Модели (структуры, представления) знаний

ПРОДУКЦИОННЫЕ	–	описание и правила вывода (если <условие>, то <заключение>)
СЕТЕВЫЕ	–	ориентированные графы: вершина – понятие (объект, процесс, ситуация), ребра – отношения типа «это есть», «принадлежать», «быть причиной», «входить в», «состоять из», «быть как» и т.п.
ФРЕЙМОВЫЕ	–	описание класса однотипных объектов с помощью фреймов – квантов знаний, их концентраторов, специальных ячеек (шаблонных понятий) фреймовой сети
ЛОГИЧЕСКИЕ	–	основаны на алгебре высказываний и предикатов, системе аксиом этой алгебры и ее правилах выводов

ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ

Разновидность анализа, отличающаяся использованием естественного и/или искусственного интеллекта для выявления, получения «дополнительной» информации из тех же <данных> по сравнению с той, которая получается при применении только строго формализуемых технологических операций анализа

À ИАД-1: 1) Поиск скрытых закономерностей в <данных>, закономерностей и взаимосвязей в объекте (ранее неизвестных, нетривиальных, практически полезных, доступных интерпретации) из <данных> о нем /Data Mining (DM)/. 2) Очистка <данных> – устранение информационного <мусора>: ошибок, противоречий, сбоев, выбросов и т.п. /Data Cleaning (DС)/. 3) Извлечение знаний из <данных> для организации <данных>.

 

Á ИАД-2:

1) Извлечение знаний из <данных> /Data-Based Knowledge (DBK)/ с помощью интеллектуальных инструментальных средств анализа /Business Intelligence Tools – BIT/ из хранилища <данных> /Data Warehouse – DW/.

2) Получение новых знаний об объекте на основе извлеченных при ИАД-1 знаний-1, виртуальных <данных> и естественного и/или искусственного интеллекта.

3) Управление знаниями – систематическое приобретение, синтез, обмен и использование информации, идей, опыта для достижения своих целей.

 

 ИАД-3:

1) Традиционный анализ <данных> с предшествующим ему или совмещенным с ним поиском, выбором, синтезом моделей, методов, средств, технологий сбора, обработки, анализа и интерпретации с учетом поставленных целей и ограничений.

2) Вариативное (вариантное) моделирование, в том числе вектор-моделирование, и поливариантный выбор других средств моделирования.

3) Самоорганизация моделей.

4) Когнитивное моделирование.

5) Автоматизация синтеза моделей, алгоритмов, техпроцессов и т.п.

СТРУКТУРА МЕТОДОВ И СРЕДСТВ ИССЛЕДОВАНИЯ МАТЕРИАЛЬНЫХ ОБЪЕКТОВ И ЭКСПЕРИМЕНТИРОВАНИЯ С НИМИ

 

Условное изображение структуры методов и средств исследования материальных объектов

ТЕХНОЛОГИЧЕСКИЙ ПРОЦЕСС ЭКСПЕРИМЕНТАЛЬНОГО ИССЛЕДОВАНИЯ ОБЪЕКТОВ

 

ПОНЯТИЕ О ПЛАНИРОВАНИИ ЭКСПЕРИМЕНТОВ

(Планирование в условиях априорной неопределенности)

1. Постановка решаемой задачи. Выбор показателей качества результатов.

2. Определение цели экспериментирования с ориентацией на конечную цель решаемой задачи, применение результатов эксперимента (декомпозиция целей, построение дерева целей).

3. Выбор модельного представления объекта (для организации эксперимента) и экспериментальных данных (для их сбора, обработки, анализа, интерпретации, применения).

4. Выбор измеряемых (оцениваемых, косвенно измеряемых) характеристик и показателей качества их измерения.

5. Выбор алгоритма и средств измерения показателей (параметров) объекта и искомых характеристик с требуемым качеством.

6. Формулировка плана измерений (U, Z) / U – управляемые факторы, условия, Z – неуправляемые, но регистрируемые/, в частности параметров дискретизации, квантования, шага измерения, группирования, объема выборки, количества измерений в каждой точке и т.д., и определение его реализуемости.

7. Обеспечение условий и проведение эксперимента.

8. Проведение разведочного анализа экспериментальных результатов.

9. Специальные операции по достижению требуемого качества результатов и/или управления ими.

10. Интерпретация и применение результатов.

ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТОВ В УСЛОВИЯХ
ЧАСТИЧНОЙ АПРИОРНОЙ НЕОПРЕДЕЛЕННОСТИ

ПЛАНИРОВАНИЕ ЭКСПЕРИМЕНТА (в узком смысле) – раздел математической статистики, в котором изучается техника рациональной организации измерений (математических операций оценивания), в условиях получения результатов первичных измерений (исходных данных) в присутствии случайных факторов. Основная цель ПЭ заключается в задании условий проведения эксперимента, обеспечивающих получение максимального количества информации /наилучших по принятым показателям результатов/ относительно факторов, воздействующих на исследуемый объект /используя как можно меньший объем выборки из генеральной совокупности/ путем рациональной организации выборочных процедур. Другими словами – достижение максимального качества (точности) результатов измерений при минимальном количестве проведенных опытов и сохранении статистической достоверности результатов.

Обычно рассматривается регрессионная схема планирования эксперимента. На практике со случайными погрешностями измеряется значение величины (1), где – детерминированная (регулярная) функция одно- или многомерного аргумента и неизвестного одно- или многомерного параметра . Из-за наличия случайных погрешностей Е измерения y при конкретных значениях , вместо (1) мы имеем , т.е. вместо y результат измерения есть , где – конкретное значение погрешности, определяемое конкретным сочетанием факторов, действующих на объект и условия измерения y в момент их выполнения.

Цель эксперимента – оценка параметров или некоторых требуемых для решаемой задачи функций от них, в том числе , либо проверка гипотез о параметрах . Под планом эксперимента понимается совокупность значений реальных физических величин, представляемых в (1) переменными , задаваемых в эксперименте.

ПРИМЕР ПЛАНОВ ЭКСПЕРИМЕНТА
при двуменом приведенном аргументе
(количество измерений 25)

 

 

РАЗНОВИДНОСТИ ВЫБОРОК ОБЪЕМА N
ИЗ ГЕНЕРАЛЬНОЙ СОВОКУПНОСТИ (ГС)

Случайная повторная (выборка N элементов ГС с возвращением)

Случайная бесповторная (выборка N элементов ГС без возвращения)

/Случайная – каждый элемент ГС может быть извлечен с одинаковой вероятностью/

Регулярная – подлежащие выбору N элементов ГС отбираются через определенные (регулярные) интервалы (времени, номера, значений и т.д.)

Районированная (типичная) – ГС предварительно разбивается на п непересекающихся групп (районов, классов). Затем из каждой k -й группы, , по схеме случайной выборки (повторной или бесповторной) отбирают элементов . Например, группа – это изделие одного цеха, участка

Серийная (гнездовая) – ГС предварительно разбивается на п непересекающихся серий (групп) и по схеме случайной выборки отбирается определенное число т серий, все элементы которых и образуют выборку объема . Например, из 150 станков отбирается т = 10, вся продукция которых и образует выборку