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, эластичность и количество информации.
Очевидно, что и из относительной информации, взятой изолированно, вырванной из контекста, делать какие-либо обоснованные выводы не представляется возможным. Для того, чтобы о чем-то судить по процентам, нужен их сопоставительный анализ, т.е. анализ всего процентного распределения. Обычно для используется "база оценки", в качестве которой используется среднего по всей совокупности или "скользящее среднее" (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.
Актуальность.
Основные цели организации мониторинга предприятий – прогнозирование целесообразности инвестирования в данное предприятие, оценка рисков его кредитования и страхования, выявление предприятий, попадающих в различные "зоны риска". 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 является экономика России, действуют слабо или вообще не имеют места. Поэтому зарубежные методики в наших условиях не эффективны.
Возможность 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).
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".
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.
Алгоритмы и структуры данных
Система включает две основные базы данных и большое количество вспомогательных. К основным относится база биологических данных, и банк метеоданных. Банк биологических данных состоит из двух взаимосвязанных баз данных: базы данных заголовков паспортов выращивания сельскохозяйственных культур (ссылающейся на справочники пунктов выращивания и сортов) и базы результатов выращивания сельскохозяйственных культур, состоящая из шести разделов: дифференциация, фенология, развитие, рост, адаптация, агротехника. Справочник пунктов выращивания ссылается на справочник типов почв и справочник районов, последний – на справочник регионов, а тот – стран. Справочник сортов ссылается на справочники подвоев, культур, а последний – на справочник типов культур. Справочник культур при вводе в паспорт используется для удобства с целью фильтрации справочника сортов.
Анализ динамики макроэкономических
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 (приложение 6).
В 1994 году в Аналитическом центре администрации Ярославской области было разработано приложение (ДСП), обеспечивающее: программный интерфейс межу базами данных Аналитического центра, созданных в среде MSWorks; 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; прогнозирование уровня безработицы на основе новых данных по социально-экономическим показателям и знания ранее выявленных причинно-следственных зависимостей. Разработанное приложение показало высокую достоверность и эффективность на ретроспективных данных и получило положительную оценку. Имеется акт внедрения (приложение 6).
Анализ семантической информационной модели
Так как модель показала достаточно высокую степень адекватности, то исследование модели может корректным образом в определенных отношениях заменить изучение реального объекта (предметной области). Здесь мы не будем подробно освещать все возможностей анализа модели, т.к. они подробно описаны в монографии [64]. Здесь мы ограничимся описанием лишь некоторых возможностей.
Результаты кластерно-конструктивного анализа классов представлены в графической форме семантической сети (рисунок 214).
Рисунок 214. Семантическая сеть классов |
Из этого рисунка видно, что млекопитающие в используемой системе признаков в наибольшей степени отличаются от рыб (конструкт: "Млекопитающие – рыбы", коды 1 и 4), а земноводные очень похожи на пресмыкающихся (кластер: коды 3 и 5).
Внутренняя структура любой линии на рисунке 214 может быть расшифрована и представлена в виде когнитивной диаграммы, одна из которых (в качестве примера) показана на рисунке215.
Результаты кластерно-конструктивного анализа атрибутов приведены в графической форме семантической сети на рисунке 216.
Рисунок 215. Расшифровка вклада атрибутов в сходство-различие классов: "Млекопитающие" и "Птицы" | |
Рисунок 216. Семантическая сеть атрибутов |
Из рисунка 216 видно, что атрибуты "Milk – eggs" (коды 5 и 4) образуют конструкт, как и, например, "наличие шерсти и отсутствие ног" (коды 2 и 14).
АСК-анализ, как технология синтеза и эксплуатации рефлексивных АСУ 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.
Ниже приведена технология системы "Эйдос" как инструментария АСК-анализа:
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) и 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. На этом шаге обучающая выборка копируется в распознаваемую и осуществляется ее автоматическая классификация (в режиме распознавания). Затем рассчитываются так называемые внутренняя дифференциальная и интегральная валидности, характеризующие качество 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 (экспериментального) 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[64].
Шаг 10–й типологический анализ классов и факторов (БКОСА-10): кластерно-конструктивный и когнитивный анализ, семантические сети, когнитивные диаграммы состояний АОУ и факторов [64].
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, предложена технология применения системы "Эйдос" как инструментария применения АСК-анализа, основанного на системной теории информации, ориентированной на синтез рефлексивных АСУ АО.В процессе эксплуатации системы "Эйдос" успешно решаются все задачи АСК-анализа: 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.
Ассоциация
Ассоциация используется для определения закономерностей в событиях или процессах. Ассоциации связывают различные факты одного события. В качестве примера может служить выявленная закономерность, что мужчины, предпочитающие элитные сорта кофе в три раза чаще покупают импортные сигареты, чем мужчины, покупающие обычный кофе.
Результатом ассоциативного анализа являются правила вида: Если факт А является частью события, то с вероятностью Х факт B будет частью того же события.
Например:
Если покупатель берет чипсы, то существует 85-ти процентная вероятность, что он приобретет еще легкие алкогольные напитки или пиво.
Если человек едет в отпуск и покупает авиабилеты на всю семью, то с вероятностью 95 процентов они снимут машину в месте отдыха на весь период.
Имея историю продаж в розничном магазине, можно разработать шаблоны покупок (стандартные наборы), например для продуктового отдела. Из-за широкого применения в торговле ассоциативный анализ часто называют анализом рыночной корзины.
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 92).
Рисунок 92. 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 1993-1995 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. Изучение графика средневзвешенного прогноза курса доллара США показало, что его автокорреляция
имеет ярко выраженную недельную периодичность, т.е. ММВБ в 1995 году имела период собственных колебаний, составляющий одну неделю. Скорее всего это связано с отсутствием торгов в выходные дни.
Предложенные методология, технология, методика и специальный программный инструментарий обеспечивают системно-когнитивный анализ детерменистско-бифуркационной динамики активных объектов и в других предметных областях [64]. Однако необходимо подчеркнуть, 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. А для получения таких данных необходима соответствующая служба, использующая вполне определенные наукоемкие технологии.
В данном пакетном режиме автоматически
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.
Автоматизированные системы для интеллектуального анализа данных
Эта тема рекомендуется для самостоятельного изучения и написания реферата, с демонстрацией презентации или демо-версии.
Авторское определение системы виртуальной реальности
С учетом вышесказанного, предлагается следующее определение виртуальной реальности.
Система виртуальной реальности (ВР) – это система, обеспечивающая:
1. Генерацию полиперцептивной модели реальности в соответствии с математической моделью этой реальности, реализованной в программной системе.
2. Погружение пользователя в модель реальности
путем подачи на все или основные его перцептивные каналы – органы восприятия, программно-управляемых по величине и содержанию воздействий: зрительного, слухового, тактильного, термического, вкусового и обонятельного и других.
3. Управление системой путем использования виртуального "образа Я" пользователя и виртуальных органов управления системой (интерфейса), на которые он воздействует, представляющие собой зависящую от пользователя часть модели реальности.
4. Реалистичную реакцию моделируемой реальности на виртуальное воздействие и управление со стороны пользователя.
5. Разрыв отождествления пользователя со своим "Образом Я" из обычной реальности (деперсонализация), и отождествление себя с "виртуальным образом Я", генерируемым системой виртуальной реальности (модификация сознания и самосознания пользователя).
6. Эффект присутствия пользователя в моделируемой реальности в своем "виртуальном образе Я", т.е. эффект
личного участия пользователя в наблюдаемых виртуальных событиях.
7. Положительные результаты применения критериев реальности, т.е. функциональную замкнутость и самодостаточность виртуальной реальности, вследствие чего никакими действиями внутри виртуальной реальности, осуществляемыми над ее объектами, в т.ч. объектами виртуального интерфейса, с помощью своего виртуального тела, невозможно установить, "истинная" эта реальность или виртуальная.
Банковская деятельность
Достижения технологии data mining используются в банковском деле для решения проблем Телекоммуникации.
В области телекоммуникаций характерен растущий уровень конкуренции. Здесь методы data mining помогают компаниям более энергично продвигать свои программы маркетинга и ценообразования, чтобы удержать существующих клиентов и привлечь новых. В число типичных мероприятий входят:
– анализ записей о подробных характеристиках вызовов;
– выявление степени лояльности клиентов.
Анализ записей о подробных характеристиках вызовов. Назначение такого анализа – выявление категорий клиентов с похожими стереотипами пользования их услугами и разработка привлекательных наборов цен и услуг.
Выявление степени лояльности клиентов.
Некоторые клиенты все время меняют провайдеров, пользуясь программами новых компаний, стимулирующими появление новых клиентов. Data mining можно использовать для определения характеристик клиентов, которые, один раз воспользовавшись услугами данной компании, с большой долей вероятности останутся ей верными. В итоге средства, выделяемые на маркетинг, можно тратить там, где отдача больше всего
Технологии data mining активно применяются в центрах обработки вызовов телекоммуникационных компаний.
Базовая когнитивная концепция
Автоматизировать процесс познания в целом безусловно значительно сложнее, чем отдельные операции процесса познания. Но для этого прежде всего необходимо:
– выявить эти операции;
– 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 философские (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. В этой науке в настоящее время господствует эмпирический подход, т.е. имеется тенденция не к теоретическим обобщениям, а тщательному изучению отдельных когнитивных операций. 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 в целостном виде она впервые сформулирована лишь в работах [64, 91]. 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".
На базе выше сформулированных положений предложена целостная система взглядов на процесс познания, т.е. формализуемая когнитивная концепция [64], предназначенная для построения систем искусственного интеллекта.
Суть предложенной когнитивной концепции
Процесс познания рассматривается нами 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 является единственно-возможной.
Данные, информация, знания
Существует неопределенность смыслового содержания "разночтения" терминов: "данные", "информация", "знания". Мы считаем целесообразным определить их следующим образом.
Данные представляют собой информацию, рассматриваемую в чисто синтаксическом аспекте, т.е. безотносительно к ее содержанию и использованию, т.е. семантике и телеологии (обычно на каком-либо носителе или в канале передачи).
Информация – это данные, проинтерпретированные
с использованием тезауруса, т.е. осмысленные данные, рассматриваемые в единстве синтаксического и семантического аспектов.
Знания, есть система
информации, обеспечивающая увеличение вероятности достижения какой-либо цели, т.е. по сути знания – это "Ноу-хау" или технологии.
Вышесказанное резюмируем в следующей форме:
знание = информация + цель
информация = данные + смысл;
знания = данные + смысл + цель.
При разработке предложенной интерпретации содержания данных понятий и формы его представления учтены и использованы разработки Лаптева В.Н., а также Владимира Кива, приведенные на его сайте: http://vlak.webzone.ru/rus/it/knowledge.html.
В этой связи необходимо отметить, что название теории информации Шеннона не вполне соответствует предлагаемому пониманию содержания понятий "данные – информация – знания": теорию Шеннона по сути дела более точно было бы называть "теорией передачи данных по каналам связи". Общеизвестная количественная мера Шеннона "для измерения количества информации" также в этом смысле является лишь мерой количества данных, т.к. не содержит семантического аспекта.
Количественная теория автоматизированной интерпретации данных, основанная на теории информации, в настоящее время лишь только создается и получила название семантической теории информации. Предложены различные количественные меры для измерения смысла информации [64]. Из этих мер выделяется мера А.Харкевича, в основу которой положено понятие цели.
В литературе и А.Харкевичем это не отмечается, но, учитывая вышеизложенное, по сути дела можно утверждать, что по сути дела им в 1962 году впервые предложена научная количественная мера знаний.
Однако предложенная А.Харкевичем мера не удовлетворяет принципу соответствия, обязательному для более общей теории, аналогично тому, как, например, мера Шеннона сводится к мере Хартли в случае равновероятных событий. Поэтому теория А.Харкеивча как бы "стояла особняком"
от теории информации Найквиста-Хартли-Больцмана и Шеннона и в этом плане она нуждалась в развитии, что и было осуществлено автором [1, 64, 75, 79, 93].
Известно, что корреляция не является мерой причинно-следственных связей. Если корреляция между действием некоторого фактора и переходом объекта управления в определенное состояние высока, то это еще не значит, что данный фактор является причиной этого перехода. Для того чтобы по корреляции можно было судить о наличии причинно-следственной связи необходимо сравнить исследуемую группу с контрольной группой, т.е. с группой, в которой данный фактор не действовал.
Также и высокая вероятность перехода объекта управления в определенное состояние в условиях действия некоторого фактора сама по себе не говорит о наличии причинно-следственной связи между ними, т.е.
о том, что данный фактор обусловил переход объекта в это состояние. Это связано с тем, что вероятность перехода объекта в это состояние может быть и сама по себе очень высокой независимо от действия фактора. Поэтому в качестве меры силы причинной обусловленности определенного состояния объекта действием некоторого фактора Харкевич предложил логарифм отношения
вероятностей перехода в объекта в это состояние в условиях действия фактора и при его отсутствии или в среднем (13). Таким образом, вероятность перехода объектов в некоторое состояние в исследуемой группе сравнивается с средней вероятностью перехода в это состояние по всем группам и это среднее выступает в качестве контрольной группы.
Таким образом семантическая мера информации Харкевича является мерой наличия причинно-следственных связей между факторами и состояниями объекта управления.
В связи с тем, что подход Харкевича является ярким примером нормативного подхода, будет уместно вспомнить о нормативном и критериальном подходах к оценке (идентификации) состояния объекта.
При критериальном подходе это состояние оценивают по жесткой системе критериев. Правда при этом остается открытым вопрос о том, каким образом формируется эта система критериев.
При нормативном подходе, который получил свое название от понятия "норма", сначала формируется эта норма, а затем состояние объектов оценивается относительно этой нормы. В частности, если это сформированное понятие нормы зафиксировать, стандартизировать, как и критерии его определения и сравнения с ним, то мы получим одни из вариантов синтеза критериального подхода.
Мониторинг, анализ, прогнозирование, управление
Существует определенная иерархия задач обработки данных, информации и знаний:
Мониторинг – накопление данных
по ряду показателей об объекте управления с привязкой ко времени.
Анализ – выявление смысла
в данных, т.е. выявление в них причинно-следственных взаимосвязей.
Прогнозирование – использование смысла причинно-следственных зависимостей в предметной области для предсказания
поведения объекта управления в условиях действия определенных факторов.
Управление – использования знаний для достижения определенных целей управления:
– сохранение стабильного функционирования объекта управления;
– перевод объекта управления в заранее заданное целевое состояние.
Таким образом, управление – это высшая форма обработки и использования информации.
Факт, смысл, мысль
Ключевым для когнитивной концепции является понятие факта.
Под фактом будем понимать соответствие дискретного и интегрального элементов познания, т.е. элементов разных уровней интеграции-иерархии процессов познания, обнаруженное на опыте.
Факт рассматривается как квант смысла.
Это является основой для формализации смысла.
Смысл представляет собой "разность потенциалов" между смежными уровнями интеграции-иерархии в системе обработки информации в процессах познания.
Мысль является операцией выявления смысла из фактов.
Мышление есть процесс, состоящий из ряда взаимосвязанных по смыслу мыслей.
Но существуют различные формы мыслей, которые перед разработкой методов формализации и программной реализации необходимо классифицировать и выявить среди них основные, т.е. такие, к которым сводятся все остальные или по крайней мере большинство из них. Как уже отмечалось выше, сделать это предлагается на основе базовой когнитивной концепции.
Иерархическая структура (пирамида) обработки информации
Сказанное в разделах 4.2.2–4.2.4 можно резюмировать в графической диаграмме, в форме "Мексиканской" (ступенчатой) пирамиды (рисунок 4).
|
Рисунок 4. Иерархическая структура обработки информации |
Исходные данные для процесса познания 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.
Базовая когнитивная концепция в формальном изложении
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 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, со "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:
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).
Биологический нейрон и формальная модель нейрона Маккалоки и Питтса
Биологический нейрон имеет вид, представленный на рисунке 73:
Рисунок 73. Структура биологического нейрона |
В 1943 году Дж. Маккалоки и У. Питт предложили формальную модель биологического нейрона как устройства, имеющего несколько входов (входные синапсы – дендриты), и один выход (выходной синапс – аксон) (рисунок 74).
Рисунок 74. Классическая модель нейрона Дж. Маккалоки и У. Питта (1943) в обозначениях системной теории информации |
Дендриты получают информацию от источников информации (рецепторов) Li, в качестве которых могут выступать и нейроны. Набор входных сигналов {Li} характеризует объект, его состояние или ситуацию, обрабатываемую нейроном.
Каждому i-му входу j-го нейрона ставится в соответствие некоторый весовой коэффициент Iij, характеризующий степень влияния сигнала с этого входа на аргумент передаточной (активационной) функции, определяющей сигнал Yj на выходе нейрона. В нейроне происходит взвешенное суммирование входных сигналов, и далее это значение используется как аргумент активационной (передаточной) функции нейрона. На рисунке 74 данная модель приведена в обозначениях, принятых в настоящей работе.
БКОСА- "Абстрагирование факторов
С помощью метода последовательных приближений (итерационный алгоритм) при заданных граничных условиях снижается размерность пространства атрибутов без существенного уменьшения его объема и адекватности модели. Критерий остановки итерационного процесса – достижение одного из граничных условий.
БКОСА- "Абстрагирование классов
С помощью метода последовательных приближений (итерационный алгоритм) при заданных граничных условиях снижается размерность пространства классов без существенного уменьшения его и адекватности объема. Критерий остановки итерационного процесса – достижение одного из граничных условий.
БКОСА- "Дедукция и абдукция
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. Абдукция представляет собой обобщение дедукции на основе нечеткой логики. В данном случае это означает, что фактор связан с классом не детерминистским образом, а через количество информации, которое в нем содержится о данном класса.
БКОСА- "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-. "Формирование бинарных 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-. "Формирование бинарных 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-. "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-. "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-. "Многовариантное
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.
Информационный портрет представляет собой детализацию вершин семантической сети. Когнитивные диаграммы детально раскрывают структуру связи между двумя вершинами семантической сети, представленными в форме информационных портретов. Поэтому для расшифровки структуры вершин семантической сети и связей между ними, предлагается ввести новое понятие "Семантическая когнитивная сеть", которая представляет собой систему когнитивных диаграмм, объединенных в макроструктуру, соответствующую структуре семантической сети.
БКОСА- "Обобщение (синтез
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- "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- "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- "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- "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.
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-. "Расчет и отображение
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.
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- "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 относиться 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-. "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-. "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- "Сравнение, идентификация
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-. "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-. "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 называются семантическими сетями, в литературе по когнитивному анализу их называют когнитивными картами, а в литературе по когнитивному анализу – когнитивными картами или схемами [114 – 118].
БКОСА- "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.
Цель работы
Исторически сложившиеся традиционные ареалы выращивания плодовых культур в общем случае могут не совпадать с фактически оптимальными. Само понятие "оптимальности" нуждается в изучении и определении. Прежде всего оно является многокритериальным, т.е. включает не только экономическую необходимость выращивания тех или иных культур, но и возможность этого, обусловленную всей совокупностью факторов, характеризующих природные и технологические условия выращивания в сопоставлении с требованиями, определяемыми биологическими свойствами сортов. В данном исследовании ставится цель создать технологию, обеспечивающую определение и картографическую визуализацию зон оптимального и рискованного выращивания сельскохозяйственных культур (на примере районирования плодовых косточковых в Южно-Российском регионе).
Цели и основные функции системы "Эйдос"
Универсальная когнитивная аналитическая система "Эйдос" является отечественным лицензионным программным продуктом [139 – 146], созданным с использованием официально приобретенного лицензионного программного обеспечения. По системе "Эйдос" и различным аспектам ее практического применения имеется более 80 публикаций автора с соавторами [29, 30, 34, 62, 64 – 111, 139 – 146, 169, 172 – 185, 201 – 206, 212, 214, 224 – 226], в т.ч. 5 монографий. Система "Эйдос" является программным инструментарием, реализующим математическую модель и методику численных расчетов СК-анализа. Она обеспечивает реализацию следующих функций:
1. Синтез и адаптация семантической информационной модели предметной области, включая активный объект 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.
Система "Эйдос" является специальным программным инструментарием, реализующим предложенные математическую модель и численный метод (структуры данных и алгоритмы) и решающим проблему данной работы.
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.
ЧАСТЬ I. КУРС ЛЕКЦИЙ
Лекции имеют типовую структуру, которая может включать следующие разделы:
– учебные вопросы;
– изложение учебных вопросов;
– контрольные вопросы к лекции;
– рекомендуемую литературу.
В разделе "Учебные вопросы" перечисляются учебные вопросы, раскрываемые в данной лекции.
В разделе "Изложение учебных вопросов" излагается теоретический материал по учебным вопросам.
Контрольные вопросы
к лекции служат для проверки качества усвоения и понимания материала и могут быть включены в экзаменационные билеты.
В разделе "Рекомендуемая литература" приводятся конкретные литературные источники и Internet-сайты, использованные при разработке данной лекции и рекомендуемые для более углубленного изучения вопросов, затрагиваемых в лекции. При ссылках на литературу в квадратных скобках указываются номера источников по списку "Дополнительная литература", приведенному в конце учебного пособия.
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.
Деревья решений
Деревья решения являются одним из наиболее популярных подходов к решению задач data mining. Они создают иерархическую структуру классифицирующих правил типа «ЕСЛИ... ТО...», имеющую вид дерева. Для того чтобы решить, к какому классу отнести некоторый объект или ситуацию, требуется ответить на вопросы, стоящие в узлах этого дерева, начиная с его корня. Вопросы имеют вид «значение параметра A больше x». Если ответ положительный, осуществляется переход к правому узлу следующего уровня, если отрицательный – то к левому узлу; затем снова следует вопрос, связанный с соответствующим узлом.
Популярность подхода связана с наглядностью и понятностью. Но очень остро для деревьев решений стоит проблема значимости. Дело в том, что отдельным узлам на каждом новом построенном уровне дерева соответствует все меньшее и меньшее число записей данных – дерево дробит данные на большое количество частных случаев. Чем больше этих частных случаев, чем меньше обучающих примеров попадает в каждый такой частный случай, тем менее уверенной становится их классификация. Если построенное дерево слишком «кустистое» – состоит из неоправданно большого числа мелких веточек – оно не будет давать статистически обоснованных ответов. Как показывает практика, в большинстве систем, использующих деревья решений, эта проблема не находит удовлетворительного решения. Кроме того, общеизвестно, и это легко показать, что деревья решений дают полезные результаты только в случае независимых признаков. В противном случае они лишь создают иллюзию логического вывода.
Область применения деревьев решений в настоящее время широка, но все задачи, решаемые этим аппаратом, могут быть объединены в следующие три класса:
Описание данных. Деревья решений позволяют хранить информацию о данных в компактной форме, вместо них мы можем хранить дерево решений, которое содержит точное описание объектов.
Классификация. Деревья решений отлично справляются с задачами классификации, т.е. отнесения объектов к одному из заранее известных классов. Целевая переменная должна иметь дискретные значения.
Регрессия. Если целевая переменная имеет непрерывные значения, деревья решений позволяют установить зависимость целевой переменной от независимых (входных) переменных. Например, к этому классу относятся задачи численного прогнозирования (предсказания значений целевой переменной).
Детальные алгоритмы СК-анализа
Рисунок 45. Алгоритм БКОСА-2.1. "Восприятие и запоминание исходной обучающей информации" | |
Рисунок 46. Алгоритм БКОСА-2.2. "Репрезентация. Сопоставление индивидуального опыта с коллективным" | |
Рисунок 47. Алгоритм БКОСА-3.1.1. "Обобщение (синтез, индукция). Накопление первичных данных" | |
Рисунок 48. Алгоритм БКОСА-3.1.2. "Обобщение (синтез, индукция). Исключение артефактов" | |
Рисунок 49. Алгоритм БКОСА-3.1.3. "Обобщение (синтез, индукция). Расчет степени истинности содержательных смысловых связей между предпосылками и результатами (обобщенных таблиц решений)" | |
Рисунок 50. Алгоритм БКОСА-3.2. "Определение значимости шкал и градаций факторов, уровней Мерлина" | |
Рисунок 51. Алгоритм БКОСА-3.3. "Определение значимости шкал и градаций классов, уровней Мерлина" | |
Рисунок 52. Алгоритм БКОСА-4.1. "Абстрагирование факторов (снижение размерности семантического пространства факторов)" | |
Рисунок 53. Алгоритм БКОСА-4.2. "Абстрагирование классов (снижение размерности семантического пространства классов)" | |
Рисунок 54. Алгоритм БКОСА-5. "Оценка адекватности семантической информационной модели предметной области" | |
Рисунок 55. Алгоритм БКОСА-7. "Идентификация и прогнозирование. Распознавание состояний конкретных объектов (объектный анализ)" | |
Рисунок 56. Алгоритм БКОСА-9.1. "Дедукция и абдукция классов (семантический анализ обобщенных образов классов, решение обратной задачи прогнозирования)" | |
Рисунок 57. Алгоритм БКОСА-9.2. "Дедукция и абдукция факторов (семантический анализ факторов)" | |
Рисунок 58. Алгоритм БКОСА-10.1.1. "Классификация обобщенных образов классов" | |
Рисунок 59. Алгоритм БКОСА-10.1.2. "Формирование бинарных конструктов классов" | |
Рисунок 60. Алгоритм БКОСА-10.1.3. "Визуализация семантических сетей классов" (когнитивная графика) | |
Рисунок 61. Алгоритм БКОСА10.2.1. "Классификация факторов" | |
Рисунок 62. Алгоритм БКОСА-10.2.2. "Формирование бинарных конструктов факторов" | |
Рисунок 63. Алгоритм БКОСА-10.2.3. "Визуализация семантических сетей факторов" (когнитивная графика) | |
Рисунок 64. Алгоритм БКОСА-10.3.1. "Содержательное сравнение классов" | |
Рисунок 65. Алгоритм БКОСА-10.3.2. "Расчет и отображение много-многозначных когнитивных диаграмм, в т.ч. диаграмм Мерлина" (когнитивная графика) | |
Рисунок 66. Алгоритм БКОСА-10.4.1. "Содержательное сравнение факторов" | |
Рисунок 67. Алгоритм БКОСА-10.4.2. "Расчет и отображение много-многозначных когнитивных диаграмм, в т.ч. инвертированных диаграмм Мерлина" (когнитивная графика) | |
Рисунок 68. Алгоритм БКОСА-11. "Многовариантное планирование и принятие решения о применении системы управляющих факторов" |
Детерминация формы сознания человека функциональным уровнем средств труда
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 не только создал человека, но через совершенствование форм и способов труда происходит развитие человека и в настоящее время.
А этот организм существует одновременно на многих уровнях Реальности и является значительно более сложным, чем обычно полагают. Функции этих тел также будут в будущем (некоторые в близком будущем) передаваться средствам труда, и в этом состоит блестящая перспектива развития техники, человека и общества.
Таким образом, при использовании средства труда определенного функционального уровня человек учится не выполнять
функций, переданных этому средству труда, а оставшиеся функции выполняются человеком вне ограничений, связанных с необходимостью выполнения переданных функций. В результате человек частично высвобождается из процесса труда, отходит от него несколько в сторону и у него формируется новый адекватный этому "образ–Я" и сознание: они изменяются таким образом, что трудовые функции, переданные средству труда перестают осознаваться человеком как атрибут "образа–Я".
Здесь неявно предполагается, что если какая-либо функция может быть передана средству труда, то она не может быть атрибутом (неотъемлемой частью) "образа–Я".
Это значит, что происходит такое же изменение сознания и самосознания, как в йоге при (успешной) медитации над мантрами: "Я не это" и "Я есть то".
Этот принцип используется магами, а также почти осознанно применяется в тренажерах, основанных на методах "биологической обратной связи". Такие тренажеры обеспечивают за неделю овладение функциями своего физического тела в такой же степени, какой хатха-йоги добиваются за многие годы упорных тренировок.
В 1981 году Л.А. Бакурадзе и Е.В. Луценко были оформлены заявки на изобретение компьютерной системы, выполняющей все трудовые функции физического тела, обеспечивающую управление с использованием дистанционного мысленного воздействия, т.е.
микротелекинеза. По мнению автора, телекинез представляет собой управление физическими объектами путем воздействия на них непосредственно с высших планов без использования физического тела, т.е. тем же способом, с помощью которого любой человек, осознает он это или нет, управляет своим физическим телом. Были предложены технические и программные решения и инженерно – психологические методики. Система предлагалась адаптивной, т.е. автоматически настраивающейся на индивидуальные особенности, "почерк" оператора и его состояние сознания, с плавным переключением на дистанционные каналы при повышении их надежности (которая измерялась автоматически) и могла одновременно с выполнением основной работы выступать в качестве тренажера. Человек, начиная работу с системой в обычной форме сознания с использованием традиционных каналов (интерфейса), имея мгновенную адекватную по форме и содержанию обратную связь об эффективности своего телекинетического воздействия, должен быстро переходить в одну из высших форм сознания, оптимальную для использования телекинеза в качестве управляющего воздействия.
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: 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%); 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, четверги и пятницы" происходил катастрофический курса обвал рубля по отношению к доллару.
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.
Придание модели онтологического статуса (гипостазирование) – ошибка, которая часто совершается и в результате которой начинают считать, что "в действительности все устроено так, как в модели". 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. 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" (Даниил 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 интегративности тем выше, чем выше этот уровень интегративности, т.е.
наивысшим статусом существования обладает Мир-в-Целом.
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.
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.
ДОПОЛНИТЕЛЬНАЯ ЛИТЕРАТУРА
1. Lutsenko E.V. Conceptual principles of the system (emergent) information theory & its application for the cognitive modelling of the active objects (entities) //2002 IEEE International Conference on Artificial Intelligence System (ICAIS 2002). –Computer society, IEEE, Los Alamos, California, Washington-Brussels-Tokyo, p. 268-269.
2. Адаменко А., Кучуков А.. Логическое программирование и Visual-Prolog. – СПБ: «БХВ-Петербург», 2003.
3. Акофф Р., Эмери Ф.. О целеустремленных системах. – М.: Советское радио, 1974.
4. Алиев Р.А., Абдикеев Н.М., Шахназаров М.М.. Производственные системы с искусственным интеллектом. - М.: Радио и связь, 1990.
5. Арбиб М.. Метафорический мозг. - М.: Мир, 1976.
6. Берштейн Л.С. Нечеткие модели для экспертных систем в САПР. М.: Энергоатомиздат, 1991.-136 с.
7. Бранский В.П. Философские основания проблемы синтеза релятивистских и квантовых принципов. –Л: ЛГУ, 1973. –175с.
8. Братко И.. Программирование на языке ПРОЛОГ для искусственного интеллекта. - М.: Мир, 1990.
9. Васильев В.И.. Распознающие системы. Справочник. - Киев, Наукова думка, 1983.
10. Васильев Л.Г. Три парадигмы понимания: анализ литературы вопроса. http://newasp.omskreg.ru/intellect/f54.htm.
11. Гаазе-Рапопорт М.Г., Поспелов Д.А.. От амебы до робота: модели поведения. – М.: Наука, 1987.
12. Гаврилов А.В.. Гибридные интеллектуальные системы. – Новосибирск: НГТУ, 2003.
13. Гаврилов А.В.. Лабораторный практикум по нейронным сетям.
Ч.1. - Новосибирск, НГТУ, 2000.
14. Гаврилов А.В.. Системы искусственного интеллекта. Уч. пособие, ч. 1. - Новосибирск, НГТУ, 2000, 2001.
15. Гаврилова Т.А., Хорошевский В.Ф.. Базы знаний интеллектуальных систем. – СПБ: Питер, 2000.
16. Гаврилова Т.А., Червинская К.Р.. Извлечение и структурирование знаний для экспертных систем. - М.: Радио и связь, 1992.
17. Гаек П., Гавранек Т.. Автоматическое образование гипотез. - М.: Наука, 1984.
18. Галушкин А.. Нейрокомпьютеры. М.: ИПРЖР, 2000.
19. Галушкин А.. Теория нейронных сетей. М.:ИПРЖР, 2000.
20. Гладун В.П.. Планирование решений. - Киев, Наукова думка, 1987.
21. Горбань А.Н., Россиев Д.А.. Нейронные сети на персональном компьютере. -Новосибирск, Наука, 1996.
22. Горбань А.Н.. Обучение нейронных сетей. - М.: СП Параграф, 1990.
23. Гренандер У.. Лекции по теории образов. В 3-х кн. – М.: Мир, 1983.
24. Джексон П. Введение в экспертные системы. - М., СпБ., Киев: "Вильямс", 2001.
25. Драгавцев В.А., Драгавцева И.А., Лопатина Л.М. Управление продуктивностью сельскохозяйственных культур на основе закономерностей их генетических и фенотипических изменений при смене лимитов внешней среды. – Краснодар. СКЗНИИСиВ, 2004. – 208 с.
26. Драгавцева И.А. и др. Персик на Юге России и Украины. –Краснодар: СКзНИИСиВ, 2001. –120с.
27. Драгавцева И.А. Экологические основы оптимального размещения абрикоса на Северном Кавказе. Дисс…д.с./х.н. (06.01.07 – Плодоводство) – Краснодар: КубГАУ, 1981. – 328 с.
28. Драгавцева И.А. Экологические ресурсы продуктивности абрикоса на юге России.
–Краснодар: 1999. –94с.
29. Драгавцева И.А., Лопатина Л.М., Луценко Е.В., Луценко Н.Е. Применение системного анализа для прогнозирования успешности выращивания сельскохозяйственных культур (на примере плодовых). //В сб. "Формы и методы повышения эффективности координации исследований для ускорения процесса передачи реальному сектору экономики завершенных разработок". – Краснодар. СКЗНИИСиВ, 2002. – С.62-67.
30. Драгавцева И.А., Луценко Е.В., Лопатина Л.М. Применение автоматизированного системного анализа для прогноза продуктивности плодовых культур на юге России. //Научное обеспечение современных технологий производства, хранения и переработки плодов и ягод в России и странах СНГ (Материалы международной научно-практической конференции 12-14 августа 2002 г.)/ВСТИСП. –М., 2002. – С.17-20.
31. Дюбуа Д., Прад А.. Теория возможностей. Приложения к представлению знаний в информатике. - М.: Радио и связь, 1990.
32. Дюк В.А. Компьютерная психодиагностика. - СПб: Братство, 1994. - 365с.
33. Дюк В.А. Обработка данных на ПК в примерах. – СПб: Питер, 1997. – 240с.
34. Егоров Е.А., Драгавцева И.А., Луценко Е.В., Лопатина Л.М. и др. Интенсивные технологии возделывания плодовых культур. Монография (научное издание). –Краснодар: ТУ КубГТУ, 2004. –394с.
35. Емельянов-Барковский Л.Б.. Интеллектуальная квазибиологическая система. – М.: Наука, 1990. – 112с.
36. Ерофеев А.А., Поляков А.О.. Интеллектуальные системы управления. СПб: Издательство СПбГТУ, 1999.
37. Завгородний В.В. и Мельников Ю.Н. Идентификация по клавиатурному почерку, "Банковские Технологии" №9, 1998.
38. Загоруйко Н.Г.. Прикладные методы анализа данных и знаний. – Новосибирск, 1999.
39. Заде Л..
Понятие о лингвистической переменной и его применение к принятию решений. - М.: Мир, 1976.
40. Интеллектуализация ЭВМ - // В уч. пос. Перспективы развития вычислительной техники в 11 кн. Кн. 2. - М.: Высшая школа, 1989.
41. Интеллектуальные системы и их моделирование. - М.:Наука, 1986.
42. Искусственный интеллект. Применение в интегрированных производственных системах. Под ред. Э.Кьюсиака. - М.: Машиностроение, 1991.
43. Искусственный интеллект. Справочник в 3-х томах. - М.: Радио и связь, 1990.
44. Каллан Р. Основные концепции нейронных сетей. - М.: "Вильямс", 2001.
45. Кандрашина Е.Ю., Литвинцева А.В., Поспелов Д.А.. Представление знаний о времени и пространстве в интеллектуальных системах. - М.: Наука, 1989.
46. Кива В. Данные, информация, знания. http://vlak.webzone.ru/rus/it/knowledge.html.
47. Ковальски Р.. Логика в решении проблем. - М.: Наука, 1990.
48. Козлов Ю.М.. Адаптация и обучение в робототехнике. – М.: Наука, 1990.
49. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. - М.: Изд-во МГТУ им. Н.Э.Баумана, 2002.
50. Комашинский В.И., Смирнов В.И. Нейронные сети и их применение в системах управления и связи. – М.: Горячая линия – Телеком, 2002.
51. Корнеев В.В., Гарев А.Ф., Васютин С.В., Райх В.В.. Базы данных. Интеллектуальная обработка информации. - М.: "Нолидж", 2000.- 2-е изд., 2001.
52. Корноушенко Е.К., Максимов В.И. Управление процессами в слабоформализованных средах при стабилизации графовых моделей среды. Труды ИПУ, вып.2, 1998.
53. Кохонен Т.. Ассоциативная память. – М.: Мир, 1980.
54. Круглов В.В., Борисов В.В..
Искусственные нейронные сети. Теория и практика. - М.: Горячая линия-Телеком, 2001.
55. Кузнецов В.Е.. Представление в ЭВМ неформальных процедур. - М.: Наука, 1989.
56. Кузнецов И.П.. Кибернетические диалоговые системы. – М.: Наука, 1976.
57. Кузнецов И.П.. Механизмы обработки семантической информации. – М.: Наука, 1978.
58. Куссуль Э.М. Ассоциативные нейроподобные структуры. - Киев, Наукова думка, 1990.
59. Лийв Э. Х. Инфодинамика. Обобщённая энтропия и негэнтропия. - Таллинн, 1998. - 200 с.
60. Линдсей П., Норман Д.. Переработка информации у человека. – М.: Мир, 1974.
61. Логический подход к искусственному интеллекту. - М.: Мир, 1990.
62. Лойко В.И., Лаптев В.Н., Луценко Е.В., Постный В.А. Вычислительные сети, системы и телекоммуникации: Методические указания по подготовке курсовых работ для студентов специальностей 3514001 – Прикладная информатика в экономике и 3514003 – Прикладная информатика в юриспруденции. КубГАУ, 2003. – 46с.
63. Лорьер Ж.-Л.. Системы искусственного интеллекта. - М: Мир, 1991.
64. Луценко Е. В. 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.
65. Луценко Е.В. Автоматизированная система "ЭЙДОС" - как инструмент для разработки и эксплуатации психологических тестов. //В сб.: "Теоретические и прикладные проблемы социально-психологической и медико-педагогической служб". - Краснодар: КубГУ, 1995. - С.47.
66. Луценко Е.В.
Автоматизированная система распознавания образов: математическая модель и опыт применения. //В сб.: "В.И. Вернадский и современность (к 130-летию со дня рождения)". - Краснодар: КНА, 1993. - С.37-42.
67. Луценко Е.В. Автоматизированный когнитивный системный анализ влияния ДПО на качество подготовки специалистов. //В сб.: "Опыт и проблемы совершенствования региональной системы дополнительного профессионального образования в области управления качеством". – Краснодар: Академия СМС, 2001. – С.38-39.
68. Луценко Е.В. Автоматизированный системно–когнитивный анализ в экономике. //Изв. вузов. Сев.-Кавк. регион. Техн. науки. – 2003. – Приложение №1,.– С. 189-194.
69. Луценко Е.В. Адаптивная система обработки данных "ВЕГА". ИЛ №6-85, КЦНТИ, 1985. – 4с.
70. Луценко Е.В. АСК-анализ в управлении активными системами. //Ж-л "Безопасность информационных технологий", №2. –М.: МИФИ, 2003, с.110-119.
71. Луценко Е.В. АСК-анализ информационной безопасности организационно-технических систем. // Межвузовский сборник научных трудов, том 1. –Краснодар: КВИ. 2003.–С. 87-89.
72. Луценко Е.В. Атрибуция анонимных и псевдонимных текстов в системно-когнитивном анализе. // Научный журнал КубГАУ. – 2004.– №3(5). –21 с. http://ej.kubagro.ru.
73. Луценко Е.В. Атрибуция текстов, как обобщенная задача идентификации и прогнозирования. // Научный журнал КубГАУ. – 2003.– №2(2). –10 с. http://ej.kubagro.ru
74. Луценко Е.В. Возможности прогнозирования учебных достижений студентов на основе АСК-анализа их имеджевых фотороботов. // Научный журнал КубГАУ. – 2004.– №2(4). –21 с. http://ej.kubagro.ru
75. Луценко Е.В. Интерференция последствий выбора в результате одновременного выбора альтернатив и необходимость разработки эмерджентной теории информации. /Проблемы совершенствования систем защиты информации и образовательных технологий подготовки военных специалистов: Материалы III межведомственной научно-технической конференции Краснодарского военного института.//КВИ.
– Краснодар, 2002, – С.24-30.
76. Луценко Е.В. Исследование адекватности, сходимости и семантической устойчивости системно-когнитивной модели активных объектов. //В сб.: "Материалы III всероссийской межвузовской научно-технической конференции". – Краснодар: КВИ, 2002. – С.50-54.
77. Луценко Е.В. Когнитивная аналитическая система "ЭЙДОС-6.0" и система "ЭЙДОС-?" - адекватный инструментарий для психологических служб МВД. //В сб.: "Актуальные проблемы социально-правовой подготовки специалистов и перспективы совершенствования системы комплектования органов внутренних дел". Часть 1. - Краснодар: КЮИ МВД РФ, 1997. - С.65-69.
78. Луценко Е.В. Когнитивная аналитическая система "ЭЙДОС-6.2", как инструмент исследования интегральной индивидуальности по Вольфу Мерлину. //В сб.: "Актуальные проблемы социально-правовой подготовки специалистов и перспективы совершенствования системы комплектования ОВД". Часть 2. - Краснодар: КЮИ МВД РФ, 1997. - С.136-141.
79. Луценко Е.В. Концептуальные основы системной (эмерджентной) теории информации и ее применение для когнитивного моделирования активных объектов. //Ж-л "Перспективные информационные технологии и интеллектуальные системы", №1/2003. –Тагантрог: –ТГРУ, 2003, с.23-27.
80. Луценко Е.В. Математическая модель автоматизированной системы распознавания образов. //В сб. "Тезисы докладов VIII Всесоюзного съезда психологов". –М.: Наука, 1989. – С.35.
81. Луценко Е.В. Методика использования репозитария UCI для оценки качества математических моделей систем искусственного интеллекта. // Научный журнал КубГАУ. – 2003.– №2(2). –26 с. http://ej.kubagro.ru
82. Луценко Е.В. Нелокальные интерпретируемые нейронные сети прямого счета, как инструмент системно-когнитивного анализа. //Изв.
вузов. Северо- Кавказский регион. Технические науки. Приложение №3, 2003. –С. 3-12.
83. Луценко Е.В. Представляем научно-производственное предприятие "ЭЙДОС". - Краснодар: Ринг №1, 1993. - 11с.
84. Луценко Е.В. Разработка методологии синтеза адаптивных АСУ сложными объектами на основе применения моделей распознавания образов и принятия решений. Дис... к.т.н. (05.13.06 – Автоматизированные системы управления) – Краснодар: КубГТУ. 1999. - 187с.
85. Луценко Е.В. Рефлексивное модель управления качеством подготовки специалиста. //В сб.: "Материалы II межвузовской научно-технической конференции". – Краснодар: КВИ, 2001. – С.129-131.
86. Луценко Е.В. Селиверстов В.В. Разработка профессиональных оптимальных адаптивных тестов на основе интеллектуальной технологии "ЭЙДОС". //В Сб.: "Современные компьютерные технологии обучения". - Краснодар: КВВАУ, 1998. - С.32-34.
87. Луценко Е.В. Синтез адаптивных систем управления индивидуальным обучением на базе интеллектуальной системы "ЭЙДОС" // В Сб.: "Современные компьютерные технологии обучения". - Краснодар: КВВАУ, 1998. - С.27-30.
88. Луценко Е.В. Синтез экстремальных систем "человек-машина" на основе принципа многоуровневой адаптивности. /Труды Краснодарского ВАИ. Вып. 4. - Краснодар: КВАИ, 1999. - С.186-190.
89. Луценко Е.В. Системно-когнитивный анализ в управлении АПК. Дисс…д.э.н. (08.00.13 – Математические и инструментальные методы экономики) – Краснодар: КубГАУ, 2003. – 372 с.
90. Луценко Е.В. Системно-когнитивный анализ детерминстско-бифуркационной динамики активных систем. //В сб.: "Материалы III всероссийской межвузовской научно-технической конференции". – Краснодар: КВИ, 2002. – С.64-70.
91. Луценко Е.В.
Системно- когнитивный анализ как развитие концепции смысла Шенка-Абельсона. // Научный журнал КубГАУ. – 2004.– №3(5). –21 с. http://ej.kubagro.ru.
92. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с.
93. Луценко Е.В. Теоретические основы эмерджентной теории информации. /Проблемы совершенствования систем защиты информации и образовательных технологий подготовки военных специалистов: Материалы III межведомственной научно-технической конференции Краснодарского военного института.//КВИ. – Краснодар, 2002, – С.31-42.
94. Луценко Е.В. Типовая методика и инструментарий когнитивной структуризации и формализации задач в СК-анализе. // Научный журнал КубГАУ. – 2004.– №1(3). –10 с. http://ej.kubagro.ru.
95. Луценко Е.В. Универсальная автоматизированная система распознавания образов "ЭЙДОС-4". ИЛ №438-93, КЦНТИ, 1993. – 4с.
96. Луценко Е.В. Универсальная автоматизированная система распознавания образов "ЭЙДОС": опыт и перспективы применения. //В сб.: "Состояние и связи криминалистики и теории оперативно-розыскной деятельности ОВД". - Краснодар.: КЮИ МВД РФ, 1995. - С.168-177.
97. Луценко Е.В. Универсальная автоматизированная система распознавания образов "ЭЙДОС". (версия 4.1). - Краснодар: КЮИ МВД РФ, 1995. - 76с.
98. Луценко Е.В. Численный расчет эластичности объектов информационной безопасности на основе системной теории информации//В сб. "Информационная безопасность при использовании средств вычислительной техники". –Краснодар: КЮИ МВД РФ, 2003.–С. 21-30.
99. Луценко Е.В. ЭЙДОС-6.2, Кубань-бизнес (связь, информатика). - Краснодар: Кубань-бизнес. 1994. - 2с.
100. Луценко Е.В., Автоматизация когнитивных операций системного анализа. //В сб.: "Материалы II межвузовской научно-технической конференции". – Краснодар: КВИ, 2001. – С.131-133.
101. Луценко Е.В., Автоматизированный когнитивный системный анализ фондового рынка. //В сб.: "Проблемы экономического и социального развития России". – Пенза: ПГУ, 2001, – С.87-91.
102. Луценко Е.В., Власенко А.В. Методика изучения влияния дополнительного профессионального образования на качество подготовки специалистов. //В сб.: "Опыт и проблемы совершенствования региональной системы дополнительного профессионального образования в области управления качеством". –Краснодар: Академия СМС, 2001. –С.23-24.
103. Луценко Е.В., Драгавцева И.А., Запорожец Н.М., Луценко Н.Е. Новые подходы к районированию плодовых культур на Юге России с применением компьютерного моделирования Организационно-экономический механизм инновационного процесса и приоритетные проблемы научного обеспечения развития отрасли (Материалы Всероссийской научно-практической конференции 3-4 февраля 2003 г.. СКЗНИИСиВ, Краснодар) –Краснодар:, 2003. – С.74-76
104. Луценко Е.В., Лаптев В.Н, Третьяк В.Г. Прогнозирование качества специальной деятельности методом подсознательного (подпорогового) тестирования на основе семантического резонанса. //В сб.: "Материалы II межвузовской научно-технической конференции". – Краснодар: КВИ, 2001. – С.127-128.
105. Луценко Е.В., Лаптев В.Н. Изучение некоторых понятий гносеологии и психологии на примере когнитивной аналитической системы "ЭЙДОС". //В сб.: "Современные компьютерные технологии обучения". - Краснодар: КВВАУ, 1998. - С.34-38.
106. Луценко Е.В., Лаптев В.Н. Некоторые проблемы и перспективы управления качеством подготовки специалистов. //В сб.: "Материалы II межвузовской научно-технической конференции". – Краснодар: КВИ, 2001. – С.133-135.
107. Луценко Е.В., Лаптев В.Н.
Применение когнитивной аналитической системы "ЭЙДОС" для прогнозирования успешности будущей профессиональной деятельности абитуриентов и учащихся вузов. //В сб.: "Современные компьютерные технологии обучения". - Краснодар: КВВАУ, 1998. - С.30-32.
108. Луценко Е.В., Лебедев А.Н. Диагностика и прогнозирование профессиональных и творческих способностей методом АСК-анализа электроэнцефалограмм в системе "Эйдос". // Межвузовский сборник научных трудов, том 1. –Краснодар: КВИ. 2003.–С. 227-229.
109. Луценко Е.В., Лопатина Л.М. Создание автоматизированной системы мониторинга, анализа, прогноза и управления продуктивностью сельскохозяйственных культур. // Научный журнал КубГАУ. – 2003.– №2(2). –10 с. http://ej.kubagro.ru
110. Луценко Е.В., Математический метод СК-анализа в свете идей интервальной бутстрепной робастной статистики объектов нечисловой природы. // Научный журнал КубГАУ. – 2004.– №1(3). –20 с. http://ej.kubagro.ru
111. Луценко Е.В., Третьяк В.Г. Анализ профессиональных траекторий специалистов с применением системы "Эйдос". //В сб.: "Личность и ее бытие (социально-психологические аспекты бытия личности в местном сообществе)". -Краснодар: КубГУ, 2002. -С.43-49.
112. Любарский Ю.Я.. Интеллектуальные информационные системы. - М.: Наука, 1990.
113. Люгер Дж.Ф.. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: «Вильямс», 2003.
114. Максимов В.И., Качаев С.В., Корноушенко Е.К. Концептуальное моделирование и мониторинг проблемных и конфликтных ситуаций при целенаправленном развитии региона. В сб. "Современные технологии управления для администраций городов и регионов". Фонд "Проблемы управления", М. 1998.
115. Максимов В.И., Корноушенко Е.К. Аналитические основы применения когнитивного подхода при решении слабоструктурированных задач. Труды ИПУ, вып.2, 1998.
116. Максимов В.И., Корноушенко Е.К. Знание – основа анализа.
Банковские технологии, № 4, 1997.
117. Максимов В.И., Корноушенко Е.К., Качаев С.В. Анализ ситуации и компенсация теневых аспектов в свободной торговле. В сб. " Современные технологии управления для администраций городов и регионов". Фонд "Проблемы управления", М. 1998.
118. Максимов В.И., Корноушенко Е.К., Качаев С.В., Григорян А.К. Когнитивный подход к анализу проблемы демонополизации в транспортном комплексе. Труды ИПУ, вып.2, 1998.
119. Малышев Н.Г., Берштейн Л.С., Боженюк А.В.. Нечеткие модели для экспертных систем в САПР. - М.: Энергоатомиздат, 1991.
120. Марселлус Д.. Программирование экспертных систем на Турбо-Прологе. - М.: Финансы и статистика, 1994.
121. Медведев В.С., Потемкин В.Г.. Нейронные сети MATLAB 6. – М.: Диалог-МИФИ, 2002.
122. Мелихов А.Н., Бернштейн Л.С., Коровин С.Я.. Ситуационные советующие системы с нечеткой логикой. - М.: Наука, 1990.
123. Минский М.. Фреймы для представления знаний. - М.: Энергия, 1979.
124. Моделирование языковой деятельности в интеллектуальных системах. Под ред. А.Е.Кибрика и А.С.Нариньяни. - М.: Наука, 1987.
125. Моргенштерн И. Психографология. –СПб.: Питер, 1994. –350 с.
126. Назаров А.В., Лоскутов А.И.. Нейросетевые алгоритмы прогнозирования и оптимизации систем. – СПб.: Наука и техника, 2003.
127. Накано Э.. Введение в робототехнику. – М.: Мир, 1988.
128. Нейроинформатика. / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин и др. – Новосибирск: Наука. Сибирское предприятие РАН, 1998. – 296с.
129. Нейрокомпьютеры и интеллектуальные роботы. Под ред. Н.М. Амосова. – Киев, Наукова думка, 1991.
130. Нейронные сети. STATISTICA Neural Networks. - М.: Горячая линия - Телеком, 2000.
131. Нейропрограммы. Уч. пособие. – Красноярск, 1994.
132. Нечеткие множества в моделях управления и искусственного интеллекта/А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун, В.Б. Силов, В.Б. Тарасов. Под ред. Д.А. Поспелова.- М.:Наука.
Гл. ред. физ.-мат. лит., 1986.- 312 с.
133. Нечеткие множества и теория возможностей. Под ред. Р.Ягера. - М.: Радио и связь, 1986
134. Нильсон Н.. Принципы искусственного интеллекта. - М.: Радио и связь, 1985.
135. Обработка знаний. - М: Мир, 1990.
136. Обработка нечеткой информации в системах принятия решений./ А.Н.Борисов, А.В.Алексеев, и др..- М.: Радио и связь, 1989. – 304с.
137. Осипов Г.С. Приобретение знаний интеллектуальными системами. М., «Наука», 1997.
138. Осовский С.. Нейронные сети для обработки информации. – М.: Финансы и статистика, 2002.
139. Пат. № 2000610164. РФ. Адаптивная система анализа и прогнозирования состояний сложных систем "ДЕЛЬТА". /В.С.Симанков (Россия), Е.В.Луценко (Россия); Заяв. № 2000610164. Опубл. 03.03.2000. - 50с.
140. Пат. № 2003610433 РФ. Автоматизированная система мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО". / И. А. Драгавцева (Россия), Е.В.Луценко (Россия), Л.М.Лопатина (Россия); Заяв. № 2002611927 РФ. Опубл. от 18.02.2003. – 50с.
141. Пат. № 2003610986 РФ. Универсальная когнитивная аналитическая система "ЭЙДОС" / Е.В.Луценко (Россия); Заяв. № 2003610510 РФ. Опубл. от 22.04.2003. – 50с.
142. Пат. № 2003610987 РФ. Автоматизированная система комплексной обработки данных психологического тестирования "ЭЙДОС-Y" / Е.В.Луценко (Россия), С.Д.Некрасов (Россия); Заяв. № 2003610511 РФ. Опубл. от 22.04.2003. – 50с.
143. Пат. № 2003620035 РФ. База данных автоматизированной системы мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО". / И. А. Драгавцева (Россия), Е.В.Луценко (Россия), Л.М.Лопатина (Россия); Заяв. № 2002620178 РФ. Опубл. от 20.02.2003. – 50с.
144. Пат. № 940217. РФ. Универсальная автоматизированная система распознавания образов "ЭЙДОС". /Е.В.Луценко (Россия); Заяв. № 940103. Опубл. 11.05.94. – 50с.
145. Пат. № 940328 РФ.
Универсальная автоматизированная система анализа, мониторинга и прогнозирования состояний многопараметрических динамических систем "ЭЙДОС-Т". /Е.В.Луценко (Россия); Заяв. № 940324. Опубл. 18.08.94. – 50с.
146. Пат. № 940334. РФ. Универсальная автоматизированная система анализа и прогнозирования ситуаций на фондовом рынке "ЭЙДОС-фонд" /Е.В.Луценко (Россия), Б.Х.Шульман (США); Заяв. № 940336. Опубл. 23.08.94. – 50с.
147. Пенроуз Р.. Новый ум короля: о компьютерах, мышлении и законах физики. – М.: Едиториал УРСС, 2003. – 384с.
148. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ: Учебное пособие. – М.: Высшая школа, 1997. – 389с.
149. Попов Э.В., И.Б. Фоминых, Е.Б. Кисель, М.Д.Шапот. Статические и динамические экспертные системы. - М.: Финансы и статистика, 1996.
150. Попов Э.В.. Общение с ЭВМ на естественном языке. - М:, Наука, 1986.
151. Попов Э.В.. Экспертные системы. - М:, Наука, 1987.
152. Поспелов Д.А.. Моделирование рассуждений. - М.: Радио и связь, 1989.
153. Построение экспертных систем. Под ред. Ф. Хейес-Рота, Д. Уотермена, Д. Лената. - М.: Мир, 1987.
154. Потапова Р.К.. Речевое управление роботом. – М.: Радио и связь, 1989.
155. Представление и использование знаний. - М: Мир, 1989.
156. Прибрам К.. Языки мозга. – М.: Прогресс, 1975.
157. Приобретение знаний. - М: Мир, 1990.
158. Психология машинного зрения. – Под ред. П.Уинстона, М.:Мир, 1978.
159. Р.Левин, Д.Дранг, Б.Эдельсон. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике. - М.: Финансы и статистика, 1990.
160. Райков А.Н. Аналитическим службам - информационные технологии. /Ваш выбор. 1994. № 4. - С.28-29.
161. Райков А.Н. Гносеологическая декомпозиция процессов рефлексивного управления. /"Рефлексивное управление". Тезисы международного симпозиума (17-19.10.2000). – М.: Ин-т психол. РАН, 2000. – С.89-90.
162. Райков А.Н. Интеллектуальные информационные технологии и системы. В 2-х частях. – М.: МИРЭА, 1998. – 213с.
163. Райков А.Н. Интеллектуальные информационные технологии: Учебное пособие. – М.: МГИРЭА(ТУ), 2000. - 96с.
164. Реальность и прогнозы искусственного интеллекта. -М.: Мир, 1987.
165. Роберт Г.Джан, Бренда Дж.Данн. Границы реальности. (Роль сознания в физическом мире). /Пер. с англ. - М.: Объединенный институт высоких температур РАН, 1995. - 287с.
166. Роберт Г.Джан, Бренда Дж.Данн. Границы реальности. (Роль сознания в физическом мире). /Пер. с англ. - М.: Объединенный институт высоких температур РАН, 1995. - 287с.
167. Розенблатт Ф. Принципы нейродинамики (перцептрон и теория механизмов мозга). // М.: "Мир", 1965.—480с.
168. Рубашкин В.Ш.. Представление и анализ смысла в интеллектуальных информационных системах. - М.: Наука, 1989.
169. Рябикина З.М., Некрасов С.Д., Луценко Е.В. Личность и профессия: проблема самоактуализации. //В сб. "Психологические проблемы самореализации личности". /Под ред. О.Г.Кукосяна. - Краснодар: КубГУ, 1997. - С.127-140.
170. Сайт: ИПУ РАН, Сектор-51 "Когнитивный анализ и моделирование ситуаций": http://www.ipu.ru/labs/lab51/projects.htm.
171. Сигеру Омату, Марзуки Халид, Рубия Юсоф. Нейроуправление и его приложения. М.: ИПРЖР, 2000.
172. Симанков В.С., Зайцев И.В., Луценко Е.В. Синтез автоматизированных систем управления автономными комбинированными фотоветроэлектроэнергетическими установками. Деп.в ВИНИТИ 27.11.98, № 3500-В98. – 22с.
173. Симанков В.С., Зайцев И.В., Луценко Е.В. Синтез адаптивных САУ ФВЭУ с применением моделей распознавания образов и принятия решений, основанных на теории информации. //В Сб.: "Компьютерные технологии в науке, проектировании и производстве". Часть 17. Нижний Новгород: НГТУ, 1999. - С.12.
174. Симанков В.С., Луценко Е.В. Адаптивная автоматизированная система управления качеством обучения. //В сб,: "Информационные технологии и системы".
ВТУ: Тез. докл. Всероссийской конференции. –Воронеж: ВГТА, 1999. – С.155-157.
175. Симанков В.С., Луценко Е.В. Адаптивная система анализа и прогнозирования состояний сложных систем "Дельта". //В сб.: "Теория конфликта и ее приложения". – Воронеж: ВГТА, 2000. – С.4-5.
176. Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов Монография (научное издание). – Краснодар: ТУ КубГТУ, 1999. - 318с.
177. Симанков В.С., Луценко Е.В. Исследование эффективности управления обучением с применением адаптивной информационной модели. //В сб.: "Компьютерные технологии в науке и образовании XXI века". - Ульяновск: УлГУ, 1999. – С.242-246.
178. Симанков В.С., Луценко Е.В. Моделирование принятия решений в адаптивных АСУ сложными системами на основе теории информации. /Информационные технологии. 1999, №2,. – С.8-14.
179. Симанков В.С., Луценко Е.В. О требованиях, предъявляемых к тестовым заданиям и тестам по предметной обученности. //В сб.: "Интеллектуальные информационные системы". - Воронеж, ВГТА, 2000. – С.35-36.
180. Симанков В.С., Луценко Е.В. Применение кластерно - конструктивного анализа и теории информации для выявления конфликтующих коалиций в сложных организационных системах. //В сб.: "Теория конфликта и ее приложения". – Воронеж: ВГТА, 2000. – С.11-12.
181. Симанков В.С., Луценко Е.В. Применение семантической теории информации для обобщения и сравнительно-типологического анализа исторического опыта стран //В сб.: "Вековой поиск модели хозяйственного развития России". – Волжский: ВГУ, 2000. – С.21-23.
182. Симанков В.С., Луценко Е.В. Решение задач управления качеством обучения с применением интеллектуальной системы. "Дельта". /В сб.: "Информационные технологии и телекоммуникации в образовании". - М.: ВВЦ, 2000. - С.52-53.
183. Симанков В.С., Луценко Е.В. Синтез адаптивных АСУ сложными системами с применением моделей распознавания образов.
Деп. в ВИНИТИ 18.09.98, № 2839 -В98. – 11c.
184. Симанков В.С., Луценко Е.В. Синтез адаптивных АСУ сложными системами с применением моделей распознавания образов. /Автоматизация и современные технологии. 1999. № 1. - С.32-37.
185. Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В.С.Симанкова. – Краснодар: ИСТЭК КубГТУ, 2001. – 258с.
186. Системы управления базами данных и знаний. Справочное издание под ред. А.Н. Наумова. - М.: Финансы и статистика, 1991.
187. Словарь по кибернетике. /Под ред. В.М.Глушкова. – К.: Наукова думка, 1979. - 502с.
188. Смирнов И., Безносюк Е., Журавлёв А. Психотехнологии: Компьютерный психосемантический анализ и психокоррекция на неосознаваемом уровне. - М.: Изд. группа Прогресс-Культура, 1995. - 416с.
189. Сойер Б., Фостер Д.Л.. Программирование экспертных систем на Паскале. - М.: Финансы и статистика, 1990.
190. Соломатин Н.М.. Информационные семантические системы. - // В уч. пос. Перспективы развития вычислительной техники в 11 кн. Кн. 1. - М.: Высшая школа, 1989.
191. Сотник С.Л. Конспект лекций по курсу "Основы проектирования систем искусственного интеллекта": (1997-1998), http://neuroschool.narod.ru/books/sotnik.html.
192. Статические и динамические экспертные системы. Э,В, Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. – М.: Финансы и статистика, 1996.
193. Таунсенд К., Фохт Д.. Проектирование и программная реализация экспертных систем на персональных ЭВМ. - М.: Финансы и статистика, 1990.
194. Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике. (Учебное пособие) - М., 2002.
195. Тельнов Ю.Ф. Интеллектуальные информационные системы. (Учебное пособие) - М., 2000.
196. Темников Ф.Е., Афонин В.А., Дмитриев В.И. Теоретические основы информационной техники. – М.: Энергия, 1979. – 511с.
197. Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей.
Лаборатория Искусственных Нейронных Сетей НТО-2, ВНИИТФ, Снежинск (http://alife.narod.ru/lectures/neural/Neu_index.htm).
198. Техническая имитация интеллекта. - // В уч. пос. Робототехника и гибкие автоматизированные производства в 9 кн. Кн. 6. - М.: Высшая школа, 1986.
199. Техническое зрение роботов. – Под ред. А.Пью. М.: Машиностроение, 1987.
200. Тимофеев А.В.. Адаптивные робототехнические комплексы. – Л.: Машиностроение, 1988.
201. Ткачев А.Н., Луценко Е.В. Гуманистическая экономика, качество жизни и цели региональной администрации // Научный журнал КубГАУ. – 2004.– №4(6). –14 с. http://ej.kubagro.ru
202. Ткачев А.Н., Луценко Е.В. Исследование многоуровневой семантической информационной модели влияния инвестиций на уровень качества жизни населения региона // Научный журнал КубГАУ. – 2004.– №4(6). –28 с. http://ej.kubagro.ru
203. Ткачев А.Н., Луценко Е.В. Качество жизни населения, как интегральный критерий оценки эффективности деятельности региональной администрации // Научный журнал КубГАУ. – 2004.– №2(4). –31 с. http://ej.kubagro.ru
204. Ткачев А.Н., Луценко Е.В. Постановка задачи и синтез многоуровневой модели влияния инвестиций на качество жизни, Труды Кубанского государственного аграрного университета. 2002. Выпуск 401 (429), юбилейный. С.314-326.
205. Ткачев А.Н., Луценко Е.В. Формальная постановка задачи и синтез многоуровневой семантической информационной модели влияния инвестиций на уровень качества жизни населения региона // Научный журнал КубГАУ. – 2004.– №4(6). –22 с. http://ej.kubagro.ru
206. Третьяк В.Г., Александров С.Г., Луценко Е.В. Модель профессионально-значимых психологических качеств личности сотрудников ОВД. //Вестник учебного отдела КЮИ МВД РФ. 2001, №1. – С.37-41.
207. Тыугу Э.Х.. Концептуальное программирование. - М.: Наука, 1984.
208. Убейко В.Н.. Экспертные системы. – М.: МАИ, 1992.
209. Уинстон П.. Искусственный интеллект. М.: Мир, 1980.
210. Уоссермен Ф.
Нейрокомпьютерная техника: Теория и практика. М.: Мир. 1992.
211. Уотерман Д.. Руководство по экспертным системам. - М.: Мир, 1989.
212. Фатхуддинов Р.А., Клыков Ю.И., Наркевич С.В., Добробаба А.Д., Луценко Е.В. Разработка и управление реализацией городских целевых комплексных программ. ГСТ 00. 004-85. /Городской стандарт. – Краснодар: КФ ВНИИ Стандартизации, 1985. – 107с.
213. Фу К., Гонсалес Р., Ли К.. Робототехника. – М.: Мир, 1989.
214. Хагуров А.А., Луценко Е.В., Бакурадзе Л.А. Системный подход к социальному планированию развития города. //В сб.: "Проблемы управления развитием городов". – Краснодар: Краснодарский горисполком, 1985. – С.53-61с. (ДСП).
215. Хоггер К.. Введение в логическое программирование. М.: Мир, 1988.
216. Хорн Б.К.П.. Зрение роботов. – М.: Мир, 1989.
217. Хофман И. Активная память. – М.: Прогресс, 1986.
218. Хювенен Э., Сеппянен Й.. Мир Лиспа. В 2-х томах. - М.: Мир, 1990.
219. Цехмистро И.З. Поиски квантовой концепции физических оснований сознания. –Харьков: ХГУ, 1981. - 275с.
220. Частиков А.П., Гаврилова Т.А., Белов Д.Л.. Разработка экспертных систем. Среда CLIPS. – СПБ: БХВ-Петербург, 2003.
221. Шагас Ч. Вызванные потенциалы мозга в норме и патологии. –М.: Мир, 1975. –314 с.
222. Шенк Р.. Обработка концептуальной информации. - М.: Энергия, 1980.
223. Шитиков В.К., Розенберг Г.С., Зинченко Т.Д. Количественная гидроэкология: методы системной идентификации. – Тольятти: ИЭВБ РАН, 2003. – 463 с.
224. Щукин Т.Н., Дорохов В. Б., Лебедев А.Н., Луценко Е.В. ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: постановка задачи. // Научный журнал КубГАУ. – 2004.– №4(6). – 9 с. http://ej.kubagro.ru.
225. Щукин Т.Н., Дорохов В. Б., Лебедев А.Н., Луценко Е.В. ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: описание эксперимента. // Научный журнал КубГАУ. – 2004.– №4(6).– 13 с. http://ej.kubagro.ru.
226. Щукин Т.Н., Дорохов В. Б., Лебедев А.Н., Луценко Е.В. ЭЭГ прогноз успешности выполнения психомоторного теста при снижении уровня бодрствования: анализ результатов исследования. // Научный журнал КубГАУ. – 2004.– №4(6). – 17 с. http://ej.kubagro.ru.
227. Экспертные системы. Принципы работы и примеры. Под ред. Р. Форсайта.- М.: Радио и связь, 1987.
228. Элти Дж., М. Кумбс. Экспертные системы. Концепции и примеры. – М.: Финансы и статистика, 1987.
229. Янг Дж.Ф.. Робототехника. – Л.: Машиностроение, 1979.
230. Ярушкина Н.Г.. Основы теории нечетких и гибридных систем. – М.: Финансы и статистика, 2004.
Достоинства и недостатки генетических алгоритмов
Однако, ГА не гарантирует обнаружения глобального решения за приемлемое время. ГА не гарантируют и того, что найденное решение будет оптимальным решением. Тем ни менее они применимы для поиска
"достаточно хорошего" решения задачи за "достаточно короткое время". ГА представляют собой разновидность алгоритмов поиска и имеют преимущества перед другими алгоритмами при очень больших размерностях задач и отсутствия упорядоченности в исходных данных, когда альтернативой им является метод полного перебора вариантов.
В случаях, когда задача может быть решена специально разработанным для нее методом, практически всегда такие методы будут эффективнее ГА как по быстродействию, так и по точности найденных решений.
Главным же достоинством ГА является то, что они могут применяться для решения сложных неформализованных задач, для которых не разработано специальных методов, т.е. ГА обеспечивают решение проблем.
Но даже в тех случаях, для которых хорошо работают существующие методики, можно достигнуть интересных результатов сочетая их с ГА.
Древовидная кластеризация
Древовидная диаграмма (диаграмму (рисунок 72) начинается с конкретных объектов (в левой части диаграммы). Теперь представим себе, что постепенно (очень малыми шагами) вы "ослабляете" ваш критерий о том, какие объекты являются уникальными, а какие нет. Другими словами, вы понижаете порог, относящийся к решению об объединении двух или более объектов в один кластер.
В результате, вы связываете вместе всё большее и большее число объектов и агрегируете (объединяете) все больше и больше кластеров, состоящих из все сильнее различающихся элементов. Окончательно, на последнем шаге все объекты объединяются вместе.
Рисунок 72. Древовидная диаграмма последовательной кластеризации |