Категорные методы представления и предварительной обработки данных в информационных системах анализа состояния сложных технических объектов

Размещено на http://www.allbest.ru/

Категорные методы представления и предварительной обработки данных в информационных системах анализа состояния сложных технических объектов

В.И. Батищев

Рассматриваются методы формирования категорных моделей сложных объектов. Приводятся методы комплексного применения индуктивных и дедуктивных методов логического вывода для представления и предварительной обработки разнородной информации в информационно-аналитических системах.

Ключевые слова: сложные технические объекты, многомодельные комплексы, категорный анализ

Автоматизация предварительной обработки данных в системах анализа состояния сложных технических объектов является крайне актуальным приложением в системных исследованиях. Это обусловлено усложнением технических систем, когда эффективное формирование и отбор технических и организационных решений требует анализа десятков тысяч параметров; кроме того, зачастую необходима оценка не просто отдельных параметров, а некоторой топологической структуры [1, 4], что накладывает дополнительные сложности.

В этих условиях препроцессинг данных превращается в метапроцедуру проблемно-ориентированной подготовки информации для дальнейшего принятия решений на всех узлах иерархий, реализующих декомпозицию сложных технических задач. Дефицит информации является одной из принципиальных проблем в исследовании системных закономерностей. Сложным техническим объектам (СТО) присущи следующие характеристики: многокомпонентность; сложные взаимосвязи между компонентами; уникальность и единичность изготовления [1, 4, 10]; невозможность поисковых воздействий на систему, на которых основан целый ряд методов синтеза управляющих воздействий и адаптации. Указанные свойства обусловливают ряд объективных проблем в вопросах эффективного принятия решений на этапах целевого использования объекта анализа. Специалисты [1, 2, 6] указывают на неточность исходных данных как на основную причину неточности анализа состояния сложных систем. Неполнота и противоречивость данных о системе обусловлена дороговизной, неэффективностью, а зачастую и невозможностью получения полной информации об объекте и среде его функционирования, разнородностью информации об объекте в виде точечных замеров и значений параметров; допустимых интервалов их изменения; статистических законов распределения для отдельных величин; нечетких критериев и ограничений, полученных от специалистов-экспертов.

Данные тенденции обусловливают ряд научных и прикладных задач по созданию и развитию конструктивного математического аппарата для представления разнородных данных, информационных процессов и моделей.

В качестве некоторых основных источников, формирующих информационное пространство, можно назвать данные на выходе информационно-измерительных систем; известные закономерности, заложенные в техдокументации, где данными являются объективные законы реального мира, накопленные в фактографических и документальных системах; выявленные закономерности, в частности имитационные модели. Каждый из источников в настоящее время является информационной основой для соответствующих направлений системного анализа, моделирования и управления сложными системами. Однако каждый вид ресурса обладает рядом принципиальных ограничений, существенно сужающих область его применения. В то же время имеются существенные предпосылки для системной интеграции перечисленных ресурсов. Применение комбинации подходов правдоподобного и достоверного вывода [3, 7, 8] позволит получать новые нелинейные эффекты при синтезе информационно-аналитических систем.

Возникает необходимость в конструктивном формальном аппарате, инвариантном к представлению и обработке разнородной информации из вышеперечисленных источников.

Анализ средств представления данных для формирования многомодельных комплексов показал перспективу использования категорно-функторного аппарата [4, 5, 9], который, основываясь на гомоморфном (структурно эквивалентном) отображении, позволяет описывать объекты инвариантно их внутренней структуре через морфизмы (отличия) их друг от друга.

Комплексная обработка информации в современных информационно-вычислительных системах проходит в несколько этапов: сбор априорной информации и формирование модели данных; структуризация собранных моделей и формирование баз знаний; создание многомодельной структуры объекта анализа; формирование множества алгоритмов вычисления целевых параметров.

В соответствии с целями исследования на основе категорного подхода построен формально-математический аппарат, инвариантный к видам обрабатываемой информации и этапам обработки данных.

Конструктивным путём снижения неопределённости в процессах предварительной подготовки данных процедур поддержки принятия решений является синтез дедуктивных, индуктивных и абдуктивных методов логического вывода [3, 7, 8]. Данные методы основаны на таких общенаучных понятиях, как отношения «общее-частное».

Структура и функционирование аналитических систем - зависит от следующих информационных сущностей: объекта анализа (СТО) - ; цели функционирования аналитической системы - , определяемой конкретной задачей принятия решения; полимодельного комплекса, задающего структуру системы, -; среды, определяющей параметры системы, - , а также отношений между данными структурами -.

Заполнителями слотов могут быть знания как декларативного, так и процедурного характера. Знания декларативного характера содержат факты, знания процедурного характера включают правила формирования и использования знаний. При использовании в качестве заполнителей слотов только декларативных знаний необходимо применять внешнюю управляющую структуру. Пусть , где - имя параметра объекта анализа СТО; - значение параметра . Обобщая фреймовую модель представления декларативных знаний, представим информационные источники (ИИ) в следующем виде:, где база данных; -данные с измерительного тракта системы; - данные, накопленные в процессе мониторинга параметров жизненного цикла объектов анализа данного класса; - данные, аккумулированные в документальных системах данного объекта.

В случае выполняется следующее условие: . Функциональные сигналы, у которых поведение во времени представляется непрерывной функцией времени с бесконечным континуальным множеством значений, - ; в случае, если параметр сигнального типа, то регистрируемые им события - некоторое конечное множество событий, каждому из которых противопоставляется некоторое значение из множества натуральных чисел . На основе данного анализа выбрана обобщённая функционально-диапазонная структура измеряемых параметров, когда множество его значений представляет собой конечное множество закрытых, не имеющих общих точек интервалов из множества действительных чисел [1] . -данные представляют собой «чёрный ящик». Предметом мониторинга является множество входных и множество выходных параметров, когда по входным и выходным значениям восстанавливается (подбирается) модель (отображение) входных параметров в выходные ;-данные (знания) получены как результат научно-исследовательской и опытно-конструкторской деятельности; . Приняв во внимание, что составляющие системы - программные объекты и взяв за основу систему продукций, рассмотрим следующую формальную модель: , где в качестве множества заданных литералов продукционной системы и множества формируемых литералов продукционной системы определены обобщённые вычислительные модели, Ri - множество продукций i-того вида, Oi - множество процедур присвоения i-того вида. , где - конечное множество параметров состояния объекта, - конечное множество отношений на множестве параметров из . - отношение на множестве параметров . Множество всех отображений для всех отношений , входные = параметры - для оператора , выходные = параметры - для оператора .

В качестве объектов категории определены вычислительные модели ; для каждой пары объектов и определено множество морфизмов ; для любой тройки объектов определена композиция , и ; для морфизмов и определена композиция ; для каждого объекта определен единичный морфизм . Взяв за основу подход [5] к построению порядка на множестве образцов, сформируем правила структурирования полученной информации: если - базис модели, - исходная ситуация, а - производная cитуация, & - условие сопоставимости, то

сложный многомодельный информация логический

где N - операция наследования.

Условие обобщения двух моделей выразится в следующем виде: ;;, & , & >.

Правило определения частного случая: ;; & &&>

В результате формируется структура из множества классов моделей. Каждая из моделей представлена иерархической структурой, элементы которой связаны отношением «общее-частное».

Разработаны алгоритмы индуктивного вывода на основе двухэтапной процедуры структурной таксономии: на первом этапе осуществляется предварительная классификация в декартовом пространстве; на втором этапе - структурная классификация в компактном пространстве.

Разработанный формально-математический аппарат для представления, анализа и обработки разнородных данных и моделей, включающий в себя методы автоматической структуризации данных и формирования категорных моделей баз знаний, методы анализа свойств и отношений на моделях данных и знаний, методы формальной декомпозиции и агрегирования на элементах структур данных, показал свою эффективность в процессах автоматизации формирования модели городской транспортной системы. Анализ существующих транспортных систем явился основой формирования алгоритмов адаптации целевой системы, что позволило существенно снизить объём ручной доработки данного программного проекта по сравнению с аналогичными.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Охтилев М.Ю. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов / М.Ю. Охтилев, Б.В. Соколов, P.M. Юсупов. - М.: Наука, 2006. - 410 с.

2. Батищев В.И. Аппроксимационные методы и системы промышленных измерений, контроля, испытаний, диагностики / В.И. Батищев, В.С. Мелентьев. - М.: Машиностроение-1, 2007. - 393 с.

3. Вагин В.Н. Достоверный и правдоподобный вывод в интеллектуальных системах / В.Н. Вагин, Е.Ю. Головина, А.А. Загорянская, М.В. Фомина. - М.: Физматлит, 2004. - 704 с.

4. Батищев В.И. Категорное представление сложных технических объектов в индуктивных системах логического вывода / В.И. Батищев, Н.Г. Губанов // Проблемы управления и моделирования в сложных системах: Тр. IX Международ. конф. - Самара: СНЦ РАН, 2008. - С. 185-191.

5. Стефанюк В.Л. Локальная организация интеллектуальных систем / В.Л. Стефанюк. - М.: Физматлит, 2004. - 328 с.

6. Соколов Б.В. Концептуальные основы оценивания и анализа качества моделей и полимодельных комплексов / Б.В.Соколов, P.M. Юсупов // Изв. РАН. Теория и системы управления. - 2004. - №6. - С. 5-16

7. Загоруйко Н.Г. Прикладные методы анализа данных и знаний / Н.Г. Загоруйко. - Новосибирск: Изд-во Ин-та математики, 1999. - 270с.

8. Потапов А.С. Распознавание образов и машинное восприятие: общий подход на основе принципа минимальной длины описания / А.С. Потапов. - СПб.: Политехника, 2007. - 548 с.

9. Губанов Н.Г. Категорный подход при формировании полимодельных комплексов сложных систем / Н.Г. Губанов // Вестник Самар. гос. техн. ун-та. Сер. Технические науки. - 2008. - Вып. 1 (21) - С. 183-185.

10. Батищев В.И. Методология оперативной реструктуризации информационных систем анализа состояния сложных технических объектов / В.И. Батищев, Н.Г. Губанов // Проблемы управления и моделирования в сложных системах: Тр. IX Международ. конф. - Самара: СНЦ РАН, 2008. - С. 187-193.

Размещено на Allbest.ru