В этом случае вектор воздействий (ВОЗД(Т)), управляющих или возмущающих, рассматривается как переопределение полученных на стадии формирования опорной модели значений состояний отдельных формальных нейроконцептов. Учитывая то обстоятельство, что одной из приоритетных задач является исследование динамики поведения, предполагается, что возмущение задается в виде приращения (положительного или отрицательного) значения текущего состояния. Следует обратить внимание, что достаточно сложно определяется механизм работы с приращениями в рамках нечетких представлений. В настоящей статье предлагается специальный подход к организации вычислений, который будем обозначать, как «рейтинговые/процентные вычисления». В соответствии с указанным подходом, формируется рейтинговая таблица фазификации/дефазификации, в которой нечеткому представлению переменных ставится в соответствии четкий числовой интервал (верхняя граница - нижняя граница - медианная точка).
В этом случае традиционное задание на моделирование в виде нечеткого высказывания «ввести небольшое улучшение значения параметра «Себестоимость» адекватно может быть сформулирована, как рейтингово - процентное высказывание «ввести улучшение показателя себестоимость на 4%». Очевидно, что рейтингово-процентная оценка для эксперта не менее естественна, чем расплывчатые оценки типа «значение себестоимости несколько улучшилось» или «значение себестоимости стало очень плохим». Другими словами, эксперту с достаточной степенью удобства и наглядности привычно манипулировать рейтинговыми оценками, хотя они, конечно, в большей степени являются количественными, чем качественными (т.е. рейтинговая оценка является индивидуальной числовой оценкой качественного показателя).
Строго говоря, предлагаемый механизм рейтинговых вычислений не соответствует классическому подходу в концепциях нечеткого моделирования. Тем не менее, учитывая определенный уровень условности обоих механизмов, можно считать адекватными оба подхода.
Учитывая высокую степень условности и субъективности когнитивных процессов и оценок, важную роль играют степень наглядности и информативности представления результатов моделирования. В соответствии с этим предлагается реализация вычислительного механизма, обозначаемого как вычисление по трем точкам. Данный механизм предусматривает формирование заданий на расчет/анализ в формально - когнитивных нейросистемах, выполнение вычислений и представление результатов выполняется не в виде единого значения, а в виде тройки оценок (пессимистическое - минимальное; оптимистическое - максимальное; наиболее ожидаемое - медианное). Представление результата в виде трех значений в наибольшей степени подходит для экспертного анализа в действительно расплывчатых ситуациях.
Необходимость реконструкции модели обуславливается получением неадекватных результатов. Очевидно, что указанная неадекватность может быть определена путем соотнесения результатов моделирования с некоторыми реальными представлениями, которые могут быть в т.ч. и формальными составляющими.
Таким образом, формальную составляющую в описываемой модели предлагается использовать не только для определения значения выходного потенциала и состояния нейроконцепта, но и для анализа корректности модели. Данная процедура основана на вычислении «невязки»:
еI1(tK) = |п_квI1(tK) - п_кфI1(tK) |
Превышение некоторого допустимого предела, т.е. выполнение соотношения
еI1(tK) - еДОП| ? 0
означает необходимость корректировки моделей (здесь еДОП - допустимая невязка).
При реализации комплекса формирования и исследования ФКНС, основные конструкционные элементы ФКНС рассматриваются как элементы систем авторегулирования с исполнением моделирования в среде SimInTech [8].
Серьезной проблемой, подлежащей отдельному рассмотрению, является организация первичной (опорной) структуры ФКНС при больших объемах данных (в том числе - при наличии большого объема формальных нейроконцептов), при которых является невозможной или недостаточно эффективной обработка данных экспертов ручными методами. Для решения указанной задачи, связанной с необходимостью классификации и кластеризации пространства формируемых формальных нейроконцептов, предусматривается использование биоинспирированных алгоритмов фильтрации и классификации в рекомендательных системах [9], [10].
Список литературы
1.Колоденкова А.Е. Построение системы когнитивных моделей и методов анализа реализуемости проекта по созданию информационно - управляющих систем для атомных станций / А.Е. Колоденкова // Глобальная ядерная безопасность - 2016. - №3(20), С. 43 - 50.
2.Кулинич А.А. Когнитивная система поддержки принятия решений “Канва” / А.А Кулинич // Программные продукты и системы. -2002. - №3. - С. 23 - 27.
3.3.Нагорная Н.В. Экономика энергетики: учеб. пособие / Н.В. Нагорная; - Владивосток: Изд-во ДВГТУ. 2007. - 157 с.
4.Guzik V.F. Fuzzy Cognitive Maps Considering Real Parameters of Simulated Systems / V.F. Guzik, A.S. Gamisonia, S.A. Chernyj, A.V. Shestakov // International Journal of Innovation, Creativity and Change. -2019. - Volume 7, Issue - P. 153 - 160.
5.Павлов А.Н. Методы обработки экспертной информации: учебно - методическое пособие / А.Н. Павлов, Б.В. Соколов Б.В. // СпБ: ГУАП, 2005. - 42 с.
6.Функции активации в нейронных сетях [Электронный ресурс]. - URL: http://www.aiportal.ru/articles/neural-networks/activation-function.html
7.Гузик В.Ф. Модели нейронов с памятью состояния для организации нейроэволюционных вычислений / Гузик В.Ф., С.А. Черный, А.В. Шестаков // Научный журнал КубГАУ. - 2017 ? № 133(09) ? С. 467 - 474.
8.Карташов Б.А. Среда динамического моделирования технических систем SimInTech / Б.А, Карташов, Е.А. Шабаев, О.С. Козлов, А.М. Щекатуров ? Москва: ДМК Пресс, 2017. - 423 с.
9.О.Н. Родзина. Гибридная модель и биоинспирированный алгоритм фильтрации для рекомендательных систем. Труды Международного научно-технического конгресса «Интеллектуальные системы и информационные технологии - 2019» («ИС & ИТ-2019», «IS&IT'19»). Научное издание в 2-х т. / Родзина О.Н., Гинис Л.А., Родзина Л.С., А.В. Шестаков А.В.. - Таганрог: Изд-во Ступина С.А., 2019. - С. 234 - 236
10.С.И. Родзин Теоретические вопросы и современные проблемы развития когнитивных биоинспирированных алгоритмов оптимизации (обзор) / Родзин С.И., Курейчик В.В. Кибернетика и программирование. - 2017. - № 3. - С. 51 - 79.
References
когнитивный моделирование формальный
1.Kolodenkova A.E. Postroenie sistemy kognitivnyh modelej i metodov analiza realizuemosti proekta po sozdaniyu informacionno - upravlyayushchih sistem dlya atomnyh stancij [Building a system of cognitive models and methods for analyzing the feasibility of a project to create information management systems for nuclear plants] / A.E. Kolodenkova // Global'naya yadernaya bezopasnost' [Global Nuclear Safety] - 2016. - №. 3 (20), P. 43 - 50. [in Russian]
2.Kulinich A.A. Kognitivnaya sistema podderzhki prinyatiya reshenij “Kanva” [Cognitive decision support system “Canva”] / A.A Kulinich // Programmnye produkty i sistemy [Software products and systems]. -2002. - № 3. - P. 23 - 27. [in Russian]
3.Nagornay N.V. Ekonomika energetiki: ucheb. posobie [Energy Economics: Textbook. Allowance] / N.V. Nagornay - Vladivostok: Publishing House DVGTU - 2007. - P 157 . [in Russian]
4.Guzik V.F. Organisation of Fuzzy Cognitive Maps Considering Real Parameters of Simulated Systems / V.F. Guzik, A.S. Gamisonia, S.A. Chernyi, A.V. Shestakov // International Journal of Innovation, Creativity and Change. - 2019. - Vol 7, Issue 12, - P. 153 - 160.
5.Pavlov A.N. Metody obrabotki ekspertnoj informacii: uchebno - metodicheskoe posobie [Methods for processing expert information: teaching aid] / A.N. Pavlov, B.V. Sokolov - St. Petersburg: GUAP, 2005. - 42 p. [in Russian]
6.Funkcii aktivacii v nejronnyh setyah [Activation functions in neural networks] [Electronic resource]. - URL: http://www.aiportal.ru/articles/neural-networks/activation-function.html. . [in Russian]
7.Guzik V.F. Modeli nejronov s pamyat'yu sostoyaniya dlya organizacii nejroevolyucionnyh vychislenij [Neuron models with state memory for organizing neuroevolutionary computing] / V.F. Guzik, B.V. S.A. Chernyj, A.V. Shestakov Nauchnyj zhurnal KubGAU [Scientific journal KubSAU]. - 2017. - № 133 (09) -P. 467 - 474 [in Russian]
8.B.A. Kartashov Sreda dinamicheskogo modelirovaniya tekhnicheskih sistem SimInTech [Medium of dynamic modeling of technical systems SimInTech] / Kartashov B.A., Shabaev E.A., Kozlov O.S., Shchekaturov A.M - M.: DMK Press, 2017. - 423 p. [in Russian]
9.Rodzina O.N. Gibridnaya model' i bioinspirirovannyj algoritm fil'tracii dlya rekomendatel'nyh sistem. Trudy Mezhdunarodnogo nauchno - tekhnicheskogo kongressa «Intellektual'nye sistemy i informacionnye tekhnologii - 2019» («IS & IT-2019», «IS&IT'19»). Nauchnoe izdanie v 2-h t. [Hybrid model and bio - inspired filtering algorithm for recommendation systems. Proceedings of the International Scientific and Technical Congress “Intelligent Systems and Information Technologies / . - 2019” (“IS & IT-2019”, “IS & IT'19”). Scientific publication in 2 volumes T. 1. ] / O.N. Rodzina, L.A. Ginis, L.S. Rodzina, A.V. Shestakov // Taganrog: Izd-vo Stupina S.A. [Publishing house Stupina S.A.]. - 2019 .--P. 234 - 236 [in Russian]
10.Rodzin S.I. Teoreticheskie voprosy i sovremennye problemy razvitiya kognitivnyh bioinspirirovannyh algoritmov optimizacii (obzor) [Theoretical questions and modern problems of the development of cognitive bio-inspired optimization algorithms (review)] / Rodzin S.I., Kureichik V.V // Kibernetika i programmirovanie. [Cybernetics and programming]. - 2017. - №. 3. - P. 51 - 79. [in Russian].