Обобщение и классификация ситуаций

ОБОБЩЕНИЕ И КЛАССИФИКАЦИЯ СИТУАЦИЙ  [c.159]

ГЛ. 4. ОБОБЩЕНИЕ И КЛАССИФИКАЦИЯ СИТУАЦИИ  [c.160]

Итак, первая особенность задач формирования понятий и классификации в ситуационном управлении — поиск прагматических признаков классификации, способных обеспечить нахождение таких обобщенных описаний ситуаций, которые позволяли бы успешно решать задачу поиска решения по управлению объектом.  [c.160]


Характер накопления опыта при обучении весьма многообразен. Например, опыт может быть накоплен положительный или отрицательный, систематизированный или случайный, собственный или привнесенный извне, имитационный (искусственный) или естественный и т.д. Однако у всех способов накопления опыта есть общая черта - постепенное выделение "области знаний" из всей совокупности "незнания". Поэтому в теории обучающихся систем эта особенность нашла отражение в быстро развивающемся направлении, связанном с созданием автоматических систем классификации распознавания образов. Накопление и обобщение информации в процессе обучения может осуществляться за счет внесения "эталонного опыта" в систему извне, либо путем формирования такого опыта внутри ее. В первом случае обучаемой системе обычно предъявляют последовательность ситуаций, образцов или режимов, которые имеют заранее известные характеристики или различаются по при-  [c.161]

И последнее пояснение. В процессе обобщения ситуаций S и появления классов ситуаций возникает естественная иерархия, определяемая вхождением одних классов в другие. Так как прагматическая классификация основана на стремлении так сформировать классы, чтобы облегчить поиск решения по управлению объектом, то иерархия классов полных ситуаций должна быть согласована с иерархией воздействий (управлений) следующим образом если S SJ и для S1 характерны управления из множества U1, а для 5 — из множества UJ, то должно иметь место вхождение  [c.162]


В результате обучения системы автоматически строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации новых возникающих ситуаций. Таким образом, автоматически формируется база знаний, используемая при решении задач классификации и прогнозирования. Эта база знаний периодически автоматически корректируется по мере накопления опыта реальных ситуаций, что позволяет сократить затраты на ее создание и обновление.  [c.27]

Вернемся на минуту к рис. 1.7, на котором мы привели общую схему, характерную для систем ситуационного управления центральной ее частью был КЛАССИФИКАТОР, С его помощью решается основная задача — получение классов ситуаций, каждый из которых однозначно или с определенными приоритетами соответствует тем или иным решениям по управлению. Отсюда становится очевидной важная роль процесса обобщения описаний и их классификации. На первый взгляд может показаться, что подобная проблема активно решается в других науках, например, в теории распознавания образов или в кластерном анализе. Это так и не так. Конечно, многие методы, развитые в данных разделах дискретной математики, используются (и не безуспешно) и здесь. Но кардинальное отличие проблемы обобщения и классификации в ситуационном управлении и вообще в семиотических моделях состоит в том, что, кроме самой задачи формирования обобщенных понятий и классификации по множеству заданных признаков, требуется еще решать задачу определения прагматически важных признаков, которая, как правило, заменяется в теории распознавания образов поиском информативных признаков.  [c.159]

Поскольку факторы, связанные с собственно интенсификацией производства, с очевидностью имеют естественные ограничения (вспомните за-мечатгльно сыгранную Чарли Чаплиным роль рабочего на все более ускоряющемся конвейере), в приведенной схеме именно интенсивные факторы второго рода являются сердцевиной интенсификации деятельности хозяйствующих субъектов и повышения ее результативности. На схеме приведены лишь принципы идентификации и классификации факторов что касается обособления отдельных факторов и их ранжирования с позиции значимости и управляемости, то это несложно сделать в каждом конкретном случае путем обследования и обобщения ситуации в рамках, например, комплексной оценки финансово-хозяйственной деятельности предприятия. Примеры выделения факторов можно найти в специальной литературе (см., например, [Журко, Пантелеев]).  [c.72]


Классификация ситуаций, объединение их в классы при использовании одношаговых решений происходит на субъективной основе, ибо первоначальная информация о соответствии той или иной текущей ситуации тому или иному решению получается от экспертов. Система как бы суммирует знания отдельных экспертов и становится носительницей коллективного опыта людей. Однако процедуры классификации должны быть построены таким образом, чтобы сама классификация годилась бы для тех текущих ситуаций,. о которых система не получила информации от экспертов. Это приводит к тому, что задача классификации становится аналогичной задаче формирования понятий на основе обучающих последовательностей. Система, сформировав некоторое понятие, обладает уже большими знаниями, чем те, которые были заложены в нее вначале экспертами, хотя эти дополнительные знания могут оказаться и неверными, что может выявиться в процессе ее эксплуатации. Таким образом, в системе могут появляться предрассудки , неверные представления и неправомерные обобщения. Она может вести себя, как женщина, которая говорит в разговоре знаю я вас. Все мужчины лгут . А на ехидный вопрос вы что же, имели дело со всеми мужчинами , простодушно отвечает да, была знакома с одним вроде вас... .  [c.31]

В качестве метода внешнего анализа может применяться также метод классификации ситуаций, когда по множеству признаков классификации, в качестве которых в данном случае выступает множество показателей деятельности предприятия, последовательно строится дерево решений, отражающее эту классификацию. В случае индуктивного вывода дерево решений строится по обучающей выборке автоматически. Пример классифицирующего дерева решений для оценки кредитоспособности предприятий, построенного в системе индуктивного вывода ИЛИС [5] по обучающей выборке из 100 реально оцененных в одном из банков предприятий, представлен на рис.3.2. В обучающей выборке в качестве классифицирующих признаков использовались коэффициенты автономии, мобильности, отношения собственных и заемных средств, покрытия, абсолютной ликвидности, ликвидности, а также качественные признаки репутации и величины. Классообразующим признаком является признак "Класс кредитоспособности" (1 - высший класс, 5 - низший класс). В результате обобщения примеров обучающей выборки часть признаков была формально отброшена коэффициенты мобильности, ликвидности и величина предприятия, причем по различным ветвям дерева решений наблюдалась различная последовательность классификации.  [c.76]

В предыдущем разделе мы описали различные способы приблизить функцию, которую реализует реальная сеть, к неизвестной функции, которую, как предполагается, можно определить по имеющемуся множеству примеров — обучающему множеству. Как в задачах классификации, так и в задачах прогноза, цель при построении сети должна состоять не в том, чтобы запомнить обучающую информацию, а в том, чтобы на основании изучения прошлого сделать определенные обобщения, которые можно будет затем применить к новым образцам. В конечном счете, эффективность сети определяется тем, как она работает со всей совокупностью возможных примеров (пространством возможных ситуаций). Так как все это множество целиком,-как правило, недоступно, возникает практическая задача максимизации качества работы сети на всем множестве исходных данных, и для этого вовсе не нужно требовать от сети высокой степени соответствия на каком-то зашумленном обучающем множестве.  [c.33]

В традиционной теории распознавания образов и в кластерном анализе центральную роль играет понятие признака. Именно признаки выступают в качестве параметров, на основании которых происходит выделение обобщенных понятий и строится та пли иная классификация. В языках описания ситуаций, типичных для всех методов управления, опирающихся на семиотические модели, огромную роль играют не признаки, а структуры отношений между объектами. Во многих случаях, конечно, комплексы отношений можно было бы рассматривать как своеобразные признаки. Но этому мешают два обстоятельства. Прежде всего, отметим резкое возрастание числа признаков, так как число возможных комплексов отношений стремительно возрастает с ростом числа отношений и увеличением их типового разнообразия, а большинство их комбинаций не имеет никакого значения для решения задачи обобщения. Кроме того, признаки приписываются определенным объектам и использование комплексов отношений в качестве признаков приведет к необходимости введения огромного числа лишних объектов. Понятия, связанные с этими объектами, также будут лишними, ибо понятие, которое мы не можем развернуть в суждение, не имеет для нас никакого логического смысла . 1) И, наконец, зачастую практически невозможно вычленить тот признак, который используется для формирования понятия. Примерами таких псевдопонятий (в рамках призначного подхода) могут служить ручка управления, нос корабля, очередь на обслуживание и т. п.  [c.160]

И, наконец, последнее замечание. При формировании обобщенных описаний при малых объемах обучающих выборок возможно возникновение заблуждений , связанных с тем, что используемые для классификации решающие правила не отражают классификации описания технологом-управленцем. Это делает интересным исследование того, какими функциями от признаков пользуется человек в своей повседневной практике, когда он формирует новые для себя понятия. В экспериментах было показано х), что имеется вполне определенная приоретет-ность этих функций для человека, имеющего, по крайней мере, школьное образование. Наиболее простыми классифицирующими функциями для него являются конъюнкции признаков или дизъюнкции одиночных признаков. С функциями, содержащими четыре — пять признаков, человек работает свободно, при возрастании числа классифицирующих признаков сверх этого сложность задачи классификации для него начинает возрастать. Значительно сложнее для человека оказываются те ситуации, где приходится применять функции, в которых одновременно используются операции конъюнкции и дизъюнкции. Но еще более трудными, практически не встречающимися в практике человеческой классификации, являются случаи, когда классифицирующая функция включает в себя не только факт наличия какого-то признака, но и факт отсутствия некоторого признака. Примером такой нечеловеческой функции классификации может служить функция вида y=x1xz fx1x2, где x и 2 — некоторые признаки.  [c.215]