CC BY
128
Системный анализ
УДК 519.816+519.876.5
КАТЕГОРНЫЕ МЕТОДЫ ИНТЕГРАЦИИ РАЗНОРОДНЫХ МОДЕЛЕЙ В ИНФОРМАЦИОННЫХ СИСТЕМАХ АНАЛИЗА СОСТОЯНИЯ СЛОЖНЫХ ТЕХНИЧЕСКИХ ОБЪЕКТОВ
В. И. Батищев, Н. Г. Губанов
Самарский государственный технический университет,
443100, Самара, ул. Молодогвардейская, 244.
E-mail: Nick_G_Gubanovamail.ru
Приводятся методы формирования информационных систем анализа состояния сложных технических объектов, основанные на комплексном применении индуктивных и дедуктивных методов логического вывода, с целью интеграции разнородной информации об объекте анализа.
Ключевые слова: сложные технические объекты, многомодельные комплексы, структурная адаптация.
Оценка состояния сложных технических объектов является методической основой для приложений в областях технической диагностики; контроля; испытаний; управления резервами, технического обслуживания. Состояние объекта определяется множеством сложно взаимосвязанных и взаимозависимых разнородных параметров. Современные тенденции к усложнению технических систем приводят к увеличению параметров до десятков и сотен тысяч [1], а дефицит информации является одной из принципиальных проблем в исследовании системных закономерностей. Кроме того, данному классу систем присущи следующие характеристики: многоком-понентность; сложные взаимосвязи между компонентами; уникальность и единичность изготовления; невозможность поисковых воздействий на систему, на которых основан целый ряд методов синтеза управляющих воздействий и адаптации. Указанные свойства обуславливают ряд объективных проблем в вопросах эффективного принятия решений на этапах целевого использования системы. Специалисты указывают на неточность исходных данных в системах данного класса в качестве основной причины неточности анализа состояния. 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.
В качестве некоторого обобщения основных источников, формирующих информационное пространство, можно назвать: данные на выходе ИИС; известные закономерности, заложенные в технической документации, 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
Батищев Виталий Иванович — зав. кафедрой информационных технологий; д.т.н., профессор.
Губанов Николай Геннадьевич — доцент кафедры электронных систем и информационной безопасности; к.т.н., доцент.
время есть существенные предпосылки для системной интеграции перечисленных ресурсов, путём применения комбинации подходов правдоподобного и достоверного вывода, позволяющего получать новые нелинейные эффекты при синтезе информационно-аналитических систем.
Практика показала эффективность синтеза различных подходов вывода в системах анализа, в частности, дедуктивно-индуктивным подходом к моделированию систем, по сути, являются аппроксимационные методы [2]. Данный подход к формализации системы позволил объединить (дедуктивные) методы достоверного вывода с методами правдоподобного вывода: обобщения (индуктивными), аргументации (абдуктивными), а также методами вывода по аналогии (традуктивными).
В основе построения баз знаний используют синтез индуктивных и абдуктивных методов логического вывода. Абдукция как процесс формирования объясняющей гипотезы служит методологической основой построения алгоритмов правдоподобного вывода. Функционально абдуктивный вывод заключается в принятии решения по выбору оптимального объяснения наблюдения на основе заданной теории [3, 4]. Для данного исследования абдукция интересна как средство решения следующих классов задач: задача распознавания целей и стратегий деятельности субъекта, задача формирования моделей по наблюдениям за объектом.
Индуктивный вывод (в сложных системах позволяет строить обобщенные модели знаний) основан на построении некоторого общего правила на основании анализа конечного множества наблюдаемых фактов. Качество обобщённых моделей зависит от полноты набора фактов, которым он пользуется при формировании гипотез. Процедурно процесс индуктивного вывода сложноформализуем и заключается в машинном построении новых гипотез на основе наблюдаемых фактов. Индукционный вывод позволяет решать следующие классы задач:
- задача индуктивного формирования понятий с целью выделения наиболее общих или характерные фрагменты знания, избавляясь от случайной несистемной информации;
- задача машинного обучения, где на основе анализа обучающей выборки даётся прогноз о новых объектах;
- задача распознавания, заключающаяся в формировании решающего правила, относящего объект к определённому классу.
В настоящее время существуют конструктивные методы автоматического формирования алгоритмов мониторинга и управления структурной динамикой СТО [1], которые базируются на оперативном формировании операторных цепочек, последовательного отображения измерительных и вычислительных параметров СТО для достижения цели анализа или управления. Данные технологии, в частности, базируются на обобщённых вычислительных моделях, являющихся развитием недоопре-делённых моделей.
Конструктивным подходом к интеграции различных видов моделей объекта является применение методов категорно-функторного анализа. Данный подход позволяет сохранить целостность представления объекта за счёт инвариантности способа полимодельного описания объекта и свести исследования задач одного вида к задачам другого вида, а согласование разнородных моделей осуществляется на основе анализа принадлежности к заданной категории. Предложены алгоритмы [4] автоматического формирования категорных структур, основанные, в частности, на анализе мер близости. В рамках данного подхода разработаны правила формирования по-лимодельных структур на основе операций наследования и композиции.
Например, в [1] приводится функтор, отображающий категорию графов в категорию динамических моделей. В настоящее время есть информация [5] о ряде функторных зависимостей, позволяющих обеднять или, напротив, обогащать категории, осуществляя соответственно декомпозицию или агрегирование информационных структур. Источником формирования данных структур является вывод из базы знаний (БЗ) сложного объекта.
Структура и функционирование аналитических систем ($) зависят от следующих информационных сущностей: объекта анализа (СТО) (^); цели функционирования аналитической системы (О), определяемой конкретной задачей принятия
решения; полимодельного комплекса, задающего структуру системы (М); среды, определяющей параметры системы (C), а также отношений между данными структурами
R = (rQ,M, rq,a, tq,g, гм,с, rq,M, rq,a).
Соответственно, информация по всем имеющимся в распоряжении субъекта информационным ресурсам Z определится как
Z = U(M, R).
Q
Тогда формирование новой структуры информационно-аналитической системы представим в следующем виде:
F =(Z,Mg,#) ,
где Mg —целевая структура системы; $ = (Мь,р) — алгебра формирования структур; Мь — множество базовых классов элементов структур M, а p = (N, K) — операции формирования структуры системы; N — операция наследования; K — операция композиции. Комбинация данных операций формирования структуры системы, в отличие от конкатенации, позволяет сохранять целостность представления системы на различных уровнях иерархии. Алгоритмы формирования базовых классов объектов Аь = (Z, G, Mb) являются, по сути, проблемно-ориентированной декомпозицией Z, стратегия построения данных алгоритмов лежит в русле принципа семиотической интроспекции, заключающегося в идентификации различий и обобщении подобий множества объектов.
Модель объекта Mi описывает его некоторые свойства в соответствующих категориях. Соответственно, можно рассматривать Mi как объект категории ObMi, а взаимосвязь между объектами — морфизмы MorMi. Применительно к задаче таксономии категории формируются на основании [5] признакового пространства In = = {ii, i2,..., in}, множества классов Kl(M) и самих объектов таксономии M. Объекты, принадлежащие одному классу, являются изоморфными, другими словами, неразличимыми в признаковом пространстве In, а классы объектов Kl(M) в данном признаковом пространстве являются гомоморфными, образуя при соответствующих свойствах признакового пространства категорию Cat(M).
Полимодельное описание объекта определяется совокупностью моделей различных категорий
к
m poly = у m \
i= 1
Формирование правил отображения модели одного вида в другой требует построения функтора F(Мv, М“), вид которого определяет вид отношений между моделями видов (v,u). Соответственно, возможно формирование знаний категории Cat(M„) при недостаточных условиях формирования категории. При помощи процедуры таксономии А возможна следующая процедура:
А' : 3F(Mv) ^ Cat(M“),
которая позволяет строить и обрабатывать гипотезы относительно знаний одной категории, применяя их к знаниям другой категории, что расширяет практические возможности добывания знаний.
На принципах индуктивного логического вывода, статистической обработки информации, а также информационных технологиях DM, OLAP, KDD основан целый класс аналитических систем, которые, по мнению аналитиков рынка программных продуктов, составляют существенную часть стоимости СТС в целом [3]. Полученные современные результаты и алгоритмы, позволившие автоматизировать решение таких задач как синтез схем программ, как задача доказательства теоремы в формально-дедуктивной системе, методология проверки на модели (model checing), алгоритмы распараллеливания вывода; определения критерия качества моделей в
индуктивном выводе на основе теоретико-информационного подхода, в русле принципа минимальной длины описания через понятие алгоритмической сложности.
Опыт применения данных подходов показал перспективность использования в рамках одной системы комплексного подхода [3, 4], включающего абдукции для получения гипотез, объясняющих наблюдения за параметрами системы состоянием среды, индукции для формирования и оценки правил вывода и дедукции для прогнозирования перспективного состояния системы.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Охтилев М. Ю., Соколов Б. В., Юсупов Р. М. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов. — М.: Наука, 2006. — 410 с.
2. Батищев В. И., Мелентьев В. С. Аппроксимационные методы и системы промышленных измерений, контроля, испытаний, диагностики. — М.: Машиностроение-1, 2007. — 393 с.
3. Вагин В. Н., Головина Е. Ю., Загорянская А. А., Фомина М. В. Достоверный и правдоподобный вывод в интеллектуальных системах. — М.: Физматлит, 2004. — 704 с.
4. Батищев В. И., Губанов Н. Г. Категорное представление сложных технических объектов в индуктивных системах логического вывода / В сб.: Проблемы управления и моделирования в сложных системах: Тр. IX Международ. конф. — Самара: СНЦ РАН, 2008. — С. 185-191.
5. Соколов Б. В., Юсупов Р. М. Концептуальные основы оценивания и анализа качества моделей и полимодельных комплексов // Изв. РАН. Теория и системы управления, 2004. — №6. — С. 5-16.
6. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. — Новосибирск: ИМ СО РАН, 1999. — 270 с.
Поступила в редакцию 05/11/2009; в окончательном варианте — 03/111/2009.
MSC: 93C85, 93C95, 68T20, 68U35
CATEGORY METHODS OF INTEGRATION OF HETEROGENEOUS MODELS IN INFORMATION SYSTEMS OF COMPLEX TECHNICAL OBJECTS STATE ANALYSIS
V. I. Batishchev, N. G. Gubanov
Samara State Technical University,
244, Molodogvardeyskaya str., Samara, 443100.
E-mail: Nick_G_Gubanovamail.ru
Methods of development of information systems of complex technical objects state analysis are proposed on the basis of inductive and deductive methods of logical conclusion with the aim of heterogeneous information integration on the object under analysis.
Key words: complex technological objects, many-model complex, structuring adaptation.
Original article submitted 05/II/2009; revision submitted 03/III/2009.
Batishchev Vitaliy Ivanovich, Dr. Sci. (Techn.), Prof., Head of Dept. of Information Technology.
Gubanov Nikolay Gennadievich, Ph. D. (Techn.), Ass. Prof., Dept. of Electronic Systems and Information Security.
