|
163 При восстановлении зависимостей в задачах идентификации статических объектов различают два типа исходной информации: структурные данные, которые отражают априорные представления о виде зависимости, и статистические, содержащие сведения о наблюдениях. Известные стохастические аппроксимации параметрического и непараметрического вида ориентированны в основном на определенный тип исходных данных, что при отличающихся априорных условиях приводит к снижению их эффективности. Так, если в параметрических алгоритмах идентификации за основу принимаются структурные данные, то для непараметрических процедур оценивания достаточно знания лишь статистической выборки наблюдений и некоторых качественных характеристик искомой зависимости. Существующее несоответствие между содержанием исходной информации и имеющимся в распоряжении у исследователя множеством алгоритмов идентификации часто порождает неопределенность в выборе подходящей процедуры оценивания. Один из возможных путей решения данной проблемы состоит в применении комбинированных алгоритмов идентификации (243; 254), позволяющих в наиболее полной мере использовать априорные сведения об используемой зависимости либо предварительно вскрыть их свойства в результате анализа экспериментальных данных. Комбинированные алгоритмы представляют собой комплекс различных по назначению и методам синтеза решающих правил, состав и порядок функционирования которых в процессе восстановления зависимостей определяются уровнем априорной информации. Среди комбинированных алгоритмов будем различать гибридные и самообучающиеся (254), функционирующие в различных условиях. Для гибридных алгоритмов оператор устанавливает взаимосвязь между различными оценками искомой зависимости. На возможность построения подобных процедур оценивания указывалось в работе (77; 106; 243; 246). |
Кроме того, решение задачи на информативном уровне приводит к неоднозначности суждения о полезности характеристик, что присуще и методам, основанным на использовании информативных мер. Значение и последовательность применения алгоритмов автоматической классификации и распознавания образов в задаче синтеза модели процесса функционирования системы определяются общей схемой декомпозиции этого процесса: обнаружение состояний системы, установление возможных взаимосвязей между ними, формирование на этой основе обучающих выборок и восстановление функций перехода состояний [9.38]. Основными этапами здесь являются первый и последний, в которых непосредственно осуществляется процесс принятия решений соответственно с помощью алгоритмов автоматической классификации и распознавания образов. Причем на заключительном этапе используются закономерности, вскрытые на предыдущих этапах. Проведенный в работе анализ позволяет использовать адаптивные байесовские решающие правила для построения алгоритмов в задачах синтеза модели процесса функционирования системы научного обеспечения профессиональной подготовки слушателей вузов МВД. Основным этапом анализа структуры процесса функционирования системы является восстановление зависимости характера ее функционирования от внешних условий. При восстановлении зависимостей в задачах идентификации статистических объектов различают два типа исходной информации: структурные данные, которые отражают априорные представления о виде зависимости, и статистические, содержащие сведения о наблюдениях. Известные стохастические аппроксимации параметрического и непараметрического вида ориентированны в основном на определенный тип исходных данных, что при отличающихся априорных уело виях приводит к снижению их эффективности. Так, если в параметрических алгоритмах идентификации [9, 383 за основу принимаются структурные данные, то для непараметрических процедур оценивания достаточно знания лишь статистической выборки наблюдений и некоторых качественных характеристик искомой зависимости [212]. Существующее несоответствие между содержанием исходной информации и имеющимся в распоряжении у исследователя множеством алгоритмов идентификации часто порождает неопределенность в выборе подходящей процедуры оценивания. Один из возможных путей решения данной проблемы состоит в применении комбинированных алгоритмов идентификации [211, 212. 239], позволяющих в наиболее полной мере использовать априорные сведения об используемой зависимости либо предварительно вскрыть их свойства в результате анализа экспериментальных данных. Комбинированные алгоритмы представляют собой комплекс различных по назначению и методам синтеза решающих правил, состав и порядок функционирования которых в процессе восстановления зависимостей определяются уровнем априорной информации. Среди комбинированных алгоритмов будем различать гибридные и самообучающиеся [131], функционирующие в различных условиях. Для гибридных алгоритмов оператор устанавливается взаимосвязь между различными оценками искомой зависимости. На возможность построения подобных процедур оценивания указывалось в работе [5]. Для самообучающихся алгоритмов условия характеризуются отсутствием исходных сведений о непрерывности и однозначности зависимостей в заданном пространстве характеристик системы. Поэтому в процессе формирования иерархической структуры самообучаю |