- •Содержание
- •Раздел 1.4. Применение и перспективы систем искусственного интеллекта 378
- •Часть II. Лабораторный практикум 429
- •Часть III. Заочное обучение, самостоятельная работа студентов и подготовка к экзамену 589
- •Предисловие
- •Часть I. Курс лекций
- •1.1.1.1.1. Процессы труда и познания, как информационные процессы снятия неопределенности
- •1.1.1.1.2. Организм человека и средства труда как информационные системы
- •1.1.1.1.3. Законы развития техники
- •1.1.1.1.3.1. Закон перераспределения функций между человеком и средствами труда
- •1.1.1.1.3.2. Закон повышения качества базиса
- •1.1.1.1.4. Детерминация формы сознания человека функциональным уровнем средств труда
- •1.1.1.1.5. Неизбежность возникновения компьютеров, информационных систем и систем искусственного интеллекта
- •1.1.1.2. Информационная теория стоимости
- •1.1.1.2.1. Связь количества и качества информации с меновой и потребительной стоимостью
- •1.1.1.2.2. Информация, как сырье и как товар: абсолютная, относительная и аналитическая информация. Данные, информация, знания
- •1.1.1.2.3. Стоимость и амортизация систем искусственного интеллекта и баз знаний
- •1.1.1.3. Интеллектуализация – генеральное направление и развития информационных технологий
- •1.1.1.3.1. От электронных вычислительных машин к компьютерам. Функциональное определение компьютера
- •1.1.1.3.2. Эволюция понятия: "Обработка информации" от информационного сырья к информационному продукту
- •1.1.1.3.3. Эволюция технологий создания и поддержки информационных систем: автоматизация функций посредников
- •1.1.1.3.4. Перспективы информационных технологий: интеллектуализация, создание самообучающихся, саморазвивающихся (эволюционирующих) и самовоспроизводящихся систем
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.1.2. Лекция-2. Определение и критерии идентификации систем искусственного интеллекта Учебные вопросы
- •1.1.2.1. Данные, информация, знания. Системно-когнитивный анализ как развитие концепции смысла Шенка-Абельсона
- •1.1.2.1.1. Постановка проблемы
- •1.1.2.1.2. Традиционные пути решения проблемы
- •1.1.2.1.2.1. Классификация и характеристика концепций смысла
- •1.1.2.1.2.2. Суть концепции смысла Шенка-Абельсона
- •1.1.2.1.3. Идея решения проблемы
- •1.1.2.1.3.1. Формулировка идеи
- •1.1.2.1.3.2. Обоснование принципиальной возможности реализации идеи
- •1.1.2.1.4. Когнитивная концепция ск-анализа и синтез когнитивного конфигуратора
- •1.1.2.1.4.1. Понятие когнитивного конфигуратора и необходимость естественнонаучной (формализуемой) когнитивной концепции
- •1.1.2.1.4.2. Базовая когнитивная концепция
- •1.1.2.1.4.3. Когнитивный конфигуратор и базовые когнитивные операции системного анализа
- •1.1.2.1.4.4. Задачи формализации базовых когнитивных операций системного анализа
- •1.1.2.1.5. Мышление как вычисление смысла и реализация операций со смыслом в инструментарии ск-анализа – системе "Эйдос"
- •1.1.2.1.7. Выводы
- •1.1.2.2. Понятие: "Система искусственного интеллекта", место сии в классификации информационных систем
- •1.1.2.3. Определение и классификация систем искусственного интеллекта, цели и пути их создания
- •1.1.2.3.1. Тест Тьюринга и критерии "интеллектуальности" информационных систем. Может ли машина мыслить? Может ли искусственный интеллект превзойти своего создателя?
- •1. Машина, прошедшая тест, может не быть разумной, а просто следовать какому-то хитроумному набору правил.
- •2. Машина может быть разумной и не умея разговаривать, как человек, ведь и не все люди, которым мы не отказываем в разумности, умеют писать.
- •1.1.2.3.2. Классификация систем искусственного интеллекта
- •1.1.2.3.3. Особенности технологии создания систем искусственного интеллекта (обучение, "социализация", как технологический этап)
- •1.1.2.4. Информационная модель деятельности специалиста и место систем искусственного интеллекта в этой деятельности
- •1.1.2.5. Жизненный цикл системы искусственного интеллекта и критерии перехода между этапами этого цикла
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.2.1.1.2. Методы и этапы системного анализа
- •1.2.1.1.3. Этапы когнитивного анализа
- •1.2.1.1.4. Предлагаемая обобщенная схема системного анализа, ориентированного на интеграцию с когнитивными технологиями
- •1.2.1.2. Когнитивная концепция и синтез когнитивного конфигуратора
- •1.2.1.2.1. Понятие когнитивного конфигуратора и необходимость естественнонаучной (формализуемой) когнитивной концепции
- •1.2.1.2.1.1. Определение понятия конфигуратора
- •1.2.1.2.1.2. Понятие когнитивного конфигуратора
- •1.2.1.2.1.3. Когнитивные концепции и операции
- •1.2.1.2.2. Предлагаемая когнитивная концепция
- •1.2.1.2.3. Когнитивный конфигуратор и базовые когнитивные операции системного анализа
- •1.2.1.2.4. Задачи формализации базовых когнитивных операций 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)
- •1.2.1.4. Место и роль ск-анализа в структуре управления
- •1.2.1.4.1. Структура типовой асу
- •1.2.1.4.2. Параметрическая модель адаптивной асу сложными системами
- •1.2.1.4.3. Модель рефлексивной асу активными объектами и понятие мета-управления
- •1.2.1.4.4. Двухконтурная модель расу в апк Концепция рефлексивной асу в апк и технология qfd (технология развертывания функций качества)
- •Рефлексивная асу апк группы б: 1-й контур: "Агротехнологии – конечный продукт"
- •Рефлексивная асу апк группы а: 2-й контур: "Руководство – агротехнологический процесс"
- •Двухконтурная модель и обобщенная схема рефлексивной асу качеством подготовки специалистов
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.2.2.1.2. Выбор базовой численной меры Абсолютная, относительная и аналитическая информация.
- •Выбор в качестве базовой численной меры количества информации
- •1.2.2.1.3. Конструирование системной численной меры на основе базовой Системное обобщение формулы Хартли для количества информации
- •Гипотеза о законе возрастания эмерджентности и следствия из него
- •Системное обобщение классической формулы Харкевича, как количественная мера знаний
- •Генезис системной (эмерджентной) теории информации
- •1.2.2.2. Семантическая информационная модель ск-анализа
- •1.2.2.2.1. Формализм динамики взаимодействующих семантических информационных пространств. Двухвекторное представление данных.
- •Семантические пространства классов и атрибутов
- •Требования к системам координат, свойства векторов классов и атрибутов, решение проблемы снижения размерности описания и ортонормирования
- •1.2.2.2.2. Применение классической теории информации к.Шеннона для расчета весовых коэффициентов и мер сходства
- •Формальная постановка задачи
- •Информация как мера снятия неопределенности
- •Количество информации в индивидуальных событиях и лемма Неймана–Пирсона
- •Декомпозиция основной задачи в ряд частных подзадач
- •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"
- •Обобщение интегральной модели путем учета значений выходных параметров объекта управления
- •1.2.2.3. Некоторые свойства математической модели (сходимость, адекватность, устойчивость и др.)
- •1.2.2.3.1. Непараметричность модели. Робастные процедуры и фильтры для исключения артефактов
- •1.2.2.3.2. Зависимость информативностей факторов от объема обучающей выборки
- •1.2.2.3.3. Зависимость адекватности семантической информационной модели от объема обучающей выборки (адекватность при малых и больших выборках)
- •1.2.2.3.4. Семантическая устойчивость модели
- •1.2.2.3.5. Зависимость некоторых параметров модели от ее ортонормированности
- •Зависимость адекватности модели от ее ортонормированности
- •Зависимость уровня системности модели от ее ортонормированности
- •Зависимость степени детерминированности модели от ее ортонормированности
- •1.2.2.4. Взаимосвязь математической модели ск-анализа с другими моделями
- •1.2.2.4.1. Взаимосвязь системной меры целесообразности информации со статистикой 2 и новая мера уровня системности предметной области
- •1.2.2.4.2. Сравнение, идентификация и прогнозирование как разложение векторов объектов в ряд по векторам классов (объектный анализ)
- •1.2.2.4.3. Системно-когнитивный и факторный анализ. Ск-анализ, как метод вариабельных контрольных групп
- •1.2.2.4.4. Семантическая мера целесообразности информации и эластичность Эластичность в непрерывном случае
- •Эластичность в дискретном случае
- •Свойства эластичности
- •1.2.2.4.5. Связь семантической информационной модели с нейронными сетями
- •Метафора нейросетевого представления семантической информационной модели
- •Соответствие основных терминов и понятий
- •Недостатки нейронных сетей и пути их преодоления в семантической информационной модели
- •Гипотеза о нелокальности нейрона и информационная нейросетевая парадигма
- •Решение проблемы интерпретируемости весовых коэффициентов (семантическая мера целесообразности информации и закон Фехнера)
- •Семантическая информационная модель, как нелокальная нейронная сеть
- •Гипотеза о физической природе нелокального взаимодействия нейронов в нелокальной нейронной сети
- •Решение проблемы интерпретируемости передаточной функции
- •Решение проблемы размерности
- •Моделирование причинно-следственных цепочек в нейронных сетях и семантической информационной модели
- •Моделирование иерархических структур обработки информации
- •Нейронные сети и ск-анализ
- •1.2.2.4.6. Математический метод ск-анализа в свете идей интервальной бутстрепной робастной статистики объектов нечисловой природы Постановка проблемы
- •Традиционные пути решения проблемы
- •Идея решения проблемы
- •Математическая модель ск-анализа
- •Методика численных расчетов ск-анализа
- •Специальный программный инструментарий ск-анализа – система "Эйдос"
- •Контрольные вопросы
- •Рекомендуемая литература
- •Шкалы классов (классификационные шкалы)
- •Шкалы атрибутов (описательные шкалы)
- •1.2.3.2. Иерархическая структура данных и последовательность численных расчетов в ск-анализе
- •1.2.3.3. Обобщенное описание алгоритмов ск-анализа
- •Бкоса-2.1. "Восприятие и запоминание исходной обучающей информации"
- •Бкоса-2.2. "Репрезентация. Сопоставление индивидуального опыта с коллективным (общественным)"
- •Бкоса-3.1.1. "Обобщение (синтез, индукция). Накопление первичных данных"
- •Бкоса-3.1.2. "Обобщение (синтез, индукция). Исключение артефактов"
- •Бкоса-7. "Сравнение, идентификация и прогнозирование. Распознавание состояний конкретных объектов (объектный анализ)"
- •Бкоса-9.1. "Дедукция и абдукция классов (семантический анализ обобщенных образов классов, решение обратной задачи прогнозирования)"
- •1.2.3.4. Детальные алгоритмы ск-анализа
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.2.4. Лекция-6. Технология синтеза и эксплуатации приложений в системе "Эйдос" Учебные вопросы
- •1.2.4.1. Назначение и состав системы "эйдос"
- •1.2.4.1.1. Цели и основные функции системы "Эйдос"
- •Синтез содержательной информационной модели предметной области
- •Идентификация и прогнозирование состояния объекта управления, выработка управляющих воздействий
- •Углубленный анализ содержательной информационной модели предметной области
- •1.2.4.1.2. Обобщенная структура системы "Эйдос"
- •Ввод-корректировка обучающей информации (бкоса-2.1)
- •Управление составом обучающей информации (бкоса-2.2)
- •1.2.4.2.2. Синтез модели: пакетное обучение системы распознавания (подсистема "Обучение") (бкоса-3)
- •Расчет матрицы абсолютных частот (бкоса-3.1.1)
- •Исключение артефактов (робастная процедура) (бкоса-3.1.2)
- •Расчет матриц информативностей (бкоса-3.1.3, 3.2, 3.3)
- •Измерение сходимости и устойчивости модели
- •1.2.4.2.3. Оптимизация модели (подсистема "Оптимизация") (бкоса-4)
- •Формирование ортонормированного базиса классов (бкоса-4.2)
- •Исключение признаков с низкой селективной силой (бкоса-4.1)
- •Удаление классов и признаков, по которым недостаточно данных
- •1.2.4.2.4. Верификация модели (оценка ее адекватности) (бкоса-5)
- •1.2.4.2.5. Эксплуатация приложения в режиме адаптации и периодического синтеза модели (бкоса-7, бкоса-9, бкоса-10) Идентификация и прогнозирование (подсистема "Распознавание") (бкоса-7)
- •Информационные портреты классов (бкоса-9.1)
- •Расчет матрицы сходства эталонов классов (бкоса-10.1.1)
- •Генерация кластеров и конструктов классов (бкоса-10.1.2)
- •Автоматическое выполнение режимов 1-2-3
- •Вывод 2d-семантических сетей классов (бкоса-10.1.3)
- •Когнитивные диаграммы классов (бкоса-10.3.1, 10.3.2)
- •Семантические портреты атрибутов (бкоса-9.2)
- •Расчет матрицы сходства атрибутов (бкоса-10.2.1)
- •Генерация кластеров и конструктов атрибутов (бкоса-10.2.2)
- •Вывод 2d-семантических сетей атрибутов (бкоса-10.2.3)
- •Когнитивные диаграммы атрибутов (бкоса-10.4.1, 10.4.2)
- •Оценка достоверности заполнения анкет
- •1.2.4.3. Технические характеристики и обеспечение эксплуатации системы "эйдос" (версии 12.5)
- •1.2.4.3.1. Состав системы "Эйдос": базовая система, системы окружения и программные интерфейсы импорта данных
- •1.2.4.3.2. Отличия системы "Эйдос" от аналогов: экспертных и статистических систем
- •1.2.4.3.3. Некоторые количественные характеристики системы "Эйдос"
- •1.2.4.3.4. Обеспечение эксплуатации системы "Эйдос"
- •Контрольные вопросы
- •Рекомендуемая литература
- •Раздел 1.3. Принципы построения интеллектуальных информационных систем
- •1.3.1. Лекция-7. Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами Учебные вопросы
- •1.3.1.1. Интеллектуальные интерфейсы. Использование биометрической информации о пользователе в управлении системами
- •1.3.1.1.1. Идентификация и аутентификация личности по почерку. Понятие клавиатурного почерка
- •1.3.1.1.2. Соотношение психографологии и атрибуции текстов
- •1.3.1.1.3. Идентификация и аутентификация личности пользователя компьютера по клавиатурному почерку
- •Варианты постановки задачи распознавания клавиатурного почерка
- •Характеристики клавиатурного почерка
- •Математические методы распознавания клавиатурного почерка
- •1.3.1.1.4. Прогнозирование ошибок оператора по изменениям в его электроэнцефалограмме
- •1.3.1.2. Системы с биологической обратной связью
- •1.3.1.2.1. Общие положения
- •1.3.1.2.1. Мониторинг состояния сотрудников сборочного конвейера с целью обеспечения высокого качества продукции
- •1.3.1.2.2. Компьютерные тренажеры, основанные на бос, для обучения больных навыкам управления своим состоянием
- •1.3.1.2.3. Компьютерные игры с бос
- •1.3.1.3. Системы с семантическим резонансом. Компьютерные -технологии и интеллектуальный подсознательный интерфейс
- •1.3.1.4. Системы виртуальной реальности и критерии реальности. Эффекты присутствия, деперсонализации и модификация сознания пользователя
- •1.3.1.4.1. Классическое определение системы виртуальной реальности
- •1.3.1.4.2. "Эффект присутствия" в виртуальной реальности
- •1.3.1.4.3. Применения систем виртуальной реальности
- •1.3.1.4.4. Модификация сознания и самосознания пользователя в виртуальной реальности
- •1.3.1.4.5. Авторское определение системы виртуальной реальности
- •1.3.1.4.6. Критерии реальности при различных формах сознания и их применение в виртуальной реальности
- •1.3.1.4.7. Принципы эквивалентности (относительности) Галилея и Эйнштейна и критерии виртуальной реальности
- •1.3.1.5. Системы с дистанционным телекинетическим интерфейсом
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.3.2. Лекция-8. Автоматизированные системы распознавания образов Учебные вопросы
- •1.3.2.1. Основные понятия
- •1.3.2.1.1. Признаки и образы конкретных объектов, метафора фазового пространства
- •1.3.2.1.2. Признаки и обобщенные образы классов
- •1.3.2.1.3. Обучающая выборка и ее репрезентативность по отношению к генеральной совокупности. Ремонт (взвешивание) данных
- •1.3.2.1.4. Основные операции: обобщение и распознавание
- •1.3.2.1.5. Обучение с учителем (экспертом) и самообучение (кластерный анализ)
- •1.3.2.1.6. Верификация, адаптация и синтез модели
- •1.3.2.2. Проблема распознавания образов
- •1.3.2.3. Классификация методов распознавания образов
- •1.3.2.4. Применение распознавания образов для идентификации и прогнозирования. Сходство и различие в содержании понятий "идентификация" и "прогнозирование"
- •1.3.2.5. Роль и место распознавания образов в автоматизации управления сложными системами
- •1.3.2.5.1. Обобщенная структура системы управления
- •1.3.2.5.2. Место системы идентификации в системе управления
- •1.3.2.5.3. Управление как задача, обратная идентификации и прогнозированию
- •1.3.2.6. Методы кластерного анализа
- •1.3.2.6.1. Древовидная кластеризация
- •1.3.2.6.2. Двухвходовое объединение
- •1.3.2.6.3. Метод k средних
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.3.3. Лекция-9. Математические методы и автоматизированные системы поддержки принятия решений Учебные вопросы
- •1.3.3.1. Многообразие задач принятия решений
- •1.3.3.1.1. Принятие решений, как реализация цели
- •1.3.3.1.2. Принятие решений, как снятие неопределенности (информационный подход)
- •Простейшее понятие об информации (подход Хартли).
- •Мера Шеннона, как обобщение меры Хартли для неравновероятных событий.
- •1.3.3.1.3. Связь принятия решений и распознавания образов
- •1.3.3.1.4. Классификация задач принятия решений
- •1.3.3.2. Языки описания методов принятия решений
- •1.3.3.2.1. Критериальный язык
- •1.3.3.2.2. Язык последовательного бинарного выбора
- •1.3.3.2.3. Обобщенный язык функций выбора
- •1.3.3.2.4. Групповой выбор
- •1.3.3.3. Выбор в условиях неопределенности
- •1.3.3.3.1. Информационная (статистическая) неопределенность в исходных данных
- •1.3.3.3.2. Неопределенность последствий
- •1.3.3.3.3. Расплывчатая неопределенность
- •1.3.3.4. Решение как компромисс и баланс различных интересов. О некоторых ограничениях оптимизационного подхода
- •1.3.3.5. Экспертные методы выбора
- •1.3.3.6. Юридическая ответственность за решения, принятые с применением систем поддержки принятия решений
- •1.3.3.7. Условия корректности использования систем поддержки принятия решений
- •1.3.3.8. Хранилища данных для принятия решений
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.3.4. Лекция-10. Экспертные системы Учебные вопросы
- •1.3.4.1. Экспертные системы, базовые понятия
- •1.3.4.2. Экспертные системы, методика построения
- •1.3.4.3. Этап-1: "Идентификация"
- •1.3.4.4. Этап-2: "Концептуализация"
- •1.3.4.5. Этап-3: "Формализация"
- •1.3.4.6. Этап-4: "Разработка прототипа"
- •1.3.4.7. Этап-5: "Экспериментальная эксплуатация"
- •1.3.4.8. Этап-6: "Разработка продукта"
- •1.3.4.9. Этап-7: "Промышленная эксплуатация"
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.3.5. Лекция-11. Нейронные сети Учебные вопросы
- •1.3.5.1. Биологический нейрон и формальная модель нейрона Маккалоки и Питтса
- •1.3.5.2. Возможность решения простых задач классификации непосредственно одним нейроном
- •1.3.5.3. Однослойная нейронная сеть и персептрон Розенблата
- •1.3.5.4. Линейная разделимость и персептронная представляемость
- •1.3.5.5. Многослойные нейронные сети
- •1.3.5.5.1. Многослойный персептрон
- •1.3.5.5.2. Модель Хопфилда
- •1.3.5.5.3. Когнитрон и неокогнитрон Фукушимы
- •1.3.5.6. Проблемы и перспективы нейронных сетей
- •1.3.5.7. Модель нелокального нейрона и нелокальные интерпретируемые нейронные сети прямого счета
- •1.3.5.7.1. Метафора нейросетевого представления семантической информационной модели
- •1.3.5.7.2. Соответствие основных терминов и понятий
- •1.3.5.7.3. Гипотеза о нелокальности нейрона и информационная нейросетевая парадигма
- •1.3.5.7.4. Решение проблемы интерпретируемости весовых коэффициентов (семантическая мера целесообразности информации и закон Фехнера)
- •1.3.5.7.5. Семантическая информационная модель, как нелокальная нейронная сеть
- •1.3.5.7.6. Гипотеза о физической природе нелокального взаимодействия нейронов в нелокальной нейронной сети
- •1.3.5.7.7. Решение проблемы интерпретируемости передаточной функции
- •1.3.5.7.8. Решение проблемы размерности
- •1.3.5.7.9. Решение проблемы линейной разделимости
- •1.3.5.7.10. Моделирование причинно-следственных цепочек в нейронных сетях и семантической информационной модели
- •1.3.5.7.11. Моделирование иерархических структур обработки информации
- •1.3.5.7.12. Нейронные сети и ск-анализ
- •1.3.5.7.13. Графическое отображение нейронов, Паррето-подмножеств нелокальной нейронной сети, семантических сетей, когнитивных карт и диаграмм в системе "Эйдос"
- •Обучение нелокальной нейронной сети
- •Классические когнитивные карты
- •Обобщенные когнитивные карты
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.3.6. Лекция-12. Генетические алгоритмы и моделирование биологической эволюции Учебные вопросы
- •1.1.6.1. Основные понятия, принципы и предпосылки генетических алгоритмов
- •1.1.6.2. Пример работы простого генетического алгоритма
- •1.1.6.3. Достоинства и недостатки генетических алгоритмов
- •1.1.6.4. Примеры применения генетических алгоритмов
- •1.3.7.1. Определение основных понятий: "Когнитивное моделирование" и "Классическая когнитивная карта", их связь с когнитивной психологией и гносеологией
- •1.3.7.2. Когнитивная (познавательно-целевая) структуризация знаний об исследуемом объекте и внешней для него среды на основе pest-анализа и swot-анализа
- •1.3.7.3. Разработка программы реализации стратегии развития исследуемого объекта на основе динамического имитационного моделирования (при поддержке программного пакета Ithink)
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.3.8. Лекция-14. Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining) Учебные вопросы
- •1.3.8.1. Интеллектуальный анализ данных
- •1.3.8.2. Типы выявляемых закономерностей
- •1.3.8.2.1. Ассоциация
- •1.3.8.2.2. Последовательность
- •1.3.8.2.3. Классификация
- •1.3.8.2.4. Кластеризация
- •1.3.8.2.5. Прогнозирование
- •1.3.8.3. Математический аппарат
- •1.3.8.3.1. Деревья решений
- •1.3.8.3.2. Регрессионный анализ
- •1.3.8.3.3. Нейронные сети
- •1.3.8.3.4. Временные ряды
- •1.3.8.4. Области применения технологий интеллектуального анализа данных
- •1.3.8.4.1. Розничная торговля
- •1.3.8.4.2. Банковская деятельность
- •1.3.8.4.3. Страховой бизнес
- •1.3.8.4.4. Производство
- •1.3.8.5. Автоматизированные системы для интеллектуального анализа данных
- •Контрольные вопросы
- •Рекомендуемая литература
- •Раздел 1.4. Применение и перспективы систем искусственного интеллекта
- •1.4.1. Лекция-15. Области применения систем искусственного интеллекта Учебные вопросы
- •1.4.1.1. Обзор опыта применения аск-анализа для управления и исследования социально-экономических систем
- •1.4.1.1.1. Синтез и решение задач управления качеством подготовки специалистов
- •1.4.1.1.2. Экономические исследования
- •6.1.3.1. Маркетинговые исследования
- •6.1.3.2. Рекламные исследования
- •1.4.1.1.3. Социологические и политологические исследования
- •1.4.1.2. Поддержка принятия решений по выбору агротехнологий, культур и пунктов выращивания
- •1.4.1.2.1. Поддержка принятия решений по выбору агротехнологий
- •Параметры семантической информационной модели
- •Методика проведения работ
- •Ограничения и недостатки предложенных модели и инструментария и пути их преодоления
- •1.4.1.2.2. Поддержка принятия решений по выбору культур и пунктов выращивания
- •Цель работы
- •Проблема
- •Традиционные пути решения
- •Недостатки традиционных путей
- •Предлагаемая концепция решения проблемы
- •Математическая модель
- •Алгоритмы и структуры данных
- •Программный инструментарий
- •Технология применения программного инструментария
- •Картографическое районирование косточковых плодовых в Южно-Российском регионе
- •1.4.1.3. Прогнозирование динамики сегмента рынка
- •1.4.1.3.2. Когнитивная структуризация и формализация предметной области
- •1.4.1.3.3. Исходные данные для прогноза: биржевые базы данных
- •1.4.1.3.4. Формирование точечных прогнозов
- •1.4.1.3.5. Формирование средневзвешенного прогноза
- •1.4.1.3.6. Оценка адекватности модели. Зависимость достоверности прогнозирования от разброса точечных прогнозов
- •1.4.1.3.7. Детерминистские и бифуркационные участки траектории
- •1.4.1.3.8. Прогнозирования времени перехода системы в бифуркационное состояние
- •1.4.1.3.9. Исследование семантической информационной модели
- •Ослабление влияния факторов со временем
- •Старение информации и периоды эргодичности процессов в предметной области
- •Автоколебания фондового рынка
- •Время реакции системы на изменение факторов (ригидность)
- •Управление фондовым рынком на детерминистских участках траектории
- •Управление фондовым рынком в точках бифуркации
- •Контрольные вопросы
- •Рекомендуемая литература
- •1.4.2. Лекция-16. Перспективы развития систем искусственного интеллекта, в т.Ч. В Internet Учебные вопросы
- •1.4.2.1. Ограничения аск-анализа и обоснованное расширение области его применения на основе научной индукции
- •1.4.2.2. Перспективы применения аск-анализа в управлении
- •1.4.2.2.1. Оценка рисков страхования и кредитования предприятий Актуальность.
- •Традиционные подходы к решению проблемы: фундаментальный и технический подход (содержательные и феноменологические модели)
- •Предлагаемая методология и технология как синтез технического и фундаментального подхода. Общие принципы решения проблемы
- •1.4.2.2.2. Мониторинг, прогнозирование и управление в финансово-экономической сфере Актуальность
- •Ценовой мониторинг
- •Мониторинг хода экономической реформы
- •Мониторинг инвестиционных проектов
- •Кредитно-финансовый мониторинг
- •Мониторинг предприятий
- •Социально–психологический мониторинг
- •Результаты и перспективы
- •1.4.2.2.3. Некоторые перспективные области применения аск-анализа
- •1.4.2.3. Развитие аск-анализа
- •1.4.2.3.1. Многоагентные распределенные системы обнаружения, накопления и использования знаний в Internet
- •1.4.2.3.2. Развитие аск-анализа с применением теории нечетких множеств и неклассической логики
- •1.4.2.3.3. Динамика взаимодействующих семантических пространств и создание континуального аск-анализа
- •1.4.2.4. Другие перспективные области применения аск-анализа и систем искусственного интеллекта
- •Контрольные вопросы
- •Рекомендуемая литература
- •Часть II. Лабораторный практикум
- •2.1. Соответствие лабораторных работ рабочим программам по специальностям
- •351401 – Прикладная информатика в экономике
- •351403 – Прикладная информатика в юриспруденции
- •2.2. Структура лабораторной работы, порядок ее установки, выполнения и сдачи
- •2.2.1. Структура лабораторной работы
- •2.2.2. Инструкция по установке лабораторной работы
- •Инструкция по установке системы "Эйдос" и баз данных лабораторной работы
- •2.2.3. Выполнение и сдача лабораторной работы
- •2.3. Материально-техническое и программное обеспечение для проведения лабораторных работ в компьютерном классе
- •2.3.1. Материально-техническое обеспечение
- •Задача 1
- •Задача 2
- •Пример решения задачи 1 Пример решения задания 1.1: "Формализовать задачу, создав классификационные и описательные шкалы и обучающую выборку"
- •Пример решения задачи 2 Пример решения задания 2.1: "Создать стандартизированные текстовые описания составов в виде отдельных файлов стандарта dos-текст"
- •Пример решения задания 2.2: "Сгенерировать классификационные и описательные шкалы"
- •Пример решения задания 2.3: "Сгенерировать обучающую выборку"
- •Пример решения задания 2.4: "Осуществить синтез и верификацию семантической информационной модели"
- •Пример решения задания 2.5 "Провести анализ модели, сформулировав правила для прогнозирования направления движения составов"
- •Пример решения задания 2.6: "Оценить ценность признаков для прогнозирования. Выделить признаки, наиболее существенные для решения поставленной задачи"
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Пример решения задания 2: Осуществить синтез и верификацию модели
- •Пример решения задания 3: Оценить ценность признаков для прогнозирования. Выделить признаки, наиболее существенные для решения поставленной задачи.
- •Пример решения задания 4: Провести анализ модели
- •Пример решения задания 4.1: Как посещаемость занятий по системам искусственного интеллекта влияет на успеваемость по этой дисциплине?
- •Пример решения задания 4.2: Как сказывается пол на посещаемости?
- •Пример решения задания 4.3: Как выглядят конструкты "Пол", "Город-деревня", "Учебная группа", "Посещаемость"?
- •Пример решения задания 4.4: Какие студенты являются "типичными представителями" для своих учебных групп, а какие обладают своеобразием и выраженной индивидуальностью?
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Задание 1.2. В качестве описательных шкал и градаций использовать характеристики подчерка.
- •Задание 1.3. Обучающую выборку заполнить на основе данных по учащимся своей группы и дополнить данными параллельной группы.
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Задание 1.2. В качестве описательных шкал и градаций использовать предлагаемую анкету.
- •Задание 1.3. Обучающую выборку заполнить на основе данных по учащимся своей группы и дополнить данными параллельной группы.
- •Задание 2. Осуществить синтез и верификацию (измерение адекватности) семантической информационной модели.
- •Задание 3. Провести системно-когнитивный анализ модели: Задание 3.1. Решить задачи идентификации и прогнозирования (для себя).
- •Задание 3.2. Сгенерировать информационные портреты классов и факторов, т.Е. Решить обратную задачу прогнозирования.
- •Задание 3.3. Провести кластерно-конструктивный анализ классов и факторов (результаты отобразить в форме семантических сетей классов и факторов).
- •Задание 3.4. Осуществить содержательное сравнение классов и факторов (результаты отобразить в форме когнитивных диаграмм классов и факторов).
- •Задание 3.5. Построить нелокальные нейроны и интерпретируемые нейронные сети.
- •Задание 3.6. Построить классические когнитивные модели (отобразить в форме когнитивных карт).
- •Задание 3.7. Построить интегральные когнитивные модели (отобразить в форме интегральных когнитивных карт).
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Пример решения Пример решения задания 1: "Создать файл в стандарте dos-текст с концами строк, записать его в поддиректорию dob"
- •Пример решения задания 2: "Сгенерировать классификационные и описательные шкалы и градации, а также обучающую выборку"
- •Пример решения задания 3: " Осуществить синтез и верификацию модели"
- •Пример решения задания 4: "Проверить устойчивость модели к неполноте информации и наличию шума"
- •Устойчивость модели к неполноте информации
- •Устойчивость модели к наличию шума
- •Пример решения задания 5: "Проверить способность модели правильно идентифицировать классы, один из которых является подмножеством другого"
- •Пример решения задания 6: Оценить ценность букв для идентификации слов. Сравнить суммарную ценность для этой цели гласных и согласных букв
- •Кластерно-конструктивный анализ букв
- •Информационные портреты классов (слов)
- •Профили слов
- •Семантические портреты и профили букв
- •Пример решения задания 8: "Вывести в графической форме семантические сети и когнитивные диаграммы слов и букв, классическую и интегральную когнитивные карты"
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задания
- •Пример решения
- •1. Осуществить когнитивную структуризацию предметной области.
- •2. Выполнить формализацию предметной области.
- •2.1. Формирование классификационных шкал и градаций
- •2.1. Формирование описательных шкал и градаций
- •3. Сформировать обучающую выборку
- •4. Осуществить синтез семантической информационной модели
- •5. Оптимизировать семантическую информационную модель
- •6. Проверить семантическую информационную модель на адекватность, измерить внутреннюю и внешнюю, дифференциальную и интегральную валидность
- •6.1. Внутренняя дифференциальная и интегральная валидность
- •6.2. Внешняя дифференциальная и интегральная валидность
- •7. Выполнить адаптацию модели и измерить, как изменилась ее адекватность
- •8. Осуществить пересинтез модели и измерить, как изменилась ее адекватность
- •9. Вывести информационные портреты текстов и дать их интерпретацию
- •10. Выполнить кластерно-конструктивный анализ модели
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Пример решения
- •1. Формализовать задачу.
- •1.1. Сконструировать классификационные шкалы и градации.
- •1.2. Сконструировать описательные шкалы и градации.
- •1.3. Сгенерируем обучающую выборку.
- •2. Осуществить синтез и верификацию (измерение адекватности) семантической информационной модели.
- •3. Провести системно-когнитивный анализ модели:
- •3.1. Решить задачи идентификации и прогнозирования.
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Пример решения
- •1. Формализовать задачу.
- •1.1. Сконструировать классификационные шкалы и градации.
- •1.2. Сконструировать описательные шкалы и градации.
- •1.3. Сгенерировать обучающую выборку.
- •2. Осуществить синтез и верификацию (измерение адекватности) семантической информационной модели.
- •3. Провести системно-когнитивный анализ модели:
- •3.1. Решить задачи идентификации и прогнозирования.
- •3.3. Провести кластерно-конструктивный анализ классов и факторов (результаты отобразить в форме семантических сетей классов и факторов).
- •3.4. Осуществить содержательное сравнение классов и факторов (результаты отобразить в форме когнитивных диаграмм классов и факторов).
- •Контрольные опросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Пример решения
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Краткая теория
- •Задание
- •Пример решения
- •Контрольные вопросы
- •Литература по лабораторной работе
- •Часть III. Заочное обучение, самостоятельная работа студентов и подготовка к экзамену
- •3.1. Изучение дисциплины при заочной форме обучения
- •3.2.3. Примерная структура реферата, курсовой или дипломной работы и элементы научного исследования в самостоятельной работе
- •3.2.4. Методика использования репозитария uci для оценки качества математических моделей систем искусственного интеллекта
- •3.2.4.1. Постановка задачи и пути ее решения
- •3.2.4.2. Преобразование исходных данных из html-формата в промежуточные dbf- таблицы
- •3.2.4.2.1. Характеристика исходных данных
- •Общее описание задачи (файл: zoo_names.Htm):
- •Обучающая выборка (файл: zoo_data.Htm)
- •Некоторые замечания к общему описанию задачи
- •3.2.4.2.2. Этапы разработки семантической информационной модели
- •3.2.4.2.3. Формализация предметной области: разработка классификационных и описательных шкал и градаций
- •3.2.4.2.4. Подготовка и ввод обучающей выборки
- •3.2.4.3. Программный интерфейс для преобразования промежуточных dbf-файлов в базы данных системы "Эйдос"
- •3.2.4.4. Синтез семантической информационной модели
- •3.2.4.5. Оптимизация семантической информационной модели
- •3.2.4.6. Проверка адекватности семантической информационной модели
- •3.2.4.7. Анализ семантической информационной модели
- •3.2.4.4. Резюме
- •3.3. Теоретические вопросы
- •3.3.1. Вопросы, выносящиеся на экзамен по дисциплине
- •Контрольные вопросы по лекции 1
- •Контрольные вопросы по лекции 2
- •Контрольные вопросы по лекции 3
- •Контрольные вопросы по лекции 4
- •Контрольные вопросы по лекции 5
- •Контрольные вопросы по лекции 6
- •Контрольные вопросы по лекции 7
- •Контрольные вопросы по лекции 8
- •Контрольные вопросы по лекции 9
- •Контрольные вопросы по лекции 10
- •Контрольные вопросы по лекции 11
- •Контрольные вопросы по лекции 12
- •Контрольные вопросы по лекции 13
- •Контрольные вопросы по лекции 14
- •Контрольные вопросы по лекции 15
- •Контрольные вопросы по лекции 16
- •Контрольные вопросы по лабораторной работе 1
- •Контрольные вопросы по лабораторной работе 2
- •Контрольные вопросы по лабораторной работе 3
- •Контрольные вопросы по лабораторной работе 4
- •Контрольные вопросы по лабораторной работе 5
- •Контрольные вопросы по лабораторной работе 6
- •Контрольные вопросы по лабораторной работе 7
- •Контрольные опросы по лабораторной работе 8
- •Контрольные вопросы по лабораторной работе 9
- •Контрольные вопросы по лабораторной работе 10
- •3.3.2. Вопросы, относящиеся к дисциплине "иис", выносящиеся на государственный экзамен
- •3.4. Практические задания
- •Заключение
- •Литература основная литература
- •Дополнительная литература
- •Internet-сайты
- •Краткий словарь терминов по ск-анализу и системам искусственного интеллекта
Специальный программный инструментарий ск-анализа – система "Эйдос"
На таблице 26 показана обобщенная схема когнитивной аналитической системы "Эйдос", которая реализует математическую модель и численный метод системно-когнитивного анализа и, таким образом, является его инструментарием.
В состав данной системы входит 7 подсистем.
Первые 3 подсистемы являются инструментальными, т.е. позволяют осуществлять синтез и адаптацию модели.
Остальные 4 подсистемы обеспечивают идентификацию, прогнозирование и кластерно-конструктивный анализ модели, в т.ч. верификацию модели и выработку управляющих воздействий.
Система "Эйдос" является довольно большой системой: распечатка ее исходных текстов 6-м шрифтом составляет около 800 листов, она генерирует 54 графических формы (двумерные и трехмерные) и 50 текстовых форм. На данную систему и системы окружения получено 8 свидетельств РосПатента РФ.
Таблица 26 – ОБОБЩЕННАЯ СТРУКТУРА УНИВЕРСАЛЬНОЙ КОГНИТИВНОЙ АНАЛИТИЧЕСКОЙ СИСТЕМЫ "ЭЙДОС"
Подсистема |
Режим |
Функция |
Операция |
1. Словари |
1. Классификационные шкалы и градации |
||
2. Описательные шкалы (и градации) |
|||
3. Градации описательных шкал (признаки) |
|||
4. Иерархические уровни систем |
1. Уровни классов |
||
2. Уровни признаков |
|||
5. Программные интерфейсы для импорта данных |
1. Импорт данных из TXT-фалов стандарта DOS-текст |
||
2. Импорт данных из DBF-файлов стандарта проф. А.Н.Лебедева |
|||
3. Импорт из транспонированных DBF-файлов проф. А.Н.Лебедева |
|||
4. Генерация шкал и обучающей выборки RND-модели |
|||
5. Генерация шкал и обучающей выборки для исследования чисел |
|||
6. Транспонирование DBF-матриц исходных данных |
|||
6. Почтовая служба по НСИ |
1. Обмен по классам |
||
2. Обмен по обобщенным признакам |
|||
3. Обмен по первичным признакам |
|||
7. Печать анкеты |
|||
2. Обучение |
1. Ввод–корректировка обучающей выборки |
||
2. Управление обучающей выборкой |
1. Параметрическое задание объектов для обработки |
||
2. Статистическая характеристика, ручной ремонт |
|||
3. Автоматический ремонт обучающей выборки |
|||
3. Пакетное обучение системы распознавания |
1. Накопление абсолютных частот |
||
2. Исключение артефактов (робастная процедура) |
|||
3. Расчет информативностей признаков |
|||
4. Расчет условных процентных распределений |
|||
5. Автоматическое выполнение режимов 1–2–3–4 |
|||
6. Измерение сходимости и устойчивости модели |
1. Сходимость и устойчивость СИМ |
||
2. Зависимость валидности модели от объема обучающей выборки |
|||
4. Почтовая служба по обучающей информации |
|||
3. Оптимизация |
1. Формирование ортонормированного базиса классов |
||
2. Исключение признаков с низкой селективной силой |
|||
3. Удаление классов и признаков, по которым недостаточно данных |
|||
4. Распознавание |
1. Ввод–корректировка распознаваемой выборки |
||
2. Пакетное распознавание |
|||
3. Вывод результатов распознавания |
1. Разрез: один объект – много классов |
||
2. Разрез: один класс – много объектов |
|||
4. Почтовая служба по распознаваемой выборке |
|||
5. Типология |
1. Типологический анализ классов распознавания |
1. Информационные (ранговые) портреты (классов) |
|
2. Кластерный и конструктивный анализ классов |
1 Расчет матрицы сходства образов классов |
||
2. Генерация кластеров и конструктов классов |
|||
3. Просмотр и печать кластеров и конструктов |
|||
4. Автоматическое выполнение режимов: 1,2,3 |
|||
5. Вывод 2d семантических сетей классов |
|||
3. Когнитивные диаграммы классов |
|||
2. Типологический анализ первичных признаков |
1. Информационные (ранговые) портреты признаков |
||
2. Кластерный и конструктивный анализ признаков |
1. Расчет матрицы сходства образов признаков |
||
2. Генерация кластеров и конструктов признаков |
|||
3. Просмотр и печать кластеров и конструктов |
|||
4. Автоматическое выполнение режимов: 1,2,3 |
|||
5. Вывод 2d семантических сетей признаков |
|||
3. Когнитивные диаграммы признаков |
|||
6. Анализ |
1. Оценка достоверности заполнения объектов |
||
2. Измерение адекватности семантической информационной модели |
|||
3. Измерение независимости классов и признаков |
|||
4. Просмотр профилей классов и признаков |
|||
5. Графическое отображение нелокальных нейронов |
|||
6. Отображение Паретто-подмножеств нейронной сети |
|||
7. Классические и интегральные когнитивные карты |
|||
Продолжение таблицы 26
Подсистема |
Режим |
Функция |
Операция |
7. Сервис |
1. Генерация (сброс) БД |
1. Все базы данных |
|
2. НСИ |
1. Всех баз данных |
||
2. БД классов |
|||
3. БД первичных признаков |
|||
4. БД обобщенных признаков |
|||
3. Обучающая выборка |
|||
4. Распознаваемая выборка |
|||
5. Базы данных статистики |
|||
2. Переиндексация всех баз данных |
|||
3. Печать БД абсолютных частот |
|||
4. Печать БД условных процентных распределений |
|||
5. Печать БД информативностей |
|||
6. Интеллектуальная дескрипторная информационно–поисковая система |
|||
Выводы
Интервальные оценки сводят анализ чисел к анализу фактов и позволяют обрабатывать количественные величины как нечисловые данные. Это ограничивает возможности обработки количественных величин методами обработки нечисловых данных. В математической модели СК-анализа, основанной на системной теории информации, наоборот, качественным, нечисловым данным, сопоставляются количественные величины. Это позволяет использовать все возможности количественных методов для исследования нечисловых данных.
Таким образом, в СК-анализе числовые и нечисловые данные обрабатываются единообразно на основе единой математической модели как числовые данные.
Рассматривается связь метода измерения адекватности модели в СК-анализе с бутстрепными методами.
Описывается робастная процедура выявления и устранения артефактов в СК-анализе.
Резюме
1. Сформулированы требования к математической модели и к численной мере. Затем на их основе обоснован выбор базовой численной меры. Для этого рассмотрены три вида информации: абсолютная, относительная и аналитическая информация. Предпочтение отдано 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 есть обратный процесс по отношению к идентификации и прогнозированию, т.е. познанию. Установлена 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 как 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 путем 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 названы смешанными. Таким образом в реальности наблюдается картина последствий, не сводящаяся к простой сумме последствий альтернативных вариантов. Она больше напоминает 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 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 (СТИ). 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 согласно СТИ показывают, что при возрастании количества элементов в системе доля системной информации в поведении ее элементов возрастает, причем возрастает ускоренно. Это установленное нами свойство систем названо "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: – коэффициент эмерджентности Хартли (уровень системной организации объекта, имеющего W чистых состояний):
Установлено, что полученное выражение учитывает как взаимосвязь между признаками (факторами) и будущими, в т.ч. целевыми состояниями объекта управления, так и мощность множества будущих состояний. Эта мера отражает уровень системности и степень детерминированности объекта, объединяет возможности их интегрального и дискретного описания, 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 семантическую меру целесообразности информации оптимальной по сформулированным критериям для целей построения семантической информационной модели активных объектов управления и для применения при синтезе рефлексивных АСУ активными системами.
8. В разработанной 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 заключения – будущие состояния АОУ, а в обратных – наоборот. Степень истинности i-й предпосылки – это количество информации Iij, содержащейся в предпосылке о наступлении j-го будущего состояния активного объекта управления.
9. В качестве меры сходства объекта с классом, класса с классом и атрибута с атрибутом предложено использовать неметрический интегральный критерий, основанный на лемме Неймана-Пирсона, – 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). Обоснована замена значений координат этих векторов их стандартизированными значениями.
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 СК-анализа.
11. Исследована взаимосвязь примененной в модели семантической меры Харкевича со статистикой 2, и, на этой основе, предложена новая статистическая мера наличия причинно-следственных связей в предметной области H, основанная на модифицированной формуле Харкевича:
|
где:
|
– средняя информативность признаков по матрице информативностей. |
Обоснована устойчивость модели при малых и больших 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. Предлагается модель нелокального нейрона, являющаяся обобщением классической модели Дж. Маккалоки и У. Питта. Суть нелокальности данной модели состоит в том, что весовые коэффициенты каждого нейрона зависят не только от нейронов, прямо или косвенно соединенных с ним синаптически, но и от всех остальных нейронов сети, не затрагиваемых при обратном распространении ошибки от данного нейрона. Предлагается новый класс нейронных сетей: "Нелокальные интерпретируемые нейронные сети прямого счета" (нелокальные нейронные сети – ННС). Организация ННС обеспечивает один из вариантов решения традиционных для нейронных сетей проблем: содержательной интерпретации смысла интенсивности входных сигналов и весовых коэффициентов ("проблема интерпретируемости весовых коэффициентов"); содержательной интерпретации и обоснования аддитивности аргумента и вида активационной (передаточной) функции нейрона ("проблема интерпретируемости передаточной функции"); "Комбинаторного взрыва" при определении структуры связей нейронов, подборе весовых коэффициентов и передаточных функций ("проблема размерности"). Математическая модель ННС основана на предложенной автором системной теории информации и семантической информационной модели автоматизированного системно-когнитивного анализа (АСК-анализ), и в отличие от известных нейронных сетей, обеспечивают автоматизацию всех 10 базовых когнитивных операций, образующих "когнитивный конфигуратор". Предложены не только математическая модель, но также и соответствующий численный метод (включая алгоритмы и структуры данных), а также программный инструментарий нелокальных нейронных сетей (универсальная когнитивная аналитическая система "Эйдос" версии 12.5), успешно апробированные в ряде предметных областей. Данная система обеспечивает практически неограниченное количество слоев ННС, рецепторов, выходных нейронов и связывающих их весовых коэффициентов (десятки миллионов), а также автоматическую визуализацию и запись в виде графических файлов сформированных моделей нелокальных нейронов и Паретто-подмножеств нелокальной нейронной сети.
13. Введено в научный оборот новое понятие: коэффициент эмерджентности Хартли , 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. Этот 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.
Введено в научный оборот новое понятие: коэффициент эмерджентности Харкевича , который изменяется от 0 до 1 и определяет степень детерминированности системы: =1 соответствует полностью детерминированной системе, поведение которой однозначно определяется действием минимальным количеством факторов, которых столько же, сколько состояний системы; =0 соответствует полностью случайной системе, поведение которой никак не зависит действия факторов независимо от их количества; 0<<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:
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 и мощность множества будущих состояний объекта управления, объединяет возможности интегрального и дискретного описания объектов. По этим причинам полученное выражение является оптимальным и его целесообразно использовать в качестве основы для построения математической модели рефлексивных АСУ активными объектами.
