ÐÐ ÐÐЦÐÐ ÐÐ ÐÐÐÐЬÐЫХ ÐÐÐÐЩÐÐÐÐ: меÑодологиÑ, задаÑи ...
ÐÐ ÐÐЦÐÐ ÐÐ ÐÐÐÐЬÐЫХ ÐÐÐÐЩÐÐÐÐ: меÑодологиÑ, задаÑи ... ÐÐ ÐÐЦÐÐ ÐÐ ÐÐÐÐЬÐЫХ ÐÐÐÐЩÐÐÐÐ: меÑодологиÑ, задаÑи ...
202 Выход: {S * } α . LimSP (α, K) begin {S * } α := ∅; for каждого описания {τ/T} do for {τ/T}’ ⊆ {τ/T} do if Sindrom({τ/T}’ α , z α )) = true then {S * } α := {S * } α ∪ LimS(S({τ/T}’ α , z α ), K); return ({S * } α ) end. Одной из задач метода предельных обобщений является построение полной предельной синдромной модели знаний в виде Для примера «Диагностика» {S * } Full = ∪ α ∈ Ω {S * } α . (5.12) {S * } Full = {S * } α1 ∪ {S * } α2 ∪ {S * } α3 ∪ {S * } α4 = {S * (τ 1 /T1 36.0; z1); S * (τ 2 /В1 12; z1); S * (τ 1 /T2 Пониженная, τ 2 /В3Допенсионный; z1)} α1 ∪ {S * (τ 2 /В2 Средних лет; z1); S * (τ 1 /T3 Нормальная; z1)} α2 ∪ {S * (τ 2 /В1 32; z2); S * ((τ 1 /T2 Повышенная; z2)} α3 ∪ {S * (τ 1 /T1 36.4; z2); S * (τ 2 /В3 Пенсионный; z2)} α4 . Ясно, что такие синдромы, как S * (τ 1 /T1 36.0; z1), не могут претендовать на статус инвариантов (параметров порядка) из-за низкого уровня обобщения, но такие синдромы, как S * (τ 1 /T2 Пониженная, τ 2 /В3Допенсионный; z1), S * (τ 2 /В2 Средних лет; z1), S * (τ 1 /T3 Нормальная; z1), S * ((τ 1 /T2 Повышенная; z2) и S * (τ 2 /В3 Пенсионный; z2), имеют достаточно высокий уровень обобщения и поэтому вполне могут претендовать на статус параметров порядка. Предложение 5.10. Если база прецедентов Ω({τ/T 0 }, Z) не содержит конфликтов, то полная предельная синдромная модель знаний {S * } Full на существует и единственна. Приведем алгоритм построения полной предельной синдромной модели знаний {S * } Full на , который основан на выражении (5.12). Алгоритм 5.6 Вход: Контекст K = < Ω, {G(τ)}>. Выход: {S * } Full. LimSFull (K) begin {S * } Full := ∅;
203 for α ∈ Ω do {S * } Full := {S * } Full ∪ LimSP (α, K) ; return ({S * } Full ) end. Строго говоря, полное множество предельных синдромов можно найти, даже если описание Ω({τ/T 0 }, Z) конфликтно. Другое дело, что данное множество не будет моделью знаний, позволяющей однозначно классифицировать все прецеденты. На основе полной предельной синдромной модели знаний могут быть построены минимальные предельные синдромные модели знаний и, соответственно, абсолютно минимальные предельные синдромные модели знаний. Последние модели представляют особенный интерес. Для минимальных предельных синдромных моделей знаний будем использовать нотацию: {S * } Min на или просто {S * } Min . Для абсолютно минимальных предельных синдромных моделей знаний будем использовать нотацию: {S * } * Min на или просто {S * } * Min. Для нахождения всех {S * } * Min достаточно вначале построить все {S * } Min , а затем выбрать из них все {S * } * Min. Все модели {S * } * Min применимы к базовому описанию базы прецедентов Ω({τ/T 0 }), но в целом сфера их применения (охват разных описаний прецедентов) может существенно различаться, что предоставляет возможности для поиска максимальных по уровню общности моделей. Предложение 5.11. Пусть Ω = {α 1 ,…,α n }. Тогда, если {S * } αi ∩ {S * } αj = ∅ для i,j = 1,…n (i ≠ j), то справедливо следующее {{S * } * Min} = {{S * } Min }= {S * } α1 × {S * } α2 ×…× {S * } αn . (5.13) ∀{S * } Min , ∀{S * } * Min, |{S * } Min | = |{S * } * Min| = n, (5.14) |{{S * } * Min}| = |{{S * } Min }| = Π j=1,…,n |{S * } αj |. (5.15) Соотношение (5.14) дает верхнюю границу мощности любой {S * } Min и любой {S * } * Min. Для примера «Диагностика» выполняется условие предложения 5.11, поэтому верно представление (5.13). Приведем примеры ({S * } * Min) 1 = {S * (τ 1 /T1 36.0; z1); S * (τ 2 /В2 Средних лет; z1); S * (τ 2 /В1 32; z2); S * (τ 1 /T1 36.4; z2)}; ({S * } * Min) 2 = {S * (τ 1 /T2 Пониженная, τ 2 /В3Допенсионный; z1); S * (τ 1 /T3 Нормальная; z1); S * ((τ 1 /T2 Повышенная; z2); S * (τ 2 /В3 Пенсионный; z2)}; ({S * } * Min) 3 = {S * (τ 1 /T2 Пониженная, τ 2 /В3Допенсионный; z1); S * (τ 2 /В2 Средних лет; z1); S * ((τ 1 /T2 Повышенная; z2); S * (τ 2 /В3 Пенсионный;
- 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
- 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: 201 «T3 - B2» S = (τ 1 /T3 Но
- Page 205 and 206: 205 модель знаний {S},
- Page 207 and 208: 207 которые классифи
- Page 209 and 210: 209 предельных обобщ
- Page 211 and 212: 211 один синдром. В р
- Page 213 and 214: 213 Выход: Модель зна
- Page 215 and 216: 215 минимальное числ
- Page 217 and 218: 217 Таблица 5.7 - Приме
- Page 219 and 220: 219 Пусть α({τ/T}, z/Z) - н
- Page 221 and 222: 221 и {τ} S’ ({S, S’}⊆{S}),
- Page 223 and 224: 223 предполагать для
- Page 225 and 226: 225 Описание {τ/T} наз
- Page 227 and 228: 227 доминирование. П
- Page 229 and 230: 229 Выход: Маркер кри
- Page 231 and 232: 231 произвольный арт
- Page 233 and 234: 233 3 {Сниженное ^a; Но
- Page 235 and 236: 235 Главный результа
- Page 237 and 238: 237 понятия) устроен
- Page 239 and 240: 239 синдромной модел
- Page 241 and 242: 241 существуют i, j та
- Page 243 and 244: 243 {α}’| F = {b/B} F = F ({α},
- Page 245 and 246: 245 B3») является такж
- Page 247 and 248: 247 Таблица 5.13 - Обуч
- Page 249 and 250: 249 2} 2 {Норма ^0 [1,40; 2,10
- Page 251 and 252: 251 ГЛАВА 6. МНОГОУРО
202<br />
Выход: {S * } α .<br />
LimSP (α, K)<br />
begin<br />
{S * } α := ∅;<br />
for каждого описания {τ/T} do<br />
for {τ/T}’ ⊆ {τ/T} do<br />
if Sindrom({τ/T}’ α , z α )) = true<br />
then {S * } α := {S * } α ∪ LimS(S({τ/T}’ α , z α ), K);<br />
return ({S * } α )<br />
end.<br />
Одной из задач метода предельных обобщений является построение<br />
полной предельной синдромной модели знаний в виде<br />
Для примера «Диагностика»<br />
{S * } Full = ∪ α ∈ Ω {S * } α . (5.12)<br />
{S * } Full = {S * } α1 ∪ {S * } α2 ∪ {S * } α3 ∪ {S * } α4 = {S * (τ 1 /T1 36.0; z1); S * (τ 2 /В1<br />
12; z1); S * (τ 1 /T2 Пониженная, τ 2 /В3Допенсионный; z1)} α1 ∪ {S * (τ 2 /В2<br />
Средних лет; z1); S * (τ 1 /T3 Нормальная; z1)} α2 ∪ {S * (τ 2 /В1 32; z2);<br />
S * ((τ 1 /T2 Повышенная; z2)} α3 ∪ {S * (τ 1 /T1 36.4; z2); S * (τ 2 /В3<br />
Пенсионный; z2)} α4 .<br />
Ясно, что такие синдромы, как S * (τ 1 /T1 36.0; z1), не могут<br />
претендовать на статус инвариантов (параметров порядка) из-за низкого<br />
уровня обобщения, но такие синдромы, как S * (τ 1 /T2 Пониженная,<br />
τ 2 /В3Допенсионный; z1), S * (τ 2 /В2 Средних лет; z1), S * (τ 1 /T3<br />
Нормальная; z1), S * ((τ 1 /T2 Повышенная; z2) и S * (τ 2 /В3 Пенсионный;<br />
z2), имеют достаточно высокий уровень обобщения и поэтому вполне<br />
могут претендовать на статус параметров порядка.<br />
Предложение 5.10. Если база прецедентов Ω({τ/T 0 }, Z) не содержит<br />
конфликтов, то полная предельная синдромная модель знаний {S * } Full на<br />
существует и единственна.<br />
Приведем алгоритм построения полной предельной синдромной модели<br />
знаний {S * } Full на , который основан на выражении (5.12).<br />
Алгоритм 5.6<br />
Вход: Контекст K = < Ω, {G(τ)}>.<br />
Выход: {S * } Full.<br />
LimSFull (K)<br />
begin<br />
{S * } Full := ∅;