной индукции.

В данном контексте этот метод научной индукции состоит в следующем:

1. Применить АСК-анализ для синтеза рефлексивной АСУ активными объектами на одном примере, в нашем случае – на примере управления качеством подготовки специалистов в КЮИ МВД РФ.

2. Выявить факторы, которые являются причинами успешности, т.е. обусловили успех применения АСК-анализа в данном случае.

3. Выдвинуть гипотезу, что и в других случаях, когда сформулированные факторы (причины) успешности применения АСК-анализа действуют, т.е. имеют место, применение этой технологии будет успешным, и наоборот, при отсутствии хотя бы одного из этих факторов – на успех надеяться нет оснований.

4. Применить АСК-анализ в других предметных областях, обеспечив в обязательном порядке действие факторов успешности.

5. Проверить, успешным ли оказалось применение АСК-анализа в этих других случаях.

6. Если да, т.е. успешным, то считается, что такой результат получен за счет действия факторов успешности, и что на этом основании можно обоснованно утверждать, что и в других случаях, в которых будут присутствовать факторы успешности, можно надеяться на успешное применение АСК-анализа, и наоборот, в тех случаях, когда один или несколько факторов не соблюдаются, надеяться на успех нет оснований.

Примечание к п.6: если для какого-либо фактора успешности неизвестно, действует он или нет в данном конкретном случае, то результат применения АСК-анализа может быть положительным и отрицательным, в зависимости от того, действует ли данный фактор или нет и от того, является ли данный фактор детерминистским. В этом случае мы имеем дело с рискованным применением АСК-анализа.

Выполним эту программу.

1. АСК-анализ успешно применен для синтеза рефлексивной АСУ активными объектами: качеством подготовки специалистов в КЮИ МВД РФ.

2. Этот результат обусловлен следующими факторами:

– семантическая информационная модель адекватна предметной области;

– информация в обучающей выборке полна и достоверна: 1) достоверны тесты, применяемые для получения вторичных параметров (качественны и сами тесты и процедуры их использования), 2) достоверны и согласованны (объективны) независимые экспертные оценки объектов обучающей в выборки, (эксперты компетентны, процедуры сбора и обобщения экспертных оценок корректны и эффективны); 3) ввод информации в автоматизированную систему произведен качественно;

– в предметной области существуют реальные закономерности;

– обучающая выборка обладает общей и структурной репрезентативностью;

– методические и технологические этапы АСК-анализа реализованы корректно;

– специальный программный инструментарий выполняет возложенные на него функции автоматизации БКОСА.

3. Выдвигается гипотеза (т.е. предполагается), что когда обязательные факторы успешности применения АСК-анализа, приведенные в п.2 действуют, его применение будет успешным.

4. АСК-анализ реально эффективно применялся в десятках различных предметных областей с обязательным соблюдением факторов успешности.

5. Успешность применения АСК-анализа подтверждена актами внедрения (всего имеется 17 таких актов, подтверждающих успешность применения). О некоторых из этих применений информация приведена в данном разделе (ниже). При этом необходимо отметить, что примерно треть применений не документировались по ряду причин.

6. Это подтверждает гипотезу, сформулированную в п.3 и означает, что на основании принципа научной индукции АСК-анализ должен сохранять адекватность и эффективность и в других новых предметных областях при условии действия факторов успешности.

7.10. МОНИТОРИНГ, ПРОГНОЗИРОВАНИЕ И УПРАВЛЕНИЕ В ФИНАНСОВО-ЭКОНОМИЧЕСКОЙ СФЕРЕ

7.10.1. Актуальность

Повторяющиеся с завидной периодичностью межбанковские кризисы заставили участников финансового рынка всерьез задуматься о необходимости серьезной организации социально–экономического мониторинга, а также аналитических исследований. Наиболее дальновидные банки и финансовые компании, в том числе и кубанские, начали создавать и оснащать необходимым инструментарием свои аналитические службы.

Руководители давно поняли нехитрое правило: "Хочешь заработать сто миллионов – вложи в аналитика сто тысяч".

7.10.2. Предлагаемый подход

Рассмотрим службу мониторинга и прогнозирования, основная цель которой – прогнозирование и выработка рекомендаций по управлению на основе централизованного сбора, обработки и анализа разноплановой информации, необходимой для принятия управленческих решений.

Для достижения этой цели служба мониторинга непрерывно ведет исследование следующих объектов управления:

1. Ценообразование по всем секторам рынка.

2. Ход экономической реформы по ее направлениям.

3. Инвестиционные процессы в экономике.

4. Кредитно–финансовая система.

5. Предприятия различных форм собственности, направлений и объемов деятельности.

6. Социально–психологический статус управленческого и вспомогательного персонала, а также населения.

Рассмотрим эти направления подробнее.

Ценовой мониторинг

Ценовой мониторинг обеспечивает непрерывный сбор и накопление баз данных по ценам на основные товары всех секторов рынка, а также по основным финансово–экономическим показателям (факторам), влияющим на цены, что позволяет выявить и изучить зависимости между ценами на разные товары, между ценами и факторами, и на этой основе осуществлять краткосрочное и перспективное прогнозирование динамики цен.

Данная функция не дублирует ведомственный ценовой мониторинг, который уже организуется некоторыми департаментами, так как:

во–первых, акцентирует внимание на взаимосвязи динамических закономерностей цен на товары различных секторов рынка;

во–вторых, изучает влияние макроэкономических и других показателей на динамику цен;

в–третьих, держит в поле зрения лишь основные товары каждого сектора рынка, тогда как в ведомственных системах перечень товаров по соответствующему сектору рынка значительно шире;

в–четвертых, перед ведомственными службами ценового мониторинга не ставится задача сбора и обобщения информации по ценовому мониторингу различных секторов рынка в комплексе.

Мониторинг хода экономической реформы

Существует ежеквартальная отчетность регионов края по ходу экономической реформы. Однако эта отчетность слабо стандартизирована и формализована, не накапливается в компьютерных базах данных, содержит лишь абсолютные значения экономических показателей, а не информацию об экономических событиях и их динамике. В результате автоматизированный анализ этой информации с помощью интеллектуальных методов не проводится.

Предлагаемая методология и технология обеспечивают организацию этих работ, что позволяет в соответствии с установленным регламентом:

– получить аналитические отчеты о ходе реформы по ее направлениям (приватизация, фондовый рынок, земельная реформа, финансовая сфера, производство, услуги, и т.д.);

– выявить и изучить взаимосвязи темпа реформы в различных направлениях;

– выявить и изучить пути движения инвестируемых средств между различными предметными областями и направлениями реформы.

Мониторинг инвестиционных проектов

Конечно, в каждом инвестиционном проекте дается экономическое обоснование целесообразности инвестиций в выбранном направлении. Однако данное обоснование часто страдает некоторой односторонностью, так как обычно разработчики инвестиционной программы не в состоянии учесть обобщенный опыт инвестирования в ту или иную сферу в конкретных условиях рынка Кубани, так как просто не владеют необходимой информацией. Этот обобщенный опыт может быть формализован и накоплен лишь в специально созданной и уполномоченной на получение соответствующей информации структуре. Такая структура может дать независимую комплексную (а не только экономическую) оценку каждого инвестиционного проекта, т.е. сделать по нему заключение типа: "Опыт осуществления 25 подобных проектов показывает, что такого рода проекты, как правило, (в 85% случаев) в условиях Кубани приводят к тому–то и тому–то". Это заключение может быть отрицательным даже в том случае, если его экономическое обоснование является блестящим, но... проведенным по неадаптированным западным методикам, слабо учитывающим специфику России вообще и Кубани в частности.

Кредитно–финансовый мониторинг

На основе непрерывно ведущихся баз данных по динамике цен на ценные бумаги, ставкам банковских кредитов, курсам валют и т.д. позволяет выявлять и изучать закономерности кредитно–финансового и фондового рынка, и на этой основе прогнозировать его развитие, разрабатывать обоснованные рекомендации по управлению им.

Мониторинг предприятий

Основные цели организации мониторинга предприятий – прогнозирование целесообразности инвестирования в данное предприятие, оценка рисков его кредитования и страхования, выявление предприятий, попадающих в различные "зоны риска".

Для достижения этих целей необходимы следующие виды работ:

1. Классификация предприятий, например, по трем шкалам:

– форма собственности;

– направление деятельности;

– объем деятельности.

2. Организация ведения базы данных, которая содержит и накапливает в формализованном виде информацию по предприятиям, необходимую для достижения сформулированных целей.

3. Формирование обобщенных информационных портретов предприятий различных категорий.

4. Выдача характеристики на основании запроса в необходимых аспектах по любому предприятию, по которому имеется заполненный формализованный паспорт.

Социально–психологический мониторинг

Предлагаемая методология и технология обеспечивает сбор и обработку данных мониторинга по тем срезам социума, которые приняты как объекты постоянного контроля и управления:

– общественное и индивидуальное сознание;

– национально–этнические проблемы;

– культурно–религиозные проблемы;

– демографические проблемы;

– проблемы возрастных групп (молодежи, трудоспособного населения и пенсионеров);

– проблемы профессиональных групп;

– проблемы безработицы;

– проблемы групп населения с различным образовательным уровнем;

– классовые проблемы (профсоюзы, забастовки, приватизация и национализация, группы различного уровня достатка);

– политические ситуации;

– криминогенные ситуации;

– экономические ситуации;

– рейтинг политических лидеров, партий и движений.

Кроме того, может быть дан психологический анализ различных типов управленческого и вспомогательного персонала, разработаны фотороботы этих типов и автоматизированные методики их идентификации.

7.10.3. Результаты и перспективы

Таким образом, предлагаемый подход позволяет решить следующие задачи:

1. Разработка выводов о состоянии и динамике объекта управления на основе сбора и анализа информации.

2. Разработка рекомендаций по способам и содержанию управляющих воздействий на объект управления.

3. Подготовка регламентных тематических и сводных аналитических отчетов (ежедневных, недельных, месячных, квартальных и годовых отчетов), а также заказных отчетов по ранее проведенным исследованиям.

7.11. ОЦЕНКА РИСКОВ СТРАХОВАНИЯ И КРЕДИТОВАНИЯ ПРЕДПРИЯТИЯ

7.11.1. Актуальность

Известны зарубежные методики оценки рисков страхования и кредитования предприятий (РСК). Однако эти методики основаны на предположении о существовании определенных экономических реалий (макро– и микро–экономических законов и закономерностей), которые в экономике переходного периода, каковой в настоящее время является экономика России, действуют слабо или вообще не имеют места. Поэтому зарубежные методики в наших условиях не должны эффективно работать.

Эффективность адаптации зарубежных методик к нашим условиям также выглядит проблематичной, так как даже если ее и осуществить, то все равно из–за высокой динамичности нашей экономики и ее законодательно–правового аспекта эти адаптированные методики достаточно быстро потеряют свою адекватность. Возникает также вопрос о том, насколько для Южно–Российского региона, имеющего свою ярко выраженную специфику, годятся методики, адаптированные для Москвы или С.Петербурга и насколько они лучше, чем, например, Кембриджские или Стэндфордские.

Как правило, технология адаптации является весьма сложной, наукоемкой и интеллектуальной, и стоит на несколько порядков дороже самих методик или вообще не поставляется ее разработчиком.

Следовательно, весьма актуальной является разработка отечественных методик и технологий, обеспечивающих как оценку РСК, так и позволяющих разработать рекомендации по управлению предприятием, которые изменяли бы эти оценки в желательном направлении (санация).

7.11.2. Традиционные подходы к решению проблемы: фундаментальный и технический подход (содержательные и феноменологические модели)

Существуют два основных подхода к решению сформулированной выше проблемы:

– фундаментальный, основанный на выявлении взаимосвязей между внутренними и внешними по отношению к предприятию факторами и (событиями) и уровнем целесообразности инвестиций в данное предприятие;

– технический, основанный на анализе временных рядов различных параметров предприятия и его окружения средствами регрессионного анализа и математической статистики.

Фундаментальный подход оперирует средствами многомерного факторного анализа и содержательным аналитическим аппаратом математической экономики. Технический подход основан на статистических феноменологических моделях, отражающих внешнюю сторону явлений. Первое выглядит более обоснованным, однако наталкивается на технические трудности сбора и подготовки исходной информации. Технический подход более технологичен в плане сбора информации и ее обработки, но является более поверхностным в ее анализе и дает менее качественные прогнозы.

7.11.3. Предлагаемая методология и технология как синтез технического и фундаментального подхода. Общие принципы решения проблемы

В данной работе автор предлагает методологию и технологию, сочетающие глубину, содержательность и интерпретируемость фундаментального подхода с технологичностью технического подхода. Суть этой технологии состоит в том, что, как в техническом подходе, на основе анализа временных рядов определенных параметров, характеризующих как само предприятие, так и экономическую и правовую среду, в которой оно действует, выделяется информация о событиях в этих областях. После этого, как в фундаментальном подходе, анализируются причинно–следственные взаимосвязи между событиями, и на основе этого разрабатываются прогнозы и рекомендации по управлению.

В самом общем виде принцип решения сформулированной выше проблемы с помощью инструментальной программной системы состоит в следующем:

– классифицируются изучаемые типы предприятий;

– классифицируются параметры как самих предприятий, так и окружения, в котором они действуют;

– выбираются и описываются предприятия, относящиеся к различным категориям;

– описанные предприятия представляются инструментальной системе в качестве образцов, т.е. конкретных реализаций, относящихся к тем или иным категориям;

– формируются обобщенные образы различных категорий предприятий и определяется ценность выбранных параметров описания для идентификации типа и прогнозирования развития предприятий и уровня РСК;

– исключаются наименее ценные параметры описания;

– выводятся в текстовом и графическом виде развернутые характеристики различных уровней РСК;

– осуществляется кластерно–конструктивный анализ сходства и различия предприятий с разными уровнями РСК;

– проводится содержательный структурно–функциональный анализ сходства и различия всевозможных предприятий с отличающимися уровнями РСК;

– по параметрам: дается их смысловая характеристика, анализируется сходство и различие по смыслу, проводится их содержательное сравнение;

– создается инфраструктура разработки, применения и развития методик, основанных на предложенных интеллектуальных технологиях.

Подробнее эти этапы рассмотрены в работе [277].

7.12. АНАЛИЗ ОБЩЕСТВЕННОГО МНЕНИЯ (СОЦИОЛОГИЯ И ПОЛИТОЛОГИЯ)

С применением предложенной методологии и технологии может быть выполнен ряд работ в области социологии и политологии:

– определение социальной базы (структуры электората) партий, их блоков и объединений, конкретных кандидатов в разрезах по краевому центру, городам и районам края (социальный, возрастной, профессиональный, национальный, образовательный, половой и т.п. Состав, поддерживающих и отвергающих программные лозунги предвыборной борьбы);

– изучение социальных запросов различных групп населения и формирование на этой основе предвыборной программы блока, партии, кандидата;

– выявление объективных союзников и оппозиции, как в среди партий, блоков и кандидатов, так и среди различных групп населения;

– изучение динамики и территориальных особенностей по всем этим аспектам.

Имеется положительный опыт исследований по данной проблематике, подтвержденный рядом актов (ДСП).

В настоящее время работы, проводящиеся различными группами и организациями по этим проблемам не основаны на использовании автоматизированных систем искусственного интеллекта, позволяющих разрабатывать и использовать оптимальные методики получения социологической информации и ее анализа. Обычно применяемое для компьютерной обработки результатов анкетирования программное обеспечение позволяет получить лишь простейшие характеристики исследуемой выборки, вроде процентного распределения голосов по районам или различным группам населения.

Рассмотрим подробнее вопросы применения АСК-анализа для выявления конфликтующих коалиций в сложных организационных системах.

В теории конфликтов традиционно считается, что конфликтующие стороны известны, т.е. заданы априорно, и, таким образом, вопрос об их обнаружении и выявлении в рамках этой теории не стоит.

Однако в ряде предметных областей, таких, например, как психология общения, социально-экономические и политологические системы, которые представляют собой сложные организационные системы, перед применением методов теории конфликтов часто бывает необходимо предварительно выявить сами конфликтующие стороны и их возможные коалиции, определить содержание и источники конфликтов, и уже только после этого конкретизировать типы конфликтов и применять стандартные методы их разрешения или компромиссного согласования интересов. Более того, именно в обнаружении конфликтующих сторон, а не в дальнейшем анализе, зачастую и состоит основной смысл интеллектуальной обработки данных в этих предметных областях.

Таким образом проблема выявления конфликтующих сторон и коалиций является актуальной научно-технической проблемой, относящейся к области, непосредственно смежной с теорией конфликтов и как бы подготавливающей исходные данные для ее применения.

Авторы предлагают применить для выявления конфликтующих коалиций в сложных организационных системах методы кластерно-конструктивного анализа и теории информации, реализованные в адаптивной системе анализа и прогнозирования состояний сложных систем "Эйдос".

Теория конструктов возникла в 1955 году (Дж.Келли) в области когнитивной психологии. Конструктом называется понятие, имеющее семантические полюса и шкалу промежуточных смысловых значений (градаций). В частности, конструктом является и система из двух наиболее сильно отличающихся кластеров со спектром объектов, занимающих между этими полюсами промежуточные положения.

Более конкретно суть предлагаемой авторами технологии состоит в следующем.

Осуществляется формализация предметной области, которая состоит в том, что каждой относительно самостоятельной компоненте системы ставится в соответствие некоторая обобщенная категория и все компоненты описываются в одной системе свойств и качеств (атрибутов).

На основе описаний компонент формируются обобщенные образы категорий, которые соответствуют конфликтующим или вступающим в коалицию сторонам. Для этой цели применяются методы теории информации, в частности апостериорная семантическая мера информации А.А.Харкевича.

Каждый из обобщенных образов представляет собой список атрибутов, расположенных в порядке убывания их характерности для данной категории. Кроме того, каждый атрибут описывается количеством информации, которое он содержит о принадлежности обладающего данным атрибутом компонента системы к каждой из категорий.

Обобщенные образы непосредственно сравниваются между собой методами корреляционного анализа, на основе чего формируется матрица сходства, которая является непосредственной основной для расчета конструктов и кластеров.

Важно, что в предложенной математической модели при формировании конструктов одновременно формируются и кластеры, причем если для формирования кластеров по классическим алгоритмам необходимо произвести число операций, равное количеству сочетаний из "n по m", то для формирования конструктов, всего n², т.е. в предложенной модели в данном случае снимается проблема комбинаторного взрыва.

Результаты кластерно-конструктивного анализа представляются в наглядной графической форме в виде семантических сетей, которые представляют собой ориентированные графы, в вершинах которых находятся обобщенные категории, а ребрами являются вектора, величина и направление которых соответствуют величине сходства или различия каждой пары категорий.

Конкретное содержание конфликтов и основа для коалиций раскрывается в форме когнитивных диаграмм, представляющих собой по сути дела графическое изображение обобщенных образов двух категорий в форме списков наиболее характерных и нехарактерных для них атрибутов с указанием в форме векторов вклада каждой пары атрибутов в сходство или различие данных категорий.

Таким образом, предложенные математические модели, основанные на теории информации, и конкретная технология интеллектуальной обработки информации, реализованная на базе адаптивной системы анализа и прогнозирования состояний сложных систем "Эйдос", обеспечивают успешное выявление конфликтующих коалиций в сложных организационных системах, в частности коллективах, социально-экономических и политологических системах.

7.13. ЭКОЛОГИЧЕСКИЙ МОНИТОРИНГ, АНАЛИЗ И ПРОГНОЗИРОВАНИЕ

Предложенные математические модели и программный инструментарий предлагается применить для аналитической обработки данных экологического мониторинга (на примере Черного моря):

– разработка оптимального формализованного паспорта для экологического мониторинга и экологического зонирования (районирования) побережья Черного моря;

– экологическая паспортизация и зонирование побережья Черного моря;

– разработка информационных портретов экологических зон побережья;

– классификация экологических зон, обобщение и сопоставительный анализ;

– комплексные и специальные, регламентные и инновационные аналитические исследования по данным экологического мониторинга побережья Черного моря;

– исследование влияния факторов различного происхождения (геофизических и биосферных, антропогенных, рекреационных и других экологических мер и технологий) на экологическое состояние побережья Черного моря;

– исследование динамики экологического состояния побережья Черного моря в связи с динамикой влияющих на него факторов;

– оперативное и долгосрочное прогнозирование развития экологического состояния побережья Черного моря;

– разработка методик подбора персонала экологических служб: оценка индивидуальных качеств сотрудников; оптимальный подбор групп по совместимости; прогнозирование успешности профессиональной деятельности в различных областях; прогнозирование рисков нежелательных проявлений;

– косвенная оценка рисков инвестирования, страхования, кредитования, бизнеса, других форм деятельности и взаимодействия юридических и физических лиц, в том числе в области экологической деятельности;

– организация Информационно–аналитического центра Public Relations, для проведения систематических (регламентных) и заказных исследований по изучению и формированию мнения различных групп населения по вопросам экологии ("экологического сознания", "экологической экномики"), а также для участия в выполнении работ по вышеупомянутым проектам;

– изучение аудитории и роли различных средств массовой информации в освещении экологической проблематики и формировании экологического сознания у различных групп населения.

7.14. НЕКОТОРЫЕ ПЕРСПЕКТИВЫ РАЗВИТИЯ И ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ АСК-АНАЛИЗА

7.14.1. Перспективные области применения

Краткое перечисление перспективных областей применения АСК-анализа

В перспективе предложенные методология, технология и инструментальная программная система могут быть применены, в частности, в следующих областях:

1. В медицине для диагностики заболеваний по их симптоматике; сжатия диагностической информации, содержащейся в медицинской литературе и архивах историй болезни; проведения научных исследований по выявлению причинно–следственных зависимостей между применяемыми средствами (например, лекарственными) и методами лечения, с одной стороны, и лечебным эффектом, с другой на основе данных мониторинга.

2. В профессиональной диагностике и профориентации в учебных заведениях, на предприятиях в отделах кадров, в центрах занятости населения (на биржах труда и в службах трудоустройства). Для психосоциальной диагностики и анализа общественного мнения, компьютерной обработки и интерпретации результатов социологических исследований (public relations). Для тестирования предметной обычности учащихся и определения решаемости контрольных заданий.

3. Для выявления и прогнозирования "зон риска", в том числе в налоговых, финансовых и других контролирующих органах, для криминалистической и психофизиологической идентификации личности. Для классификации и типологизации преступлений, формализации фабулы (почерка), нахождения аналогов преступлений, а также автоматизированного поиска ранее проведенных проверок, в которых были получены аналогичные результаты.

4. Для диагностики способностей, косвенного измерения уровня развития сознания, интеллектуальной и эмоциональной сферы, способностей к специальным видам деятельности, связанных с риском, высокой ответственностью, работой на высоте, под землей, под водой, с применением оружия, в экстремальных ситуациях, в измененном темпе времени и т.п. Для автоматизированного синтеза образа объекта по его фрагментам, полученным с помощью подсознательного информационного канала, в том числе при получении одной и той же информации многими людьми, ни один из которых в явной и целостной форме не осознает ее и не способен осуществить сознательный синтез целостного образа; для количественного сравнения и идентификации образов, полученных в результате дистанционной перцепции, ретрогниции и прекогниции, с образами – мишенями. Для синтеза образа объекта – мишени по его вербальным описаниям и количественного его сравнения с оригиналом при индивидуальном и коллективном подсознательном восприятии.

5. Для атрибуции анонимных и псевдонимных текстов, т.е. для установления вероятностного авторства текста, времени его написания, места рождения (воспитания) автора, тематической или иной принадлежности текста, по его незначительным, поврежденным, неполным и несвязанным фрагментам. В этом случае система распознавания работает как дескрипторная информационно-поисковая система с автоматическим формированием дескрипторов и поиску по нечеткому или некорректному запросу (на естественном языке, причем какой этот язык: русский, английский или какой-либо другой – роли не играет).

6. Для автоматической классификации, элементарных частиц, химических элементов и веществ по их составу или внешним признакам. Для вероятностной идентификации элементов в смесях и при неполном или некачественном их анализе с помощью химических тестов, спектральных методов, ядерно-магнитного резонанса, для интерпретации результатов, полученных с помощью этих и других подобных методов физического и химического исследования.

7. Для формирования обобщенных образов различных видов недвижимости и сопоставления конкретных объектов с этими образами в целях оценки недвижимости (развитие метода сравнительных продаж). Для разработки и применения стандарта земель в земельном кадастре.

8. Для автоматической классификации сортов растений и пород животных по их внешним, анатомическим, физиологическим и другим признакам, а также на основе измерения генетического расстояния. Для изучения влияния генотипа на фенотип (в том числе расшифровка и содержательная интерпретация генома; выявление зависимости фенотипа от генотипа и окружающей среды; выявление генотипических инвариантов, т.е. ансамблей генов, поддерживающих один и тот же фенотипический признак при различных условиях окружающей среды (адаптивность генома, лимитирующие факторы)). Применение системной теории информации в генетике.

9. Для прогнозирования характеристик месторождений полезных ископаемых (углеводородного сырья и др.) и самих ископаемых по внешним сопутствующим признакам в том числе и установленным с помощью биолокации. Для интерпретации данных аппаратной геофизической разведки.

10. Для долгосрочного и оперативного прогнозирования изменений погодных факторов, для регионов, для которых известны суточные значения этих факторов за достаточный период времени.

11. Для выявления влияния любых технологических приемов и условий на качество и количество хозяйственных результатов. Для анализа и прогнозирования ситуаций на сельскохозяйственном секторе натурального и фондового рынка: ценовой мониторинг и прогнозирование цен и объемов продаж продукции растениеводства, птицеводства и животноводства, а также ценных бумаг; макроэкономический анализ.

12. Косвенная профессиональная идентификация, прогнозирование успешности работы и совместимости сотрудников службы безопасности, других служб банка (при этом выявляются сотрудники – "опора фирмы" и "зоны риска"). Прогнозирование остатков и движения средств на счетах филиалов банка и на счетах клиентов. Прогнозирование развития фондового рынка, других сегментов рынка. Косвенная оценка рисков страхования, кредитования, инвестирования, бизнеса, других форм взаимодействия юридических и физических лиц. Косвенная профессиональная идентификация, прогнозирование успешности работы и совместимости сотрудников различных служб фонда (при этом выявляются сотрудники – "опора фирмы", а также "зоны риска"). Косвенная профессиональная идентификация и прогнозирование успешности работы клиентов фонда по распределяемым профессиям и специальностям.

13. Прогнозирование развития рынка труда и уровня безработицы, других сегментов рынка.

14. Для решения задач распознавания объектов и их состояний по признакам, в том числе и при неполном или искаженном описании. Для изучения динамики и территориальных зависимостей обобщенных образов классов распознавания. Для выявления и исследования причинно – следственных связей между событиями (признаками, технологией, составом) и их следствиями (объектами, состояниями, свойствами, эффективностью) и др.

Многоагентные распределенные системы обнаружения, накопления и использования знаний в Internet

Является перспективным создание на базе предложенной технологии и методологии АСК-анализа новой многозадачной версии системы "Эйдос", обеспечивающей (после регистрации пользователей на сайте при выполнении ими заданных условий) доступ пользователей Internet к базам данных системы как в режиме синтеза новых моделей, так и в режиме их эксплуатации в адаптивном режиме по направлениям, которые определят сами пользователи и разработчики. Это позволит "интеллектуализировать" Internet, создать в нем активные сервисы, способные стать со временем накопителями, хранилищами и анализаторами знаний и опыта по самым различным направлениям деятельности человека (например, автоматизированные консалтинговые службы). Эти сервисы могли бы предоставлять услуги по интеллектуальной обработке данных пользователям независимо от их локализации, и, таким образом, стать реальной технической базой для интеграции знаний, что может стать еще одним шагом на пути развития ноосферы (В.И.Вернадский, Ле Руа, Тейяр де Шарден, 1923). В настоящее же время Internet используются, в основном, просто для получения или просмотра готовых, созданных кем-либо файлов, т.е. просто для обмена информацией.

Развитие АСК-анализа с применением теории нечетких множеств и неклассической логики

Весьма перспективным является развитие результатов, полученных в данном исследовании, с применением аппарата нечетких множеств Заде-Коско [17, 85, 364, 365] и основанной на этом аппарате нечеткой логики (которую иногда более удачно называют непрерывной или континуальной, в отличие от дискретной бинарной Аристотелевской логики или дискретной многозначной логики).

Эта перспектива основана на том, что матрицу информативностей (таблица 3.12) вполне можно рассматривать как обобщенную (в смысле нечеткой логики) таблицу решений, в которой входы (факторы) и выходы (будущие состояния АОУ) связаны друг с другом не с помощью классических (Аристотелевских) импликаций, принимающих только значения: "Итина" и "Ложь", а различными значениями истинности, выраженными в битах и принимающими значения от положительного теоретически-максимально-возможного ("Максимальная степень истинности"), до теоретически неограниченного отрицательного ("Степень ложности").

Фактически это означает, что предложенная модель АСК-анализа позволяет осуществить синтез обобщенных таблиц решений для различных предметных областей непосредственно на основе эмпирических исходных данных и продуцировать на их основе огромное количество прямых и обратных правдоподобных (нечетких) логических рассуждений по неклассическим схемам с различными расчетными значениями истинности, являющимся обобщением классических импликаций. Некоторые примеры подобных рассуждений приведены в таблице 7.17:

Таблица 7. 17 – ПРЯМЫЕ И ОБРАТНЫЕ ПРАВДОПОДОБНЫЕ ЛОГИЧЕСКИЕ
ВЫСКАЗЫВАНИЯ С РАСЧЕТНОЙ (В СООТВЕТСТВИИ С СТИ)
СТЕПЕНЬЮ ИСТИННОСТИ ИМПЛИКАЦИЙ

Прямые правдоподобные логические рассуждения позволяют прогнозировать степень достоверности наступления события по действующим факторам, а обратные – по заданному состоянию восстановить степень необходимости и степень нежелательности каждого фактора для наступления этого состояния, т.е. принимать решение по выбору управляющих воздействий на АОУ, оптимальных для перевода его в заданное целевое состояние.

Число вариантов подобных логических формул определяется по сути дела произведением числа сочетаний предпосылок на число сочетаний заключений. Однако, реально из этих формул имеет смысл использовать только полные, т.е. включающие все заданные предпосылки или все заданные заключения. В простейшем случае заданными могут считаться все предпосылки, или предпосылки, соответствующие факторам определенной группы, и т.д. Для развития этого направления, по-видимому, целесообразно задействовать логику предикатов.

Необходимо также отметить, что предложенная модель, основывающаяся на теории информации, обеспечивает автоматизированное формирования системы нечетких правил по содержимому входных данных, как и комбинация нечеткой логики Заде-Коско с нейронными сетями Кохонена. Принципиально важно, что качественное изменение модели путем добавления в нее новых классов не уменьшает достоверности распознавания уже сформированных классов. Кроме того, при сравнении распознаваемого объекта с каждым классом учитываются не только признаки, имеющиеся у объекта, но и отсутствующие у него, поэтому предложенной моделью правильно идентифицируются объекты, признаки которых образуют множества, одно из которых является подмножеством другого (как и в Неокогнитроне К.Фукушимы).

Динамика взаимодействующих семантических пространств и создание континуального АСК-анализа

Следующим чрезвычайно перспективным направлением развития полученных в данном исследовании результатов представляется развитие теории динамики взаимодействующих семантических пространств классов и атрибутов. С этой целью для семантических пространств и объектов в этих пространствах, т.е. векторов классов и факторов, на основе понятия "информация" предлагается определить понятия, являющиеся аналогами понятий геометрии, кинематики и динамики: это метрика, система отсчета, скорость и ускорение, путь, масса, сила, импульс и энергия, закон (в частности законы сохранения), и т.д. Предлагается получить соответствующие аналитические выражения и дать их содержательную интерпретацию и способы численного расчета.

Высказывается гипотеза, состоящая в том, что физическая картина мира (и не только физическая) является не более чем подмножеством некоторой информационной модели, в какой-то мере аналогичной той, которая предложена в данном исследовании. Это позволяет подойти к исследованию природы реальности с пониманием того, что в действительности мы исследуем не реальность, а лишь содержательные информационные модели этой реальности, основанные на нашем ограниченном опыте. Например, если прогноз поведения системы, сделанный на основании некоторой модели, адекватен, то мы получаем информацию об адекватности модели, если же нет – то новую информацию о системе, не отраженную в модели. Вторая ситуация возможна при исследовании систем после прохождения ими точки бифуркации и систем, качественно отличающихся от описываемых моделью. Учет этой новой информации в модели повышает ее адекватность и качественно расширяет область адекватного применения модели. Таким образом, количество информации о системе, полученное в процесс познания, можно измерять по степени модификации модели системы при учете в ней этой информации и приведении модели в адекватное состояние (аналогично, количество информации, записанное в структуре предмета труда, можно измерять по степени его модификации). При учете в модели незначительного количества информации происходит ее адаптация, а при учете значительного количества – синтез. Учет в теории информации эффектов системного взаимодействия альтернативных состояний (явление интерференции последствий выбора квантовых и активных объектов) приводит к обобщению понятия "информация" в рамках системной теории информации, один из вариантов которой предложен в данной работе. Подобные идеи в свое время привели к возникновению специальной теории относительности (учет свойств релятивистских свойств объектов), квантовой механики (учет квантовых свойств объектов) и нейролингвистического (НЛП) программирования. В принципе философы знали это всегда (правда не всегда признавали), но предложенный в данном исследовании подход позволяет перейти в этой области от умозрительных рассуждений к строгим расчетам, и это соответствует внутренней логике развития науки, которую здесь неуместно рассматривать подробнее [10, 25, 117, 260, 323].

Придание модели онтологического статуса (гипостазирование) – ошибка которая часто совершается (после этого начинают считать, что как в модели, "так все и есть в действительности". Например придание онтологического статуса объектам – дело решенное для материалистов, но для последователей остальных философских направлений этот вопрос остается открытым. Если объективное существование объектов мало у кого вызывает сомнение, то вопрос об объективном существовании интегративных структур 2-го и более высоких порядков остается открытым. Но что это за структуры? В предложенной когнитивной концепции, кластер, например, представляет собой своего рода "объект, состоящий из объектов", т.е. объект 2-го порядка (рисунки 2.14 и 4.1). Если объект выполняет интегративную функцию по отношению к атрибутам, то кластер – по отношению к объектам. Необходимо подчеркнуть, что термин "класс" используется не только для обозначения образов уникальных объектов, но и для обозначения их кластеров, т.е. классу может соответствовать не уникальное, а обобщающее имя, в этом случае мы имеем дело с обобщенным классом. Да и кластеры могут быть не только кластерами уникальных объектов, но и обобщенных классов.

Возникает вопрос об онтологическом статусе понятия "кластер". В некоторых философских системах подобным объектам приписывался даже более высокий статус существования, чем самим объектам, например обычные объекты рассматриваются лишь как "тени" "Эйдосов" (Платон). Известны и другие понятия для обозначения объектов высоких порядков, например "архетип" (Юм), "эгрегор" (Андреев) и др. Нельзя не отметить, что в современной физике (специальной и общей теории относительности) есть подобное понятие пространственно-временного интервала, который проявляется на практике как движение объекта. Являясь объектами 2-го порядка сами кластеры в результате выполнения когнитивной операции "генерация конструктов" могут быть классифицированы по степени сходства друг с другом. Для обозначения системы двух противоположных кластеров, с "спектром" промежуточных кластеров между ними, будем использовать термин "бинарный конструкт", при этом сами противоположные кластеры будем называть "полюса бинарного конструкта". Таким образом конструкт представляет собой объект 3-го порядка. Словом "бинарный" определяется, что в данном случае полюсов у конструкта всего два, но этим самым подчеркивается, что в принципе их может быть 3, 4 и больше. Бинарный конструкт можно формально представить в виде порядковой шкалы или даже шкалы отношений, на которой градациям соответствуют кластеры, а значит и сами классы и соответствующие объекты. Конструкты с количеством полюсов больше 2 могут быть представлены графически в форме семантических сетей в которых полюса являются вершинами, а дуги имеют цвет и толщину, соответствующие степени сходства-различия этих вершин. Семантические сети можно считать также просто графической формой представления результатов кластерного анализа. По-видимому, статус существования структуры реальности, отображаемой некоторой когнитивной структурой определенного уровня интеграптивности тем выше, чем выше этот уровень интегративности, т.е. наивысшим статусом существования обладает мир-в-целом.

Однако, возникает вполне закономерный вопрос о том, по какой причине в мышлении современного человека при обычных формах сознания используются лишь бинарные конструкты, причем, как правило, при их использовании редко кто вспоминает про нечеткую логику Заде, т.е. на практике промежуточные между полюсами значения вообще не рассматриваются. Представляется весьма перспективным исследовать и формализовать законы мышления, характерные для измененных (прежде всего, высших) форм сознания, разработать теорию конструктов с большим чем два дискретным количеством полюсов (многозначные конструкты), а также теорию конструктов с любым иррациональным количеством полюсов. Таким образом, будущим исследователям и разработчикам возможно предстоит обобщить предложенную в данном исследовании когнитивную концепцию и разработать на ее основе более общие математические модели "многозначного а затем и континуального АСК-анализа", в рамках которых предложенная модель получит статус частного случая – "бинарного АСК-анализа". Возможно в рамках континуального АСК-анализа удастся обнаружить новые базовые когнитивные операции и интегративные когнитивные структуры более высоких порядков, чем в предложенной когнитивной концепции и построить их математические модели.

7.14.2. Технология (РАСУ индивидуального управления лечением)

Типичным примером активной системы является человек – пациент. Систему "врач-пациент" можно рассматривать как рефлексивную систему управления активным объектом, цель которой состоит в переводе пациента из некоторого текущего состояния "болезнь", более или менее далекого от оптимального, в некоторое будущее состояние "здоровье", более близкое к оптимальному, причем это осуществляется с помощью лечебных управляющих воздействий.

Целевые состояния сложной системы в данном случае представляют собой подмножество пространства будущих состояний, в которых пациент более или менее здоров.

Входными параметрами сложной системы являются: история болезни пациента и его биография (траектория перехода пациента в текущее состояние); факторы внешней среды; лечебные воздействия врача.

Выходными параметрами сложной системы в нашем примере являются симптомы и синдромы (комплексы взаимосвязанных симптомов), т.е. клиническая картина, характеризующая, в частности, целевые состояния.

На основе предлагаемой методологии и технологии может быть разработано конкретное приложение, обеспечивающее управление лечением путем выбора и применения оптимальных лечебных воздействий в зависимости от цели лечения, предыстории больного, его текущего состояния, а также ряда других параметров как объекта управления, так и окружающей среды.

При разработке методики выполняются следующие виды работ: формулировка целей и в соответствии с ними разработка перечня прогнозируемых состояний, т.е. результатов лечения; разработка формализованного паспорта результатов лечения (формализованной истории болезни), позволяющего описать в пригодной для компьютерной обработки форме результаты лечения заболеваний определенными методами. Формализованный паспорт может состоять из двух частей: первая из них содержит шкалы, описывающие не зависящие от воли человека факторы, вторая – факторы (лечебные воздействия), которые можно рассматривать как средство достижения желаемых результатов лечения; использование бумажного архива историй болезни для заполнения формализованных паспортов и ввода в программную инструментальную систему в качестве примеров лечения (обучающей выборки); выявление (на основе реальных примеров лечения) взаимосвязей между применяемыми медицинскими технологиями и полученными результатами лечения и формирование информационных портретов по каждому возможному результату лечения (независимо от их оценки как успешных или нет). Информационный портрет результата лечения представляет собой перечень лечебных факторов с количественным указанием того, какое влияние каждый из них оказывает на осуществление данного результата.

Сравнение различных результатов лечения и формирование групп наиболее сходных из них (кластеров), а также определение кластеров наиболее сильно отличающихся друг от друга (конструктов). Группировка лечебных факторов в кластеры и конструкты, показывающих, что некоторые различные по своей специфической природе лечебные факторы имеют сходное влияние на результаты лечения. Это позволяет утверждать, что, лечебные факторы объединяются в кластеры с учетом не только их специфического, но и неспецифического эффекта.

Проверка способности созданного приложения правильно прогнозировать результаты лечения на массиве уже введенных формализованных паспортов (историй болезни), т.е. определение внутренней интегральной и дифференциальной валидности. На экспериментальных примерах валидность оказалась достаточно высокой, что позволяет сделать вывод о возможности практического использования созданного приложения. При этом были выявлены как высокодетерминированные лечебные результаты, которые можно уверенно формировать применением вполне определенных лечебных воздействий, так и слабодетерминированные результаты лечения, которые наиболее сложно как получить, так и достоверно прогнозировать. Кроме того, каждый из лечебных факторов на основе приведенных примеров автоматически характеризуется тем, какое влияние он оказывает на осуществление каждого результата лечения.

Разработанное приложение позволяет решать три основных задачи: диагностика (нозологическая идентификация), осуществляется на основе симптоматики (клинической картины) с учетом данных истории болезни, отражающей предысторию больного, а также факторов внешней среды; прогнозирование того, какие результаты лечения наиболее вероятны (а какие практически невозможны) на данном состоянии пациента и при его предыстории, а также при условии применения имеющихся в распоряжении врачей лечебных технологий и факторов окружающей среды; разработка рекомендаций по управляющим воздействиям, т.е. консультирование по вопросам о том, какие лечебные технологии должны быть применены, чтобы можно было рассчитывать с определенной уверенностью на желаемый результат лечения.

Система позволяет оценивать степень достоверности своих прогнозов и рекомендаций по управлению, т.е. она не просто дает рекомендацию, но и количественно оценивает степень ее надежности. Кроме того, система дает характеристику каждого лечебного воздействия (на что он влияет), а также выдает рекомендации по замене желательных лечебных воздействий, но очень дорогих, болезненных или опасных для пациента или которых нет в распоряжении врачей, другими, более дешевыми, щадящими и которые есть в распоряжении врача, и при этом имеют сходное влияние на результаты лечения. Таким образом, данная методика позволяет "просматривать" различные варианты применения медицинских технологий, прогнозировать последствия применения различных лечебных факторов, и на этой основе вырабатывать научно обоснованные рекомендации по выбору оптимальной в каждом конкретном случае медицинской технологии.

7.14.3. Психология

В данном исследовании не ставится задача подробно раскрывать возможности применения АСК-анализа в психологии. Отметим лишь, что эти возможности довольно развитые и включают такие направления, как: разработка оптимальных адаптивных тестов и профессиограмм (в том числе реализация тестов с известными ключами без какого-либо программирования, интеграция известных тестов в супертесты без программирования и опросов респондентов и т.д.); комплексное психологическое тестирование и прогнозирование (в том числе возможности применения системы окружения "Эйдос-Y"); управление персоналом; транспортная психология; когнитивная психология; компьютерные Y–технологии и т.д. Подробнее эти вопросы освещены в работе [286] и ряде других работ автора с соавторами: [14, 69, 70, 136–165, 230–233, 237, 270, 273–286, 314, 320, 329, 366].

Разработка оптимальных адаптивных тестов и профессиограмм

Актуальность

Сама жизнь ставит перед нами следующие непростые вопросы: пригоден ли вообще данный абитуриент для учебы в вузе? Если он пригоден, то по какой специальности в перспективе он сможет проявить себя наилучшим образом? Как показывает практика, каждая ошибка в ответах на эти вопросы очень дорого обходится как личности, так и государству, поэтому разработка перспективных технологий заблаговременного получения максимально точных ответов на эти вопросы является весьма актуальной.

Отсюда следует проблема № 1: разработать профессиограммы по базовым специальностям данного вуза. Отметим, что в настоящее время они не разработаны, более того, работы в этом направлении не ведутся. Профессиограммой называется перечень психофизиологических и других свойств и качеств личности, с количественным указанием степени их необходимости для успешного выполнения определенных учебных и профессиональных задач.

Но даже если бы эти профессиограммы уже существовали, то возникла бы проблема № 2, т.е. проблема разработки и внедрения способа практического применения этих профессиограмм.

Проблема № 3 состоит в том, что со временем профессиограммы теряют адекватность вследствие изменения закономерностей в предметной области. Следовательно, необходима их периодическая адаптация и локализация.

Предлагаемый подход

Разработка профессиограмм – это длительный, трудоемкий процесс весьма значительной сложности и наукоемкости. В целом этот процесс в настоящее время не формализован и практически не оснащен адекватным техническим и методическим инструментарием. Осуществляется он, как правило, на основе экспертных оценок или путем применения значительного количества нелокализованных по месту и времени применения тестов зарубежного производства, не адаптированных для тех целей, которые ставятся перед разработчиками профессиограмм.

Проблема № 2 возникает редко, так как у практических психологов обычно просто нет профессиограмм. Но даже если они есть, то, как правило, решение принимается психологами на неформальном уровне: на основе личного опыта и интуиции, так как у них в распоряжении редко есть способы количественно сравнить респондента с профессиограммами.

Автор предлагает конкретные, успешно апробированные методики и интеллектуальные компьютерные технологии решения сформулированных выше проблем, воплощенные в инструментальной программной системе "Эйдос" и системах окружения. Кратко, суть этих методик и технологий заключается в следующем: проектируется представительная по количеству респондентов выборка; респонденты тестируются с применением батареи стандартных тестов с помощью системы обработки данных комплексного психологического тестирования "Эйдос"; система "Эйдос" позволяет провести предварительный анализ данных; классификаторы и результаты тестирования экспортируются в когнитивную аналитическую систему "Эйдос" для дальнейшей интеллектуальной обработки.

Результаты и перспективы

Когнитивная аналитическая система "Эйдос" обеспечивает: автоматическое взвешивание или ремонт исходных данных, т.е. выборку из массива респондентов такого подмножества, которое в наибольшей степени соответствует заданной генеральной совокупности (обеспечение структурной репрезентативности обучающей выборки); формирование обобщенных образов исследуемых профессиональных категорий респондентов, т.е. автоматизированную разработку профессиограмм; определение вклада психологических свойств, измеряемых с помощью стандартных тестов, в различие профессиограмм; исключение тех психологических свойств, которые вносят наименьший вклад в различие профессиограмм (абстрагирование); вывод сформированных профессиограмм и профилей психологических качеств в удобной для восприятия и анализа текстовой и графической форме; сравнение индивидуальных интегральных образов респондентов с профессиограммами и определение спектра профессиональных предпочтений для данного респондента; сравнение профессиограмм (и профилей психологических качеств) друг с другом, формирование кластеров и конструктов, автоматическое построение семантических сетей классов и признаков; содержательное сравнение профессиограмм (и профилей психологических качеств) друг с другом, автоматическое построение когнитивных диаграмм, в том числе стандартных и инвертированных (термин авт.) диаграмм В.С.Мерлина;

– расчет частотных распределений профессиограмм и психологических, а также двумерных матриц сопряженности на основе критерия c² и коэффициентов Пирсона, Чупрова и Крамера.

Адаптивность обеспечивается тем, что связь с тестируемыми не прерывается, и когда становится известным, оправдались или не оправдались прогнозы, сделанные по ним, или изменяется экспертная оценка респондентов обучающей выборки, то эта информация вводится в систему и решающие правила переформировываются с учетом этого.

В качестве примера успешного применения на практике предложенной технологии можно привести ряд исследований.

Комплексное психологическое тестирование и прогнозирование

Актуальность

Первая группа проблем связана с необходимостью получения комплексной картины предметной области с помощью узкоориентированного, т.е. специализированного психометрического инструментария.

В настоящее время психологи–практики все чаще обращаются к комплексному психологическому тестированию. Основная причина этого очевидна: каждый из стандартных психологических тестов или опросников позволяют исследовать лишь какой–либо один из уровней или аспектов личности, или достаточно узкий их спектр, тогда как основной интерес представляет именно получение и исследование целостной картины, которая определяется характером взаимосвязей разноуровневых свойств личности.

Например, самоактуализационный тест (САТ) измеряет прежде всего социально–обусловленные качества респондентов, тогда как опросник 16 PF Р.Б.Кеттелла – конституционные психические качества, детерминируемые более фундаментальными и устойчивыми генотипическими факторами.

На определяющую роль изучения межуровневых взаимосвязей индивидуальных, психодинамических и социально–психологических свойств личности для интегрального исследования индивидуальности указывал В.С.Мерлин.

Вторая группа проблем, связана с тем, что практически все стандартные психодиагностические тесты, опросники и процедуры (далее: "тесты") обладают целым рядом принципиальных недостатков, ограничивающих их корректное и методологически оправданное применение: эти тесты разработаны и нормированы на выборке разработчика, а должны применяться на выборке пользователя (которые, вообще говоря, относятся к разным генеральным совокупностям и не являются взаимно–репрезентативными); они созданы для одних целей, а используются не совсем для тех или совсем не для тех целей.

Предлагаемый подход

На первый взгляд кажется, что проблема № 1 решается адаптацией тестов, однако это не совсем так. Дело в том, что необходимо еще подтвердить специальным исследованием, что адаптированный, например, С.Петербургской психологической школой (в частности, известной фирмой "Иматон") тест применим на Кубани, т.е. учитывает Южно–Российскую региональную специфику.

По мнению автора, адаптировать тесты необходимо на репрезентативной выборке, представляющей ту генеральную совокупность, на которой они будут применяться. Иначе даже "адаптированные" где–то и для кого–то тесты не будут учитывать региональной специфики, в которой работают конкретные пользователи, и практически ничем не будут отличаться в этом отношении от "неадаптированных".

Но даже у тестов, учитывающих региональную специфику (локализованных), из–за динамичности предметной области со временем уменьшается надежность и валидность. Поэтому необходима периодическая адаптация тестов к изменившимся условиям, а лучше – работа тестов в адаптивном режиме. На сегодняшний день, по литературным данным, известна лишь одна система, обеспечивающая не только автоматизированную разработку, но и эксплуатацию тестов в адаптивном режиме – это система "Эйдос".

Известно, что работы по адаптации тестов являются весьма трудоемкими и наукоемкими, а также сложными в организационно–юридическом отношении, поэтому в настоящее время в России научные центры, способные решать эти задачи, можно буквально пересчитать по пальцам одной руки. Очевидно, мощности этих центров не обеспечивают потребностей регионов в стандартизированном психометрическом инструментарии.

Из этих предпосылок часто делается вывод о том, что необходимо дать психологам технологию создания и адаптации тестов, чтобы они сами на местах могли решать эту проблему. Однако в настоящее время этот вывод представляется автору необоснованным, несмотря на то, что ранее и он придерживался этой точки зрения. Дело в том, что дать психологу подобный инструмент – это все равно, что дать рядовому бухгалтеру систему программирования Turbo C++ for Windows9X и предложить ему, чтобы он сам создал, а затем модернизировал такую систему бухучета, которая отражала бы специфику его предприятия. Однако рядовой бухгалтер не имеет для решения этой задачи ни сил, ни времени, ни соответствующей квалификации, да это и не входит в его должностные обязанности. Также и рядовой психолог не сможет, да и не должен заниматься выработкой своего инструментария. Этот инструментарий, причем стандартный и сертифицированный, ему должен быть предоставлен.

Но если предположить, что психологи все же займутся не своим прямым делом, а разработкой инструментария, и что у них это получится, то это будет означать одновременно конец какой–либо сопоставимости в их исследованиях, так как каждый будет пользоваться своим собственным инструментарием. По сути мы сталкиваемся в этой ситуации с метрологической проблемой. И мы знаем, что существуют центры и лаборатории стандартизации и метрологии, которые занимаются поверкой и, если надо, настройкой измерительных приборов. Опыт метрологических служб является весьма ценным в нашем случае и им целесообразно воспользоваться.

Следовательно, весьма актуальным является создание региональных ведомственных и межведомственных психологических центров, которые могли бы решать задачу оснащения практических психологов в своих регионах новыми, адаптированными и сопоставимыми психометрическими методиками.

Проблема нецелевого применения тестов, по мнению автора, является даже еще более острой, чем проблема их неадекватности. Вызывает по меньшей мере удивление, с какой легкостью "специалисты" некоторых частных фирм, изучив всего лишь одно, отдельно взятое психологическое свойство, например, "общительность", выносят рекомендации о том, может ли данный кандидат быть, например, бухгалтером-кассиром, сотрудником службы безопасности или инкассатором банка. Спрашивается, зачем банку нужен общительный бухгалтер? Однако отсутствие элементарной методологической корректности применения тестов характерно не только для коммерческих фирм, живущих за счет рекламы, вводящей в заблуждение.

Конечно, ясно, что результаты тестирования с помощью этих тестов каким–то образом связаны с успешностью или неуспешностью профессиональной деятельности на различных должностях. Но ведь вопрос как раз и заключается в том, что эта взаимосвязь еще никем не исследовалась и фактически никому не известна. А ведь на пути к практическому применению этих знаний необходимо еще создать соответствующий инструментарий, апробировать его, сертифицировать и стандартизировать как пригодный для решения данных конкретных задач. Забегая вперед, отметим, что инструментарий и методика для создания двухступенчатого теста на базе тестов Кеттела и Люшера (а также других) имеются: базовая когнитивная система "Эйдос" и система обработки данных комплексного психологического тестирования "Эйдос–Y".

Результаты и перспективы

1. Для проведения исследований интегральной индивидуальности на современном технологическом уровне необходимо применение соответствующих автоматизированных систем, реализующих адекватные данной задаче методологические концепции и математические модели. Задача создания и применения подобных систем является весьма актуальной.

2. Актуальной является задача создания научно–методического психологического Центра, способного решать как задачи разработки новых сопоставимых психометрических методик специального назначения, так и адаптации уже имеющихся и практически использующихся для психологических служб края. Все практически применяемые психометрические методики должны пройти сертификацию и стандартизацию в Центре. Выводы и рекомендации, которые даются на основе применения не сертифицированных и не стандартизированных Центром методик должны быть признаны научно–методически не обоснованными и юридически ничтожными. В перспективе этот Центр мог бы выполнять функции регионального ведомственного психологического центра.

Автоматизированная система комплексной обработки данных психологического тестирования "Эйдос-Y"

Для решения задач комплексной обработки данных психологического тестирования и получения как комплексных индивидуальных психологических портретов респондентов, так и их групп, автором совместно с С.Д.Некрасовым (Государственная аттестационная служба) была разработана система "Эйдос-Y" [41, 142, 211, 270].

Назначение системы "Эйдос-Y"

Система "Эйдос-Y" относится к окружению системы "Эйдос" т.е. она с одной стороны представляет собой расширяемый супертест (аналогично MMPI), а с другой стороны является программным интерфейсом между реализованными в ней стандартными тестами и системой "Эйдос", обеспечивающей интеллектуальную обработку результатов тестирования.

Функции системы "Эйдос-Y":

– ввод и обработка первичных данных о респондентах;

– экспорт данных в универсальную когнитивную аналитическую систему "Эйдос" для их содержательного углубленного анализа и для разработки двухступенчатых тестов и тестов прямого действия;

– объединение баз первичных данных, введенных на разных компьютерах.

Основные отличия и преимущества системы "Эйдос-Y" по сравнению с аналогами

Данная система предназначена не для опроса респондентов непосредственно за компьютером, а для ввода и обработки данных тестирования. Автор считает нецелесообразным применение компьютеров непосредственно для тестирования респондентов в наших условиях, т.к. для большинства респондентов использование компьютера само по себе является сильным стрессовым фактором, что искажает результаты тестирования. Кроме того, как показывает опыт, ввод данных опроса в систему "Эйдос-Y" осуществляется практически на порядок быстрее, чем тестирование за компьютером, что обеспечивает соответствующую экономию машинного времени. Например, вместо использования 50 компьютеров для тестирования 50 респондентов в течение 1 часа, мы тестируем этих респондентов "за столом", а потом на одном компьютере вводим данные для обработки в течение 5 часов, что не представляет организационно-технических сложностей.

Системой сохраняются в базах данных не только результаты интерпретации ответов респондентов (стены, факторы и т.п.), но и сами первичные данные опроса. Это позволяет в дальнейшем использовать непосредственно первичные данные как для их анализа различными методами с помощью различных статистических систем, так и для разработки тестов прямого действия с помощью системы "Эйдос".

Система обеспечивает автоматизированное применение ключей и автоматизированную интерпретацию результатов тестирования, как по каждому тесту отдельно, так и по всем тестам совместно в их взаимосвязи, причем виды изучаемых взаимосвязей очень гибко задаются самим исследователем.

Система обеспечивает экспорт первичных данных и результатов их стандартной интерпретации в универсальную когнитивную аналитическую систему "Эйдос", что позволяет осуществить их совместный содержательный углубленный анализ, а также получить новые оптимальные двухступенчатые тесты и тесты прямого действия.

Система позволяет получить психологические характеристики не только конкретных индивидуумов, но и различных групп респондентов, соответствующих градациям шкал, введенным самими исследователями.

В настоящее время система "Эйдос-Y" обеспечивает комплексную (совместную) обработку данных по следующим опросным процедурам одновременно:

– тест выявляющий уровень самоактуализации (САТ);

– опросник 16 PF Р.Б.Кеттелла;

– опросник по определению стиля управленческой деятельности;

– анкета "Ориентация на развитие";

– анкета "Опосредующие развитие факторы (стимулирующие и препятствующие)".

Принцип организации системы обеспечивает расширение перечня совместно используемых опросных процедур. Добавление новой опросной процедуры реализуется разработчиками системы и требует около одного-двух человеко-дней.

Математические модели, реализуемые системой "Эйдос-Y" являются упрощением и конкретизацией моделей системы "Эйдос" для данного специального случая.

Настройка системы на способ совместной обработки результатов тестирования

В режиме "Шкалы классификации респондентов" исследователь имеет возможность ввести наименования некоторого количества шкал и по каждой шкале указать определенное количество градаций с их наименованиями. Количество шкал и количество градаций по разным шкалам может быть различное (в отличии от многих других систем), но не более некоторого максимального количества, определяемого при генерации системы (в настоящее время до 99).

В режиме "Ведение справочника респондентов" исследователь может добавлять новых респондентов, вводить и корректировать их фамилию, имя и отчество (в остальных же режимах данный список респондентов лишь используется и не может быть скорректирован). Правее фамилий есть столбцы, соответствующие шкалам, введенным в справочник шкал. В каждом столбце исследователь задает код той градации соответствующей шкалы, к которой относится респондент. В данном режиме на экране отображаются и наименования шкал, и наименования градаций.

Таким образом в системе "Эйдос-Y" каждый респондент характеризуется не только всей совокупностью его ответов на вопросы батареи тестов, как в большинстве статистических систем (например: SPSS, STATGRAPHICS, STATISTICA), но и принадлежностью к определенным группам, соответствующим градациям шкал. Решение о принадлежности респондента к тем или иным группам принимается исследователями на основе результатов тестирования или(и) экспертных оценок. Это позволяет изучать не только индивидуальные личностные особенности респондентов, но и получать обобщенные психологические характеристики произвольных групп респондентов, задаваемых пользователем, а также изучать зависимости между психологическими характеристиками различных групп. Данная особенность системы сближает ее с интеллектуальной системой "Эйдос" и позволяет организовать полноценный (т.е. без упрощения и потери данных) экспорт данных о респондентах в последнюю. Имеется успешный опыт анализа баз данных системы "Эйдос-Y" с помощью системы STATGRAPHICS.

Средства обеспечения надежности обработки информации в системе

– все режимы ввода данных организованы таким образом, что исключается возможность ввода некорректных данных;

– система автоматически ведет архивы баз данных;

– автоматически переиндексирует все базы данных в случае отсутствия индексных массивов.

Выходные формы системы

Каждая опросная процедура, входящая в состав системы, выдает результаты в виде двух таблиц:

– в первой против фамилии каждого респондента содержатся данные интерпретации его ответов;

– во второй содержатся усредненные результаты интерпретации для каждой градации каждой шкалы.

Последнее и обеспечивает совместный анализ результатов тестирования респондентов с помощью опросников, реализованных в системе.

Тест САТ и анкета "Ориентация на развитие", кроме того выдают частотные распределения стандартизированных баллов (стенов), разделенные на три зоны, такие, что вероятность попадания стена в каждую из них одинакова. Система сама определяет границы этих зон, что обеспечивает оценку конкретных респондентов и их групп не только относительно "генеральной совокупности", но и относительно самой группы респондентов.

Кроме того, система выдает по каждому респонденту итоговые данные по его тестированию с помощью всех тестов в виде одной сводной карты. Имеется также около 80 специальных форм, предназначенных для различных форм анализа.

Все выходные формы записываются системой в виде текстовых файлов в поддиректорию TXT, что позволяет печатать их с использованием любого текстового редактора и на любом принтере, имеющемся у пользователя.

По опроснику 16 PF Р.Б.Кеттелла системой выдаются также в графическом виде стандартные профили респондентов и их групп (группы соответствуют градациям шкал) по факторам, причем профили групп выдаются в двух видах (рисунок 7.25):

– одна группа на одной диаграмме;

– все группы одной шкалы на одной диаграмме.


Рисунок 7. 25. Примеры психологических профилей групп

Эти профили записываются системой в виде PCX-файлов в поддиректорию PCX, причем имена файлов соответствуют кодам респондентов, кодам шкал и групп. Эти графические данные легко могут быть вставлены в сводную карту респондента и распечатаны, например с использованием популярного редактора Winword.

Необходимо отметить, что приведенные характеристики системы не являются окончательными, т.к. она непрерывно совершенствуется.

Управление персоналом

Актуальность

Данный вид работ проводится с целью обеспечения оптимального подбора и расстановки руководящих, административных и профессорско-преподавательских кадров с учетом профессиональной компетентности и индивидуальных психологических свойств и качеств, а также психологической совместимости в коллективах.

Предлагаемый подход

Для достижения цели данного вида работ, создается и внедряется адаптивная автоматизированная система управления персоналом Кубанского государственного технологического университета (ААСУ "Персонал"), входящая в адаптивную автоматизированную систему управления университетом в качестве подсистемы.

В процессе создания системы выполняются следующие работы:

1. Разрабатывается концепция и стратегия управления персоналом Кубанского государственного технологического университета:

2. Определяются принципы и методы построения ААСУ "Персонал".

3. Выполняется разработка ААСУ "Персонал":

– конкретизируются цели и задачи системы, выполняется функциональное проектирование;

– разрабатывается математическое обеспечение АСУ "Персонал";

– разрабатываются алгоритмы и структура баз данных системы;

– разрабатывается программное, информационное, техническое, а также кадровое, делопроизводственное, организационное, юридическое, нормативное, научное, методическое, этическое обеспечение системы.

Результаты и перспективы

В результате в практику работы университета внедряется адаптивная система управления персоналом, обеспечивающая:

– разработку, адаптацию и применение профессиограмм, адаптивных оптимальных тестов и супертестов;

– формирование оперативного плана работы с персоналом и контроль его выполнения;

– маркетинг персонала;

– определение потребности в персонале;

– планирование и анализ показателей по труду, расходов на персонал;

– нормирование и учет численности персонала;

– профессиональный и личностный отбор, наем и прием персонала;

– деловая оценка персонала;

– оценка личностных характеристик персонала;

– профориентация и трудовая адаптация персонала;

– организация системы обучения и повышения квалификации персонала;

– управление деловой карьерой персонала;

– управление служебно-профессиональным продвижением персонала;

– высвобождение персонала;

– управление социальным развитием организации;

– управление поведением личности в профессиональных группах;

– управление мотивацией трудовой деятельности;

– управление нововведениями в кадровых системах;

– управление конфликтами и стрессами;

– управление безопасностью;

– оценка результативности труда руководителей, специалистов, профессорско-преподавательского состава, аттестация персонала;

– оценка эффективности деятельности подразделений управления персоналом;

– оценка экономической эффективности адаптивной автоматизированной системы управления персоналом.

Транспортная психология

Актуальность

С применением предложенной методологии и технологии, а также инструментальной системы, автором, совместно с УГАИ МВД по Краснодарскому краю успешно проведено исследование по выявлению психологических и иных причин нарушения ПДД водителями, имеющими различный психологический статус и относящимися к различным группам населения в разрезе: причины, виды и время суток нарушения ПДД [68, 152].

Предлагаемый подход

Водители, как представители своих национальных, культурных, религиозных, возрастных, образовательных, социальных и других групп населения испытывают с их стороны влияние, формирующее на подсознательном уровне всю систему их отношений, в том числе и к выполнению ПДД. С применением предложенных в данной работе технологий могут быть выявлены зависимости между индивидуальными качествами водителей и видами совершаемых ими нарушений ПДД.

Результаты и перспективы

Детально зная все эти и другие особенности различных групп населения и имея индивидуальный прогноз совершения нарушений ПДД по каждому конкретному водителю, психолог может оказать адресное индивидуальное корректирующее (управляющее) влияние на тех водителей, для которых риск нарушения ПДД выше принятого в качестве допустимого.

Когнитивная психология

Актуальность

В данном разделе автор приводит в порядке обсуждения когнитивную концепцию, которая представляет определенный интерес в связи с реализацией основных когнитивных операций в предложенных интегральной математической модели и инструментальной программной системе (когнитивная аналитическая система "Эйдос").

Предлагаемый подход

Прежде всего процесс познания начинается с процесса восприятия объектов и явлений. Процесс восприятия осуществляется с помощью органов восприятия: зрения, а также слуха, осязания и др. Органы восприятия дают человеку чувственную информацию о признаках наблюдаемых объектов.

На самых первых этапах жизни человека эти признаки объектов не образуют устойчивых взаимосвязанных комплексов, т.е. целостных образов объектов. Но опыт взаимодействия человека с реальными объектами приводит к выявлению взаимосвязей между признаками. Так в результате опыта обнаруживается, что некоторые признаки наблюдаются как правило вместе друг с другом (наличие пространственно–временных корреляций), другие же наоборот, вместе практически не встречаются. Могут быть также признаки, которые встречаются как бы случайным образом и, по–видимому, никак не связаны с другими.

Существование устойчивых взаимосвязей между признаками говорит о том, что они не являются самостоятельной реальностью, а отражают нечто стоящее за ними и их объединяющее, т.е. реальные объекты. Это означает, что признаки не генерируются из ничего, а имеют объективное содержание. Каждому Реальному объекту или явлению Реальности в сознании человека соответствует некоторая своя устойчивая взаимосвязь признаков (этого объекта), т.е. свой определенный образ, а именно конкретный чувственный образ данного конкретного (этого) объекта. Конкретный чувственный образ объекта представляют собой совокупность всех его воспринимаемых признаков, как общих с другими объектами, так и в большей или меньшей степени специфических именно для данного конкретного объекта.

Следующий этап познания Реальности состоит в том, что некоторый взрослый человек – учитель (обычно мать или отец) показывает ребенку окружающие его объекты и произносит их названия на некотором символическом языке, т.е. дает им некоторые условные наименования или имена.

Если чувственно воспринимаемые признаки конкретного объекта имеют объективное происхождение, то наименование объекта устанавливает его принадлежность к некоторой категории объектов, включающей в общем случае много различных объектов, объединенных по их назначению или иной функциональной роли в природе или обществе с точки зрения познающего человека (общества), или роль данного объекта для самого познающего человека.

Необходимо также отметить, что у животных, в отличие от человека, сам набор обобщенных образов довольно жестко фиксирован (свой для каждого вида) и количественно очень ограничен.

На этом этапе весьма существенным обстоятельством является то, что самые различные объекты одного функционального назначения получают одинаковое название, например, все различные мячи получают наименование "Мяч", столы – "Стол" и так далее.

При этом ребенок устанавливает (корреляционные) взаимосвязи:

- между наблюдаемыми признаками данного конкретного объекта и наименованием социально–обусловленной обобщенной категории, к которой данный объект относится;

- между наименованиями признаков и наименованиями обобщенных категорий объектов.

Благодаря существованию этих связей и становится возможным говорить о смысле признаков, т.е. о том, что каждое физическое свойство конкретного объекта несет определенную информацию о роли этого объекта в природе, обществе или для конкретного человека.

Таким образом, введение в обиход наименований объектов становится важнейшей предпосылкой для формирования их абстрактных обобщенных образов, причем сама возможность обобщения связана с классификацией объектов по их социальной роли (назначению).

Среди различных окружающих объектов совершенно аналогично формируется предметный образ и такого специфического для каждого конкретного человека объекта, как его собственное физическое тело. Так формируется "образ Я", характерный для физической формы сознания, формируется предметное сознание и самосознание.

Когда абстрактные обобщенные образы объектов сформированы, то становится возможным узнавание конкретных объектов, т.е. их идентификация. Операция узнавания состоит в сравнении конкретного чувственного образа определенного объекта с обобщенными абстрактными образами и определение степени сходства и различия между данным конкретным чувственным образом и обобщенными образами. В результате, когда конкретный объект узнан, человек может назвать его наименование, т.е. может восстановить его функциональную роль в природе, обществе или лично для себя. Если человек в состоянии это сделать, то считается, что он понимает смысл того, что он воспринимает.

Таким образом, узнавание – это процесс установления соответствия между объективным описанием объекта как дискретной совокупности признаков и его единым и неделимым (континуальным) именем, т.е. наименованием той обобщенной категории, к которой данный объект относится по своей социально–обусловленной роли. У человека интенсиональное (дискретное) и экстенсиональное (континуальное) описания объектов обрабатываются двумя различными взаимно–дополнительными системами отражения, работа которых обеспечивается различными полушариями мозга, и лишь взаимодействие этих двух систем обеспечивает обработку смысла.

По мере накопления опыта выясняется, что некоторые специфические признаки практически однозначно позволяют идентифицировать объекты, т.е. отнести их к определенным обобщенным категориям, другие же встречаются примерно с одинаковой вероятностью у самых различных объектов и для целей идентификации являются практически бесполезными. Умение человека определить ценность тех или иных признаков для решения задачи идентификации уже говорит о накоплении достаточно большого опыта восприятия и обобщения.

Когда такой достаточно значительный опыт накоплен, то следующим совершенно естественным этапом познания является выделение всего наиболее существенного путем отбрасывания случайных и не несущих существенной информации признаков, а также дублирующих и избыточных признаков, имеющих очень сходный друг с другом смысл. В результате этой операции, называющейся "абстрагирование", первоначальное описание объекта на языке признаков, включающее все его чувственно воспринимаемые признаки, заменяется значительно более сжатым и экономным описанием, содержащим только наиболее существенные для идентификации объекта признаки. После этой операции процесс ориентации в предметной области становится более экономным по затратам всех видов ресурсов, более легким и быстрым, чем до этого, причем при сохранении необходимого высокого качества.

Высвобождение сил познающего человека после исключения из анализа второстепенной и несущественной информации позволяет подойти к решению более сложных задач, таких как выявление сходств и различий между обобщенными образами различных видов объектов Реальности, а также выявление смысловых взаимосвязей между различными признаками этих объектов. Кроме того, использование сжатых и высокоинформативных образов объектов позволяет быстро и с минимальными внутренними затратами относить конкретные чувственно–наблюдаемые объекты к тем или иным обобщенным категориям, функции и свойства которых уже известны, и таким образом эффективно ориентироваться в некоторой предметной области (окружающей среде).

В дальнейшем, применяя на практике ранее сформированные модели Реальности, человек получает новую достоверную информацию о степени их эффективности и, соответственно, адекватности. Эта информация обратной связи используется для уточнения и развития конкретной чувственно–эмоциональной и обобщенной, абстрактной (формальной) модели Реальности, в чем и состоит ее адаптивность.

Результаты и перспективы

Математическая модель и реализующая ее инструментальная программная система, разработанная на основе многокритериального подхода и теории информации, обеспечивает достаточно адекватное для практического применения формальное описание и поддержку реализации 10 базовых когнитивных операций, психологическое описание которых дано в базовой когнитивной концепции:

1) присвоение имен (экстенсиональное (континуальное) представление чувственного образа конкретного объекта в форме принадлежности к некоторым градациям определенных смысловых шкал);

2) восприятие (интенсиональное (дискретное) представление чувственного образа конкретного объекта в форме совокупности признаков);

3) обобщение (синтез, индукция) (формирование обобщенных образов различных категорий объектов на основе одновременного использования экстенсиональных и интенсиональных описаний конкретных объектов, которые используются в качестве примеров);

4) абстрагирование (определение для каждого признака его вклада в различие друг от друга обобщенных образов; контролируемое и корректное удаление незначимых признаков с сохранением всей существенной информации);

5) оценка адекватности модели;

6) сравнение, идентификация и прогнозирование (сравнение чувственного образа конкретного объекта со всеми обобщенными образами);

7) анализ (дедукция и абдукция) (выявление общего и особенного, характерного и нехарактерного, для каждого обобщенного образа; выявление общего и особенного, характерного и нехарактерного в смысловом содержании каждого признака);

8) классификация и генерация конструктов (определение сходств и различий обобщенных образов друг с другом; объединение сходных образов в кластеры; формирование биполярных систем наиболее непохожих кластеров, т.е. конструктов образов; построение семантических сетей классов; определение сходств и различий признаков по их смыслу; объединение сходных по смыслу признаков в кластеры; формирование биполярных систем наиболее непохожих кластеров, т.е. конструктов признаков; построение семантических сетей признаков);

9) содержательное сравнение (определение признаков, по которым любые два заданных образа несопоставимы, сходны или отличаются друг от друга; построение много–многозначных когнитивных диаграмм, в том числе диаграмм Вольфа Мерлина; определение элементов смысла, по которым любые два заданных признака несопоставимы, сходны или отличаются друг от друга; построение много–многозначных когнитивных диаграмм, в том числе инвертированных диаграмм Вольфа Мерлина);

10) планирование и принятие решений об управлении.

Компьютерные Y–технологии

Актуальность

Круг возможных областей применения предложенных методологии, технологии и инструментальной системы для исследований в пограничных и малоисследованных областях науки включает следующие направления:

- диагностика потенциальных сверхспособностей (в том числе, обеспечивающих адекватное поведение в экстремальных ситуациях);

- развитие, адаптация и привязка (локализация), разработка новых профессиональных методик специального назначения;

- выявление и изучение характера влияния факторов, связанных с переходами в осознанные сновидения и измененные формы сознания;

- прогнозирование способности человека адекватно действовать в экстремальных ситуациях и оптимально выйти из них, решив при этом поставленные задачи;

- прогнозирование места и времени аномальных и экстремальных ситуаций.

Рассмотрим подробнее возможность применения предложенной технологии для дистанционной невербальной подсознательной диагностики и коррекции социально–психологического и профессионального статуса учащихся.

В настоящее время, в соответствии с Государственным образовательным стандартами, проблемы обеспечения информационной безопасности решаются правовыми, организационными, экономическими, инженерно-техническими, математическими и программно-аппаратными средствами. Однако, по мнению автора, этими мерами возможности по защите информации не исчерпываются. Важный резерв повышения эффективности охранных мероприятий заключается в специальном профессиональном отборе и особой психологической подготовке специалистов, призванных обеспечить мероприятия по защите информации и работающих с закрытой информацией.

Предлагаемый подход

Задача оптимального профессионального отбора традиционно решается профессиональными психологами, использующими существующий инструментарий. При этом в качестве источника первичной информации о кандидатах, как правило, используются их ответы на вопросы определенных тестов (опросников). На основе обработки этих ответов выявляются психологические свойства кандидатов, которые сравниваются с ранее разработанными профессиограммами. На этой основе принимаются решения о профессиональной пригодности кандидата. О коррекции личностных свойств традиционно вопрос не ставится, так как считается, что подготовка специалиста сводится к передаче ему определенного объема знаний и навыков. В то же время именно социально–психологическими свойствами личности, ее мотивацией и другими пока неконтролируемыми параметрами определяется эффективность, более того, сама направленность использования полученных специальных знаний и навыков.

Традиционный подход имеет ряд ограничений, обусловленных следующим: ответы на вопросы кандидаты дают в условиях специально организованной процедуры анкетирования, смысл и значение которой им заранее известен; стимульный материал и ответы даются в словесной форме, т.е. предполагают участие сознательного критического мышления кандидата, что искажает исходные данные представлениями кандидата о том, как должен выглядеть наилучший вариант ответов; процедура анкетирования требует значительного времени, а также согласия на ее проведение со стороны кандидата, что затрудняет ее использование в реальных условиях; профессиограммы учитывают значение только психологических свойств кандидатов для успешности их профессиональной деятельности, в то время как остальные, часто не менее значимые их свойства игнорируются; ставится лишь задача определения статуса кандидата, тогда как задача подготовки профессионала требует и решения задачи коррекции, т.е. по сути задач управления.

Некоторые из названных ограничений снимаются технологиями, основанными на использовании полиграфа, который позволяет регистрировать подсознательную реакцию на те или иные стимулы, как правило осознаваемые кандидатом. Однако дистанционность съема первичной информации обеспечивается при этом в очень ограниченной мере (на минимальных расстояниях). Дистанционные каналы передачи первичной информации являются электромагнитными, что позволяет блокировать возможность их использования стандартными средствами. Кроме того, с одной стороны, полиграф является лишь системой съема информации и не может быть использован для коррекции состояния кандидата за счет использования обратной связи, а, с другой стороны, анализ первичной информации и принятие решения об отнесении кандидата к тем или иным диагностическим категориям осуществляется человеком-экспертом, что не позволяет объективировать эти оценки и добиться их сопоставимости для различных диагностических групп кандидатов, регионов и времени проведения исследований.

Предлагается создать автоматизированную систему с человеко-зависимым дистанционным интерфейсом, обеспечивающим:

- подсознательную диагностику текущего состояния человека–оператора и его профессионального, а также социального и психологического статуса;

- целенаправленную коррекцию его состояния от текущего к целевому (оптимальному).

Для этой цели на этапе получения исходной информации предлагается применить дистанционные датчики разработки лаборатории PEAR Princeton university (NJ, USA), а также отечественные и собственные разработки. Для анализа исходной информации и принятия решений об отнесении кандидатов к тем или иным диагностическим категориям, а также для выработки корректирующего (управляющего) воздействия, предлагается использовать автоматизированные системы принятия решений, основанные на многокритериальном подходе и теории информации. По этим направлениям в ТУ КубГТУ имеется научный и практический задел (данное направление является базовым научным направлением кафедры компьютерных технологий и информационной безопасности КубГТУ).

Результаты и перспективы

Полученные результаты позволяют создать:

1) скрытую технологию раннего выявления оптимальных кандидатов для подготовки по различным специальностям;

2) компактный аппаратно–программный комплекс бесконтактной идентификации пользователя и коррекции его состояния, действующий без его ведома и сознательного участия, встраиваемый в компьютер или действующий автономно.

7.14.4. Правоохранительная сфера

В правоохранительной сфере предложенная методология и технология может быть применена, в частности, для решения следующих задач: ранняя криминогенная профилактическая идентификация лиц по статьям уголовного кодекса; прогнозирование и профилактика нарушений правил дорожного движения (ПДД); поиск аналогов преступлений (или аналогов фабул); поиск аналогов проверок; тестирование на допуски к специальным видам деятельности (сотрудников МЧС, ОВД, работников служб безопасности банков и коммерческих структур и др.); тестирование на право применения оружия; тестирование на совместимость в оперативных группах; разработка обобщенных фотороботов, типичных для лиц различных направлений криминальной и некриминальной деятельности; выявление взаимосвязей между характеристиками фоторобота ("физиогномика"), отпечатков пальцев ("дерматоглифика"), почерка ("психографология"), другими характеристиками, с одной стороны, и типами правонарушений, с другой стороны; количественная идентификация изображений с вербальными описаниями; оперативное и долгосрочное прогнозирование динамики правонарушений по видам; изучение влияния политических, экономических, правовых и других факторов на динамику правонарушений; типология оперативных ситуаций и идентификация сложившейся оперативной ситуации; поиск наиболее схожих с поступившим состоящих на учете лиц на основе количественного сравнения индивидуальных фотороботов; методики оценки потенциала абитуриента, слушателя специальных учебных заведений и сотрудников ОВД по всему спектру должностей и специальностей; типология и косвенное выявление сфер криминальных интересов; оценка риска при залоге и кредитовании, выявление случаев неоправданной кредитной политики; паспортизация участков дорог, типология аварийно–опасных участков дорог по видам аварий; прогнозирование аварийной опасности участков дорог; выработка мер по переоборудованию аварийно–опасных участков дорог в целях снижения их аварийной опасности; количественное сравнение словесных (вербальных) описаний изображений (местности, интерьеры, лица и др.) с фотографиями; управление составом элитных групп; типология и косвенная идентификация криминальных типов экономической и финансовой деятельности на уровне предприятий (выявление зон риска для налоговой полиции); автоматизированная интерпретация данных полиграфа. Использование полиграфа для получения информации о тестируемом, необходимой для оценки перспектив его обучения и профессиональной деятельности по различным направлениям (компьютерные Y-технологии); разработка и применение профессиограмм на основе ретроспективных верифицированных данных, создание адаптивных и рефлексивных методик оценки перспектив обучения и профессиональной деятельности по различным направлениям.

7.15. ВЫВОДЫ

1. Продемонстрирована возможность применения АСК-анализа для синтеза операционного уровня САУ ФВЭУ и эксплуатации системы в адаптивном режиме. Цель САУ на операционном уровне дуальна: наиболее полное обеспечение как текущих, так и будущих потребностей потребителя в электроэнергии. Это обеспечивается выбором рационального режима энергораспределения ФВЭУ: в условиях существующего или прогнозируемого дефицита энергии осуществляется распределение нагрузки с учетом приоритетов; при избытке вырабатываемой энергии осуществляется ее накопление. В соответствии с предложенным подходом, на основе обучающей выборки, представляющей собой экспертные оценки целесообразности выбора тех или иных режимов энергораспределения в различных ситуациях, описанных факторами, выявляются причинно-следственные взаимосвязи между факторами и выбором режимов энергораспределения. Адаптивность обеспечивается тем, что в процессе эксплуатации системы в качестве эксперта может выступать и сам пользователь, т.е. обучающая выборка может пополняться его решениями, после чего осуществляется адаптация или синтез новой модели. Размерность модели составила: 11 прогнозируемых состояний ФВЭУ, 11 градаций факторов, 40 прецедентов в обучающей выборке, 531 факт.

2. Подробно описано решение ряда задач рефлексивной АСУ качеством подготовки специалистов на основе данных по абитуриентам и учащимся Краснодарского юридического института МВД России (КЮИ МВД РФ) за 1995 – 2002 годы (7-летний лонгитюд). В соответствии с типовой моделью РАСУ АО, предложена 2-х уровневая модель предметной области. На 1-м уровне активным объектом управления являлся учащийся, который характеризовался текущим состоянием и предысторией; управляющей системой являлся педагогический процесс, а средой – образовательная среда вуза. На 2-м уровне активным объектом управления был педагогический процесс и образовательная среда вуза в целом, а также профессиональная среда. Учащийся рассматривался как активный рефлексивный объект управления, имеющий собственные цели и мотивы их достижения, а также модель окружающей среды, включая модель себя (адекватная и неадекватная самооценка), а также модель учебной среды и управляющей системы. Педагогический процесс рассматриваются как способ управления учащимися (управляющая система). Были учтены все категории факторов, влияющих на характеристики выпускника и молодого специалиста. Это факторы, характеризующие текущее состояние учащегося и его предысторию, факторы педагогического процесса, другие факторы образовательной и профессиональной среды. Цели АОУ в общем случае не совпадают с целями управления. Управляющие воздействия на учащегося включают коррекцию его целей и мотиваций в направлении, сближающим их с целями управления, а также обучение, стимулирование и другие законные воздействия на систему моделирования, целеполагания и принятия решений.

Осуществлен синтез семантической информационной модели, отражающей информационные взаимосвязи между индивидуальными личностными особенностями учащихся и их учебными и профессиональными достижениями. Размерность модели составила: 318 прогнозируемых состояний учащихся и выпускников КЮИ МВД РФ, 129 градаций факторов, 69 прецедентов в обучающей выборке, 76128 фактов. С помощью модели решены следующие задачи прогнозирования, входящие в состав рефлексивной АСУ качеством подготовки специалистов: 1) поступление в вуз; 2) успешность обучения в вузе по различным дисциплинам и циклам дисциплин; 3) успешность окончания вуза; 4) причины отчисления; 5) успешность профессиональной деятельности после окончания вуза; 5) продолжительность профессиональной деятельности по специальности, полученной в вузе; 6) причины ухода из ОВД (средневзвешенная достоверность прогнозирования составила 83%). Система "Эйдос", как специальное программное средство (инструментарий интеллектуальной обработки информации), продемонстрировала возможность решения задач выбора оптимальной педагогической технологии для перевода учащегося из текущего состояния в заданное целевое состояние. Технология применения системы "Эйдос", разработанная автором для КЮИ МВД РФ, позволяет заблаговременно принимать обоснованные решения о целесообразности обучения конкретных курсантов по тем или иным специальностям. Перспективно применение данного инструментария и технологии в адаптивном режиме на систематической основе на выборках значительно большего и постоянно увеличивающегося объема по широкому спектру специальностей, в том числе и на межвузовском и межведомственном уровне. Развитие данного направления исследований и разработок целесообразно осуществить за счет включения в модель данных, характеризующих динамику личностных свойств учащихся, т.е. путем учета данных, полученных в процессе обучения, а не только перед его началом (как в проведенном исследовании), а также путем более детального учета влияния педагогических технологий, учебной, бытовой и профессиональной среды.

3. Прогнозирование развития одного из сегментов фондового рынка РФ проведено в 1993-1998 (5-летний лонгитюд). При этом были применены оригинальные авторские технологии и специальный программный инструментарий АСК-анализа (система "Эйдос"), а также созданный программный интерфейс с биржевыми базами данных (система "Эйдос-фонд"). Размерность модели составила: 300 прогнозируемых ситуаций на фондовом рынке, 1500 градаций факторов, 1393 прецедента за 1992 по 1998 годы, 1765907 фактов. Обнаружено, что ошибка прогнозирования курса Российского рубля по отношению к доллару США является периодической величиной и сильно коррелирует с разбросом точечных прогнозов: чем больше разброс точечных прогнозов, тем больше ошибка средневзвешенного прогноза. Таким образом, разработанные в данном исследовании методология и технология АСК-анализа позволяют прогнозировать как развитие активного объекта, так и его переход в бифуркационное состояние. Средневзвешенная достоверность прогнозирования составила около 87%.

4. Прогнозирование результатов и управление выращиванием сельскохозяйственных культур выполнено в 1993-1996 годах на базе Кубанского государственного аграрного университета. С помощью системы "Эйдос" была сформирована семантическая информационная модель, обеспечивающая прогнозирование результатов выращивания сельскохозяйственных культур и выработку научно-обоснованных рекомендаций по управлению урожайностью и качеством сельскохозяйственной продукции. Созданная модель включала: объект управления (сельскохозяйственную культуру); классы (будущие состояния объекта управления, т.е. количественные и качественные результаты выращивания); факторы управляющей системы (агротехнологии, т.е. нормы высева, виды и нормы внесения удобрений, методы вспашки, ротация севооборота и т.п.); факторы окружающей среды (вид почв, культуры–предшественники по предшествующим годам и др.). Размерность модели составила: 35 прогнозируемых результатов выращивания, 188 градаций факторов, 217 прецедентов в обучающей выборке, 18594 факта. Для каждого технологического фактора получена количественная информация о его влиянии на осуществление всех желаемых и не желаемых хозяйственных ситуаций. Кластерно-конструктивный анализ факторов показал, что некоторые различные по своей природе факторы имеют сходное влияние на хозяйственные результаты. Эти факторы предложено использовать для замены друг друга в случае необходимости.

Проведено количественное сравнение различных хозяйственных ситуаций и формирование групп наиболее сходных из них (кластеров), а также определены кластеры, наиболее сильно отличаются друг от друга (конструкты). Получен конструкт "качество–количество" показывающий, что для получения высокого качества и большого количества продукции необходимы совершенно противоположные и практически несовместимые (т.е. одновременно неосуществимые) агротехнологии, почвы и предшественники.

В данном исследовании в количественной форме были обнаружены как уже известные закономерности по влиянию предшественников, почв, удобрений, способов вспашки и т.д. на результаты выращивания сельхозкультур, так и новые, ранее неизвестные. Система оценивает степень достоверности своих прогнозов и рекомендаций по управлению. Внутренняя интегральная валидность модели составила около 83%, что достаточно для практического применения. В то же время были выявлены некоторые слабо детерминированные хозяйственные ситуации, которые наиболее сложно как вызывать, так и достоверно прогнозировать.

Были решены две основные задачи: 1) прогнозирование хозяйственных результатов с учетом видов почв, предшественников и применяемых агротехнологий; 2) разработка научно-обоснованных рекомендаций по управлению выращиванием сельхозкультур, т.е. консультирование аграриев по вопросам о том, какие виды почв, предшественники и агротехнологии должны быть использованы для достижения заранее заданного хозяйственного результата.

Приведенные примеры практического применения предложенной технологии и инструментария, а также успешный опыт их применения в других предметных областях, подтверждают правильность принятых научно-технических решений и их пригодность для решения проблемы, поставленной в данной работе.

5. Приведенные численные примеры спешного практического применения предложенной технологии АСК-анализа в различных предметных областях подтверждают правильность принятых научно-технических решений и их адекватность для решения проблемы, поставленной в данной работе, т.е. обеспечивают синтез семантической информационной модели и устойчивое управление активными объектами как на детерминистских, так и бифуркационных этапах их развития за счет адаптации и синтеза модели в режиме реального времени непосредственно в процессе эксплуатации РАСУ АО.

6. В порядке обсуждения предлагается рассматривать автоматизированный системный анализ, структурированный до уровня базовых когнитивных операций системного анализа, как автоматизированный системно-когнитивный анализ (АСК-анализ).

7. На основе метода научной индукции обоснована возможность корректного расширения области применения АСК-анализа.

8. Описаны перспективы применения предложенных технологий АСК-анализа в следующих предметных областях:

– управление технологиями

– экономика;

– психология;

– социология и политология;

– маркетинговые, рекламные, социально-психологические исследования;

– правоохранительная сфера;

– Internet (создание многоагентных распределенных систем обнаружения, накопления и использования знаний по различным предметным областям).

Приведены другие перспективные области. В частности отмечаются перспективные применения для:

– атрибуции анонимных и псевдонимных текстов (реализовано в системе "Эйдос");

– контент-анализа (реализовано в системе "Эйдос");

– синтеза интеллектуальных дескрипторных информационно-поисковых систем с интерфейсом запросов на естественном языке (реализовано в системе "Эйдос");

– идентификации и классификации изображений по их вербальным описаниям;

– формирования обобщенных фотороботов лиц по направлениям деятельности и идентификации с ними;

– применения в области психографологии и дерматоглифики, и т.д..

Кроме того рассматриваются ограничения предложенного варианта АСК-анализа и рассматриваются вопросы его развития (путем преодоления указанных ограничений) с применением теории нечетких множеств и неклассической логики. В частности выдвигается идея обобщения понятия конструкта путем введения многополюсных конструктов.

9. Основной вывод, по результатам данной главы, состоит в том, что оправданным и обоснованным выглядит предположение об очень высокой универсальности предложенной методологии, технологии и специального программного инструментария АСК-анализа, о возможности его применения в самых различных предметных областях, в которых накапливаются факты и производятся их обобщение и анализ, а также выполняются другие операции, связанные с процессом познания, получившие в данном исследовании аббревиатуру БКОСА.

ЗАКЛЮЧЕНИЕ

Причина возникновения проблемы управления активными объектами состоит в том, что модель активной системы периодически теряет адекватность при переходе АОУ через точку бифуркации. Традиционно подобные проблемы решаются путем адаптации модели на основе апостериорной информации. Однако в данном случае этого недостаточно, т.к. необходимо качественное изменение модели, т.е. не ее адаптация, а синтез. Предложенная концепция решения проблемы состоит в том, что необходимо обеспечить периодический синтез модели АОУ в режиме реального времени, для чего целесообразно применение системного анализа, как метода познания АОУ непосредственно в цикле управления, причем в автоматизированной форме.

1. Системный анализ представляет собой теоретический метод познания, современное воплощение конкретной диалектики. Перспектива автоматизации системного анализа состоит не в его максимальной детализации, а в интеграции с когнитивными технологиями.

2. Предлагаемая формализуемая когнитивная концепция рассматривает процесс познания, как многоуровневую иерархическую систему обработки информации, в которой когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня. Это служит основой формализации смысла. В рамках предложенной когнитивной концепции сконструирован когнитивный конфигуратор, представляющий собой минимальную полную систему когнитивных операций, получивших название "базовые когнитивные операции системного анализа" (БКОСА). Всего выявлено 10 таких операций, каждая из этих операций достаточно элементарна для формализации и программной реализации: 1) присвоение имен; 2) восприятие; 3) синтез (обобщение, индукция); 4) абстрагирование; 5) оценка адекватности модели; 6) сравнение, идентификация и прогнозирование; 7) анализ (дедукция и абдукция); 8) классификация и генерация конструктов; 9) содержательное сравнение; 10) планирование и принятие решений об управлении. Предложено структурирование системного анализа до уровня базовых когнитивных операций, допускающих формализацию и автоматизацию.

3. На базе системного обобщения формулы А.Харкевича для семантической целесообразности информации выявлены закономерности влияния системы на поведение ее элементов, отраженные в "Законе повышения эмерджентности" и 4-х следствиях из него. При этом впервые на уровне аналитического выражения для самого понятия "Информация" отражены такие свойства систем, как "Уровень системности" и "Степень детерминированности" системы. На основе предложенной информационной меры разработана семантическая информационная модель АСК-анализа, относящаяся к интеллектуальным информационным моделям. Эта модель позволяет решать задачи идентификации и прогнозирования развития активных систем (разложение вектора объекта по векторам классов – "Объектный анализ"), а также вырабатывать эффективные управляющие воздействия путем решения обратной задачи прогнозирования (БКОСА-7: "анализ") и применения элементов нетрадиционной логики и правдоподобных (нечетких) рассуждений. В ней объединены преимущества содержательных и статистических моделей, созданы предпосылки для реализации АСК-анализа на практике. Из предложенной модели вытекает новая информационная мера степени выраженности закономерностей в предметной области, связанная с критерием c².

4. Разработан численный метод, включающий иерархическую структуру данных и 24 детальных алгоритма 10 базовых когнитивных операций системного анализа, обеспечивающие уровень конкретизации, достаточный для программной реализации АСК-анализа.

5 Создана Универсальная когнитивная аналитическая система "Эйдос", обеспечивающая автоматизацию всех базовых когнитивных операций системного анализа. Рассмотрена технология синтеза и эксплуатации приложений в системе "Эйдос", обеспечивающая: формализацию предметной области; подготовку обучающей выборки и управление ею; синтез семантической информационной модели предметной области; оптимизацию модели; проверку адекватности модели; идентификацию и прогнозирование; типологический анализ (включая решение обратной задачи идентификации и прогнозирования, семантический информационный и кластерно-конструктивный анализ); оригинальную графическую визуализацию результатов анализа в форме когнитивной графики (семантических сетей и когнитивных диаграмм).

6. Приведена классификация функционально-структурных типов АСУ и показано место адаптивных АСУ сложными системами и рефлексивных АСУ активными объектами в этой классификации; показаны роль и место АСК-анализа в рефлексивных АСУ активными объектами. Предложено рассматривать алгоритм АСК-анализа, как алгоритм синтеза рефлексивных АСУ активными объектами. Рассмотрены некоторые теоретические вопросы синтеза РАСУ качеством подготовки специалистов, предложена ее двухуровневая структура.

7. Приведены подробные численные примеры успешного практического применения предложенной технологии АСК-анализа в четырех различных предметных областях: анализ и прогнозирование состояний фондового рынка; синтез и эксплуатация РАСУ возделыванием сельхозкультур; решение задач РАСУ качеством подготовки специалистов; синтез САУ ФВЭУ.

Рассмотрен опыт и перспективы применения АСК-анализа в ряде предметных областей: анализ динамики макроэкономических состояний городов и районов на уровне субъекта федерации в ходе экономической реформы (на примере Краснодарского края); прогнозирование уровня безработицы (на примере Ярославской области); мониторинг, прогнозирование и управление в финансово-экономической сфере; оценка рисков страхования и кредитования предприятия; анализ общественного мнения (социология и политология); экологический мониторинг, анализ и прогнозирование; РАСУ индивидуального управления лечением; разработка оптимальных адаптивных тестов и профессиограмм; комплексное психологическое тестирование и прогнозирование (Автоматизированная система комплексной обработки данных психологического тестирования "Эйдос-Y"); управление персоналом; транспортная психология; когнитивная психология; компьютерные Y–технологии; правоохранительная сфера.

Приведенные примеры успешного практического применения предложенной технологии АСК-анализа в различных предметных областях подтверждают правильность принятых научно-технических решений и их адекватность для решения проблемы, поставленной в данной работе.

Рассмотрены перспективы континуального обобщения АСК-анализа и его применения в различных сферах деятельности, прежде всего в области создания многоагентных распределенных систем обнаружения, накопления и использования знаний в Internet и интеграции предложенных технологий с экспертными системами, основанными на нечеткой логике.

Разработаны математический метод и инструментарий автоматизированного системно-когнитивного анализа (АСК-анализа), который представляет собой новый метод анализа, основанный на предложенной автором системной теории информации. Применение математического метода и инструментария АСК-анализа решает поставленную в данном исследовании проблему обеспечения устойчивого управление активными объектами как на детерминистских, так и на бифуркационных этапах их развития.

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

ПР-1. РИСУНКИ

Рисунок 1. 1. Структура предметной области

Рисунок 1. 2. Двухуровневая модель активной системы

Рисунок 1. 3. Различие в характере управляющего воздействия на АОУ в РАСУ ОУ и ААСУ СС

Рисунок 1. 4. Классическое дерево вероятностей

Рисунок 1. 5. Обобщенное дерево вероятностей

Рисунок 1. 6. Классический объект, интерференции нет

Рисунок 1. 7. Квантовый объект, интерференция есть

Рисунок 2. 1. Неформализуемые этапы системного анализа по Ф.И.Перегудову и Ф.П.Тарасенко [234 ]

Рисунок 2. 2. Основные этапы системного анализа по В.С.Симанкову [271]

Рисунок 2. 3. Этап СА "Исследование системы" по В.С.Симанкову [271]

Рисунок 2. 4. Этап СА "Моделирование систем" по В.С.Симанкову [271]

Рисунок 2. 5. Этап СА "Синтез системы управления" по В.С.Симанкову [271]

Рисунок 2. 6. Этап СА "Синтез системы" по В.С.Симанкову [271]

Рисунок 2. 7. Этап СА "Синтез альтернативных вариантов" по В.С.Симанкову [271]

Рисунок 2. 8. Этап СА "Определение ресурсов" по В.С.Симанкову [271]

Рисунок 2. 9. Этап СА "Выбор системы" по В.С.Симанкову [271]

Рисунок 2. 10. Этап СА "Реализация и развитие системы" по В.С.Симанкову [271]

Рисунок 2. 11. Этапы когнитивного анализа по В.И.Максимову и Е.К.Корноушенко [62, 64]

Рисунок 2. 12. Схема реагирования открытой систем на вызовы среды по В.Н.Лаптеву [122]

Рисунок 2. 13. Схема системного анализа, ориентированного на интеграцию с когнитивными технологиями

Рисунок 2. 14. Обобщенная схема предлагаемой когнитивной концепции

Рисунок 2. 16. Обобщенная схема этапов АСК-анализа

Рисунок 3. 1. Упрощенная схема информационного канала для процессов труда с использованием средств труда

Рисунок 3. 2. Варианты структур каналов передачи информации

Рисунок 3. 3. Классическая функциональная схема АСУ

Рисунок 3. 4. Обобщенная информационная модель канала передачи информации

Рисунок 3. 7. Зависимость количества информации I(W,M) от сложности смешанных состояний M для разного количества классов W

Рисунок 3. 9. Ускорение возрастания доли системной информации

Рисунок 3. 10. Относительный вклад видов информации I_MW/I_W в общее количество информации, содержащейся в системе

Рисунок 3. 11. Генезис системной (эмерджентной) теории информации

Рисунок 3. 12. Когнитивная диаграмма из классической работы Роберта Солсо [296].

Рисунок 3. 13. Зависимость количества информации, содержащегося в атрибуте №1 о принадлежности идентифицируемого объекта (обладающего этим атрибутом) к классу №4

Рисунок 3. 14. Зависимость количества информации, содержащегося в атрибуте №1 о принадлежности идентифицируемого объекта (обладающего этим атрибутом) к классу №10

Рисунок 3. 15. Зависимость адекватности модели от объема обучающей выборки

Рисунок 3. 16. Пример разложения профиля курсанта усл.№69 в ряд по обобщенным образам классов

Рисунок 4. 1. Иерархическая структура данных семантической информационной модели АСК-анализа

Рисунок 4. 2. Алгоритм БКОСА-2.1. "Восприятие и запоминание исходной обучающей информации"

Рисунок 4. 3. Алгоритм БКОСА-2.2. "Репрезентация. Сопоставление индивидуального опыта с коллективным"

Рисунок 4. 4. Алгоритм БКОСА-3.1.1. "Обобщение (синтез, индукция). Накопление первичных данных"

Рисунок 4. 5. Алгоритм БКОСА-3.1.2. "Обобщение (синтез, индукция). Исключение артефактов"

Рисунок 4. 7. Алгоритм БКОСА-3.2. "Определение значимости шкал и градаций факторов, уровней Мерлина"

Рисунок 4. 8. Алгоритм БКОСА-3.3. "Определение значимости шкал и градаций классов, уровней Мерлина"

Рисунок 4. 9. Алгоритм БКОСА-4.1. "Абстрагирование факторов (снижение размерности семантического пространства факторов)"

Рисунок 4. 10. Алгоритм БКОСА-4.2. "Абстрагирование классов (снижение размерности семантического пространства классов)"

Рисунок 4. 11. Алгоритм БКОСА-5. "Оценка адекватности семантической информационной модели предметной области"

Рисунок 4. 13. Алгоритм БКОСА-9.1. "Дедукция и абдукция классов (семантический анализ обобщенных образов классов, решение обратной задачи прогнозирования)"

Рисунок 4. 14. Алгоритм БКОСА-9.2. "Дедукция и абдукция факторов (семантический анализ факторов)"

Рисунок 4. 15. Алгоритм БКОСА-10.1.1. "Классификация обобщенных образов классов"

Рисунок 4. 16. Алгоритм БКОСА-10.1.2. "Формирование бинерных конструктов классов"

Рисунок 4. 17. Алгоритм БКОСА-10.1.3. "Визуализация семантических сетей классов" (когнитивная графика)

Рисунок 4. 18. Алгоритм БКОСА10.2.1. "Классификация факторов"

Рисунок 4. 19. Алгоритм БКОСА-10.2.2. "Формирование бинерных конструктов факторов"

Рисунок 4. 20. Алгоритм БКОСА-10.2.3. "Визуализация семантических сетей факторов" (когнитивная графика)

Рисунок 4. 21. Алгоритм БКОСА-10.3.1. "Содержательное сравнение классов"

Рисунок 4. 22. Алгоритм БКОСА-10.3.2. "Расчет и отображение много-многозначных когнитивных диаграмм, в т.ч. диаграмм Мерлина" (когнитивная графика)

Рисунок 4. 23. Алгоритм БКОСА-10.4.1. "Содержательное сравнение факторов"

Рисунок 4. 24. Алгоритм БКОСА-10.4.2. "Расчет и отображение много-многозначных когнитивных диаграмм, в т.ч. инвертированных диаграмм Мерлина" (когнитивная графика)

Рисунок 4. 25. Алгоритм БКОСА-11. "Многовариантное планирование и принятие решения о применении системы управляющих факторов"

Рисунок 5. 1. Титульная видеограмма системы "Эйдос"

Рисунок 5. 2. Подсистема: "Словари"

Рисунок 5. 3. Режим: "Классификационные шкалы и градации"

Рисунок 5. 4. Режим: "Описательные шкалы и градации"(БКОСА-1.2)

Рисунок 5. 5. Градации описательных шкал

Рисунок 5. 6. Иерархические уровни организации систем

Рисунок 5. 7. Иерархические уровни организации признаков

Рисунок 5. 8. Иерархические уровни организации классов

Рисунок 5. 9. Автоматический ввод атрибутов из текстовых файлов

Рисунок 5. 10. Почтовая служба по нормативной информации

Рисунок 5. 11. Печать анкеты

Рисунок 5. 12. Синтез модели (подсистема "Обучение")

Рисунок 5. 13. Ввод-корректировка обучающей информации (БКОСА-2.1)

Рисунок 5. 14. Управление составом обучающей выборки

Рисунок 5. 15. Параметрическое задание анкет для обработки

Рисунок 5. 16. Статистическая характеристика обучающей выборки. Ручной ремонт

Рисунок 5. 17. Автоматический ремонт обучающей выборки

Рисунок 5. 18. Автоматический ремонт обучающей выборки

Рисунок 5. 19. Автоматический ремонт обучающей выборки (генеральное и текущее распределения, отклонение)

Рисунок 5. 20. Пакетное обучение системы распознавания (БКОСА-3.1)

Рисунок 5. 21. Накопление абсолютных частот

Рисунок 5. 22. Исключение артефактов невозможно, т.к. статистики нет

Рисунок 5. 23. Исключение артефактов возможно, т.к. статистика есть

Рисунок 5. 24. Расчет информативностей признаков

Рисунок 5. 25. Расчет условных процентных распределений

Рисунок 5. 26. Скорость сходимости и семантическая устойчивость модели

Рисунок 5. 27. Расчет сходимости информационной модели

Рисунок 5. 28. Сходимость модели по атрибуту: 1246, класс: 219

Рисунок 5. 29. Семантическая устойчивость модели по атрибуту: 1246, классы: 152, 153, 186, 187, 217, 218, 219

Рисунок 5. 30. Почтовая служба по обучающей информации

Рисунок 5. 31. Оптимизация модели (подсистема "Оптимизация")

Рисунок 5. 32. Список классов в порядке убывания степени сформированности образов

Рисунок 5. 33. Парето-диаграмма степени сформированности обобщенных образов классов

Рисунок 5. 34. Список признаков в порядке убывания степени значимости (прокрутка окна вправо позволяет просмотреть количественные характеристики)

Рисунок 5. 35. Парето-диаграмма значимости признаков (все признаки значимы, пространство атрибутов практически ортонормированно)

Рисунок 5. 36. Help режима измерения внутренней интегральной и дифференциальной валидности содержательной информационной модели

Рисунок 5. 37. Отчет по результатам измерения внутренней интегральной и дифференциальной валидности содержательной информационной модели

Рисунок 5. 38. Идентификация и прогнозирование (подсистема "Распознавание")

Рисунок 5. 39. Двухоконный интерфейс ввода-корректировки распознаваемых анкет

Рисунок 5. 40. Пакетное распознавание

Рисунок 5. 41. Вывод результатов распознавания

Рисунок 5. 42. Обобщающая форма

Рисунок 5. 43. Карточка идентификации объекта

Рисунок 5. 44. Обобщающая форма

Рисунок 5. 45. Карточка идентификации класса с объектами

Рисунок 5. 46. Почтовая служба по распознаваемым анкетам

Рисунок 5. 47. Кластерно-конструктивный, семантический и когнитивный анализ (подсистема "Типология")

Рисунок 5. 48. Типологический анализ классов распознавания

Рисунок 5. 49. Информационные (ранговые портреты) классов (БКОСА-9.1)

Рисунок 5. 50. Кластерный и конструктивный анализ классов

Рисунок 5. 51. Расчет матрицы сходства эталонов классов (БКОСА-10.1.1)

Рисунок 5. 52. Генерация кластеров и конструктов классов (БКОСА-10.1.2)

Рисунок 5. 53. Просмотр и печать кластеров и конструктов атрибутов

Рисунок 5. 54. Вывод 2d-семантических сетей классов (БКОСА-10.1.3)

Рисунок 5. 55. Двухоконный интерфейс ввода задания на формирование когнитивных диаграмм (БКОСА-10.3.1)

Рисунок 5. 56. Пример когнитивной диаграммы классов (БКОСА-10.3.2)

Рисунок 5. 57. Типологический анализ первичных признаков

Рисунок 5. 58. Семантический портрет признака (отчет) (БКОСА-9.2)

Рисунок 5. 59. Семантический портрет признака (круговая диаграмма)

Рисунок 5. 60. Кластерный и конструктивный анализ атрибутов

Рисунок 5. 61. Расчет матрицы сходства атрибутов (БКОСА-10.2.1)

Рисунок 5. 62. Генерация кластеров и конструктов атрибутов (БКОСА-10.2.2)

Рисунок 5. 63. Просмотр и печать кластеров и конструктов атрибутов

Рисунок 5. 64. Вывод 2d-семантических сетей атрибутов (БКОСА-10.2.3)

Рисунок 5. 65. Когнитивные диаграммы атрибутов (БКОСА-10.4.1, 10.4.2)

Рисунок 5. 66. Анализ достоверности, валидности, независимости (подсистема "Анализ")

Рисунок 5. 67. Измерение независимости объектов и признаков (анализ c²)

Рисунок 5. 68. Примеры некоторых графических форм

Рисунок 5. 69. Обеспечение надежности эксплуатации (подсистема "Сервис")

Рисунок 5. 70. Генерация (сброс) различных баз данных

Рисунок 5. 71. Печать баз данных абсолютных частот

Рисунок 5. 72. Интеллектуальная дескрипторная информационно-поисковая система

Рисунок 6. 1. Структура типовой АСУ

Рисунок 6. 2. Параметрическая модель адаптивной АСУ сложными системами

Рисунок 6. 3. Двухуровневая модель активного объекта управления

Рисунок 6. 4. Параметрическая модель рефлексивной АСУ активными объектами (системами)

Рисунок 6. 5. АСК-анализ, как алгоритм синтеза РАСУ АО и инструмент ее эксплуатации в режиме периодического синтеза и адаптации модели

Рисунок 6. 6. Обобщенная схема QFD-технологии (развертывание функций качества)

Рисунок 6. 7. Обобщенная схема АСУ КПС группы "Б"

Рисунок 6. 8. Обобщенная схема РАСУ КПС группы "А"

Рисунок 6. 9. Обобщенная схема двухуровневой РАСУ КПС

Рисунок 6. 10. Детализированная схема РАСУ качеством подготовки специалистов, как двухуровневой РАСУ-ТП

Рисунок 7. 1. Титульная видеограмма системы окружения "Эйдос-фонд"

Рисунок 7. 2. Точечные прогнозы курса Российского рубля к доллару США, средневзвешенный прогноз и фактический курс (1993-1995)

Рисунок 7. 3. Зависимость погрешности средневзвешенного прогноза курса рубля от разброса точечных прогнозов (ММВБ, 1993-1995)

Рисунок 7. 4. Сходимость модели по атрибуту: 1246, класс: 219

Рисунок 7. 5. Автоколебания фондового рынка (ММВБ, 1993-1995)

Рисунок 7. 6. Будущие состояния объекта управления: количественные и качественные результаты выращивания сельхозкультуры (зерновые колосовые)

Рисунок 7. 7. Видеограмма с фрагментом справочника описательных шкал (факторы)

Рисунок 7. 8. Интерфейс ввода обучающей выборки

Рисунок 7. 9. Примеры информационных портретов результатов выращивания "высокое количество" и "высокое качество"

Рисунок 7. 10. Семантический портрет признака: "Предшественники – бобовые многолетние травы"

Рисунок 7. 11. Конструкт классов: "Качество – количество" и семантическая сеть классов по шкалам: "Качество – количество"

Рисунок 7. 12. Конструкт факторов: "Предшественники бобовые … – Ротация первая…" и семантической сети факторов: "Предшественники – Глубина обработки почвы"

Рисунок 7. 13. Интегральная и дифференциальная валидность методики до исключения артефактов

Рисунок 7. 14. Интегральная и дифференциальная валидность методики после исключения артефактов

Рисунок 7. 15. Пример карточки прогнозирования для конкретных условий выращивания

Рисунок 7. 16. Письмо с просьбой предоставить служебные характеристики

Рисунок 7. 17. Семантический портрет влияния фактора: "Тип активный, гармоничный"

Рисунок 7. 18. Информационный портрет класса: "Успешность профессиональной деятельности – Отличная"

Рисунок 7. 19. Пример карточки прогнозирования для конкретного респондента

Рисунок 7. 20. Обобщенная схема комбинированной ФВЭУ

Рисунок 7. 21. Семантическая сеть классов

Рисунок 7. 22. Семантическая сеть признаков

Рисунок 7. 23. Когнитивная диаграмма классов

Рисунок 7. 24. Когнитивная диаграмма признаков

Рисунок 7. 25. Примеры психологических профилей групп

ПР-2. ТАБЛИЦЫ

Таблица 1. 1 – СОДЕРЖАНИЕ ПОНЯТИЯ: "УРОВЕНЬ РЕФЛЕКСИИ"

Таблица 1. 2 – КЛАССИФИКАЦИЯ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ СОЦИАЛЬНО-ЭКОНОМИЧЕСКИХ СИСТЕМ

Таблица 1. 3 - КЛАССИФИКАЦИЯ МЕТОДОВ РАСПОЗНАВАНИЯ, СРАВНЕНИЕ ИХ ОБЛАСТЕЙ ПРИМЕНЕНИЯ И ОГРАНИЧЕНИЙ

Таблица 2. 1 – ЭТАПЫ СИСТЕМНОГО АНАЛИЗА СОГЛАСНО РАЗЛИЧНЫМ АВТОРАМ

Таблица 2. 2 – ОБОБЩЕННЫЙ СПИСОК БКОСА (КОГНИТИВНЫЙ КОНФИГУРАТОР)

Таблица 3. 2 – СООТВЕТСТВИЕ ТРЕБОВАНИЯМ ВЫРАЖЕНИЙ ДЛЯ КОЛИЧЕСТВА ИНФОРМАЦИИ

Таблица 3. 3 – ЗАВИСИМОСТЬ ПОГРЕШНОСТИ ВЫРАЖЕНИЯ (3.5) ОТ КОЛИЧЕСТВА КЛАССОВ W

Таблица 3. 4 – ЗАВИСИМОСТЬ I(W,M) ОТ КОЛИЧЕСТВА КЛАССОВ W И СЛОЖНОСТИ СМЕШАННЫХ СОСТОЯНИЙ М

Таблица 3. 5 – ЗАВИСИМОСТЬ КОЛИЧЕСТВА ИНФОРМАЦИИ I(W,M) ОТ СЛОЖНОСТИ СМЕШАННЫХ СОСТОЯНИЙ M ДЛЯ РАЗЛИЧНОГО КОЛИЧЕСТВА КЛАССОВ W

Таблица 3. 6 – ОТНОСИТЕЛЬНЫЙ ВКЛАД ВИДОВ ИНФОРМАЦИИ I_MW/I_W В ОБЩЕЕ КОЛИЧЕСТВО ИНФОРМАЦИИ, СОДЕРЖАЩЕЙСЯ В СИСТЕМЕ

Таблица 3. 7 – МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ

Таблица 3. 8 – МАТРИЦА ИНФОРМАТИВНОСТЕЙ

Таблица 3. 9 – СООТВЕТСТВИЕ ТРЕБОВАНИЯМ ФОРМУЛ "КТИ / СТИ"

Таблица 3. 10 – ХАРАКТЕРИСТИКА И ПРИМЕРЫ ИЗМЕРИТЕЛЬНЫХ ШКАЛ

Таблица 3. 11 – МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ

Таблица 3. 12 – МАТРИЦА ИНФОРМАТИВНОСТЕЙ

Таблица 3. 13 – ПРЯМЫЕ И ОБРАТНЫЕ ПРАВДОПОДОБНЫЕ ЛОГИЧЕСКИЕ ВЫСКАЗЫВАНИЯ С РАСЧЕТНОЙ (В СООТВЕТСТВИИ С СТИ) СТЕПЕНЬЮ ИСТИННОСТИ ИМПЛИКАЦИЙ

Таблица 3. 14 – СООТВЕТСТВИЕ ТЕРМИНОВ РАЗЛИЧНЫХ НАУЧНЫХ НАПРАВЛЕНИЙ

Таблица 3. 15 – СРАВНЕНИЕ АДДИТИВНОГО И МУЛЬТИПЛИКАТИВНОГО ВАРИАНТОВ ИНТЕГРАЛЬНОГО КРИТЕРИЯ

Таблица 4. 1 – БАЗОВЫЕ КОГНИТИВНЫЕ ОПЕРАЦИИ СИСТЕМНОГО АНАЛИЗА (БКОСА)

Таблица 4. 2 – СООТВЕТСТВИЕ БКОСА ПРОГРАММНЫМ МОДУЛЯМ, ПРОЦЕДУРАМ И ФУНКЦИЯМ СИСТЕМЫ "Эйдос"

Таблица 5. 1 – ОБОБЩЕННАЯ СТРУКТУРА СИСТЕМЫ "ЭЙДОС" (версии 7.3)

Таблица 5. 2 – ПЕРЕЧЕНЬ ТЕКСТОВЫХ ФОРМ СИСТЕМЫ "ЭЙДОС"

Таблица 6. 1 – РАЗЛИЧИЯ МЕЖДУ ААСУ СС И РАСУ АО

Таблица 6. 2 – СРАВНЕНИЕ РАСУ КАЧЕСТВОМ ПОДГОТОВКИ СПЕЦИАЛИСТОВ С АСУ ТП И АСОУ

Таблица 6. 3 – КОМПОНЕНТЫ АСУ ОБРАЗОВАТЕЛЬНЫМИ ТЕХНОЛОГИЯМИ

Таблица 7. 1 – КЛАССИФИКАЦИОННЫЕ И ОПИСАТЕЛЬНЫЕ ШКАЛЫ И ГРАДАЦИИ ПРИ ИССЛЕДОВАНИИ ФОНДОВОГО РЫНКА

Таблица 7. 2 – ФРАГМЕНТ БИРЖЕВОЙ БАЗЫ ДАННЫХ

Таблица 7. 3 – КАРТОЧКА РЕЗУЛЬТАТОВ ПРОГНОЗИРОВАНИЯ ("ТОЧЕЧНЫЕ ПРОГНОЗЫ")

Таблица 7. 5 – ДАННЫЕ АКАДЕМИЧЕСКОЙ УСПЕВАЕМОСТИ

Таблица 7. 6 – СПРАВОЧНИК КЛАССОВ – БУДУЩИХ СОСТОЯНИЙ УЧАЩИХСЯ И ВЫПУСКНИКОВ КЮИ МВД РФ

Таблица 7. 7 – СПРАВОЧНИК ФАКТОРОВ ВЛИЯНИЯ НА УЧАЩИХСЯ И ВЫПУСКНИКОВ КЮИ МВД РФ

Таблица 7. 8 – ВАРИАНТЫ УПРАВЛЕНИЯ ФВЭУ

Таблица 7. 9 – ВЫБОР РЕЖИМА ЭНЕРГОРАСПРЕДЕЛЕНИЯ ФВЭУ

Таблица 7. 10 – ОПИСАТЕЛЬНЫЕ ШКАЛЫ (ФАКТОРЫ)

Таблица 7. 11 – КЛАССИФИКАЦИОННАЯ ШКАЛА (РЕЖИМЫ ЭНЕРГОРАСПРЕДЕЛЕНИЯ ФВЭУ)

Таблица 7. 12 – ОБУЧАЮЩАЯ ВЫБОРКА

Таблица 7. 13 – МАТРИЦА ИНФОРМАТИВНОСТЕЙ

Таблица 7. 14 – ВЫБОР РЕЖИМА ФВЭУ (ПРИ X=1, Y=1, Z=1)

Таблица 7. 15 – ДИФФЕРЕНЦИРУЮЩАЯ МОЩНОСТЬ ФАКТОРОВ

Таблица 7. 16 – ДЕТЕРМИНИРОВАННОСТЬ РЕЖИМОВ ФВЭУ

Таблица 7. 17 – ПРЯМЫЕ И ОБРАТНЫЕ ПРАВДОПОДОБНЫЕ ЛОГИЧЕСКИЕ ВЫСКАЗЫВАНИЯ С РАСЧЕТНОЙ (В СООТВЕТСТВИИ С СТИ) СТЕПЕНЬЮ ИСТИННОСТИ ИМПЛИКАЦИЙ

Лицензия ИД № 02334 от 14 июля 2000 г.
	Подписано в печать 05.10.02	Формат 60´84
	Бумага офсетная.	Офсетная печать
	37,81 печ.л.,	Заказ № 504.
	Тираж 1000 экз.

Отпечатано в типографии Кубанского государственного аграрного университета
350044, г. Краснодар, ул. Калинина, 13

Авторская правка.
Набор и оригинал-макет:	Е. В. Луценко

ГЛАВА 1. ПРОБЛЕМА УПРАВЛЕНИЯ АКТИВНЫМИ ОБЪЕКТАМИ И КОНЦЕПЦИЯ ЕЕ РЕШЕНИЯ

1.1.1. Классификация систем и понятие активного объекта. Определения основных терминов

Определения базовых понятий, используемых в работе

1.2.2. Специфические требования, вытекающие из проблематики исследования

Сущность моделирования и общая классификация моделей.

Общие принципы построения математических моделей при управлении активными объектами.

Основные задачи адаптивной идентификации.

Задача формализации предметной области.

Задача формирования обучающей выборки.

Задача обучения системы распознавания.

Задача снижения размерности пространства признаков.

Задача распознавания, идентификации и прогнозирования.

Задача контроля качества распознавания, идентификации и прогнозирования.

Задача адаптации.

Задача выработки управления (обратная задача распознавания, идентификации и прогнозирования).

Задачи кластерного и конструктивного анализа.

Задача когнитивного анализа.

Методы идентификации и их характеристики.

Принципы классификации методов распознавания образов.

Интенсиональные методы.

Экстенсиональные методы.

Сравнительный анализ методов идентификации и прогнозирования.

Роль и место идентификации состояний объектов в автоматизации управления активными объектами.

1.3.5. Принятие решения об управляющем воздействии в рефлексивных АСУ активными объектами

Многообразие задач принятия решений.

Принятие решений как реализация цели.

Принятие решений как снятие неопределенности (информационный подход).

Классификация задач принятия решений.

Критериальный язык принятия решений.

Выбор в условиях неопределенности.

Экспертные методы выбора.

1.4. КОНЦЕПЦИЯ РЕШЕНИЯ ПРОБЛЕМЫ: ОБОБЩЕННАЯ МОДЕЛЬ ДЕТЕРМИНИСТСКО-БИФУРКАЦИОННОЙ ДИНАМИКИ АКТИВНЫХ СИСТЕМ

ГЛАВА 2. МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ АСК-АНАЛИЗА

2.1.3. Этапы системного анализа (по Перегудову и Тарасенко, Лийву, Спицнаделю, Симанкову, Казиеву) и вопросы его детализации

2.1.4. Этапы когнитивного анализа (по Максимову и Корноушенко)

2.3.2. Когнитивный конфигуратор и базовые когнитивные операции системного анализа

Выбор единой интерпретируемой численной меры для классов и атрибутов

Выбор неметрической меры сходства объектов в семантических пространствах

Определение идентификационной и прогностической ценности атрибутов

Ортонормирование семантических пространств классов и атрибутов (Парето-оптимизация)

2.4. СТРУКТУРИРОВАНИЕ СИСТЕМНОГО АНАЛИЗА ДО УРОВНЯ БАЗОВЫХ КОГНИТИВНЫХ ОПЕРАЦИЙ

ГЛАВА 3. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ АСК-АНАЛИЗА

3.1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ СИСТЕМНОЙ ТЕОРИИ ИНФОРМАЦИИ

Требования к численной мере:

Абсолютная, относительная и аналитическая информация.

Информационно-функциональная теория развития техники:

Информационная модель канала передачи информации и аналогия со структурой АСУ

3.1.3. Конструирование системной численной меры на основе базовой

Системное обобщение формулы Хартли для количества информации.

Генезис и интерпретации системной (эмерджентной) теории информации.

3.2. СЕМАНТИЧЕСКАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ АСК-АНАЛИЗА

3.2.1. Формализм динамики взаимодействующих семантических информационных пространств. Двухвекторное представление данных.

Шкалы классов

Решение задачи 1: "Синтез семантической информационной модели активного объекта управления"

Решение задачи 2: "Адаптация модели объекта управления"

Решение задачи 3: "Разработка алгоритмов решения основных задач АСУ"

Решение подзадачи 3.3: "Выявление факторов, вносящих основной вклад в детерминацию состояния АОУ; снижение размерности модели при заданных ограничениях"

Решение подзадачи 3.4: "Сравнение влияния факторов. Сравнение состояний объекта управления"

Когнитивные диаграммы классов и признаков

Обоснование сопоставимости частных критериев Iij

Теорема-1: "О сопоставимости индивидуальных количеств информации, содержащейся в признаках объекта о принадлежности к классам"

Теорема-2: "О сопоставимости величин суммарной информации, рассчитанных для одного объекта и разных классов"

Теорема-3: "О сопоставимости величин суммарной информации, рассчитанных для разных объектов и разных классов, а также классов и классов, признаков и признаков"

3.3. НЕКОТОРЫЕ СВОЙСТВА МАТЕМАТИЧЕСКОЙ МОДЕЛИ (СХОДИМОСТЬ, АДЕКВАТНОСТЬ, УСТОЙЧИВОСТЬ И ДР.)

3.3.1. Непараметричность модели. Робастные процедуры и фильтры для исключения артефактов

3.3.3. Зависимость адекватности семантической информационной модели от объема обучающей выборки (адекватность при малых выборках)

3.4. СВЯЗЬ СИСТЕМНОГО ОБОБЩЕНИЯ ИНФОРМАЦИОННОЙ МЕРЫ ХАРКЕВИЧА СО СТАТИСТИКОЙ c2 И НОВАЯ МЕРА УРОВНЯ СИСТЕМНОСТИ ПРЕДМЕТНОЙ ОБЛАСТИ

Обоснование сопоставимости частных критериев I_ij

3.4. СВЯЗЬ СИСТЕМНОГО ОБОБЩЕНИЯ ИНФОРМАЦИОННОЙ МЕРЫ ХАРКЕВИЧА СО СТАТИСТИКОЙ c² И НОВАЯ МЕРА УРОВНЯ СИСТЕМНОСТИ ПРЕДМЕТНОЙ ОБЛАСТИ