|
Разработка математически строгого метода свертки частных показателей и характеристик объектов в обобщенный показатель позволит корректно решать задачи сравнительного анализа альтернатив, выбора рациональных вариантов действий по достижению поставленной цели. Основная трудность в решении указанных задач определение количественных значений важности характеристик, часто представляемых в виде весовых коэффициентов, определяемых в настоящее время эвристическими методами (например, экспертами). Последняя задача, вследствие своей важности, также требует решения. Устойчивая тенденция роста объемов данных, поступающих на анализ, сокращение времени на подготовку информации к использованию для принятия решения приводит к ужесточению требований к обработке информационных массивов данных. Одной из ключевых проблем в этих условиях является проблема повышения эффективности распознавания объектов и ситуаций (поиск ассоциаций) [23]. Существующие способы обработки данных при распознавании заданных объектов и ситуаций часто оказываются неудовлетворительными из-за низкой информативности их характеристик (признаков распознавания). Хотя совершенно очевидно, что именно от выбора признаков и зависит эффекгивность алгоритмов распознавания. Решение задачи построения эффективных алгоритмов распознавания предполагает проведение оценки информативности признаков на количественной основе. Существующие методы пригодны только выборок большого объема, поскольку используют статистические методы, требующие корректного учета соответствующих законов распределения признаков как случайных величин [10,36]. При обработке данных получение больших выборок для уникальных объектов практически невозможно из-за временных и стоимостных ограничений. По этой причине необходим новый подход к понятиям информативности, не использующий вероятностную меру. 33 |
образом учесть корреляционные связи между частными характеристиками в процессе решения задачи. Для учета качественных характеристик необходимо решить задачу их представления в виде, для которого могут быть использованы методы прогнозирования (т.н. задача оцифровки качественных переменных [55]). Решение последней задачи тесно связано с проблемой восстановления пропущенных данных. Существующие методы восстановления ориентированы на использование больших массивов количественных исходных данных [10]. Разработка метода восстановления пропущенных данных на малых выборках является актуальной задачей для уникальных объектов, поскольку позволило бы достаточно адекватно решить задачу прогнозирования их характеристик. Логично предположить, что совмещение процедур восстановления данных и прогнозирования характеристик объектов управления на основе учета структурных особенностей даст возможность решить задачу прогнозирования для малых выборок. Таким образом, проблема прогнозирования (оценки) характеристик уникальных объектов тесно связана с задачей определения обобщенного показателя его качества ОХ. При этом в силу особенностей решаемых задач, необходимо, чтобы формальное представление ОХ обладало метрическими свойствами, было бы чувствительно к корреляционным связям отдельных характеристик, устойчиво к их малым изменениям. Разработка математически строгого метода свертки частных показателей и характеристик объектов в обобщенный показатель позволит корректно решать задачи сравнительного анализа альтернатив, выбора рациональных вариантов действий по достижению поставленной цели. Основная трудность в решении указанных задач определение количественных значений важности характеристик, часто представляемых в виде весовых коэффициентов, определяемых в настоящее время эвристическими методами (например, экспертами). Последняя задача, вследствие своей важности, также требует решения. 30 1.4.2. Распознавание объектов и ситуаций и обработка информации Устойчивая тенденция роста объемов данных, поступающих на анализ, сокращение времени на подготовку информации к использованию для принятия решения приводит к ужесточению требований к обработке информационных массивов данных. Одной из ключевых проблем в этих условиях является проблема повышения эффективности распознавания объектов и ситуаций (поиск ассоциаций) [23]. Существующие способы обработки данных при распознавании заданных объектов и ситуаций часто оказываются неудовлетворительными из-за низкой информативности их характеристик (признаков распознавания). Хотя совершенно очевидно, что именно от выбора признаков и зависит эффективность алгоритмов распознавания. Решение задачи посгроения эффективных алгоритмов распознавания предполагает проведение оценки информативности признаков на количественной основе. Существующие методы пригодны только выборок большого объема, поскольку используют статистические методы, требующие корректного учета соответствующих законов распределения признаков как случайных величин [10,36]. При обработке данных получение больших выборок для уникальных объектов практически невозможно из-за временных и стоимостных ограничений. По этой причине необходим новый подход к понятиям информативности, не использующий вероятностную меру. Одной из основных проблем в задачах распознавания является формирование обучающих выборок. В настоящее время используются, в основном, эвристические методы их формирования, несвободные от субъективных оценок и нс поддающиеся строгой математической формализации. Разработка формальных методов решения этой проблемы должна быть направлена на создание адаптивных алгоритмов распознавания объектов и ситуаций в хранилищах данных. 31 |