ÐÐ ÐÐЦÐÐ ÐÐ ÐÐÐÐЬÐЫХ ÐÐÐÐЩÐÐÐÐ: меÑодологиÑ, задаÑи ...
ÐÐ ÐÐЦÐÐ ÐÐ ÐÐÐÐЬÐЫХ ÐÐÐÐЩÐÐÐÐ: меÑодологиÑ, задаÑи ... ÐÐ ÐÐЦÐÐ ÐÐ ÐÐÐÐЬÐЫХ ÐÐÐÐЩÐÐÐÐ: меÑодологиÑ, задаÑи ...
158 а) Орграф доменов G + б) Предельный орграф доменов G ++ Рис. 4.18 – Орграфы доменов тестов «Фактор» и «Влияние» Общий вид когнитивной модели k, построенной на основе когнитивной карты и банка тестов {G(x)}, {G(a)}, может быть следующим: k = {f/µ: {} → x′/X}, (4.5) где f/µ – системопаттерн (µ – механизм реализации); x′/X – изучаемый фактор; {} – «соседние» факторы с коэффициентами влияния. Помимо модели (4.5), для любого Z-фактора строится математическая модель в виде предельной синдромной и вероятностной модели знаний в рамках контекста , где {x} – тесты, с помощью которых описываются прецеденты α({x/X}, z/Z) (см. главу 5). 4.2.6 Управление агротехнологиями Задачи управления продуктивностью и качеством сельхозкультур. Рассматриваются задачи управления продуктивностью (урожайностью) и качеством сельскохозяйственных культур путем выбора и применения оптимальной агротехнологии. В качестве параметров управления могут рассматриваться, например, следующие факторы (тесты) [93]: поставленная цель (максимальное количество или максимальное качество продукции); вид севооборота; ротация севооборота; предшественники; система удобрений; сорта; способы посева; применение гербицидов и регуляторов роста; защита растений от вредителей и болезней; глубина и способ обработки почвы; сроки сева; нормы высева (млн. всхожих семян на 1 га). Решаются две основные задачи: 1. Прогнозирование того, какие хозяйственные результаты наиболее вероятны на данном виде почв, с данными предшественниками при
159 условии применения имеющихся в распоряжении агротехнологий. 2. Поддержка принятия решений по выбору управляющих воздействий, т.е. консультирование по вопросам о том, какие виды почв, предшественники и агротехнологии должны быть, чтобы можно было рассчитывать с определенной уверенностью на заданный хозяйственный результат. Задача поддержки принятия решений является обратной по отношению к задаче прогнозирования: если в задаче прогнозирования требуется по значениям факторов определить в какие состояния может под их влиянием перейти объект управления, то в задаче поддержки принятия решений, наоборот, по заданному будущему состоянию объекта управления (обычно целевому) определить значения факторов, которые с наибольшей вероятностью переведут объект управления в это состояние. Вторая задача получает разрешение в рамках синдромного принципа управления (глава 7). Практическая значимость решения этих задач для хозяйств очевидна, т.к. достоверное прогнозирование результатов применения и научнообоснованные рекомендации по рациональному выбору агротехнологий позволят повысить экономическую эффективность хозяйствования. Новизна предлагаемого способа решения задач состоит в построения предельных синдромных и вероятностных моделей знаний на основе интеллектуальной обработки ретроспективных данных, отражающих фактический опыт выращивания исследуемых сортов, с использованием банка тестов. Предельный синдром – это фактически набор параметров порядка (в синергетическом смысле), определяющий эволюцию ситуации и обеспечивающий подстройку всех остальных параметров (принцип подчинения). Для примера рассмотрим влияние различных агротехнологий на урожайность пшеницы и ячменя в конкретных агрометеорологических условиях. Для формулировки целей будем использовать тест «Урожайность» (Y1) и тест «Качество» (Y2). Варианты простейших конфигураторов приведены ниже: Урожайность ^Y1 {2 {Низкая ^Н НС; Средняя ^С; Высокая ^ВС В} 1 {Низкая ^Н; Ниже средней ^НС; Средняя ^С; Выше средней ^ВС; Высокая ^В}} Качество ^Y2 {1 {Рядовая; Ценная; Сильная; Твердая; Семенная}}. В качестве классификационных шкал (заключения Z) могут быть выбраны следующие комбинации тестов: Урожайность (точное значение); Урожайность (интегральная оценка); Качество; Культура + сорт + урожайность; Культура + сорт + качество; Культура + урожайность (округленная); Культура + качество.
- 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 and 118: 117 (эквивалентности
- Page 119 and 120: 119 события. Действи
- 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: 157 (прямая задача); 3.
- 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
- Page 169 and 170: 169 Урожайность (г) {3
- Page 171 and 172: 171 «Эффективность»
- Page 173 and 174: 173 4.3.1 Описание мето
- Page 175 and 176: 175 Построим (автома
- Page 177 and 178: 177 Таблица 4.14 - Фраг
- Page 179 and 180: 179 объединить все т
- Page 181 and 182: 181 - стартовая тяга -
- Page 183 and 184: 183 вершины, определ
- Page 185 and 186: 185 спортсменов спри
- Page 187 and 188: 187 ГЛАВА 5. МЕТОД ПРЕ
- Page 189 and 190: 189 синдромов в меди
- Page 191 and 192: 191 существует единс
- Page 193 and 194: 193 Сведем в один алг
- Page 195 and 196: 195 Описание «T1 - B3» О
- Page 197 and 198: 197 описания {τ/T 0 } мо
- Page 199 and 200: 199 Видно, что {τ/T} {S} =
- Page 201 and 202: 201 «T3 - B2» S = (τ 1 /T3 Но
- Page 203 and 204: 203 for α ∈ Ω do {S * } Full :=
- Page 205 and 206: 205 модель знаний {S},
- Page 207 and 208: 207 которые классифи
158<br />
а) Орграф доменов G + б) Предельный орграф доменов G ++<br />
Рис. 4.18 – Орграфы доменов тестов «Фактор» и «Влияние»<br />
Общий вид когнитивной модели k, построенной на основе когнитивной<br />
карты и банка тестов {G(x)}, {G(a)}, может быть следующим:<br />
k = {f/µ: {} → x′/X}, (4.5)<br />
где f/µ – системопаттерн (µ – механизм реализации); x′/X – изучаемый<br />
фактор; {} – «соседние» факторы с коэффициентами влияния.<br />
Помимо модели (4.5), для любого Z-фактора строится математическая<br />
модель в виде предельной синдромной и вероятностной модели знаний в<br />
рамках контекста , где {x} – тесты, с<br />
помощью которых описываются прецеденты α({x/X}, z/Z) (см. главу 5).<br />
4.2.6 Управление агротехнологиями<br />
Задачи управления продуктивностью и качеством сельхозкультур.<br />
Рассматриваются задачи управления продуктивностью (урожайностью) и<br />
качеством сельскохозяйственных культур путем выбора и применения<br />
оптимальной агротехнологии. В качестве параметров управления могут<br />
рассматриваться, например, следующие факторы (тесты) [93]: поставленная<br />
цель (максимальное количество или максимальное качество продукции); вид<br />
севооборота; ротация севооборота; предшественники; система удобрений;<br />
сорта; способы посева; применение гербицидов и регуляторов роста;<br />
защита растений от вредителей и болезней; глубина и способ обработки<br />
почвы; сроки сева; нормы высева (млн. всхожих семян на 1 га).<br />
Решаются две основные задачи:<br />
1. Прогнозирование того, какие хозяйственные результаты наиболее<br />
вероятны на данном виде почв, с данными предшественниками при