ÐÐ ÐÐЦÐÐ ÐÐ ÐÐÐÐЬÐЫХ ÐÐÐÐЩÐÐÐÐ: меÑодологиÑ, задаÑи ...
ÐÐ ÐÐЦÐÐ ÐÐ ÐÐÐÐЬÐЫХ ÐÐÐÐЩÐÐÐÐ: меÑодологиÑ, задаÑи ...
ÐÐ ÐÐЦÐÐ ÐÐ ÐÐÐÐЬÐЫХ ÐÐÐÐЩÐÐÐÐ: меÑодологиÑ, задаÑи ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
180<br />
Предлагаемый нами подход к решению данного класса задач<br />
принципиально отличается от статистического подхода. Главное отличие<br />
состоит в констатации факта, что разные ситуации действительности в базе<br />
прецедентов (в данном примере – пуски РН) могут иметь разные<br />
параметры порядка и, следовательно, разные определяющие<br />
фундаментальные закономерности, а не одну закономерность, как<br />
постулирует регрессионный анализ. Предлагаемое нами решение<br />
заключается в поиске всех конкурирующих наборов параметров порядка,<br />
определяющих тенденции и закономерности в рассматриваемой ПрО.<br />
Каждый набор параметров порядка – это один предельный формальный<br />
синдром. Все наборы образуют предельную синдромную модель знаний.<br />
Другое отличие состоит в перманентной самоорганизации моделей знаний<br />
в процессе поступления новых прецедентов (применяется механизм<br />
фальсификации, отсутствующий в статистическом подходе). Такое подход<br />
позволяет использовать все имеющиеся априорные данные (как правило,<br />
весьма ограниченные), а не делить их на обучающую и контрольную<br />
выборки.<br />
Все что необходимо для построения предельных синдромных моделей<br />
знаний – это банк тестов и база прецедентов, в которой каждый прецедент<br />
отнесен к определенному классу из Z. Например, если нас интересуют<br />
закономерности, определяющие стоимость пусков, то весь интервал<br />
возможных цен разбивается на конечное число подинтервалов, а<br />
множество заключений Z представляет собой список номеров интервалов.<br />
Если необходимо повысить точность искомой зависимости, то либо<br />
расширяется само Z (исходный интервал разбивается на большее число<br />
подинтервалов), либо указанная процедура (формирование Z и построение<br />
синдромных моделей знаний) повторяется для найденного подинтервала.<br />
Таким образом, получаем иерархическую процедуру определения<br />
требуемой закономерности заданного уровня точности. Правило<br />
построения Z распространяется и на массу полезного груза, а также<br />
всевозможные комбинации характеристик.<br />
Приведем пример описания базы прецедентов Ω и банка тестов для<br />
рассматриваемой ПрО, а заодно продемонстрируем полезность метода<br />
штрихкода. Множество потребительских характеристик обозначим<br />
следующим образом:<br />
Y1 – масса полезного груза, выводимого на низкую круговую орбиту<br />
(кг);<br />
Y2 – стоимость пуска (заявленная, млн. долл.).<br />
Пусть множество факторов образовано такими характеристиками [169]: X1<br />
– время с даты пуска до фиксированного момента (в годах); X2 – стартовая<br />
масса РН (т); X3 – широта местности расположения космодрома (град.); X4