Книги по системному анализу

Системный анализ

«Адаптивное управление сложными системами на основе теории распознавания образов»

В. С. Симанков, Е. В. Луценко

Оглавление    
Глава 6, Выводы Глава 7, «Структура и основные технические характеристики системы «Эйдос»»

Глава 7. Инструментальная программная система, обеспечивающая поддержку математической модели, методологии, алгоритмов и методики синтеза ААСУ СС

В данной главе представлены:

  • функциональное описание инструментальной системы (далее «Система»), обеспечивающей поддержку математической модели, методологии, алгоритмов и методики синтеза адаптивных АСУ сложными системами, предложенных в данной работе;
  • структура и технические характеристики конкретной программной системы, реализующей эти функции: системы «Эйдос» (от Платоновского термина «Идея»);
  • вопросы обеспечения эксплуатации данной системы.

Функции системы

Из результатов, полученных в предыдущих главах, следует, что основные функции системы следующие (рис. 7.1):

  • разработка информационной модели объекта управления;
  • решение задач идентификации объекта управления и выработки управляющего воздействия;
  • углубленный анализ информационной модели предметной области;
  • вопросы интерпретации результатов и использование внешних моделей, в т.ч. экспертных;
  • адаптация модели к изменениям предметной области;
  • взаимодействие системы с Windows-приложениями;
  • обеспечение надежности эксплуатации;
  • инсталляция и настройка системы.

Применение системы «Эйдос» включает следующие этапы [177, 178, 187-200, 268, 271, 272]:

  1. Разработка информационной модели объекта управления.
  2. Решение задач идентификации состояния объекта управления и выработки управляющего воздействия.
  3. Углубленный анализ информационной модели предметной области.

Обобщенная функциональная схема инструментальной программной системы

Рис. 7.2 — Обобщенная функциональная схема инструментальной программной системы

Рассмотрим эти вопросы подробнее.

Разработка информационной модели объекта управления

Для разработки информационной модели объекта управления необходимо владеть основными принципами формализованного описания предметной области.

Сама разработка модели включает следующие этапы:

  • разработка и ввод справочника максимальной системы факторов;
  • управление обучающей выборкой и обучение Системы;
  • контролируемое снижение размерности модели;
  • ортонормирование системы классов распознавания;
  • перекодирование.

Формирование справочников классов распознавания и признаков

Основными объектами обработки информации в Системе являются классы распознавания и признаки (см. табл. 5.2).

Справочники классов распознавания и признаков является иерархической системой шкал, градациями которых и являются классы распознавания и признаки. Полная классификация измерительных шкал дана в источниках [158, 205] и табл. 5.4 данной работы.

В системе должна быть обеспечена возможность использования всех видов шкал: номинальной (наименований), порядковой, интервальной и отношений.

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 системе должен определять сам пользователь (причем на количество шкал и градаций не должно быть ограничений, кроме суммарного количества классов).

Классы распознавания (признаки) могут относиться к различным уровням организации системы. Сами эти уровни могут иметь любой смысл, какой именно — определяет сам пользователь. Классификаторы уровней классов и признаков входят в состав нормативно-справочной информации. Этот механизм представляет собой еще один независимый способ классификации классов и признаков.

Для технологии и системы «Эйдос» нет формальной разницы между первичными и вторичными параметрами (признаками, фиксируемыми непосредственно и получающимися после определенной математической обработки).

Подготовка и ввод обучающей выборки

Обучающая выборка предварительно подготавливается для ввода в компьютер в виде бумажных документов. Ввод ее осуществляется в двухоконном интерфейсе: в первом окне вводится классификационная информация, а во втором — описательная.

При вводе обучающей информации имеется возможность автоматического кодирования классов и признаков. Кроме того, возможен ввод информации с автоматическим кодированием из текстовых файлов и баз данных.

Управление обучающей выборкой

Цель управления — выделить определенные подмножества обучающей выборки по различным критериям.

В системе управление обучающей выборкой включает три функции:

  • параметрическое задание подмножества объектов обучающей выборки для обработки;
  • ручной ремонт обучающей выборки;
  • автоматический ремонт обучающей выборки.

Автоматический ремонт обучающей выборки — это операция, выделяющая из всех объектов обучающей выборки такое подмножество, которое дает частотное распределение логических объектов по классам распознавания, в наименьшей степени отличающееся от заданного частотного распределения (т.е. распределения генеральной совокупности).

Первоначальное выделение объектов репрезентативной выборки является логическим, т.е. осуществляется без физического удаления введенных данных. Если результаты работы режима устраивают пользователя, то он может и физически удалить объекты, ранее удаленные логически.

Пользовательский интерфейс данной подсистемы должен быть реализован в виде двух окон. Результаты работы данного режима представляются в текстовом и графическом виде.

В Системе имеется ряд критериев, которые позволяют обоснованно принять решение об окончании процесса обучения.

Запуск процесса обучения и его контроль

В процессе обучения Система использует обучающую выборку для формирования статистики встреч признаков по классам распознавания и на этой основе рассчитает какое количество информации каждый признак содержит о принадлежности к каждому классу распознавания. Кроме того, рассчитывается интегральная информативность каждого признака (его селективная сила).

В процессе расчета базы абсолютных частот Система осуществляет довольно полную проверку корректности информации в обучающей выборке и формирует протокол ошибок.

Оптимизация системы признаков и классов распознавания

Исключение артефактов

В системе реализована возможность корректного исключения из системы признаков наименее значимых из них при заданных ограничениях (в т.ч. избыточности). Кроме того, могут быть исключены признаки маловероятной группы, по которым в обучающей выборке нет достаточной статистики (артефакты).

По желанию пользователя из системы классов распознавания могут быть исключены все классы, по которым образы не сформированы либо из-за отсутствия примеров в обучающей выборке, либо из-за высокой вариабельности представляющих их конкретных реализаций.

Данные процедуры относятся к классу робастных.

Под валидностью системы распознавания в данном исследовании понимается способность системы давать адекватные результаты идентификации и прогнозирования.

При исключении классов и признаков, по которым нет достаточной статистики из анализа, повышается качество исследуемой совокупности.

Проверка работоспособности методики и ее сертификация

В Системе должен быть режим, обеспечивающий расчет дифференциальной и интегральной валидности на основе распознавания обучающей выборки. Если эти характеристики приложения удовлетворяют заказчиков, то методика сертифицируется, т.е. признается инструментом, пригодным для достижения тех целей, которые ставились при ее разработке.

Предполагается, что после оптимизации системы признаков, т.е. после корректного удаления признаков с низкой селективной силой, валидность Системы распознавания возрастет. Это связано с тем, что в первую очередь удаляются признаки с шумоподобными статистическими свойствами, затем сильно коррелирующие признаки (статистические), и лишь в последнюю очередь признаки слабокоррелирующие, т.е. признаки детерминистского типа. Ожидается, что при удалении признаков детерминистского типа валидность системы начнет уменьшаться. Очевидно, что если удалить слишком много существенных признаков, то корректная работа системы может нарушиться.

Перекодирование

После завершения оптимизации и сертификации методики целесообразно выполнить операцию перекодирования, которое предназначено для удаления пропусков в кодировке справочников, которые возникают после оптимизации.

Перекодируются справочники первичных и обобщенных признаков, объектов обучающей и распознаваемой выборки и статистические базы данных.

Таким образом, перекодированием завершается разработка оптимальной модели предметной области.

Решение задач идентификации объекта управления и выработки управляющих воздействий

Данный вид работ включает:

  • ввод распознаваемой выборки;
  • пакетное распознавание;
  • вывод результатов распознавания и их оценка.

Ввод распознаваемой выборки

Подобно режиму ввода обучающей выборки, режим ввода объектов для распознавания включает следующие этапы работ:

  1. документальная формализация объектов распознаваемой выборки;
  2. ввод, контроль и корректировка объектов распознаваемой выборки;
  3. автоматический ввод объектов распознаваемой выборки из текстовых файлов.

Пакетное распознавание

В данном режиме система подсчитывает, какое количество информации содержится в системе признаков, описывающих каждый распознаваемый объект, о принадлежности данного объекта к каждому из классов распознавания. Кроме того, алгоритмом распознавания учитывается общая форма профиля объекта, т.е. корреляции между признаками.

Вывод результатов распознавания и их оценка

Результаты распознавания выводятся в двух вариантах:

  1. один объект — много классов;
  2. один класс — много объектов.

Оба варианта дополняют друг друга. В каждом из этих режимов сначала отображается сводная форма, которая служит также в качестве меню для вывода более подробных результатов:

  • результатом распознавания некоторого объекта является список всех классов распознавания, рассортированный в порядке убывания сходства с этим объектом;
  • результатом идентификации распознаваемых объектов с некоторым классом распознавания является список объектов, рассортированный в порядке убывания сходства с этим классом.

Углубленный анализ информационной модели предметной области

Углубленный анализ выполняется в подсистеме «Типология» и включает:

  • кластерно-конструктивный анализ классов распознавания и признаков;
  • когнитивные диаграммы классов и признаков;
  • семантические сети классов и признаков.

Так как обучение Системы может проводиться периодически согласно определенному регламенту (в данном случае это будет мониторинг СОУ), и, кроме того, в различных регионах, то могут исследоваться территориальные и динамические зависимости обобщенных образов классов распознавания, что представляет специальный интерес.

Таким образом, в данном разделе описываются:

  • функциональная структура программной инструментальной оболочки, обеспечивающей реализацию предложенной методологии и алгоритмов синтеза адаптивных АСУ СОУ (система «Эйдос»);
  • технология применения инструментальной оболочки для разработки и эксплуатации адаптивных АСУ СОУ.
Оглавление    
Глава 6, Выводы Глава 7, «Структура и основные технические характеристики системы «Эйдос»»