CC BY
182
№ 6(24) 2009
В. И. Батищев, Н. Г. Губанов
Методы адаптивного формирования информационных систем анализа состояния сложных технических объектов
Работа посвящена методам автоматической структуризации данных и формирования категорных моделей баз знаний, построению и исследованию методов формирования многомодельных комплексов, основанных на синтезе дедуктивных и индуктивных методов логического вывода.
Особенности проблемы повышения эффективности информационных систем
анализа состояния сложных объектов
Создание комплексной методологии анализа и построения информационно-аналитических систем оценки состояния сложных технических объектов является актуальной задачей в русле современных тенденций к интеграции информационно-измерительных систем, систем имитационного моделирования, систем интеллектуального анализа данных, а также подсистем управления базами данных и базами знаний. Данный факт подтверждается активными работами по созданию, внедрению и техническому сопровождению автоматизированных систем четвертого поколения, которые характеризуются как адаптивные интегрированные пространственно-распределенные неоднородные системы обработки данных с перестраиваемыми структурами [1]. Необходимость создания подобных методологий обусловлена всевозрастающей сложностью и стоимостью объектов анализа — сложных технических объектов, когда число оцениваемых параметров исчисляется десятками тысяч, а также накладываются топологические, структурные аспекты при обработке информации, необходимость вычислений в реальном масштабе времени. Кроме того, объекты анализа данного класса характеризуются единичностью изготовления, разнородностью, неполнотой, а зачастую противоречивостью данных об объекте, с одной стороны, и информационной избыточностью с другой.
86 ^
Указанные свойства обуславливают ряд объективных проблем в вопросах эффективного принятия решений на этапах целевого использования объекта анализа. Специалисты [2] 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.
В качестве некоторого обобщения можно назвать следующие основные источники, формирующие информационное пространство: данные на выходе ИИС; 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 есть существенные
№ 6(24) 2009
предпосылки для системной интеграции перечисленных ресурсов. Применение комбинации подходов правдоподобного и достоверного вывода 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.
Комплексный подход к формированию
алгоритмов логического вывода для
анализа состояния сложных объектов
При построении систем анализа, как правило, встают вопросы выбора методов формализации информационных ресурсов, формирования правил построения структур, а также анализ и построение на данных структурах алгоритмов генерации и отбора альтернатив решений. Конструктивным подходом к интеграции различных видов моделей объекта является применение методов категорно-функ-торного анализа. Данный подход позволяет сохранить целостность представления объекта за счет инвариантности способа полимодельного описания объекта и свести исследование задач одного вида к задачам другого вида, а согласование разнородных моделей осуществлять на основе анализа принадлежности к заданной категории. Предложены алгоритмы автоматического формирования категор-ных структур, основанные в частности на основе анализа мер близости. В рамках данного подхода разработаны правила формирования полимодельных структур на основе операций наследования и композиции.
Практика показала эффективность синтеза различных подходов вывода в системах анализа. В основу построения баз знаний заложен 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 опти-
мального объяснения наблюдения на основе заданной теории. Для данного исследования абдукция интересна как средство решения следующих задач: распознавания целей и стратегий деятельности субъекта, формирования моделей по наблюдениям за объектом, накопления и усвоения знаний.
Алгоритм функционирования систем для пересматриваемой аргументации включает следующие процедуры [3]: определение аргумента как дерева выводов, основанного на посылках, либо как дедукции; определение конфликта между аргументами, которые идентифицируются как опровержение аргумента; определение поражения аргумента формированием бинарного отношения на множестве аргументов; оценка аргументов по параметрам, определяемым спецификой предметной области.
Отмечается [4, 6], что по настоящее время количественная оценка гипотез и, соответственно, сравнение и отбор закономерностей являются, во многом, нерешенными проблемами. Проблемы построения абдуктивного вывода заключаются в выборе критерия оценки варианта объяснения, характеризующего степень его правдоподобия. Общая оценка качества абдукции базируется на ряде подходов: подходы, основанные на покрытии множеств, предполагающие порождение и отбор подмножества гипотез, представляющих наилучшее объяснение для наблюдения; подходы, основанные на логике; подход на уровне знаний, рассматривающий абдукцию на уровне неявных убеждений; подходы, основанные на логических моделях.
Индуктивный вывод, в сложных системах позволяющий строить обобщенные модели знаний, основан на построении некоторого общего правила и анализа конечного множества наблюдаемых фактов. Качество обобщенных моделей зависит от полноты набора фактов, которым он пользуется при формировании гипотез. Процедурно процесс индуктивного вывода сложно формализуем и заключается в машинном построении новых гипотез на основе наблюдаемых фактов. Индукционный вывод позволяет решать следующие классы задач: задача индуктивного формирования по-
«0
0
1
«о ш
г
а
1 ю
87
№ 6(24) 2009
«о
0
1
VO
0
1
»
а §
S
■о
il
а »
а
€ §■
il
IS §
«о
о §■
€ &
о ^
о a «о a
S §
S »о
о g
3=
нятий с целью выделения наиболее общих или характерных фрагментов знания, избавляясь от случайной несистемной информации; задача машинного обучения, где на основе анализа обучающей выборки дается прогноз о новых объектах; задача распознавания, заключающаяся в формировании решающего правила, относящего объект к определенному классу.
В настоящее время существуют конструктивные методы автоматического формирования алгоритмов мониторинга и управления структурной динамикой сложных технических объектов (СТО) [1,6], которые базируются на оперативном формировании операторных цепочек, последовательном отображении измерительных и вычислительных параметров СТО для достижения цели анализа или управления. Данные технологии в частности базируются на обобщенных вычислительных моделях, являющихся развитием недоопределен-ных моделей.
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 СТО в целом. Полученные современные результаты и алгоритмы, позволившие автоматизировать решение таких задач, как: синтез схем программ как доказательство теоремы в формально-дедуктивной системе, методология проверки на модели (model checking), 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 — показывают перспективность использования в рамках одной системы комплексного подхода, 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.
Формальная модель информационных систем анализа состояния сложных объектов на основе комплексных алгоритмов логического вывода
Приняв во внимание, что составляющие системы — программные объекты, и взяв за основу систему продукций, рассмотрим следующую формальную модель:
Р; =( М, М ', ^ , О, ),
где в качестве множества заданных литералов М, продукционной системы и множества формируемых литералов Мпродукцион-ной системы определены обобщенные вычислительные модели;
— множество продукций /-го вида; О/ — множество процедур присвоения /-го вида.
М = А, Ем),
где А = {а,,/ = 1,...,п} — конечное множество параметров состояния объекта; ЕМ — конечное множество отношений на множестве параметров из А; Е=(f/,/ = 1,., к)|а € А — отношение на множестве параметров f=( А, дг(/)).
Множество всех отображений ш для всех отношений f € ЕМ, входные /п(ш)= 1 параметры для оператора ш, выходные оиГ(ш)= 1 параметры для оператора ш. Взяв за основу кате-горный подход к формированию продукций [5], можно выстроить иерархию моделей заданной категории по степени детализации: МВ — базис моделей /-категории, (М0,ф) — исходное состояние модели (вычислительного алгоритма), ф€Нот(Б0,Б В), — производное исходное состояние модели (вычислительного алгоритма), \еНот(Ми,МВ) — условие сопоставимости. Соответственно, распознавая ситуацию, система активизирует некоторую продукцию, сопоставимую с заданной ситуацией. Специалисты указывают [6], что в данной ситуации актуальна задача ква-лиметрии моделей, которая заключается в формировании подхода, позволяющего с единых позиций проводить оценку, сравнение, упорядочивание моделей. Сформированное
88
№ 6(24) 2009
множество иерархий моделей позволяет использовать их в алгоритмах вывода. Отбор моделей осуществляется на основе двух альтернатив: при наличии удовлетворительной модели детализировать выходные данные (дедуктивные алгоритмы вывода); при отсутствии удовлетворительной модели построить обобщенную модель (индуктивные алгоритмы вывода).
Как было упомянуто ранее, особый интерес представляет не просто оценка параметров системы, а анализ топологии, соответствующей структуре объекта. В частности, конструктивна идея доказательства непрерывности отображения между физическими процессами в системе, измерительной информацией и состоянием вычислительного процесса, что позволяет говорить об адекватности процесса анализа.
Основу систем анализа состояния СТО составляют полимодельные комплексы. Проблема создания алгоритмов формирования и представления полимодельных структур является одной из ключевых в современном системном моделировании. Структура и функционирование аналитических систем зависят от следующих информационных сущностей: объекта анализа (СТО) — О; цели функционирования аналитической системы — б, определяемой конкретной задачей принятия решения; полимодельного комплекса, задающего структуру системы — М; среды, определяющей параметры системы — С, а также отношений между данными структурами Я = (о,м, Го,С, Го,6, М,С, Го,м, Го,с ). Соответственно, информация по всем имеющимся в распоряжении субъекта информационным ресурсам
I определяется как I = и(М,Я), тогда форми-
О
рование новой структуры информационно-аналитической системы представим в следующем виде:
р=(1, Мб, е),
где м6 — целевая структура системы;
е=(Мь,р) — алгебра формирования структур,
где мь — множество базовых классов элементов структур м;
р=(Ы,К) — операции формирования структуры системы, где N — операция наследования; К — 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 = (1,б, Мь) являются, по сути, проблемно-ориентированной декомпозицией I, стратегия построения данных алгоритмов лежит в русле принципа семиотической интроспекции, заключающегося в идентификации различий и обобщении подобий множества объектов.
Модель объекта М' описывает его некоторые свойства в соответствующих категориях. Соответственно, можно рассматривать М' как объект категории ОЬМ', а взаимосвязь между объектами — как морфизмы МогМ'. Применительно к задаче таксономии, категории формируются на основании [7] признакового пространства I" ={/1,/2,...,¡„}, множества классов К1(М) и самих объектов таксономии М. Объекты, принадлежащие одному классу, являются изоморфными, другими словами, неразличимыми в признаковом пространстве I", а классы объектов К1(М) в данном признаковом пространстве являются гомоморфными, образуя при соответствующих свойствах признакового пространства категорию Ст(М).
Полимодельное описание объекта определяется совокупностью моделей различных к
категорий Мро0у = иМ' . Формирование правил
I=1
отображения модели одного вида в другой требует построения функтора Р(Му, Ми), вид которого определяет вид отношений между моделями видов (у,и). Соответственно, возможно формирование знаний категории Сл(Ми) при недостаточных условиях формирования категории с помощью процедуры таксономии А возможна процедура:
А':Му) ^См(Ми),
которая позволяет строить и обрабатывать гипотезы относительно знаний одной катего-
«0
0
1
«о ш
г
а
1 ю
89
№ 6(24) 2009
«о
0
1
VO
0
1
»
а §
S
о
55 §
S
S
■о
1 а гг а
€ §■
!
IS §
«о
о §■
€ Si
о ^
о a «о a
S §
3
о §
рии, применяя их к знаниям другой категории, что позволяет расширить практические возможности добывания знаний.
Алгоритмы реструктуризации данных полимодельных комплексов, заключающиеся в коррекции отношений между объектами категории, формировании новых категорий и редакции имеющихся, основаны на подходе наследования новой структуры из существующей, формирования иерархической или сетевой структуры из компонент полимодельных комплексов.
Пусть 5рт — базис категории, (5рт, ф) — исходный объект, отношение между данными объектами — ф€Иот(5рт, 5рт ), (5рт,\) производный объект, где \€ Иот(5рт, 5рт
Условие сопоставимости следующее:
Иот(5рт, 5рт );
€ Иот(5рт, 5рт ))^((5рт, 5рт, и)),
тогда
а(ц, € Иот(5рт, 5рт ))^((5рт, 5рт, и)),
где N — операция наследования объекта
(5рт, Ф) в (5рт, и).
В общем виде стратегия оперирования вычислительными моделями следующая: либо модель является объектом дедуктивного вывода и формирует более детальный результат, либо она является объектом индуктивного для структур более высокой иерархии.
Таким образом, задание цели анализа вызывает активизацию нескольких конкурирующих вычислительных схем У=(Г1,Г2,...,Гп), формирование которых осуществляется на основе |(У,чк) множества игровых ситуаций.
Заключение
Вышеизложенный материал — основа формально-математического аппарата 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. Данная методология показала свою эффективность в процессах автоматизации формирования модели городской транспортной системы.
СПИСОК ЛИТЕРАТУРЫ
1. Охтилев М. Ю., Соколов Б. В., Юсупов P. M. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов. М.: Наука, 2006.
2. БатищевВ.И., Мелентьев В. С. Аппроксима-ционные методы и системы промышленных измерений, контроля, испытаний, диагностики. М.: Ма-шиностроение-1, 2007.
3. Достоверный и правдоподобный вывод в интеллектуальных системах / В. Н. Вагин, Е. Ю. Головина, А. А. Загорянская [и др.]. М.: Физматлит, 2004.
4. Батищев В. И., Губанов Н. Г.Категорное представление сложных технических объектов в индуктивных системах логического вывода // Проблемы управления и моделирования в сложных системах: труды IX Международной конференции. Самара: СНЦ РАН, 2008.
5. СтефанюкВ.Л. Локальная организация интеллектуальных систем. М.: Физматлит, 2004.
6. Соколов Б. В., Юсупов P.M. Концептуальные основы оценивания и анализа качества моделей и полимодельных комплексов // Известия РАН. Теория и системы управления. 2004. № 6. С. 5-16.
7. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. Новосибирск: Изд-во Ин-та математики.
8. Потапов АС Распознавание образов и машинное восприятие. Общий подход на основе принципа минимальной длины описания. СПб.: Политехника, 2007.
9. Губанов Н. Г. Категорный подход при формировании полимодельных комплексов сложных систем / Вестник Самар. гос. техн. ун-та. 2008. Вып. 1(21). С. 183-185. (Технические науки).
10. БатищевВ.И., Губанов Н. Г. Методология оперативной реструктуризации информационных систем анализа состояния сложных технических объектов [Текст] / Проблемы управления и моделирования в сложных системах: труды IX Международной конференции Самара: СНЦ РАН, 2008. С. 187-193.
90
