Исследование семантической информационной модели управления качеством грунтовых вод на рисовых оросительных системах

Анализ семантической информационной модели включает [1]:

1. Решение задач идентификации и прогнозирования.

2. Исследование системы детерминации состояний и функций влияния факторов:

- детерминация минерализации и уровня грунтовых вод (УГВ) различными подсистемами факторов;

- информационные портреты факторов;

- функции влияния.

3. Системно-когнитивный анализ модели:

- кластерно-конструктивный анализ классов и факторов и семантические сети классов и факторов;

- когнитивные диаграммы классов и факторов;

- нелокальные нейроны и интерпретируемые нейронные сети. Нейросетевая модель управления минерализацией и УГВ;

- классические когнитивные карты;

- обобщенные когнитивные карты.

2. Решение задач идентификации и прогнозирования

Математически эти задачи не отличаются, и разница между ними лишь в том, что при идентификации признаки и состояния объекта относятся к одному моменту времени, при прогнозировании признаки (факторы) относятся к прошлому, а состояния объекта - к будущему.

Идентификация и прогнозирование осуществляются в 4-й подсистеме «Эйдос». При этом описания объектов должны быть в распознаваемой выборке.

Если мы исследуем объекты обучающей выборки, то их описания могут быть скопированы в распознаваемую непосредственно из режима ввода обучающей информации по нажатию клавиши F5 в 1-м режиме 2-й подсистемы. Если же исследуются новые объекты, по которым еще нет верифицированной информации, то их описания могут быть непосредственно введены в распознаваемую выборку.

Этот режим позволяет количественно сравнивать годы друг с другом и с классами, характеризующими различные уровни минерализации, УГВ и урожаи риса.

3. Исследование системы детерминации состояний и функций влияния факторов

3.1 Определения основных понятий

В результате выполнения первых четырех заданий сгенерировано 224 информационных портрета, отражающих влияние перечисленных групп факторов на переход объекта управления в будущие состояния, представленные 56 классами. В совокупности эти портреты детально отражают систему детерминации всех представленных в модели состояний поливной системы и могут быть использованы для поддержки принятия решений по выбору управляющих факторов. Однако в связи с ограниченностью объема данной работы привести их нет возможности. Отметим лишь, что из этих информационных портретов следует, что высокий урожай риса во многом обусловлен большими среднемесячными расходами воды в канале СМС-1 с апреля по ноябрь и средними объемами подачи повторных вод.

В этих информационных портретах представлены лишь факторы, оказывающие существенное влияние на урожаи риса. Подробный анализ информационных портретов классов выходит за рамки данной работы, в которой мы стремились продемонстрировать лишь принципиальную возможность применения методологии и технологии системно-когнитивного анализа для управления оросительной системой с целью получения максимальных урожаев риса наивысшего качества.

3.3 Информационные портреты факторов

Информационные портреты факторов в СК-анализе называются также семантическими портретами факторов, т.к. они раскрывают смысл фактора, который в соответствии с концепцией смысла Шенка-Абельсона, развитой в СК-анализе [4] состоит в том, какие состояния объекта управления данный фактор обуславливает, т.е. детерминирует.

Рассмотрим интерпретацию первых десяти информационных портретов факторов, оказывающих наиболее сильное влияние на состояние оросительной системы и урожайность риса. Эти факторы расположены в самом начале таблицы 2.

Градации факторов, оказывающие наибольшее влияние на поведение оросительной системы (фрагмент)

Функция влияния площади к-за «Родина» с недопустимым УГВ на площадь орошаемых земель с минерализацией грунтовых вод > 3

Функция влияния площадей к-за «Родина» с недопустимым УГВ на площадь орошаемых земель с УГВ 2,0-3,0 м

На рисунках 3 и 4 отражено влияние минерализации и УГВ в к-зе «Родина». Из них видно, что увеличение площадей в к-зе «Родина» с недопустимым УГВ приводит, с одной стороны, к увеличению площадей орошаемых земель с минерализацией грунтовых вод больше 3, а с другой - к увеличению площадей орошаемых земель с УГВ 2,0-3,0 м. Анализ других функций влияния показывает, что аналогично на УГВ влияет увеличение площадей с недопустимым засолением в ПАОС, а вот увеличение площадей с недопустимым УГВ в ПАОС, напротив, уменьшает площади с УГВ 2,0-3,0 м. Сопоставление этих результатов позволяет высказать гипотезу о направленности потоков грунтовых вод из к-за «Родина» в Черноерковскую оросительную систему, а из нее в ПАОС.

Смысл других функций влияния состоит в том, что увеличение внутрихозяйственной сети оросительных каналов приводит к прямо пропорциональному увеличению площадей орошаемых земель с УГВ 1,0-1,5 м, по всей видимости, за счет уменьшения площадей с УГВ 2,0-3, 0 м.

Протяженность межхозяйственной сети оросительных каналов влияет на площадь орошаемых земель с УГВ 1,0-1,5 м совершенно аналогично внутрихозяйственной сети.

Анализ следующих функций влияния показывает, что увеличение протяженности коллекторно-дренажной и сбросной внутрихозяйственной сети приводит к увеличению площадей орошаемых земель с УГВ 1,0-2,0 м, по-видимому, за счет уменьшения площадей с УГВ 2,0-3, 0 м.

Из сравнения функций влияния протяженности сети оросительных каналов и протяженности коллекторно-дренажной и сбросной внутрихозяйственной сети на площадь орошаемых земель с различными УГВ, можно сделать вывод, что это влияние сходно.

Обобщая выводы, сделанные на основе анализа функций влияния, можно сказать, что они в целом совпадают с экспертными оценками. Однако в отличие от экспертных оценок, они являются более детальными строгими количественными выводами, сделанными путем исследования семантической информационной модели, созданной с использованием большого объема эмпирических данных, отражающих фактическую динамику предметной области за довольно длительный период времени с 1983 по 2003 годы.

4. Системно-когнитивный анализ модели

Кластерно-конструктивный анализ проводится в 5-й подсистеме «Эйдос» и позволяет:

- выявить классы, наиболее сходные по системе их детерминации, и объединить их в кластеры;

- выявить кластеры классов, наиболее отличающиеся по системе их детерминации, и построить из них полюса конструктов классов;

- выявить факторы, наиболее сходные по детерминируемым ими классам, и объединить их в кластеры;

- выявить кластеры факторов, наиболее отличающиеся по детерминируемым ими классам, и построить из них полюса конструктов факторов.

Соответствующие классам состояния объекта управления, включенные в один кластер, могут быть достигнуты одновременно, т.е. являются совместимыми по детерминирующим их факторам.

Состояния объекта управления, соответствующие классам, образующим полюса конструкта, не могут быть достигнуты одновременно, т.е. являются противоположными по детерминирующим их факторам.

Факторы, включенные в один кластер, оказывают сходное влияние на поведение объекта управления и при необходимости могут быть использованы для замены друг друга.

Факторы, образующие полюса конструкта, оказывают противоположное влияние на поведение объекта управления.

Результаты кластерно-конструктивного анализа классов и факторов выводятся в системе «Эйдос» в текстовом виде, а также в графической форме семантических сетей. Рассмотрим некоторые примеры таких форм.

На рисунке приведены фрагменты матрицы сходства классов в наглядной графической форме семантических сетей. Толщина линии связи соответствует уровню сходства, красный цвет - сходству, а синий - различию (показаны отношения сходства и различия с силой связи > 20%).

Графическое отображение результатов кластерно-конструктивного анализа классов в форме семантической сети

4.2 Когнитивные диаграммы классов и факторов

Детально увидеть структуру каждой линии связи в семантической сети классов позволяют когнитивные диаграммы классов (рис. 6).

Слева и справа на когнитивной диаграмме классов расположены информационные портреты классов. На каждом портрете факторы ранжированы сверху вниз в порядке убывания силы влияния на переход объекта управления в состояние, соответствующее данному классу. Красным цветом обозначены факторы, оказывающие положительное влияние на этот переход, а синим - отрицательное. Факторы правого и левого портретов соединены линиями красного цвета, если эти факторы вносят вклад в сходство двух классов, синими - факторы, вносящие вклад в различие. Толщина этих линий соответствует величине вклада. В принципе, эта диаграмма представляет собой просто графическое изображение коэффициента корреляции, при этом каждая линия, вносящая вклад в сходство или различие, соответствует одному слагаемому, ее цвет - знаку, а толщина - модулю этого слагаемого. Но в когнитивных диаграммах учтены также корреляции между факторами, поэтому слагаемых больше, чем в классическом коэффициенте корреляции [1].

Пример когнитивной диаграммы классов

Любой фрагмент данной матрицы может быть отображен в наглядной графической форме семантической сети факторов (рис.).

Семантическая сеть факторов (во 2-й сети показаны только отношения сходства и различия с силой связи > 20%)

Детально изучить структуру каждой линии связи семантической сети факторов позволяют инвертированные когнитивные диаграммы, примеры которых приведены на рисунке 8.

Когнитивная диаграмма факторов

В когнитивной диаграмме факторов справа и слева расположены информационные (семантические) портреты факторов, в которых классы распознавания, соответствующие будущим состояниям объекта управления, ранжированы в порядке убывания силы влияния на переход в них объекта управления под действием данного фактора. Если фактор способствует переходу объекта управления в некоторое состояние, то оно будет отображено красным цветом, если препятствует - синим. Факторы сходны, если вызывают переход объекта управления в сходные состояния, и различны в противном случае. Соответствующие линии связи, вносящие вклад в сходство, отображаются красным цветом, а в различие - синим. Толщина линий связи соответствует их вкладу в сходство или различие. В диаграммах учитывается сходство и различие классов.

4.3 Нелокальные нейроны и интерпретируемые нейронные сети. Нейросетевая модель управления минерализацией и УГВ

Нелокальный нейрон [1] представляет собой модель будущего состояния объекта управления с наиболее сильно влияющими на него факторами, для каждого из которых указаны силы и направления (способствует - препятствует) их влияния (рис. 9).

Нелокальный нейрон, отражающий систему детерминации состояния: «Площадь орошаемых земель с УГВ 1,5-2,0 м максимальна»

Нейронная сеть представляет собой совокупность взаимосвязанных нейронов, т.е. отражает систему детерминации не одного, а нескольких будущих состояний объекта управления, соответствующих нейронам (рис. 10).

Фрагмент нейронной сети, моделирующей систему детерминации состояний Черноерковской оросительной системы

В классических нейронных сетях связь между нейронами осуществляется по входным и выходным сигналам, а в нелокальных нейронных сетях [1] - на основе общего информационного поля, формализуемого в матрице информативностей [4]. Система «Эйдос» обеспечивает построение любого подмножества многослойной нейронной сети с заданными или выбираемыми по заданным критериям рецепторами и нейронами, связанными друг с другом на любом уровне опосредованности.

4.4 Классические когнитивные карты

Классическая когнитивная карта представляет собой модель, включающую нейрон, соответствующий некоторому состоянию объекта управления с рецепторами, каждый из которых связан с фактором в определенной степени способствующим или препятствующим переходу объекта в это состояние. Рецепторы соединены связями как с нейроном, так и друг с другом. Связи рецепторов с нейроном отражают силу и направление влияния факторов, а связи рецепторов друг с другом, отображаемые в форме семантической сети факторов, - сходство и различие между рецепторами по характеру их влияния на объект управления.

Таким образом, классическая когнитивная карта представляет собой модель, включающую нейрон с семантической сетью факторов, которые изображены на одной диаграмме (рис. 11).

Классическая когнитивная карта, отражающая систему детерминации состояния: «Площадь орошаемых земель с УГВ 1,5-2,0 м максимальна»

Из данной когнитивной карты видно, что состояние Черноерковской оросительной системы «Площадь орошаемых земель с УГВ 1,5-2,0 м максимальна» детерминируется градациями факторов с кодами 20, 24 и 49, которые коррелируют друг с другом, а переходу системы в это состояние препятствуют факторы с кодами 17 и 563, которые также коррелируют друг с другом и находятся в антикорреляции с первой группой факторов. Наименования этих факторов приведены в модели нелокального нейрона на рисунке 9.

4.5 Обобщенные когнитивные карты

Если объединить несколько классических когнитивных карт на одной диаграмме и изобразить на ней также связи между нейронами в форме семантической сети классов, то получим обобщенную (интегральную) когнитивную карту. На рисунке 12 приведена обобщенная когнитивная карта, отражающая систему детерминации состояний: «Площадь орошаемых земель с УГВ 1,5-2,0 м».

Из этой когнитивной карты видно, каким образом одна и та же система факторов способствует переходу объекта управления в одни состояния и препятствует переходу в другие.

Система «Эйдос» обеспечивает построение любого подмножества многоуровневой семантической информационной модели с заданными или выбираемыми по заданным критериям рецепторами и нейронами, связанными друг с другом на любом уровне опосредованности в форме классических и обобщенных когнитивных карт.

В частности, в системе «Эйдос» полуавтоматически формируется задание на генерацию подмножеств обобщенной когнитивной карты, соответствующих классификационным и описательным шкалам. Задание получается аналогичным тому, которое формируется для генерации функций влияния. Пример интегральной когнитивной карты, сгенерированной по такому заданию, приведен на рисунке 12.

информационный когнитивный семантический прогнозирование

Пример интегральной когнитивной карты, отражающей влияние градаций некоторой описательной шкалы на переход системы в состояния, соответствующие градациям некоторой классификационной шкалы

Отметим, что в настоящее время система «Эйдос» [1, 5] является единственной системой искусственного интеллекта, позволяющей непосредственно на основе эмпирических данных осуществлять синтез многоуровневой семантической информационной модели предметной области и отображать ее подмодели в графической форме классических и интегральных когнитивных карт.

Выводы

Осуществлен синтез семантической информационной модели, отражающей влияние факторов различной природы на состояние оросительной системы и урожаи риса.

В работе проведено углубленное исследование семантической информационной модели минерализации и уровня грунтовых вод, полученной на основе фактических данных за 1983-2003 годы.

Данная модель отражает влияние 88 факторов различной природы на минерализацию и уровень грунтовых вод и на урожаи риса.

Главные выводы, которые можно сделать по результатам проведенного исследования, состоят в следующем:

1. Продемонстрирована возможность эффективного применения конкретных методик, разработанных и апробированных в процессе адаптации и применения общей методологии системно-когнитивного анализа для исследования влияния большого количества разнородных факторов на минерализацию, уровень грунтовых вод и урожаи риса.

2. Разработаны методики прогнозирования состояний оросительной системы и выработки научно-обоснованных рекомендаций по принятию управленческих решений, направленных на перевод данной системы в целевые состояния и избежание нежелательных состояний.

На основе проведенных исследований предлагаются следующие рекомендации:

1. Организовать научно-исследовательский и технологический центр мониторинга и прогнозирования состояния оросительных систем.

2. На основе общей методологии системно-когнитивного анализа и конкретных предложенных в данной работе методик его применения в данной предметной области разработать и стандартизировать методику мониторинга состояния краевой оросительной системы, в которой должны быть стандартизированы конкретные показатели, формы и информационные технологии, по которым собирается и накапливается информация.

3. Применять эту методику в текущей работе центра для решения следующих задач:

- накопление данных мониторинга МиУГВ по краевой оросительной системе в сопоставимом виде в единой стандартной форме;

- анализ данных мониторинга с целью выявления и уточнения причинно-следственных зависимостей в предметной области, т.е. для генерации информации о силе и направлении влияния различных факторов на МиУГВ;

- использование полученной информации для прогнозирования МиУГВ в условиях предположительного применения тех или иных технологических воздействий на оросительную систему;

- поддержка принятия решений по управлению оросительной системой за счет использования знаний о влиянии технологических факторов на МиУГВ и урожаи и качество риса.

Список литературы

1. 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.

2. Сафронова Т.И., Луценко Е.В. Проблема управления качеством грунтовых вод на рисовых оросительных системах и концепция ее решения // Научный журнал КубГАУ. - 2004. - №5 (7). - 9 с. - http://ej.kubagro.ru.

3. Сафронова Т.И., Луценко Е.В. Когнитивная структуризация и формализация задачи управления качеством грунтовых вод на рисовых оросительных системах // Научный журнал КубГАУ. - 2004. - №5 (7). - 15 с. - http://ej.kubagro.ru.

4. Сафронова Т.И., Луценко Е.В. Синтез, оптимизация и верификация семантической информационной модели управления качеством грунтовых вод на рисовых оросительных системах // Научный журнал КубГАУ. - 2004. - №5 (7). - 8 с. - http://ej.kubagro.ru.

5. Пат. №2003610986 РФ. Универсальная когнитивная аналитическая система «ЭЙДОС» / Е.В. Луценко (Россия); Заяв. №2003610510 РФ. Опубл. от 22.04.2003. - 50 с.

6. Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шенка-Абельсона // Научный журнал КубГАУ. - 2004. - №3 (5). - 21 с. - http://ej.kubagro.ru.

Размещено на Allbest.ru