мелиорации деятельно-техно-природных систем

1
Математические методы управления устойчивым развитием
деятельно-техно-природных систем.
ЛУЦЕНКО Е.В., РЕКС Л.М.
Суть дела состоит в следующем:
 Рассматривается макроуровень, т.е. природная среда, на которой имеется множество технических
объектов разного назначения (техно-природная система - ТПС). В рамках этой техно-природной системы
протекают две деятельности природная и человеческая, т. е. в конечном представлении мы имеем дело с
деятельно-техно-природными системами (ДТПС).
 Человеческая деятельность состоит из 9 компонентов: персонал, техника, среда (в широком смысле:
политическая, социальная, экономическая, техническая и природная, слагающаяся из климатических,
гидрологических, гидрогеологических, инженерно-геологических и почвенных условий), ресурсы (в широком
смысле), информация, модели (в широком смысле: физические и абстрактные), время, управление и продукт (в
широком смысле: политический, социальный, экономический, технический, природный - измененный и
интеллектуальный).
 Следующим этапом строится категорийно - понятийное пространство (КПП) или матрица, т. е. таблица по
следующему правилу: 8 компонентов (персонал, техника, среда, ресурсы, информация, модели, время,
управление) располагаются в 0-ом столбце в 8 строках по одному компоненту. Компонент продукт в 0-ой строке
с расшифровкой: политический, социальный, экономический, технический, природный - измененный и
интеллектуальный. Или, например: вещественный, энергетический, социальный, экономический,
интеллектуальный (в зависимости от макроуровня).
 Пространство, образуемое двумя векторами: нулевым столбцом (из категорий и общенаучных понятий) и
нулевой строкой (из категорий и общенаучных понятий) и разбитое таким образом на ячейки, содержит
представление обо всех процессах протекающих в ДТПС.
 КПП на макро уровне моделирует перечень теорий (моделей), описывающих развитие и
функционирование деятельно-техно-природных систем (ДТПС), включающих в себя 9 компонентов. Каждая из
компонентов на первом этапе представляется морфологической моделью (таблицей), построенной по
определенному правилу, с программным продуктом, позволяющим производить ее обработку и интегрировать
содержательное и количественное описание.
 Полученные описания в дальнейшем используются для построения технологии принятия решений по
развитию и функционированию деятельно-техно-природных систем.
Описание элементов технологии принятия решений на макро уровне приводится в монографии «Системные
исследования мелиоративных процессов и систем. Москва, 1995» и других работах.
МЕЛИОРАЦИИ ДЕЯТЕЛЬНО-ТЕХНО-ПРИРОДНЫХ СИСТЕМ
Общие положения о системно-структурном подходе
Характерная черта доперестроичного этапа развития мелиораций (улучшений) как одного из важнейших
факторов интенсификации производства сельскохозяйственной продукции - масштабность мелиоративных
воздействий, охватывающих не только отдельные хозяйства, но и целые регионы нашей страны.
В сферу этой деятельности вовлекаются значительные объемы водных, земельных, трудовых и других
материальных и энергетических ресурсов, что способствует не только коренному улучшению земель, но и
существенному изменению свойств природной, социальной, экономической и других сред.
При этом необходимо отметить как опосредованное, так и непосредственное влияние мелиоративной
деятельности на эти среды. Этот новый, характерный для настоящего этапа момент нашел отражение в том, что
проекты по мелиорации крупных регионов предусматривают прямое воздействие на социально-экономическую
среду, например, на создание инфраструктуры и др.
Следовательно, повышение народнохозяйственной эффективности мелиорации неразрывно связано с
необходимостью полного и всестороннего учета всех аспектов мелиоративной деятельности. Кардинальное
решение этой проблемы невозможно без более обобщенного подхода по сравнению с традиционными подходами
к рассматриваемому процессу.
Как известно, наука, изучая сущность объектов и систем с помощью категорий и понятий, дает возможность
обобщить накопленные знания и объяснить исследуемые процессы и явления, причем переход от описания этих
2
процессов и явлений к их объяснению совпадает с познанием их структур. Поэтому введение обобщающих
понятий, законов, теорий на основе использования системного, в частности системно-структурного, подхода
наиболее целесообразный путь к синтезу знаний (Агарков, 1977; Сачков, 1977; Семенюк, 1975; Сидоров, 1974;
Тимофеев, 1977; Чепиков, 1975 и др.).
Системно-структурный подход предполагает развитие диалектики внутреннего и внешнего, включая два
аспекта: взаимодействие инженерной системы со средой и иерархичностью систем, т.е. Вовлеченность любой
системы как подсистемы в некоторую более сложную систему. При этом решающую роль в системно-структурном
подходе играет понятие структура. И. Б, Новик (1975) отмечает, что система и структура соотносительны и
выступают как единство противоположностей, а сам системно-структурный подход в общем, виде означает
рассмотрение познавательных объектов в качестве систем элементов под углом зрения их структур.
Актуальность исследования структуры, системы производства продукции на мелиорированных землях (или
вообще любой системы или подсистемы): определяется тем, что в ней просматривается некоторая аналогия
между важностью рассмотрения понятия “закон” и его роли в отображении некоего явления, поскольку закон
выражает существенное в явлении, а структура - существенное в системе.
Структура - это такая организация объектов или систем, которая характеризует их сущность с внутренними
зависимостями (Н. Артюх, 1977). Вместе с тем процесс системно-структурной интеграции, синтеза научных
знаний также имеет ряд противоречий. Одно из них - многообразие методологических аспектов синтеза наук.
Синтез межнаучных и внутринаучных исследований возможен лишь в результате раскрытия внутреннего
единства всех модификаций исследований (Артюх, 1967; Винер, 1958; Гаспарский, 1978; Гвишиани, 1980; ван Гиг,
1981; Глушков, 1975; Добров, 1969; Дружинин, Конторов, 1976; Кедров, 1963; Котарбинский, 19Т5; Моисеев, 1979,
1981, Пойя, 1957; Уемов, 1978; Шаракшанз, Железнов, Ивицкий, 1977 и др.).
Междисциплинарный синтез научных изысканий.
Развитие исследований по созданию совершенных мелиоративных систем связано также с объединением
усилий и результатов поисков ученых, работающих как в области мелиораций, так и в смежных областях знаний.
Это возможно лишь в случае выявления общего звена или элемента в различных научных дисциплинах,
способного быть основой междисциплинарного синтеза научных изысканий. В области технических,
экономических и других наук таким звеном может быть кибернетическая структура процесса (Винер, 1958).
Кибернетические принципы уже нашли применение при исследовании мелиоративных процессов. При этом
рассматривалось влияние только некоторых параметров “входа” на параметры “выхода” с учетом влияния
“обратной связи”. Развивая далее этот подход, будем понимать под компонентами “входа” и “обратной связи”
категории и общенаучные понятия, отражающие наиболее общие, существенные свойства и отношения явлений
в системе производства продукции (СПП) на мелиорируемых землях (МЗ). Предлагаемое в настоящей работе
рассмотрение СПП на МЗ обусловлено уже существующей практикой проектирования подобного рода систем.
Более того, вначале техническая эксплуатация и управление системой (от получения продукции до сдачи ее
государству) осуществляются специализированными организациями (примером может служить Голодная степь и
другие).
Сочетание кибернетического принципа и категорийно-понятийного подхода, как будет показано ниже,
позволит описать и объяснить процесс мелиорации в категорийно-понятийном виде и даст возможность сделать
еще один шаг на пути интеграции знаний о мелиоративной деятельности. Основной момент при разработке
категорийно-понятийной структуры концептуальной модели СПП на МЗ - выбор и обоснование категорий и
общенаучных понятий, т. е. теоретического базиса. Для вывода и доказательств полагаем, что мелиоративная
деятельность или процесс мелиораций есть разновидность производственного процесса или целесообразной
деятельности.
Производственный процесс
По К.Марксу, производственный процесс есть “...целесообразная деятельность, или самый труд, предмет
труда и средства труда”. “Потребление рабочей силы - это сам труда”’. Таким образом, К. Маркс на основе
исторического опыта с учетом социально-экономических и политических условий вводит три основных
компонента производственного процесса: сам труд, предмет труда, средства труда. Эти компоненты
взаимосвязанные и взаимообусловленные, содержатся и в системе производства продукции на мелиорируемых
землях. Они определяются через категории и общенаучные понятия, такие как персонал (или его грань - сам
труд, отражающий специфику СПП на МЗ), ресурсы (предмет труда), техника, включающая искусственные
сооружения, машины и устройства с их структурой и связями (средства труда).
3
У К. Маркса: “Средство труда есть вещь или комплекс вещей, которые человек помещает между собой и
предметом труда и которые служат для него в качестве проводника его воздействий на предмет”. Далее он
пишет, что в процессе труда деятельность человека при помощи средств труда вызывает заранее намеченное
изменение предмета труда. Процесс угасает в продукте. Продукт процесса труда есть потребительская
стоимость, вещество природы, приспособленное к человеческим потребностям посредством изменения формы”.
Если рассматривать мелиоративную деятельность, то в ее результате этой деятельности создается
вещественно-энергетический (в виде сельскохозяйственной продукции, мелиоративной обстановки и т.д.) и
социально-экономической (инфраструктура и т.д.) продукты. Т. е. результат мелиоративной деятельности —
многогранен.
При рассмотрении аспектов мелиоративной деятельности было отмечено, что ее результаты существенно
зависят от тех природной, социально-экономической и других сред, на которые должна наложиться эта
деятельность, т.е. среда - существенный компонент процесса. Здесь можно отметить и такой известный факт, что
среда в системе производства продукции на мелиорированных землях рассматривается многогранно, например,
природная среда для сельскохозяйственных культур — это среда обитания и окружающей среды; некоторые ее
свойства и режимы управляемы, а некоторые неуправляемы и случайны. В дальнейших рассуждениях под
средой в широком смысле будем понимать природную, социальную, экономическую, техническую и другие, в
узком смысле будем рассматривать природную среду.
Таким образом, правомочность введения категорий и обще научных понятий: персонал, ресурсы, техника,
среда, продукт имеют право на существование в мелиоративной деятельности и были определены как самой
практикой, так и классическими представлениями о производственной деятельности.
Развития систем производства и повышение их народнохозяйственной эффективности.
На современном этапе развития системы производства продукции на мелиорированных землях на одно из
первых мест выступает повышение ее народнохозяйственной эффективности. Постоянный темп роста этой
эффективности может быть обеспечен лишь при одновременном совершенствовании факторов, определяющих
повышение производительности труда. Таких как уровень знаний (уровень накопленной информации) и их
модельное представление во времени, а так же уровень совершенства управления, т.е. при участии таких
категорий и общенаучных понятий, как информация, модели, время и управление.
Для обоснования этого положения обратимся к формулировке К. Маркса по поводу факторов,
определяющих производительность труда: “Производительная сила труда определяется разнообразными
обстоятельствами, между прочим средней степенью искусства рабочего, уровнем развития науки и степенью ее
технологического применения, общественной комбинацией производственного процесса, размером и
эффективностью средств производства, и природными условиями.
Академик В.А.Трапезников в книге “Управление и научно-технический прогресс” (М. 1963), проанализировав
факторы, влияющие на увеличение производительности труда, пришел к выводу, что производительность труда
является функцией фондовооруженности, уровня знаний и коэффициента, учитывающего условия, характерные
для отрасти. При этом под уровнем знания он понимает: накопленные знания, т.е. сведения о том, как построить
оборудование и рационально сгруппировать его в систему. Т.е. это накопленная информация и, следовательно,
ее модельное представление во времени (по К. Марксу, уровень развития науки, степень ее технического
применения, эффективность средств производства, общественная комбинация производственного процесса);
уровень совершенства управления (по Марксу, средняя степень искусства рабочего). Таким образом, без
включения в технический базис таких понятий, как информация, модели, время и управление, не может
осуществляться дальнейшее повышение эффективности СПП на МЗ.
Итак, приведенные доводы и выполненные ранее исследования (Балаев, Рекс, 1976, 1977; Балаев, Рекс,
Богомолов, Жабин, Хачатурян, 1979 и др.) показывают, что категории и общенаучные понятия, входящие в
теоретический базис СПП на МЗ,- это персонал, техника, ресурсы, среда, информация, модели, время,
управление, продукт, можно сгруппировать в определенную категорий-понятийную структуру вокруг понятия
“процесс” и представить в виде катигорийно-понятийной матрицы (рисунок и табл.).
Рассматривая вопросы категорийного синтеза теории, А.Г. Артюх (1977) отмечает, что более глубокий анализ
разрабатываемых теорий требует исследования теоретических и методологических аспектов используемых
категорий. Оценивая категории с теоретических позиций, он отмечает необходимость показать, что по способу
выражения объективного содержания они представляют собой категорийные понятия.
В нашем случае категории “персонал”, “система”, “материал” представляют собой основные элементы
труда, соответственно: сам труд, предмет труда и средства труда. Категория “среда” влияет на процесс труда.
Категория “продукт” — результат труда. Категории “информация”, “модели”, “время” и “управление” -
4
совокупность категорий и общенаучных понятий, обеспечивающих целенаправленную деятельность человека в
условиях современного производства в определенные периоды.
Категория “процесс” в кибернетическом понимании этого термина играет роль центрального ядра, объединяет
воедино все перечисленные выше категории и общенаучные понятия. Следовательно, объективное содержание
категорий, введенных для построения основ обобщающей теории мелиоративной деятельности, состоит во
всестороннем охвате разнообразных процессов мелиораций.
Для оценки методологической роли категорий и общенаучных понятий необходимо рассмотреть их
функциональную роль в дальнейшем процессе познания. Это сформулируем (совместно с В.И. Агарковым)
следующим образом: значимость категорий будет изменяться за счет уменьшения значимости одних понятий,
входящих в их состав, и увеличения значимости других, возможно, ранее неизвестных понятий, т.е. с учетом их
диалектики. Интересно и то, что введение категорий и общенаучных понятий позволило построить “мостик” между
другими производственными и непроизводственными деятельностями и системами.
Некоторые определения
Основные компоненты, осуществляющие производственный процесс в СПП из МЗ,- персонал, среда,
ресурсы, техника, информация, модели, время и управление, и эффективность этого процесса, определяются
раскрывающими их перечисленными выше категориями и понятиями.
При осуществлении СПП из МЗ, мелиораций или их видов компонентный состав понятий структуры
сохраняется по номинальным характеристикам, т.е. он инвариантен, меняются только количественные значения
свойств (показатели) компонентов.
Постоянство компонентного состава комплекса, осуществляющего эти производственные процессы, основное положение концептуальной модели мелиоративной деятельности. Значение компонента, находящегося
в минимуме, лимитирует эффективность мелиоративного (производственного) процесса. Важное условие
категорийного синтеза теории - последующее выражение категорий через частные понятия. Для этого наряду с
кибернетической категорийно-понятийной структурой процесса производства сельскохозяйственной продукции на
мелиорируемых землях представляется целесообразным отобразить эту структуру в виде категорийнопонятийной матрицы (КПМ, табл.), что является одним из возможных подходов построения концептуальной
модели мелиоративной деятельности, или мелиораций (улучшений).
Информация
Модели
Время
Управление
Продукты
Категорийно-понятийная структура деятельности.
Интеллектуальный
Экономический
ДЕЙСТВИЕ
Социальный
ПРОДУКТ
Энергетический
Ресурсы
Среда
Процессы
Вещественный
Персонал
Техника
5
Персонал
Среда
1.1
2.1
1.2 1.3
2.2 2.3
1.4
2.4
1.5
2.5
Техника
3.1
3.2 3.3
3.4
3.5
Ресурсы
4.1
4.2 4.3
4.4
4.5
Информация
5.1
5.2 5.3
5.4
5.5
Модели
6.1
6.2 6.3
6.4
6.5
Время
7.1
7.2 7.3
7.4
7.5
Управление
8.1
8.2 8.3
8.4
8.5
Рассмотрение процессов мелиораций через призму категорий и общенаучных понятий, принимающих
участие в их осуществлении, а также их структуры, позволяет не только оценить совершенство понятийного
аппарата концептуальной модели теории мелиораций. Но и решить задачу всестороннего охвата исследований,
уменьшить ошибку прогноза, устранить недопонимание. Источником, которого служат три фактора:
недостаточная структуризация информации и недостаток априорных знаний; наличие помех, случайных или
умышленных’, различие в критериях оценки фактов у лиц, вступающих в информационный контакт, т.е.
отсутствие единого понятийного аппарата - всеобщего языка (Дружинин, Конторов, 1976).
КПМ процессов и деятельности
КПМ процессов применительно к мелиоративной деятельности - это не простая сумма исходных категорий и
общенаучных понятий, а их органическое единство. В результате осуществленного синтеза получен новый
результат, новое знание, которого не было в исходных категориях и общенаучных понятиях. К новому результату
следует отнести объединение таких разных по своей природе категорий и общенаучных понятий, как персонал,
техника, среда и т.д., в одну структуру, в единый понятийный базис обобщающей теории.
Матрица (см. табл.) объединяет категории и общенаучные понятия существующей теории, охватывающие
различные понятия существующей теории «Сельскохозяйственных мелиораций» и «Мелиораций» в широком
смысле. Это позволяет исследовать структуру знаний в рамках каждой теории, изучающей определенные
аспекты мелиоративных процессов и систем. Поэтому предлагаемая в виде КПМ концептуальная модель (КМ)
системы ПП на МЗ является обобщенной по отношению к известным. И позволяет решать в частных теориях
такие вопросы, как установление их границ, введение новых понятий. Непротиворечивость теории, ее полноту и
др. Здесь можно отметить такой факт, что например, «Рисовая оросительная система» не производит рис, а
является только инженерной частью системы производящей рис. Например, мелиоративная обстановка или
мелиоративный режим являются функцией от указанных ранее компонентов (персонал, техника, ресурсы, среда,
информация, модели, время и управления). Если в естественных науках обсуждается проблема полноты
системы реализующую заданную цель, т.е. получение результата в процессе его протекания, то в С/Х науках эта
корректность не всегда просматривается.
Категорийно - понятийное мышление и от единичного к общему и от общего к единичному.
Используемый подход в виде категорийно-понятийного мышления позволяет лучше представить движение
мысли от единичного к общему и от общего к единичному. Многообразие вопросов, освещающих процессы
мелиораций, как бы проектируясь на категорийно-понятийную матрицу, дают возможность
сводить многообразие отдельных процессов к единству. Кроме того, категорийно-понятийная матрица позволяет
анализировать не только реально воспринимаемое множество вещей и связей, но и прогнозируемое множество
вещей на данном этапе познания, когда отдельное не существует иначе, как в связи с общим.
Концептуальная модель мелиораций, представленная в виде категорийно-понятийной матрицы, используя
структуры процессов мелиораций, способствует совершенствованию абстрактной мыслительной деятельности
человека, определяющей его теоретическую деятельность.
С помощью матрицы исследователь получает возможность последовательно накапливать и перерабатывать
информацию о процессах мелиорации, а не выжидать возможности получения ее в полном объеме, достаточном
для целостного и абсолютного достоверного знания. Категория как средство аналитико-синтезирующей
деятельности исследователя позволяют вводить в матрицу (как в целостную структуру мышления) эмпирические
знания, полученные на основе наблюдений.
6
Как установить объективное соответствие между практикой и обобщающей теорией?
Как установить объективное соответствие между практикой и предлагаемыми основами обобщающей
теории мелиораций? Любые уравнения характеризующие взаимосвязь между основными понятиями, может либо
подтверждаться практикой, либо нет. В случае рассогласования расчетного значения с практическими
(наблюденным). То можно сделать вывод о несоответствии теории практике и необходимости дальнейшего
развития теории. Оно будет состоять в поиске такого понятия, которое при его введении в прежние теории
обусловит соответствие расчетных параметров процессов мелиораций с реальными процессами или
результатами. Например, понятие “тупиковых” пор в физико-химической гидродинамике пористых сред, явилось
таким понятием, с помощью которого удалось сформулировать более адекватную модель солепереноса в
почвогрунтах.
Научное значение предложенной категорий-понятийной матрицы процессов мелиораций состоит еще и в
том, что она способствует дальнейшему развитию теории. Поиск новых решений переходит из области искусства
или случая в область целенаправленной работы. Матрица позволяет наложить точки зрения различных
исследователей и, например, при изучении географических зон, имеющих четко выраженные особенности, дать
объективную оценку сделанным выводам. Это достижимо потому, что категорийно-понятийная матрица
обеспечивает объективность и единство исходной позиции исследователей, и если показатели процессов
мелиораций отдельных зон подтверждают значимость какого-либо фактора, то он является объективно
значимым. Теория процессов мелиораций при этом обогащается, становится возможным прогнозирование
процессов в других зонах, для которых эти факторы также характерны.
Синтезирование различных теоретических воззрений
Концептуальная модель мелиораций обеспечивает синтезирование различных теоретических воззрений
при том условии, что они, несомненно, подтверждаются практикой. При этом логическая категорийно-понятийная
структура определяет новые формы представления теории в мелиорации.
Синтез теории нашел свое выражение в том, что категории начинают выступать в органическом единстве.
В тех случаях, когда исследователь берет для изучения одну из категорий, другие присутствуют в неявном виде.
Выделение в следующем опыте познаний другой категории также не приводит к разрушению целостности
мышления. Такие действия способствуют разрешению возникающих диалектических противоречий и
одновременно делают возможным построение непротиворечивых теорий, посвященных частным вопросам
мелиораций. Важное достижение осуществленного теоретического синтеза заключается в том, что он носит
системный характер. Логическое построение теории таково, что можно выделить, во-первых, основополагающие
положения теории, смысловое ядро, основные принципы и, во-вторых, из этих основных принципов вывести все
другие знания.
Основные положения концептуальной модели
Основные положения концептуальной модели мелиораций (разработаны совместно с В.И. Агарковым)
сводятся к следующему:
1. Все процессы мелиораций характеризуются совокупностью частных понятий, входящих в состав
следующих категорий: персонал, техника, ресурсы, среда, информация, модель, время, управление, продукт.
2. Перечисленные категории при группировке вокруг центрального кибернетического понятия процесс
образуют определенную структуру (вход, процесс, выход и обратная связь).
3. Степень влияния каждого фактора, представляющего собой частное понятие, входящее в категории
персонал, техника, ресурсы, среда, информация, модель, время, управление обусловлена совокупным
воздействием их качественных и количественных характеристик процесса мелиораций (продукт).
4. Значимость любого понятия, входящего в состав одной из перечисленных категорий основ КМ
обобщающей теории, может найти подтверждение (или быть опровергнута) практикой с обязательным учетом
сопутствующих факторов. Изучение и прогнозирование процессов мелиораций базируется на использовании как
экспериментальных, так и теоретических методов исследований.
В заключение сформулируем основные положения концептуальной модели следующим образом: продукт
(П) СПП на МЗ в целом определяется совокупным влиянием частных понятий, составляющих категории и
общенаучные понятия: персонал (П), техника (Т), ресурсы (Р), среда (С), информация (И), модели (М), время (В),
управление(У).
7
Качественные и количественные характеристики сопутствующих факторов обусловливают удельное
воздействие каждого из них через значимость характеризующего их понятия. В формализованном виде
положение может быть представлено выражением П=Ф(П,Т,Р,С,И,М,В,У) где Ф – функционал состояния системы
ПП на МЗ, или процессов мелиораций.
Категорийно-понятийные матрицы и концептуальная модель
Категорийно-понятийные матрицы концептуальной модели мелиораций позволяют также решить вопрос
и о подготовке специалистов (на уровне исследователей - руководителей, обладающих широким кругозором),
способных эффективно управлять разноплановыми исследованиями. Это достигается благодаря кумулятивному
характеру категорийно-понятийной матрицы, ее способности отображать разноплановые исследования и
выявлять степень их полноты. С помощью матрицы можно постоянно отмечать появление новых идей на всех
уровнях исследовательской работы.
Предлагаемый подход позволяет из сложной системы выделить некоторую подсистему для отдельной
группы исследователей и указать на информационном уровне пути ее возврата в сложную систему, что имеет
большое значение для повышения эффективности исследований.
Как показал анализ ряда научных работ, отсутствие функционального, морфологического и
информационного описания систем ПП на МЗ, в том числе мелиоративных, гидромелиоративных, оросительных,
осушительных и других, снижает качество и эффект исследований. Это объясняется тем, что каждый
исследователь вычленяет подсистему - мелиоративную, гидромелиоративную, оросительную или другую - и
изучает ее, не заботясь о ее возвращении в сложную СПП на МЗ и не анализирует, что произошло с этой
сложной системой.
Такой подход нельзя считать прогрессивным, ибо сложная СПП на МЗ также должна являться предметом
исследований. Основные соображения по функциональному, морфологическому и информационному описанию
системы приведены в работе В.В.Дружинина и Д.С.Конторова (1976).
Главная цель науки - постижение сущности.
Известно, что главная цель науки - постижение сущности, непрерывно связанной с принципом простоты как
средством, способствующим достижению главной цели. Упрощение, получаемое в результате использования
категорийно-понятийной матрицы основ обобщающих теорий - один из способов проникновения в глубины
сущности. Категорийно-понятийный синтез позволяет связать ранее разобщенные элементы в области знания,
что в конечном итоге делает их систематизированными и упрощает их восприятие.
Анализ исследований, проведенный с целью “сжатия” (выделения) информации в работах, посвященных
вопросам мелиораций, позволил объединить их в определенную систему. При этом были выявлены следующие
общие признаки исследований:
- зависимость каждого от предыдущих научных работ, относящихся как к области мелиораций, так и к другим
областям знаний;
- недостаточность достигнутого уровня знаний;
- определенность методов исследований;
- вклад исследователя в развитие знаний;
- практическая значимость исследований;
- -возможность использования полученных знаний в других отраслях знаний.
“Формула исследования”
Каждое исследование следует рассматривать как часть системы знаний, и в этом случае конкретное
описание исследования (по перечисленным признакам) можно дать в виде формулы исследования. “Формула
исследования” это составленная по установленным правилам краткая словесная характеристика, выражающая
научную сущность исследования.
При написании формулы исследования необходимо выполнить следующие правила:
- дать четкое определение теории (материнской теории), которая является исходной по отношению к теории,
развиваемой в исследовании;
-после слов “дополняющее известные знания”, завершающих описание исходной теории, указать, чем
существующая теория не отвечает требованиям практики, т.е. охарактеризовать цель исследования
(неизвестное);
- указать, какие методы были использованы для познания неизвестного;
8
- описать развиваемую теорию в конечном состоянии, т.е. в том виде, который она приобрела после
проведения исследований;
-определить практическую значимость результатов, полученных за счет применения усовершенствования
теории;
- установить область возможного применения получившей развитие теории и получаемого при этом
положительного эффекта.
Является ли предлагаемая формула исследования средством упрощения знания?
На этот вопрос можно ответить положительно на том основании, что неопределенность формулы
значительно меньше по сравнению с заключением (общими выводами).
Применение предложенных методов сжатия информации и ее последующего поиска предполагает
использование современных быстродействующих ЭВМ.
КПМ не отражает таких моментов, как аргументированная неудовлетворенность существующими теориями,
обоснование целесообразности их развития. В ней не отражены связи с исходными теориями и задачи,
вытекающие из проведенного исследования. КПМ и формула диалектически дополняют друг друга, обеспечивают
единство формализованного и неформализованного знаний.
Действительно, самая совершенная формула исследования перед вводом в машину потребует
формализации, что и достигается в КПМ. С другой стороны, КПМ всегда будет требовать словесной
расшифровки, что можно получить в этой формуле.
Сжатие информации - этап познавательного процесса.
Результаты проведенного исследования (совместно с В.И.Агарковым) позволяет сформулировать следующее:
изложенная теоретическая концепция существенно упрощает процесс накопления переработки и поиска
информации, а следовательно, делает более определенной и строгой саму познаваемую систему в ее научном
представлении. Сжатие информации можно рассматривать и как некоторый промежуточный этап
познавательного процесса. Разрозненные исследования далеко не всегда позволяют проникнуть в природу
изучаемого процесса. Когда же разрозненные исследования удается сжать, нанести их на одну категориальнопонятийную матрицу, то становится возможным рассматривать каждое исследование как часть общего
познавательного процесса, определить пропущенные факторы и направить усилия на их изучение.
Представленная в матричном виде информация легко укладывается в “память”, которая служит своеобразным
рычагом, усиливающим интеллект.
В основе концепции лежат следующие системные принципы (по Опнеру):
Система, есть то, что решает проблему.
Единственным критерием участия данного компонента в процессе может быть то, что приводит к появлению
результата.
Понятие процесс - центральное понятие системных исследований.
Система определяется заданием системных объектов, свойств и связей.
Системные объекты - это вход, процесс, выход, обратная связь и ограничение.
Ограничение системы состоит из цели (функция) системы и принуждающих связей (качество функции).
Принуждающие связи должны быть совместимы с целью.
Проблемой называется ситуация, характеризующаяся различием между необходимым (желаемым) выходом и
существующим выходом.
Системный подход заключается в его концептуальности, т. е. понятийном аппарате, в его идеях подходе и
установках, а не в формальном математическом аппарате.
Системный подход построен на понятиях высокого уровня общности.
Системный подход: основные правила конструктивных споров.
Процесс определяется как явление, состоящее в непрерывном изменении в течении времени.
Методология является логически и процедурно организованной последовательностью операций
(воспроизводимых).
Объекты есть параметры системы.
Состояние системы описывается множеством величин по каждому системному объекту.
Свойства есть качества параметров объекта.
9
Качества - это внешние проявления того способа, с помощью которого получается знание об объекте или
которым объект вводится в процесс.
Свойства дают возможность описывать объекты системы количественно.
Связи есть то, что соединяет объекты и свойства в системном процессе.
Термин процесс определяется как дающая данный результат общность, входящая во все объекты, свойства и
связи компонентов систем.
Цель исследователя состоит в создании модели изучаемой им системы независимо от того, является ли она
физической или абстрактной.
Адаптивная система - такая, в которой происходит непрерывный процесс обучения и самоорганизации.
Полная система состоит из всех объектов, свойств и связей, необходимых для достижения данной цели при
данных принуждающих связях.
Формирование проблемы называется также ее определением.
Цель формирования проблемы состоит в том, чтобы установить сущность проблемы в известных терминах, а не
в терминах, которые неизвестны.
Ограничение есть сумма правил, установлений и выдвинутых лично или извне руководящих принципов,
определяющих границу проблемы.
Критерий является средством, с помощью которого измеряются или выбираются альтернативы.
Критерий указывает относительное достижение альтернативы в терминах других мер, таких как время, стоимость
или эффективность.
Критерий есть стандарт.
Риск является мерой потенциальной подверженности недостаткам.
Оптимум означает лучшее в смысле "все учтено". Он не означает "Самый лучший". Он может означать наиболее
благоприятные условия, способствующие достижению цели.
Трехмерная оценка - ВРЕМЯ - СТОИМОСТЬ - ЭФФЕКТИВНОСТЬ есть предпочтение.
Термин "Выбор" означает методическую манипуляцию объектами и свойствами, позволяющую определить
полный диапазон характеристик системы.
Выбор может быть определен как замена одного набора оценок, полученных из отношения набора объектов и
свойств, на другой набор оценок, который должен быть оценен тем же способом.
В основе концепции лежат следующие системно - структурные взгляды системного подхода:
Наука, изучая сущность объектов и систем с помощью категорий и понятий, дает возможность обобщить
накопленные знания и объяснить исследуемые процессы и явления, причем переход от описания этих процессов
и явлений к их объяснению совпадает с познанием их структур. Поэтому введение обобщающих понятий,
законов, теорий на основе использования системного, в частности системно-структурного, подхода наиболее
целесообразный путь к синтезу знаний.
Системно-структурный подход предполагает развитие диалектики внутреннего и внешнего, включая два
аспекта: взаимодействие инженерной системы со средой и иерархичностью систем, т.е. вовлеченность любой
системы как подсистемы в некоторую более сложную систему. При этом решающую роль в системно-структурном
подходе играет понятие структура. Система и структура соотносительны и выступают как единство
противоположностей, а сам системно-структурный подход в общем, виде означает рассмотрение познавательных
объектов в качестве систем элементов под углом зрения их структур.
Актуальность исследования структуры системы производства продукции на мелиорированных землях (или
вообще любой системы или подсистемы) определяется тем, что в ней просматривается некоторая аналогия
между важностью рассмотрения понятия "закон" и его роли в отображении некоего явления, поскольку закон
выражает существенное в явлении, а структура - существенное в системе. Структура - это такая организация
объектов, которая характеризует их сущность с внутренними зависимостями.
Вместе с тем процесс системно-структурной интеграции, синтеза научных знаний также имеет ряд
противоречий. Одно из них - многообразие методологических аспектов синтеза наук. Синтез межнаучных и
внутринаучных исследований возможен лишь в результате раскрытия внутреннего единства всех модификаций
исследований. В области технических, экономических и других наук таким звеном является кибернетическая
структура процесса. Сочетание кибернетического принципа и категорийно-понятийного подхода, позволит
описать и объяснить процесс мелиоративной деятельности и дает возможность сделать еще один шаг на пути
интеграции знаний в мелиоративной деятельности.
10
В основе концепции лежат следующие содержательные положения
За последние 20 лет (в целом в науке и в том числе сельскохозяйственной и мелиоративной) произошли
существенные продвижения в понимании современного взаимодействия человека с техно - природными
системами и их взаимного влияния. Нам представляется, что современные взгляды позволяют рассматривать
мелиоративную деятельность как создание деятельно -техно -природных (ДТП) систем.
Системы производства продукции на мелиорированных землях являются разновидностью подобных
систем. Исследованиями за указанный период показано, что компоненты, входящие как в ДТП систему, так и в
систему производства продукции на мелиорированных землях (СППнаМЗ) имеют одинаковый компонентный
состав, т.е. они включают персонал, техника, ресурсы, среда, информация, модель, время, управление, продукт.
Среда понимается в широком смысле. Поэтому мы считаем, что в основании концепции А Г Р О Л А Н Д Ш А Ф Т
должна лежать структура ДТП систем. В настоящее время нет единой концептуальной основы, позволяющей
согласовать программы, разрабатываемые по защите окружающей среды, программ развития
агропромышленного и промышленного секторов экономики и программ социального развития общества.
Поэтому считаем целесообразным, рассмотреть вопросы взаимосвязи экономики, экологии, мелиорации и
информации на примере деятельностей. Концепцию развития мелиорации рассматривать как составную часть
социально-экономического развития общества на этапе перехода к рыночным отношениям.
Мелиоративную деятельность необходимо контролировать, отслеживая изменения деятельно-природных и
мелиоративных ситуаций, что даст возможность оперативного вмешательства для устранения отрицательных
воздействий мелиоративной деятельности на мелиорированные земли и экологическую ситуацию.
Деятельно -техно -природная система (ДТПС) -это конгломерат, сочетающий в себе природную и ее
деятельностную части, которые живут и развиваются по различным законам, и поэтому требуют специальных
средств и методов для изучения. Функционирование инженерной составляющей любой ДТП системы может
существенно влиять на значительную часть природного компонента и трансформировать его.
Разработка эффективных мероприятий по управлению состоянием мелиорируемых земель, прилегающих
территорий и водных объектов должна базироваться на единой информационной системе сбора, отработки и
хранения данных наблюдений за процессами, протекающими под влиянием водных мелиораций и включить
прогнозы возможных изменений при осуществлении проектов водохозяйственной деятельности. Выполнены
анализ, показывает, что и деятельностный компонент, так же требует разработки своего мониторинга связанного
с экономико-социально-иннавационной деятельностью.
Инструмент для взаимопонимания
Учитывая, что каждая клеточка категорийно-понятийной матрицы является неким элементарным
процессом. Например: 1.1 - влияние человека на получение компонента измененной природной среды и т.д. При
этом каждую компоненту можно рассматривать с двух позиций: с физической (материальной) и абстрактной,
например, человек с его физическими характеристиками или его формализованное представление. Таким
образом, мы имеем два категорийно-понятийных дерева: дерево действия и дерево продукта, которые могут
иметь понятия следующих уровней, например: среда: политическая, социальная, экономическая, техническая,
природная, а например, природная среда: климатические, гидрологические, почвенные, гидрогеологические,
инженерно - геологические, биологические условия. В свою очередь, например, климатические условия,
описываются: радиацией, осадками и т.д.
Аналогично можно расписать любое из понятий, приведенных в категорийно-понятийной матрице, т.е. построить
(для данной предметной области) категоpийно-понятийное деpево. Постpоив таким обpазом два деpева:
ДЕЙСТВИЕ и ПРОДУКТ, можно переходить к рассмотрению множества пар вершин обоих деревьев. Такое
множество называется категорийно-понятийным пространством и, по нашему мнению, является удобным
представлением для построения карты знаний о процессах и технологиях их реализующих. В данном случае
знания в той или иной форме отражающие влияние определенного действия на некоторый продукт помещаются в
соответствующую точку категоpийно-понятийного пространства, что и составляет базу знаний о данной
предметной области.
Требования к описанию любой технологи с системных позиций.
Описание технологии о развитии ДТП систем в свете системных принципов представляется нам состоящей
из следующих разделов: персонал, техника, ресурсы, среда, управление, информация, модель, время, продукт.
1. Персонал. (Должны быть сформулированы требования к профессиональной подготовки персонала
использующего данную технологию).
11
2 Техника. (Должен быть определен ее состав для реализации этой технологии).
3. Ресурсы. (Должны быть определены требуемые ресурсы для реализации технологии).
4. Среда. (Определяется круг сред внутренних и внешних, с которой взаимодействует технология.)
5. Управление. (Определяется типы и виды управления технологией.)
6. Информация. (Определяется перечень и состав информации, и откуда, и как получается.)
7. Модель. ( Дается перечень моделей, по которым выполняются расчеты.)
8. Время. (Определяется временной режим функционирования технологии.)
9. Продукт. (Определяется перечень и состав документов получаемых результатов при
функционировании технологии.)
Категорийно-понятийная структура процесса производства
сельскохозяйственной продукции
Результат-продукт
вещественно-энергетический
водный
режим
экономический
солевой
режим
тепловой
режим
пищевой
режим
сельскохозяйственные
культуры
pcэультат
охраны
окружающей
среды
стоимость
каче- произство водительность
1
2
3
4
5
6
7
8
Действие
Среда:
-политическая
1
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
-социальная
2
2.1
.2.
2.3
2.4
2.5
2.6
2.7
2.8
-техническая
3
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
-экономическая
4
4.1
.42
4.3
4.4
4.5
4.6
4.7
4.8
-природная:
5
5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
--гидрогеологическая
6
6.1
6.2
6.3
6.4
6.5
6.6
6.7
6.8
--почвенная
7
7.1
7.2
7.3
7.4
7.5
7.6
7.7
7.8
--геоморфологическая
8
8.1
8.2
8.3
8.4
8.5
8.6
8.7
8.8
--инженерногеологическая
9
9.1
9.2
9.3
9.4
9.5
9.6
9.7
9.8
--биологическая
10
10.1
10.2
10.3
10.4
10.5
10.6
10.7 10.8
Человек
11
11.1
11.2
11.3
11.4
11.5
11.6
11.7 11.8
Материал
12
12.1
12.2
12.3
12.4
12.5
12.6
12.7 12.8
Информация
13
13.1
13.2
13.3
13.4
13.5
13.6
13.7 13.8
Модель
14
14.1
14.2
14.3
14.4
14.5
14.6
14.7 14.8
Время
15
15.1
15.2
15.3
15.4
15.5
15.6
15.7 15.8
Управление
16
16.1
16.2
16.3
16.4
16.5
16.6
16.7 16.8
Инженерн. система:
-гидромелиоративная
--оросительная
17
17.1
17.2
17.3
17.4
17.5
17.6
17.7 17.8
--климатическая
12
--осушительная
18
18.1
18.2
18.3
18.4
18.5
18.6
18.7 18.8
-сельскохозяйственного 19
производства
19.1
19.2
19.3
19.4
19.5
19.6
19.7 19.8
Категориально-понятийная матрица процессов
Результат - продукт
вещественно-энергетический
мелиоративная обстановка режим
ДЕЙСТВИЕ
экономический
сельскохозяйственные
культу(СХК)
результат
охраны окружающей
среды
(РООКС)
стоимость,
качества,
производительность
водный солевой тепловой пищевой
1
Среда:
-политическая
-социальная
-техническая
-экономическая
1
2
3
4
5
6
7
Влияние политической, социальной, технической и экономической
сред на процесс мелиорации
-природная:
2
--климатическая
--гидрологическая
--почвенная
--геоморфологич.
-гидрогеологическая
--инженерногеологическая
--биологическая
Процесс переноса вещества и Процесс
энергии в природной среде (на взаимополе)
действия СХК
и природной
среды
Процесс
взаимодайствия
поля с
Человек
3
Роль человека в регулировании вещественноэнергетических и биологических процессов
Материал
4
Влияние ресурсов на вещественно-энергетиче- Влияский режим и на СХК
ние ресурсов
на
РООКС
Роль ресурсов в экономике
Информация
5
Информация о вещественно-энергетических и
биологических процессах
Процесс информации
об экономических процессах
окружающей
средой
Процесс оптимизации
природноэкономиче-ских
процессов
Роль че- Роль челоловека
века в эков РООКС номических
процессах
Процесс
информации о
РООКС
13
Модель
6
Процесс составления моделей среды, человека, материа- Процесс
ла, информации, времени, управления, мелиоративной
экономикосистемы, продукта
математического
моделирования
Время
7
Неустановившийся процесс
переноса
вещества и энергии
Процесс
Процесс
роста в
эволюции
развитии СХК РООКС
1234
5
Процесс
эволюции
экономических процессов
6
7
Управление
8
Процесс управления вещественноэнергетическими процессами и системами
Процесс Процесс
Процесс упуправле- управлеравления
ния рос- ния РООКС экономикой
том и
развитием СХК
Инженерная
9
Процесс переноса вещества, энергии в системах, осуществляющих перенос
Процесс
влияния
оросительной
систеСХК
Процесс
влияния
оросительной
системы на
РООКС
Процесс
влияния
осушительной
системы на
СХК
Процесс
влияния
осушительной
системы на
РООКС
Процесс
влияния
СХП на
СХК
Процесс
влияния
системы СХП
на РООКС
система:
-гидромели
оративная:
--оросительная:
---водозаборная
---проводящая
10
---регулирующая
11 Процесс распределения воинства и
энергии по полю
--осушительная:
---регулирующая
12 Процесс сбора вещества и энергии
на поле
---проводящая
13 Процесс движения вещества и энергии от поля к водоприемнику
---водосборная
14
-сельскохозяйственного
производства
15 Процесс взаимодействия системы
СХП с водным, солевым, тепловым и
пищевым режимами
1234
5
6
Процесс оптимизации
параметров
инженерных систем
7
14
Управление
8
Процесс управления вещественноэнергетическими процессами и
системами
Процесс
управления ростом и
развитием СХК
Процесс
управления
РООКС
Процесс управления
экономикой
Инженерная
9
Процесс переноса вещества, энергии в системах, осуществляющих
Процесс
влияния
оросительной
систеСХК
Процесс
влияния
оросительной
системы на
РООКС
Процесс оптимизации
параметров
инженерных систем
Процесс
влияния
осушительной
системы на
СХК
Процесс
влияния
осушительной
системы на
РООКС
Процесс
влияния
СХП на
СХК
Процесс
влияния
системы СХП
на РООКС
система:
-гидромели
перенос
оративная:
--оросительная:
---водозаборная
---проводящая
10
---регулирующая
11
Процесс распределения воинства и
энергии по полю
--осушительная:
---регулирующая
12
Процесс сбора вещества и энергии
на поле
---проводящая
13
Процесс движения вещества и энергии от поля к водоприемнику
---водосборная
14
-сельскохозяйственного
производства
15
Процесс взаимодействия системы
СХП с водным, солевым, тепловым и
пищевым режимами
Структура сельскохозяйственных мелиораций
ВИД
Метод
Мероприятия
Гидротехнические мелиорации
Оросительные
Подача воды извне
Строительство оросительной сети с забором воды из
естественных водоемов и водотоков
Строительство оросительной сети с использованием
искусственных водоемов и водотоков
Строительство оросительной сети с использованием
повторных вод на орошение
Строительство оросительной сети с использованием
сточных
вод части стока из других источников
Переброска
15
Повышение уровня
подземных вод
Создание подпора в увлажнительной сети
Перехват
поступления
поверхностных и
подземных вод
Устройство ограждающей сети (НЛК)
Строительство дамб
Устройство береговых дрен
Перехват притоков рек каналами
Осушительные
Понижение уровня
подземных и
ускорение стока
поверхностных вод
Строительство осушительной сети Регулирование рекводоприемников
Водозаборные
Ограждение от
притока
поверхностных вод,
регулирование
русловых процессов
Организация
поверхностного стока
Строительство противоселевых сооружений
(селезадерживающих, селеотводящих,
селенаправляющих, кольматаж низменности)
Устройство перепадов, быстротоков, труб для пропуска
поверхностного стока в гидрографическую сеть
Устройство ярусных лиманов и водоемов-копаней на
склонах
Террасирование
Закрепление грунтов
Строительство противооползневых сооружений
Ускорение или
задержание
паводковых вод
Регулирование рек-водоприемников
Сооружение водохранилищ, дамб, переброска части стока
в другие речные бассейны
Обводнительные
Перераспределение
стока
Строительство систем для обводнения пастбищ
Строительство систем сельскохозяйственного
водоснабжения
Aгромелиоративные мелиорации
Агрохимические
Повышение
содержания гумуса
Внесение органических удобрений
Регулирование рН
почвы
Известкование
Гипсование
Регулирование
солевого состава
Внесение кальция
Внесение химсодержащих мелиорантов
Внесение минеральных удобрений
Внесение микроэлементов
Регулирование
Внесение пестицидов
бактериального состава
Оструктуривание почв
Внесение химических структурообразователей
16
Агротехнические
Аккумуляция
поверхностного стока
Бороздование
Планировка
Рыхление
Лункование
Пахота поперек склона
Окультуривание
почвенного слоя
Первичная вспашка
Планировка
Фрезерование
Дискование
Оструктурирование
почв
Глубокая вспашка с глинованием
Глубокая вспашка пескованием
Глубокое рыхление с известкованием
Регулирование условий Мульчирование
поглощения и
Запыление снега
отражения солнечной
радиации
Культуртехнические
Окультуривание земель Сведение лесокустарниковой растительности, удаление
пней и погребенной древесины, капитальная
планировка, уборка камней, уничтожение кочек и
мохового очеса
Уничтожение валов
Рекультивация выработок
Объединение сельскохозяйственных угодий
Террасирование
Биомелиорации
Фитомелиоративные
Замедление
поверхностного стока
Посев трав
Закрепление почв
Введение в севообороты многолетних трав
Посадка приовражных, прибалочных
лесокустарниковых насаждении, посев трав
Изменение факторов
микроклимата
Создание древесно-кустарниковых полос, кулисные
посевы
Регулирование влажности Биологический дренаж
почв
Зоомелиоративные
Обогащение почвенной
фауны
Внесение бактериальных препаратов
Оструктурирование
Внесение компостов с насекомыми
Внесение дождевых червей
Аэрохимические
Регулирование
атмосферных осадков
Внесение в воздух химических веществ для об
Рассеивание дождевых облаков
Рассеивание градовых облаков
Специальные
гидрологические
Регулирование
испаряемости
Создание мономолекулярных пленок на водоемах
КЛИМАТИЧЕСКИЕ
17
18
19
20
TABG_B01
ГРУНТЫ БИОГЕННЫЕ ( ПОДГРУППА )
╔══════════════════════════════════════════════════════════════════════════════════════════════╗
║Класс
По преобладающему
То же, что в крупнообломочных, песчаных,глинистых ║
║
типу структурных
║
║
связей
║
╠═══════════╦═════════════════════╦════════════════════════════════════════════════════════════╝
║Группа
║По генезису
║
То же - " ║
║
║
║Подгруппа ║По содержанию рас║
Биогенные
║
║тительных остатков,% ║
║
║
║
> 10
╠═══════════╬═════════════════════╬════════════════════════╦═════════════════════════╦═════════════════════╗
║Тип
║По составу и харак- ║
Сапропели
║Заторфованные грунты
║Торф
║
║
║теру растительных
║
║
║
║
║
║остатков
║
║
║
║
╠═══════════╬═════════════════════╬═════════╦═══════╦══════╬═════════════════════════╬═════════════════════╣
║Вид
║По относительному
║минераль-║средне-║слабо-║
║
║
║
║содержанию органичес-║ные
║минер. ║минер.║
║
║
║
║кого вещества
╠═════════╬═══════╬══════╣
║
║
║
║
║0.1-0.3 ║0.3-0.5║ > 0.5║
║
║
║
║
╠═════════╩═══════╩══════╬════════╦═══════╦════════╣
║
║
║
║
║слабоза-║средне-║сильно- ║
║
║
║
║
║заторфов║заторф ║заторф ║
║
║
║
║
╠════════╬═══════╬════════╣
║
║
║
║
║0.1-0.25║0.25-04║ 0.4-0.5║
║
║
╠═════════════════════╬════════════════════════╩════════╩═══════╩════════╬══════╦═══════╦══════╣
║
║По степени разложения║
║слабо-║средне-║сильно║
║
║органического вещест-║
║раз- ║раз║раз- ║
║
║ва
║
║ложив.║ложив. ║ложив.║
║
║
║
╠══════╬═══════╬══════╣
║
║
║
║1-20 ║20-45 ║>45
║
╠═══════════╬═════════════════════╬════════════════════════╦════════╦═══════╦════════╬══════╩═══════╩══════╝
║Разновид- ║По степени влажности ║
║маловла-║влажные║насыщ. ║
║ность
║
║
║жные
║
║водой
║
║
║
║
╠════════╬═══════╬════════╣
║
║
║
║0-0.5
║0.5-0.8║0.8-1
║
║
╠═════════════════════╬════════════════════════╬═════╦══╩═══╦═══╩═╦══════╣
║
║По степени набухания ║
║нена-║слабо-║сред-║силь- ║
21
║
║(относ.своб.набух.бн)║
║бух. ║набух ║ненаб║нонаб.║
║
║
║
╠═════╬══════╬═════╬══════╣
║
║
║
║<0.04║0.04- ║0.08-║>0.12 ║
║
║
║
║
║0.08 ║0.12 ║
║
║
╠═════════════════════╬════════════════════════╩═════╩══════╩═════╩══════╬══════════╦═════════╗
║
║По степени зольности,║
║нормальные║высоко
║
║
║
║
║зольные
║зольные ║
║
║
║
╠══════════╬═════════╣
║
║
║
║ < 20
║ > 20
║
╚═══════════╩═════════════════════╩══════════════════════════════════════════════════╩══════════╩═════════╝
TABG_O01
ГРУНТЫ КРУПНООБЛОМОЧНЫЕ ( подгруппа )
╔═══════════╦════════════════════╦══════════════════════════════════════════════════════════════════════════╗
║Класс
║По преобладающему
║
нескальные
║
║
║типу структурных
║ без жестких (молекулярных,ионно-электростатические,капиллярные,магнитные)║
╠═══════════╬════════════════════╬══════════════════════════════════════╦═══════════════════════════════════╝
║Группа
║По генезису
║
осадочные несцементированные ║
║
║
╠═══╦══╦══╦═══╦═══╦══╦══╦══╦══╦══╦═════╣
║
║
║ e ║d ║pr║ a ║fg ║g ║ed║ m║ l║ h║ hl ║
╠═══════════╬════════════════════╬═══╩══╩══╩═══╩═══╩══╩══╩══╩══╩══╩═════╩════╗
║Подгруппа ║По грансоставу:
║
крупнообломочные ( e,p,d,a,fg,l,ed) ║
║
║содержание частиц
║
> 50
║
║
║d>2мм,%
║
║
╠═══════════╬════════════════════╬════════════╦══════════════╦═══════════════╣
║Тип
║По гранулометричес- ║ валунный
║
галечный ║
гравийный
║
║
║кому составу: по
╠════════════╬══════════════╬═══════════════╣
║
║диаметру неокатан- ║ > 200
║
> 10
║
> 2
║
║
║ных частиц,мм,масса ║
║
║
║
║
║которых > 50%
║
║
║
║
╠═══════════╬════════════════════╬════════════╩══════════════╩═════════╦═════╩═══════════════════════════════╗
║Вид
║По составу заполни- ║ содержание песчаного заполнителя>40%║содержание глинистого заполнителя>30%║
║
║теля и его % содер- ╠═════════════════════════════════════╬═════════════════════════════════════╣
║
║жанию
║ с песчаным заполнителем
║ с глинистым заполнителем
║
╠═══════════╬════════════════════╬══════════════════╦══════════════════╬═════════════════════════════════════╣
║Разновид- ║По степени влажности║ маловлажные
║
влажные
║
насыщенные водой
║
║ность
║,С
╠══════════════════╬══════════════════╬═════════════════════════════════════╣
║
║
║ 0-0.5
║
0.5-0.8
║
0.8-1.0
║
║
║
║
║
║
║
22
╚═══════════╩════════════════════╩══════════════════╩══════════════════╩═════════════════════════════════════╝
TABG_P01
ГРУНТЫ ПЕСЧАНЫЕ ( ПОДГРУППА )
╔════════╦═════════════════╦═════════════════════════════════════════════════════════════════════════════════╗
║Класс
║По преобладающему║
НЕСКАЛЬНЫЕ ( рыхлые )
║
║
║типу структурных ║Без честких связей ( молекулярные,ионно-электростатические,капиллярные,магнитные)║
║
║связей
║
║
╠════════╬═════════════════╬═══════════════════════════════════════════════╦═════════════════════════════════╝
║Группа ║По генезису
║
Осадочные несцементированные
║
║
║
╠══╦═══╦════╦═══╦════╦═══╦════╦═══╦═══╦═══╦═════╣
║
║
║ e║ d ║ pr ║ a ║ fg ║ g ║ ed ║ m ║ l ║ h ║ h-l ║
╠════════╬═════════════════╬══╩═══╩════╩═══╩════╩═══╩════╩═══╩═══╩═══╩═════╣
║Подгруп-║По грансоставу по║
песчаные (e,pr,d,a,fg,l,m,ed)
║
║
║содержанию частиц╠═══════════════════════════════════════════════╣
║
║d>2мм %
║
< 50
║
╠════════╬═════════════════╬═══════════╦═══════╦════════╦═══════╦══════════╣
║Тип
║По грансоставу: ║гравелистый║крупный║ средний║ мелкий║ пылеватый║
║
║содержание частиц╠═══════════╬═══════╬════════╬═══════╬══════════╣
║
║% диаметр частиц,║ > 25
║ > 50 ║
> 50 ║ > 75 ║
< 75
║
║
║мм
║ ---║ ---- ║
---- ║ ---- ║
---║
║
║
║ > 2
║ > 0.5║
>0.25║ > 0.1║
> 0.1 ║
╠════════╬═════════════════╬═══════╦═══╩═════╦═╩════╦═══╩═══╦═══╩═════╦════╩═╦═══════╦═════════╦══════╗
║Вид
║По плотности сло-║плотный║ср. плот-║рыхлый║плотный║ср. плот-║рыхлый║плотный║ср. плот-║рыхлый║
║
║жения,коэффициент║
║ности
║
║
║ности
║
║
║ности
║
║
║
║пористости, e
╠═══════╬═════════╬══════╬═══════╬═════════╬══════╬═══════╬═════════╬══════╣
║
║
║< 0.55 ║0.55-0.7 ║> 0.7 ║ < 0.6 ║ 0.6-0.75║ >0.75║< 0.6 ║0.6-0.8 ║> 0.8 ║
╠════════╬═════════════════╬═══════╩═════╦═══╩══════╩══╦════╩═════════╩════╦═╩═══════╩═════════╩══════╝
║Разно- ║По степени влаж- ║маловлажные ║влажные
║ насыщенные водой ║
║видность║ности,С
╠═════════════╬═════════════╬═══════════════════╣
║
║
║0-0.5
║0.5-0.8
║ 0.8-1.0
║
╚════════╩═════════════════╩═════════════╩═════════════╩═══════════════════╝
TABG_S01
23
ГРУНТЫ ( скальные и полускальные )
╔════════╦═════════════════╦═══════════════════════════════════════════════════════════════════════════╗
║Класс
║по преобладающему║
скальные полускальные
║
║
║типу структурных ║
║
║
║связей
║необратимые связи химической природы ( жесткие кристаллизационные )
║
╠════════╬═════════════════╬═══════════════╦═══════════════════════════════╦═══════════════════════════╣
║Группа ║по генезису
║магматические ║
метаморфические
║
осадочные сцементиров.║
╠════════╬═════════════════╬═════════╦═════╩══╦══════════╦═════════╦═══════╩╦══════════╦═════════╦═════╩════╗
║Подгруп-║по геолого-гене- ║интрузив-║эффузив-║региональ-║контакто-║динамо- ║обломочные║биогенные║химические║
║пы
║тическим призна- ║ные
║ные
║но-мета- ║во-мета- ║метамор-║
║
║
║
║
║кам и химико-ми- ║
║
║морфич.
║морфичес.║фические║
║
║
║
║
║нералог. составу ║
║
║
║
║
║
║
║
║
╠════════╬═════════════════╬═════════╩══════╦═╩══════════╬═════════╩═════╦══╩══════════╩══╦══════╩══════════╝
║Виды
║по степени вывет-║сильновыветрелые║ выветрелые ║слабовыветрелые║ невыветрелые
║
║
║релости (коэфф. ╠════════════════╬════════════╬═══════════════╬════════════════╣
║
║выветривания Квс)║
< 0.8
║ 0.8-0.9
║
0.9-1.0
║
1.0
║
║
╠═════════════════╬═════════════╦══╩════╦═══════╩═╦═════════╦═══╩════╦═══════════╣
║
║по временному со-║очень прочные║средней║малопроч-║понижен- ║низкой ║весьма
║
║
║противлению одно-║ные
║проч- ║ные
║ной проч-║прочнос-║низкой
║
║
║осному сжатию в ║проч║ности ║
║ности
║ти
║прочности ║
║
║водонасыщенном
║ные
║
║
║
║
║
║
║
║состоян.,кг/кв.см║
║
║
║
║
║
║
║
║
╠═════════════╬═══════╬═════════╬═════════╬════════╬═══════════╣
║
║
║>1200 1200- ║ 500- ║ 150║ 50║ 30║ < 10
║
║
║
║
500
║ 150
║ 50
║ 30
║ 10
║
║
║
╠═════════════════╬═════════════╬═══════╩═══════╦═╩═════════╩════╦═══╩═══════════╩══╗
║
║по степени трещи-║слаботрещино-║ среднетрещино-║ сильнотрещино- ║очень сильно тре- ║
║
║новатости (модулю║ватые
║ ватые
║ ватые
║трещиноватые
║
║
║трещиноватости), ║
║
║
║
║
║
║Мт
║ < 1.5
║
1.5-5.0
║
5.0-30.0
║
> 30.
║
╠════════╬═════════════════╬═════════════╩═╦═════════════╩════╦═══════════╩═════════╦════════╝
║Разно- ║по степени раз- ║неразмягчаемые ║среднеразмягчаемые║ сильноразмягчаемые ║
║видности║мягчаемости в во-╠═══════════════╬══════════════════╬═════════════════════╣
║
║де,Крз
║ > 0.9
║
0.9-0.75
║
< 0.75
║
║
╠═════════════════╬══════════════╦╩═════════════════╦╩═════════════════╦═══╩═════════════╗
║
║по степени раст- ║нерастворимые ║труднорастворимые ║среднерастворимые ║сильнорастворимые║
║
║воримости г/л
╠══════════════╬══════════════════╬══════════════════╬═════════════════╣
║
║
║<0.1
║
0.1-1.0
║
1.0-10.0
║
> 10.0
║
║
╠═════════════════╬════════════╦═╩══════════╦═══════╩══╦═══════════╦═══╩═══════════╦═════╝
║
║по степени водо- ║практически ║слабопрони- ║водопрони-║ сильново- ║очень сильно- ║
║
║проницаемости,Кф ║водонепрони-║цаемые
║цаемые
║ допроница-║водопроницае- ║
24
║
║м/сутки
║цаемые
║
║
║ емые
║мые
║
║
║
╠════════════╬════════════╬══════════╬═══════════╬═══════════════╣
║
║
║ < 0.01
║ 0.01-0.1
║ 0.1-1.0 ║ 1.0-10.0 ║ > 10.
║
╚════════╩═════════════════╩════════════╩════════════╩══════════╩═══════════╩═══════════════╝
TABGG001+
ГИДРОГЕОЛОГИЧЕСКИЕ ПОКАЗАТЕЛИ
╔═════════════════╦════════════════════════════════════╦══════════════════════════════╦═════════════════════╗
║Геоструктурная
║
Платформенная группа
║
Переходная группа
║
Орогенная группа ║
║единица
║
║
║
║
╠═════════════════╬════════════════╦════════╦══════════╬═══════════╦══════════════════╬═════════════════════╝
║Условия залегания║ весьма близкое ║близкое ║ среднее ║ глубокое ║весьма глубокое
║
║водоупора ( реги-╠════════════════╬════════╬══════════╬═══════════╬══════════════════╣
║онального ),м
║ <10
║ 10-50 ║ 50-100 ║ 100-300 ║ >300
║
╠═════════════════╬════════════╦═══╩════════╬══════════╩══╦════════╩╦════════════╦════╩═══════════╗
║Литологическое
║ однородное ║двухслойное ║ трехслойное ║четырех- ║многослойное║ очень слоистое ║
║строение
║
║
║
║слойное ║
║
║
╠═════════════════╬════════════╬════════════╬═════════════╬═════════╬════════════╬════════════════╣
║Количество слоев ║
1
║
2
║
3
║
4
║
5
║
>10
║
╠═════════════════╬════════════╩════════════╩═════════════╩═════════╬════════════╩═══════╦════════╩════╗
║Состав пород
║
Минеральные
║Органо-минеральные ║Органические ║
║
╠═════════╦═════════╦═════════════════════════════╬════════╦═══════════╬═════════════╣
║Содержание гли- ║ Крупно- ║Песчаные ║
Глинистые
║Органи- ║Заторфован-║Торф
║
║нистой фракции
║ обломоч-║
╠════════╦═════════╦══════════╣ческие ║ные грунты ║
║
║0.005 мм
║ ные
║
║ супесь ║суглинок ║глина
║
║
║
║
║
╠═════════╬═════════╬════════╬═════════╬══════════╣
║
║
║
║
║
║<3
║3-10
║10-30
║30-100
║
║
║
║
╠═════════════════╬═════════╩══════╦══╩════════╩═══╦═════╩══════════╬════════╩════╦══════╩═══════╦═════╩═════╗
║Коэффициент филь-║ весьма малопро-║ малопроницае- ║ среднепроницае-║ проницаемые ║хорошо прони- ║весьма про-║
║трации, м/сутки ║ ницаемые
║ мые
║ мые
║
║цаемые
║ницаемые
║
║
╠════════════════╬═══════════════╬════════════════╬═════════════╬══════════════╬═══════════╣
║
║ <0.001
║ 0.001-0.01
║ 0.01-0.1
║ 0.1-0.5
║0.5-1.0
║>1.0
║
╠═════════════════╬══════════════╦═╩═════════╦═════╩═════╦══════════╩═╦═══════════╩══╦═══════════╩════╦══════╝
║Водопроводимость ║ весьма малая ║ малая
║ средняя ║
хорошая ║ очень хорошая║ весьма очень
║
║кв.м/сутки
║
║
║
║
║
║ хорошая
║
║
╠══════════════╬═══════════╬═══════════╬════════════╬══════════════╬════════════════╣
║
║ <100
║ 100-200
║ 200-500 ║
500-1000║ 1000-2000
║ >2000
║
╠═════════════════╬══════════════╩═══╦═══════╩═══╦═══════╩════════╦═══╩══╦═══════════╩╦═══════════════╣
║Средняя мощность ║ весьма маломощный║ маломощный║средней мощности║мощный║очень мощный║весьма мощный ║
║слоя, м
╠══════════════════╬═══════════╬════════════════╬══════╬════════════╬═══════════════╣
║
║ <1
║ 1-10
║
10-25
║ 25-50║
50-100
║ >100
║
25
╠═════════════════╬══════════════════╩═══════════╬════════════════╩══════╩═══════════╦╩═══════════════╩═══╗
║Тип химического ║ Гидрокарбонатные ( С )
║
Сульфатные ( S )
║ Хлоридные ( Cl )
║
║состава грунтовых╠══════════════════════════════╬═══════════════════════════════════╬════════════════════╣
║вод
║ HCO > Ca +Mg
║
HCO < Ca + Mg < HCO + SO
║HCO +SO < Ca + Mg
║
║
║
3
║
3
3
4
║
3
4
║
╠═════════════════╬═══════════════════╦══════════╬═════════════════╦═════════════════╬════════════════════╣
║Тип засоления по-║ Содовый
║Хлоридный ║
Сульфатно║
Хлоридно║Сульфатный
║
║род
║
║
║
хлоридный
║
судьфатный
║
║
║
╠═══════════════════╬══════════╬═════════════════╬═════════════════╬════════════════════╣
║
║ HCO >1.2(Cl+SO )Cl║Cl>0.4
║
Cl=0.4-0.25 ║
Cl=0.25-0.12 ║ Cl<0.12
║
╠═════════════════╬═══════════════════╬══════════╬═════════════════╬═════════════════╬════════════════════╣
║Содержание солей ║ Незасоленные почвы║ Слабое
║
Среднее
║
Сильное
║ Солончаки
║
║для зоны аэрации ║
║
║
║
║
║
║твердой фазы,
║
║
║
║
║
║
║плотный остаток ║
║
║
║
║
║
║в %
║
║
║
║
║
║
║
╠═══════════════════╬══════════╬═════════════════╬═════════════════╬════════════════════╣
║Содовый
║ <10
║ 0.1-0.2 ║
0.2-0.3
║
0.3-0.5
║ >0.5
║
║
╠═══════════════════╬══════════╬═════════════════╬═════════════════╬════════════════════╣
║Хлоридный
║ <0.15
║ 0.15-0.3 ║
0.3-0.5
║
0.5-0.8
║ >0.8
║
║
╠═══════════════════╬══════════╬═════════════════╬═════════════════╬════════════════════╣
║Хлоридно-суль║
║
║
║
║
║
║фатный
║ <0.2
║ 0.2-0.4 ║
0.4-0.7
║
0.7-1.2
║ >1.2
║
║
╠═══════════════════╬══════════╬═════════════════╬═════════════════╬════════════════════╣
║Сульфатный
║ <0.3
║ 0.3-0.6 ║
0.6-1.0
║
1.0-2.0
║ >2.0
║
╠═════════════════╬═════════════╦═════╩═════════╦╩════════════════╦╩═════════════════╬════════════════════╣
║Коэффициент гид- ║Молекулярная ║ Дисперсия не- ║Дисперсия средняя║ Дисперсия сильная║ Дисперсия сильная ║
║родисперсии,
║дисперсия
║ значительная ║
║
║
║
║кв.м/сутки
╠═════════════╬═══════════════╬═════════════════╬══════════════════╬════════════════════╣
║
║<0.0001
║ 0.0001-0.001 ║ 0.001-0.01
║ 0.01-0.1
║ >0.1
║
╠═════════════════╬═════════════╬═══════════════╬═════════════════╬══════════════════╬════════════════════╣
║Интенсивность
║
Слабая
║ Малая
║
Средняя
║
Сильная
║
Очень сильная
║
║растворения или ╠═════════════╬═══════════════╬═════════════════╬══════════════════╬════════════════════╣
║сорбция 1/м
║ <0.0001
║ 0.0001-0.001 ║ 0.001-0.01
║ 0.01-0.1
║ >0.1
║
╠═════════════════╬═════════════╬═══════════════╬═════════════════╬════════════╦═════╩═══╦════════════════╣
║Интенсивность
║
Слабая
║ Малая
║
Средняя
║ Умеренная ║ Большая║Очень большая
║
║обмена, 1/м
╠═════════════╬═══════════════╬═════════════════╬════════════╬═════════╬════════════════╣
║
║ <0.001
║ 0.001-0.01
║ 0.01-0.1
║ 0.1-1.0
║ 1.0-10 ║
>10
║
╠═════════════════╬═════════════╩══════════╦════╩═════════════════╩═══╦════════╩═════════╩════════════════╣
║Скорость впитыва-║ Слабоводопроницаемые
║
Средневодопроницаемые ║ Сильноводопроницаемые
║
║ния м за первы
╠════════════════════════╬══════════════════════════╬═══════════════════════════════════╣
26
║час
║ <0.05
║
0.5-0.15
║
>0.15
║
╠═════════════════╬═══════╦═════╦═════╦════╩═╦═══════╦═══════╦═══════╦╩══════╦════════╦══════════╦════════╣
║Залегание грунто-║ весьма║очень║близ-║доста-║относи-║относи-║неглу- ║относи-║глубокое║очень глу-║весьма ║
║вых вод,м
║ близ- ║близ-║кое ║точно ║тельно ║тельно ║бокое ║тельно ║
║бокое
║глубокое║
║
║ кое
║кое ║
║близк.║близкое║ неглуб║
║глубок.║
║
║
║
║
╠═══════╬═════╬═════╬══════╬═══════╬═══════╬═══════╬═══════╬════════╬══════════╬════════╣
║
║ <1
║1-1.5║1.5-2║2.-2.5║ 2.5-3 ║ 3-5 ║ 5-8
║ 8-15 ║ 15-25 ║ 25-50
║ >50
║
╠═════════════════╬═══════╩═════╩═════╩══╦═══╩═══════╩═══════╩═════╦═╩═══════╩════════╩══════════╩════════╣
║Напор,м
║ Слабонапорные воды
║
Средненапорные воды
║
Сильнонапорные воды
║
║
╠══════════════════════╬═════════════════════════╬══════════════════════════════════════╣
║
║
<10
║
10 - 100
║
> 100
║
╠═════════════════╬══════════════╦═══════╩════╦══════════════╦═════╩════╦═══════════════╦═════════════════╣
║Гравитационная
║незначительная║ малая
║ ослабленная ║ средняя ║
большая
║ значительная
║
║водоотдача
╠══════════════╬════════════╬══════════════╬══════════╬═══════════════╬═════════════════╣
║
║<0.02
║ 0.02-0.05 ║ 0.05-0.1
║ 0.1-0.15 ║
0.15-0.25
║ > 0.25
║
╠═════════════════╬══════════════╬════════════╬══════════════╬══════════╬═══════════════╬═════════════════╣
║Упругая водотдача║незначительная║ малая
║ ослабленная ║ средняя ║
большая
║ значительная
║
║
╠══════════════╬════════════╬══════════════╬══════════╬═══════════════╬═════════════════╣
║
║
-6
║
-6
-5 ║
-5
-4
║
-4
-3║
-3
-2
║
-2
║
║
║<10
║ 10 -10
║ 10 -10
║ 10 -10 ║
10 -10
║ > 10
║
╠═════════════════╬══════════════╬════════════╬══════════════╬══════════╬═══════════════╬═════════════════╣
║Уровнепроводность║незначительная║ малая
║ ослабленная ║ средняя ║
большая
║ значительная
║
║кв.м/сут
╠══════════════╬════════════╬══════════════╬══════════╬═══════════════╬═════════════════╣
║
║ 10
║ 10-50
║ 50-100
║ 100-500 ║
500-1000
║ > 1000
║
╠═════════════════╬══════════════╬════════════╬══════════════╬══════════╩════╦══════════╩══╦══════════════╝
║Пьезопроводность ║незначительная║ ослабленная║
средняя
║ большая
║значительная ║
║кв.м/сут
╠══════════════╬════════════╬══════════════╬═══════════════╬═════════════╣
║
║<1000
║ 1000-10000 ║ 10000-100000 ║ 100000-1000000║ >1000000
║
╠═════════════════╬══════════════╩═══════╦════╩══════════════╩══╦════════════╩══╦══════════╩═══╗
║Количество водо- ║ однопластовая
║ двухпластовая
║многопластовая ║ беспластовая ║
║носных горизо
╠═══════════╦══════════╬═══════════╦══════════╬═══════════════╬══════════════╝
║
║однослойная║двуслойная║трехслойная║четырехсл.║многослойная
║
║
╠═══════════╬══════════╬═══════════╬══════════╬═══════════════╣
║
║
1
║
2
║
3
║
4
║
>4
║
╠═════════════════╬═══════════╩═════╦════╩═══════════╬══════════╩══════╦════════╩══════════════╗
║Граничные условия║
I рода
║
II рода
║
III рода
║
IV рода
║
╠═════════════════╬══════════════╦══╩════════════╦═══╩═════════════╦═══╩═══════════╦═══════════╣
║Тип режима грун- ║климатический ║гидрологический║ подземного стока║ ирригационный ║смешанный ║
║товых вод
║
║
║
║
║
║
╠═════════════════╬═══════════╦══╩═════════════╦═╩══════════╦══════╩═════╦═════════╩══╦════════╩═════════╗
║Инфильтрационное ║практически║ незначительное ║ослабленное ║значительное║ интенсивное║весьма интенсивное║
27
║питание грунто- ║отсутствует║
║
║
║
║
║
║вых вод в естес- ╠═══════════╬════════════════╬════════════╬════════════╬════════════╬══════════════════╣
║твенных условиях ║ < 100
║ 100 - 250
║ 250 - 500 ║ 500 - 1000 ║1000-2000
║ > 2000
║
║куб.м/год/га
║
║
║
║
║
║
║
╠═════════════════╬═══════════╬════════════════╬════════════╬════════════╬════════════╬══════════════════╣
║Напорное питание ║практически║ незначительное ║ослабленное ║значительное║ интенсивное║весьма интенсивное║
║грунтовых вод,
║отсутствует║
║
║
║
║
║
║куб.м/год/га
╠═══════════╬════════════════╬════════════╬════════════╬════════════╬══════════════════╣
║
║ < 100
║ 100 - 250
║ 250 - 500 ║ 500 - 1000 ║1000-2000
║ > 2000
║
╠═════════════════╬═══════╦═══╩═════╦═══════╦══╩═══════╦════╩══╦═════════╩╦═════════╦═╩═══════╦══════════╝
║Минерализация
║ультра-║ пресные ║слабо- ║ средне- ║солоно-║ сильно- ║соленые ║рассолы ║
║водоносного
║пресные║
║солоно-║ солоно- ║ватые ║ солоно- ║
║
║
║горизонта,г/л
║
║
║ватые ║ ватые
║
║ ватые
║
║
║
║
╠═══════╬═════════╬═══════╬══════════╬═══════╬══════════╬═════════╬═════════╣
║
║<0.5
║ 0.5-1
║1.0-3.0║ 3-5
║5-10
║ 10-25
║25-50
║>50
║
╚═════════════════╩═══════╩═════════╩═══════╩══════════╩═══════╩══════════╩═════════╩═════════╝
TABGIG01+
ГЕОЛОГИЧЕСКИЕ И ИНЖЕНЕРНО-ГЕОЛОГИЧЕСКИЕ ПОКАЗАТЕЛИ
╔══════════════╦════════════╦═══════╦═════╦════╦═══════╦═══════╦═════╦═════╦═══════╦═════╦══════╦═════╦═════╗
║Землетрясение ║Сила земле- ║микро- ║очень║сла-║умерен-║чувст- ║силь-║очень║разру- ║опус-║унич- ║ката-║нео- ║
║
║трясения по ║сейс- ║сла- ║бое ║ное
║витель-║ное ║силь-║шитель-║тоши-║тожаю-║стро-║бык- ║
║
║сейсмичес- ║мичес- ║бое ║
║
║ное
║
║ное ║ное
║тель-║щее
║фи- ║но- ║
║
║кой шкале, ║кие
║
║
║
║
║
║
║
║ное ║
║чес- ║вен- ║
║
║балл
║коле- ║
║
║
║
║
║
║
║
║
║кое ║но
║
║
║
║бания ║
║
║
║
║
║
║
║
║
║
║ката-║
║
║
║
║
║
║
║
║
║
║
║
║
║
║строф║
║
║
╠═══════╬═════╬════╬═══════╬═══════╬═════╬═════╬═══════╬═════╬══════╬═════╬═════╣
║
║
║ 1
║ 2 ║ 3 ║ 4
║ 5
║ 6 ║ 7 ║ 8
║ 9 ║ 10
║ 11 ║ 12 ║
║
╠════════════╬═══════╬═════╬════╬═══════╬═══════╬═════╬═════╬═══════╬═════╬══════╬═════╬═════╣
║
║По величине ║
║
║
║100
║100║250- ║500- ║1000- ║2000-║>4000 ║
║
║
║
║сейсмическо-║
║
║
║
║250
║500 ║1000 ║2000
║4000 ║
║
║
║
║
║го ускорения║
║
║
║
║
║
║
║
║
║
║
║
║
║
║мм/кв.сек
║
║
║
║
║
║
║
║
║
║
║
║
║
╠══════════════╬════════════╬═══════╩═════╩════╩═╦═════╩═══════╩═════╩═╦═══╩═══════╩═════╬══════╩═════╩═════╩╗
║Осыпи
║Тип по сос- ║
А
║
Б
║
В
║
Г
║
║
║таву матери-╠════════════════════╬═════════════════════╬═════════════════╬═══════════════════╣
║
║ала, размеру║Массивные,кристалли-║Изверженные и прочные║Сильно выветрилые║Сланцы и осадочные ║
║
║в мм и форме║ческие породы,крупно║осадочные породы
║прочные породы, ║породы,разнообло- ║
28
║
║обломков
║обломочные (>100)
║(среднеобломочные(200║мелкообломочные и║мочные из пластин- ║
║
║
║глыбовые
║ -100),щебеночные,уг-║дресвяные (2-20) ║чатых обломков с
║
║
║
║
║ ловатые)
║из угловатых об- ║гладкой поверхнос- ║
║
║
║
║
║ломков
║тью
║
║
╠════════════╬════════════════════╬═════════════════════╬═════════════════╬═══════════════════╣
║
║Тип по сте- ║
I
║
II
║
III
║
IV
║
║
║пени подвиж-╠════════════════════╬═════════════════════╬═════════════════╬═══════════════════╣
║
║ности, коэф.║Подвижные "живые"
║Достаточно подвижные,║Слабоподвижные, ║Относительно непод-║
║
║подвижности ║
║признаков затухания ║затухающие и име-║вижные,уклонившиеся║
║
║К
║
║нет
║ющие слабое пита-║поступление новых ║
║
║
║
║
║ние
║материалов нет
║
║
║
╠════════════════════╬═════════════════════╬═════════════════╬═══════════════════╣
║
║
║
1.0
║
0.7-1.0
║
0.5-0.7
║
<0.5
║
╠══════════════╬════════════╬════════════════════╬═════════════════════╩═════════════════╩═══════════════════╣
║Оползни
║Коэффициент ║Склон (устойчивый) ║ Склон неустойчивый ( оползнеопасный)
║
║
║устойчивости╠════════════════════╬═══════════════════════════════════════════════════════════╣
║
║К
║
> 1
║
< 1
║
╠══════════════╬════════════╩════════╦══════════╦╩═══════╦═══════════╦════════════╦════════════╦═════════════╣
║Карст
║Степень устойчивости ║
I
║ II
║
III
║
IV
║
V
║
VI
║
║
║(категории) по интен-╠══════════╬════════╬═══════════╬════════════╬════════════╬═════════════╣
║
║сивности проявления ║очень не- ║неустой-║недостаточ-║несколько
║относительно║устойчивое
║
║
║карстовых провалов
║устойчивое║чивое
║но устойчи-║пониженная ║устойчивое ║
║
║
║(среднегодовое число ║
║
║вое
║устойчивость║
║
║
║
║провалов на площади ╠══════════╬════════╬═══════════╬════════════╬════════════╬═════════════╣
║
║1 кв. км)
║
1.0
║ 0.1-1.0║ 0.05-0.1 ║ 0.01-0.05 ║ 0.01
║образование ║
║
║
║
║
║
║
║
║провалов ис- ║
║
║
║
║
║
║
║
║ключается
║
╠══════════════╬═════════════════════╬══════════╩══╦═════╩══════════╦╩════════════╩═══╦════════╩═════════════╣
║Просадочность ║Степень просадочности║непросадочные║слабопросадочные║среднепросадочные║сильнопросадочные
║
║
║(величина относитель-╠═════════════╬════════════════╬═════════════════╬══════════════════════╣
║
║ной просадочности,b) ║ < 0.01
║ 0.01-0.015
║ 0.015-0.03
║ > 0.03
║
║
╠═════════════════════╬═════════════╩═╦══════════════╩╦════════════════╩══════════════════════╝
║
║Тип грунтовых условий║
I тип
║
II тип
║
║
║по просадочности
╠═══════════════╬═══════════════╣
║
║(суммарная просадка ║
< 5
║
> 5
║
║
║толщи, см )
║
║
║
╠══════════════╬═════════════════════╬════════════╦══╩════════════╦══╩═════════════╦══════════════════╗
║Набухание
║Степень набухания(ве-║ненабухающие║слабонабухающие║средненабухающие║сильнонабухающие ║
║
║личина относительного╠════════════╬═══════════════╬════════════════╬══════════════════╣
║
║свободного набухания)║ < 0.04
║ 0.04-0.08
║ 0.08-0.12
║ > 0.12
║
╚══════════════╩═════════════════════╩════════════╩═══════════════╩════════════════╩══════════════════╝
29
TABGLB01
ГИДРОЛОГИЧЕСКИЕ ПОКАЗАТЕЛИ ( БОЛОТ )
╔═══════════════╦════════════╦═══════════╦═══════════╦═════════╦════════════╦════════════════════════╗
║Тип водного
║Атмосферный ║ Грунтовый ║ Грунтово- ║Склоновый║ Русловый ║Смешанный
║
║питания
║
║
║ напорный ║
║
║
║
╠═══════════════╬════════════╬═══════════╬═══════════╬═════════╬════════════╬════════════════════════╣
║Преобладающий ║Осадки
║ Грунтовые ║ Грунтово- ║Склоновые║Речные воды ║Сочетание основных типов║
║способ увлаж- ║
║ воды
║ напорные ║воды
║
║преобладающий становится║
║нения
║
║
║ воды
║
║
║на последнем месте
║
╠═══════════════╬════════════╩═══════════╬═══════════╬═════════╩══╦═════════╩═╦══════════════════════╝
║Морфологические║Мощность торфяного слоя,║ Маломощный║Среднемощный║ Мощный
║
║характеристики ║ см
║
║
║
║
║
║
║ <100
║100-200
║ >200
║
╠═══════════════╬════════════════════════╩╦═════════╦╩════════════╩╦══════════╬═══════════╗
║Тип болот
║По основному торфообразо-║Гипновые ║ Древесные
║Травяные ║ Сфагновые ║
║
║вателю > 20%
║
║
║
║
║
╠═══════════════╬═════════════╦═════════╦═╩═════════╬════════╦═════╩══════════╩═══════════╝
║Физико-химичес-║Зольность % ║ Высокая ║ Средняя ║ Низкая ║
║кие показатели ║
╠═════════╬═══════════╬════════╣
║торфа
║
║ 15-30
║ 15-5
║ <5
║
║
╠═════════════╬═════════╬═══════════╬════════╣
║
║Степень раз- ║ Высокая ║ Средняя ║ Низкая ║
║
║ложения,%
╠═════════╬═══════════╬════════╣
║
║
║ >40
║ 40-25
║ <25
║
║
╠═════════════╬═════════╩╦══════════╩╦═══════╩════╦════════╗
║
║Кислотность ║Средней
║Слабой кис-║Нейтральная ║Щелочная║
║
║рН
║кислотнос-║лотности
║
║
║
║
║
║ти
║
║
║
║
║
║
╠══════════╬═══════════╬════════════╬════════╣
║
║
║3.0-4.5
║ 4.5-6.0
║ 6.0-7.0
║ >7.0 ║
╠═══════════════╬═════════════╩══════════╬═══════════╬════════════╩════════╣
║Полная влагоем-║Строение залежи в слое ║Порозность,║ Полная влагоемкость,║
║кость болотных ║
║% к об"ему ║ куб. м/га
║
║почв в слое
╠════════════════════════╬═══════════╬═════════════════════╣
║2.0 м,куб.м/га ║Торф 0-200см
║
94
║
18800
║
║
╠════════════════════════╬═══════════╬═════════════════════╣
║
║Торф 0-200см
║
76
║
15200
║
30
╚═══════════════╩════════════════════════╩═══════════╩═════════════════════╝
TABGLO01
ПОКАЗАТЕЛИ ГИДРОЛОГИЧЕСКИЕ (ОЗЕР и ВОДОХРАНИЛИЩ)
╔══════════════════╦═════════════════╦═════════════╦══════════════╦═══════════╦═══════════╦══════════════╗
║Морфометрические ║ Площади зеркала ║ самые малые ║ малые
║ средние
║ большие ║
крупнейшие ║
║показатели для
║ воды, кв. км
╠═════════════╬══════════════╬═══════════╬═══════════╬══════════════╣
║водохранилищ
║
║ <10
║ 10-50
║ 50-250
║ 250-1000 ║
> 1000
║
║
╠═════════════════╬═════════════╬══════════════╬═══════════╩══╦════════╩══════════════╝
║
║ По средней глу- ║ мелководные ║ средние
║ глубоководные║
║
║ бине ,м hср
╠═════════════╬══════════════╬══════════════╣
║
║
║ <8-10
║ 8-10 - 15-20 ║ >15-20
║
║
╠═════════════════╬═════════════╬══════════════╩═══════════╦══╩══════════════╗
║
║ По степени про- ║ непроточные ║ средне и слабопроточные ║ сильнопроточные ║
║
║ точности Wср/W ╠═════════════╬══════════════════════════╬═════════════════╣
║
║
║ 0.1-1
║
1-4
║
4-100
║
╠══════════════════╬═════════════════╬═════════════╬════════════╦═════════════╬════════════╦════╩════════╗
║Морфометрические ║ Площади зеркала ║ самые малые ║ малые
║
средние
║ большие
║ крупнейшие ║
║показатели для
║ воды, кв. км
╠═════════════╬════════════╬═════════════╬════════════╬═════════════╣
║озер
║
║ 1-10
║ 10-50
║
50-100
║ 100-1000 ║ > 1000
║
╚══════════════════╩═════════════════╩═════════════╩════════════╩═════════════╩════════════╩═════════════╝
31
МАТРИЦА ОЦЕНКИ ДЕЯТЕЛЬНО – ТЕХНО – ПРИРОДНЫХ СИСТЕМ
ПРИЧИНЫ
МОРАЛЬНЫЙ(ФИЗИЧЕСКИЙ)
ИЗНОС
ОШИБКА ПРОЕКТИРОВАНИЯ
ОЦЕНКА
ВИЗУАЛЬНАЯ
ИЗМЕРИТЕЛЬНАЯ
Состав 1.1
Состав 1.2
Состав 2.1
Состав 2.2
Состав 3.1
Состав 3.2
Состав 4.1
Состав 4.2
ЛОГИКА- МАТЕМАТИЧЕСКАЯ Экономическая
Интеллектуальная
Состав 1.3
Состав 1.4
Состав 1.5
Состав 2.3
Состав 2.4
Состав 2.5
Состав 3.3
Состав3.4
Состав 3.5
Состав 4.3
Состав 4.4
Состав 4.5
ДОСТРОЙКА ПЛАНОВАЯ
ДОПОЛНЕНИЕ (РАЗВИТИЕ)
32
POCHV
I. ТУНДРОВЫЕ ПОЧВЫ
Почвы
Способ использования
Содержание гумуса в солев 0,3
м%га
Норма органических удобрений,
т/га
Реакция почвенного раствора –
pH слоев
Известкование, CaCO3, т/га.
Супесчаные и легкосуглинистые
почвы
Средние и тяжелосуглинистые
Механический состав слоя 0,3 м
– содержание частиц
<0,01 мм, %
Пескование, м3/га
Глинование, м3/га
Сложение слоя
0,3 м – объемная масса, г/см3
Рыхление, х
Фильтрация –
коэффициент фильтрации
м/сутки
Рыхление
Обеспеченность влагой
Всасывающая силы почвы, мм рт.
ст.
Осушение
Тундровые глеевые, болотные
Оленьи пастбища
малогумусные
<1%
170-200
сильнокислые
<3
кислые
3-4,5
4,0
6,0
Песок
Супесь
<10
500
Рыхлая
10-20
400
Слабоуплотненная
1,1-1,3
Слабая
<1,1
Очень слабая
<0,001
х
0,001-0,01
х
Избыточная (ПВ)
0
Понижение уровня
грунтовых вод под
3,5
5,5
Суглинок
легкий
20-30
Среднеуплотненная
1,3-1,5
х
Замедленная
0,01-0,1
х
Тундровые глеевые, оподзоленные
Культурные сенокосы и пастбища, посевы овощных
культур
среднегумусные
повышенногумусные
1,0-3,0
<3,0
110-160
слабокислые
4,5-6
2,0
3,5
Средний
суглинок
30-40
300
Плотная
1,5-1,7
х
Средняя
0,1-0,5
-
Хорошая (НВ)
песчаные и супесчаные почвы –
38-76
суглинки – 77-228
глины – 229-380
-
нейтральные
6-7
Тяжелый
суглинок
40-50
400
Очень
плотная
>1,7
х
Повышенная
0,5-1,0
-
Легкая
глина
50-65
450
-
Тяжелая
глина
>80
600
-
Средняя
глина
65-80
500
-
Высокая
Предполивная
травы – 380-460
овощные – 530-610
-
80-100
щелочные
>7
>1,0
Плохая (ВУР)
>610
-
33
Продолжительность избыточного
увлажнения слоя 0,5 м после
схода снежного покрова, суток
Отвод избыточных вод,
очередности работ, 1, 2, 3
Граница многолетней мерзлоты,
от поверхности почвы, см
Очередность тепловых
мелиораций, 1, 2, 3
Растительность
Способ использования
Продуктивность почвы
Бонитет, баллы
Очередность вложения средств на
мелиорацию,
1, 2, 3, 4
травы – 0,3-0,5 м
нет
0
малая
1-10
высокомерзлотные
20-40
среднемерзлотные
40-60
3
глубокомерзлотные
60-100
1
2
3
Моховая
Летние пастбища
Плохая
<30
4
средняя
10-20
Лишайниковая
Зимние пастбища
Средняя
31-80
3
вышесредняя
20-30
2
длительная
>30
1
очень глубокомерзлотные
100-150
-
Древесно-кустарниковая
Летние пастбища
Хорошая
81-90
2
Очень хорошая
>90
1
34
kpm00 Категорийно-понятийная матрица процессов
Действие
Продукт (результат)
Социальный
Экономический
Процесс 1.3
Процесс 1.4
Процесс 2.3
Процесс 2.4
Персонал
Среда
Вещественный
Процесс 1.1
Процесс 2.1
Энергетический
Процесс 1.2
Процесс 2.2
Интеллектуальный
Процесс 1.5
Процесс 2.5
Техника
Процесс 3.1
Процесс 3.2
Процесс 3.3
Процесс 3.4
Процесс 3.5
Ресурсы
Процесс 4.1
Процесс 4.2
Процесс 4.3
Процесс 4.4
Процесс 4.5
Информация
Процесс 5.1
Процесс 5.2
Процесс 5.3
Процесс 5.4
Процесс 5.5
Модели
Процесс 6.1
Процесс 6.2
Процесс 6.3
Процесс 6.4
Процесс 6.5
Время
Процесс 7.1
Процесс 7.2
Процесс 7.3
Процесс 7.4
Процесс 7.5
Управление
Процесс 8.1
Процесс 8.2
Процесс 8.3
Процесс 8.4
Процесс 8.5
35
36
01 Уравнения водного баланса. Уравнения солевого
баланса
02 НЕКОТОРЫЕ МАТЕМАТИЧЕСКИЕ МОДЕЛИ
ПЕРЕНОСА СОЛЕЙ В ПОЧВОГРУНТАХ
03 Показатели плодородия черноземов при производстве
ведущих сельскохозяйственных культур
04 Показатели плодородия каштановых почв при
производстве ведущих сельскохозяйственных культур
05 Показатели плодородия сероземных почв при
производстве ведущих сельскохозяйственных культур
06 РАСЧЕТ ПРОЦЕССОВ ПЕРЕНОСА ВЛАГИ, ТЕПЛА И
СОЛЕЙ В НЕНАСЫЩЕННОЙ И НАСЫЩЕННОЙ ЗОНАХ
ПОЧВОГРУНТА
07 ГРУНТЫ БИОГЕННЫЕ ( ПОДГРУППА )
08 ГРУНТЫ КРУПНООБЛОМОЧНЫЕ ( подгруппа )
09 ГРУНТЫ ПЕСЧАНЫЕ ( ПОДГРУППА )
10 ГРУНТЫ ( скальные и полускальные )
11 ГИДРОГЕОЛОГИЧЕСКИЕ ПОКАЗАТЕЛИ
12 ГЕОЛОГИЧЕСКИЕ И ИНЖЕНЕРНО-ГЕОЛОГИЧЕСКИЕ
ПОКАЗАТЕЛИ
13 ГИДРОЛОГИЧЕСКИЕ ПОКАЗАТЕЛИ ( БОЛОТ )
14 ПОКАЗАТЕЛИ ГИДРОЛОГИЧЕСКИЕ ( ОЗЕР и
ВОДОХРАНИЛИЩ )
15 ПОКАЗАТЕЛИ ГИДРОЛОГИЧЕСКИЕ ( РЕК )
16 WASTR-1
17 WASTR-2
18 WASTR-3
19 WASTR-6
20 !W1
21 !W3
22 !W6
23 DESCRIPT
24 KRITERI-00
25 PRIMERI
priznaki-pochv.xls
poch22.doc
pochv22.htm
pochv22.xls
МИНЮ_DTPS
37
38
ПЕРЕХОДНЫЕ
ПРОЦЕССЫ
КОМПОНЕНТЫ ИЗМЕНЕННОЙ ДТПС
Человек
Техника
Ресурсы
Среда
Информация
Модели
Время
Управление
Продукт
КОМПОНЕНТЫ
ДТПС
01
02
03
04
05
06
07
08
09
01. Человек
Процесс
перехода
01.01
Процесс
перехода
01.02
Процесс
перехода
01.03
Процесс
перехода
01.04
Процесс
перехода
01.05
Процесс
перехода
01.06
Процесс
перехода
01.07
Процесс
перехода
01.08
Процесс
перехода
01.09
02. Техника
Процесс
перехода
02.01
Процесс
перехода
02.02
Процесс
перехода
02.03
Процесс
перехода
02.04
Процесс
перехода
02.05
Процесс
перехода
02.06
Процесс
перехода
02.07
Процесс
перехода
02.08
Процесс
перехода
02.09
03. Ресурсы
Процесс
перехода
03.01
Процесс
перехода
03.02
Процесс
перехода
03.03
Процесс
перехода
03.04
Процесс
перехода
03.05
Процесс
перехода
03.06
Процесс
перехода
03.07
Процесс
перехода
03.08
Процесс
перехода
03.09
04. Среда
Процесс
перехода
04.01
Процесс
перехода
04.02
Процесс
перехода
04.03
Процесс
перехода
04.04
Процесс
перехода
04.05
Процесс
перехода
04.06
Процесс
перехода
04.07
Процесс
перехода
04.08
Процесс
перехода
04.09
05. Информация
Процесс
перехода
05.01
Процесс
перехода
05.02
Процесс
перехода
05.03
Процесс
перехода
05.04
Процесс
перехода
05.05
Процесс
перехода
05.06
Процесс
перехода
05.07
Процесс
перехода
05.08
Процесс
перехода
05.09
06. Модели
Процесс
перехода
06.01
Процесс
перехода
06.02
Процесс
перехода
06.03
Процесс
перехода
06.04
Процесс
перехода
06.05
Процесс
перехода
06.06
Процесс
перехода
06.07
Процесс
перехода
06.08
Процесс
перехода
06.09
07. Время
Процесс
перехода
07.01
Процесс
перехода
07.02
Процесс
перехода
07.03
Процесс
перехода
07.04
Процесс
перехода
07.05
Процесс
перехода
07.06
Процесс
перехода
07.07
Процесс
перехода
07.08
Процесс
перехода
07.09
08. Управление
Процесс
перехода
08.01
Процесс
перехода
08.02
Процесс
перехода
08.03
Процесс
перехода
08.04
Процесс
перехода
08.05
Процесс
перехода
08.06
Процесс
перехода
08.07
Процесс
перехода
08.08
Процесс
перехода
08.09
09. Продукт
Процесс
перехода
09.01
Процесс
перехода
09.02
Процесс
перехода
09.03
Процесс
перехода
09.04
Процесс
перехода
09.05
Процесс
перехода
09.06
Процесс
перехода
09.07
Процесс
перехода
09.08
Процесс
перехода
09.09
39
ПЕРЕХОДНЫЕ
ПРОЦЕССЫ
ВНЕШНЯЯ СРЕДА
Человек
Техника
Ресурсы
Среда
Информация
Модели
Время
Управление
Продукт
ВНУТРЕННЯЯ
СРЕДА
01
02
03
04
05
06
07
08
09
01. Человек
Процесс
перехода
01.01
Процесс
перехода
01.02
Процесс
перехода
01.03
Процесс
перехода
01.04
Процесс
перехода
01.05
Процесс
перехода
01.06
Процесс
перехода
01.07
Процесс
перехода
01.08
Процесс
перехода
01.09
02. Техника
Процесс
перехода
02.01
Процесс
перехода
02.02
Процесс
перехода
02.03
Процесс
перехода
02.04
Процесс
перехода
02.05
Процесс
перехода
02.06
Процесс
перехода
02.07
Процесс
перехода
02.08
Процесс
перехода
02.09
03. Ресурсы
Процесс
перехода
03.01
Процесс
перехода
03.02
Процесс
перехода
03.03
Процесс
перехода
03.04
Процесс
перехода
03.05
Процесс
перехода
03.06
Процесс
перехода
03.07
Процесс
перехода
03.08
Процесс
перехода
03.09
04. Среда
Процесс
перехода
04.01
Процесс
перехода
04.02
Процесс
перехода
04.03
Процесс
перехода
04.04
Процесс
перехода
04.05
Процесс
перехода
04.06
Процесс
перехода
04.07
Процесс
перехода
04.08
Процесс
перехода
04.09
05. Информация
Процесс
перехода
05.01
Процесс
перехода
05.02
Процесс
перехода
05.03
Процесс
перехода
05.04
Процесс
перехода
05.05
Процесс
перехода
05.06
Процесс
перехода
05.07
Процесс
перехода
05.08
Процесс
перехода
05.09
06. Модели
Процесс
перехода
06.01
Процесс
перехода
06.02
Процесс
перехода
06.03
Процесс
перехода
06.04
Процесс
перехода
06.05
Процесс
перехода
06.06
Процесс
перехода
06.07
Процесс
перехода
06.08
Процесс
перехода
06.09
07. Время
Процесс
перехода
07.01
Процесс
перехода
07.02
Процесс
перехода
07.03
Процесс
перехода
07.04
Процесс
перехода
07.05
Процесс
перехода
07.06
Процесс
перехода
07.07
Процесс
перехода
07.08
Процесс
перехода
07.09
08. Управление
Процесс
перехода
08.01
Процесс
перехода
08.02
Процесс
перехода
08.03
Процесс
перехода
08.04
Процесс
перехода
08.05
Процесс
перехода
08.06
Процесс
перехода
08.07
Процесс
перехода
08.08
Процесс
перехода
08.09
09. Продукт
Процесс
перехода
09.01
Процесс
перехода
09.02
Процесс
перехода
09.03
Процесс
перехода
09.04
Процесс
перехода
09.05
Процесс
перехода
09.06
Процесс
перехода
09.07
Процесс
перехода
09.08
Процесс
перехода
09.09
40
ВНУТРЕННЯЯ СРЕДА
ПЕРЕХОДНЫЕ
ПРОЦЕССЫ
Человек
Техника
Ресурсы
Среда
Информация
Модели
Время
Управление
Продукт
ВНЕШНЯЯ СРЕДА
01
02
03
04
05
06
07
08
09
01. Человек
Процесс
перехода
01.01
Процесс
перехода
01.02
Процесс
перехода
01.03
Процесс
перехода
01.04
Процесс
перехода
01.05
Процесс
перехода
01.06
Процесс
перехода
01.07
Процесс
перехода
01.08
Процесс
перехода
01.09
02. Техника
Процесс
перехода
02.01
Процесс
перехода
02.02
Процесс
перехода
02.03
Процесс
перехода
02.04
Процесс
перехода
02.05
Процесс
перехода
02.06
Процесс
перехода
02.07
Процесс
перехода
02.08
Процесс
перехода
02.09
03. Ресурсы
Процесс
перехода
03.01
Процесс
перехода
03.02
Процесс
перехода
03.03
Процесс
перехода
03.04
Процесс
перехода
03.05
Процесс
перехода
03.06
Процесс
перехода
03.07
Процесс
перехода
03.08
Процесс
перехода
03.09
04. Среда
Процесс
перехода
04.01
Процесс
перехода
04.02
Процесс
перехода
04.03
Процесс
перехода
04.04
Процесс
перехода
04.05
Процесс
перехода
04.06
Процесс
перехода
04.07
Процесс
перехода
04.08
Процесс
перехода
04.09
05. Информация
Процесс
перехода
05.01
Процесс
перехода
05.02
Процесс
перехода
05.03
Процесс
перехода
05.04
Процесс
перехода
05.05
Процесс
перехода
05.06
Процесс
перехода
05.07
Процесс
перехода
05.08
Процесс
перехода
05.09
06. Модели
Процесс
перехода
06.01
Процесс
перехода
06.02
Процесс
перехода
06.03
Процесс
перехода
06.04
Процесс
перехода
06.05
Процесс
перехода
06.06
Процесс
перехода
06.07
Процесс
перехода
06.08
Процесс
перехода
06.09
07. Время
Процесс
перехода
07.01
Процесс
перехода
07.02
Процесс
перехода
07.03
Процесс
перехода
07.04
Процесс
перехода
07.05
Процесс
перехода
07.06
Процесс
перехода
07.07
Процесс
перехода
07.08
Процесс
перехода
07.09
08. Управление
Процесс
перехода
08.01
Процесс
перехода
08.02
Процесс
перехода
08.03
Процесс
перехода
08.04
Процесс
перехода
08.05
Процесс
перехода
08.06
Процесс
перехода
08.07
Процесс
перехода
08.08
Процесс
перехода
08.09
09. Продукт
Процесс
перехода
09.01
Процесс
перехода
09.02
Процесс
перехода
09.03
Процесс
перехода
09.04
Процесс
перехода
09.05
Процесс
перехода
09.06
Процесс
перехода
09.07
Процесс
перехода
09.08
Процесс
перехода
09.09
41
42
Конкретные
характеристики
1.1. Предприятие
10. Тип управления
09. Восприимчивость воздействия
(управляемость)
08. Процесс управления
07. Механизм управления
06. Система управления
05. Функции управления
04. Потенциал управления
03. Ресурсы управления
02. Объект управления
Связи
укрупненных
и
конкретных
характеристик
01. Масштаб управления (малый, средний,
крупный бизнес)
Укрупненные характеристики
01
02
03
04
05
06
07
08
09
10
011.0
1
011.0
2
011.0
3
011.0
4
011.0
5
011.0
6
011.0
7
011.0
8
011.0
9
011.1
0
1.2. Фирма
012.0
1
012.0
2
012.0
3
012.0
4
012.0
5
012.0
6
012.0
7
012.0
8
012.0
9
012.1
0
1.3. Народное
хозяйство и т.д.
013.0
1
013.0
2
013.0
3
013.0
4
013.0
5
013.0
6
013.0
7
013.0
8
013.0
9
013.1
0
2.1. Сфера (отрасль
управления)
021.0
1
021.0
2
021.0
3
021.0
4
021.0
5
021.0
6
021.0
7
021.0
8
021.0
9
021.1
0
2.2. Социальноэкономическая
специфика
2.3. Организация
022.0
1
022.0
2
022.0
3
022.0
4
022.0
5
022.0
6
022.0
7
022.0
8
022.0
9
022.1
0
023.0
1
023.0
2
023.0
3
023.0
4
023.0
5
023.0
6
023.0
7
023.0
8
023.0
9
023.1
0
3.1. Человеческие
(персонал)
031.0
1
031.0
2
031.0
3
031.0
4
031.0
5
031.0
6
031.0
7
031.0
8
031.0
9
031.1
0
3.2.
Информационные
032.0
1
032.0
2
032.0
3
032.0
4
032.0
5
032.0
6
032.0
7
032.0
8
032.0
9
032.1
0
3.3. Технические
033.0
1
033.0
2
033.0
3
033.0
4
033.0
5
033.0
6
033.0
7
033.0
8
033.0
9
033.1
0
4.1. Структура
ресурсов
041.0
1
041.0
2
041.0
3
041.0
4
041.0
5
041.0
6
041.0
7
041.0
8
041.0
9
041.1
0
4.2. Качество
информации
042.0
1
042.0
2
042.0
3
042.0
4
042.0
5
042.0
6
042.0
7
042.0
8
042.0
9
042.1
0
43
4.3. Качество техники
043.0
1
043.0
2
043.0
3
043.0
4
043.0
5
043.0
6
043.0
7
043.0
8
043.0
9
043.1
0
4.4. Качество
персонала
044.0
1
044.0
2
044.0
3
044.0
4
044.0
5
044.0
6
044.0
7
044.0
8
044.0
9
044.1
0
5.1. Интеграции
051.0
1
051.0
2
051.0
3
051.0
4
051.0
5
051.0
6
051.0
7
051.0
8
051.0
9
051.1
0
5.2.
Дифференциации
052.0
1
052.0
2
052.0
3
052.0
4
052.0
5
052.0
6
052.0
7
052.0
8
052.0
9
052.1
0
6.1. Тип (структура)
061.0
1
061.0
2
061.0
3
061.0
4
061.0
5
061.0
6
061.0
7
061.0
8
061.0
9
061.1
0
6.2. Централизация
062.0
1
062.0
2
062.0
3
062.0
4
062.0
5
062.0
6
062.0
7
062.0
8
062.0
9
062.1
0
6.3. Уровни
063.0
1
063.0
2
063.0
3
063.0
4
063.0
5
063.0
6
063.0
7
063.0
8
063.0
9
063.1
0
6.4. Коммуникации
064.0
1
064.0
2
064.0
3
064.0
4
064.0
5
064.0
6
064.0
7
064.0
8
064.0
9
064.1
0
7.1. Приоритеты
071.0
1
071.0
2
071.0
3
071.0
4
071.0
5
071.0
6
071.0
7
071.0
8
071.0
9
071.1
0
7.2. Ограничения
072.0
1
072.0
2
072.0
3
072.0
4
072.0
5
072.0
6
072.0
7
072.0
8
072.0
9
072.1
0
7.3. Критерии
073.0
1
073.0
2
073.0
3
073.0
4
073.0
5
073.0
6
073.0
7
073.0
8
073.0
9
073.1
0
7.4. Мотивы и
стимулы
074.0
1
074.0
2
074.0
3
074.0
4
074.0
5
074.0
6
074.0
7
074.0
8
074.0
9
074.1
0
8.1. Тип
081.0
1
081.0
2
081.0
3
081.0
4
081.0
5
081.0
6
081.0
7
081.0
8
081.0
9
081.1
0
8.2. Качество
решений
082.0
1
082.0
2
082.0
3
082.0
4
082.0
5
082.0
6
082.0
7
082.0
8
082.0
9
082.1
0
8.3. Цели
083.0
1
083.0
2
083.0
3
083.0
4
083.0
5
083.0
6
083.0
7
083.0
8
083.0
9
083.1
0
8.4. Использование
времени
084.0
1
084.0
2
084.0
3
084.0
4
084.0
5
084.0
6
084.0
7
084.0
8
084.0
9
084.1
0
9.1. Дисциплина
091.0
1
091.0
2
091.0
3
091.0
4
091.0
5
091.0
6
091.0
7
091.0
8
091.0
9
091.1
0
44
9.2. Мотивация
092.0
1
092.0
2
092.0
3
092.0
4
092.0
5
092.0
6
092.0
7
092.0
8
092.0
9
092.1
0
9.3. Тип организации
093.0
1
093.0
2
093.0
3
093.0
4
093.0
5
093.0
6
093.0
7
093.0
8
093.0
9
093.1
0
9.4.
Профессионализм
094.0
1
094.0
2
094.0
3
094.0
4
094.0
5
094.0
6
094.0
7
094.0
8
094.0
9
094.1
0
9.5. Культура
095.0
1
095.0
2
095.0
3
95.04
095.0
5
095.0
6
095.0
7
095.0
8
095.0
9
095.1
0
9.6. Информационное
обеспечение
096.0
1
096.0
2
096.0
3
096.0
4
096.0
5
096.0
6
096.0
7
096.0
8
096.0
9
096.1
0
10.1. Типологическая
матрица
101.0
1
101.0
2
101.0
3
101.0
4
101.0
5
101.0
6
101.0
7
101.0
8
101.0
9
101.1
0
45
«природная
система»
(ПС)
Деятельно –
техно –
природная
система
(верхний
уровень:
«бассейн Волги
» и его
компонентный
состав)
«техническая
система»
(ТС)
Деятельно –
техно –
природная
система
(средний
уровень:
«город» и его
компонентный
состав)
«природная
деятельность»
(ПД)
Деятельно –
техно –
природная
система
(низовой
уровень:
«предприятие» и
его
компонентный
состав)
«человеческая
деятельность»
(ЧД)
Деятельно –
техно –
природная
система
(низовой
уровень: «цех» и
его
компонентный
состав)
ПЕРСОНАЛ
ТЕХНИКА
РЕСУРСЫ
СРЕДА
ИНФОРМАЦИЯ
МОДЕЛИ
ВРЕМЯ
УПРАВЛЕНИЯ
ПРОДУКТ
(ЧД)
ПЕРСОНАЛ
ТЕХНИКА
РЕСУРСЫ
СРЕДА
ИНФОРМАЦИЯ
МОДЕЛИ
ВРЕМЯ
УПРАВЛЕНИЯ
ПРОДУКТ
«цех»
ПЕРСОНАЛ
ТЕХНИКА
РЕСУРСЫ
СРЕДА
ИНФОРМАЦИЯ
МОДЕЛИ
ВРЕМЯ
УПРАВЛЕНИЯ
ПРОДУКТ
(ПД)
ПЕРСОНАЛ
ТЕХНИКА
РЕСУРСЫ
СРЕДА
ИНФОРМАЦИЯ
МОДЕЛИ
ВРЕМЯ
УПРАВЛЕНИЯ
ПРОДУКТ
«предприятие»
ПЕРСОНАЛ
ТЕХНИКА
РЕСУРСЫ
СРЕДА
ИНФОРМАЦИЯ
МОДЕЛИ
ВРЕМЯ
УПРАВЛЕНИЯ
ПРОДУКТ
(ТС)
ПЕРСОНАЛ
ТЕХНИКА
РЕСУРСЫ
СРЕДА
ИНФОРМАЦИЯ
МОДЕЛИ
ВРЕМЯ
УПРАВЛЕНИЯ
ПРОДУКТ
(ПС)
ПЕРСОНАЛ
ТЕХНИКА
РЕСУРСЫ
СРЕДА
ИНФОРМАЦИЯ
МОДЕЛИ
ВРЕМЯ
УПРАВЛЕНИЯ
ПРОДУКТ
ПЕРСОНАЛ
ТЕХНИКА
РЕСУРСЫ
СРЕДА
ИНФОРМАЦИЯ
МОДЕЛИ
ВРЕМЯ
УПРАВЛЕНИЯ
ПРОДУКТ
«город»
«бассейн»
46
Деятельно –
техно –
природная
система
(международный
уровень:
«страны » и их
компонентный
состав)
Деятельно –
техно –
природная
система
(«федерация» и
ее
компонентный
состав)
Деятельно –
техно –
природная
система
(федеральный
уровень: «края и
республики» и
его
компонентный
состав)
Деятельно –
техно –
природная
система
(региональный
уровень:
«губернии» и его
компонентный
состав)
ПЕРСОНАЛ
ТЕХНИКА
РЕСУРСЫ
СРЕДА
ИНФОРМАЦИЯ
МОДЕЛИ
ВРЕМЯ
УПРАВЛЕНИЯ
ПРОДУКТ
«губернии»
Модели «Деятельно – техно – природных систем» и их уровни
ПЕРСОНАЛ
ТЕХНИКА
РЕСУРСЫ
СРЕДА
ИНФОРМАЦИЯ
МОДЕЛИ
ВРЕМЯ
УПРАВЛЕНИЯ
ПРОДУКТ
ПЕРСОНАЛ
ТЕХНИКА
РЕСУРСЫ
СРЕДА
ИНФОРМАЦИЯ
МОДЕЛИ
ВРЕМЯ
УПРАВЛЕНИЯ
ПРОДУКТ
ПЕРСОНАЛ
ТЕХНИКА
РЕСУРСЫ
СРЕДА
ИНФОРМАЦИЯ
МОДЕЛИ
ВРЕМЯ
УПРАВЛЕНИЯ
ПРОДУКТ
«края и
рспублики»
«федерация»
«междунаро
дный»
47
Продукт
Персонал
-вещественный
Техника
-энергетический
Ресурсы
-социальный
Среда
Информация
Модели
-экономический
-интеллектуальный
КПМ - макроуровня
Время
Управление
КПМ – системы
производства
продукции на
мелиорированных
землях (СПП на МЗ)
С
Р
Е
З
Ы
Виды продуктов: вещественный, энергетический, социальный,
экономический, интеллектуальный
Процесс познания
бесконечен, но, например,
на момент 01.09. 2005 года
количество категорий
и понятий конечно
«Усеченная пирамида» - множество
категорийно-понятийных пространств
ДТПС
ВЫХОД
48
49
50
51
52
53
54
55
56
57
идеи в структурах и матрицах
Модель_АДТПС
СТРУКТУРЫ_СИСТЕМ
КПМ_СИСТЕМ
ПЕРЕХОДНЫЕ ПРОЦЕССЫ
ВНУТРЕННЯЯ СРЕДА
ВНЕШНЯЯ СРЕДА
Связи
«Природная деятельность»
«Человеческая деятельность»
Модели «Деятельно – техно – природных систем» и их
уровни
Модели ДТПС – «Усеченная пирамида»
Фрагменты мелиоративного кадастра
Мелиоративный кадастр АДТПС
ММ-АДТПС
ДЕТАЛЬНЫЙ СПИСОК БКОСА ИХ АЛГОРИТМОВ
Презентация по СИИ-2=POLO
Презентация по СИИ-2=TEOR
Принципы
System AIDOS
podsis-ogl
podsis-tab
Описание предметной области
Системой распознавания образов будем называть класс систем искусственного интеллекта,
обеспечивающих:
– формирование конкретных образов объектов и обобщенных образов классов;
– обучение, т.е. формирование обобщенных образов классов на основе ряда примеров объектов,
классифицированных (т.е. отнесенных к тем или иным категориям – классам) учителем и составляющих
обучающую выборку;
– самообучение, т.е. формирование кластеров объектов на основе анализа неклассифицированной
обучающей выборки;
– распознавание, т.е. идентификацию (и прогнозирование) состояний объектов, описанных признаками,
друг с другом и с обобщенными образами классов;
– измерение степени адекватности модели;
– решение обратной задачи идентификации и прогнозирования (обеспечивается не всеми моделями).
Признаками объектов будем называть конкретные результаты измерения значений их свойств.
Свойства объектов отличаются своим качеством и измеряются с помощью различных органов
восприятия или измерительных приборов в различных единицах измерения.
Результатом измерения является снижение неопределенности в наших знаниях о значении свойств
объекта. Значения свойств конкретизируются путем их сопоставления определенным градациям
соответствующих измерительных шкал: номинальных, порядковых или отношений.
В номинальных шкалах отсутствуют отношения порядка, начало отсчета и единица измерения.
58
На порядковых шкалах определены отношения "больше – меньше", но отсутствуют начало отсчета и
единица измерения.
На шкалах отношений определены отношения порядка, все арифметические операции, есть начало
отсчета и единица измерения.
Можно представить себе, что шкалы образуют оси координат некоторого абстрактного многомерного
пространства, которое будем называть "фазовым пространством".
В этом фазовом пространстве каждый конкретный объект представляется определенной точкой,
имеющей координаты, соответствующие значениям его свойств по осям координат, т.е. градациям описательных
шкал.
Оси координат фазового пространства в общем случае не являются взаимно-перпендикулярными
шкалами отношений, т.е. в общем случае это пространство неортонормированное, более того – неметрическое.
Следовательно, в нем в общем случае не применима, Евклидова мера расстояний, т.е. не действует Евклидова
метрика. Применение этой меры расстояний корректно, если одновременно выполняются два условия:
1. Все оси координат фазового пространства являются шкалами отношений.
2. Все оси координат взаимно-перпендикулярны или очень близки к этому.
Обобщенный образ класса формируется из нескольких образов конкретных объектов, относящихся к
данному классу, т.е. одной градации некоторой классификационной шкалы.
Обобщенные образы классов формализуются (кодируются) путем использования классификационных
шкал и градаций, которые могут быть тех же типов, что и описательные, т.е. номинальные, порядковые и
отношений.
Сама принадлежность конкретных объектов к данному классу определятся либо человеком-учителем,
после чего фиксируется в обучающей выборке, либо самой системой автоматически на основе кластерного
анализа конкретных объектов.
Обучающая выборка является некоторым подмножеством исследуемой совокупности, которая
называется "генеральная совокупность". На основе изучения обучающей выборки мы хотели бы сделать выводы
о генеральной совокупности, причем важно знать степень достоверности этих выводов.
Рассмотрим, как зависит степень достоверности выводов о генеральной совокупности от объема
обучающей выборки.
Если обучающая выборка включает все объекты генеральной совокупности, т.е. они совпадают, то
достоверность выводов будет наиболее высокой (при всех прочих равных условиях).
Если же обучающая выборка очень мала, то вряд ли на ее основе могут быть сделаны достоверные
выводы о генеральной совокупности, т.к. в этом случае в обучающую выборку могут даже не входить примеры
объектов всех или подавляющего большинства классов.
Под репрезентативностью обучающей выборки будем понимать ее способность адекватно представлять
генеральную совокупность, так что изучение самой генеральной совокупности можно корректно заменить
исследованием обучающей выборки.
Но репрезентативность зависит не только от объема, но и от структуры обучающей выборки, т.е. от того,
насколько полно представлены все категории объектов генеральной совокупности (классы) и от того, насколько
полно они описаны признаками.
Взвешивание данных или ремонт обучающей выборки – это операция, в результате которой частное
распределение объектов по классам в обучающей выборке максимально, на сколько это, возможно,
приближается либо к частотному распределению генеральной совокупности (если оно известно из независимых
источников), либо к равномерному.
Обобщение – это операция формирования обобщенных образов классов на основе описаний конкретных
объектов, входящих в обучающую выборку.
Сразу необходимо отметить, что операция обобщения реализуется далеко не во всех моделях систем
распознавания (например, в методе k-ближайших соседей), а в тех, в которых оно реализуется, – это делается
по-разному. Обычно, пока не реализовано обобщение нет возможности определить ценность признаков для
решения задачи идентификации.
Распознавание – это операция сравнения и определения степени сходства образа данного конкретного
объекта с образами других конкретных объектов или с обобщенными образами классов, в результате которой
формируется рейтинг объектов или классов по убыванию сходства с распознаваемым объектом.
59
Ключевым моментом при реализации операции распознавания в математической модели является
выбор вида интегрального критерия или меры сходства, который бы на основе знания о признаках конкретного
объекта позволил бы количественно определить степень его сходства с другими объектами или обобщенными
образами классов.
В ортонормированном пространстве, осями которого являются шкалы отношений, вполне естественным
является использовать в качестве такой меры сходства, Евклидово расстояние. Однако, такие пространства на
практике встречаются скорее как исключение из правила, а операция ортонормирования является довольно
трудоемкой в вычислительном отношении и приводит к обеднению модели, а значит ее не всегда удобно и
целесообразно осуществлять.
Поэтому актуальной является задача выбора или конструирования интегрального критерия сходства,
применение которого было бы корректно и в не ортонормированных пространствах. Кроме того, этот
интегральный критерий должен быть устойчив к наличию шума, т.е. к неполноте и искажению, как в исходных
данных, так и самой численной модели.
Требование устойчивости к наличию шума математически означает, что результат применения
интегрального критерия к сигналу, состоящему только из белого шума, должен быть равным нулю. Это значит,
что в качестве интегрального критерия может быть применена функция, используемая при определении самого
понятия "белый шум", т.е. свертка, скалярное произведение, корреляция.
Обучение с учителем – это процесс формирования обобщенных образов классов, на основе обучающей
выборки, содержащей характеристики конкретных объектов, как в описательных, так и в классификационных
шкалах и градациях.
Причем, если описательные характеристики могут формироваться с помощью информационноизмерительной системы автоматически, то классификационные – представляют собой результат, вообще говоря,
неформализуемого процесса оценки степени принадлежности данных объектов к различным классам, который
осуществляется человеком-экспертом или, как традиционно говорят специалисты по распознаванию образов,
"учителем". В этом случае не возникает вопроса о том, для формирования обобщенного образа каких классов
использовать описание данного конкретного объекта.
Обучение без учителя или самообучение – это процесс формирования обобщенных образов классов, на
основе обучающей выборки, содержащей характеристики конкретных объектов, причем только в описательных
шкалах и градациях.
Поэтому этот процесс реализуется в три этапа:
1. Кластерный анализ объектов обучающей выборки, в результате которого определяются группы
наиболее сходных их них по их признакам (кластеры).
2. Присвоение кластерам статуса обобщенных классов, для формирования обобщенных образов которых
используются конкретные объекты, входящие именно в эти кластеры.
3. Формирование обобщенных образов классов, аналогично тому, как это делалось при обучении с
учителем.
Как только произнесено или написано слово "модель", сразу неизбежно возникает вопрос о степени ее
адекватности.
Верификация модели – это операция установления степени ее адекватности (валидности) путем
сравнения результатов идентификации конкретных объектов с их фактической принадлежностью к обобщенным
образам классов.
Различают внутреннюю и внешнюю, интегральную и дифференциальную валидность.
Внутренняя валидность – это способность модели, верно, идентифицировать объекты обучающей
выборки.
Если модель имеет низкую внутреннюю валидность, то модель нельзя считать удачно сформированной.
Внешняя валидность – это способность модели, верно, идентифицировать объекты, не входящие в
обучающую выборку.
Интегральная валидность – это средневзвешенная достоверность идентификации по всем классам и
распознаваемым объектам.
Дифференциальная валидность – это способность модели, верно, идентифицировать объекты в разрезе
по классам.
Адаптация модели – это учет в модели объектов, не входящих в обучающую выборку, но входящих в
генеральную совокупность, по отношению к которой данная обучающая выборка репрезентативна.
60
Если моделью, верно, идентифицируются объекты, не входящие в обучающую выборку, то это означает,
что эти объекты входят в генеральную совокупность, по отношению к которой данная обучающая выборка
репрезентативна. Следовательно, на основе обучающей выборки удалось выявить закономерности взаимосвязей
между признаками и принадлежностью объектов к классам, которые действуют не только в обучающей выборке,
но имеют силу и для генеральной совокупности.
Адаптация модели не требует изменения классификационных и описательных шкал и градаций, а лишь
объема обучающей выборки, и приводит к количественному изменению модели.
Синтез (или повторный синтез – пересинтез) модели – это учет в модели объектов, не входящих ни в
обучающую выборку, ни в генеральную совокупность, по отношению к которой данная обучающая выборка
репрезентативна.
Это объекты с новыми, ранее неизвестными закономерностями взаимосвязей признаков с
принадлежностью этих объектов к тем или иным классам. Причем и признаки, и классы, могут быть как те,
которые уже были отражены в модели ранее, так и новые. Пересинтез модели приводит к ее качественному
изменению.
Проблема распознавания образов сводится к двум задачам: обучения и распознавания. Поэтому, прежде
чем сформулировать задачу обучения распознаванию образов уточним, в чем смысл их распознавания.
Простейшим вариантом распознавания является строгий запрос на поиск объекта в базе данных по его
признакам, который реализуется в информационно-поисковых системах. При этом каждому полю соответствует
признак (описательная шкала), а значению поля – значение признака (градация описательной шкалы). Если в
базе данных есть записи, все значения заданных полей которых точно совпадают со значениями, заданными в
запросе на поиск, то эти записи извлекаются в отчет, иначе запись не извлекается.
Более сложными вариантами распознавания является нечеткий запрос с неполнотой информации, когда
не все признаки искомых объектов задаются в запросе на поиск, т.к. не все они известны, и нечеткий запрос с
шумом, когда не все признаки объекта известны, а некоторые считаются известными ошибочно. В этих случаях из
базы данных извлекаются все объекты, у которых совпадает, хотя бы один признак и в отчете объекты
сортируются (ранжируются) в порядке убывания количества совпавших признаков. При этом при определении
ранга объекта в отсортированном списке все признаки считаются имеющими одинаковый "вес" и учитывается
только их количество.
Однако:
– во-первых, на самом деле признаки имеют разный вес, т.е. один и тот же признак в разной степени
характерен для различных объектов;
– во-вторых, нас могут интересовать не столько сами объекты, извлекаемые из базы данных
прецедентов по запросам, сколько классификация самого запроса, т.е. отнесение его к определенной категории,
т.е. к тому или иному обобщенному образу класса.
Если реализация строгих и даже нечетких запросов не вызывает особых сложностей, то распознавание
как идентификация с обобщенными образами классов, причем с учетом различия весов признаков представляет
собой определенную проблему.
Обучение осуществляется путем предъявления системе отдельных объектов, описанных на языке
признаков, с указанием их принадлежности тому или другому классу. При этом сама принадлежность к классам
сообщается системе человеком – Учителем (экспертом).
В результате обучения распознающая система должна приобрести способность:
1. Относить объекты к классам, к которым они принадлежат (идентифицировать объекты верно).
2. Не относить объекты к классам, к которым они не принадлежат (не идентифицировать объекты
ошибочно).
Эта и есть проблема обучения распознаванию образов, и состоит она в следующем:
1. В разработке математической модели, обеспечивающей: обобщение образов конкретных объектов и
формирование обобщенных образов классов; расчет весов признаков; определение степени сходства конкретных
объектов с классами и ранжирование классов по степени сходства с конкретным объектом, включая и
положительное, и отрицательное сходство.
2. В наполнении этой модели конкретной информацией, характеризующей определенную предметную
область.
Распознаванием образов называются задачи установления отношений эквивалентности между
конкретными и обобщенными образами-моделями объектов реального или идеального мира.
Отношения эквивалентности выражают принадлежность оцениваемых объектов к каким–либо классам,
рассматриваемым как самостоятельные семантические единицы.
61
При построении алгоритмов распознавания классы эквивалентности могут задаваться исследователем,
который пользуется собственными содержательными представлениями или использует внешнюю
дополнительную информацию о сходстве и различии объектов в контексте решаемой задачи. Тогда говорят о
"распознавании с учителем". В противном случае, т.е. когда автоматизированная система решает задачу
классификации без привлечения внешней обучающей информации, говорят об автоматической классификации
или "распознавании без учителя".
Большинство алгоритмов распознавания образов требует привлечения весьма значительных
вычислительных мощностей, которые могут быть обеспечены только высокопроизводительной компьютерной
техникой.
Различные авторы дают различную типологию методов распознавания образов. Одни авторы различают
параметрические, непараметрические и эвристические методы, другие – выделяют группы методов, исходя из
исторически сложившихся школ и направлений в данной области.
Например, в работах В.А. Дюка [32, 33], в которых дан академический обзор методов распознавания,
используется следующая типология методов распознавания образов:
– методы, основанные на принципе разделения;
– статистические методы;
– методы, построенные на основе "потенциальных функций";
– методы вычисления оценок (голосования);
– методы, основанные на исчислении высказываний, в частности на аппарате алгебры логики.
В основе данной классификации лежит различие в формальных методах распознавания образов и
поэтому опущено рассмотрение эвристического подхода к распознаванию, получившего полное и адекватное
развитие в экспертных системах.
Эвристический подход основан на трудно формализуемых знаниях и интуиции исследователя. При этом
исследователь сам определяет, какую информацию и каким образом система должна использовать для
достижения требуемого эффекта распознавания.
Подобная типология методов распознавания с той или иной степенью детализации встречается во
многих работах по распознаванию. В то же время известные типологии не учитывают одну очень существенную
характеристику, которая отражает специфику способа представления знаний о предметной области с помощью
какого–либо формального алгоритма распознавания образов.
В.А. Дюка [32, 33] выделяет два основных способа представления знаний:
– интенсиональное, в виде схемы связей между атрибутами (признаками).
– экстенсиональное, с помощью конкретных фактов (объекты, примеры).
Интенсиональное представление фиксируют закономерности и связи, которыми объясняется структура
данных. Применительно к диагностическим задачам такая фиксация заключается в определении операций над
атрибутами (признаками) объектов, приводящих к требуемому диагностическому результату. Интенсиональные
представления реализуются посредством операций над значениями атрибутов и не предполагают произведения
операций над конкретными информационными фактами (объектами).
В свою очередь, экстенсиональные представления знаний связаны с описанием и фиксацией конкретных
объектов из предметной области и реализуются в операциях, элементами которых служат объекты как целостные
системы.
Можно провести глубокую и далеко идущую аналогию между интенсиональными и экстенсиональными
представлениями знаний и механизмами, лежащими в основе деятельности левого и правого полушарий
головного мозга человека. Если для правого полушария характерна целостная прототипная репрезентация
окружающего мира, то левое полушарие оперирует закономерностями, отражающими связи атрибутов этого
мира.
Описанные выше два фундаментальных способа представления знаний позволяют предложить
следующую классификацию методов распознавания образов:
– интенсиональные методы, основанные на операциях с признаками.
– экстенсиональные методы, основанные на операциях с объектами.
Существование именно этих двух (и только двух) групп методов распознавания: оперирующих с
признаками, и оперирующих с объектами, глубоко закономерно. С этой точки зрения ни один из этих методов,
взятый отдельно от другого, не позволяет сформировать адекватное отражение предметной области. Между
этими методами существует отношение дополнительности в смысле Н.Бора, поэтому перспективные системы
распознавания должны обеспечивать реализацию обоих этих методов, а не только какого–либо одного из них.
Таким образом, в основу классификации методов распознавания, предложенной В.А. Дюка [32, 33],
положены фундаментальные закономерности, лежащие в основе человеческого способа познания вообще, что
ставит ее в совершенно особое (привилегированное) положение по сравнению с другими классификациями.
62
Термины "Распознавание образов" и "Идентификация" являются синонимами.
Идентификация и прогнозирование часто практически ничем друг от друга не отличаются по
математическим моделям и алгоритмам. Основное различие между ними состоит в том, что при идентификации
признаки и состояния объекта относятся к одному времени, тогда как при прогнозировании признаки (факторы)
относятся к прошлому, а состояния объекта – к будущему.
Это означает, что системы распознавания образов с успехом могут применяться не только для решения
задач идентификации, но и прогнозирования.
Автоматизированная система управления состоит из двух основных частей: объекта управления и
управляющей системы (рисунок 71).
Управляющая система осуществляет следующие функции:
– идентификация состояния объекта управления;
– выработка управляющего воздействия исходя из целей управления с учетом состояния объекта
управления и окружающей среды;
– оказание управляющего воздействия на объект управления.
РЕФЛЕКСИВНЫЕ
АСУ
АКТИВНЫМИ
СИСТЕМАМИ
МОДЕЛЬ ОКРУЖАЮЩЕЙ СРЕДЫ,
ВКЛЮЧАЯ СИСТЕМУ УПРАВЛЕНИЯ.
МОНИТОРИНГ, АНАЛИЗ, ИДЕНТИФИКАЦИЯ, ПРОГНОЗИРОВАНИЕ, ЦЕЛЕПОЛАГАНИЕ, МОТИВАЦИЯ, СТИМУЛИРОВАНИЕ, ПРИНЯТИЕ РЕШЕНИЙ
УПРАВЛЯЮЩИЕ ФАКТОРЫ
(ВОЗДЕЙСТВИЯ
УПРАВЛЯЮЩЕЙ СИСТЕМЫ)
АДАПТИВНЫЕ
АСУ
СЛОЖНЫМИ
СИСТЕМАМИ
УПРАВЛЯЮЩЕЕ
ВОЗДЕЙСТВИЕ
ФАКТОРЫ, ХАРАКТЕРИЗУЮЩИЕ ПРОШЛЫЕ, ТЕКУЩЕЕ
И ПРОГНОЗИРУЕМЫЕ
СОСТОЯНИЯ
ОКРУЖАЮЩЕЙ СРЕДЫ
ИНТЕЛЛЕКТУАЛЬНАЯ
ИНФОРМАЦИОННАЯ
СИСТЕМА (ИИС)
С ПОЗИЦИЙ
АКТИВНОГО ОБЪЕКТА
УПРАВЛЕНИЯ
РЕАКЦИЯ
АОУ
НА
ФАКТОРЫ
СЛОЖНАЯ СИСТЕМА
ПОДДЕРЖКИ ФУНКЦИЙ ИИС
И РЕАЛИЗАЦИИ РЕШЕНИЙ
УПРАВЛЯЮЩАЯ СИСТЕМА
ПОДСИСТЕМА ВЫРАБОТКИ
УПРАВЛЯЮЩИХ ВОЗДЕЙСТВИЙ
ПОДСИСТЕМА РЕАЛИЗАЦИИ
УПРАВЛЯЮЩИХ ВОЗДЕЙСТВИЙ
- ПРОГНОЗ РАЗВИТИЯ ОКРУЖАЮЩЕЙ СРЕДЫ;
- РЕШЕНИЕ ЗАДАЧИ О ВЫБОРЕ УПРАВЛЕНИЯ, ПЕРЕВОДЯЩЕГО
ОБЪЕКТ УПРАВЛЕНИЯ В ЗАДАННОЕ ЦЕЛЕВОЕ СОСТОЯНИЕ;
- ПРОГНОЗ РАЗВИТИЯ ОБЪЕКТА ПРИ ОТСУТВИИ УПРАВЛЕНИЯ,
ПРИ ВЫБРАННОМ УПРАВЛЕНИИ И ПРИ ОТСУТСТВИИ ИЛИ ЗАМЕНЕ
ОТДЕЛЬНЫХ УПРАВЛЯЮЩИХ ФАКТОРОВ.
С ПОЗИЦИЙ
УПРАВЛЯЮЩЕЙ
СИСТЕМЫ
ЦЕЛЕВЫЕ
СОСТОЯНИЯ
ЦЕЛЕВЫЕ
СОСТОЯНИЯ
НЕЖЕЛАТЕЛЬНЫЕ
СОСТОЯНИЯ
НЕЖЕЛАТЕЛЬНЫЕ
СОСТОЯНИЯ
ИНФОРМАЦИЯ
ОБРАТНОЙ СВЯЗИ
О РЕЗУЛЬТАТАХ
УПРАВЛЕНИЯ
ФАКТОРЫ, ХАРАКТРИЗУЮЩИЕ ПРОШЛЫЕ И ТЕКУЩИЕ
СОСТОЯНИЯ АКТИВНОГО
ОБЪЕКТА УПРАВЛЕНИЯ
БУДУЩИЕ СОСТОЯНИЯ
АКТИВНОГО ОБЪЕКТА
УПРАВЛЕНИЯ
АКТИВНЫЙ ОБЪЕКТ
УПРАВЛЕНИЯ (АОУ)
ФАКТОРЫ
ПОДСИСТЕМА ИДЕНТИФИКАЦИИ
И ПРОГНОЗИРОВАНИЯ
ИДЕНТИФИКАЦИЯ АКТУАЛЬНОГО СОСТОЯНИЯ
АКТИВНОГО ОБЪЕКТА УПРАВЛЕНИЯ
И ОКРУЖАЮЩЕЙ СРЕДЫ
ПО ИХ ПАРАМЕТРАМ
Рисунок Error! Bookmark not defined.. Обобщенная схема рефлексивной системы управления
активными объектами
Распознавание образов есть не что иное, как идентификация состояния некоторого объекта.
Автоматизированная система управления (АСУ), построенная на традиционных принципах, может работать
только на основе параметров, закономерности связей которых уже известны, изучены и отражены в
математической модели. В итоге АСУ, основанные на традиционном подходе, практически не эффективны с
активными многопараметрическими слабодетерминированными объектами управления, такими, например, как
макро– и микро– социально-экономические системы в условиях динамичной экономики "переходного периода",
иерархические элитные и этнические группы, социум и электорат, физиология и психика человека, природные и
искусственные экосистемы и многие другие.
Поэтому, в состав перспективных АСУ, обеспечивающих устойчивое управление активными объектами в
качестве существенных функциональных звеньев должны войти подсистемы идентификации и прогнозирования
состояний среды и объекта управления, основанные на методах искусственного интеллекта (прежде всего
распознавания образов), методах поддержки принятия решений и теории информации.
Рассмотрим вопрос о применении систем распознавания образов для принятия решений об
управляющем воздействии. Применение систем распознавания для прогнозирования результатов управления
63
при различных сочетаниях управляющих факторов позволяет рассмотреть и сравнить различные варианты
управления и выбрать наилучшие из них по определенным критериям. Однако, этот подход на практике
малоэффективен, особенно если факторов много, т.к. в этом случае количество сочетаний их значений может
быть чрезвычайно большим.
Если в качестве классов распознавания взять целевые и иные будущие состояния объекта управления, а
в качестве признаков – факторы, влияющие на него, то в модели распознавания образов может быть
сформирована количественная мера причинно-следственной связи факторов и состояний.
Это позволяет по заданному целевому состоянию объекта управления получить информацию о силе и
направлении влияния факторов, способствующих или препятствующих переходу объекта в это состояние, и, на
этой основе, выработать решение об управляющем воздействии.
Задача выбора факторов по состоянию является обратной задачей прогнозирования, т.к. при
прогнозировании, наоборот, определяется состояние по факторам.
Факторы могут быть разделены на следующие группы:
– характеризующие предысторию объекта управления и его актуальное состояние управления;
– технологические (управляющие) факторы;
– факторы окружающей среды;
Системы распознавания образов могут быть применены в составе АСУ в подсистемах:
- идентификации состояния объекта управления;
- выработки управляющих воздействий.
Это целесообразно в случае, когда объект управления представляет собой сложную или активную
систему.
Термин "Кластерный анализ" впервые ввел Tryon в 1939.
Кластеризация – это операция автоматической классификации, в ходе которой объекты объединяются в
группы (кластеры) таким образом, что внутри групп различия между объектами минимальны, а между группами –
максимальны. При этом в ходе кластеризации не только определяется состав кластеров, но и сам их набор и
границы.
Поэтому вполне обоснованно считается, что методы кластерного анализа используются в большинстве
случаев тогда, когда нет каких-либо априорных гипотез относительно классов, т.е. исследование находится на
первой эмпирической стадии: описательной.
Существует большое количество различных алгоритмов кластеризации, которые обычно связаны с
полным перебором объектов и весьма трудоемки в вычислительном отношении, здесь же мы упомянем лишь о
трех из них:
– объединение (древовидная кластеризация);
– двухвходовое объединение;
– метод K средних.
http://StatSoft.ru
Древовидная диаграмма (диаграмму (рисунок 72) начинается с конкретных объектов (в левой части
диаграммы). Теперь представим себе, что постепенно (очень малыми шагами) вы "ослабляете" ваш критерий о
том, какие объекты являются уникальными, а какие нет. Другими словами, вы понижаете порог, относящийся к
решению об объединении двух или более объектов в один кластер.
В результате, вы связываете вместе всё большее и большее число объектов и агрегируете
(объединяете) все больше и больше кластеров, состоящих из все сильнее различающихся элементов.
Окончательно, на последнем шаге все объекты объединяются вместе.
64
Рисунок Error! Bookmark not defined.. Древовидная диаграмма последовательной кластеризации
Исследователь может кластеризовать конкретные образы наблюдаемых объектов для определения
кластеров объектов со сходными признаками.
Он может также кластеризовать признаки для определения кластеров признаков, которые связаны с
конкретными сходными объектами.
В двувходовом алгоритме эти процессы осуществляются одновременно.
Метод K средних.
В этом методе принадлежность объектов к кластерам определяется таким образом, чтобы:
– минимизировать изменчивость (различия) объектов внутри кластеров;
- максимизировать изменчивость объектов между кластерами.
Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining)
По работе В. Дюк, А. Самойленко. Data Mining: учебный курс (+ CD-ROM). 2001 г. Издательство: Питер.
Серия: Учебный курс. – 368 с., а также в материалах сайта компании BI Partner: http://bipartner.ru/services/
Интеллектуальный анализ данных
Интеллектуальный анализ данных (ИАД или data mining) – это процесс обнаружения в "сырых" данных
ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для
принятия решений в различных сферах человеческой деятельности. Обзор материалов Internet, посвященных
ИАД показывает, что данное определение является классическим. Тем ни менее, на наш взгляд, оно содержит
несколько неточностей:
– в определение этого понятия входят слова "анализ" и "знания", тогда как знания нужны для управления,
т.е. достижения цели;
– – для интерпретации доступны не только знания, но уже и информация;
– –
термин "ИАД" не подразумевает какого-либо одного метода анализа данных, но является
собирательным и объединяет многие направления исследований и разработок в области СИИ.
Поэтому предлагается другое, более точное определение понятия.
Интеллектуальный анализ данных (ИАД или data mining) – это совокупность математических моделей,
численных методов, программных средств и информационных технологий, обеспечивающих обнаружение в
эмпирических данных доступной для интерпретации информации и синтез на основе этой информации ранее
неизвестных, нетривиальных и практически полезных для достижения определенных целей знаний.
65
Технологии data mining являются наиболее совершенным инструментом для решения сложных
аналитических задач. Они основаны на мощном математическом и статистическом аппарате, корректное
применение которого позволяет достичь высоких результатов.
Все большим количеством компаний предлагаются услуги в области интеллектуального анализа данных,
что предполагает проведение следующих работ:
– проведение исследования накопленной статистики;
– выявление закономерностей;
– создание моделей данных;
– верификация и апробация моделей данных;
– внедрение модели в практику.
Типы выявляемых закономерностей
Успех применения систем data mining основан на том, что эти технологии обеспечивают исследование
эмпирических данных и выявление в них скрытых закономерностей различных видов.
Ассоциация (идентификация). Если некоторый факт-1 является частью определенного события, то с
расчетной вероятностью и другой факт-2, связанный с первым, будет частью того же события.
Последовательность (прогнозирование). Если свершилось некоторое событие-1, то с расчетной
вероятностью через определенный период времени свершится другое событие-2, связанное с первым.
Классификация. На основании информации о свойствах объекта ему присваивается определенное
дискретное значение показателя, по которому проводится классификация (идентификатор).
Кластеризация. Наиболее сходные по своим признакам объекты объединяются в группы (кластеры)
таким образом, что в разных кластерах оказываются наиболее сильно отличающиеся друг от друга объекты.
Кластеризация аналогична классификации, но в отличие от последней классы – кластеры объектов заранее не
известны, а формируются в процессе кластеризации.
Прогнозирование. Прошлые фактические значения величин используются для прогнозирования будущих
значений тех же или других величин на основании на основании знания зависимостей между ними, трендов и
статистики.
Ассоциация
Ассоциация используется для определения закономерностей в событиях или процессах. Ассоциации
связывают различные факты одного события. В качестве примера может служить выявленная закономерность,
что мужчины, предпочитающие элитные сорта кофе в три раза чаще покупают импортные сигареты, чем
мужчины, покупающие обычный кофе.
Результатом ассоциативного анализа являются правила вида: Если факт А является частью события, то
с вероятностью Х факт B будет частью того же события.
Последовательность
Последовательные шаблоны аналогичны ассоциациям с той лишь разницей, что связывают события,
разнесенные во времени. Например, последовательный шаблон может предсказывать, что человек, купивший
посудомоечную машину с вероятностью 0.7 купит сушилку для одежды в течение следующих шести месяцев. Для
увеличения этой вероятности магазин может предложить ему скидку в 10% на покупку сушильного аппарата в
течение трех или четырех месяцев после покупки посудомоечной машины.
Классификация
Классификация – наиболее часто используемый метод интеллектуального анализа. Данный метод
сосредотачивает внимание на поведении и атрибутах уже существующих групп. Группы могут включать людей,
которые часто летают, много тратят, лояльных клиентов, людей, которые откликаются на компании прямой
рассылки и т.д. С помощью алгоритмов классификации можно классифицировать объекты по заранее известным
характеристикам. В классификации часто используются индукционные алгоритмы, которые позволяют по
небольшому массиву данных, отнесенных к известным классам, определять дополнительные классы. Примером
использования классификации может служить определение характеристик клиентов, которые вероятно захотят/не
захотят приобрести определенный продукт или услугу. Имея такую группировку клиентов, мы можем значительно
сократить расходы на акциях продвижения товара или прямой рассылки.
Кластеризация
Кластеризация используется для обнаружения классов схожих объектов в имеющемся наборе данных.
Кластеризация аналогична классификации, но в отличие от последней классы объектов заранее не известны.
Методы кластеризации широко используют алгоритмы нейронных сетей и статистическую обработку. В процессе
кластеризации средство интеллектуального анализа определяет схожие характеристики объектов и на их основе
объединяет объекты в классы. Качество процесса кластеризации определяется схожестью объектов внутри
класса и степенью отличия разных классов между собой. Кластеризация обычно применяется для решения таких
66
задач, как определение производственного брака или выявления групп услуг по кредитным карточкам
предпочтительных для разных групп клиентов.
Прогнозирование
Регрессия – один из двух методов прогнозирования. Данный метод использует имеющиеся фактические
значения величин для прогнозирования будущих на основании трендов и имеющейся статистики. Например,
объем продаж аксессуаров для спортивных машин можно спрогнозировать по количеству проданных спортивных
машин в прошлом месяце.
Различие между регрессией и временными рядами состоит в том, что временные ряды предсказывают
значения переменных, зависящих от времени. Например, с их помощью можно прогнозировать количество
несчастных случаев во время каникул на основе аналогичных данных за прошлый период. Время в данном
случае может содержать иерархии (рабочая неделя, календарная неделя, период) праздники, сезоны, интервалы
дат.
Математический аппарат
Основой систем data mining является выявление различных закономерностей в данных. При этом
применяются следующие методы:
– деревья решений;
– алгоритмы кластеризации;
– регрессионный анализ;
– нейронные сети;
– временные ряды.
Деревья решений
Деревья решения являются одним из наиболее популярных подходов к решению задач data mining. Они
создают иерархическую структуру классифицирующих правил типа «ЕСЛИ... ТО...», имеющую вид дерева. Для
того чтобы решить, к какому классу отнести некоторый объект или ситуацию, требуется ответить на вопросы,
стоящие в узлах этого дерева, начиная с его корня. Вопросы имеют вид «значение параметра A больше x». Если
ответ положительный, осуществляется переход к правому узлу следующего уровня, если отрицательный – то к
левому узлу; затем снова следует вопрос, связанный с соответствующим узлом.
Популярность подхода связана с наглядностью и понятностью. Но очень остро для деревьев решений
стоит проблема значимости. Дело в том, что отдельным узлам на каждом новом построенном уровне дерева
соответствует все меньшее и меньшее число записей данных – дерево дробит данные на большое количество
частных случаев. Чем больше этих частных случаев, чем меньше обучающих примеров попадает в каждый такой
частный случай, тем менее уверенной становится их классификация. Если построенное дерево слишком
«кустистое» – состоит из неоправданно большого числа мелких веточек – оно не будет давать статистически
обоснованных ответов. Как показывает практика, в большинстве систем, использующих деревья решений, эта
проблема не находит удовлетворительного решения. Кроме того, общеизвестно, и это легко показать, что
деревья решений дают полезные результаты только в случае независимых признаков. В противном случае они
лишь создают иллюзию логического вывода.
Область применения деревьев решений в настоящее время широка, но все задачи, решаемые этим
аппаратом, могут быть объединены в следующие три класса:
Описание данных. Деревья решений позволяют хранить информацию о данных в компактной форме,
вместо них мы можем хранить дерево решений, которое содержит точное описание объектов.
Классификация. Деревья решений отлично справляются с задачами классификации, т.е. отнесения
объектов к одному из заранее известных классов. Целевая переменная должна иметь дискретные значения.
Регрессия. Если целевая переменная имеет непрерывные значения, деревья решений позволяют
установить зависимость целевой переменной от независимых (входных) переменных. Например, к этому классу
относятся задачи численного прогнозирования (предсказания значений целевой переменной).
Регрессионный анализ
Регрессионный анализ позволяет исследовать формы связи, устанавливающие количественные
соотношения между случайными величинами изучаемого процесса.
Регрессия наиболее часто используется для построения прогнозных моделей.
Нейронные сети
Нейронные представляют собой большой класс систем, архитектура которых пытается имитировать
построение нервной ткани из нейронов. В одной из наиболее распространенных архитектур, многослойном
персептроне с обратным распространением ошибки, эмулируется работа нейронов в составе иерархической сети,
где каждый нейрон более высокого уровня соединен своими входами с выходами нейронов нижележащего слоя.
67
На нейроны самого нижнего слоя подаются значения входных параметров, на основе которых нужно принимать
какие-то решения, прогнозировать развитие ситуации и т. д.
Эти значения рассматриваются как сигналы, передающиеся в вышележащий слой, ослабляясь или
усиливаясь в зависимости от числовых значений (весов), приписываемых межнейронным связям. В результате
на выходе нейрона самого верхнего слоя вырабатывается некоторое значение, которое рассматривается как
ответ, реакция всей сети на введенные значения входных параметров. Для того чтобы сеть можно было
применять в дальнейшем, ее прежде надо «натренировать» на полученных ранее данных, для которых известны
и значения входных параметров, и правильные ответы на них. Эта тренировка состоит в подборе весов
межнейронных связей, обеспечивающих наибольшую близость ответов сети к известным правильным ответам.
Временные ряды
Временной ряд – это расположение во времени статистических показателей, которые в своих
последовательных изменениях отражают ход развития изучаемых процессов.
Временные ряды исследуются с различными целями. В одном ряде случаях бывает достаточно получить
описание характерных особенностей ряда, а в другом ряде случаев требуется не только предсказывать будущие
значения временного ряда, но и управлять его поведением. Метод анализа временного ряда определяется, с
одной стороны, целями анализа, а с другой стороны, вероятностной природой формирования его значений.
Спектральный анализ. Позволяет находить периодические составляющие временного ряда
Корреляционный анализ. Позволяет находить существенные периодические зависимости и
соответствующие им задержки (лаги) как внутри одного ряда (автокорреляция), так и между несколькими рядами.
(кросскорреляция)
Модели авторегрессии и скользящего среднего. Модели ориентированы на описание процессов,
проявляющих однородные колебания, возбуждаемые случайными воздействиями. Позволяют предсказывать
будущие значения ряда.
Базовая когнитивная концепция в свободном изложении
Исходные данные для процесса познания поставляются из нескольких независимых информационных
источников, имеющих качественно различную природу, которые мы будем условно называть "органы чувств".
Данные от органов чувств также имеют качественно различную природу, обусловленную конкретным видом
информационного источника. Для обозначения этих исходных данных будем использовать термин "атрибут". В
результате выполнения когнитивной операции "присвоение имен" атрибутам могут быть присвоены уникальные
имена, т.е. они могут быть отнесены к некоторым градациям номинальных шкал. Получение информации о
предметной области в атрибутивной форме осуществляется когнитивной операцией "восприятие".
Исходные данные содержат внутренние закономерности, объединяющие качественно разнородные
исходные данные от различных информационных источников.
После восприятия предметной области может быть проведен ее первичный анализ путем выполнения
когнитивной операции: "сопоставление опыта, воплощенного в модели, с общественным", т.е. с результатами
восприятия той же предметной области другими. Это делается с целью исключения из дальнейшего анализа всех
наиболее явных расхождений, как сомнительных.
Однако, закономерности в предметной области могут быть выявлены путем выполнения когнитивной
операции "обобщение" только после накопления в результате мониторинга достаточно большого объема
исходных данных в памяти.
Наличие этих закономерностей позволяют предположить, что:
– существуют некие интегративные структуры, не сводящиеся ни к одному из качественно-различных
аспектов исходных данных и обладающие по отношению к ним системными, т.е. эмерджентными свойствами,
которые не могут быть предметом прямого восприятия с помощью органов чувств, но могут являться предметом
для других форм познания, например логической формы. Для обозначения этих структур будем использовать
термин "объект";
– "объекты" считаются причинами существования взаимосвязей между атрибутами.
Объектам приписывается объективное существование, в том смысле, что любой объект обнаруживается
несколькими независимыми друг от друга способами с помощью различных органов чувств (этот критерий
объективного существования в физике называется "принцип наблюдаемости").
После обобщения возможны когнитивные операции: "определение значимости шкал и градаций
атрибутов" и "определение степени сформированности шкал и градаций классов".
Путем выполнения когнитивной операции "присвоение имен" конкретным объектам могут быть
присвоены уникальные имена, т.е. они могут быть отнесены к некоторым градациям номинальной шкалы,
которые мы будем называть "классами". В данном случае класс представляет собой отображение объекта шкалу,
68
т.е. это своего рода целостный образ объекта. После этого возможно выполнение когнитивной операции
"идентификация" объектов, т.е. их "узнавание": при этом по атрибутам объекта определяется класс, к которому
принадлежит объект. При этом все атрибуты, независимо от их качественно различной природы,
рассматриваются с одной-единственной точки зрения: "Какое количество информации они несут о
принадлежности данного объекта к каждому из классов".
Кроме того возможно выполнение когнитивной операции: "дедукция и абдукция, обратная задача
идентификации и прогнозирования", имеющей очень важное значение для управления, т.е. вывод всех атрибутов
в порядке убывания содержащегося в них количества информации о принадлежности к данному классу.
Аналогично, может быть выполнена когнитивная операция: "семантический анализ атрибута",
представляющий собой список классов, в порядке убывания количества информации о принадлежности к ним,
содержащейся в данном атрибуте.
Таким образом возможно два взаимно-дополнительных способа отображения объекта: в форме
принадлежности к некоторому классу (целостное, интегральное, экстенсиональное); в форме системы атрибутов
(дискретное, интенсиональное).
Дальнейшее изучение атрибутов позволяет ввести понятия "порядковая шкала" и "градация". Порядковая
шкала представляет собой способ классификации атрибутов одного качества, обычно по степени выраженности
(интенсивности). Градация – это конкретное положение или диапазон на шкале, которому ставится в
соответствие конкретный атрибут, соответствующее определенной степени интенсивности. Каждому виду
атрибутов, информация о которых получается с помощью определенного "органа чувств", ставится в
соответствие одна шкала. Таким образом, если при анализе в номинальных шкалах, можно было в принципе
ввести одну шкалу для всех атрибутов, то в порядковых шкалах каждому атрибуту будет соответствовать своя
шкала.
После идентификации уникальных объектов с классами возможна их классификация и присвоение
обобщающих имен группам похожих классов. Для обозначения группы похожих классов используем понятие
"кластер". Формирование кластеров осуществляется с помощью когнитивной операции "классификация". Кластер
представляет собой своего рода "объект, состоящий из объектов", т.е. объект 2-го порядка. Если объект
выполняет интегративную функцию по отношению к атрибутам, то кластер – по отношению к объектам.
Необходимо подчеркнуть, что термин "класс" используется не только для обозначения образов
уникальных объектов, но и для обозначения их кластеров, т.е. классу может соответствовать не уникальное, а
обобщающее имя, в этом случае мы имеем дело с обобщенным классом. Да и кластеры могут быть не только
кластерами уникальных объектов, но и обобщенных классов.
Если объективное существование уникальных объектов мало у кого вызывает сомнение, то вопрос об
объективном существовании интегративных структур 2-го и более высоких порядков остается открытым. В
некоторых философских системах подобным объектам приписывался даже более высокий статус существования,
чем самим объектам, например обычные объекты рассматриваются лишь как "тени" "Эйдосов" (Платон).
Известны и другие понятия для обозначения объектов высоких порядков, например "архетип" (Юм), "эгрегор"
(Андреев) и др. Нельзя не отметить, что в современной физике (специальной и общей теории относительности)
есть подобное понятие пространственно-временного интервала, который проявляется как движение объекта. Повидимому, статус существования структур реальности, отражаемых когнитивными структурами тем выше, чем
выше интегративный уровень этих структур.
Являясь объектами 2-го порядка сами кластеры в результате выполнения когнитивной операции
"генерация конструктов" могут быть классифицированы по степени сходства друг с другом. Для обозначения
системы двух противоположных кластеров, с "спектром" промежуточных кластеров между ними, будем
использовать термин "бинарный конструкт", при этом сами противоположные кластеры будем называть "полюса
бинарного конструкта". Таким образом конструкт представляет собой объект 3-го порядка.
Словом "бинарный" определяется, что в данном случае полюсов у конструкта всего два, но этим самым
подчеркивается, что в принципе их может быть 3, 4 и больше. Бинарный конструкт можно формально
представить в виде порядковой шкалы или даже шкалы отношений, на которой градациям соответствуют
кластеры, а значит и сами классы и соответствующие объекты. Конструкты с количеством полюсов больше 2
могут быть представлены графически в форме семантических сетей в которых полюса являются вершинами, а
дуги имеют цвет и толщину, соответствующие степени сходства-различия этих вершин. Семантические сети
можно считать также просто графической формой представления результатов кластерного анализа.
Аналогично кластерам и конструктам классов формируются кластеры и конструкты атрибутов. В
кластеры объединяются атрибуты, имеющие наиболее сходный смысл. В качестве полюсов конструктов
выступают кластеры атрибутов, противоположных по смыслу.
Бинарные конструкты классов и атрибутов представляет собой когнитивные структуры, играющие
огромную роль в процессах познания. Не будет преувеличением сказать, что познание представляет собой
69
процесс генерации, совершенствования и применения конструктов. Будем считать, что конструкт тем более
совершенен и тем выше его качество, чем сильнее отличаются его полюса, т.е. чем больше диапазон его области
значений.
В кластерном анализе определялась степень сходства или различия классов, а не то, чем конкретно
сходны или отличаются. При выполнении когнитивной операции "содержательное сравнение" двух классов
определяется вклад каждого атрибута в их сходство или различие. Результаты содержательного сравнения
выводятся в наглядной графической форме когнитивных диаграмм, в которых изображаются информационные
портреты классов с наиболее характерными и нехарактерными для них атрибутами и атрибуты разных классов
соединяются линиями, цвет и толщина которых соответствуют величине и знаку вклада этих атрибутов в
сходство или различие данных классов.
Результаты идентификации и прогнозирования, осуществленные с помощью модели, путем выполнения
когнитивной операции "верификация" сопоставляются с опытом, после чего определяется выполнять ли
когнитивную операцию "обучение", состоящую в том, что параметры модели могут изменяться количественно, и
тогда мы имеем дело с адаптацией, или качественно, и тогда идет речь о переформировании модели.
Базовая когнитивная концепция в формальном изложении
1. Процесс познания начинается с чувственного восприятия. Различные органы восприятия дают качественноразличную чувственную информацию в форме дискретного потока элементов восприятия. Эти элементы
формализуются с помощью описательных шкал и градаций.
2. В процессе накопления опыта выявляются взаимосвязи между элементами чувственного восприятия:
одни элементы часто наблюдаются с другими (имеет место их пространственно-временная корреляция), другие
же вместе встречаются достаточно редко. Существование устойчивых связей между элементами восприятия
говорит о том, что они отражают некую реальность, интегральную по отношению к этим элементам. Эту
реальность будем называть объектами восприятия. Рассматриваемые в единстве с объектами элементы
восприятия будем называть признаками объектов. Таким образом, органы восприятия дают чувственную
информацию о признаках наблюдаемых объектов, процессов и явлений окружающего мира (объектов).
Чувственный образ конкретного объекта представляет собой систему, возникающую как результат процесса
синтеза признаков этого объекта. В условиях усложненного восприятия синтез чувственного образа объекта
может быть существенно замедленным и даже не завершаться в реальном времени.
3. Человек присваивает конкретным объектам названия (имена) и сравнивает объекты друг с другом. При
сравнении выясняется, что одни объекты в различных степенях сходны по их признакам, а другие отличаются.
Сходные объекты объединяются в обобщенные категории (классы), которым присваиваются имена, производные
от имен входящих в категорию конкретных объектов. Классы формализуются с помощью классификационных
шкал и градаций и обеспечивают интегральный способ описания действительности. Путем обобщения (синтеза,
индукции) информации о признаках конкретных объектов, входящих в те или иные классы, формируются
обобщенные образы классов. Накопление опыта и сравнение обобщенных образов классов друг с другом
позволяет определить степень характерности признаков для классов, смысл признаков и ценность каждого
признака для идентификации конкретных объектов с классами и сравнения классов, а также исключить наименее
ценные признаки из дальнейшего анализа без существенного сокращения количества полезной информации о
предметной области (абстрагирование). Абстрагирование позволяет существенно сократить затраты внутренних
ресурсов системы на анализ информации. Идентификация представляет собой процесс узнавания, т.е.
установление соответствия между чувственным описанием объекта, как совокупности дискретных признаков, и
неделимым (целостным) именем класса, которое ассоциируется с местом и ролью воспринимаемого объекта в
природе и обществе. Дискретное и целостное восприятие действительности поддерживаются, как правило,
различными полушариями мозга: соответственно, правым и левым (доминантность полушарий). Таким образом,
именно системное взаимодействие интегрального (целостного) и дискретного способов восприятия обеспечивает
возможность установление содержательного смысла событий. При выполнении когнитивной операции
"содержательное сравнение" двух классов определяется вклад каждого признака в их сходство или различие.
4. После идентификации уникальных объектов с классами возможна их классификация и присвоение
обобщающих имен группам похожих классов. Для обозначения группы похожих классов используем понятие
"кластер". Но и сами кластеры в результате выполнения когнитивной операции "генерация конструктов" могут
быть классифицированы по степени сходства друг с другом. Для обозначения системы двух противоположных
кластеров, со "спектром" промежуточных кластеров между ними, будем использовать термин "бинарный
конструкт", при этом сами противоположные кластеры будем называть "полюса бинарного конструкта". Бинарные
конструкты классов и атрибутов, т.е. конструкты с двумя полюсами, наиболее типичны для человека и
представляет собой когнитивные структуры, играющие огромную роль в процессах познания. Достаточно сказать,
70
что познание можно рассматривать как процесс генерации, совершенствования и применения конструктов.
Качество конструкта тем выше, чем сильнее отличаются его полюса, т.е. чем больше диапазон его смысла.
Результаты идентификации и прогнозирования, осуществленные с помощью модели, путем выполнения
когнитивной операции "верификация" сопоставляются с опытом, после чего определяется целесообразность
выполнения когнитивной операции "обучение". При этом может возникнуть три основных варианта:
1. Объект, входит в обучающую выборку и достоверно идентифицируется (внутренняя валидность, в
адаптации нет необходимости).
2. Объект, не входит в обучающую выборку, но входит в исходную генеральную совокупность, по
отношению к которой эта выборка репрезентативна, и достоверно идентифицируется (внешняя валидность,
добавление объекта к обучающей выборке и адаптация модели приводит к количественному уточнению смысла
признаков и образов классов).
3. Объект не входит в исходную генеральную совокупность и идентифицируется недостоверно (внешняя
валидность, добавление объекта к обучающей выборке и синтез модели приводит к качественному уточнению
смысла признаков и образов классов, исходная генеральная совокупность расширяется).
Генезис системной (эмерджентной) теории информации
Полученное системное обобщение формулы Харкевича (3.28) учитывает как взаимосвязь между
признаками (факторами) и будущими, в т.ч. целевыми состояниями объекта управления, так и мощность
множества будущих состояний объекта управления. Кроме того она объединяет возможности интегрального и
дискретного описания объектов, учитывает уровень системности и степень детерминированности описываемой
системы (таблица 14):
Таблица Error! Bookmark not defined. – СООТВЕТСТВИЕ ТРЕБОВАНИЯМ ФОРМУЛ
"КТИ / СТИ"
При этом факторами являются управляющие факторы, т.е. управления со стороны системы управления,
факторы окружающей среды, а также факторы, характеризующие текущее и прошлые состояния объекта
управления. Все это делает полученное выражение (3.28) оптимальным по сформулированным критериям для
целей построения содержательных информационных моделей активных объектов управления и для применения
для синтеза адаптивных систем управления (см. диаграмму: "Генезис системного обобщения формулы
Харкевича для количества информации", рисунок 30).
71
Системное обобщение
формулы Харкевича (СТИ)
æ N
I ij (W , M ) = Log 2 ç ij
çN N
è i j
Системное обобщение
формулы Шеннона
æ N ö
Iij (W, M ) = Log2 ç ij ÷
çNN ÷
è i jø
Log2W j
Log2 N
Классическая формула
Шеннона для плотности
информации
æ N ij
I ij = Log2 ç
çN N
è i j
ö
÷
÷
ø
Коэффициент эмерджентности Харкевича
(характеризует детерминированность системы):
Log 2W j
ö Log2 N
÷
+ Log 2W j
÷
ø
Системное обобщение
формулы Харкевича
Системное обобщение
формулы Хартли
Y
æ Nij N ö
÷
Iij (W, M ) = Log2 ç
çNN ÷
è i jø
I (W, M) = Log2Wj
Классическая
формула Харкевича
Классическая
формула Хартли
æ Nij N ö
÷
I ij = Log2 ç
çN N ÷
è i jø
I (W ) = Log2W
Log 2W j
Y =
Log 2 N
Коэффициент
эмерджентности
Хартли (характеризует
"эффект системы"):
M
Log
j =
2
åC
m =1
m
W
Log 2 W
ОБОЗНАЧЕНИЯ:
W - количество классов (мощность множества будущих состояний объекта управления)
M - максимальный уровень сложности смешанных состояний объекта управления
Nij - суммарное количество встреч i-го фактора у объектов, перешедших в j-е состояние
Nj - суммарное количество встреч различных факторов у объектов, перешедших в j-е состояние
Ni - суммарное количество встреч i-го фактора у всех объектов
N - суммарное количество встреч различных факторов у всех объектов
C mW - количество сочетаний из W по m
Рисунок Error! Bookmark not defined.. Генезис системной (эмерджентной) теории информации
Итак, различные выражения классической теории информации для количества информации: Хартли,
Шеннона и Харкевича учитывают различные аспекты информационного моделирования объектов.
Полученное системное обобщение формулы А.Харкевича (3.28) учитывает как взаимосвязь между
признаками (факторами) и будущими, в т.ч. целевыми состояниями объекта управления, так и мощность
множества будущих состояний. Кроме того она объединяет возможности интегрального и дискретного описания
объектов, учитывает уровень системности и степень детерминированности системы.
Различие между классическим понятием информации и его предложенным системным обобщением
определяется различием между понятиями множества и системы, на основе которых они сформированы.
Система при этом рассматривается как множество элементов, объединенных определенными видами
взаимодействия ради достижения некоторой общей цели.
Все это делает полученное выражение (3.28) оптимальным по сформулированным критериям для целей
построения содержательных информационных моделей активных объектов управления и для применения для
синтеза рефлексивных АСУ активными объектами.
Гипотеза о законе возрастания эмерджентности и следствия из него.
Численные расчеты и аналитические выкладки в соответствии с СТИ показывают, что при возрастании
количества элементов в системе доля системной информации в поведении ее элементов возрастает. Это
72
обнаруженное нами новое фундаментальное свойство систем предлагается назвать законом возрастания
эмерджентности.
Закон возрастания эмерджентности: "Чем больше элементов в системе, тем большую долю
содержащейся в ней информации составляет информация, содержащаяся во взаимосвязях ее элементов".
На рисунках 26 и 27 приведены графики скорости и ускорения возрастания эмерджентности в
зависимости от количества элементов W в системе.
Рисунок. Возрастание доли системной информации
в поведении элемента системы при увеличении
количества элементов W
Рисунок. Ускорение возрастания доли системной
информации в поведении элемента системы от
количества элементов W
Более детальный анализ предполагаемого закона возрастания эмерджентности с использованием
конечных разностей первого и второго порядка (таблица 11) показывает, что при увеличении количества
элементов в системе доля системной информации в ней возрастает с ускорением, которое постепенно
уменьшается. Это утверждение будем называть леммой 1.
Продолжим анализ закона возрастания эмерджентности. Учитывая, что:
CWm =
W!
m!(W  m)!
выражение (3.3) принимает вид:
M
W!
m =1 m!(W  m)!
I = Log 2 å
(3.3)
где: 1<=М<=W.
M
W!
=
m
!
(
W

m
)!
m =1
I = Log 2 å
M
æ
ö
1
÷÷ =
= Log 2 ççW !å
m
!
(
W

m
)!
m
=
1
è
ø
M
1
= Log 2 W ! + Log 2 å
=
m =1 m! (W  m)!
W
M
1
m =1 m! (W  m)!
= å Log 2 n + Log 2 å
n =1
и учитывая, что Log21=0, выражение (3.13) приобретает вид:
W
M
1
= I (W ) + I (W , M )
m
!
(
W

m
)!
m =1
I = å Log 2 n + Log 2 å
n=2
Где введены обозначения:
(3.13)
73
W
I (W ) = å Log 2 n
n=2
(3.14)
M
1
I (W , M ) = Log 2 å
m =1 m! (W  m)!
С учетом (3.14) выражение (3.9) для коэффициента эмерджентности Хартли приобретает вид:
M
W
j=
случай:
å Log n
2
n=2
Log 2W
1
m=1 m! (W  m)!
Log 2W
Log 2 å
+
Заменяя в (3.13) факториал на Гамма-функцию, получаем обобщение выражения (3.3) на непрерывный
M
I = Log 2
æ
G (W )
ö
 ççè G(m)  G(W  m) ÷÷ødm =
m =1
M


dm
= Log 2 G (W )  
=
G
(
m
)

G
(
W

m
)
m =1


M
= Log 2G (W ) + Log 2
dm
 G(m)  G(W  m)
m =1
Или окончательно:
M
I = Log 2G(W ) + Log 2
dm
 G(m)  G(W  m) = I (W ) + I (W , M )
m=1
(3.14)
Для непрерывного случая обозначения (3.15) принимают вид:
I (W ) = Log 2 G (W )
M
I (W , M ) = Log 2
dm
m=1 G(m)  G(W  m)
(3.15)
Учитывая выражения (3.9) и (3.16) получим выражение для коэффициента эмерджентности Хартли для
непрерывного случая:
M
dm
G (m)  G (W  m)
m =1
=
Log 2W
Log 2 G (W ) + Log 2
j=

M
=
Log 2 G (W )
+
Log 2W
Log 2
dm
G (m)  G (W  m)
m =1
Log 2W

И окончательно для непрерывного случая:
M
j=
Log 2G (W )
+
Log 2W
Log 2
dm
G (m)  G (W  m)
m =1
Log 2W

(3.1)
Анализируя выражения (3.14) и (3.16) видим, что количество информации, получаемое при выборке из
системы некоторого ее элемента, состоит из двух слагаемых:
1) I(W), зависящего только от количества элементов в системе W (первое слагаемое);
2) I(W, M), зависящего как от количества элементов в системе W, так и от максимальной сложности, т.е.
связности элементов подсистем M между собой (второе слагаемое).
74
Этот результат позволяет высказать гипотезы "О природе сложности системы" и "О видах системной
информации":
– сложность системы определяется количеством содержащейся в ней информации;
– системная информация включает две составляющих: зависящее от количества элементов системы и
зависящее также от характера взаимосвязей между элементами.
Изучим какой относительный вклад вносит каждое слагаемое в общее количество информации системы
в зависимости от числа элементов в системе W и сложности подсистем M. Результаты численных расчетов
показывают, что чем выше уровень системности, тем большая доля информации системы содержится во
взаимосвязях ее элементов, и чем меньше элементов с системе, тем быстрее возрастает доля информации,
содержащейся во взаимосвязях элементов при возрастании уровня системности. Эти утверждения будем
рассматривать как леммы 2 и 3. Таким образом полная формулировка гипотезы о законе возрастания
эмерджентности с гипотезой о видах информации в системе и тремя леммами приобретает вид:
ГИПОТЕЗА О ЗАКОНЕ ВОЗРАСТАНИЯ ЭМЕРДЖЕНОСТИ: "Чем больше элементов в системе, тем
большую долю содержащейся в ней информации составляет информация, содержащаяся во взаимосвязях ее
элементов" (рисунок 28).
Гипотеза 2: "О видах системной информации":
Гипотеза 1: "О природе сложности системы":
сложность системы определяется
количеством содержащейся в ней информации
системная информация включает 2 составляющие
- зависящую от количества элементов системы;
- зависящее также от характера взаимосвязей
между элементами
ЗАКОН ВОЗРАСТАНИЯ ЭМЕРДЖЕНТНОСТИ:
Лемма-1:
при увеличении количества элементов в системе доля системной информации в ней возрастает с ускорением, которое постепенно уменьшается.
ЧЕМ БОЛЬШЕ ЭЛЕМЕНТОВ В СИСТЕМЕ,
ТЕМ БОЛЬШУЮ ДОЛЮ ОТ ВСЕЙ СОДЕРЖАЩЕЙСЯ
В НЕЙ ИНФОРМАЦИИ СОСТАВЛЯЕТ
СИСТЕМНАЯ ИНФОРМАЦИЯ
Лемма-3:
Лемма-2:
чем выше уровень системности, тем большая
доля информации системы содержится во
взаимосвязях ее элементов.
Следствие:
увеличение уровня системности влияет на объект
аналогично повышению
уровня детерминированности: понижение уровня
системности, также как и
степени детерминированности системы приводит
к ослаблению влияния
факторов на поведение
системы, т.е. к понижению
управляемости системы за
счет своего рода
"инфляции факторов"
чем меньше элементов
в системе, тем быстрее
возрастает доля информации, содержащейся во взаимосвязях
элементов при возрастании уровня системности.
Рисунок. Закон возрастания эмерджентности
Гипотеза 1: "О природе сложности системы": сложность системы определяется количеством
содержащейся в ней информации.
Гипотеза 2: "О видах системной информации": системная информация включает две составляющие:
– зависящую от количества элементов системы;
– зависящую как от количества элементов системы, так и от сложности взаимосвязей между ними.
Лемма-1: при увеличении количества элементов в системе доля системной информации в ней возрастает
с ускорением, которое постепенно уменьшается.
Лемма-2: чем выше уровень системности, тем большая доля информации системы содержится во
взаимосвязях ее элементов.
Лемма-3: чем меньше элементов в системе, тем быстрее возрастает доля информации, содержащейся
во взаимосвязях элементов при возрастании уровня системности.
Системное обобщение классической формулы Харкевича, как количественная мера знаний
Это обобщение представляет большой интерес, в связи с тем, что А.Харкевич впервые ввел в теорию
информации понятие цели. Он считал, что количество информации, сообщенное объекту, можно измерять по
изменению вероятности достижения цели этим объектом за счет использования им этой информации.
75
Рассмотрим таблицу 12, в которой столбцы соответствуют будущим состояниям АОУ (целевым и
нежелательным), а строки факторам, характеризующим объект управления, управляющую систему и
окружающую среду.
Таблица – МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ
Классическая формула А.Харкевича имеет вид:
I ij (W , M ) = Log 2
Pij
(3.??)
Pj
где:
– W – количество классов (мощность множества будущих состояний объекта управления)
– M – максимальный уровень сложности смешанных состояний объекта управления;
– индекс i обозначает фактор: 1 i  M;
– индекс j обозначает класс: 1 j  W;
– Pij – вероятность достижения объектом управления j-й цели при условии сообщения ему i-й
информации;
– Pj – вероятность самопроизвольного достижения объектом управления j-й цели.
Ниже глобальные параметры модели W и M в выражениях для I опускаются, т.к. они являются
константами для конкретной математической модели СК-анализа.
Однако: А.Харкевич в своем выражении для количества информации не ввел зависимости количества
информации, от мощности пространства будущих состояний объекта управления, в т.ч. от количества его
целевых состояний. Вместе с тем, один из возможных вариантов учета количества будущих состояний объекта
управления обеспечивается классической и системной формулами Хартли (3.1) и (3.9); выражение (3.19) при
подстановке в него реальных численных значений вероятностей Pij и Pj не дает количества информации в битах;
для выражения (3.19) не выполняется принцип соответствия, считающийся обязательным для обобщающих
теорий. Возможно, в этом состоит одна из причин слабого взаимодействия между классической теорией
информации Шеннона и семантической теорией информации.
Чтобы снять эти вопросы, приближенно выразим вероятности Pij, Pi и Pj через частоты:
Pij =
N ij
Ni
; Pi =
Nj
Ni
; Pj =
;
N
N
W
M
W
M
j =1
i =1
i =1 j =1
(3.??)
N i = å N ij ; N j = å N ij ; N = åå N ij
В (3.20) использованы обозначения:
Nij – суммарное количество наблюдений факта: "действовал i-й фактор и объект перешел в j-е состояние";
Nj – суммарное количество встреч различных факторов у объектов, перешедших в j-е состояние;
Ni – суммарное количество встреч i-го фактора у всех объектов;
N – суммарное количество встреч различных факторов у всех объектов.
Подставим в выражение (3.19) значения для Pij и Pj из (3.20):
76
I ij = Log 2
N ij N
(3.??)
Ni N j
Введем коэффициент эмерджентности Y в модифицированную формулу А.Харкевича:
æ N ij N
I ij = Log 2 ç
çN N
è i j
ö
÷
÷
ø
Y
(3.??)
где: Y – коэффициент эмерджентности Харкевича (как будет показано выше, он определяет степень
детерминированности объекта с уровнем системной организации j, имеющего W чистых состояний, на переходы
в которые оказывают влияние M факторов, о чем в модели накоплено N фактов).
Известно, что классическая формула Шеннона для количества информации для неравновероятных
событий преобразуется в формулу Хартли при условии, что события равновероятны, т.е. удовлетворяет
фундаментальному принципу соответствия [64].
Естественно потребовать, чтобы и обобщенная формула Харкевича также удовлетворяла аналогичному
принципу соответствия, т.е. преобразовывалась в формулу Хартли в предельном случае, когда каждому классу
(состоянию объекта) соответствует один признак (фактор), и каждому признаку – один класс, и эти классы (а,
значит и признаки), равновероятны. Иначе говоря факторов столько же, сколько и будущих состояний объекта
управления, все факторы детерминистские, а состояния объекта управления – альтернативные, т.е. каждый
фактор однозначно определяет переход объекта управления в определенное состояние.
В этом предельном случае отпадает необходимость двухвекторного описания объектов, при котором 1-й
вектор (классификационный) содержит интегральное описание объекта, как принадлежащего к определенным
классам, а 2-й вектор (описательный) – дискретное его описание, как имеющего определенные атрибуты.
Соответственно, двухвекторная модель, предложенная в данной работе, преобразуется в "вырожденный"
частный случай – стандартную статистическую модель. В этом случае количество информации, содержащейся в
признаке о принадлежности объекта к классу является максимальным и равным количеству информации,
вычисляемому по системной формуле Хартли (3.9).
Таким образом при взаимно-однозначном соответствии классов и признаков:
N ij = N i = N j = 1
(3.??)
формула А.Харкевича (3.13) приобретает вид:
I ij = Log 2 N Y = Log 2W j
(3.??)
Log 2W j
Y=
Log 2 N
(3.??)
откуда:
или, учитывая выражение для коэффициента эмерджентности Хартли (3.8):
M
Log 2 å CWm
m =1
Log 2W Log 2W
Y=
Log 2 N
(3.??)
Смысл коэффициента эмерджентности Харкевича (3.25) проясняется, если учесть, что при количестве
состояний системы W равном количеству фактов N о действии на эту систему различных факторов он равен 1. В
этом случае факторы однозначно определяют состояния объекта управления, т.е. являются детерминистскими.
Если же количество фактов N о действии на эту систему различных факторов превосходит количество ее
состояний W, что является гораздо более типичным случаем, то этот коэффициент меньше 1. По-видимому, это
означает, что в этом случае факторы как правило не однозначно (и не так жестко как детерминистские)
определяют поведение объекта управления, т.е. являются статистическими.
Таким образом, коэффициент эмерджентности Харкевича Y изменяется от 0 до 1 и определяет степень
детерминированности системы:
– Y=1 соответствует полностью детерминированной системе, поведение которой однозначно
определяется действием минимального количества факторов, которых столько же, сколько состояний системы;
– Y=0 соответствует полностью случайной системе, поведение которой никак не зависит действия
факторов независимо от их количества;
77
– 0<Y<1 соответствуют большинству реальных систем поведение которых зависит от многих факторов,
число которых превосходит количество состояний системы, причем ни одно из состояний не определяется
однозначно никакими сочетаниями действующих факторов (рисунок 29):
Коэффициент эмерджентности Хартли
M
Log 2 å C m
W
m =1
j=
Log 2 W
отражает уровень системности объекта и изменяется от 1 (системность отсутствует)
до W/Log2W (системность максимальна)
Коэффициент эмерджентности Харкевича:
Log 2 W j
Y=
Log 2 N
изменяется от 0 до 1 и определяет
степень детерминированности системы:
0 < Y <1
Y=0
Y =1
соответствуют большинству реальных систем
поведение которых зависит от многих факторов,
число которых превосходит количество состояний
системы, причем ни одно
из состояний не определяется однозначно никакими
сочетаниями действующих
факторов
соответствует полностью
случайной системе,
поведение которой никак
не зависит от действия
факторов независимо
от их количества
соответствует полностью
детерминированной системе, поведение которой
однозначно определяется
действием минимального
количества факторов,
которых столько же,
сколько состояний
системы
Рисунок. Интерпретация коэффициентов эмерджентности СТИ
Из выражения (3.25) видно, что в частном случае, когда реализуются только чистые состояния объекта
управления, т.е. M=1, коэффициент эмерджентности А.Харкевича приобретает вид:
Y=
Log 2W
Log 2 N
(3.??)
Подставив коэффициент эмерджентности А.Харкевича (3.25) в выражение (3.22), получим:
æ N ij N
I ij = Log 2 ç
çN N
è i j
=
Log 2W j
Log 2 N
ö
æN N
÷ = Log 2 ç ij
÷
çN N
ø
è i j
æ
æ
ç Log ç N ij
2ç
ç
è Ni N j
è
æ N ij
= Log 2 ç
çN N
è i j
или окончательно:
Y
Log 2W j
ö
÷
÷
ø
Log 2W j
Log 2 N
ö
ö
÷ + Log 2 N ÷ =
÷
÷
ø
ø
ö Log2 N
÷
+ Log 2W j
÷
ø
=
78
æ N ö
I ij = Log 2 ç ij ÷
çN N ÷
è i jø
Log2W j
Log2 N
+ Log 2W j
(3.??)
Из вида выражения (3.25) для Y очевидно, что увеличение уровня системности влияет на семантическую
информационную модель (3.28) аналогично повышению уровня детерминированности системы: понижение
уровня системности, также как и степени детерминированности системы приводит к ослаблению влияния
факторов на поведение системы, т.е. к понижению управляемости системы за счет своего рода "инфляции
факторов".
Гипотеза о законе возрастания эмерджентности и следствия из него.
Численные расчеты и аналитические выкладки в соответствии с СТИ показывают, что при возрастании
количества элементов в системе доля системной информации в поведении ее элементов возрастает. Это
обнаруженное нами новое фундаментальное свойство систем предлагается назвать законом возрастания
эмерджентности.
Закон возрастания эмерджентности: "Чем больше элементов в системе, тем большую долю
содержащейся в ней информации составляет информация, содержащаяся во взаимосвязях ее элементов".
На рисунках 26 и 27 приведены графики скорости и ускорения возрастания эмерджентности в
зависимости от количества элементов W в системе.
Рисунок. Возрастание доли системной информации
в поведении элемента системы при увеличении
количества элементов W
Рисунок. Ускорение возрастания доли системной
информации в поведении элемента системы от
количества элементов W
Более детальный анализ предполагаемого закона возрастания эмерджентности с использованием
конечных разностей первого и второго порядка (таблица 11) показывает, что при увеличении количества
элементов в системе доля системной информации в ней возрастает с ускорением, которое постепенно
уменьшается. Это утверждение будем называть леммой 1.
Продолжим анализ закона возрастания эмерджентности. Учитывая, что:
CWm =
W!
m!(W  m)!
выражение (3.3) принимает вид:
M
W!
m =1 m!(W  m)!
I = Log 2 å
где: 1<=М<=W.
(3.3)
79
M
W!
=
m =1 m! (W  m)!
I = Log 2 å
M
æ
ö
1
÷÷ =
= Log 2 ççW !å
m
!
(
W

m
)!
è m=1
ø
M
1
= Log 2 W ! + Log 2 å
=
m =1 m! (W  m)!
W
M
1
m =1 m! (W  m)!
= å Log 2 n + Log 2 å
n =1
и учитывая, что Log21=0, выражение (3.13) приобретает вид:
W
M
1
= I (W ) + I (W , M )
m =1 m! (W  m)!
I = å Log 2 n + Log 2 å
n=2
(3.13)
Где введены обозначения:
W
I (W ) = å Log 2 n
n=2
(3.??)
M
1
I (W , M ) = Log 2 å
m =1 m! (W  m)!
С учетом (3.14) выражение (3.9) для коэффициента эмерджентности Хартли приобретает вид:
M
W
j=
å Log 2 n
n=2
Log 2W
+
1
m=1 m! (W  m)!
Log 2W
Log 2 å
Заменяя в (3.13) факториал на Гамма-функцию, получаем обобщение выражения (3.3) на непрерывный
случай:
æ
ö
G (W )
ç
m=1 çè G(m)  G(W  m) ÷÷ødm =
M
I = Log 2
M


dm
= Log 2 G (W )  
=
G (m)  G (W  m) 
m =1

M
= Log 2G (W ) + Log 2
dm
G (m)  G (W  m)
m =1

Или окончательно:
M
I = Log 2G(W ) + Log 2
dm
 G(m)  G(W  m) = I (W ) + I (W , M )
(3.??)
m=1
Для непрерывного случая обозначения (3.15) принимают вид:
I (W ) = Log 2 G (W )
M
I (W , M ) = Log 2
dm
 G(m)  G(W  m)
m =1
(3.??)
Учитывая выражения (3.9) и (3.16) получим выражение для коэффициента эмерджентности Хартли для
непрерывного случая:
80
M
dm
G (m)  G (W  m)
m =1
=
Log 2W
Log 2 G (W ) + Log 2
j=

M
=
Log 2 G (W )
+
Log 2W
Log 2
dm
G (m)  G (W  m)
m =1
Log 2W

И окончательно для непрерывного случая:
M
j=
Log 2G (W )
+
Log 2W
Log 2
dm
 G(m)  G(W  m)
m =1
Log 2W
(3.??)
Анализируя выражения (3.14) и (3.16) видим, что количество информации, получаемое при выборке из
системы некоторого ее элемента, состоит из двух слагаемых:
1) I(W), зависящего только от количества элементов в системе W (первое слагаемое);
2) I(W, M), зависящего как от количества элементов в системе W, так и от максимальной сложности, т.е.
связности элементов подсистем M между собой (второе слагаемое).
Этот результат позволяет высказать гипотезы "О природе сложности системы" и "О видах системной
информации":
– сложность системы определяется количеством содержащейся в ней информации;
– системная информация включает две составляющих: зависящее от количества элементов системы и
зависящее также от характера взаимосвязей между элементами.
Изучим какой относительный вклад вносит каждое слагаемое в общее количество информации системы
в зависимости от числа элементов в системе W и сложности подсистем M. Результаты численных расчетов
показывают, что чем выше уровень системности, тем большая доля информации системы содержится во
взаимосвязях ее элементов, и чем меньше элементов с системе, тем быстрее возрастает доля информации,
содержащейся во взаимосвязях элементов при возрастании уровня системности. Эти утверждения будем
рассматривать как леммы 2 и 3. Таким образом полная формулировка гипотезы о законе возрастания
эмерджентности с гипотезой о видах информации в системе и тремя леммами приобретает вид:
ГИПОТЕЗА О ЗАКОНЕ ВОЗРАСТАНИЯ ЭМЕРДЖЕНОСТИ: "Чем больше элементов в системе, тем
большую долю содержащейся в ней информации составляет информация, содержащаяся во взаимосвязях ее
элементов" (рисунок 28).
Гипотеза 2: "О видах системной информации":
Гипотеза 1: "О природе сложности системы":
сложность системы определяется
количеством содержащейся в ней информации
системная информация включает 2 составляющие
- зависящую от количества элементов системы;
- зависящее также от характера взаимосвязей
между элементами
ЗАКОН ВОЗРАСТАНИЯ ЭМЕРДЖЕНТНОСТИ:
Лемма-1:
при увеличении количества элементов в системе доля системной информации в ней возрастает с ускорением, которое постепенно уменьшается.
ЧЕМ БОЛЬШЕ ЭЛЕМЕНТОВ В СИСТЕМЕ,
ТЕМ БОЛЬШУЮ ДОЛЮ ОТ ВСЕЙ СОДЕРЖАЩЕЙСЯ
В НЕЙ ИНФОРМАЦИИ СОСТАВЛЯЕТ
СИСТЕМНАЯ ИНФОРМАЦИЯ
Лемма-3:
Лемма-2:
чем выше уровень системности, тем большая
доля информации системы содержится во
взаимосвязях ее элементов.
чем меньше элементов
в системе, тем быстрее
возрастает доля информации, содержащейся во взаимосвязях
элементов при возрастании уровня системности.
Следствие:
увеличение уровня системности влияет на объект
аналогично повышению
уровня детерминированности: понижение уровня
системности, также как и
степени детерминированности системы приводит
к ослаблению влияния
факторов на поведение
системы, т.е. к понижению
управляемости системы за
счет своего рода
"инфляции факторов"
81
Рисунок. Закон возрастания эмерджентности
Гипотеза 1: "О природе сложности системы": сложность системы определяется количеством
содержащейся в ней информации.
Гипотеза 2: "О видах системной информации": системная информация включает две составляющие:
– зависящую от количества элементов системы;
– зависящую как от количества элементов системы, так и от сложности взаимосвязей между ними.
Лемма-1: при увеличении количества элементов в системе доля системной информации в ней возрастает
с ускорением, которое постепенно уменьшается.
Лемма-2: чем выше уровень системности, тем большая доля информации системы содержится во
взаимосвязях ее элементов.
Лемма-3: чем меньше элементов в системе, тем быстрее возрастает доля информации, содержащейся
во взаимосвязях элементов при возрастании уровня системности.
Системное обобщение классической формулы Харкевича, как количественная мера знаний
Это обобщение представляет большой интерес, в связи с тем, что А.Харкевич впервые ввел в теорию
информации понятие цели. Он считал, что количество информации, сообщенное объекту, можно измерять по
изменению вероятности достижения цели этим объектом за счет использования им этой информации.
Рассмотрим таблицу 12, в которой столбцы соответствуют будущим состояниям АОУ (целевым и
нежелательным), а строки факторам, характеризующим объект управления, управляющую систему и
окружающую среду.
Таблица – МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ
Классическая формула А.Харкевича имеет вид:
I ij (W , M ) = Log 2
Pij
Pj
(3.??)
где:
– W – количество классов (мощность множества будущих состояний объекта управления)
– M – максимальный уровень сложности смешанных состояний объекта управления;
– индекс i обозначает фактор: 1 i  M;
– индекс j обозначает класс: 1 j  W;
– Pij – вероятность достижения объектом управления j-й цели при условии сообщения ему i-й
информации;
– Pj – вероятность самопроизвольного достижения объектом управления j-й цели.
Ниже глобальные параметры модели W и M в выражениях для I опускаются, т.к. они являются
константами для конкретной математической модели СК-анализа.
Однако: А.Харкевич в своем выражении для количества информации не ввел зависимости количества
информации, от мощности пространства будущих состояний объекта управления, в т.ч. от количества его
целевых состояний. Вместе с тем, один из возможных вариантов учета количества будущих состояний объекта
управления обеспечивается классической и системной формулами Хартли (3.1) и (3.9); выражение (3.19) при
подстановке в него реальных численных значений вероятностей Pij и Pj не дает количества информации в битах;
для выражения (3.19) не выполняется принцип соответствия, считающийся обязательным для обобщающих
82
теорий. Возможно, в этом состоит одна из причин слабого взаимодействия между классической теорией
информации Шеннона и семантической теорией информации.
Чтобы снять эти вопросы, приближенно выразим вероятности Pij, Pi и Pj через частоты:
Pij =
N ij
Ni
; Pi =
Nj
Ni
; Pj =
;
N
N
W
M
W
M
j =1
i =1
i =1 j =1
(3.??)
N i = å N ij ; N j = å N ij ; N = åå N ij
В (3.20) использованы обозначения:
Nij – суммарное количество наблюдений факта: "действовал i-й фактор и объект перешел в j-е состояние";
Nj – суммарное количество встреч различных факторов у объектов, перешедших в j-е состояние;
Ni – суммарное количество встреч i-го фактора у всех объектов;
N – суммарное количество встреч различных факторов у всех объектов.
Подставим в выражение (3.19) значения для Pij и Pj из (3.20):
I ij = Log 2
N ij N
(3.??)
Ni N j
Введем коэффициент эмерджентности Y в модифицированную формулу А.Харкевича:
æ N ij N
I ij = Log 2 ç
çN N
è i j
ö
÷
÷
ø
Y
(3.??)
где: Y – коэффициент эмерджентности Харкевича (как будет показано выше, он определяет степень
детерминированности объекта с уровнем системной организации j, имеющего W чистых состояний, на переходы
в которые оказывают влияние M факторов, о чем в модели накоплено N фактов).
Известно, что классическая формула Шеннона для количества информации для неравновероятных
событий преобразуется в формулу Хартли при условии, что события равновероятны, т.е. удовлетворяет
фундаментальному принципу соответствия [64].
Естественно потребовать, чтобы и обобщенная формула Харкевича также удовлетворяла аналогичному
принципу соответствия, т.е. преобразовывалась в формулу Хартли в предельном случае, когда каждому классу
(состоянию объекта) соответствует один признак (фактор), и каждому признаку – один класс, и эти классы (а,
значит и признаки), равновероятны. Иначе говоря факторов столько же, сколько и будущих состояний объекта
управления, все факторы детерминистские, а состояния объекта управления – альтернативные, т.е. каждый
фактор однозначно определяет переход объекта управления в определенное состояние.
В этом предельном случае отпадает необходимость двухвекторного описания объектов, при котором 1-й
вектор (классификационный) содержит интегральное описание объекта, как принадлежащего к определенным
классам, а 2-й вектор (описательный) – дискретное его описание, как имеющего определенные атрибуты.
Соответственно, двухвекторная модель, предложенная в данной работе, преобразуется в "вырожденный"
частный случай – стандартную статистическую модель. В этом случае количество информации, содержащейся в
признаке о принадлежности объекта к классу является максимальным и равным количеству информации,
вычисляемому по системной формуле Хартли (3.9).
Таким образом при взаимно-однозначном соответствии классов и признаков:
N ij = N i = N j = 1
(3.??)
формула А.Харкевича (3.13) приобретает вид:
I ij = Log 2 N Y = Log 2W j
(3.??)
Log 2W j
Y=
Log 2 N
(3.??)
откуда:
или, учитывая выражение для коэффициента эмерджентности Хартли (3.8):
83
M
Log 2 å CWm
m =1
(3.??)
Log 2W Log 2W
Y=
Log 2 N
Смысл коэффициента эмерджентности Харкевича (3.25) проясняется, если учесть, что при количестве
состояний системы W равном количеству фактов N о действии на эту систему различных факторов он равен 1. В
этом случае факторы однозначно определяют состояния объекта управления, т.е. являются детерминистскими.
Если же количество фактов N о действии на эту систему различных факторов превосходит количество ее
состояний W, что является гораздо более типичным случаем, то этот коэффициент меньше 1. По-видимому, это
означает, что в этом случае факторы как правило не однозначно (и не так жестко как детерминистские)
определяют поведение объекта управления, т.е. являются статистическими.
Таким образом, коэффициент эмерджентности Харкевича Y изменяется от 0 до 1 и определяет степень
детерминированности системы:
– Y=1 соответствует полностью детерминированной системе, поведение которой однозначно
определяется действием минимального количества факторов, которых столько же, сколько состояний системы;
– Y=0 соответствует полностью случайной системе, поведение которой никак не зависит действия
факторов независимо от их количества;
– 0<Y<1 соответствуют большинству реальных систем поведение которых зависит от многих факторов,
число которых превосходит количество состояний системы, причем ни одно из состояний не определяется
однозначно никакими сочетаниями действующих факторов (рисунок 29):
Коэффициент эмерджентности Хартли
M
Log 2 å C m
W
m =1
j=
Log 2 W
отражает уровень системности объекта и изменяется от 1 (системность отсутствует)
до W/Log2W (системность максимальна)
Коэффициент эмерджентности Харкевича:
Log 2 W j
Y=
Log 2 N
изменяется от 0 до 1 и определяет
степень детерминированности системы:
0 < Y <1
Y=0
соответствует полностью
случайной системе,
поведение которой никак
не зависит от действия
факторов независимо
от их количества
соответствуют большинству реальных систем
поведение которых зависит от многих факторов,
число которых превосходит количество состояний
системы, причем ни одно
из состояний не определяется однозначно никакими
сочетаниями действующих
факторов
Y =1
соответствует полностью
детерминированной системе, поведение которой
однозначно определяется
действием минимального
количества факторов,
которых столько же,
сколько состояний
системы
Рисунок. Интерпретация коэффициентов эмерджентности СТИ
Из выражения (3.25) видно, что в частном случае, когда реализуются только чистые состояния объекта
управления, т.е. M=1, коэффициент эмерджентности А.Харкевича приобретает вид:
84
Y=
Log 2W
Log 2 N
(3.??)
Подставив коэффициент эмерджентности А.Харкевича (3.25) в выражение (3.22), получим:
æ N ij N
I ij = Log 2 ç
çN N
è i j
=
Log 2W j
Log 2 N
ö
æN N
÷ = Log 2 ç ij
÷
çN N
ø
è i j
æ
æ
ç Log ç N ij
2ç
ç
è Ni N j
è
æ N ij
= Log 2 ç
çN N
è i j
или окончательно:
Y
ö
÷
÷
ø
Log 2W j
Log 2 N
ö
÷
÷
ø
Log 2W j
Log 2 N
=
ö
ö
÷ + Log 2 N ÷ =
÷
÷
ø
ø
+ Log 2W j
æ N ö
I ij = Log 2 ç ij ÷
çN N ÷
è i jø
Log2W j
Log2 N
+ Log 2W j
(3.??)
Из вида выражения (3.25) для Y очевидно, что увеличение уровня системности влияет на семантическую
информационную модель (3.28) аналогично повышению уровня детерминированности системы: понижение
уровня системности, также как и степени детерминированности системы приводит к ослаблению влияния
факторов на поведение системы, т.е. к понижению управляемости системы за счет своего рода "инфляции
факторов".
Зависимость адекватности семантической информационной модели от объема
обучающей выборки (адекватность при малых и больших выборках)
При экспериментальном исследовании свойств предлагаемой математической модели было установлено
следующее (рисунок 35).
Рисунок. Зависимость адекватности модели от объема обучающей выборки
1. При малых выборках адекватность модели (внутренняя интегральная и дифференциальная
валидность) равна 100% (рисунок 35, диапазон "А"). Это можно объяснить тем, что при малых объемах выборки
все выявленные закономерности имеют детерминистский характер.
2. При увеличении объема исследуемой выборки происходит понижение адекватности модели (переход:
АВ) и стабилизация ее адекватности на некотором уровне около 95-98% (рисунок 35, диапазон "В").
85
3. Учет в модели объектов обучающей выборки, отражающих закономерности, качественно
отличающиеся от ранее выявленных, приводит к понижению адекватности модели (переход: ВС) и ее
стабилизации на уровне от 80 до 90% (рисунок 35, диапазон "С").
4. Внутри диапазона "В" вариабельность объектов обучающей выборки по закономерностям
"атрибуткласс" меньше, чем в диапазоне "С", т.е. объекты обучающей выборки диапазона "В" более
однородны, чем "С".
Выявленные в модели причинно-следственные закономерности имеют силу для определенного
подмножества обучающей выборки, например, отражающих определенный период времени, который
соответствует детерминистскому периоду развития предметной области. При качественном изменении
закономерностей устаревшие данные могут даже на некоторое время (пока модель не сойдется к новым
закономерностям) нарушать ее адекватность.
В многочисленных проведенных практических исследованных модель показала высокую скорость
сходимости и высокую адекватность на малых выборках. На больших выборках (т.е. охватывающих несколько
детерминистских и бифуркационных состояний предметной области) закономерности с коротким периодом
"причина-следствие" переформировываются заново, а с длительным (охватывающим несколько детерминистских
и бифуркационных состояний) – автоматически становятся незначимыми и не ухудшают адекватность модели,
если процесс апериодический, или сохраняют силу, если они имеют фундаментальный характер.
Выявленные закономерности сходимости модели позволяют сформулировать следующий критерий
остановки процесса обучения: если в модели ничего существенно не меняется при добавлении в обучающую
выборку все новых и новых данных, то это означает, что модель адекватно отображает генеральную
совокупность, к которой относятся эти данные, и продолжать процесс обучения нецелесообразно.
Здесь уместно рассмотреть ответ на следующий вопрос. Если для формирования образов классов
распознавания предъявлено настолько малое количество обучающих объектов, что говорить об обобщении и
статистике не приходится, то как это может повлиять на качество формирования модели и ее адекватность? При
большой статистике, как показывает опыт, около 95% объектов, формирующих образ некоторого класса
оказывается типичными для него, а остальные не типичными. Следовательно, если этот образ формируется на
основе буквально одного - двух объектов, то вероятнее всего (т.е. с вероятностью около 95%) они являются
типичными, и, следовательно, образ будет сформирован практически таким же, как и при большой статистике,
т.е. правильным. При увеличении статистики в этом случае информативности признаков, составляющих образ
практически не меняются). Но есть некоторая, сравнительно незначительная вероятность (около 5%), что
попадется нетипичная анкета. Тогда при увеличении статистики образ быстро качественно изменится и "быстро
сойдется" к адекватному, "нетипичная" анкета будет идентифицирована и ее данные либо будут удалены из
модели, либо для нее специально будет создан свой класс.
При незначительной статистике относительный вклад каждого объекта в обобщенный образ некоторого
класса, сформированный с его применением, будет достаточно велик. Поэтому в этом случае при распознавании
модель уверенно относит объект к этому классу. При большой статистике модель также уверенно относит
типичные объекты к классам, сформированным с их применением. Незначительное количество нетипичных
объектов могут быть распознаны ошибочно, т.е. не отнесены моделью к тем классам, к которым их отнесли
эксперты.
Наличие в системе очень сходных классов также может формально уменьшать валидность модели. Однако
фактически эти очень сходные классы целесообразно объединить в один, т.к. по-видимому, их разделение
объективно ничем не оправдано, т.е. не соответствует действительности. Для осуществления данной операции в
математической модели целесообразно использовать режим: "Получение статистической характеристики
обучающей выборки и объединение классов (ручной ремонт обучающей выборки)".
Задачи формализации базовых когнитивных операций системного анализа
Для решения задачи формализации БКОСА необходимо решить следующие задачи:
1. Выбор единой интерпретируемой численной меры для классов и атрибутов.
2. Выбор неметрической меры сходства объектов в семантических пространствах.
4. Определение идентификационной и прогностической ценности атрибутов.
5. Ортонормирование семантических пространств классов и атрибутов (Парето-оптимизация).
Выбор единой интерпретируемой численной меры для классов и атрибутов
При построении модели объекта управления одной из принципиальных проблем является выбор
формализованного представления для индикаторов, критериев и факторов (далее: факторов). Эта проблема
распадается на две подпроблемы:
1. Выбор и обоснование смысла выбранной численной меры.
86
2. Выбор математической формы и способа определения (процедуры, алгоритма) количественного
выражения для значений, отражающих степень взаимосвязи факторов и будущих состояний АОУ.
Рассмотрим требования к численной мере, определяемые существом подпроблем. Эти требования
вытекают из необходимости совершать с численными значениями факторов математические операции
(сложение, вычитание, умножение и деление), что в свою очередь необходимо для построения полноценной
математической модели.
Требование 1: из формулировки 1-й подпроблемы следует, что все факторы должны быть приведены к
некоторой общей и универсальной для всех факторов единице измерения, имеющей какой-то смысл, причем
смысл, поддающийся единой сопоставимой в пространстве и времени интерпретации.
Традиционно в специальной литературе [10] рассматриваются следующие смысловые значения для
факторов: стоимость (выигрыш-проигрыш или прибыль-убытки); полезность; риск; корреляционная или причинноследственная взаимосвязь. Иногда предлагается использовать безразмерные меры для факторов, например
эластичность, однако, этот вариант не является вполне удовлетворительным, т.к. не позволяет придать
факторам содержательный и сопоставимый смысл и получить содержательную интерпретацию выводов,
полученных на основе математической модели.
Таким образом, возникает ключевая при выборе численной меры проблема выбора смысла, т.е. по сути
единиц измерения, для индикаторов, критериев и факторов.
Требование 2: высокая степень адекватности предметной области.
Требование 3: высокая скорость сходимости при увеличении объема обучающей выборки.
Требование 4: высокая независимость от артефактов.
Что касается конкретной математической формы и процедуры определения числовых значений факторов
в выбранных единицах измерения, то обычно применяется метод взвешивания экспертных оценок, при котором
эксперты предлагают свои оценки, полученные как правило неформализованным путем. При этом сами эксперты
также обычно ранжированы по степени их компетентности. Фактически при таком подходе числовые значения
факторов является не определяемой, искомой, а исходной величиной. Иначе обстоит дело в факторном анализе,
но в этом методе, опять же на основе экспертных оценок важности факторов, требуется предварительно, т.е.
перед проведением исследования, принять решение о том, какие факторы исследовать (из-за жестких
ограничений на размерность задачи в факторном анализе). Таким образом оба эти подхода реализуемы при
относительно небольших размерностях задачи, что с точки зрения достижения целей настоящего исследования,
является недостатком этих подходов.
Поэтому самостоятельной и одной из ключевых проблем является обоснованный и удачный выбор
математической формы для численной меры индикаторов и факторов.
Эта математическая форма с одной стороны должна удовлетворять предыдущим требованиям, прежде
всего требованию 1, а также должна быть процедурно вычислимой, измеримой.
Выбор неметрической меры сходства объектов в семантических пространствах
Существует большое количество мер сходства, из которых можно было бы упомянуть скалярное
произведение, ковариацию, корреляцию, евклидово расстояние, расстояние Махалонобиса и др.
Проблема выбора меры сходства состоит в том, что при выбранной численной мере для координат
классов и факторов она должна удовлетворять определенным критериям:
1. Обладать высокой степенью адекватности предметной области, т.е. высокой валидностью, при
различных объемах выборки, как при очень малых, так и при средних и очень больших.
2. Иметь обоснованную, четкую, ясную и интуитивно понятную интерпретацию.
3. Быть нетрудоемкой в вычислительном отношении.
4. Обеспечивать корректное вычисление меры сходства для пространств с неортонормированным
базисом.
Определение идентификационной и прогностической ценности атрибутов
Не все факторы имеют одинаковую ценность для решения задач идентификации, прогнозирования и
управления. Традиционно считается, что факторы имеют одинаковую ценность только в тех случаях (обычно в
психологии), когда определить их действительную ценность не представляется возможным по каким-либо
причинам.
Для достижения целей, поставленных в данном исследовании, необходимо решить проблему
определения ценности факторов, т.е. разработать математическую модель и алгоритм, которые допускают
программную реализацию и обеспечивают на практике определение идентификационной и прогностической
ценности факторов.
Ортонормирование семантических пространств классов и атрибутов (Парето-оптимизация)
Если не все факторы имеют одинаковую ценность для решения задач идентификации, прогнозирования и
управления, то возникает проблема исключения из системы факторов тех из них, которые не представляют
87
особой ценности. Удаление малоценных факторов вполне оправданно и целесообразно, т.к. сбор и обработка
информации по ним в среднем связана с такими же затратами времени, вычислительных и информационных
ресурсов, как и при обработке ценных факторов. В этом состоит идея Парето-оптимизации. Однако это удаление
должно осуществляться при вполне определенных граничных условиях, характеризующих результирующую
систему: адекватность модели; количество признаков на класс; суммарное количество градаций признаков в
описательных шкалах. В противном случае удаление факторов может отрицательно сказываться на качестве
решения задач. На практике проблема реализации Парето-оптимизации состоит в том, что факторы вообще
говоря коррелируют друг с другом и поэтому их ценность может изменяться при удалении любого из них, в том
числе и наименее ценного. Поэтому просто взять и удалить наименее ценные факторы не представляется
возможным и необходимо разработать корректный итерационный вычислительный алгоритм обеспечивающий
решение этой проблемы при заданных граничных условиях.
Классификация систем искусственного интеллекта
В данном учебном пособии мы будем рассматривать следующие классы систем искусственного
интеллекта:
1. Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами.
2. Автоматизированные системы распознавания образов.
3. Автоматизированные системы поддержки принятия решений
4. Экспертные системы (ЭС).
5. Нейронные сети.
6. Генетические алгоритмы и моделирование эволюции.
7. Когнитивное моделирование.
8. Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining).
Этими классами системы СИИ не исчерпываются, но мы вынуждены ограничится ими, как основными, в
связи с ограниченностью объема учебного пособия.
Особенности технологии создания систем искусственного интеллекта (обучение, "социализация", как
технологический этап)
Система искусственного интеллекта в качестве существенной своей части включает базу знаний, которая
является результатом обобщения опыта эксплуатации данной системы в определенных конкретных условиях.
Это значит, что программистом может быть разработана только "пустая оболочка" системы искусственного
интеллекта, которая превращается в работоспособную систему в результате процесса обучения, который, таким
образом, является необходимым технологическим этапом создания подобных систем. Можно провести аналогию
между такой системой и ребенком: ребенок не может идти работать, т.к. ему для этого предварительно требуется
длительное обучение в школе, а затем часто и в вузе, чтобы он смог выполнять определенные виды работ.
Когнитивная концепция и синтез когнитивного конфигуратора
В данном разделе приводится когнитивная концепция, разработанная в 1998 году [105], с учетом двух
основных требований:
1. Адекватное отражение в когнитивной концепции реальных процессов, реализуемых человеком в
процессах познания.
2. Высокая степень приспособленности когнитивной концепции для формализации в виде достаточно
простых математических и алгоритмических моделей, допускающих прозрачную программную реализацию в
автоматизированной системе.
Понятие когнитивного конфигуратора и необходимость естественнонаучной (формализуемой)
когнитивной концепции
Определение понятия конфигуратора
Понятие конфигуратора, по-видимому, впервые предложено В.А.Лефевром [148], хотя безусловно это
понятие использовалось и раньше, но, во-первых, оно не получало самостоятельного названия, а, во-вторых,
использовалось в частных случаях и не получало обобщения. Под конфигуратором В.А.Лефевр понимал
минимальный полный набор понятийных шкал или конструктов, достаточный для адекватного описания предметной
области. Примеры конфигураторов приведены в [148].
88
Понятие когнитивного конфигуратора
В исследованиях по когнитивной психологии изучается значительное количество различных операций,
связанных с процессом познания. Однако, насколько известно из литературы, психологами не ставился вопрос о
выделении из всего множества когнитивных операций такого минимального (базового) набора наиболее
элементарных из них, из которых как составные могли бы строится другие операции. Ясно, что для выделения таких
базовых когнитивных операций (БКО) необходимо построить их иерархическую систему, в фундаменте которой
будут находится наиболее элементарные из них, на втором уровне – производные от них, обладающие более
высоким уровнем интегративности, и т.д.
Таким образом, под когнитивным конфигуратором будем понимать минимальный полный набор базовых
когнитивных операций, достаточный для представления различных процессов познания.
Когнитивные концепции и операции
Проведенный анализ когнитивных концепций показал, что они разрабатывались ведущими психологами
(Пиаже, Солсо, Найсер) без учета требований, связанных с их дальнейшей формализацией и автоматизацией.
Поэтому имеющиеся концепции когнитивной психологии слабо подходят для этой цели; в когнитивной психологии
не ставилась и не решалась задача конструирования когнитивного конфигуратора и, соответственно, не
сформулировано понятие базовой когнитивной операции.
Предлагаемая когнитивная концепция
Автоматизировать процесс познания в целом безусловно значительно сложнее, чем отдельные операции
процесса познания. Но для этого прежде всего необходимо выявить эти операции и найти место каждой из них в
системе или последовательности процесса познания.
Сделать это предлагается в форме когнитивной концепции, которая должна удовлетворять следующим
требованиям:
– адекватность, т.е. точное отражение сущности процессов познания, характерных для человека, в
частности описание процессов вербализации, семантической адаптации и семантического синтеза (уточнения
смысла слов и понятий и включения в словарь новых слов и понятий);
– высокая степень детализации и структурированности до уровня достаточно простых базовых
когнитивных операций;
– возможность математического описания, формализации и автоматизации.
Однако приходится констатировать, что даже концепции когнитивной психологии, значительно более
конкретные, чем гносеологические, разрабатывались без учета необходимости построения реализующих их
математических и алгоритмических моделей и программных систем. Более того, в когнитивной психологии из
всего многообразия различных исследуемых когнитивных операций не выделены базовые, к суперпозиции и
различным вариантам сочетаний которых сводятся различные процессы познания. Поэтому для достижения
целей данного исследования концепции когнитивной психологии мало применимы.
В связи с этим в данном исследовании предлагается когнитивная концепция, удовлетворяющая
сформулированным выше требованиям. Эта концепция достаточно проста, иначе было бы невозможно ее
формализовать, многие ее положения интуитивно очевидны или хорошо известны, тем ни менее в целостном
виде она сформулирована лишь в работе [64]. Положения когнитивной концепции приведены в определенном
порядке, соответствующем реальному ходу процесса познания "от конкретных эмпирических исходных данных к
содержательным информационным моделям, а затем к их верификации, адаптации и, в случае необходимости, к
пересинтезу".
На базе выше сформулированных положений автором предложена целостная система взглядов на
процесс познания, т.е. когнитивная концепция [64] (рисунок 12).
89
Рисунок. Обобщенная схема предлагаемой когнитивной концепции
Суть предложенной когнитивной концепции состоит в том, что процесс познания рассматривается как
многоуровневая иерархическая система обработки информации, в которой каждый последующий уровень
является результатом интеграции элементов предыдущего уровня. На 1-м уровне этой системы находятся
дискретные элементы потока чувственного восприятия, которые на 2-м уровне интегрируются в чувственный
образ конкретного объекта. Те, в свою очередь, на 3-м уровне интегрируются в обобщенные образы классов и
факторов, образующие на 4-м уровне кластеры, а на 5-м конструкты. Система конструктов на 6-м уровне
образуют текущую парадигму реальности (т.е. человек познает мир путем синтеза и применения конструктов). На
7-м же уровне обнаруживается, что текущая парадигма не является единственно-возможной.
Ключевым для когнитивной концепции является понятие факта, под которым понимается соответствие
дискретного и интегрального элементов познания (т.е. элементов разных уровней интеграции-иерархии),
обнаруженное на опыте. Факт рассматривается как квант смысла, что является основой для его формализации.
Таким образом, происхождение смысла связывается со своего рода "разностью потенциалов", существующей
между смежными уровнями интеграции-иерархии обработки информации в процессах познания.
1. Процесс познания начинается с чувственного восприятия. Различные органы восприятия дают
качественно-различную чувственную информацию в форме дискретного потока элементов восприятия. Эти
элементы формализуются с помощью описательных шкал и градаций.
2. В процессе накопления опыта выявляются взаимосвязи между элементами чувственного восприятия:
одни элементы часто наблюдаются с другими (имеет место их пространственно-временная корреляция), другие
же вместе встречаются достаточно редко. Существование устойчивых связей между элементами восприятия
говорит о том, что они отражают некую реальность, интегральную по отношению к этим элементам. Эту
реальность будем называть объектами восприятия. Рассматриваемые в единстве с объектами элементы
восприятия будем называть признаками объектов. Таким образом, органы восприятия дают чувственную
информацию о признаках наблюдаемых объектов, процессов и явлений окружающего мира (объектов).
Чувственный образ конкретного объекта представляет собой систему, возникающую как результат процесса
синтеза признаков этого объекта. В условиях усложненного восприятия синтез чувственного образа объекта
может быть существенно замедленным и даже не завершаться в реальном времени.
3. Человек присваивает конкретным объектам названия (имена) и сравнивает объекты друг с другом. При
сравнении выясняется, что одни объекты в различных степенях сходны по их признакам, а другие отличаются.
Сходные объекты объединяются в обобщенные категории (классы), которым присваиваются имена, производные
от имен входящих в категорию конкретных объектов. Классы формализуются с помощью классификационных
шкал и градаций и обеспечивают интегральный способ описания действительности. Путем обобщения (синтеза,
индукции) информации о признаках конкретных объектов, входящих в те или иные классы, формируются
обобщенные образы классов. Накопление опыта и сравнение обобщенных образов классов друг с другом
позволяет определить степень характерности признаков для классов, смысл признаков и ценность каждого
признака для идентификации конкретных объектов с классами и сравнения классов, а также исключить наименее
ценные признаки из дальнейшего анализа без существенного сокращения количества полезной информации о
90
предметной области (абстрагирование). Абстрагирование позволяет существенно сократить затраты внутренних
ресурсов системы на анализ информации. Идентификация представляет собой процесс узнавания, т.е.
установление соответствия между чувственным описанием объекта, как совокупности дискретных признаков, и
неделимым (целостным) именем класса, которое ассоциируется с местом и ролью воспринимаемого объекта в
природе и обществе. Дискретное и целостное восприятие действительности поддерживаются как правило
различными полушариями мозга: соответственно, правым и левым (доминантность полушарий). Таким образом
именно системное взаимодействие интегрального (целостного) и дискретного способов восприятия обеспечивает
возможность установление содержательного смысла событий. При выполнении когнитивной операции
"содержательное сравнение" двух классов определяется вклад каждого признака в их сходство или различие.
4. После идентификации уникальных объектов с классами возможна их классификация и присвоение
обобщающих имен группам похожих классов. Для обозначения группы похожих классов используем понятие
"кластер". Но и сами кластеры в результате выполнения когнитивной операции "генерация конструктов" могут
быть классифицированы по степени сходства друг с другом. Для обозначения системы двух противоположных
кластеров, с "спектром" промежуточных кластеров между ними, будем использовать термин "бинарный
конструкт", при этом сами противоположные кластеры будем называть "полюса бинарного конструкта". Бинарные
конструкты классов и атрибутов, т.е. конструкты с двумя полюсами, наиболее типичны для человека и
представляет собой когнитивные структуры, играющие огромную роль в процессах познания. Достаточно сказать,
что познание можно рассматривать как процесс генерации, совершенствования и применения конструктов.
Качество конструкта тем выше, чем сильнее отличаются его полюса, т.е. чем больше диапазон его смысла.
Результаты идентификации и прогнозирования, осуществленные с помощью модели, путем выполнения
когнитивной операции "верификация" сопоставляются с опытом, после чего определяется целесообразность
выполнения когнитивной операции "обучение". При этом может возникнуть три основных варианта, которые на
рисунке 13 обозначены цифрами:
К ПОЯСНЕНИЮ ПОНЯТИЙ: "АДАПТАЦИЯ И СИНТЕЗ МОДЕЛИ";
"ВНУТРЕННЯЯ И ВНЕШНЯЯ ВАЛИДНОСТЬ ИНФОРМАЦИОННОЙ МОДЕЛИ"
РАСШИРЕННАЯ
ГЕНЕРАЛЬНАЯ СОВОКУПНОСТЬ
ИСХОДНАЯ
ГЕНЕРАЛЬНАЯ СОВОКУПНОСТЬ
2
3
АДАПТАЦИЯ
1
ОБУЧАЮЩАЯ
ВЫБОРКА
СИНТЕЗ
Рисунок. К пояснению смысла понятий:
"Адаптация и синтез когнитивной модели предметной области",
"Внутренняя и внешняя валидность информационной модели",
1. Объект, входит в обучающую выборку и достоверно идентифицируется (внутренняя валидность, в
адаптации нет необходимости).
2. Объект, не входит в обучающую выборку, но входит в исходную генеральную совокупность, по
отношению к которой эта выборка репрезентативна, и достоверно идентифицируется (внешняя валидность,
добавление объекта к обучающей выборке и адаптация модели приводит к количественному уточнению смысла
признаков и образов классов).
3. Объект не входит в исходную генеральную совокупность и идентифицируется недостоверно (внешняя
валидность, добавление объекта к обучающей выборке и синтез модели приводит к качественному уточнению
смысла признаков и образов классов, исходная генеральная совокупность расширяется).
91
Когнитивный конфигуратор и базовые когнитивные операции системного анализа
Таким образом из предложенной когнитивной концепции вытекает существование по крайней мере 10
базовых когнитивных операций системного анализа (БКОСА) (таблица 4):
Таблица – ОБОБЩЕННЫЙ СПИСОК БКОСА
(КОГНИТИВНЫЙ КОНФИГУРАТОР)
Необходимо отметить, что классификация операций системного анализа по В.М.Казиеву [64] ближе всего
к позиции, излагаемой в данной работе, т.к. этим автором названы 6 из 10 базовых когнитивных операций
системного анализа: формализация; синтез (индукция); абстрагирование; анализ (дедукция); распознавание, и
идентификация образов; классификация. Вместе с тем им не приводятся математическая модель, алгоритмы и
инструментарий реализации этих операций и не ставится задача их разработки, кроме того некоторые из них
приведены дважды под разными названиями, например: анализ и синтез это тоже самое, что дедукция и
индукция (таблица 4).
Необходимо также отметить, что по-видимому, впервые идея сведения мышления и процессов познания
к когнитивным операциям была четко и осознанно письменно сформулирована в V веке до н.э.: "Сущность
интеллекта проявляется в способностях обобщения, абстрагирования, сравнения и классификации" (цит.по пам.,
Патанжали, Йога-Сутра, авт.).
Познание предметной области с одной стороны безусловно является фундаментом, на котором строится
все грандиозное здание системного анализа, а с другой стороны, процессы познания являются связующим
звеном, органично объединяющим "блоки" принципов и методов системного анализа в стройное здание. Более
того, процессы познания буквально пронизывают все методы и принципы системного анализа, входя в них как
один из самых существенных элементов.
Однако, на этом основании неверным будет представлять, что когнитивные операции являются подмножеством
понятия "системный анализ", скорее наоборот: системный анализ представляет собой один из теоретических
методов познания, представимый в форме определенной последовательности когнитивных операций, тогда как
другие последовательности этих операций позволяют образовать другие формы теоретического познания.
Понятие: "Система искусственного интеллекта", место СИИ в классификации
информационных систем
Существует много различных подходов к классификации информационных систем. Сразу вполне
закономерно возникают вопросы о том:
1. Чем обусловлено различие этих классификаций?
2. Какова классификация этих классификаций?
3. Каким образом выбрать ту классификацию, которая нам больше всего подходит в данном случае?
Попробуем ответить на эти вопросы.
Различия между этими классификациями определяются теми критериями, по которым производится
классификация, например:
– по степени структурированности решаемых задач;
– по автоматизируемым функциям;
– по степени автоматизации реализуемых функций;
– по сфере применения и характеру использования информации, в частности, по уровням управления.
92
Изветсно, что при обучении людей существуют различные уровни предметной обученности:
воспроизведение (память); решение стандартных задач (умения, навыки); решение нестандартных, творческих
задач (знания, активное интеллектуальное понимание).
Интеллект может проявляется в различных областях, но мы рассмотрим его возможности в решении
задач, т.к. эта область проявления является типичной для интеллекта. Задачи бывают стандартные и
нестандартные. Для стандартных задач известны алгоритмы решения. Для нестандартных они неизвестны.
Поэтому решение нестандартной задачи представляет собой проблему.
Само понятие "стандартности" задачи относительно, относительна сама "неизвестность": т.е. алгоритм
может быть известен одним и неизвестен другим, или информация о нем может быть недоступной в
определенный момент или период времени, и доступной – в другой. Поэтому для одних задача может быть
стандартной, а для других нет. Нахождение или разработка алгоритма решения переводит задачу из разряда
нестандартных в стандартные.
В математике и кибернетике задача считается решенной, если известен алгоритм ее решения. Тогда
процесс ее фактического решения превращается в рутинную работу, которую могут в точности выполнить
человек, вычислительная машина или робот, под управлением программы реализующей данный алгоритм, не
имеющие ни малейшего представления о смысле самой задачи.
Разработка алгоритма решения задачи связано с тонкими и сложными рассуждениями, требующими
изобретательности, опыта, высокой квалификации. Считается, что эта работа является творческой, существенно
неформализуемой и требует участия человека с его "естественным" опытом и интеллектом.
Здесь необходимо отметить, что существует технология решения изобретательских задач (ТРИЗ), в
которой сделана попытка, по мнению многих специалистов, довольно успешная, позволяющая в какой-то степени
формализовать процедуру решения творческих задач.
Интеллектуальными считаются задачи, связанные с разработкой алгоритмов решения ранее
нерешенных задач определенного типа.
Отличительной особенностью и одним из основных источников эффективности алгоритмов является то,
что они сводят решение сложной задачи к определенной последовательности достаточно простых или даже
элементарных для решения задач. В результате нерешаемая задача становится решаемой. Исходная
информация поступает на вход алгоритма, на каждом шаге она преобразуется и в таком виде передается на
следующий шаг, в результате чего на выходе алгоритма получается информация, представляющая собой
решение задачи.
Алгоритм может быть исполнен такой системой, которая способна реализовать элементарные операции
на различных шагах этого алгоритма.
Существует ряд задач, таких, как распознавание образов и идентификация, прогнозирование, принятие
решений по управлению, для которых разбиение процесса поиска решения на отдельные элементарные шаги, а
значит и разработка алгоритма, весьма затруднительны.
Из этих рассуждений вытекает следующее определение интеллекта: интеллект представляет собой
универсальный алгоритма, способный разрабатывать алгоритмы решения конкретных задач.
С этой точки зрения профессия программиста является одной из самых творческих и интеллектуальных,
т.к. продуктом деятельности программиста являются алгоритмы реализованные на некотором языке
программирования (программы).
Исходя из вышесказанного можно сделать вывод о том, что в нашем случае наиболее подходит
классификацией ИС, основанная на критерии, позволяющем оценить "степень интеллектуальности ИС", т.е. на
критерии "степени структурированности решаемых задач" (рисунок 5).
93
ИНФОРМАЦИОННЫЕ
СИСТЕМЫ (ИС)
ХОРОШО
СТРУКТУРИРОВАННЫЕ
ЗАДАЧИ
ЧАСТИЧНО
СТРУКТУРИРОВАННЫЕ
ЗАДАЧИ
ВЫЧИСЛИТЕЛЬНЫЕ
ЗАДАЧИ
ЗАДАЧИ
БУХГАЛТЕРСКОГО УЧЕТА
ПЛАНОВО-ЭКОНОМИЧЕСКИЕ
ЗАДАЧИ
ЗАДАЧИ
ОБУЧЕНИЯ С УЧИТЕЛЕМ
ЗАДАЧИ ИДЕНТИФИКАЦИИ
И РАСПОЗНАВАНИЯ
ЗАДАЧИ
ПРОГНОЗИРОВАНИЯ
НЕСТРУКТУРИРОВАННЫЕ
ЗАДАЧИ
ЗАДАЧИ САМООБУЧЕНИЯ
И КЛАСТЕРИЗАЦИИ
ЗАДАЧИ ПОДДЕРЖКИ
ПРИНЯТИЯ РЕШЕНИЙ
ЗАДАЧИ
УПРАВЛЕНИЯ
Рисунок. Классификация информационных систем
по степени структурированности решаемых задач
Данная классификация не претендует на исчерпывающий характер.
Источники информации:
1. Сотник С.Л. Конспект лекций по курсу "Основы проектирования систем искусственного интеллекта":
(1997-1998), http://neuroschool.narod.ru/books/sotnik.html.
2. Сайт: http://www.stu.ru/inform/glaves/glava3/gl_3_2.htm#klas_is.
1.1.2.3. Определение и классификация систем искусственного интеллекта, цели и пути их создания
1.1.2.3.1. Тест Тьюринга и критерии "интеллектуальности" информационных систем. Может ли машина
мыслить? Может ли искусственный интеллект превзойти своего создателя?
В 1950 году в статье "Вычислительные машины и разум" (Computing machinery and intelligence)
выдающийся английский математики и философ Алан Тьюринг предложил тест, чтобы заменить бессмысленный,
по его мнению, вопрос "может ли машина мыслить?" на более определённый.
Вместо того, чтобы отвлеченно спорить о критериях, позволяющих отличить живое мыслящее существо
от машины, выглядящей как живая и мыслящая, он предложил реализуемый на практике способ установить это.
Судья-человек ограниченное время, например, 5 минут, переписывается в чате (в оригинале – по
телеграфу) на естественном языке с двумя собеседниками, один из которых – человек, а другой – компьютер.
Если судья за предоставленное время не сможет надёжно определить, кто есть кто, то компьютер прошёл тест.
Предполагается, что каждый из собеседников стремится, чтобы человеком признали его. С целью
сделать тест простым и универсальным, переписка сводится к обмену текстовыми сообщениями.
Переписка должна производиться через контролируемые промежутки времени, чтобы судья не мог
делать заключения исходя из скорости ответов. (Тьюринг ввел это правило потому, что в его времена
компьютеры реагировали гораздо медленнее человека. Сегодня же это правило необходимо, наоборот, потому
что они реагируют гораздо быстрее, чем человек).
Идею Тьюринга поддержал Джо Вайзенбаум, написавший в 1966 году первую "беседующую" программу
"Элиза". Программа всего в 200 строк лишь повторяла фразы собеседника в форме вопросов и составляла новые
фразы из уже использованных в беседе слов. Тем ни менее этого оказалось достаточно, чтобы поразить
воображение тысяч людей.
А.Тьюринг считал, что компьютеры в конечном счёте пройдут его тест, т.е. на вопрос: "Может ли машина
мыслить?" он отвечал утвердительно, но в будущем времени: "Да, смогут!"
Алан Тьюринг был не только выдающимся ученым, но и настоящим пророком компьютерной эры.
Достаточно сказать, что в 1950 году (!!!), когда он писал, что к 2000 году, на столе у миллионов людей будут
стоять компьютеры, имеющие оперативную память 1 миллиард бит (около 119 Мб) и оказался в этом абсолютно
94
прав. Когда он писал это, все компьютеры мира вместе взятые едва ли имели такую память. Он также
предсказал, что обучение будет играть важную роль в создании мощных интеллектуальных систем, что сегодня
совершенно очевидно для всех специалистов по СИИ. Вот его слова: "Пытаясь имитировать интеллект взрослого
человека, мы вынуждены много размышлять о том процессе, в результате которого человеческий мозг достиг
своего настоящего состояния… Почему бы нам вместо того, чтобы пытаться создать программу, имитирующую
интеллект взрослого человека, не попытаться создать программу, которая имитировала бы интеллект ребенка?
Ведь если интеллект ребенка получает соответствующее воспитание, он становится интеллектом взрослого
человека… Наш расчет состоит в том, что устройство, ему подобное, может быть легко запрограммировано…
Таким образом, мы расчленим нашу проблему на две части: на задачу построения "программы-ребенка" и задачу
"воспитания" этой программы".
Именно этот путь и используют практически все системы ИИ. Кроме того, именно на этом пути
появляются и другие признаки интеллектуальной деятельности: накопление опыта, адаптация и т. д.
Против теста Тьюринга было выдвинуто несколько возражений.
1. Машина, прошедшая тест, может не быть разумной, а просто следовать какому-то хитроумному набору
правил.
На что Тьюринг не без юмора отвечал: "А откуда мы знаем, что человек, который искренне считает, что
он мыслит, на самом деле не следует какому-то хитроумному набору правил?"
2. Машина может быть разумной и не умея разговаривать, как человек, ведь и не все люди, которым мы
не отказываем в разумности, умеют писать.
Могут быть разработаны варианты теста Тьюринга для неграмотных машин и судей.
3. Если тест Тьюринга и проверяет наличие разума, то он не проверяет сознание (consciousness) и
свободу воли (intentionality), тем самым не улавливая весьма существенных различий между разумными людьми
и разумными машинами.
Сегодня уже существуют многочисленные варианты интеллектуальных систем, которые не имеют цели,
но имеют критерии поведения: генетические алгоритмы и имитационное моделирование эволюции. Поведение
этих систем выглядит таким образом, как будто они имеют различные цели и добиваются их.
Ежегодно производится соревнование между разговаривающими программами, и наиболее
человекоподобной, по мнению судей, присуждается приз Лебнера (Loebner).
Существует также приз для программы, которая, по мнению судей, пройдёт тест Тьюринга. Этот приз
ещё ни разу не присуждался.
В заключение отметим, что и сегодня тест Тьюринга не потерял своей фундаментальности и
актуальности, более того – приобрел новое звучание в связи с возникновением Internet, общением людей в чатах
и на форумах под условными никами и появлением почтовых и других программ-роботов, которые рассылают
спам (некорректную навязчивую рекламу и другую невостребованную информацию), взламывают пароли систем
и пытаются выступать от имени их зарегистрированных пользователей и совершают другие неправомерные
действия.
Таким образом, возникает задачи:
– идентификации пола и других параметров собеседника (на эту возможность применения своего теста
указывал и сам Тьюринг);
– выявления писем, написанных и посланных не людьми, а также такого автоматического написания
писем, чтобы отличить их от написанных людьми было невозможно. Так что антиспамовый фильтр на
электронной почте тоже представляет собой что-то вроде теста Тьюринга.
Не исключено, что скоро подобные проблемы (идентификации: человек или программа) могут возникнуть
и в чатах. Что мешает сделать сетевых роботов типа программы "Элиза", но значительно более совершенных
(все же сейчас не 1966, а 2004 год), которые будут сами регистрироваться в чатах и форумах участвовать в них с
использованием слов и модифицированных предложений других участников? Простейший вариант –
дублирование тем с других форумов и перенос их с форума на форум без изменений, что мы уже иногда
наблюдаем в Internet (например: сквозная тема про "Чакра-муни").
На практике чтобы на входе системы определить, кто в нее входит, человек или робот, достаточно при
входе предъявить для решения простенькую для человека, но требующую огромных вычислительных ресурсов и
системы типа неокогнитрона Фукушимы, задачку распознавания случайных наборов символов, представленных в
нестандартных начертаниях, масштабах и поворотах на фоне шума (Vladimir Maximenko). Решил, – значит
стучится человек-пользователь, не решил, – значит на входе робот, лазающий по мировой сети с неизвестными,
чаще всего неблаговидными целями.
95
1. Свободная энциклопедия:
http://ru.wikipedia.org/wiki/%D0%A2%D0%B5%D1%81%D1%82_%D0%A2%D1%8C%D1%8E%D1%80%D0%B8%D0%
BD%D0%B3%D0%B0
2. Сотник С.Л. Конспект лекций по курсу "Основы проектирования систем искусственного интеллекта":
(1997-1998), http://neuroschool.narod.ru/books/sotnik.html.
3. Vladimir Maximenko. Реализация теста Тьюринга на Perl (ввод цифр изображенных на картинке) (perl
image auth web cgi): http://www.opennet.ru/base/dev/turing_test.txt.html
4. Captcha (http://en.wikipedia.org/wiki/Captcha) – полностью автоматизированные открытые тесты
Тьюринга по разделению людей и машин (Completely Automated Public Turing tests to tell Computers and Humans
Apart).
5. Сайт: http://www.opennet.ru/opennews/art.shtml?num=4105
Классификация систем искусственного интеллекта
В данном учебном пособии мы будем рассматривать следующие классы систем искусственного
интеллекта:
1. Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами.
2. Автоматизированные системы распознавания образов.
3. Автоматизированные системы поддержки принятия решений
4. Экспертные системы (ЭС).
5. Нейронные сети.
6. Генетические алгоритмы и моделирование эволюции.
7. Когнитивное моделирование.
8. Выявление знаний из опыта (эмпирических фактов) и интеллектуальный анализ данных (data mining).
Этими классами системы СИИ не исчерпываются, но мы вынуждены ограничится ими, как основными, в
связи с ограниченностью объема учебного пособия.
Особенности технологии создания систем искусственного интеллекта (обучение, "социализация", как
технологический этап)
Система искусственного интеллекта в качестве существенной своей части включает базу знаний, которая
является результатом обобщения опыта эксплуатации данной системы в определенных конкретных условиях.
Это значит, что программистом может быть разработана только "пустая оболочка" системы искусственного
интеллекта, которая превращается в работоспособную систему в результате процесса обучения, который, таким
образом, является необходимым технологическим этапом создания подобных систем. Можно провести аналогию
между такой системой и ребенком: ребенок не может идти работать, т.к. ему для этого предварительно требуется
длительное обучение в школе, а затем часто и в вузе, чтобы он смог выполнять определенные виды работ.
Информационная модель деятельности специалиста и место систем искусственного интеллекта в этой
деятельности
Информационная модель деятельности специалиста, представленная на рисунке 6, разработана на
основе модели, впервые предложенной В.Н. Лаптевым (1984).
96
1
НОВАЯ
ЗАДАЧА ИЛИ ПРОБЛЕМА
2
ИДЕНТИФИКАЦИЯ
ПРОБЛЕМЫ ИЛИ ЗАДАЧИ
И ПРОГНОЗИРОВАНИЕ
СЛОЖНОСТИ ЕЕ РЕШЕНИЯ
7
3
ИЗВЕСТНО ДЕТЕРМИНИСТКОЕ РЕШЕНИЕ?
СТАНДАРТНОЕ РЕШЕНИЕ
ЗАДАЧИ
8
ДА
РЕШЕНИЕ
ЭФФЕКТИВНО?
НЕТ
11
НЕТ
9
АВТОМАТИЗИРОВАННАЯ
ПОДДЕРЖКА
ПРИНЯТИЯ РЕШЕНИЙ
(ОБРАТНАЯ ЗАДАЧА
ПРОГНОЗИРОВАНИЯ)
4
ИЗВЕСТЕН АЛГОРИТМ
ПРИНЯТИЯ РЕШЕНИЯ?
ДА
10
НЕТ
14
12
ВОЗМОЖЕН
НЕФОРМАЛИЗОВАННЫЙ
ПОИСК РЕШЕНИЯ?
ДА
НЕФОРМАЛИЗОВАННЫЙ
ПОИСК
КАЧЕСТВЕННО НОВОГО
РЕШЕНИЯ ПРОБЛЕМЫ
ДА
РЕШЕНИЕ
ЭФФЕКТИВНО?
НЕТ
5
СТАНДАРТИЗАЦИЯ
КОЛИЧЕСТВЕННО
НОВОГО РЕШЕНИЯ,
АДАПТАЦИЯ МОДЕЛИ
СТАНДАРТИЗАЦИЯ
КАЧЕСТВЕННО НОВОГО
РЕШЕНИЯ,
ПЕРЕСИНТЕЗ МОДЕЛИ
13
РЕШЕНИЕ
ЭФФЕКТИВНО?
ДА
НЕТ
НЕТ
6
ПРЕКРАЩЕНИЕ
ФУНКЦИОНИРОВАНИЯ
СИСТЕМЫ
Рисунок. Информационная модель деятельности специалиста
и место систем искусственного интеллекта в этой деятельности
На вход системы поступает задача или проблема. Толкование различия между ними также дано В.Н.
Лаптевым и состоит в следующем.
Ситуация, при которой фактическое состояние системы не совпадает с желаемым (целевым) называется
проблемной ситуацией и представляет собой:
– задачу, если способ перевода системы из фактического состояния в желаемое точно известен, и
необходимо лишь применить его;
– проблему, если способ перевода системы из фактического состояния в желаемое не известен, и
необходимо сначала его разработать и лишь затем применить его.
Таким образом, можно считать, что проблема – это задача, способ решения которой неизвестен. Это
означает, что если этот способ разработать, то этим самым проблема сводится к задаче, переводится в класс
задач. Проще говоря, проблема – это сложная задача, а задача – это простая проблема.
Но и проблемы различаются по уровню сложности:
– для решения одних достаточно автоматизированной системы поддержки принятия решений;
– для решения других – обязательным является творческое участие людей: специалистов, экспертов.
Рассмотрим информационную модель деятельности специалиста, представленную на рисунке 6.
Блок 1. На вход системы поступает задача или проблема. Что именно неясно, т.к. чтобы это выяснить
необходимо идентифицировать ситуацию и обратиться к базе данных стандартных решений с запросом,
существует ли стандартное решение для данной ситуации.
Блок 2. Далее осуществляется идентификация проблемы или задачи и прогнозирование сложности ее
решения. На этом этапе применяется интеллектуальная система, относящаяся к классу систем распознавания
образов, идентификации и прогнозирования или эта функция реализуется специалистом самостоятельно
"вручную".
Блок 3. Если в результате идентификации задачи или проблемы по ее признакам установлено, что точно
имеется стандартное решение, то это означает, что на вход системы поступила точно такая же задача, как уже
когда-то ранее встречалась. Для установления этого достаточно информационно-поисковой системы,
осуществляющей поиск по точному совпадению параметров запроса и в применении интеллектуальных систем
нет необходимости. Тогда происходит переход на блок 7, а иначе на блок 4.
97
Блок 4. Если установлено, что точно такой задачи не встречалось, но встречались сходные,
аналогичные, которые могут быть найдены в результате обобщенного (нечеткого) поиска системой
распознавания образов, то решение может быть найдено с помощью автоматизированной системы поддержки
принятия решений путем решения обратной задачи прогнозирования. Это значит, что на вход системы поступила
не задача, а проблема, имеющая количественную новизну по сравнению с решаемыми ранее (т.е. не очень
сложная проблема). В этом случае осуществляется переход на блок 9, иначе – на блок 5.
Блок 5. Если установлено, что сходных проблем не встречалось, то необходимо качественно новое
решение, поиск которого требует существенного творческого участия человека-эксперта. В этом случае
происходит переход на блок 12, а иначе – на блок 6.
Блок 6. Переход на этот блок означает, что возможности поиска решения или выхода из проблемной
ситуации системой исчерпаны и решения не найдено. В этом случае система обычно терпит ущерб целостности
своей структуре и полноте функций, вплоть до разрушения и прекращения функционирования.
Блок 7. На этом этапе осуществляется реализация стандартного решения, соответствующего точно
установленной задаче, а затем проверяется эффективность решения на блоке 8.
Блок 8. Если стандартное решение оказалось эффективным, это означает, что на этапах 2 и 3
идентификация задачи и способа решения осуществлены правильно и система может переходить к разрешению
следующей проблемной ситуации (переход на блок 1). Если же стандартное решение оказалось неэффективным,
то это означает, что проблемная ситуация идентифицирована как стандартная задача неверно и необходимо
продолжить попытки ее разрешения с использованием более общих подходов, основанных на применении
систем искусственного интеллекта (переход на блок 4), например, систем поддержки принятия решений.
Блок 9. Применяется автоматизированная система поддержки принятия решений, обеспечивающая
решение обратной задачи прогнозирования. Отличие подобных систем от информационно-поисковых состоит в
том, что они способны производить обобщение, выявлять силу и направление влияния различных факторов на
поведение системы, и, на основе этого, по заданному целевому состоянию вырабатывать рекомендации по
системе факторов, которые могли бы перевести систему в это состояние (обратная задача прогнозирования).
Блок 10. Если решение, полученное с помощью системы поддержки принятия решений, оказалось
неэффективным, то это означает, что проблемная ситуация идентифицирована как аналогичная ранее
встречавшимся неверно. Следовательно, что на вход системы поступила качественно новая, по сравнению с
решаемыми ранее, т.е. сложная проблема. В этом случае необходимо продолжить попытки разрешения
проблемы с использованием творческих неформализованных подходов с участием человека-эксперта и перейти
на блок 5, иначе – на блок 11.
Блок 11. Информация об условиях и результатах решения проблемы заносится в базу знаний, т.е.
стандартизируется. После чего база знаний количественно (не принципиально) изменяется, т.е. осуществляется
ее адаптация. В результате адаптации при встрече в будущем точно таких же проблемных ситуаций, как
разрешенная, система уже будет разрешать ее не как проблему, а как стандартную задачу.
Блок 12. На этом этапе с использованием неформализованных творческих подходов осуществляется
поиск качественно нового решения проблемы, не встречавшейся ранее, после чего управление передается блоку
13.
Блок 13. Если решение, полученное экспертами с помощью неформализованных подходов, оказалось
неэффективным, то это означает, что система терпит крах (осуществляется переход на блок 6). Если же
адекватное решение найдено, то происходит переход на блок 14.
Блок 14. Стандартизация качественно нового решения, проблемы и пересинтез модели. Информация об
условиях и результатах творческого решения проблемы заносится в базу знаний, т.е. стандартизируется. После
этого база знаний качественно, принципиально изменяется, т.е. фактически осуществляется ее пересоздание
(пересинтез). В результате пересинтеза базы знаний при встрече в будущем проблемных ситуаций, аналогичных
разрешенной, система уже будет реагировать на них как проблемы, решаемые автоматизированными системами
поддержки принятия решений.
Блоки, в которых используются системы искусственного интеллекта, на рисунке 6 показаны
затемненными:
– блоки 2 и 12: система распознавания образов, идентификации и прогнозирования;
– блоки 9, 11, 12 и 14: автоматизированная система поддержки принятия решений.
В заключение раздела, с целью повышения настроения читателей-студентов, приведем шуточный
алгоритм решения проблем (рисунок 7).
98
ВХОД
ДА
НЕ ТРОГАЙ !!!
ВСЕ НОРМАЛЬНО ?
НЕТ
ДА
ИДИОТ !
КТО-НИБУДЬ
ЗНАЕТ ?
ТЫ ЭТО ТРОГАЛ ?
ДА
НЕТ
ТЫ ПОПАЛ !
ДА
ТЕБЕ ЭТО НАДО ?
НЕТ
НАДО
СПРЯТАТЬ !!!
НЕТ
НЕТ
МОЖНО
ВСЕ СВАЛИТЬ НА
ДРУГОГО ?
ПРИТВОРИСЬ,
ЧТО НЕ ВИДЕЛ
ДА
ВОТ И НЕТ
ПРОБЛЕМЫ !!!
ВЫХОД
Рисунок. Шуточный алгоритм решения проблем (Internet-фольклор)
Жизненный цикл системы искусственного интеллекта и критерии перехода между этапами этого цикла
Жизненный цикл систем искусственного интеллекта сходен с жизненным циклом другого программного
обеспечения и включает этапы и критерии перехода между ними, представленные в таблице 2.
Таблица – ЭТАПЫ ЖИЗНЕННОГО ЦИКЛА СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И КРИТЕРИИ ПЕРЕХОДА
МЕЖДУ НИМИ
Наименование
Критерии перехода
№
этапа
к следующему этапу
Появление (в результате проведения маркетинговых и
Разработка идеи и концепции
1
рекламных
мероприятий)
заказчика
или
спонсора,
системы
заинтересовавшегося системой
Разработка
теоретических Обоснование выбора математической модели по критериям или
2
основ системы
обоснование необходимости разработки новой модели
Разработка
математической
3
Детальная разработка математической модели
модели системы
Разработка
методики
4
численных расчетов в системе:
детальная разработка структур входных, промежуточных и
4.1 – разработка структур данных
выходных данных
–
разработка
алгоритмов разработка обобщенных и детальных алгоритмов, реализующих
4.2
обработки данных
на разработанных структурах данных математическую модель
Разработка иерархической системы управления системой,
Разработка структуры системы
5
структуры меню, экранных форм и средств управления на
и экранных форм интерфейса
экранных формах
Разработка исходного текста программы системы, его
Разработка
программной
6
компиляция и линковка. Исправление синтаксических ошибок в
реализации системы
исходных текстах
Поиск и исправление логических ошибок в исходных текстах на
7 Отладка системы
контрольных примерах. На контрольных примерах новые
99
8
9
10
11
12
13
ошибки не обнаруживаются.
Поиск и исправление логических ошибок в исходных текстах на
Экспериментальная
реальных данных без применения результатов работы системы
эксплуатация
на практике. На реальных данных новые ошибки практически не
обнаруживаются, но считаются в принципе возможными.
Поиск и исправление логических ошибок в исходных текстах на
реальных данных с применением результатов работы системы
Опытная эксплуатация
на практике. На реальных данных новые ошибки не
обнаруживаются и считаются недопустимыми.
Основной по длительности период, который продолжается до
тех пор, пока система функционально устраивает Заказчика. У
Заказчика появляется необходимость внесения количественных
Промышленная эксплуатация
(косметических) изменений в систему на уровне п.5 (т.е. без
изменения математической модели, структур данных и
алгоритмов)
У Заказчика формируется потребность внесения качественных
Заказные
модификации (принципиальных) изменений в систему на уровне п.3 и п.4, т.е.
системы
с изменениями в математической модели, структурах данных и
алгоритмах
Разработка новых версий Выясняется техническая невозможность или финансовая
системы
нецелесообразность разработки новых версий системы
Снятие системы с эксплуатации
Принципы формализации предметной области и подготовки эмпирических данных
Понятие шкалы и градации. Типы шкал
Формализация предметной области это процесс, состоящий из двух основных этапов:
1. Конструирование шкал и градаций для описания и кодирования состояний объекта управления и
факторов, влияющих на его поведение.
2. Отнесение состояний объекта управления и факторов к определенным градациям соответствующих
шкал.
В данной работе предлагается следующие определения.
Шкала – это способ классификации объектов по наименованиям или степени выраженности некоторого
свойства.
Градация – это положение на шкале (или интервал, диапазон), соответствующее наименованию или
определенной степени выраженности свойства.
Понятие шкалы тесно связано с ключевым понятием когнитивной психологии: понятием конструкта,
более того, практически является синонимом или формальным аналогом этого понятия.
Конструктом называется понятие, имеющее полюса, противоположные по смыслу, и ряд промежуточных
градаций, отражающих различную степень выраженности некоторого качества. Познание состоит в создании
(генерировании) новых конструктов и их использовании для ориентации в предметной области. Таким образом,
формализация предметной области по сути дела представляет собой ее познание, т.е. когнитивную
структуризацию. В приведенной таблице 27 дана характеристика измерительных шкал согласно [64]. Конечно,
наименования могут быть присвоены градациям всех видов измерительных шкал.
Таблица – ХАРАКТЕРИСТИКА И ПРИМЕРЫ ИЗМЕРИТЕЛЬНЫХ ШКАЛ
100
Шкалы классов (классификационные шкалы)
Плодотворным является представление классов, как некоторых областей в фазовом пространстве, в
котором в качестве осей координат выступают некоторые шкалы классов меньшего уровня общности или
признаков. Классы распознавания могут рассматриваться, также, как градации (конкретные значения, заданные с
некоторой точностью, или диапазоны – зоны), заданные на этих шкалах. Количество шкал, тип шкал и количество
градаций на них в предлагаемой модели задает сам пользователь.
Если представить эти шкалы как оси координат, то, очевидно, наиболее обобщенным классам
распознавания соответствуют зоны на самих осях. Кроме того возможны варианты сочетаний по 2 оси,
соответствующие областям на координатных плоскостях. Существуют также области в фазовом пространстве,
образованные сочетаниями градаций сразу n-го количества шкал, где n <= N, где N - размерность фазового
пространства. Естественно, пользователь может исследовать только те классы, которые его интересуют,
сознательно принимая решение не рассматривать остальных. Но он должен знать, что и остальные классы также
могут быть сформированы и исследованы, а для этого нужно иметь их классификацию, принцип разработки
которой мы только что рассмотрели.
Конкретными реализациями обобщенных категорий могут быть объекты, их состояния или ситуации (но
применять мы, как правило, будем термин "объекты", всегда имея в виду и остальные возможные варианты).
Синонимами понятия "класс" являются применяющиеся в специальной литературе термины "объекты",
"категории", "образы", "эталоны", "типы", "профили", "вектора". В данной работе объекты рассматриваются как
конкретные реализации классов, а классы – как обобщенные образы объектов определенной категории.
Когда классы распознавания сформированы с ними могут осуществляться три основные операции:
сравнение конкретных объектов, их состояний или ситуаций с классами; сравнение классов друг с другом; вывод
информации о содержании обобщенного образа класса в форме таблиц или графических диаграмм.
Шкалы атрибутов (описательные шкалы)
Конкретные объекты, предъявляемые на входе модели в качестве примеров или реализаций некоторых
обобщенных классов (прецедентов), описываются на языке атрибутов, т.е. признаков.
Признаки могут иметь любую природу, в частности: объективную - физическую, химическую и др. (вес,
температура, рост); социально-экономическую (меновую и потребительную стоимость, степень амортизации,
процент дивидендов); эмоционально-психологическую (привлекательный, предупредительный, исполнительный,
конфликтный и т.п.).
Система признаков двухуровневая, что позволяет формализовать (шкалировать) не только качественные
(да/нет), но и количественные (числовые) признаки, а также позволяет обрабатывать вопросы со многими, в том
числе и неальтернативными вариантами ответов. Вопрос с вариантами ответов можно рассматривать как шкалу с
градациями. Такое понимание позволяет "ввести в оборот" хорошо разработанную теорию шкалирования, что
является весьма ценным. В предлагаемой модели нет ограничений на тип и количество шкал, а также на
количество градаций в них (за исключением суммарного общего количества градаций. Нет в предлагаемой
модели и таких искусственных ограничений, как, например, необходимость одинакового количества градаций во
101
всех шкалах, или необходимость использовать только шкалы только одного какого-либо типа, и т.п., которые, как
правило, встречаются в других системах.
В принципе могут быть сконструированы системы признаков, представляемые деревьями трех и более уровней,
однако программно реализовывать их нецелесообразно, т.к. они все сводятся к двухуровневым деревьям
(вопросы с вариантами ответов).
Развитие АСК-анализа
Многоагентные распределенные системы обнаружения, накопления и использования знаний в Internet
Является перспективным создание на базе предложенной технологии и методологии АСК-анализа новой
многозадачной версии системы "Эйдос", обеспечивающей (после регистрации пользователей на сайте при
выполнении ими заданных условий) доступ пользователей Internet к базам данных системы как в режиме синтеза
новых моделей, так и в режиме их эксплуатации в адаптивном режиме по направлениям, которые определят сами
пользователи и разработчики. Это позволит "интеллектуализировать" Internet, создать в нем активные сервисы,
способные стать со временем накопителями, хранилищами и анализаторами знаний и опыта по самым
различным направлениям деятельности человека (например, автоматизированные консалтинговые службы). Эти
сервисы могли бы предоставлять услуги по интеллектуальной обработке данных пользователям независимо от
их локализации, и, таким образом, стать реальной технической базой для интеграции знаний, что может стать
еще одним шагом на пути развития ноосферы (В.И.Вернадский, Ле Руа, Тейяр де Шарден, 1923). В настоящее же
время Internet используются, в основном, просто для получения или просмотра готовых, созданных кем-либо
файлов, т.е. просто для обмена информацией.
Развитие АСК-анализа с применением теории нечетких множеств и неклассической логики
Весьма перспективным является развитие результатов, полученных в данном исследовании, с
применением аппарата нечетких множеств Заде-Коско [64] и основанной на этом аппарате нечеткой логики
(которую иногда более удачно называют непрерывной или континуальной, в отличие от дискретной бинарной
Аристотелевской логики или дискретной многозначной логики).
Эта перспектива основана на том, что матрицу информативностей (таблица 16) вполне можно
рассматривать как обобщенную (в смысле нечеткой логики) таблицу решений, в которой входы (факторы) и
выходы (будущие состояния АОУ) связаны друг с другом не с помощью классических (Аристотелевских)
импликаций, принимающих только значения: "Итина" и "Ложь", а различными значениями истинности,
выраженными в битах и принимающими значения от положительного теоретически-максимально-возможного
("Максимальная степень истинности"), до теоретически неограниченного отрицательного ("Степень ложности").
Фактически это означает, что предложенная модель АСК-анализа позволяет осуществить синтез
обобщенных таблиц решений для различных предметных областей непосредственно на основе эмпирических
исходных данных и продуцировать на их основе огромное количество прямых и обратных правдоподобных
(нечетких) логических рассуждений по неклассическим схемам с различными расчетными значениями
истинности, являющимся обобщением классических импликаций.
При этом в прямых рассуждениях как предпосылки рассматриваются факторы, а как заключение –
будущие состояния АОУ, а в обратных – наоборот: как предпосылки – будущие состояния АОУ, а как заключение
– факторы. Степень истинности i-й предпосылки – это просто количество информации Iij, содержащейся в ней о
наступлении j-го будущего состояния АОУ. Если предпосылок несколько, то степень истинности наступления j-го
состояния АОУ равна суммарному количеству информации, содержащемуся в них об этом. Количество
информации в i-м факторе о наступлении j-го состояния АОУ, рассчитывается в соответствии с выражением
(3.28) СТИ.
Прямые правдоподобные логические рассуждения позволяют прогнозировать степень достоверности
наступления события по действующим факторам, а обратные – по заданному состоянию восстановить степень
необходимости и степень нежелательности каждого фактора для наступления этого состояния, т.е. принимать
решение по выбору управляющих воздействий на АОУ, оптимальных для перевода его в заданное целевое
состояние.
Число вариантов подобных логических формул определяется по сути дела произведением числа
сочетаний предпосылок на число сочетаний заключений. Однако, реально из этих формул имеет смысл
использовать только полные, т.е. включающие все заданные предпосылки или все заданные заключения. В
простейшем случае заданными могут считаться все предпосылки, или предпосылки, соответствующие факторам
определенной группы, и т.д. Для развития этого направления, по-видимому, целесообразно задействовать логику
предикатов.
102
Необходимо также отметить, что предложенная модель, основывающаяся на теории информации,
обеспечивает автоматизированное формирования системы нечетких правил по содержимому входных данных,
как и комбинация нечеткой логики Заде-Коско с нейронными сетями Кохонена. Принципиально важно, что
качественное изменение модели путем добавления в нее новых классов не уменьшает достоверности
распознавания уже сформированных классов. Кроме того, при сравнении распознаваемого объекта с каждым
классом учитываются не только признаки, имеющиеся у объекта, но и отсутствующие у него, поэтому
предложенной моделью правильно идентифицируются объекты, признаки которых образуют множества, одно из
которых является подмножеством другого (как и в Неокогнитроне К.Фукушимы).
Динамика взаимодействующих семантических пространств и создание континуального АСК-анализа
Следующим чрезвычайно перспективным направлением развития полученных в данном исследовании
результатов представляется развитие теории динамики взаимодействующих семантических пространств классов
и атрибутов. С этой целью для семантических пространств и объектов в этих пространствах, т.е. векторов
классов и факторов, на основе понятия "информация" предлагается определить понятия, являющиеся аналогами
понятий геометрии, кинематики и динамики: это метрика, система отсчета, скорость и ускорение, путь, масса,
сила, импульс и энергия, закон (в частности законы сохранения), и т.д. Предлагается получить соответствующие
аналитические выражения и дать их содержательную интерпретацию и способы численного расчета.
Высказывается гипотеза, состоящая в том, что физическая картина мира (и не только физическая)
является не более чем подмножеством некоторой информационной модели, в какой-то мере аналогичной той,
которая предложена в данном исследовании. Это позволяет подойти к исследованию природы реальности с
пониманием того, что в действительности мы исследуем не реальность, а лишь содержательные
информационные модели этой реальности, основанные на нашем ограниченном опыте. Например, если прогноз
поведения системы, сделанный на основании некоторой модели, адекватен, то мы получаем информацию об
адекватности модели, если же нет – то новую информацию о системе, не отраженную в модели. Вторая ситуация
возможна при исследовании систем после прохождения ими точки бифуркации и систем, качественно
отличающихся от описываемых моделью. Учет этой новой информации в модели повышает ее адекватность и
качественно расширяет область адекватного применения модели. Таким образом, количество информации о
системе, полученное в процесс познания, можно измерять по степени модификации модели системы при учете в
ней этой информации и приведении модели в адекватное состояние (аналогично, количество информации,
записанное в структуре предмета труда, можно измерять по степени его модификации). При учете в модели
незначительного количества информации происходит ее адаптация, а при учете значительного количества –
синтез. Учет в теории информации эффектов системного взаимодействия альтернативных состояний (явление
интерференции последствий выбора квантовых и активных объектов) приводит к обобщению понятия
"информация" в рамках системной теории информации, один из вариантов которой предложен в данной работе.
Подобные идеи в свое время привели к возникновению специальной теории относительности (учет свойств
релятивистских свойств объектов), квантовой механики (учет квантовых свойств объектов) и
нейролингвистического (НЛП) программирования. В принципе философы знали это всегда (правда не всегда
признавали), но предложенный в данном исследовании подход позволяет перейти в этой области от
умозрительных рассуждений к строгим расчетам, и это соответствует внутренней логике развития науки, которую
здесь неуместно рассматривать подробнее.
Придание модели онтологического статуса (гипостазирование) – ошибка, которая часто совершается и в
результате которой начинают считать, что "в действительности все устроено так, как в модели". Например,
придание онтологического статуса объектам – дело решенное для материалистов, но для последователей
остальных философских направлений этот вопрос остается открытым. Если объективное существование
объектов мало у кого вызывает сомнение, то вопрос об объективном существовании интегративных структур 2-го
и более высоких порядков остается открытым. Но что это за структуры? В предложенной когнитивной концепции,
кластер, например, представляет собой своего рода "объект, состоящий из объектов", т.е. объект 2-го порядка.
Если объект выполняет интегративную функцию по отношению к атрибутам, то кластер – по отношению к
объектам. Необходимо подчеркнуть, что термин "класс" используется не только для обозначения образов
уникальных объектов, но и для обозначения их кластеров, т.е. классу может соответствовать не уникальное, а
обобщающее имя, в этом случае мы имеем дело с обобщенным классом. Да и кластеры могут быть не только
кластерами уникальных объектов, но и обобщенных классов.
Возникает вопрос об онтологическом статусе понятия "кластер". В некоторых философских системах
подобным объектам приписывался даже более высокий статус существования, чем самим объектам, например
обычные объекты рассматриваются лишь как "тени" "Эйдосов" (Платон). Известны и другие понятия для
обозначения объектов высоких порядков, например "архетип" (Юм), "эгрегор" (Даниил Андреев) и др. Нельзя не
отметить, что в современной физике (специальной и общей теории относительности) есть подобное понятие
103
пространственно-временного интервала, который проявляется на практике как движение объекта. Являясь
объектами 2-го порядка сами кластеры в результате выполнения когнитивной операции "генерация конструктов"
могут быть классифицированы по степени сходства друг с другом. Для обозначения системы двух
противоположных кластеров, с "спектром" промежуточных кластеров между ними, будем использовать термин
"бинарный конструкт", при этом сами противоположные кластеры будем называть "полюса бинарного конструкта".
Таким образом конструкт представляет собой объект 3-го порядка. Словом "бинарный" определяется, что в
данном случае полюсов у конструкта всего два, но этим самым подчеркивается, что в принципе их может быть 3,
4 и больше. Бинарный конструкт можно формально представить в виде порядковой шкалы или даже шкалы
отношений, на которой градациям соответствуют кластеры, а значит и сами классы и соответствующие объекты.
Конструкты с количеством полюсов больше 2 могут быть представлены графически в форме семантических сетей
в которых полюса являются вершинами, а дуги имеют цвет и толщину, соответствующие степени сходстваразличия этих вершин. Семантические сети можно считать также просто графической формой представления
результатов кластерного анализа. По-видимому, статус существования структуры реальности, отображаемой
некоторой когнитивной структурой определенного уровня интегративности тем выше, чем выше этот уровень
интегративности, т.е. наивысшим статусом существования обладает Мир-в-Целом.
Аналогично кластерам и конструктам классов формируются кластеры и конструкты атрибутов. В
кластеры объединяются атрибуты, имеющие наиболее сходный смысл. В качестве полюсов конструктов
выступают кластеры атрибутов, противоположных по смыслу.
Бинарные конструкты классов и атрибутов представляет собой когнитивные структуры, играющие
огромную роль в процессах познания. Не будет преувеличением сказать, что познание представляет собой
процесс генерации, совершенствования и применения конструктов. Будем считать, что конструкт тем более
совершенен и тем выше его качество, чем сильнее отличаются его полюса, т.е. чем больше диапазон его области
значений.
Однако, возникает вполне закономерный вопрос о том, по какой причине в мышлении современного человека при
обычных формах сознания используются лишь бинарные конструкты, причем, как правило, при их использовании
редко кто вспоминает про нечеткую логику Заде, т.е. на практике промежуточные между полюсами значения
вообще не рассматриваются. Представляется весьма перспективным исследовать и формализовать законы
мышления, характерные для измененных (прежде всего, высших) форм сознания, разработать теорию
конструктов с большим чем два дискретным количеством полюсов (многозначные конструкты), а также теорию
конструктов с любым иррациональным количеством полюсов. Таким образом, будущим исследователям и
разработчикам возможно предстоит обобщить предложенную в данном исследовании когнитивную концепцию и
разработать на ее основе более общие математические модели "многозначного а затем и континуального АСКанализа", в рамках которых предложенная модель получит статус частного случая – "бинарного АСК-анализа".
Возможно в рамках континуального АСК-анализа удастся обнаружить новые базовые когнитивные операции и
интегративные когнитивные структуры более высоких порядков, чем в предложенной когнитивной концепции и
построить их математические модели.
Эволюция понятия: "Обработка информации" от информационного сырья к
информационному продукту
Само понятие: "Обработка информации" также эволюционирует. Это происходит за счет изменения его
содержания, которое постепенно меняется и сегодня включает в себя не только выполнение операций с уже
имеющейся информацией, но также и очень важные операций поиска информации и обеспечения удаленного
доступа к информации, в частности с применением средств глобальных компьютерных коммуникаций (например,
Internet). Причем роль эффективного поиска и быстрого доступа к информации все больше и больше возрастает.
Очевидно, что ценность и эффективность использования информации определяется прежде всего возможностью
ее найти и получить к ней качественный доступ.
Операции по обработке уже имеющейся информации также становятся все более развитыми: они
включают уже не только простейшие арифметические операции, но и операции базам данных (поиск, выборка,
отбор, фильтрация, сортировка), статистические расчеты, численные методы, имитационное моделирование,
методы распознавания образов и принятия решений, теории игр, экспертные системы, нейронные сети,
генетические алгоритмы, когнитивное моделирование и др.
Развитие автоматизированных технологий обработки информации идет по пути все более глубокой
переработки "информационного сырья", в результате чего "информационный продукт" все в большей степени
отличается от исходного состояния информации.
Если на первых этапах эта переработка заключалась в основном в сортировке и выполнении
арифметических операций, прежде всего суммирования, то в последующем она становится все более и более
104
интеллектуальной. Все большее значение приобретают системы с элементами искусственного интеллекта: это и
системы ввода текстов со сканера, и системы автоматизированного перевода, трехмерные графические системы.
Эволюция технологий создания и поддержки информационных систем:
автоматизация функций посредников
С развитием информационных технологий радикально изменяется и подход к созданию программных
систем. На начальных этапах ограниченная группа разработчиков, сосредоточенная в одном месте,
проектировала и создавала программную систему в целом, после чего она внедрялась в готовом виде. В
последующем могли создаваться новые версии системы, которые опять же внедрялись в готовом виде.
На пути создания таких систем возникли следующие основные сложно преодолимые трудности:
– систему нужно было создать очень быстро, т.к. при очень большом ее масштабе обычно система
морально устаревала еще до начала ее внедрения;
– для создания таких систем необходимы огромный интеллектуальный потенциал и очень высокая
скорость разработки, высокое качество сопровождения.
Опыт показывает, что максимальная сложность систем, создаваемых централизовано по единому
проекту, ограничена.
Альтернативой централизованному проектированию и внедрению программных систем является
идеология открытых систем, при которой над развитием системы одновременно и независимо друг от друга
работают очень многие, иногда тысячи разработчиков, не придерживающихся какого-либо одного плана, но
подчиняющихся общим некоторым общим правилам.
Перспективы информационных технологий: интеллектуализация, создание самообучающихся,
саморазвивающихся (эволюционирующих) и самовоспроизводящихся систем
Сегодня мы все чаще видим как вместе или по отдельности реализуются и другие подходы:
1. Адаптивные и самообучающиеся системы настраиваются на решение тех или иных задач за счет
учета априорной информации и информации, поступающей в систему в процессе ее эксплуатации. Можно
считать, что подобные системы развиваются на основе опыта их эксплуатации и что усвоение этого опыта есть
один из технологических этапов создания таких систем.
2. Саморазвивающиеся открытые системы очень большого масштаба, которые не спроектированы какойлибо одной группой разработчиков и развиваются не по какому-либо плану, созданному кем-либо заранее. Эти
системы создают как бы информационную среду общего доступа в развитие которой могут вносить свой вклад
разработчики и даже пользователи, независимо от своего места нахождения.
Таким образом, перспектива информационных систем в создании технологий их создания и развития с
учетом опыта эксплуатации, часто без заранее разработанного плана и в этом процессе могут принимать участие
не только разработчики, но и пользователи, находящиеся где угодно в мире.
Такие системы будем называть открытыми распределенными адаптивными саморазвивающимися
системами.
Литература
1. Lutsenko E.V. Conceptual principles of the system (emergent) information theory & its application for the
cognitive modelling of the active objects (entities) //2002 IEEE International Conference on Artificial Intelligence
System (ICAIS 2002). –Computer society, IEEE, Los Alamos, California, Washington-Brussels-Tokyo, p. 268269.
2. Борисов Е. Ф. Экономическая теория: Учеб. пособие- 2-е изд., перераб. и доп. - М.: Юрайт, 1999. - 384 с.
3. Васильев А.А. Муниципальное управление: Конспект лекций. – Н.Новгород: Издатель: Гладкова О.В.,
2000.– 160 с.
4. Виханский О.С. Стратегическое управление: Учебник. — 2-е изд., перераб. и доп. — М.: Гардарика, 1998.
— 296 с.
5. Волков Ю.Г., Мостовая И.В. Социология: Учебник для вузов / Под ред. проф. В.И. Добренькова. – М.:
Гардарика, 1998. – 244 с.
6. Гольдштейн Г.Я. Основы менеджмента: Учебное пособие, изд 2-е, дополненное и переработанное.
Таганрог: Изд-во ТРТУ, 2003.
7. Грузинов В.П., Грибов В.Д. Экономика предприятия: Учеб. пособие. - 2-е изд., перераб и доп. - М.:
Финансы и статистика, 2000. - 208 с.
8. Дубров А.М. Моделирование рисковых ситуации в экономике и бизнесе: Учеб. пособие/А.М. Дубров, Б.А.
Лагоша, Е.Ю. Хрусталев; Под ред. Б.А. Лагоши.— М.: Финансы и статистика, 2000.— 176 с.
105
9. Зобов A.M., Филинов Н.Б., Наумов А.И. Как работать с модульной программой. 17-модульная программа
для менеджеров «Управление развитием организации». Модуль 1. – М.: «ИНФРА-М», 1999. - 160 с.
10. Зуб А. Т. Стратегический менеджмент: Теория и практика: Учебное пособие для вузов. — M.: Аспект
Пресс, 2002. — 415 с.
11. Игнатьева А.В., Максимцов М.М. Исследование систем управления: Учеб. пособие для вузов. - М.:
ЮНИТИ-ДАНА, 2000. - 157 с.
12. Инновационный менеджмент. Учебник / Под ред. С. Д. Ильенковой, – М.: Юнити, 1997 г.
13. Каплинский А.И.; Рекс Л.М.; Руссман И.Б.; Умывакин В.М.; Юрченко
И.Ф. ВНИИГиМ. О некоторых методических принципах математического
моделирования задач ресурсного обеспечения перспективного развития и размещения мелиорации.
Рукопись деп. 1986.07.31. -М,1986 -40 с.000588 TRN=RU8643563 Рубрики ГРНТИ: 68.31.01.77
14. Каплинский А.Н.; Леденеева Т.М.; Рекс Л.М.; Руссман И.Б.; Умывакин В.М.; Юрченко И.Ф. ВНИИГИМ. Об
одном подходе к построению оптимизационных моделей слабоформализованных задач ресурсного
обеспечения перспективного развития мелиорации. Рукопись деп. 1989.04.27. -М,1989 -20 с.002686
TRN=RU8957750 Рубрики ГРНТИ: 68.31.01.77
15. Каплинский А.Н.; Незнаев А.Б.; Рекс Л.М.; Руссман И.Б.; Умывакин В.М.; Юрченко И.Ф. ВНИИ
гидротехники и мелиорации им. А.Н. Костякова. Использование оптимизационных моделей
имитационного типа при разработке схем развития и размещения мелиорации (на примере Белорусской
ССР) Рукопись деп. 1989.06.30. -М,1988 -37 с. 002918 TRN=RU8961773 Рубрики ГРНТИ: 68.31.01.75
16. Кирейчева Л.В.; Маркина В.П.; Падэрина А.Д.; Рекс Л.М. ВНИИ гидротехники и мелиорации.
Оптимизация параметров гидромелиоративной системы с комбинированным дренажем в аридной зоне.
Рукопись деп. 1985.09.20. -М, : [Б. и.]., 1985 -56 с., ил. 000096 TRN=RU8551732 Рубрики ГРНТИ:
68.31.01.77
17. Конюховский П. В. Математические методы исследования операций в экономике — СПб.: Издательство
«Питер», 2000. — 208 с.
18. Коротков Э.М. Исследование систем управления. Учебник. Москва. Издательско-консалтинговая
компания «ДеКА» 2000
19. Кравченко А. И. История менеджмента: Учебное пособие для студентов вузов. — М.: Академический
Проект, 2000. — 352 с.
20. Кураков Л.П., Краснов А.Г, Назаров А.В. Экономика: инновационные подходы: Учебное пособие. - М.:
Гелиос , 1998. - 600 с.
21. Л.М. Рекс, ВНИИГиМ им. А.Н. Костякова, ФГОУ ВПО МГУП, г. Москва, Россия. РАЗРАБОТКА
МЕТОДИЧЕСКИХ ПОДХОДОВ ДЛЯ СОВЕРШЕНСТВОВАНИЯ ПОДГОТОВКИ СПЕЦИАЛИСТОВ "ПО
МЕЛИОРАЦИИ ДЕЯТЕЛЬНО-ТЕХНО-ПРИРОДНЫХ СИСТЕМ" Природообустройство и рациональное
природопользование - необходимые условия социально-экономического развития России (сборник
научных трудов), МГУП, Москва 2005 г. http://www.msuee.ru/science/1/2005_2/2_103.doc
22. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами
(системная теория информации и ее применение в исследовании экономических, социальнопсихологических, технологических и организационно-технических систем): Монография (научное
издание). – Краснодар: КубГАУ. 2002. – 605 с.
23. Луценко Е.В. Автоматизированный системно-когнитивный анализ в экономике. //Изв. вузов. Сев.-Кавк.
регион. Техн. науки. – 2003. – Приложение №1,.– С. 189-194.
24. Луценко Е.В. АСК-анализ в управлении активными системами. //Ж-л "Безопасность информационных
технологий", №2. –М.: МИФИ, 2003, с.110-119.
25. Луценко Е.В. АСК-анализ как метод выявления когнитивных функциональных зависимостей в
многомерных зашумленных фрагментированных данных. Научный журнал КубГАУ [Электронный ресурс].
– Краснодар: КубГАУ, 2005. – №03(11). – Режим доступа: http://ej.kubagro.ru/2005/03/19/p19.asp
26. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов
специальности: 351400 "Прикладная информатика (по отраслям)". – Краснодар: КубГАУ. 2004. – 633 с.
27. Луценко Е.В. Косвенная идентификация селекционно-значимых особенностей генотипа подсолнечника с
применением автоматизированного системно-когнитивного анализа. Научный журнал КубГАУ
[Электронный ресурс]. – Краснодар: КубГАУ, 2005. – №07(15). – Режим доступа:
http://ej.kubagro.ru/2005/07/03/p03.asp
28. Луценко Е.В. Нелокальные интерпретируемые нейронные сети прямого счета, как инструмент системнокогнитивного анализа //Изв. вузов. Северо-Кавказский регион. Технические науки. Приложение №3, 2003.
–С. 3-12.
106
29. Луценко Е.В. Новые подходы к районированию плодовых культур на Юге России с применением
компьютерного моделирования / Е.В. Луценко, И.А. Драгавцева, Н.М. Запорожец, Н.Е. Луценко //
Материалы Всероссийской научно-практической конференции "Организационно-экономический механизм
инновационного процесса и приоритетные проблемы научного обеспечения развития отрасли", 3–4
февраля 2003 г. / СКЗНИИСиВ. – Краснодар, 2003. – С. 74–76.
30. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке
принятия решений (на примере универсальной автоматизированной системы распознавания образов
"ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с.
31. Луценко Е.В., Головин В.П., Калайджян А.А., Калустов А.А., Кластерно-конструктивный и системнокогнитивный анализ результатов выращивания подсолнечника и факторов //Материалы XIV
международного симпозиума "Нетрадиционное растениеводство. Эниология. Экология и здоровье" – 2-й
съезд селекционеров. 3-11 сентября 2005 г., г. Алушта. – Симферополь, 2005. С. 476-478.
32. Луценко Е.В., Головин В.П., Калайджян А.А., Калустов А.А., Поддержка принятия решений по отбору
растений для селекции на основе анализа их фенотипических признаков методом АСК-анализа
//Материалы XIV международного симпозиума "Нетрадиционное растениеводство. Эниология. Экология
и здоровье" – 2-й съезд селекционеров. 3-11 сентября 2005 г., г. Алушта. – Симферополь, 2005. С. 492496.
33. Луценко Е.В., Головин В.П., Калайджян А.А., Калустов А.А., Прогнозирование селекционных свойств
растений подсолнечника на основе их фенотипических признаков путем применения АСК-анализа
//Материалы XIV международного симпозиума "Нетрадиционное растениеводство. Эниология. Экология
и здоровье" – 2-й съезд селекционеров. 3-11 сентября 2005 г., г. Алушта. – Симферополь, 2005. С. 463464.
34. Луценко Е.В., Головин В.П., Калайджян А.А., Калустов А.А., Совершенствование методов компьютерной
селекции подсолнечника путем применения АСК-анализа //Материалы XIV международного симпозиума
"Нетрадиционное растениеводство. Эниология. Экология и здоровье" – 2-й съезд селекционеров. 3-11
сентября 2005 г., г. Алушта. – Симферополь, 2005. С. 397-411.
35. Люкшинов А.Н. Стратегический менеджмент: Учебное пособие для вузов. - М.: ЮНИТИ-ДАНА, 2000. - 375
с.
36. Максимов В.И., Корноушенко Е.К., Качаев С.В. Когнитивные технологии для поддержки принятия
управленческих решений. //"Технологии информационного общества 98". – М.: ИПУ РАН, 1999. – С.11-18.
37. Мильнер Б. 3. Теория организации: Учебник. – 2-е изд., перераб. И доп. – М:.ИНФРА-М, 2000. – 480с.
38. Пат. № 2003610433 РФ. Автоматизированная система мониторинга, анализа и прогнозирования развития
сельхозкультур "ПРОГНОЗ-АГРО" / И.А. Драгавцева (Россия), Е.В. Луценко (Россия), Л.М. Лопатина
(Россия); Заяв. № 2002611927 РФ. Опубл. от 18. 02. 2003. – 50с.
39. Пат. № 2003610986 РФ. Универсальная когнитивная аналитическая система "ЭЙДОС" / Е.В.Луценко
(Россия); Заяв. № 2003610510 РФ. Опубл. от 22.04.2003. – 50с.
40. Пат. № 2003620035 РФ. База данных автоматизированной системы мониторинга, анализа и
прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО" / И.А. Драгавцева (Россия), Е.В. Луценко
(Россия), Л.М. Лопатина (Россия); Заяв. № 2002620178 РФ. Опубл. от 20. 02. 2003. – 50 с.
41. Пат. № 940328 РФ. Универсальная автоматизированная система анализа, мониторинга и
прогнозирования состояний многопараметрических динамических систем "ЭЙДОС-Т". /Е.В.Луценко
(Россия); Заяв. №940324. Опубл. 18.08.1994. – 50с.
42. Пат. № 940334. РФ. Универсальная автоматизированная система анализа и прогнозирования ситуаций
на фондовом рынке "ЭЙДОС-фонд" /Е.В.Луценко (Россия), Б.Х.Шульман (Россия); Заяв. № 940336.
Опубл. 23.08.1994. – 50с.
43. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ: Учебное пособие. – М.: Высшая школа,
1997. – 389с.
44. Региональная экономика: Учебник для вузов/ Т.Г. Морозова, М.П. Победина, Г.Б. Поляк и др.; Под ред.
проф. Т.Г. Морозовой. - 2-е изд., перераб. и доп. - М.: ЮНИТИ, 2001. - 472 с.
45. Рекс Л. М. Системные исследования мелиоративных процессов и систем.
Москва 1995г.
http://rex2lm0.pochta.ru/HTML/Rex_1995.pdf
46. Рекс Л. М., Жердев В.Н., П.С. Русинов, Умывакин В.М. Геоинформационно - аналитические технологии
построения комплексных тематических карт территории для целей мониторинга и управления
земельными ресурсами в ЦЧР. Вестник Воронежского отдела Русского географического общества. Том
1. Выпуск 2., Воронеж, 1999г.
107
47. Рекс Л.М. Деятельно-техно-природные системы и природообустройство. В книге “Устойчивое развитие
административных территории и лесопарковых хозяйств”. Проблемы и пути их решения. Материалы
научно-практической конференции 30-31 октября 2002 года. М.
48. Рекс Л.М. Деятельно-техно-природные системы. Экологические проблемы мелиорации (Костяковские
чтения) Международная конференция, 27-28 марта 2002 года. Материалы конференции. М
49. Рекс Л.М. “Природообустройство”. Экологические проблемы мелиорации (Костяковские чтения)
Международная конференция, 27-28 марта 2002 года. Материалы конференции. М
50. Рекс Л.М. Жизненный и творческий путь академика С.Ф. Аверьянова. Россельхозакадемия, 2002
51. Рекс Л.М. Концепция и технология новых разработок в мелиоративной деятельности. Журнал:
52.
53.
54.
55.
"Мелиорация и водное хозяйства", № 2, 2000г
Рекс Л.М. Мелиорации, исследования и менеджмент деятельно-техно-природных систем. Учебное
пособие. МГУП-2005 (рукопись)
Рекс Л.М. Поисковые исследования. Деятельно-техно-природные системы. Сайт:
http://rex1lm.pochta.ru/oboloch01.htm
Рекс Л.М. Поисковые исследования. Исследования и менеджмент деятельно-техно-природных систем.
Cайт: http://rex2lm.pochta.ru/index-rex.htm
Рекс Л.М. Системные исследования и информатика деятельно-техно-природных систем. Учебное
пособие. Часть 1. МГУП-2004
56. Рекс Л.М. Системные исследования и информатика деятельно-техно-природных систем. Учебное
пособие. Часть 2. МГУП-2005 (в печати)
45. Рекс Л.М., Бессонов А.Е., Калмыкова Е.А., МЕТОДОЛОГИЧЕСКИЕ АСПЕКТЫ
АВТОМАТИЗИРОВАННОГО РАБОЧЕГО МЕСТА О ДЕЯТЕЛЬНО-ТЕХНО-ПРИРОДНЫХ
СИСТЕМАХ Научный журнал КубГАУ, №26(2), февраль 2007 года.
http://ej.kubagro.ru/archive.asp?n=26.
57. Рекс Л.М., Ковалев В.А., Лазовский В.В., Шайтан Б.И. Деловая игра «Проблемная ориентация». Москва
1996г
58. Рекс Л.М., ОТДЕЛЬНЫЕ АСПЕКТЫ ПОВЫШЕНИЯ КАЧЕСТВА ПОДГОТОВКИ СПЕЦИАЛИСТОВ
Научный журнал КубГАУ, №26(2), февраль 2007 года. http://ej.kubagro.ru/archive.asp?n=26
59. Рекс Л.М., Ростопшин Ю.А., Русинов П.С., Руссман И.Б. Умывакин В.М.
Интегральные оценки
экологической безопасности в проблемах рационального природопользования в регионе. Москва 1999г
60. Рекс Л.М., Русинов П.С., Умывакин В.М. Автоматизированная методика комплексного, природнохозяйственного районирования территории для целей мониторинга и управления земельными ресурсами
в ЦЧР. Воронеж, 1999г.
61. Рекс Л.М., Русинов П.С., Умывакин В.М. Автоматизированная методика формирования перечня
существенных показателей геообъектов на основе анализа иерархических структур природнохозяйственных условий территории региона. Воронеж 1999г
62. Рекс Л.М., Русинов П.С., Умывакин В.М. Комплексная оценка экологической безопасности объектов
мониторинга и управления земельными ресурсами в ЦЧР. Экологическая безопасность и здоровье людей в
XXI веке: Материалы (статьи, краткие сообщ. и тез. докл.) VI Всеросс. науч.-практ. конф., г. Белгород, 10-12
октября 2000 г. - Белгород, 2000
63. Рекс Л.М.; Юрченко И.Ф. ВНИИ гидротехники и мелиорации. Оптимизация параметров мелиоративной
системы. Рукопись деп. 1985.09.20. -М, : [Б. и.]., 1985 -83 с.000097 TRN=RU8551730 Рубрики ГРНТИ:
68.31.01.77
64. Рекс Л.М.; Юрченко И.Ф. ВНИИ гидротехники и мелиорации. Установление расчетной обеспеченности
орошения и выбор параметров сельскохозяйственной мелиоративной системы на основе
технико-экономического анализа (функция цели – удельная производительность труда). Рукопись деп.
1985.09.20. -М,: [Б. и.]., 1985 -33 с. 000098 TRN=RU8551731 Рубрики ГРНТИ: 68.31.01.77
65. Рекс Л.М. Разработка методических подходов для совершенствования подготовки специалистов «по
мелиорации деятельно-техно-природных систем» http://ej.kubagro.ru/archive.asp?n=22
№ 22(06), октябрь, 2006 Дата выпуска: 13.10.2006
108
66. Рекс Л.М. Методологические аспекты автоматизированного рабочего места о деятельно-техноприродных системах http://ej.kubagro.ru/archive.asp?n=22 № 22(06), октябрь, 2006 Дата выпуска:
13.10.2006
67. Рысьмятов А. 3. Проблемы совершенствования структуры производства в региональных АПК в условиях
перехода к рынку: Монография. - Краснодар: КГАУ, 1998. - 220 с,
68. Савицкая Г. В. Анализ хозяйственной деятельности предприятия: 4-е изд., перераб. и доп. — Минск: ООО
«Новое знание», 2000. — 688 с.
69. Сергеев И.В. Экономика предприятия: Учеб. пособие. — 2-е изд., перераб. и доп. — М.: Финансы и
статистика, 2000.— 304 с.
70. Сигидов Ю.И. Организационные и экономические проблемы повышения эффективности
сельскохозяйственного производства. – Краснодар. 2001, 414 с.
71. Стабин И.Б., Моисеева В.С. Автоматизированный системный анализ. –М.: Машиностроение, 1984. – 312
с.
72. Темников Ф.Е., Афонин В.А., Дмитриев В.И. Теоретические основы информационной техники. – М.:
Энергия, 1979. – 511с.
73. Ткачев А. Н. Механизм инвестиционного управления агропроизводством. Экономика сельского хозяйства
России. № 6, 2002. 0,7 п.л.
74. Ткачев А.Н. Аналитические аспекты инвестирования в агропромышленное производство. Экономика
сельского хозяйства России. 2003. 0,5 п.л.
75. Ткачев А.Н. Качество жизни и гуманистическая экономика. Труды Кубанского государственного аграрного
университета. 2002. Выпуск 401 (429), юбилейный. С.301-313.
76. Ткачев А.Н. Методология инвестиционного управления агропромышленным комплексом региона. –
Краснодар: Издательство КубГАУ, 2004. – 451 с.
77. Ткачев А.Н. Модели инвестиционного управления агропроизводством. Экономика и математические
методы. РАН, 2003. 0,6 п.л.
78. Ткачев А.Н. Проблемы и концепции инвестиционного управления агропроизводством региона. Краснодар: Издательство КубГАУ, 2004. – 258 с.: ил.
79. Ткачев А.Н., Барановская Т.П. Логистический подход к декомпозиции АПК. Материалы 4-й Сочинской
международной конференции «Теоретические и прикладные проблемы приборостроения, информатики,
экономики и права». Москва, 2001. 0,25 п.л.
80. Ткачев А.Н., Лойко В.И. Инвестиционная эффективность интегрированных систем агропромышленного
комплекса. Сетевой электронный научный журнал «Научный журнал КубГАУ», № 5 (7), 2004. 0,9 п.л.
http://ej.kubagro.ru
81. Ткачев А.Н., Лойко В.И. Модель управления системой АПК на макроуровне. Материалы международной
конференции «Проблемы развития и саморегулирования рыночных отношений». – Краснодар: КубГАУ,
2001. 0,3 п.л.
82. Ткачев А.Н., Лойко В.И., Пименов Г.Г. Инвестиции как фактор управления агропроизводством. Сетевой
электронный научный журнал «Научный журнал КубГАУ», № 1, 2003.
0,5 п.л.
http://ej.kubagro.ru/2003/01/12/
83. Ткачев А.Н., Луценко Е.В. Гуманистическая экономика, качество жизни и цели региональной
администрации, Научный журнал КубГАУ [Электронный ресурс]. – Краснодар: КубГАУ, 2004. – №04(6). –
Режим доступа: http://ej.kubagro.ru/2004/04/18/p18.asp
84. Ткачев А.Н., Луценко Е.В. Гуманистическая экономика, экономическая составляющая качества жизни и
цели региональной администрации. Труды Кубанского государственного аграрного университета. Выпуск
403 (431). 2003.
85. Ткачев А.Н., Луценко Е.В. Исследование многоуровневой семантической информационной модели
влияния инвестиций на уровень качества жизни населения региона, Научный журнал КубГАУ
[Электронный ресурс]. – Краснодар: КубГАУ, 2004. – №04(6). – Режим доступа:
http://ej.kubagro.ru/2004/04/19/p19.asp
86. Ткачев А.Н., Луценко Е.В. Качество жизни населения, как интегральный критерий оценки эффективности
деятельности региональной администрации, Научный журнал КубГАУ [Электронный ресурс]. –
Краснодар: КубГАУ, 2004. – №02(4). – Режим доступа: http://ej.kubagro.ru/2004/02/14/p14.asp
87. Ткачев А.Н., Луценко Е.В. Постановка задачи и синтез многоуровневой модели влияния инвестиций на
качество жизни, Труды Кубанского государственного аграрного университета. 2002. Вып. 401 (429),
юбилейный. – С. 314-326.
109
88. Ткачев А.Н., Луценко Е.В. Формальная постановка задачи и синтез многоуровневой семантической
информационной модели влияния инвестиций на уровень качества жизни населения региона, Научный
журнал КубГАУ [Электронный ресурс]. – Краснодар: КубГАУ, 2004. – №04(6). – Режим доступа:
http://ej.kubagro.ru/2004/04/17/p17.asp
89. Ткачев А.Н., Пименов Г.Г., Трубилин А.И. Инвестиционное управление агропромышленным
производством. – Краснодар, 2001. – 187 с.
90. Трубилин А. И., Рысьмятов А. 3. Финансово-хозяйственная и структурная устойчивость предприятий и
региональных агропромышленных комплексов. Труды Кубанского СХИ. 1995. №347.
91. учебное пособие, подготовленное коллективом ученых ГАУ (менеджмент организации. Под ред. д.э.н.
проф. Румянцевой З. П., д.э.н. проф. Соломатина Н. А., 1995 г.).
92. Шеннон К. Имитационное моделирование систем. Искусство и наука./Пер. с англ. - М.: Мир, 1978.
93. Экономика. Издание 3-е, переработанное и дополненное.Учебник. под редакцией доктора экономических
наук, профессора А. С.. Булатова ЮРИСТЪ Москва 1999
94. Юкаева В. С. Управленческие решения. Учебное пособие. АНАЛИЗ, СИНТЕЗ, ПЛАНИРОВАНИЕ
РЕШЕНИЙ В ЭКОНОМИКЕ. "Информационные системы в экономике" Андрейчиков А.В. Андрейчикова
О.Н. МОСКВА "ФИНАНСЫ И СТАТИСТИКА-2000