Размещено на http://www.allbest.ru/

УДК 004.8

Синтез адаптивных интеллектуальных измерительных систем с применением АСК-анализа и системы «Эйдос», системная идентификация в эконометрике, биометрии, экологии, педагогике, психологии и медицине

Луценко Евгений Вениаминович

д.э.н., к.т.н., профессор

РИНЦ SPIN-код: 9523-7101

prof.lutsenko@gmail.com

Кубанский государственный аграрный университет, Краснодар, Россия

Аннотации

В статье предлагается применить автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий систему «Эйдос» как для синтеза, так и для применения адаптивных интеллектуальных измерительных систем с целью измерения не значений параметров объектов, а для системной идентификации состояний сложных многофакторных нелинейных динамических систем. Кратко рассматривается математический метод АСК-анализа, реализованный в его программном инструментарии - универсальной когнитивной аналитической системе «Эйдос-Х++». Математический метод АСК-анализа основан на системной теории информации (СТИ), которая создана в рамках реализации программной идеи обобщения всех понятий математики, в частности - теории информации, базирующихся на теории множеств, путем тотальной замены понятия множества на более общее понятие системы и тщательного отслеживания всех последствий этой замены. Благодаря математическому методу, положенному в основу АСК-анализа, этот метод является непараметрическим и позволяет сопоставимо обрабатывать десятки и сотни тысяч градаций факторов и будущих состояний объекта управления (классов) при неполных (фрагментированных), зашумленных данных числовой и нечисловой природы измеряемых в различных единицах измерения. Приводится развернутый численный пример применения АСК-анализа и системы «Эйдос-Х++» как для синтеза системно-когнитивной модели, обеспечивающей многопараметрическую типизацию состояний сложных систем, так и для системной идентификации их состояний, а также для принятии решений об управляющем воздействии, так изменяющем состав объекта управления, чтобы его качество (уровень системности) максимально повышалось при минимальных затратах на это. Для численного примера в качестве сложной системы выбран коллектив фирмы, а его компонент - сотрудники и кандидаты (персонал). Однако необходимо отметить, что этот пример следует рассматривать шире, т.к. АСК-анализ и система «Эйдос» разрабатывались и реализовались в очень обобщенной постановке, постановке, не зависящей от предметной области, и с успехом могут быть применены и в других областях

Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», ИНТЕЛЛЕКТУАЛЬНЫЕ ИЗМЕРИТЕЛЬНЫЕ СИСТЕМЫ, ЭКОНОМЕТРИКА, БИОМЕТРИЯ, ЭКОЛОГИЯ, ПЕДАГОГИКА, ПСИХОЛОГИЯ, МЕДИЦИНА

UDC 004.8

Technical sciences

ADAPTIVE SYNTHESIS OF INTELLIGENT MEASUREMENT SYSTEMS WITH THE USE OF ASC-ANALYSIS AND "EIDOS" SYSTEM. SYSTEM IDENTIFICATION IN ECONOMETRICS, BIOMETRICS, ECOLOGY, PEDAGOGY, PSYCHOLOGY AND MEDICINE

Lutsenko Eugeny Veniaminovich

Dr.Sci.Econ., Cand.Tech.Sci., professor

RSCI SPIN-code: 9523-7101

prof.lutsenko@gmail.com

Kuban State Agrarian University, Krasnodar, Russia

The article proposes using the automated system-cognitive analysis (ASC-analysis) and its software tool, which is the system called "Eidos" for synthesis and application of adaptive intelligent measuring systems to measure values of parameters of objects, and for system state identification of complex multivariable nonlinear dynamic systems. The article briefly describes the mathematical method of ASC-analysis, implemented in the software tool - universal cognitive analytical system named "Eidos-X++". The mathematical method of ASC-analysis is based on system theory of information (STI) which was created in the conditions of implementation of program ideas of generalizations of all the concepts of mathematics, in particularly, the information theory based on the set theory, through a total replacement of the concept of “many” with the more general concept of system and detailed tracking of all the consequences of this replacement. Due to the mathematical method, which is the basis of ASC-analysis, this method is nonparametric and allows you to process comparably tens and hundreds of thousands of gradations of factors and future conditions of the control object (class) in incomplete (fragmented), noisy data numeric and non-numeric nature which are measured in different units of measurement. We provide a detailed numerical example of the application of ASC-analysis and the system of "Eidos-X++" as a synthesis of systemic-cognitive model, providing a multiparameter typization of the states of complex systems, and system identification of their states, as well as for making decisions about managing the impact of changing the composition of the control object to get its quality (level of consistency) maximally increased at minimum cost. For a numerical example of a complex system we have selected the team of the company, and its component - employees and applicants (staff). However, it must be noted that this example should be considered even wider, because the ASC-analysis and the "Eidos" system were developed and implemented in a very generalized statement, not dependent on the subject area, and can successfully be applied in other areas

Keywords: ASC-ANALYSIS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, "EIDOS" INTELLIGENCE SYSTEM, INTELLIGENT MEASURING SYSTEMS, ECONOMETRICS, BIOMETRICS, ECOLOGY, EDUCATION, PSYCHOLOGY, MEDICINE

Содержание

• 1. Интеллектуальные измерительные системы, как закономерный этап развития информационно-измерительных систем
• 2. Математический метод АСК-анализа - системная теория информации
• 3. Применение АСК-анализа и системы «Эйдос» для интеллектуальных измерений и идентификации состояний сложных нелинейных систем
• 3.1 Решение 1-й задачи - многопараметрической типизации состояний сложных объектов
• 3.2 Решение 2-й задачи - системной идентификации состояний сложных объектов
• 3.3 Решение 3-й задачи - принятия решений об управляющем воздействии так изменяющем состав объекта управления, чтобы его качество максимально повышалось при минимальных затратах на это
• 3.3.1 Интегральные критерии системы «Эйдос»
• 3.3.2 Алгоритм решения 3-й задачи
• 3.3.3 Численный пример решения 3-й задачи
• 3.3.4 Различие в подходах психолога и руководителя к назначению и перемещению персонала
• Выводы
• Литература

1. Интеллектуальные измерительные системы, как закономерный этап развития информационно-измерительных систем

«…законы природы являются лишь высказываниями о пространственно-временных совпадениях…»

Альберт Эйнштейн

Очевидно, смысл процесса измерения в том, что в его результате мы получаем определенное количество информации о степени выраженности тех или иных свойств у измеряемого объекта или о его состоянии. Информация может рассматриваться с двух точек зрения: с количественной и с качественной, т.е. содержательной, семантической. Парадокс заключается в том, что традиционно внимание обращается только на содержание информации, полуденной в процессе измерения, тогда как на количество этой информации обычно вообще не обращают никакого внимания. Между тем количество информации полученной в результате измерений также очень важно, т.к. непосредственно связано с точностью измерений. Точность измерений принципиально ограничено соотношением неопределенностей Гейзенберга, поэтому принципиально ограничено и максимальное количество информации (Фишера), которое можно получить об объекте в процессе измерений См., «Выражение конечного доступного количества информации Фишера»: http://dic.academic.ru/dic.nsf/ruwiki/44423 .

Например, если в результате измерения температуры с помощью бытового наружного термометра со стандартной шкалой от -50С° до +50С° мы получили содержательную информацию о том, что температура воздуха на улице равна 25С°, то мы получили I=Log₂100~7 бит информации, если же мы узнали более точное значение температуры 25,4С°, то это увеличивает количество полученной информации: I=Log₂1000~10 бит информации.

Проблема заключается в полном отсутствии универсальных инструментальных средств для синтеза измерительных систем в различных предметных областях, которые бы позволяли вычислять какое количество информации содержится в результатах измерения о том, что измеряемая величина примет то или иное значение.

Вроде бы существуют и учебные пособия по интеллектуальным измерительным системам [1], и государственный стандарт в этой области [2]. Однако, сформулированная проблема ими не решается, т.к. в них даже не ставится задача ее решения. Данная статья посвящена описанию подхода к решению данной проблемы, основанного на применении автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария - интеллектуальной системы «Эйдос» [3, 4].

С точки зрения теории информации измерение представляет собой и процесс отображения, и результат отображения одной системы в другой. Процесс отображения одной системы в другой представляет собой процесс моделирования, результатом которого является модель измеряемого или отображаемого объекта. В этой связи возникает много сложных методологических проблем [5, 6]. В соответствии с принципом Эшби более простая система может адекватно отображаться в более сложной, тогда как более сложная система в более простой всегда отображается с необратимой потерей информации, т.е. неадекватно. Значит, что для того чтобы измерительная (управляющая) система была адекватной она должна быть сложнее измеряемого объекта (объекта управления).

Поэтому вполне естественно и закономерно, что история измерений - это по сути история эволюция информационно-измерительных систем, в процессе которой они постоянно усложнялись и становились все более и более точными. Измерения развивались по двум основным направлениям: с одной стороны от измерения объективных свойств к социальным и субъективным измерениям, а с другой стороны от измерения степени выраженности отдельных свойств объектов к измерению состояний систем в целом.

Первоначально измерения зародись в естественных науках, но потом постепенно стали проникать, особенно в последнее время, и в гуманитарные науки. Сначала измерялась степень выраженности объективных свойств объектов, принадлежащие им по самой их природе (физика: вес, скорость и т.п.), затем стали измеряться социально-экономические свойства, отражающие отношения людей с помощью вещей (эконометрика: потребительная и меновая стоимость), а после этого пришла очередь и субъективных свойств (педагогические измерительные системы, измеряющие уровень предметной обученности, а также психологические измерительные системы, обеспечивающие измерение степени выраженности психологических свойств личности). При этом сначала измерялась степень выраженности свойств объектов. Затем выяснилось, что не существует совершенно независимых друг от друга свойств, т.е. все объекты являются в той или иной степени нелинейными, а представление об абсолютно линейных объектах являются предельной абстракцией, наподобие математической точки. Но существуют практически линейные объекты, для которых нелинейностью можно вполне обоснованно пренебречь и для которых измерение степени выраженности их свойств вполне корректно. Однако для систем с высоким уровнем системности и, соответственно, ярко выраженной нелинейностью более правильно говорить не об измерении свойств, а об идентификации состояний систем по их свойствам, т.е. о системной идентификации [7] Автор впервые узнал о существовании чрезвычайно удачного термина: «Системная идентификация» именно из этой работы Шитикова В.К., Розенберга Г.С., Зинченко Т.Д.. Системы с ярко выраженными нелинейными свойствами широко распространены. Это квантовые природные и технические системы, качественно изменяющие свое состояние в процессе штатной эксплуатации, глобальные природные системы [8], биологические и экологические системы, а также так называемые организационные системы, т.е. все системы с участием людей: социально-экономические системы, коллективы и отдельные люди - личности.

Например, в медицине, подход к лечению, основанный на измерении свойств пациента и приведении значений этих свойств к норме, называется симптоматическим лечением, т.е. лечением клинических признаков, а не человека, как целостной системы. При таком лечении патологические значения клинических признаков приводятся к нормальным значениям, но причины заболевания не устраняются.

Измерение всегда осуществляется во взаимодействии измеряемого объекта и измерительной системы, поэтому и процесс, и результат отображения является взаимным, т.е. измерительная система в процессе оказывает влияние на измеряемый объект и изменяет его и сама также изменяется в процессе измерения, поэтому она измеряет не состояние измеряемого объекта «самого по себе», каким оно было до измерения, а то состояние, которое возникло и стабилизировалось у него в результате возникновения равновесия в процессе измерения. Казалось бы, подобные методологические рассуждения играют роль лишь в квантово-механической теории измерений, но это далеко не так. При измерении состояний сложных нелинейных физических, социально-экономических, биологических и психологических систем мы часто наблюдаем существенное, часто необратимое влияние измерительной системы на измеряемую систему, что совершенно недопустимо ни с какой точки зрения.

Например, мы прекрасно знаем, сколь болезненными для пациента и небезопасными для него по своим последствиям могут быть медицинские анализы, в частности гистологические пробы на рак, которые резко активируют развитие рака. Многие психологические и педагогические измерительные материалы (тесты) с ложными, неполными и вообще неверными вариантами ответов, типа ЕГЭ, необратимо дезориентируют тестируемых в самом процессе тестирования и поэтому дают закономерное снижение качества результатов при повторном тестировании, т.е. имеют недопустимо низкую ретестовую надежность. Но главное даже не в этом, а в том, что само измерение с помощью подобных грубых измерительных систем необратимо повреждает измеряемый объект, в результате чего он существенно изменяет свои свойства и по сути становится иным, чем до измерения, а вот это уже недопустимо. В этом случае сам измерительный инструмент, недопустимо сильно влияющий на измеряемый объект, следует признать непригодным для измерений (за исключением случая проведения краш-тестов). Представьте себе, чтобы Вы сказали о термометре для имения температуры воды, если бы он в процессе измерения эту воду заморозил бы или вскипятил. Но когда подобными измерительными инструментами и методами проводятся педагогические измерения уровня предметной обученности у миллионов школьников нашей страны, то это почему-то считается вполне приемлемым.

В естественных науках прогресс во многом определяется совершенствованием технологий измерений и накопления фактов, а также развитием методов извлечения знаний из фактов.

Само понятие измерения претерпело значительную эволюцию [8].

Раньше под измерением понимали сам факт обнаружения и идентификации объекта или обнаружения (идентификации) у изучаемого объекта какого-либо свойства, что выражалось качественной, номинальной или текстовой величиной.

Затем возникло представление о степени выраженности различных свойств объектов и возможности между ними отношений «больше», «меньше».

Позже возникло понятие об отношениях эквивалентности между степенью выраженности свойства измеряемого объекта с каким-либо эталоном, который стал рассматриваться как единица измерения. Примером может быть измерение веса продуктов на весах с помощью гирь. Развитие этих представлений привело к формированию понятий об измерительных шкалах различных типов [9] и о единицах измерения и числовых измерениях и тогда под измерением стали понимать установление количественного значения некоторого свойства объекта. При этом сначала использовались измерительные шкалы с условным нулем, а затем и с абсолютным нулем.

Дальнейшее развитие науки привело к пониманию, что измерение любой количественной величины всегда осуществляется с некоторой принципиально неустранимой погрешностью. Абсолютно точное значение измерения недостижимо по ряду причин. Прежде всего, для абсолютно точной записи любой величины потребовалось бы бесконечное количество знаков, а значит информационный носитель бесконечной емкости и бесконечное время для записи этой информации, а также бесконечная скорость передачи информации оп каналу связи и такая же скорость записи на носитель. С другой стороны сам процесс измерения всегда занимает некоторое конечное время и за это время возможно получить лишь ограниченный объем информации Фишера об измеряемом объекте, а сама изменяемая величина, вообще говоря, может и измениться за это время. Кроме того, в любом реальном процессе измерения измерительная система взаимодействует с исследуемым объектом, т.е. не только получает информацию о его состоянии, но и влияет на него, т.е. изменяет его состояние в процессе измерения. Иначе говоря, существует принципиально неустранимое влияние наблюдателя на наблюдаемую им реальность. Следовательно, от самого наблюдателя в определенной степени, конечно, зависит, что он наблюдает и что он в принципе может наблюдать. В этой связи возникает много сложных методологических проблем [5, 6]. Поэтому результаты количественных измерений стали записывать с указанием погрешностей, а затем и доверительного интервала, в который с определенной вероятностью (обычно 0.95) попадает истинное значение измеряемой величины. Таким образом, понимание, что измерение всегда осуществляется с некоторой погрешностью, привело к переходу к доверительным интервалам и интервальным оценкам в измерениях.

Следующий этап развития теории измерений связан с пониманием того, что измеряемая величина каким-то образом, в общем случае неравномерно, распределена внутри доверительного интервала. В результате под измерением стали понимать установление статистических характеристик вероятностных распределений числовых величин и это ознаменовало следующий этап развития понятия «Измерение». Чем выше кривизна кривой частот внутри интервала, тем чаще должны быть расположены точки измерений, чтобы отразить эту форму (теорема Котельникова об отсчетах). Поэтому в системно-когнитивном анализе и его программном инструментарии - интеллектуальной системе «Эйдос» [3, 4] возникла и была реализована идея использования интервальных шкал с адаптивным размером интервала, при котором его размер изменяется таким образом, чтобы внутри разных интервалов было примерно одинаковое количество наблюдений. В качестве примеров научных исследований, использующих такой уровень понимания сущности измерений, являются работа [8].

Но когда стали анализировать эти распределения, то оказалось, что для того, чтобы сделать обоснованные выводы о характере влиянии исследуемых факторов на систему необходимо сравнивать ее поведение под действием этих факторов с какой-то базой сравнения, например с поведением той же системы в условиях отсутствии действия этих факторов и при прочих равных условиях, т.е. сравнивать с контрольной группой. Так появился метод контрольных групп, без которого немыслимо научное измерение влияния факторов.

Однако в связи с природой самого объекта исследования реально на практике исследователи чаще всего не имеют возможности изучить влияние на объект всех возможных сочетаний значений факторов и выделить контрольную группу. Поэтому приходится сравнивать поведение объектов в различных группах с его поведением в среднем по всей выборке, для чего были предложены «метод среднего и отклонений от среднего» и «метод вариабельных контрольных групп» [8].

Другой проблемой является выделение полезного сигнала из шума, т.к. в общем случае измеряемая величина является суммой «истинного» значения и шума, и обеспечение сопоставимости изучения влияния факторов различной природы, как качественных, так количественных, измеряемых в различных типах измерительных шкал [9, 10] и в различных единицах измерения. Все эти проблемы решены в новом методе исследования: системно-когнитивном анализе («АСК-анализ») и его программном инструментарии - универсальной когнитивной аналитической системе «Эйдос» [3, 4].

Соответственно эволюции понятия «Измерение» эволюционировали и измерительные системы, технологии и методики их применения. Для установления фактов, осознанно или нет, но всегда использовался некоторый инструмент и способ или методика его применения. Исторически первыми такими инструментами стали сами органы восприятия человека, прежде всего зрение, а способом - наблюдение. Создание новых инструментов всегда приводило к революции в науке или даже возникновению новых наук. Достаточно вспомнить, как изменились биология и медицина после изобретения микроскопа Антони Ван Левенгуком, и как изменилась астрономия после изобретения телескопа Галилео Галилеем. Последовавшее затем изобретение радиотелескопа привело к возникновению радиоастрономии, а рентгеновского телескопа, соответственно - рентгеновской астрономии и т.д. и т.д. Как микроскоп или телескоп многократно увеличивают возможности естественного зрения, если оно есть, так и системы искусственного интеллекта многократно увеличивают возможности интеллекта естественного, если он есть. Микроскоп или телескоп не заменяют зрения, а лишь усиливают возможности естественного зрения или компенсируют его недостатки. Аналогично и системы искусственного интеллекта не заменяют естественного интеллект, а лишь усиливают возможности естественного интеллекта или компенсируют его недостатки.

Адаптивная интеллектуальная измерительная система (АИИС) также представляет собой новый инструмент исследования, своего рода специфический микроскоп и телескоп одновременно, появление которого в руках исследователей может многократно увеличить возможности человека к наблюдению и осмыслению их результатов, а значит и привести к возникновению новых направлений науки [8, 11, 12, 13]. В качестве источника фактов для АИИС выступают базы знаний, отражающие свойства систем и характеристику их состояний. В качестве эффективной системы выделения сверхслабого полезного сигнала из многократно превосходящего его шума в АИИС применяются методы и технологии искусственного интеллекта, в частности предлагается применить для этого АСК-анализ и систему «Эйдос».

В общем случае синтез измерительной системы представляет собой процесс обучения с учителем системы распознавания образов на основе примеров и создание базы знаний, отражающей причинно-следственные зависимости между показаниями датчиков и результатами измерения.

Синтез измерительной системы предполагает наличие двух или более параллельных и независимых друг от друга источников и соответствующих им параллельных каналов передачи информации об измеряемых объектах: источник априорной информации о сущностных значениях свойств или измеряемых состояний объектов и источник косвенной информации, получаемой непосредственно в процессе измерения объектов с помощью датчиков Естественно, датчики должны быть связаны с системой обработки измерительной информации с помощью каналов связи.. После выявления причинно-следственных взаимосвязей между этими двумя потоками информации измерительная система на основе знания этих взаимосвязей способна только по косвенной информации, получаемой от измеряемого объекта в процессе измерения с помощью датчиков, восстановить, реконструировать априорную информацию и эта реконструированная априорная информация собственно и является результатом измерения.

Ниже приведены два примера использования знания причинно-следственных зависимостей для построения измерительных систем.

Пример 1: пружинные весы. Физики в лице Гука выявили причинно-следственную взаимосвязь между весом тела, положенного на пружинные весы, и степенью сжатия пружины под действием этого веса. Когда весь сравнительно невелик и пружина почти не сжимается, то между ее сжатием и весом существует практически линейная взаимосвязь, знание которой и положено в основу принципа действия пружинных весов, которые по степени сжатия пружины определяют вес тела.

Пример 2: ртутный или спиртовой термометр. При небольших изменениях температуры жидкости ее объем изменяется практически линейно от температуры. Знание этой причинно-следственной зависимости положено в основу действия термометров, которые по степени расширения жидкости определяют ее температуру. При этом предполагается, что теплоемкость термометра пренебрежимо мала по сравнению с теплоемкостью тела, температура которого измеряется и поэтому в процессе выравнивания их температур (достижения теплового равновесия) в процессе теплового взаимодействия температура измеряемого тела практически не изменится за счет теплового взаимодействия с термометром, а температура последнего станет равной температуре измеряемого тела. Это в частности означает, что с помощью макротермометра невозможно измерить температуру капельки тумана или бактерии.

Эмпирические данные, используемые для выявления причинно-следственных зависимостей в предметной области и необходимые для синтеза измерительной системы, образуют обучающую выборку, которая является репрезентативной по отношению к некоторой генеральной совокупности, в пределах которой действуют те же причинно-следственные зависимости, что и в обучающей выборке и в пределах которой применение данной системы методологически корректно.

В естественнонаучных измерениях генеральная совокупность может быть глобальной, т.е. в пространстве может включать и другие галактики, а во времени - миллиарды лет. Когда же измерения производятся в социально-экономических и социально-психологических системах, то границы генеральной совокупности в пространстве могут измеряться километрами, а во времени - годами (так называемые периоды эргодичности), т.е. измерения в этих предметных областях по необходимости являются локальными. Для социально-экономических систем не выполняется принцип относительности, подобный принципу относительности Галилея-Эйнштейна [14]. Поэтому в естественных науках возможен и успешно применяется подход к построению измерительных систем на основе заранее известных причинно-следственных связей в предметной области. Однако этот подход неприменим, например, в социально-экономических и социально-психологических эмпирических исследованиях, в которых, по этой причине, необходимо иметь инструменты для выявления этих причинно-следственных связей непосредственно при синтезе измерительной системы. Этот инструмент необходим также и при применении измерительной системы в адаптивном режиме, т.к. положенные в основу измерительной системы причинно-следственные связи могут изменяться в зависимости от места и времени ее применения. Поэтому необходимо адаптировать и локализовать адаптивные интеллектуальные измерительные системы соответственно к времени и месту их применения. Это наукоемкая и дорогая процедура, одна без нее применение неадаптированных и нелокализованных измерительных технологий превращается в профанацию самой идеи измерений в соответствующих предметных областях. Понятно, что технология стоит на порядки дороже продуктов ее применения. Поэтому на практике как правило пользуются неадаптированными и нелокализованными измерительными инструментами, которые дают неизвестные систематические ошибки измерений или вообще результаты, близкие к случайным. Таким образом, необходимо включить инструментарий синтеза измерительной системы в состав самой этой системы, но для этого надо иметь такой инструментарий и он должен быть достаточно прост в применении, т.е. должен иметь персональный уровень.

Таким универсальным инструментом, обеспечивающим выявление причинно-следственных зависимостей в различных предметных областях, является автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальная система «Эйдос» [3, 4]. Но АСК-анализ и система «Эйлос» обеспечивают не только выявление причинно-следственных связей в различных предметных областях, но и применение знания этих причинно-следственных зависимостей для измерения степени выраженности свойств и идентификации состояний объектов в этих предметных областях. Причинно-следственные связи, выявленные в моделируемой предметной области, отражены в базах знаний системы «Эйдос» и могут быть наглядно представлены в разнообразных текстовых и графических формах (которых более 110), в том числе в форме когнитивных функций [15, 16].

В качестве особо важного этапа развития измерительных систем необходимо отметить информационно-измерительные системы.

При построении измерительных систем в естественных науках используются знания причинно следственных зависимостей, полученные в результате заранее проведенных длительных фундаментальных исследований и сохраняющих свое значение глобально и на очень длительные периоды времени, возможно миллионы и даже миллиарды лет. Однако в наше время потребности практики измерений часто опережают темпы развития фундаментальной науки, в результате чего возникает проблема синтеза измерительных систем, обеспечивающих измерение состояний сложных нелинейных объектов на основе значений их свойств при заранее неизвестном виде причинно-следственных зависимостей между свойствами и состояниями. В наше время, когда эмпирические измерения все более проникают в социально-экономические и психологические исследования, заранее знать причинно-следственные зависимости в измеряемой области не представляется возможным [14]. Это значит, что в этих областях неприменим подход, успешно применявшийся в естественных науках.

В автоматизированном системно-когнитивном анализе (АСК-анализ) предлагается сначала построить интеллектуальные модели, отражающие эти причинно-следственные взаимосвязи на основе неполных и зашумленных исходных данных большой размерности, а затем использовать знание этих зависимостей для системных, т.е. многопараметрических нелинейных измерений.

Обратимся к эпиграфу к статье. Итак, современная наука, по мнению ее выдающихся представителей, изучает лишь пространственно-временные совпадения. Неужели уникальные явления, т.е. то, что не совпадает, и не изучается вовсе? И что вообще означает: «совпадение»? Ответом на эти вопросы является системная нечеткая интервальная математика [15]. Ведь ясно, что абсолютно точно ничто не совпадает Не считая, квантовых объектов, для которых действует «принцип тождественности элементарных частиц», все всегда совпадет лишь в определенной степени или с определенной точностью и эту степень всегда можно выбрать такой, что 1) ничего не будет совпадать, или 2) все будет совпадать, или 3) что-то будет, а что-то не будет совпадать. Третий вариант открывает путь к исследованию достаточно уникальных явлений и закономерностей, подчиняющихся принципам относительности лишь локально в определенных доменах (умвельтах) пространства и времени.

Итак, предлагается применить автоматизированный системно-когнитивный анализ как для синтеза, так и для применения адаптивной интеллектуальной измерительной системы с целью измерения не значений параметров объектов, а для идентификации состояний измеряемых систем, т.е. для так называемой системной идентификации [7, 13]. Измерительная система должна быть не проще, чем измеряемая система (вариант принципа Эшби), иначе она не может быть адекватной. Значит, для измерения сложных нелинейных систем должны применяться интеллектуальные технологии, обеспечивающие достаточно высокий уровень сложности баз знаний. Когда мы проводим диагностику (квалиметрию) материалов, то стараемся оценить качество каких-либо параметров в определенных шкалах. Это параметрический подход. Параметрический подход корректен только для линейных объектов (материалов), в которых отдельные параметры практически не влияют друг на друга. Для нелинейных материалов качество надо оценивать не по одному параметру, а по всем сразу. Это суть системного подхода к квалиметрии, при котором качество рассматривается как системное (эмерджентное) свойство системы. По мнению автора все без исключения свойства объектов и явлений имеют системную эмерджентную природу [17]. Это связано с тем, что структура системы обуславливает на ее макросвойства [18]. Поэтому возникает задача системной идентификации качества материала на основе значений различных его параметров, которая решается в АСК-анализе и системе «Эйдос». В качестве примеров системной идентификации можно привести измерение сейсмоопасности микрозоны [19] и измерение качества микрозоны для выращивания пшеницы [20].

Ниже рассмотрим простой условный численный пример того, как осуществляется синтез измерительной системы в АСК-анализе и его программном инструментарии - универсальной когнитивной аналитической системе «Эйдос» [3, 4] и как при этом осуществляется метризация шкал [9], преобразование данных в информацию, а ее в знания, как выявляются причинно-следственные зависимости между результатами измерений и их интерпретацией, и как эта измерительная система применяется для системной идентификации состояний сложных систем, в частности для многопараметрического измерения их качества. При этом будем руководствоваться этапами АСК-анализа [3] (когнитивная структуризация и формализация предметной области; синтез и верификация моделей, определение наиболее достоверной модели; решение задач идентификации, прогнозирования, принятия решений и исследования предметной области путем исследования ее модели) и будем последовательно повышать степень формализации создаваемых моделей, преобразуя данные в информацию, а ее в знания (рисунок 1):

Рисунок 1. Последовательность преобразования данных в информацию, а ее в знания в АСК-анализе и системе «Эйдос» Подборка публикаций проф. Е.В.Луценко по вопросам выявления, представления и использования знаний: http://www.twirpx.com/file/793311/

Данные - это информация, записанная на каком-либо носителе или находящаяся в каналах связи и представленная на каком-то языке или в системе кодирования и рассматриваемая безотносительно к ее смысловому содержанию.

Исходные данные об объекте управления обычно представлены в форме баз данных, чаще всего временных рядов, т.е. данных, привязанных ко времени. В соответствии с методологией и технологией автоматизированного системно-когнитивного анализа (АСК-анализ) для управления и принятия решений использовать непосредственно исходные данные не представляется возможным. Точнее сделать это можно, но результат управления при таком подходе оказывается мало чем отличающимся от случайного. Для реального же решения задачи управления необходимо предварительно преобразовать данные в информацию, а ее в знания о том, какие воздействия на корпорацию к каким ее изменениям обычно, как показывает опыт, приводят.

Информация есть осмысленные данные.

Смысл данных, в соответствии с концепцией смысла Шенка-Абельсона [21], состоит в том, что известны причинно-следственные зависимости между событиями, которые описываются этими данными. Таким образом, данные преобразуются в информацию в результате операции, которая называется «Анализ данных», которая состоит из двух этапов:

1. Выявление событий в данных (разработка классификационных и описательных шкал и градаций и преобразование с их использованием исходных данных в обучающую выборку, т.е. в базу событий - эвентологическую базу).

2. Выявление причинно-следственных зависимостей между событиями.

В случае систем управления событиями в данных являются совпадения определенных значений входных факторов и выходных параметров объекта управления, т.е. по сути, случаи перехода объекта управления в определенные будущие состояния под действием определенных сочетаний значений управляющих факторов. Качественные значения входных факторов и выходных параметров естественно формализовать в форме лингвистических переменных. Если же входные факторы и выходные параметры являются числовыми, то их значения измеряются с некоторой погрешностью и фактически представляют собой интервальные числовые значения, которые также могут быть представлены или формализованы в форме лингвистических переменных (типа: «малые», «средние», «большие» значения экономических показателей).

Какие же математические меры могут быть использованы для количественного измерения силы и направления причинно-следственных зависимостей?

Наиболее очевидным ответом на этот вопрос, который обычно первым всем приходит на ум, является: «Корреляция». Однако, в статистике это хорошо известно, что это совершенно не так. Для преобразования исходных данных в информацию необходимо не только выявить события в этих данных, но и найти причинно-следственные связи между этими событиями. В АСК-анализе предлагается 7 количественных мер причинно-следственных связей, основной из которых является семантическая мера целесообразности информации по А.Харкевичу.

Знания - это информация, полезная для достижения целей [22].

Значит для преобразования информации в знания необходимо:

1. Поставить цель (классифицировать будущие состояния моделируемого объекта на целевые и нежелательные).

2. Оценить полезность информации для достижения этой цели (знак и силу влияния).

Второй пункт, по сути, выполнен при преобразовании данных в информацию. Поэтому остается выполнить только первый пункт, т.к. классифицировать будущие состояния объекта управления как желательные (целевые) и нежелательные.

Знания могут быть представлены в различных формах, характеризующихся различной степенью формализации:

- вообще неформализованные знания, т.е. знания в своей собственной форме, ноу-хау (мышление без вербализации есть медитация);

- знания, формализованные в естественном вербальном языке;

- знания, формализованные в виде различных методик, схем, алгоритмов, планов, таблиц и отношений между ними (базы данных);

- знания в форме технологий, организационных, производственных, социально-экономических и политических структур;

- знания, формализованные в виде математических моделей и методов представления знаний в автоматизированных интеллектуальных системах (логическая, фреймовая, сетевая, продукционная, нейросетевая, нечеткая и другие).

Таким образом, для решения сформулированной проблемы необходимо осознанно и целенаправленно последовательно повышать степень формализации исходных данных до уровня, который позволяет ввести исходные данные в интеллектуальную систему, а затем:

- преобразовать исходные данные в информацию;

- преобразовать информацию в знания;

- использовать знания для решения задач управления, принятия решений и исследования предметной области.

Исходные данные.

В качестве исходных данных, описывающих различные состояния объектов для системной идентификации, рассмотрим правильные тела Платона (таблица 1):

Таблица 1 - ТРЕХМЕРНЫЕ ПРАВИЛЬНЫЕ МНОГОГРАННИКИ

Таблица 2 - КЛАССИФИКАЦИОННАЯ ШКАЛА И ЕЕ ГРАДАЦИИ

Верификация моделей осуществляется путем решения в них задачи системной идентификации и подсчета количества ошибок 1-го и 2-го рода (ошибок неидентификации и ложной идентификации). Модель знаний, приведенная в таблице 5, показывает 100% достоверность идентификации и неидентификации.

4. Решение задач идентификации, прогнозирования, принятия решений и исследования предметной области.

Рассмотрим интегральные критерии знаний, используемые в настоящее время в АСК-анализе и системе «Эйдос-Х++» [23] для верификации моделей и решения задач идентификации и прогнозирования.

1-й интегральный критерий «Сумма знаний» представляет собой суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний и имеет вид::

В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:

где: M - количество градаций описательных шкал (признаков);

- вектор состояния j-го класса;

- вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

2-й интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний и имеет вид:

где:

M - количество градаций описательных шкал (признаков);

- средняя информативность по вектору класса;

- среднее по вектору объекта;

- среднеквадратичное отклонение частных критериев знаний вектора класса;

- среднеквадратичное отклонение по вектору распознаваемого объекта.

Результат системной идентификации представляется в следующем виде (рисунок 3):

Рисунок 3. Экранная форма с результатами системной идентификации в модели знаний INF1

На рисунке 3 показано, что по суммарному количеству информации, которое содержится в системе признаков объекта «Куб» он больше всего похож на класс «Куб», а остальные классы не похож в различной степени.

Таким образом, в АСК-анализе:

1. Рассматривается ряд объектов (фактов), представляющих в совокупности исследуемую выборку.

2. Каждый из объектов исследуемой выборки представляет собой систему, имеющую сложную многоуровневую структуру признаков (экстенсиональное описание).

3. Для каждого из объектов исследуемой выборки известно, к каким обобщенным категориям (классам) он относится (интенсиональное описание).

4. Необходимо сформировать модель, обеспечивающую идентификацию объектов по их признакам, т.е. определение их принадлежности к обобщенным классам по их признакам.

Если признаки и классы относятся к одному времени, то имеет место задача идентификации (распознавания). Если же признаки (факторы, причины) относятся к прошлому, а классы, характеризующие состояния объектов, - к будущему, то это задача прогнозирования. Математически эти задачи не отличаются.

Совокупность экстенсионального и интенсионального описания каждого объекта обучающей выборки, по сути, представляет собой его определение через подведение под более общее понятие и выделение специфических признаков. Иначе говоря, каждый объект обучающей выборки описывается принадлежностью к более общей категории (классу) и наличием у него ряда признаков. Например, так определяется понятие «млекопитающее»: это животное (более общее понятие), выкармливающее своих детей молоком (специфический признак). На основе ряда определений конкретных объектов (конкретных онтологий) путем их обобщения можно получить определения (обобщающие онтологии) обобщенных образов классов. Если привести в качестве примеров исследуемой выборки множество различных животных, как млекопитающих, так и других, каждый из таких примеров определить множеством признаков и построить модель, то окажется, что наиболее характерным признаком млекопитающих является не наличие шерсти или когтей, а именно вскармливание детенышей молоком.

Процедура преобразования исходных данных в информацию - это анализ данных, состоящий из трех шагов:

- разработка справочников фактов и событий;

- выявление в исходных данных фактов или событий и их кодирование;

- выявление причинно-следственных связей (зависимостей) между этими событиями.

Фактически для преобразования исходных данных в информацию необходимо:

1. Разработать классификационные и описательные шкалы и градации.

2. С использованием классификационных и описательных шкал и градаций закодировать исходные данные, в результате чего получится обучающая выборка, состоящая из фактов, представляющих собой примеры в единстве экстенсионального и интенсионального описания.