CC BY
25
тующий режим конструирования стратегии достижения векторной цели раскрепощает мышление и стимулирует интуицию эксперта, позволяет сформулировать множество различных сценариев (стратегий) достижения поставленной цели.
• Подсистема поддержки сценарного исследования ситуации, обеспечивающая ввод, редактирование, просмотр и активизацию любого сценария. Сценарное исследование различных стратегий достижения цели осуществляется в подсистеме сравнения сценариев развития ситуации, обеспечивающей возможность парного сравнения и анализа двух сценариев развития ситуации.
Результаты моделирования: таблицы прогноза развития ситуации, графики, описание сценариев, расшифровки значений факторов в системе «Канва» могут быть распечатаны на принтере или в файл документа Word.
Система «Канва» может быть использована для концептуального анализа и моделирования сложных и плохо определенных политических, экономических или социальных ситуаций, для разработки стратегий управления и механизмов их реализации, разработки программных документов стратегического развития страны, региона, предприятия, фирмы и т.д., а также в качестве инструментария для непрерывного мониторинга состояния ситуации, порождения и проверки гипотез ме-
ханизмов развития и механизмов управления ситуацией.
Применение системы концептуального моделирования «Канва» значительно расширяет горизонты аналитических возможностей экспертов, освобождая их интеллект от рутинной работы, стимулирует воображение и интуицию для генерации оригинальных решений и находок управления и рефлексивного поведения в запутанной ситуации.
Список литературы
1. Checkland P.B. Systems Thinking, Systems Practice. -New York: Wiley. 1981.
2. Робертс Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экономическим задачам. - М.: Наука, 1986.
3. Максимов В.И., Григорян А.К., Корноушенко Е.К. Программный комплекс «Ситуация» для моделирования и решения слабоформализованных проблем. // Междунар. конф. по проблемам управления. - Т. 2. (Москва, ИПУ РАН, 29 июня - 2 июля 1999 г.).
4. Кулинич А.А., Максимов В.И. Система концептуального моделирования социально-политических ситуаций ПК «КОМПАС». // Сб. докл.: Современные технологии управления. (Москва, ИПУ, 21-22 мая 1998 г.).
5. Силов В.Б. Принятие стратегических решений в нечеткой обстановке. - М.: ИНПРО-РЕС. 1995.
6. Кулинич А.А. Субъектно-ориентированная система концептуального моделирования «Канва». // Матер. 1-й Междунар. конф.: Когнитивный анализ и управление развитием ситуаций. (Москва, октябрь, 2001 г.).
РЕАЛИЗАЦИЯ ПРИНЦИПОВ ЭРГОНОМИЧНОСТИ И ИНТЕЛЛЕКТУАЛЬНОСТИ В СИСТЕМЕ СВИРЬ
С.В. Микони, Д.П. Бураков, М.И. Сорокина
Система СВИРЬ предназначена для выбора и ранжирования объектов любой предметной области (ПО). Формирование допустимого множества объектов, ранжирование всех объектов и поиск наилучших объектов из числа отобранных выполняется на основе многокритериальной оценки однородных объектов. Эта задача не относится к числу новых задач программирования. Программные системы подобного назначения разрабатывались с использованием различных технологий программирования, в том числе и в операционной системе MS Windows [1,2]. Особенностью рассматриваемой системы наряду с ее универсальностью является реализация принципов эргономичности и интеллектуальности.
Универсальность системы СВИРЬ обусловливается широким спектром реализованных в ней функций выбора и ранжирования. Они объединены в следующие группы методов многокритериальной оценки объектов.
1. Методы выбора [3]: нахождение недоминируемых объектов (метод Парето); нахождение допустимого множества; метод притязаний.
2. Методы ранжирования объектов [4]: метод приоритетов; метод суперкритерия без ограничений; метод балльной оценки; метод мягких притязаний.
3. Методы выбора и ранжирования объектов: метод условной оптимизации; метод Парето с оценкой; метод поиска допустимого множества с оценкой.
Универсальность системы СВИРЬ подтверждается и такими факторами, как высокая размерность и разнородность обрабатываемых данных. Проблема размерности большого числа признаков, используемых для оценки объектов, решается путем их представления в виде иерархической системы. Символьные признаки приводятся к численному виду, а на основе первичных вычисляются критерии оценки.
В качестве источников исходных данных, помимо непосредственного ввода в систему, предусмотрены пакет общего назначения MS Excel и фирменные базы данных. Для редактирования, оформления и вывода результатов оценки используются универсальные текстовый и табличный процессоры MS Word и MS Excel.
Система, обладающая указанными свойствами, характеризуется большим объемом исходных данных и результатов, а также большим набором используемых функций подготовки, обработки и оценки информации. Успех применения такого рода систем обусловливается свойствами эргономичности и интеллектуальности. Эргономичность системы обеспечивается полнотой и легкостью реализации функций подготовки, обработки данных и анализа результатов и рациональной организацией человеко-машинного интерфейса. Интеллектуальность системы реализуется, в первую очередь, с помощью средств автоматизации отдельных операций и обеспечения познавательных (когнитивных) свойств человеко-машинного интерфейса. Указанные свойства реализуются в системе с помощью стандартных средств и ресурсов MS Windows.
В настоящей статье делается акцент на рассмотрении операций подготовки, обработки и оценки информации, на интерфейсе системы и анализе получаемых результатов.
Построение модели ПО. Эта задача решается на начальном этапе многокритериальной оценки объектов. Для представления данных в системе СВИРЬ используется табличная модель ПО. В строках таблицы перечисляются оцениваемые объекты ПО, а в столбцах - характеризующие их признаки (атрибуты).
Учитывая высокую размерность реальных предметных областей, определяемых десятками признаков (атрибутов), модели ПО формируются в виде иерархии таблиц. Каждый признак верхнего уровня иерархии характеризуется совокупностью детализирующих его признаков. Основанием для объединения признаков y и yk в одну группу является степень их семантической близости. Она должна превышать степень семантической близости понятий, относящихся к другим группам (таблицам).
Внутренняя база данных системы СВИРЬ организована в виде иерархии таблиц, содержащих первичные признаки (атрибуты) и критерии оценки объектов предметной области.
Таблицы ПО могут создаваться как средствами самой системы СВИРЬ, так и импортироваться из табличного процессора MS Excel или из фирменных баз данных. При создании таблиц в самой системе число объектов в каждой последующей таблице задается автоматически по числу объектов первой таблицы. При импорте таблиц из внешних источников необходимо следить за идентичностью состава объектов во всех таблицах ПО.
Для обобщенной оценки объектов строится дерево иерархии признаков, на его нижний ярус помещаются таблицы, включающие первичные признаки ПО, которые используются для формирования критериев оценки объектов. В иерархической системе оценки различают следующие виды критериев: первичные, локальные и глобальный. Первичные критерии формируются в таблицах нижнего уровня иерархии. Локальные критерии соответствуют именам всех таблиц, за исключением корневой. Ей ставится в соответствие глобальный критерий.
Дерево иерархии признаков может строиться либо снизу вверх, либо сверху вниз. При использовании технологии построения снизу вверх каждая таблица создается автономно. В системе предусмотрено перемещение признаков из одной таблицы в другую. Оно осуществляется при помощи технологии drag-and-drop [5]. Она же применяется для подчинения (переподчинения) одной таблицы другой в дереве иерархии. При этом имя подчиненной таблицы автоматически рассматривается как признак таблицы верхнего уровня.
При использовании технологии построения сверху вниз признак таблицы верхнего уровня детализируется через таблицу нижнего уровня. Режим создания таблицы нижнего уровня выбирается по правой кнопке мыши. В появляющемся окне задаются число и имена детализирующих признаков.
Для отображения дерева иерархии в левой части главного окна системы СВИРЬ используется стандартное средство Tree-View операционной системы MS Windows.
Подготовка исходных данных заключается в означивании всех первичных признаков в таблицах нижних уровней иерархии и в формировании критериев. Значения признаков могут быть введены с клавиатуры либо импортированы из MS Excel или из баз данных, поддерживаемых ODBC и BDE.
Импорт из MS Excel осуществляется в режиме обновления данных. При этом выполняется автоматический поиск одноименных признаков в таблицах иерархии, куда пересылаются данные из выделенных столбцов листа Excel.
Для осуществления взаимодействия системы СВИРЬ с программами пакета MS Office была использована технология компонентной модели объектов COM (Component Object Model) [6].
Импорт из баз данных осуществляется с использованием технологии составления SQL-запросов для зарегистрированных в BDE баз данных [7]. Для этой цели разработан мастер импорта (Import Wizard), с помощью которого выполняются следующие этапы импорта: выбор требуемой базы данных, выбор в ней нужной таблицы, выбор полей в таблице. При выполнении перечисленных этапов автоматически формируется SQL-запрос к заданной базе данных. Выбранные по запросу данные импортируются в систему СВИРЬ в форме поименованной таблицы.
После означивания первичных признаков выполняются этапы кодирования переменных символьного типа и вычисления первичных критериев.
С точки зрения участия переменных символьного типа в выполнении процедур выбора и ранжирования объектов следует различать следующие типы их значений [8]:
• номинальные (Санкт-Петербург, Москва, Орел);
• качественные оценки (высокий, средний, низкий);
• смешанные (числовые и символьные значения).
Для участия в выполнении процедуры селекции тип значений символьных переменных не играет ро-
ли. Это означает, что символьный атрибут не требует никакой специальной подготовки к выполнению процедуры селекции независимо от типа его значений. Значения, удовлетворяющие заданным требованиям, помечаются, и объекты, обладающие этими значениями, отбираются в допустимое множество.
Для участия в процедуре ранжирования объектов возникает необходимость перехода от номинальной шкалы к порядковой или интервальной шкале. Этот переход осуществляется путем численного кодирования символьных значений. К величине числа, сопоставляемого символьному значению, предъявляется требование указания места кодируемого символьного значения среди остальных в целочисленной шкале. Для выполнения процедуры кодирования символьных значений атрибута необходимо знать всю их совокупность. Она формируется путем отбора неповторяющихся значений в соответствующем столбце таблицы. Список полученных значений выводится в окно для последующего кодирования.
Наиболее очевиден принцип численного кодирования признаков, характеризуемых качественными оценками. Назовем его прямым кодированием. Например, значения низкое, среднее, высокое качество ранжируются числами 0,1,2 (или наоборот).
Кодирование признаков с номинальными значениями назовем косвенным. Его следует рассматривать как искусственный прием, так как он требует дополнительной информации о предпочтении значений. Например, значения Санкт-Петербург, Москва, Орел можно упорядочить с помощью цифр 1,2,3, если ввести предпочтение по географической широте (с севера на юг).
Кодирование признака, имеющего символьно-числовые значения, требует создания в таблице по крайней мере двух дополнительных столбцов. Им сопоставляются простые признаки, на которые может быть разделен исходный. Их кодирование, как правило, сочетает первые 2 принципа.
Кодирование признака выполняется в окне, выпадающем по команде Закодировать, которая выбирается в меню, вызываемом правой кнопкой мыши.
Для вычисления первичного критерия в таблице создается дополнительный столбец. Формула вычисления формируется в окне калькулятора. В качестве аргументов формулы выбираются исходные признаки из списка. Операции над ними задаются из стандартного набора калькулятора.
Настройка системы на многокритериальную оценку объектов состоит из выбора признаков, подлежащих оценке, и значений параметров, характеризующих метод оценки. К последним относятся: способ оценки объектов (Критериальный выбор, Мягкие притязания, Балльная оценка); роль признака в оценке (Критерий, Ограничение); весовые коэффициенты выбранных признаков.
Для критерия задаются: направление оптимизации (Max, Min); вид свертки (Аддитивная, Мультипликативная, Любая); тип связи (Вес, Место, Независимый).
Для ограничения задаются: тип (Снизу, Сверху, Точно, В интервале); значение; при балльной оценке
дополнительно: пессимистическая и оптимистическая границы оценки; нижний и верхний баллы оценки признака
При замене точечного сопоставления значения признака с ограничением на интервальное задается мера различия значений признака в процентах.
Интерфейс окна Настройка следующий. В верхней части окна расположена таблица признаков, а в нижней - панель их настройки. Значения параметров на панели определены для признака Высота (принтера). Интеллектуальность подсистемы настройки проявляется в автоматической настройке остальных признаков. При необходимости настройка изменяется вручную. По умолчанию веса критериев задаются равными. Они могут изменяться прямым вводом либо вычисляться методами экспертных оценок. В режиме Изменение одного веса вес остальных признаков изменяется с сохранением исходной пропорции весов.
Конфигурация панели настройки признаков зависит от выбранной роли признака. Для признака в роли ограничения панель содержит параметры, используемые для настройки ограничения.
Использование принципов настройки признаков по умолчанию, по примеру, по роли с изменением конфигурации интерфейса позволяет совместить многообразие методов многокритериальной оценки объектов с легкостью их применения.
При визуализации результатов оценки важную роль играет учет психологических особенностей восприятия информации человеком:
• напряжение от размерности;
• стремление к обобщениям (поиск закономерностей);
• прагматичный подход: «Что можно использовать?»;
• оценка качества информации (выделение позитива и негатива);
• эмоциональное восприятие цветов.
С этих позиций табличная форма представления данных неэффективна для человеческого восприятия. Пользователя интересует в первую очередь соотношение анализируемых данных и лишь потом их численные значения. Отсюда точечное представление значений признаков целесообразно заменить интервальным, реализуемым средствами компьютерной графики. Известно, что графика стимулирует образное мышление человека. Важными свойствами графического представления объектов являются взаимное расположение объектов и расстояние между ними.
Для оценки качества данных в системе СВИРЬ принята цветовая оценивающая шкала.
Рассмотрим применение графики и цветности в системе СВИРЬ более подробно.
Диаграммы. Для графического представления результатов оценки применяются диаграммы следующего вида.
1. Функциональная зависимость (функция одного аргумента у=Г(х)) представляется графиком функции. Горизонтальная ось используется для представления аргумента, а вертикальная - для представления
функции. Оси оцифровываются. Для удобства интерполяции на график наносится сетка. График функции в системе СВИРЬ используется для отображения соотношения значений критериев и представления рассогласования рейтингов объектов для различных условий их оценки.
2. Соответствие требованию отображается линейчатой диаграммой. Линия представляет диапазон изменения параметра [Min, Max]. На линии фиксируются среднее и фактическое значения признака, а также притязание (точечное, интервальное или полуинтервальное) для метода мягких притязаний. При этом фактическое значение признака соотносится с его средним значением либо с заданным притязанием.
3. Доля признака представляется круговой диаграммой. В окружности цветом выделяется доля, соответствующая процентному вкладу признака в общую оценку.
Использование цветности. Оценка N объектов предполагает разбиение их по группам. Количество групп определяется значностью оценки. Например, при двоичной оценке (удовлетворительно, неудовлетворительно) множество объектов разбивается на 2 группы. При использовании широко распространенной пятибалльной оценки разбиение осуществляется на 5 групп и т.д. Независимо от числа градаций шкала оценок является монотонной, характеризуя объект от самой худшей оценки до самой лучшей.
Оценке может подвергаться любой признак, характеризующий объекты. При этом его значения могут быть представлены как в интервальной, так и в порядковой (точечной) шкале. Диапазон значений признака yj разбивается на k интервалов (k<N) по числу значений оценки: [yjx,mta, Ул+Луд], [yj2,min, yj2+Ayj2],..., [yjk,max^yjk, yjk,max]. В общем случае интервалы могут быть не равны: Ayj1#Ayj2#.#Ayjk. Интервальная оценка сводится к точечной, если значение признака совпадает со значением оценочной функции (k=N), что характерно для строгой порядковой шкалы.
Результаты оценивания объектов представляют собой разбиение исходной таблицы на k подтаблиц. При этом меняется их взаимное месторасположение и нарушается целостность исходной таблицы. Между тем часто необходимо лишь знать, как оценивается i-й объект по j-му параметру, не меняя его расположения относительно других объектов. При черно-белом представлении значений параметра их оценку можно различать применением различного начертания символов (обычный, жирный, курсив, подчеркнутый). Другим способом различения оценок является использование цветности символов. К его преимуществам относятся большее число значений (>4) и воздействие на эмоциональную сферу пользователя.
Учитывая огромное разнообразие вариантов установления соответствия между интервальными оценками и сопоставляемыми им цветами, необходимо руководствоваться неким общим принципом. За основу его определения примем общепринятую транспортную цветовую символику: красный, жел-
тый, зеленый. С точки зрения возможности движения транспортных средств ее можно оценивать следующим образом: красный цвет - плохо (нет движения), желтый - удовлетворительно (подготовка к движению), зеленый - хорошо или отлично (есть движение). Трехзначную оценку цветов можно расширить на большую значность, пользуясь совпадением этой шкалы с частотной шкалой цветности. Вспомним базовый частотный диапазон: "каждый (красный) охотник (оранжевый) желает (желтый) знать (зеленый), где (голубой) сидят (синий) фазаны (фиолетовый). Вспомним также выражение голубая мечта, характеризующее меру лучшего. Эта частотная шкала задает нам направленность оценок от худшей (красной) до лучшей (голубой, а лучше фиолетовой). Из семизначной базовой шкалы для пятизначной оценки можно выбрать любой ее поддиапазон, например, от красного цвета до голубого, от желтого до фиолетового или выборочно в заданном порядке цветов. При необходимости современная компьютерная техника позволяет реализовать цветовую палитру до 65536 цветов, то есть практически непрерывную цветовую гамму. Таким образом, направленность оценок в заданном диапазоне цветов будем выбирать относительно направленности их частотного диапазона.
Интервалы оценок должны устанавливаться в соответствии с особенностями ПО. В наиболее простом случае используются равномерные интервальные оценки как более удобные и привычные. В системе СВИРЬ принято следующее кодирование значений максимизируемого критерия относительно его
среднеарифметического значения y j:
1) y j ±20% - желтый цвет;
2) y j -80% < y j < y j -20% - оранжевый цвет;
3) y j,min < y j < y j -80% - красный црет;
4) y j +20% < y j < y j +80% - зеленый цвет;
5) y j + 20% < y j < y j,max - голубой цвет.
Цветовая гамма минимизируемого критерия
имеет обратную направленность.
При окраске многих параметров разнообразие цветовой оценки может вызывать реакцию утомления. В этом случае оценки можно скрывать, окрашивая значения только рассматриваемого в настоящий момент параметра.
Список литературы
1. Рахманова И.О. Методы и модели интеллектуальной поддержки группового принятия решений в сложных организационно-технических системах//Информационные технологии и интеллектуальные методы. -СПб.: СПИИРАН, 1996.
2. Железко Б.А., Морозевич А.Н. Теория и практика построения информационно-аналитических систем поддержки принятия решений. - Минск, Армита - Маркетинг, Менеджмент, 1999.
3. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. -М.: Высш. шк., 1989.
4. Микони С.В. Методы мягкого выбора // Тр. конф. КИИ-2000, - М.: Изд-во Физматлит, 2000. - Т. 2.
5. Грегори К. Использование Visual C++ 6.0. Спец. издание. -М.: Вильямс, 2000.
6. Трельсен Э. Модель COM и применение ATL 3.0. - 8. Микони С.В., Козченко Р.В., Созоновский П.Г. Выбор СПб.: BHV-СПб, 2000. наилучших вариантов из баз данных // Сб. докл. междунар.
7. Архангельский А.Я. Язык SQL в C++Builder 5.0. -М.: конф. по мягким вычислениям и измерениям. SCM'99, -СПб.: БИНОМ, 2000. СПГЭТУ, 1999. - Т. 2. - С. 222-225.
ПОЛИПАРАМЕТРИЧЕСКАЯ ДИАГНОСТИКА В МЕДИКО-БИОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ
Н.В. Дмитриева
Накопленный опыт полипараметрической диагностики функционального состояния в виде визуализированных образов позволил провести системный анализ этих образов на основе общей концепции построения и функционирования интеллектуальных систем [1,9]. Цель этого анализа - выявить возможности методологии полипараметрического когнитивного моделирования [3,5,7,10] для медико-биологических исследований, прежде всего, возможности выявления взаимодействия, согласования электрофизиологических процессов в органах и физиологических системах целостного организма. Поиск такой возможности определяется тем, что современный физиологический эксперимент, а также средства функциональной диагностики не позволяют видеть информационные связи физиологических процессов. Разрабатываемая нами интеллектуально-образная модель функционального состояния человека дает возможность не только видеть, но и количественно определять соотношения параметров электрофизиологических процессов, "выдавая" о них новые знания [3]. Показано, что образная совокупность многомерных данных позволяет проводить индивидуальный синдромальный анализ образов в интерактивном режиме [4]. При этом учитываются не только изменения абсолютных величин параметров и их количество, не только степень изменений соотношений параметров, которые выступают как новые диагностические признаки, но "додумываются", какие параметры, в каком сочетании изменены и зрительно определяется координированность процессов и др. Еще более продуктивным для data mining и knowledge engineering представляется использование таких интеллектуальных методов, как процедуральные правила [8]. Отсюда вытекает возможность решения насущной задачи полипараметрической преклиниче-ской (ранней) функциональной диагностики - выявление новых объективных знаний о преклинических дисфункциях в организме для поддержки принятия диагностических решений. В данной работе для этих целей проведен анализ накопленных данных с помощью известных процедуральных правил как одного из перспективных в настоящее время методов генерации новых знаний о предмете.
Полипараметрическая интеллектуально-образная модель функционального состояния человека
В качестве алфавита для описания функционального состояния человека и элементов модели интел-
лектуальной системы используется унифицированный набор параметров комплекса электрофизиологических показателей (ЭКГ, ЭРВГ, ЭМГ и др.). Абсолютные величины амплитудных и временных параметров (на рис. 1 - Хх-Х20) представлены в виде векторов в полярных координатах. Каждый вектор имеет свой масштаб, определяемый модальным уровнем (средней окружностью, Xo). Обобщенный контур, ограниченный максимальными (Хтах) и минимальными (Xmin) величинами параметров, не имеющими патогномоничного значения (наружная и внутренняя окружности), является интеллектуальным преобразователем, осуществляющим непрерывный анализ характера поведения абсолютных величин параметров и формирующим в соответствии с этим необходимые классификационные действия. Активная часть интеллектуального преобразователя обеспечивает дополнительные признаки - соотношения параметров, накладываемые на динамическую характеристику, которые выступают как новые диагностические признаки функционального состояния организма, связанные с балансом взаимодействия физиологических систем и регуляторного влияния симпатического и парасимпатического отделов вегетативной нервной системы. Последние находят свое отражение в сдвиге образа (на рис. 1 окружности, обозначенные прерывистой линией) и в нарушении его контура [2,4]. Представление врачу комплекса физиологических показателей осуществляется в виде наглядных графических образов состояния индивида, что позволяет проводить клинический анализ многомерных данных. В качестве примера на рисунке 2 дан протокол полипараметрического обследования. Интерпретация изменений параметров основана на базе накопленного опыта функциональной диагностики и специальных исследований указанных показателей при различных функциональных состояниях человека [2-4].
Дифференциация обследуемых полипараметрическим методом производится по 4 классам в соответствии с основными стадиями развития адаптационного синдрома.
Data mining and knowledge engineering в полипараметрической интеллектуально -образной системе
В результате автоматизированного анализа аналоговых сигналов и преобразования в указанной интеллектуальной системе получаются три основных
