Выявление знаний о системе в задачах анализа сложных систем Текст научной статьи по специальности «Компьютерные и информационные науки»

Решетневские чтения

I. M. Solomennikov, V. F. Sljusarchuk

Krasnoyarsk Institute of Economics of the Saint Petersburg Academy of Management and Economics, Russia, Krasnoyarsk

S. V. Pavlov

Institute of Computational Modeling Russian Аcademy of Science, Siberian Branch, Russia, Krasnoyarsk

LINEAR LAWS OF DYNAMICS OF THE FOREX: SUPERVISION AND INTERPRETATION

This report describes the results of long-term observations of creative research group exploring the dynamics of the international currency market Forex for the observed data in the cognitive and pragmatic aspects.

© Соломенников И. М., Павлов С. В., Слюсарчук В. Ф., 2009

УДК 303.732

Е. А. Сопов, С. А. Сопов

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

ВЫЯВЛЕНИЕ ЗНАНИЙ О СИСТЕМЕ В ЗАДАЧАХ АНАЛИЗА СЛОЖНЫХ СИСТЕМ

Рассматривается проблема исследования сложных систем. Предложена эффективная методика анализа информации на основе наблюдений сложной системы, позволяющая представлять результаты анализа в виде экспертных знаний об объекте исследования.

С повсеместным внедрением современных информационных технологий в организациях (коммерческих, научных, медицинских и др.) почти каждый аспект их деятельности регистрируется и сохраняется в базах данных, которые уже сегодня имеют очень большие объемы. Информация в подобных базах данных содержит детальное описание как самих систем, так и истории их (систем) развития и жизни. Можно сказать, что сегодня при анализе большинства искусственных систем аналитик вероятнее столкнется с недостатком эффективных методов исследования систем, нежели с недостатком информации о системе.

Результаты исследования системы, полученные аналитиком, должны быть представлены лицу, принимающему решения (ЛПР), который может не обладать специальными знаниями и потому не способно адекватно интерпретировать результаты исследования. Поэтому знания о системе и прогнозные модели, которые в итоге получит аналитик, должны быть представлены в явном, доступном к интерпретации виде (возможно, на естественном языке). Такое представление можно назвать знаниями об исследуемой системе.

К сожалению, эффективных методов получения знаний о системе на текущий момент не предложено. Наибольший интерес представляют модели и алгоритмы Data Mining (интеллектуальные анализ данных), которые в частных приложениях используются для извлечения знаний из «сырых» данных. Стоит отметить, что Data Mining является эволюцией теории управления баз данными и оперативного анализа данных (OLAP), основанной на использовании идеи многомерного концептуального представления. Но в последние годы в связи с нарастающей проблемой «перегрузки информацией», все больше исследователей используют и совершенствуют методы Data Mining для решения задач извлечения знаний.

Широкое применение методов извлечения знаний весьма затруднено, что, с одной стороны, связано с недостаточной эффективностью большинства известных подходов, которые базируются на достаточно формальных математических и статистических методах, а с другой - с трудностью использования эффективных методов интеллектуальных технологий, которые не имеют достаточного формального описания и требуют привлечения высокооплачиваемых специалистов.

Математические методы моделирования, управления и анализа данных

Авторы предлагают следующий подход к построению системы анализа данных о системе на базе интеллектуальных информационных технологий: во-первых, за счет применения передовых интеллектуальных технологий можно существенно повысить эффективность решения задачи извлечения знаний, которые будут предъявляться ЛПР. Во-вторых, необходимо исключить потребность в специалисте по настройке и использования интеллектуальных технологий - это будет достигнуто за счет того, что последние будут генерироваться и настраиваться в автоматическом режиме.

Обозначенные задачи извлечения знаний достаточно эффективно решаются следующими методами интеллектуальных информационных технологий: искусственными нейронными сетями, методами, основанными на нечеткой логике, эволюционными алгоритмами. Автоматизированные генерирование и настройка интеллектуальных технологий осуществляется с применением генетических алгоритмов, которые, в свою очередь, не требуют настройки благодаря использованию гибридных и коэволюционных схем.

Общая схема использования интеллектуальной системы извлечения знаний выглядит следующим образом.

В приведенной схеме ЛПР не участвует в постановке задачи исследования, так как априорная информация о знаниях, которые можно извлечь, отсутствует (либо получение такой информации является сравнимой по сложности задачей). Однако ЛПР может уточнить задачи исследования, когда будет получен результат. Это связано с тем, что после того, как знания будут предъявлены ЛПР и ЛПР сможет их интерпретировать и усвоить, повысится его понимание как самой исследуемой системы, так и понимание возможных

проблемных ситуаций. Стоит помнить о том, что анализ является итеративной процедурой.

Интеллектуальная система анализа данных и извлечения знаний в задачах исследования сложных систем

Другим важным преимуществом данной системы является возможность восполнять данные о системе. Как показывает практика, реальные таблицы данных могут содержать «пробелы» в данных порядка 30 %. Исследуя систему в целом, возможно выявить наиболее общие закономерности, которые могут восстановить информацию для частных случаев (для которых данные отсутствуют).

E. A. Sopov, S. A. Sopov

Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk

KNOWLEDGE EXTRACTION ABOUT THE SYSTEM IN THE ANALYSIS PROBLEM OF COMPLEX SYSTEMS

The complex system investigation problem is discussed. A new method for system information analysis is proposed. The analysis results are represented in a form of expert-like knowledge.

© Сопов Е. A, Сопов Q A, 2009