ПРИНЦИП ПРЕДЕЛЬНЫХ ОБОБЩЕНИЙ: методология, задачи ...

172
а) тест X1 б) тест X2 в) тесты X3, X4, X5
Рис. 4.22 – Орграфы доменов G + банка тестов «Эффективность»
Обозначим все показатели (тесты) научно-технической, экономической
и социальной эффективности через X1,…, Xn. Соответственно имеем банк
тестов {G(X1),…, G(Xn)}. Пусть Z= {0, 1} – список заключений, где z = 1 –
«проект принят», а z = 0 – «проект отклонен». Сформируем базу
прецедентов Ω({τ/T}, Z) = {α({τ/T}, z/Z)} из всех проектов, которые
подвергались экспертизе (с известными исходами z ∈ Z). В доменах «1»
база проектов имеет вид таблицы 4.12 (№ – номер проекта).
Таблица 4.12 – Фрагмент базы проектов
№
Показатели научно- техн.
эффективности
Показатели
эконом. эфф-ти
Показатели
соц. эфф-ти Z
X1 X2 X3 X4 X5 … … Xn
1 5 8 8 6 3 … … … 0
2 3 6 9 10 2 … … … 1
3 9 4 7 5 9 … … … 1
На основе базы прецедентов и банка тестов находятся предельные
вероятностные и синдромные модели знаний. Последние применяются для
анализа приоритетов экспертов, а также построения систем поддержки
принятия решений (автоматизированной экспертизе проектов).
4.3 Метод «Штрихкода» квантования значений
От развитости Банка тестов {G(τ)} зависит корректность предельных
моделей знаний. Метод штрихкода в сложных ситуациях анализа позволяет
автоматически строить приемлемые орграфы G(τ) [149]. Под сложной
ситуацией анализа понимается такая ситуация, когда имеющийся Банк
тестов не позволяет найти корректную модель знаний.