Otvety_MS_PDF
.pdfПотоки — скорости изменения уровней. Например, потоки материалов, заказов, денежных средств, рабочей силы, оборудования, информации. Изображаются сплошными стрелками;
Функции решений (вентили) — функции зависимости потоков от уровней. Функция решения может иметь форму простого уравнения, определяющего реакцию потока на состояние одного или двух уровней. Например, производительность транспортной системы может быть выражена количеством товаров в пути (уровень) и константой (запаздывание на время транспортировки). Более сложный пример: решение о найме рабочих может быть связано с уровнями имеющейся рабочей силы, среднего темпа поступления заказов, числа работников, проходящих курс обучения, числа вновь принятых работников, задолженности по невыполненным заказам, уровня запасов, наличия оборудования и материалов. Изображаются двумя треугольниками в виде бабочки;
Каналы информации, соединяющие вентили с уровнями. Изображаются штриховыми стрелками;
Линии задержки (запаздывания) — служат для имитации задержки потоков. Характеризуются параметрами среднего запаздывания и типом неустановившейся реакции. Второй параметр характеризует отклик элемента на изменение входного сигнала. Разные типы линий задержки имеют различный динамический отклик;
Вспомогательные переменные — располагаются в каналах информации между уровнями и функциями решений и определяют некоторую функцию. Изображаются кружком.
31
27. Методы интеллектуального анализа данных
↑↑↑
Интеллектуальный анализ данных – это процесс обнаружения в сырых данных раннее неизвестных, нетривиальных, практически полезных, доступных интерпретации знаний (закономерностей), необходимых для принятия решений в различных сферах человеческой деятельности.
Для этого используются различные математические методы и алгоритмы: классификация, кластеризация, регрессия, прогнозирование, ассоциация, последовательность.
Ассоциация (или отношение). Для выявления моделей делается простое сопоставление двух или более элементов, часто одного и того же типа. Например, отслеживая привычки покупки, можно заметить, что вместе с клубникой обычно покупают сливки. Ассоциация позволяет выделить устойчивые группы объектов, между которыми существуют неявно заданные связи.
Классификация — инструмент обобщения. Она позволяет перейти от рассмотрения единичных объектов к обобщенным понятиям, которые характеризуют некоторые совокупности объектов и являются достаточными для распознавания объектов, принадлежащих этим совокупностям (классам). Суть процесса формирования понятий заключается в нахождении закономерностей, свойственных классам.
Кластеризация – это разбиение заданной выборки объектов (ситуаций) на непересекающиеся подмножества, называемые кластерами, так, чтобы каждый кластер состоял из схожих объектов, а объекты разных кластеров существенно отличались. Кластеризация является логическим продолжением идеи классификации. Это задача более сложная, особенность кластеризации заключается в том, что классы объектов изначально не предопределены. Результатом кластеризации является разбиение объектов на группы.
Прогнозирование ― это широкая тема, которая простирается от предсказания отказов компонентов оборудования до выявления мошенничества и даже прогнозирования прибыли компании. В сочетании с другими методами интеллектуального анализа данных прогнозирование предполагает анализ тенденций, классификацию, сопоставление с моделью и отношения. Анализируя прошлые события или экземпляры, можно предсказывать будущее.
Последовательность — это метод выявления ассоциаций во времени. В данном случае определяются правила, которые описывают последовательное появление определенных групп событий. Такие правила необходимы для построения сценариев. Кроме того, их можно использовать, например, для формирования типичного набора предшествующих продаж, которые могут повлечь за собой последующие продажи конкретного товара.
Регрессионный анализ используется в том случае, если отношения между атрибутами объектов в БД выражены количественными оценками. Построенные уравнения регрессии позволяют вычислять значения зависимых атрибутов по заданным значениям независимых признаков.
К средствам интеллектуального анализа данных относятся нейронные сети, деревья решений, индуктивные выводы, методы рассуждения по аналогии, нечеткие логические выводы, генетические алгоритмы, алгоритмы определения ассоциаций и последовательностей, анализ с избирательным действием, логическая регрессия, эволюционное программирование, визуализация данных. Иногда перечисленные методы применяются в различных комбинациях.
32
28. Вложенные сети Петри и моделирование распределенных систем
↑↑↑
Рис. к ответу на вопрос
Данный вопрос можно рассмотреть на примере клиент-серверного взаимодействия по сети Интернет. Группа серверов, осуществляющих распределённую обработку запросов клиентов, связаны с этими клиентами через сеть Интернет (см. рис.).
Данную систему можно смоделировать, используя, например, сети Петри. В данном случае клиент-серверное взаимодействие представляет собой основную систему, а непосредственно распределение между серверами, обработка сервером запроса или интерпретация ответа клиентом представляют собой подсистемы, причем первая из них является распределённой.
Модель данной системы будет представлять собой вложенные сети Петри: одна моделирует основную систему, второй уровень – распределённую, третий уровень – обработку запросов и ответов.
Таким образом можно моделировать и другие распределённые (и не только системы), представляя их как совокупность взаимодействующих подсистем, каждая из которых моделируется отдельно по принципу вложенности в основную модель.
33
29. Моделирование систем на основе анализа размерностей и теории подобия
↑↑↑
Анализ размерностей – инструмент, используемый в физике, химии, технике и нескольких направлениях экономики для построения обоснованных гипотез о взаимосвязи различных параметров сложной системы.
Суть метода в простейшем случае заключается в том, что для поиска выражения одного из параметров исследуемой системы через другие из последних составляется формула (их произведение в каких-то степенях), имеющая нужную размерность; часто именно она и оказывается искомым соотношением (с точностью до безразмерного множителя).
Материальное моделирование, при котором создается система – модель, имеющая определенное сходство с системой-оригиналом. Две эти материально реализованные системы, из которых одна рассматривается как отображение другой, связаны соотношением подобия.
Подобие явлений означает, что данные о протекании процессов, полученные при изучении одного явления, можно распространить на все явления, подобные данному. Модель не дает и не должна давать подобие абсолютно всех процессов, содержащихся в явлении, а обеспечивает подобие только тех процессов, которые удовлетворяют критериям подобия, найденным на основе теории подобия.
Таким образом, понятие модели всегда требует введения понятия подобия. По сути, моделирование есть практическое применение теории подобия.
Теория подобия характеризуется 3 теоремами:
Первая теорема. Сравниваемые явления (натурный объект и модель) подобны, если они имеют некоторое одинаковое сочетание параметров, называемых критериями подобия.
Вторая теорема. Функциональная зависимость между физическими параметрами системы может быть представлена в виде зависимости между составленными из них критериев подобия (критериальное уравнение).
Третья теорема. Формулирует необходимые и достаточные условия подобия и утверждает, что для подобия явлений должны быть соответственно одинаковыми определяющие критерии подобия и подобны (в простейшем случае пропорциональны) сходные параметры, входящие в условия однозначности.
Анализ размерностей же может быть применён при создании аналитических математических моделей.
34
30. Анализ сложных систем с помощью моделей клеточных автоматов
↑↑↑
Клеточный автомат — дискретная модель, изучаемая в математике, теории вычислимости, физике, теоретической биологии и микромеханике. Включает регулярную решётку ячеек, каждая из которых может находиться в одном из конечного множества состояний, таких как 1 и 0. Решетка может быть любой размерности. Для каждой ячейки определено множество ячеек, называемых окрестностью. К примеру, окрестность может быть определена как все ячейки на расстоянии не более 2 от текущей. Для работы клеточного автомата требуется задание начального состояния всех ячеек, и правил перехода ячеек из одного состояния в другое. На каждой итерации, используя правила перехода и состояния соседних ячеек, определяется новое состояние каждой ячейки. Обычно правила перехода одинаковы для всех ячеек и применяются сразу ко всей решётке.
Основное направление исследования клеточных автоматов — алгоритмическая разрешимость тех или иных проблем. Также рассматриваются вопросы построения начальных состояний, при которых клеточный автомат будет решать заданную задачу.
Математические модели на основе клеточных автоматов являются альтернативными традиционно применяемым математическим моделям на основе дифференциальных уравнений. Последние позволяют проследить непрерывное изменение какого-либо одного параметра системы как функцию других. В отличие от них модели на основе клеточных автоматов описывают дискретную эволюцию, как правила не одного, а нескольких параметров параллельно.
Важным достоинством клеточных автоматов является то, что они во многих случаях позволяют моделировать довольно сложное поведение ряда распределенных систем более просто и наглядно, чем в случае использования дифференциальных уравнений. Наиболее явно это проявляется при исследованиях нелинейных систем в случаях, когда они характеризуются скачкообразным поведением зависимостей.
Клеточные автоматы являются инструментом для моделирования явлений и процессов, происходящих в открытых системах, где процессы имеют пороговый характер. Клеточные автоматы являются математическими моделями систем, описывающими их дискретную эволюцию. Ими удобно пользоваться и тогда, когда нет оснований считать что исследуемый процесс можно описать непрерывными или дифференцируемыми функциями.
35
31. Сравнение аналитического и системного подходов
↑↑↑
Сущность аналитического моделирования состоит в том, что модель функционирования системы, представляющая собой совокупность математических выражений, описывающих процессы, которые происходят или могут протекать в моделируемых системах, строится на основании результатов анализа этих процессов.
В основе аналитического моделирования лежит использование общих законов природы, а также законов и закономерностей протекания процессов в исследуемых системах, выявленных при анализе.
Построение модели включает следующие этапы:
анализ процессов, протекающих в моделируемой системе;
выбор процессов, существенно влияющих на функционирование системы;
определение параметров, характеризующих выбранные процессы, описание этих процессов;
построение аналитической модели функционирования системы.
Результатом построения аналитической модели является совокупность математических выражений, которые решаются аналитическими либо численными методами.
Достоинством аналитического моделирования следует считать возможность проведения полного исследования функционирования системы математическими методами (в любых условиях при любых управляющих и возмущающих воздействиях).
Кнедостаткам аналитического моделирования следует отнести:
трудности, связанные с выявлением законов и закономерностей протекания процессов в сложных системах и обусловленные: завуалированностью этих процессов, трудностью выделения факторов, влияющих на процессы, сложностью процессов, подлежащих анализу;
необходимость существенных упрощений при построении аналитических моделей и неизбежная в связи с этим потеря информативности и адекватности моделей;
сложность получаемой аналитической модели, несмотря на предпринятые
упрощения.
Практически хорошие аналитические модели можно построить только для сравнительно простых и хорошо изученных систем.
Про системный подход см. вопрос №15.
36
32. Аналитические («левополушарные») и синтетические («правополушарные») типы информационных процессов
↑↑↑
Это далёкая отсылка к сравнению аналитического математического метода моделирования и имитационного математического метода моделирования. Отсюда можно сделать соответствующие рассуждения, а ещё посмотреть вопрос №31.
37
33. Классификация информации
↑↑↑
Информацию можно разделить на виды по различным критериям:
по способу восприятия:
Визуальная — воспринимаемая органами зрения.
Аудиальная — воспринимаемая органами слуха.
Тактильная — воспринимаемая тактильными рецепторами.
Обонятельная — воспринимаемая обонятельными рецепторами.
Вкусовая — воспринимаемая вкусовыми рецепторами.
по форме представления:
Текстовая — передаваемая в виде символов, предназначенных обозначать лексемы языка.
Числовая — в виде цифр и знаков, обозначающих математические действия.
Графическая — в виде изображений, предметов, графиков.
Звуковая — устная или в виде записи и передачи лексем языка аудиальным путём.
по назначению:
Массовая — содержит тривиальные сведения и оперирует набором понятий, понятным большей части социума.
Специальная — содержит специфический набор понятий, при использовании происходит передача сведений, которые могут быть не понятны основной массе социума, но необходимы и понятны в рамках узкой социальной группы, где используется данная информация.
Секретная — передаваемая узкому кругу лиц и по закрытым (защищённым) каналам.
Личная (приватная) — набор сведений о какой-либо личности, определяющий социальное положение и типы социальных взаимодействий внутри популяции.
по значению:
Актуальная — информация, ценная в данный момент времени.
Достоверная — информация, полученная без искажений.
Понятная — информация, выраженная на языке, понятном тому, кому она предназначена.
Полная — информация, достаточная для принятия правильного решения или понимания.
Полезная — полезность информации определяется субъектом, получившим
информацию в зависимости от объёма возможностей её использования.
по истинности:
истинная
ложная
Также информацию можно классифицировать по содержанию, структуре и форме, а также ещё множеству различных признаков.
38
34. Характерные черты информационных процессов с положительной обратной связью
↑↑↑
Обратная связь – это такое поведение системы, при котором выходные данные процесса функционирования системы влияют на входные данные.
Положительная обратная связь — тип обратной связи, при котором изменение выходного сигнала системы приводит к такому изменению входного сигнала, которое способствует дальнейшему отклонению выходного сигнала от первоначального значения.
Положительная обратная связь ускоряет реакцию системы на изменение входного сигнала, поэтому её используют в ситуациях, когда требуется быстрая реакция в ответ на изменение внешних параметров. В то же время положительная обратная связь приводит к неустойчивости и возникновению качественно новых (автоколебательных) систем.
Отрицательная обратная связь (ООС) — вид обратной связи, при котором изменение выходного сигнала системы приводит к такому изменению входного сигнала, которое противодействует первоначальному изменению.
Иными словами, отрицательная обратная связь — это такое влияние выхода системы на вход («обратное»), которое уменьшает действие входного сигнала на систему.
Характерные черты процессов с положительной обратной связью:
случайный характер и малая сила внешнего толчка, необходимого для запуска этого процесса;
продолжение процесса не нуждается во внешних стимулах, независимость от них;
этот процесс необратим, его невозможно остановить (вернуться в исходное состояние);
склонность к взаимодействию и взаимовозбуждению;
образование «отрицательной индукции», «зоны торможения», когда в процесс вовлечено всё, что может быть вовлечено, и вокруг остаётся некая пустота.
39
35. Кибернетическая модель нервной сети в качестве информационной системы
↑↑↑
Кибернетическая модель нервной сети в качестве информационной системы представляется искусственными нейронными сетями.
Искусственные нейронные сети (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы.
ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развитиявычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.
Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.
40