|
118 Общее время решения задач управления вычисляется путем добавления к времени генерации и СА также времени решения ряда основных задач цикла управления [16]. В ходе экспериментов проводились оценки среднего времени решения рассматриваемых задач управления, генерации и СА ОП МГ в зависимости от числа элементов массива (терминалов, включенных в СиПО) и использования оценочнопродукционных правил согласования при выборе шагов анализа (стохастических зависимостей, времени выполнения различного рода тестов (расчета оценок)). Ряд полученных экспериментальных зависимостей, характеризующих оперативность решения задач управления с использованием предложенного метода и его сравнения с известными методами синтаксического анализа представлены на рис.4.3.1., 4.3.2. Данные зависимости с достаточной степенью совпадают с теоретическими зависимостями, полученными в 3 разделе, и создают основу для параметрической оптимизации подобных систем управления. Данный результат достаточно важен в силу того, что для систем, реализующих структурно-лингвистические методы, в настоящее время не разработано соответствующих общих методов оптимизации. Оптимизация с использованием полученных экспериментальных зависимостей может рассматриваться как подкласс графоаналитических алгоритмов оптимизации, что создает отправную точку к решению в дальнейших исследованиях ряда более общих задач оптимизации, учитывающих время обучения, сложность создаваемых структурнолингвистических моделей и ряд других параметров подобных систем [52]. Проведенные экспериментальные исследования предложенного отсекающего структурно-лингвистического способа генерации и синтаксического анализа показали, что он имеет для однозначных ОП МГ квадратичную временную и линейную емкостную сложность и позволяет при управлении формированием реальных стратегий и программ в 5-4 раз сократить число операций генерации и анализа вариантов стратегий и программ управления по сравнению с лучшим из известных методов. |
281 (с) распознавания и обработки массивов типовых РСДЗ в зависимости от г числа элементов массива и использования различных дополнительных правил при выборе шагов анализа (стохастических зависимостей, различного рода • априорных тестов). В ходе экспериментов также использовались реальные РСДЗ с искажениями, уровни которых представлены на рис. 1.4 , а также в ряд экспериментальных данных вносились искажения, для оценки их влияния на достоверность распознавания. На рис.6.13-6.20 представлены зависимости ошибок ложного определения заданных классов РСДЗ и их пропуска (ложной тревоги и пропуска цели, V ошибок первого и второго рода) от объемов анализируемой выборки (а соответственно, и времени анализа) и вероятностей искажений их элементов. • Данные зависимости с достаточной степенью совпадают с теоретическими зависимостями, полученными в 5 разделе, и создают основу для параметрической оптимизации подобных систем. Данный результат достаточно важен в силу того, что для систем, реализующих структурно-лингвистические методы, в настоящее время не разработано соответствующих общих методов оптимизации. Оптимизация с использованием полученных в 5 и 6 разделе теоретических и экспериментальных зависимостей может рассматриваться как подкласс графо• аналитических алгоритмов оптимизации, что создает отправную точку к решению в дальнейших исследованиях ряда более общих задач оптимизации, учитывающих время обучения, сложность создаваемых структурнолингвистических моделей и ряд других параметров подобных систем [80-89]. В частности, если проводится распознавание и обработка небольших массивов РСДЗ, но имеющих высокую важность с точки зрения оценки ситуаций, принятия решений в РСУ, то в соответствии с представленными Ф графиками целесообразно уменьшить объем анализируемой выборки для соответствующего снижения вероятности пропуска РСДЗ. В случае, когда проводится обработка больших объемов низкоинформативных РСДЗ, |