Диссертация (Методы и алгоритмы обработки информации в информационно-аналитических системах для анализа развития событий кризисных ситуаций), страница 13
Описание файла
Файл "Диссертация" внутри архива находится в папке "Методы и алгоритмы обработки информации в информационно-аналитических системах для анализа развития событий кризисных ситуаций". PDF-файл из архива "Методы и алгоритмы обработки информации в информационно-аналитических системах для анализа развития событий кризисных ситуаций", который расположен в категории "". Всё это находится в предмете "технические науки" из Аспирантура и докторантура, которые можно найти в файловом архиве РТУ МИРЭА. Не смотря на прямую связь этого архива с РТУ МИРЭА, его также можно найти и в других разделах. Архив можно найти в разделе "остальное", в предмете "диссертации и авторефераты" в общих файлах, а ещё этот архив представляет собой кандидатскую диссертацию, поэтому ещё представлен в разделе всех диссертаций на соискание учёной степени кандидата технических наук.
Просмотр PDF-файла онлайн
Текст 13 страницы из PDF
На рис. 3.2 представлен первый критерий сравнения. Пусть имеется величина 0<σ<1/2, рассчитаем значение М = max F, величины Т1 и Т2 таковы, что∞S = ∫−∞ ()dt, показателем является величина L=Т2 −Т1f(t)MK1K2-K1K2tРис. 3.2. Критерий оценки событий M [19]Слева и справа от величин Т1 и Т2 отбрасываются малозначимые интервалы, не влияющие на обстановку, которые могут быть результатами аномальныхотклонений. Эмпирически установили, что оптимальный выбор для σ ~ 0,15.Полученный критерий показывает насколько "плотно" кривая распределенияприлегает к оси соответствующей максимальному значению.
Чем больше кривая прилегает к оси максимума, тем больше сходство во временном расположении между общими для наблюдаемой и эталонной ситуаций признаками.75f(t)F(Т2)F(Т1)Т1HТ2-Т1Т2tРис. 3.3. Критерий оценки событий H [19]2.На рис.
3.3 представлен второй критерий сравнения. Аналогичнопервому критериювведёмвеличины 0<σ<1/2,Т1и Т2таковы, что∞S = ∫−∞ ()dt. Вместо М рассмотрим величину H=(F(Т1)+ F(Т2))/2.Смысл этого критерия практически такой же как в случае с первым критерием, за исключением: в данном случае величина максимума М = max F заменяется высотой характерного прямоугольника H=(F(Т1) + F(Т2))/2, что в рядеслучаев улучшает оценку при случайно больших значениях М.3.На рис.
3.4 представлен третий критерий сравнения. Данный крите-рий основан на понятии скалярного произведения функций, так если F(t) и G(t)∞две функции, то их скалярное произведение есть (F,G)=∫−∞ ( ) ()dt. Пустьимеется развивающаяся кризисная ситуация А сравним её с эталонной ситуацией В. Подвергнем эталон В редукции исключив признаки расположенные вовремени после самого последнего признака из развивающейся ситуации А.Область пересечениятрендов, дающих вкладв скалярное произведение ( )F(t)G(t)tРис.
3.4 Третий критерий сравнения [19]76Для сравнения строим две кривые распределения:G(t) – построенная на основе эталонной модели;F(t) – строится на основе данных наблюдаемой кризисной ситуации. Критерием является величина R, которая вычисляется по предложенной формуле иизменяется в пределах от единицы до нуля (формула 3.14).=( , )(3.14)√( , )( , )Если значение R близко к единице, следовательно, общие признаки одинаково расположены по времени и временному интервалу между ними, в противном случае R близко к нулю.3.2. Алгоритм пошагового уточнения принятия решения на основеактивного моделирования трендов развития событий и интенсивногопоступления новых данных на входах ИАСПредставим наблюдаемую кризисную ситуацию Ks как вектор в пространстве признаковых временных последовательностей.
При этом эталонныеСi реализации тоже будут являться векторами этого пространства. Представимразвивающуюся ситуацию как:∑=1 Сгде Сi(Ks,Сi )(Сi,Сi )(,С )(3.15)(С ,С )– проекция текущего события Ks на эталонную модель С .Далее построим проекции (относительные веса) Сi(Ks,Сi)(Сi ,Сi )и сложим эта-лонные значения.1. Сложение признаков и эталонов.Пусть имеются два проявления признака Pij , Pik (один и тот же признак Piв эталонных событиях Сj и Сk ) и Ij , Ik – интервалы времени развития событийотделяющие Pij и Pik от момента наступления интересующего нас события в77эталоне Сj и Сk соответственно, что формальная линейная комбинация μPij +νPik ,где μ, ν – любые действительные числа, соответствуют признаку восходящемутренду развития события Pi, с временным интервалом Ii=(μIij +νIik )/(μ+ν) и весомgi=(μgij +νgik ).Построенная таким образом операция сложения признаков событий коммутативна и может быть продолжена на эталоны.
Так линейной комбинацииэталонных событий μСj +νСk соответствует эталон Сl для которого признаки Pil,присутствующие в Сj и Сk есть μPij +νPik . Если в Сj присутствует признак события, отсутствующий в Сk , то меняется его вес g = μgj .2. Вычисление относительных весов (проекций) признаков событий.Выбираем функцию весов признаков событий χ(x,y), удовлетворяющуюусловиям:a.χ(x,y)=χ(y,x);b.χ(x,x)>χ(y,x), при y≠x;c.χ(x,x)=χ(y,y), при любых x и у;d.χ(λx,λy)=χ(x,y);Проекция тренда развития события Сi(Ks,Сi )(Сi ,Сi)= ∑A,B χ(IKsAB , IEtAB ), где A иВ – проявившиеся признаки события, присутствующие как в наблюдаемой ситуации Ks, так и в эталоне С , и интервалы времени, разделяющиепризнаки А и B в развивающейся ситуации и в эталоне соответственно.Пример функций весов признаков χ(x,y):χ(x,y)=xy/(kxy+(x-y)2), где k>0 произвольное число;χ(x,y)=1/k, если |x-y|<a и χ(x,y)=0 в противном случае, a и k – произвольные положительные константы.Величина проекции тренда развития события тем больше, чем большеподобие во временном распределении признаков в развивающейся наблюдаемой кризисной ситуации и эталонной модели, функции χ определяют эту величину подобия.
Построив ряд признаков событий (3.15), получим:перечень признаков ожидаемых событий;78наиболее вероятное время проявления ожидаемых признаков событий;вероятность проявления признаков, как частоты или взвешенные (весаопределяются величинами(Ks,Сi )(Сi ,Сi )) частоты проявления признаков в эталонныхсобытиях Сi;временная дисперсия распределения признаков событий.Далее на рис. 3.5 представлен разработанный алгоритм активного моделирования трендов развития событий на основе их вероятностной модели и данныхинформационно-аналитических систем.
Особенностью предложенного алгоритмаявляется то, что применение новых аргументаций к текущему временному выводу осуществляется на основе темпоральной базы знаний Байеса. Разработанныйалгоритм включает в себя выше описанные математические методы развивающейся кризисной ситуации.79НачалоДаСобытиеновое?НетПрименение новыхаргументаций ктекущему временномувыводу на основе ТБЗБДанные особытии новые?ДаНетДаАктуаленвременныйвывод?НетВременный выводне меняется, данныевносятся в ТБЗБМоделирование сучетом новыхданныхАктивнаякорректировкамодели намеренийПолучение новоговременного выводана основе ТБЗБПоддержка СППР вактуальномсостоянииКонецРис. 3.5.
Алгоритм пошагового уточнения принятия решения на основе активного моделирования трендов развития событий и интенсивногопоступления новых данных на входах ИАС [19].3.3. Выводы по главе 31.Предложен метод и алгоритм анализа вероятностей трендов разви-тия событий кризисных ситуаций для принятия решений с использованиемтемпоральной базы знаний Байеса с учетом неопределенности признаков ивремени событий. Модель построена методом исторической аналогии и основана на шаблонных событиях происходивших ранее.
Модель может быть эффек-80тивно использована для прогнозирования развития широкого спектра событийпри постоянном пополнении базы данных эталонными ситуациями и наборамипризнаков.Для эффективной реализации описанного подхода необходимо иметь постоянно пополняемую базу данных эталонных ситуаций и требуемый наборпризнаков. В связи с чем, в настоящее время является актуальной работа поразработке адекватных моделей кризисных ситуаций в формализованном виде(длительность кризисной ситуации, основные фазы и др.), а также разработкиалгоритмов автоматического выявления набора признаков из текстовых материалов, баз данных и других источников.2.Предложенный алгоритм пошагового уточнения принятия решенияна основе активного моделирования трендов развития событий и интенсивногопоступления новых данных на входах информационно-аналитической системы,позволит с учетом временного вывода поддерживать разрабатываемую системуподдержки принятия решений в актуальном состоянии.81Глава 4.
Разработка, программная реализация и апробация блокаактивного моделирования намерений4.1. Основные предпосылкиАвтоматическая компиляция динамических систем активного моделирования с включением динамических байесовских сетей в разрабатываемой системе поддержки принятия решения возложено на блок активного моделирования намерений (рис. 4.1).БЛОК АКТИВНОГО МОДЕЛИРОВАНИЯ НАМЕРЕНИЯВходные данныеРезультатмоделированияАктивнаякорректировкамодели намеренийИзменениенаборапараметровмоделиВероятностноепричинно-следственноемоделирование свключениемдинамическихбайесовских алгоритмовсетиОтветнаяреакцияТБЗБПрименениеаргументацийРис.