Диссертация (1090638), страница 6
Текст из файла (страница 6)
При этом опорные векторапредставляют собой небольшое подмножество обучающих данных, отбираемыхалгоритмом.Использование метода опорных векторов позволяет: получить функциюклассификации с минимальной верхней оценкой ожидаемого риска (уровняошибки классификации); использовать линейный классификатор для работы снелинейно разделяемыми данными, сочетая простоту с эффективностью.Метод характеризуется: высокой устойчивостью к переобучению; регуляцией чувствительности к шуму, а также линейной вычислительной сложностью, зависящей от сложности вычисления скалярного произведения векторовпризнаков. Следует отметить, что в большинстве практических случаев уменьшение шума чувствительности влечет за собой резкое уменьшение точностипрогноза [68].1.3. Анализ развития событий кризисных ситуаций, в случаевозникновения ситуации, связанной с неполной информацией(и абдукция)Среди путей исследования информационного поля особое место занимаетмоделирование.Егоширокоераспространениесталопримечательныммоментом современного прикладного анализа политических ситуаций ипроцессов различного уровня.
Переход к моделированию как к одному изведущих средств изучения политики был стимулирован не только успехами егоприменения в различных сферах общественной практики, прежде всего вэкономической и военно-технической, но и ростом аналитико-прогностическойориентации научных проектов второй половины ХХ века [9, 69].Кнастоящемумоментуприкладноемоделирование политических,экономических, и т.д. отношений с учетом требований системности и30применениемкомпьютернойтехникипроводитсявомногихнаучныхучреждениях различных стран [3, 25].
В России, например, этими вопросамизанимаются Институт проблем управления РАН, Институт экономическихстратегий и др.вСША: Северо-Западный,Стэнфордский,Чикагский,Калифорнийский университеты, Массачусетский технологический институт.Особуюизвестность получили предложенные их сотрудниками моделивнешнеполитических ситуаций (прежде всего международных конфликтов),которые могут рассматриваться, несмотря на свои недостатки, в качествеполезных образцов решения исследовательских задач. Вместе с тем, главныйнаучный интерес в таких работах представляет скорее не содержательнаясторона, а техника и инструментарий проводимого анализа [3, 21, 70].
Наиболееуязвимыми для критики в силу уязвимости применяемых индикаторов иаприорных аналитических заключений являются примеры эмпирическогомоделирования, т.е. построение моделей с помощью различных системиндикаторовиподготовкианалитическихзаключенийнаоснованиикорреляции между одномодульными или разномодульными индикаторами.Кроме того, при построении многих комплексных моделей обычно возникаетнехватка данных, что снижает степень их корректности и возможностиверификации [3, 25, 70]. Однако многие аналитические приёмы, отработанные врамкахнакопленногоопытасистемногоосмысленияиструктуризацииинформационных материалов, не утратили своей актуальности и полезны сточки зрения создания четкой картины наблюдаемой действительности [25, 70,71].Определение 5.
Локальный конфликт (вооруженный) – вооруженноестолкновение (противоборство), происходящее на территории какого-либогосударства между правительственными и антиправительственными вооруженными силами или другими организованными вооруженными группами(гражданские, этнические и другие войны, происходящие в пределах государства) [2, 72].31Определение 6. Активное моделирование – процесс моделирования событий, при котором субъект наблюдения процесса и результат моделированияможет изменять паттерн процесса моделирования.При моделировании процессов развития событий, достаточно частовозникают ситуации, связанные с неполной информацией, например, когдазнаний недостаточно для того, чтобы получить результат – следствие, т.е.
соответствующие объяснение для конкретного вывода. [73, 74]. В этом случаезадачамоделированиясобытияставитсякакзадачавыявленияи/илиустановления причинно-следственных связей. Очевидно, использование любоймоделиздесьнеприменимо,таккактребуетсяполнаяинформация,необходимая для доказательства.
В этом случае используется абдуктивныйвывод, который можно рассматривать как особый дедуктивный вывод,порождающийдополнения–вспомогательныедизьюнкты,из которыхвпоследствии формируется дизьюнкт дополнительных посылок, необходимыхдля успешного вывода.
Такой подход позволяет использовать в качествеосновы абдуктивной модели прогнозирования аналитическую модель событияна объяснениях, а в качестве алгоритма – модифицированный метод резолюций[3, 19, 57, 75].Наиболее часто используется подход к абдукции как к обратнойдедукции. В дедуктивном выводе справедлива следующая форма вывода: еслиизвестны факты и известны правила, по которым делаются выводы, то верны иэти выводы (следствие) [43].В абдукции же известны факты и известно следствие, на основаниикоторых реконструируется предпосылка, которая стала причиной данноговывода.
Поэтому дедуктивное правило преобразуется в новое правило: есливывод Q является истинным и Р является причиной Q, то истинно Р. Это и естьабдуктивное правило.Таким образом, исходя из абдуктивного правила, получаем, что применение абдуктивной аналитической модели события, позволит при некотороммножестве факторов и соответствующих априорных правил, установленного в32результате опыта эксперта-аналитика, получить результат – следствие, т.е. соответствующие объяснение для конкретного вывода.
При этом множество фактов, вызвавших это следствие либо неизвестно, либо ставится под сомнение [1,57].Одной из не до конца решенных задач применения методов абдуктивныхвыводов к моделированию события с помощью интеллектуальной системыпринятия решений является задача нахождения объяснений явлений в условияхс неполной информацией. Вследствии чего, возникает необходимость разрабатывать методы, позволяющие объяснить причины возникновения явлений вусловиях с неполной информацией [57, 61, 76].Индуктивный метод применить к решению обозначенной задачи нельзя,т.к.
он сводится к задаче поиска состояний объекта в пространстве. Основныммеханизмом для достижения цели в поисковом пространстве является использование индуктивных правил вывода на фиксированном исходном множествеописаний.Поиск решения с помощью абдуктивного вывода может быть формализован следующим образом [61]:если H c A , где A М ОП , М Пр ,то H c min ,(1.2)т.е. учитывая, что H c col h1 , h2 ,..., hТ ,dim H c minH Acгде H c – простая гипотеза, dim H c – вектор, элементы которого являются простыми гипотезами,М ОП , М Пр– множество фактов [61].Степень истинности имеет влияние на одно из условий области определения, следовательно, описание этого критерия можно расширить следующимобразом: составная гипотеза H c1 является лучшим объяснением данных D0,нежели другая составная гипотеза H c 2 , еслиd D0 ,33h2 H с 2 таким образом, что d qh2 D0 ,h1 H с1 таким образом, что d qh1 D0 ph1 ph2 .При применении данной модели к задачам могут возникнуть конфликтымежду условиями области определения и самой постановкой задачи.
Для решения этой проблемы необходимо установить отношение приоритета, в соответствии с которым максимальное покрытие данных имеет наивысший приоритет,а наличие минимального количества гипотез – наименьший. Если отображенияq и p однозначно определены, то на синтез задачи абдукции ограничения невлияют и объяснение будет единственным наилучшим решением.Следует отметить, что между двумя элементарными объяснительнымигипотезами h1 , h2 H e возможны различные типы взаимодействия.Свойства типов взаимодействия гипотез:1.
Ассоциативность: включение h1 в Hc подразумевает включение h2. Такое взаимодействие может возникнуть вследствие статистических взаимосвязеймежду h1 и h2.2. Аддитивность: h1 и h2 связаны аддитивно, когда их объясняющие способности складываются. Такое возможно, если h1 и h2 в отдельности объясняют исходные данные d D0 только частично, но вместе могут объяснить данные полностью.3. Несовместимость: h1 и h2 взаимно несовместимы, если одна из нихвключена в Hc, а другая нет.4. Аннулирование: h1 и h2 аннулируют объясняющие способности другдруга относительно некоторого d D0 . Например, h1 может означать увеличение некоторой важности данных, в то время как h2 будет ее уменьшать.
Такимобразом, происходит аннулирование объясняющих способностей друг друга поотношению к данной величине.В последние годы абдукция признана наиболее широко применяемым аппаратом для нахождения объяснений наблюдений, так как довольно адекватноотражает рассуждения человека в процессе поиска объяснений какого-либо яв-34ления. Сферой применения абдукции являются задачи диагностики, мониторинга, распознавания образов, понимания текстов, планирования.Таким образом, абдуктивный вывод может рассматриваться как методрешения задачи построения прогноза при подготовки принятия решения вусловиях неопределенности внешней среды, а также в случаях, когда исходныеданные задаются в текстовой форме.1.4.
Выбор и обоснование интегрированной среды разработкиблока активного моделированияДанные, которые собирают аналитические и прогностические системыдля анализа событий и обработки информации, нуждаются в предварительнойобработке: проектирование базы данных, ввод данных согласно специальнымправилам и т.д.
Для того чтобы сделать анализ данной информации и получитьинтересующие сведения следует приложить дополнительные усилия, которыене всегда связаны с процессом анализа и не всегда дают требуемый результат вусловиях перманентно растущего информационного ресурса. В связи с этим коэффициент полезного действия анализа структурированных данных падает.Помимо этого не все данные возможно структурировать без утраты нужныхсведений [77].Как правило, текстовый документ фактически нельзя преобразовать втабличный вид, не потеряв при этом отношение между сущностями и семантикой, поэтому текстовые документы находятся в базах данных в виде текстовыхполей.