ÐÐ ÐÐЦÐÐ ÐÐ ÐÐÐÐЬÐЫХ ÐÐÐÐЩÐÐÐÐ: меÑодологиÑ, задаÑи ...
ÐÐ ÐÐЦÐÐ ÐÐ ÐÐÐÐЬÐЫХ ÐÐÐÐЩÐÐÐÐ: меÑодологиÑ, задаÑи ... ÐÐ ÐÐЦÐÐ ÐÐ ÐÐÐÐЬÐЫХ ÐÐÐÐЩÐÐÐÐ: меÑодологиÑ, задаÑи ...
118 Последние три строчки описывают, по сути, автоматизмы вычислительной среды, которые функционируют постоянно в процессе решения любой задачи анализа и синтеза. Моделью естественной предметной области назовем четверку А = , где O – онтология ПрО; k − модель знаний ПрО; Ω = {α} – множество ситуаций (прецедентов) ПрО; π − принципы оптимальности и смысловые регуляторы процессов ПрО, например, процессов принятия решений и управления. Модель знаний k включает в себя, в частности, автоматизмы и локальные модели знаний {k α }, где α ∈ Ω, а также метазнания (глава 7). Рефлексия над системой знаний {k α } приводит к выходу за ее пределы и порождению нового знания. Модель ситуации (3.22) в сочетании с моделью ПрО отражает понимание эволюции ситуации α некоторым познающим субъектом Agent (индекс − Ag), если она содержит в себе ответы на потенциальные вопросытесты {q/Q} Ag . Модель ситуации α является полной для агента Ag тогда и только тогда, когда ∃ (g/µ) Ag : α → {q/Q} Ag , где (g/µ) Ag − инструменты добычи информации, а {q/Q} Ag – ответы на вопросы агента Ag. Поскольку у каждого агента своя модель предметной области A Ag , то и полнота модели ситуации может быть разной. 3.6 Информационные множества. Множества обобщения Под информационным множеством I γ (α,{τ/T}) для ситуации α и аспекта {τ/T} будем понимать совокупность всех реальных или гипотетических ситуаций действительности, удовлетворяющих заданным критериям истинности γ и совместимых с ситуацией α на уровне общности {τ/T}. Можно записать: I γ (α,{τ/T}) = {β | {τ/T} β = {τ/T} α & γ(β) = true}, (3.24) где γ( ) – оператор оценки истинности информации. Разные ситуации β ∈ I γ (α) могут формироваться разными агентами. В самом общем случае ситуации β из информационного множества охватывают прошлое, настоящее и будущее развитие ситуации α. В ряде приложений оператор γ может осуществлять проверку принадлежности ситуаций β к множеству прецедентов Ω. В таком случае будем использовать следующую нотацию: I Ω (α,{τ/T}) = {β | {τ/T} β = {τ/T} α & β ∈ Ω}. Обратим внимание на то, что в силу универсальности понятия теста определение информационного множества включает также конструкцию
119 события. Действительно событие можно представить как результат теста: «Значение τ/T в момент t/Λ =τ». Если такое представление, по каким-либо причинам неудобно, то можно использовать развернутое определение информационного множества, а именно: I γ (α,{}) = {β | {} β = {} α & γ(β) = true}. (3.25) В определение информационного множества при необходимости можно включить модели развития ситуаций, а именно: I γ (α,{τ/T}, k) = {β | {τ/T} β = {τ/T} α , k α ⊆ k β , γ(β) = true}. (3.26) Информационным множеством будет являться восстановление любого N-мерного образа объекта по M-мерной проекции, где M < N. Информационное множество может быть получено путем замены в ситуации α точечных событий на совместимые с ними протяженные события, а именно: α = α({}) → I (α) = {β = β ({})}. Относительно простой способ построения информационного множества состоит в автоматической генерации скоростей изменений тестов (для выявления качественной прерывности): α = α({}) → I (α) = α ∪ {}. Более сложная задача состоит в генерации заданных классов событий и гипотез (закономерностей) на основе имеющихся событий. Приведем пример. Пусть ситуация α описывается множеством событий {c(t)} ≡ {}, где c(t) – значение временного ряда в момент времени t. Разный масштаб времени зададим с помощью функций Hour(t) – текущий час и DayOfWeek(t) – текущий день недели (1- понедельник, 2- вторник и т.д.). Пусть значения временного ряда с(t) обобщаются с помощью орграфа доменов G(c), а значения времени t обобщаются с помощью орграфа G(t). Структура орграфа G(t) приведена в разделе 3.1. Для построения информационного множества ситуации α определим новый класс событий следующим образом: ≡ ; ≡ ; ≡ ; ≡ < c(t-i)/C *q/Q, t/Λ3 k >,
- Page 67 and 68: 67 поскольку соседн
- Page 69 and 70: 69 составляет: 7*7*4 = 19
- Page 71 and 72: 71 Как видим, уровен
- Page 73 and 74: 73 ∆Э(T {1; 2; 3; 4; 5} → T′
- Page 75 and 76: 75 а |3| = 2. Согласно (2.
- Page 77 and 78: 77 Обобщим результа
- Page 79 and 80: 79 вершина) на верши
- Page 81 and 82: 81 большинству тест
- Page 83 and 84: 83 следовательно, тр
- Page 85 and 86: 85 поступления инфо
- Page 87 and 88: Повышенный гемолиз
- Page 89 and 90: 89 Зачастую, {τ’} хар
- Page 91 and 92: Есть [ Н.в. Патологи
- Page 93 and 94: процедурном уровне
- Page 95 and 96: t/Λ4 = ’январь, 2009’, t
- Page 97 and 98: 97 где каждое изобра
- Page 99 and 100: 99 e’ = < (τ↑τ’)/T, (t’ -
- Page 101 and 102: 101 Так тесты структ
- Page 103 and 104: 103 [Тип:] Концепт {τ 1
- Page 105 and 106: 105 {S = ({τ/T} → z), υ = υ(S)
- Page 107 and 108: 107 данный факт отоб
- Page 109 and 110: 109 финитный набросо
- Page 111 and 112: 111 сверху прецедент
- Page 113 and 114: 113 k α = {f/µ: {J a a/A} → {J
- Page 115 and 116: 115 Направления импу
- Page 117: 117 (эквивалентности
- Page 121 and 122: 121 P1 {[0; 1]} Граф G(p) = {P1
- Page 123 and 124: 123 обобщения связан
- Page 125 and 126: 125 Время появления:
- Page 127 and 128: 127 В ситуации β оста
- Page 129 and 130: 129 где {τ/T}^ − домены
- Page 131 and 132: 131 Форма «T1- B1» Форм
- Page 133 and 134: 133 D4 {Нормальный уро
- Page 135 and 136: 135 выявил, что все о
- Page 137 and 138: 137 Рис. 4.2 − Орграф G
- Page 139 and 140: 139 Совокупность под
- Page 141 and 142: 141 G(САДн) = {D3 → D2 → D1
- Page 143 and 144: 143 4.2.3 Технологичес
- Page 145 and 146: 145 Рис. 4.10 - Орграф G +
- Page 147 and 148: 147 порядка благопри
- Page 149 and 150: 149 Третья таблица с
- Page 151 and 152: 151 Рис. 4.13 - Орграф G +
- Page 153 and 154: 153 Адаптивность ^А {
- Page 155 and 156: 155 пространство опи
- Page 157 and 158: 157 (прямая задача); 3.
- Page 159 and 160: 159 условии применен
- Page 161 and 162: Урожайность/4 80.0 - 100
- Page 163 and 164: 163 влияние на колич
- Page 165 and 166: 165 - фактические пер
- Page 167 and 168: G(Показатель) = {1 → 2
119<br />
события. Действительно событие можно представить как<br />
результат теста: «Значение τ/T в момент t/Λ =τ». Если такое представление,<br />
по каким-либо причинам неудобно, то можно использовать развернутое<br />
определение информационного множества, а именно:<br />
I γ (α,{}) = {β | {} β = {} α & γ(β) = true}. (3.25)<br />
В определение информационного множества при необходимости можно<br />
включить модели развития ситуаций, а именно:<br />
I γ (α,{τ/T}, k) = {β | {τ/T} β = {τ/T} α , k α ⊆ k β , γ(β) = true}. (3.26)<br />
Информационным множеством будет являться восстановление любого<br />
N-мерного образа объекта по M-мерной проекции, где M < N.<br />
Информационное множество может быть получено путем замены в<br />
ситуации α точечных событий на совместимые с ними протяженные<br />
события, а именно:<br />
α = α({}) → I (α) = {β = β ({})}.<br />
Относительно простой способ построения информационного множества<br />
состоит в автоматической генерации скоростей изменений тестов (для<br />
выявления качественной прерывности):<br />
α = α({}) → I (α) = α ∪ {}.<br />
Более сложная задача состоит в генерации заданных классов событий и<br />
гипотез (закономерностей) на основе имеющихся событий. Приведем<br />
пример.<br />
Пусть ситуация α описывается множеством событий {c(t)} ≡ {},<br />
где c(t) – значение временного ряда в момент времени t. Разный масштаб<br />
времени зададим с помощью функций Hour(t) – текущий час и<br />
DayOfWeek(t) – текущий день недели (1- понедельник, 2- вторник и т.д.).<br />
Пусть значения временного ряда с(t) обобщаются с помощью орграфа<br />
доменов G(c), а значения времени t обобщаются с помощью орграфа G(t).<br />
Структура орграфа G(t) приведена в разделе 3.1.<br />
Для построения информационного множества ситуации α определим<br />
новый класс событий следующим образом:<br />
≡ ;<br />
≡ ;<br />
≡ ;<br />
≡ < c(t-i)/C *q/Q, t/Λ3 k >,