|
выборках, оценки информационного качества совокупности признаков в задачах распознавания объектов [76]. При исследовании вариантов построения сложной системы, необходимого для обоснования решения о направлении ее развития эти методы используются для сравнительной оценки таких вариантов. Сущность методов визуализации данных заключается в снижении исходной размерности признакового пространства путем агрегирования частных характеристик (признаков). Формальная реализация методов визуального представления данных основана на применении известных статистических методов многомерного анализа данных [12,58]. Основной недостаток метода зависимость от нормировки данных и выбора способа снижения размерности признакового пространства. Методы построения обобщенных интеграл ь 11 ых характеристик (агрегирование данных) Существует значительное количество методов агрегирования данных, применяемых при оценке эффективности сложных систем, уровня их качества, анализе вариантов их построения и обосновании перспектив развития [49,71]. Их принципиальными недостатками, в той или иной степени являются необходимость нормировки данных, предположение о стохастической природе выборки, необоснованное задание видов законов распределения из-за объективного отсутствия знаний (информации) о стохастической природе процессов, протекающих в таких системах. В связи с этим области применения имеющихся методов ограничены, а получаемые результаты могут потребовать проведения последующего неформального анализа, что не исключает появления субъективных оценок. Метод спектрального анализа Метод предусматривает итерационную процедуру 43 |
Р О С С И Й С К А Я I Г°СУЛАрсгЦЕННАЯ СИ^ЛИ ОТЕКА отношения является его несимметричность. Для анализа статистических связей между порядковыми переменными, представляемых в виде различных ранжировок, используются методы ранговой корреляции [12]. Методы визуального представления данных Данный класс методов обработки информации разработан для решения разнообразных задач кластеризации, выделения однородностей (таксонов) в выборках, оценки информационного качества совокупности признаков в задачах распознавания объектов [76]. При исследовании вариантов построения сложной системы, необходимого для обоснования решения о направлении ее развития эти методы используются для сравнительной оценки таких вариантов. Сущность методов визуализации данных заключается в снижении исходной размерности признакового пространства путем агрегирования частных характеристик (признаков). Формальная реализация методов визуального представления данных основана на применении известных статистических методов многомерного анализа данных [12,58]. Основной недостаток метода зависимость от нормировки данных и выбора способа снижения размерности признакового пространства. Методы построения обобщенных характеристик ('агрегирование данных) Существует значительное количество методов агрегирования данных, применяемых при оценке эффективности сложных систем, уровня их качества, анализе вариантов их построения и обосновании перспектив развития [49,71]. Их принципиальными недостатками, в той или иной степени являются необходимость нормировки данных, предположение о стохастической природе выборки, необоснованное задание видов законов распределения из-за объективного отсутствия знаний (информации) о стохастической природе процессов, протекающих в таких системах. В связи с этим области применения имеющихся методов ограничены, а получаемые результаты могут потребовать 41 проведения последующего неформального анализа, что не исключает появления субъективных оценок. Метод спектрального анализа Метод предусматривает итерационную процедуру ЦГ(*) _ >■<_____ /•1 I ----------. шах ^ #7*"% / где коэффициент важности (вес) у-ой характеристики в обобщенном показателе на к-ой итерации; нормированный обобщенный показатель /-го варианта системы на &-ой итерации; Хц, относительная нормированная характеристика /-го образца. Как видно, этот показатель зависит от способа выбора начального приближениями нормировки характеристики Ху. Первое обстоятельство позволяет строить различные оценки, в зависимости от выбора М* В случае, когда все характеристики одинаково значимы, полагают М = 1(\//= 1,/и). Если известна дополнительная априорная информация о важности характеристик, то в зависимости от ее полноты используют либо определенные экспертами количественные оценки либо процедуры, минимизирующие субъективизм в оценках, важнейшими из которых являются оценки Фишборна (1.5.4) и Хоменюка (1.5.5): 42 |