|
164 Для самообучающихся алгоритмов условия характеризуются отсутствием исходных сведений о непрерывности и однозначности зависимостей в заданном пространстве характеристик системы. Поэтому в процессе формирования иерархической структуры самообучающихся алгоритмов идентификации для преодоления априорной неопределенности используются алгоритмы автоматической классификации при выделении областей однозначности восстанавливаемой зависимости и распознавания образов, обеспечивающих в конкретной ситуации их переход от одной локальной модели к другой. Существенный интерес представляет собой случай, когда закономерности взаимосвязи между характеристиками системы формирования профессионализма студентов описываются системой нелинейных алгебраических уравнений, часть которых из-за недостатка априорной информации не может быть сколько-нибудь обоснованно параметризована. Подобная постановка задачи построения модели статистического многосвязного объекта естественным образом соответствует условиям образовательного процесса в ССУЗе. Общий подход к построению модели в описанных условиях состоит в восстановлении неизвестных стохастических зависимостей и последующем синтезе процедуры оценивания корней полученной системы уравнений. Данный подход был предложен и исследован в работе (106), некоторые его модификации рассмотрены в (243). Однако основная проблема, связанная с разработкой численных методов решения комбинированных систем уравнений при наличии нескольких корней уравнений с учетом действий неконтролируемых случайных воздействий до настоящего времени не решена. Следующая ситуация, которая также возможна на практике, состоит в том, что искомые стохастические зависимости неоднозначны и разрывны не только по своей природе, но и вследствие того, что существующая система управления образовательным процессом не позволяет измерять полный набор |
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 щихся алгоритмов идентификации для преодоления априорной неопределенности используются алгоритмы автоматической классификации при выделении областей однозначности восстанавливаемой зависимости и распознавания образов, обеспечивающих в конкретной ситуации х переход от одной локальной модели к другой. Существенный интерес представляет собой случай, когда закономерности взаимосвязи между характеристиками системы формирования профессионализма слушателей описываются системой нелинейных алгебраических уравнений, часть которых из-за недостатка априорной информации не может быть сколько-нибудь обоснованно параметризована. Подобная постановка задачи построения модели статистического многосвязного объекта естественным образом соответствует условиям образовательного процесса в вузе. Общий подход к построению модели в описанных условиях состоит в восстановлении неизвестных стохастических зависимостей и последующем синтезе процедуры оценивания корней полученной системы уравнений. Данный подход был предложен и исследован в работе [185], некоторые его модификации рассмотрены в [178]. Однако основная проблема, связанная с разработкой численных методов решения комбинированных систем уравнений при наличии нескольких корней уравнений с учетом действий неконтролируемых случайных воздействий до настоящего времени не решена. Следующая ситуация, которая также возможна на практике, состоит в том, что искомые стохастические зависимости неоднозначны и разрывны не только по своей природе, но и вследствие того. что существующая система управления образовательным процессом не позволяет измерять полный набор компонент вектора входных переменных обучаемого. Поэтому чрезвычайную актуальность приобретает проблема создания подхода, позволяющего расширить круг |