Добавлен: 06.12.2023
Просмотров: 75
Скачиваний: 3
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
2.1.2. Решение
Были отобраны 425 показателей. Технологии ФОС производят системное знание, которое представлено семейством моделей форм воплощения эталонов системы и реконструкциями состояний объектов наблюдения. Каждая модель форм воплощения эталона воспроизводит структурный инвариант, выражающий различные формы реализации в наблюдениях какого-то одного уникального качества системы.[4]
Построение модели идентификации годных и негодных ППИ осуществляется за три этапа, каждый из которых состоит из последовательности шагов (рис. 1).
Рис. 4.
Каждая модель форм воплощения эталона системы задает определенную область в признаковом пространстве системы, координаты которой отвечают ключевым показателям модели. Эта область включает объекты, принадлежащие кластеру модели. Ключевые показатели модели характеризуют внутреннюю общность объектов кластера через системный механизм, свойственный только этим объектам. Отбор правил осуществляется с целью уменьшения числа показателей, участвующих в процедуре идентификации.[4]
Осуществляется отбор правил с целью уменьшения числа показателей, участвующих в процедуре идентификации. Алгоритм отбора заключается в последовательном исключении правил из набора, построенного на втором этапе для каждого класса ППИ. На каждом шаге алгоритма по реконструкциям состояний устанавливается правило, удаление которого из полного набора правил приводит к уменьшению общего числа показателей в наборе, но не уменьшает число верно идентифицированных объектов. [4]
В результате работы алгоритма отбора найдено минимальное число показателей (109), обеспечивающих однозначную классификацию объектов первого класса. Число классификационных правил в этом случае равно 133. На рис. 3 представлены графики зависимости от числа правил: числа показателей в таких наборах правил (рис. 5, а); точности классификации, обеспечиваемой такими правилами (рис. 5, б); среднего числа правил на один ППИ (рис. 5, в); средней поддержки правил на объект (рис. 5, г). [4]
Рис. 5. Графики зависимости разных параметров от числа правил.
2.1.3. Результат
Выполнен алгоритм отбора, в результате работы которого найдено минимальное число показателей, обеспечивающих однозначную классификацию объектов первого класса. Отбраковка ППИ осуществляется на базе модели идентификации классов годности ППИ.
2.2. Естественная Системная Классификация На Основе Онтологии
2.2.1 Введение
В классификации доминируют два подхода. Первый подход – формально-рациональный, дескриптивный, экстенсиональный. Он порождает искусственные классификационные системы, которые не входят вглубь онтологической проблемы объекта исследования. Второй подход – предметно-содержательный, сущностный, структурный, интенсиональный. Этот подход нацелен на построение естественных классификационных систем на основании имеющихся концептуально-теоретических представлений.
2.2.2. Концепция естественного классифицирования
Для решения общей проблемы построения классификационных систем требуется предложить новую концепцию рационального классифицирования на базе научно достоверных онтологических оснований, выражающих основные закономерности и существенные свойства классифицируемых объектов. Общая задача естественной системной классификации (далее – ЕСК) в сложных предметных областях решена воспроизводимым методом, разработанным на идеях многомерной знаниецентрической системной аналитики ФОС.
Основным направлением развития информационных и когнитивных технологий становится наука о данных. Ее главными составляющими в настоящее время являются: машинное обучение (англ. machine learning), предсказательное моделирование (англ. predictive models), статистическое обучение (англ. Statistical learning), вероятностное моделирование (байесовские сети и сети Маркова).
ФОС производит научно достоверное логически непротиворечивое знание об общей онтологии систем, имеющее вычислимую степень достоверности, анализирует правильность, полноту, завершенность полученного знания. Знание, извлекаемое из данных методами ФОС, образует теорию, на основе которой формируется новая многомерная системная знание-центрическая аналитика.
Концепция естественного классифицирования на базе знания общей онтологии «Системы КП» исходит из трех идей:
-
классифицируемые объекты (далее – референты КП) обладают на онтологическом уровне смысловым единством; -
ФОС обеспечивает познание, научное понимание и рациональное объяснение общей онтологии «Системы КП»; -
онтологическое знание о «Системе КП» имплицитно содержит знание об онтологии каждого класса КП и онтологии КП в целом.
В основу метода ЕСК положены:
-
принцип естественности (классы объединяют объекты, сходные по своей природе); -
принцип системности (КП обладает единством целого, имеющего общее онтологическое основание); -
принцип двойственности классификации (КП имеет двухкомпонентную структуру – интенсиональную и экстенсиональную).
На основе общей онтологии системы были открыты закономерности и правила естественной системной классиологии. Метод ЕСК эксплицирует знание об общей онтологии «Системы КП» в общесистемное знание о предметной онтологии классификационной задачи, используя для этого только исходную информацию о принадлежности референтов КП к определенным классам. При переходе в предметную онтологию задачи метод использует элементы знания общей онтологии системы: реконструкции состояний системы (СМР); модели собственных качеств системы (СМ), эталоны, модели форм воплощений эталонов. В предметной онтологии задачи ядра эталонов становятся объектами метода – ядерностями, системными гомологами. Значения признаков референтов, исходно заданные представлением «Системы КП» в форме системы в данных, также становятся объектами метода – аспектами знания, уровнями значений, установленными самой системой через СМР, выступающей в роли производящей функции системы. Сопряженность и доминирование ядерностей и уровней значений признаков в классах КП проявляют имплицитную связь общей онтологии системы с предметной онтологией задачи.
2.2.3. Выводы
Естественная системная классиология, воплощенная в методе ЕСК, открывает возможности глубокого системного исследования проблем построения правильных, научно понятых, рациональных классификаций в сложных предметных областях на основе автоматически извлекаемого и применяемого знания без обращения к экспертному знанию, субъективному анализу и интерпретациям.
2.3. Естественная классификация острых отравлений фосфорорганическими веществами
2.3.1. Целевая задача
Сложность классификации острых отравлений фосфорорганическими веществами обусловлена вариабельностью клинической картины, сходством симптомов поражений и механизмов развития. Естественная классификация основана на объективной онтологии острых отравлений. Задача построения научно достоверной классификации решена на основе методов, разработанных в рамках физики открытых систем.[7]
2.3.2. Решение
Решение задач естественной классификации осуществляется поэтапно. На первом этапе производится системное знание, относительно которого утверждается, что знание об онтологии КП содержится в онтологическом знании о системе. На втором этапе системное знание эксплицируется в знание о классах и КП. Знание о системе и знание о КП развертываются на двух уровнях: смысловом (интенсионал); объектно-эмпирическом (экстенсионал). [7]
КП в референтах рассматривается в качестве исходной объективной информации для решения задачи классификации. Из этого представления создается исходное эмпирическое описание системы, которое включает описания всех объектов классификации, но не содержит признаков принадлежности объектов к классам. Такое описание выступает носителем сущностных свойств системы, детерминирующих сходство и различие классов, проявляющихся в изменчивости показателей.[7]
На этапе экспликации интенсионал КП раскрывается в опоре на имплицитную связь онтологии системы и онтологии КП, выраженную в положениях о гомологичности, доминантности, совместимости, частотности и референтной соотнесенности, а экстенсионал КП строится на идеях прототипичности и сходности.
Гомологичность распространяет смысл системных гомологов на инвариантную часть форм воплощения эталонов (ядерность). Доминантность проявляет способность системных гомологов различить классы. Совместимость гарантирует проявление системных гомологов в чистом виде на группах референтов класса. Частотность задает меру характерности системных гомологов для класса. Референтная соотнесенность определяет номинативную функцию системных свойств каждого конкретного класса.
Прототипичность устанавливает для каждого класса идеальный объект, обладающий характерными свойствами данного класса. Сходность вводит гомоморфизм между прототипом и объектами класса.
Основным результатом метода ФОС и метода системной классификации являются онтологическое знание о системе и онтологическое знание о КП. Оценки значимости, полноты, завершенности, правильности полученного знания об онтологии системы образуют аксиологическое знание. Оценки объема, глубины и качества построенной онтологии классов входят в оценочный компонент КП. [7]
Для каждого класса определена морфология, в соответствии с которой его референты распределены по областям. Границы областей задают меру таксономической близости объектов к конкретному классу. В структуре каждого класса выделяются: центр; ядро и околоядерная область; ближняя и дальняя периферии; смежная область. Центром является репрезентант класса. Ядерную (Я) и околоядерную (О) области образуют объекты, имеющие наибольшее число общих прототипических характеристик. Такие объекты, несомненно, принадлежат своему классу. Объекты из ближней периферии (Б) характеризуются большим разнообразием признаков, однако все эти объекты подчиняются системным закономерностям, свойственным соответствующему классу. Изменчивость объектов дальней периферии (Д) объясняется не только их принадлежностью к конкретному классу, но также их тяготением к другим классам. Смежная область (С) содержит объекты, принадлежность которых к данному классу сомнительна. Смежная область формируется для КП в целом. В ней для объектов каждого класса допустимы три подобласти. Первая смежная подобласть включает референты, меры сходства которых с репрезентантами классов не определяют их принадлежность к какому-либо определенному классу. Вторая смежная подобласть охватывает референты, для которых меры сходства подтверждают их принадлежность к своему классу, а также устанавливают их близость к одному или большему числу других классов. Третья смежная подобласть содержит референты, для которых меры сходства не подтверждают собственный класс референтов, но выявляют их близость к одному или большему числу других классов.
2.3.3. Результат
Полученные результаты раскрывают интенсиональный и экстенсиональный аспекты классов фосфорорганических веществ, эффекты воздействия которых характеризуются мультифакториальным генезом и полиморфизмом клинической симптоматики. Эти результаты создают научную базу для решения сложных проблем дифференциальной диагностики острых отравлений фосфорорганическими веществами. [7]
В Intel ускорили тестирование микросхем с помощью Hadoop
Специалисты Intel разработали систему прогнозной аналитики, способную, по их оценкам, сократить продолжительность тестирования микропроцессоров на 25% и принести экономию корпорации в 30 млн долл. за год. Система сложной серии тестов на основании технологии больших данных для ускорения принятия решений проверяет каждый чип. Intel внедрили платформу состоящую из Apache Hadoop, с её помощью собирается информация и объединяются данные из разных источников. Так, по оценкам компании аналитическая платформа позволила сократить продолжительность аттестации готовы процессоров. Компания расширяет применение прогнозной аналитики в сочетании с извлечением сведений из больших данных. Одна из самых больших трудностей для организации – обработка больших объемов неструктурированных данных и извлечение полезных сведений из них. Новая система выполняет прогнозный анализ в реальном времени на основе данных с датчиков. В техпроцесс заложены идеи ФОС и построение аналитического ядра, которое строится на нем в итоге дало плодотворный результат. Согласно массачусетскому исследованию, компании, в которых решения принимают с помощью аналитических средств обычно на 5% более рентабельны, чем остальные.
3. Техническое предложение
3.1. Название проекта
Прогноз отказа чипов на основе системного знания, автоматически генерируемого из эмпирических данных, полученных в результате мониторинга производства.
3.2. Научный приоритет, конкретные задачи и ключевые проблемы
Научный приоритет: системный анализ онтологии техпроцесса производства и генерация научных реконструкций состояния чипов.
Приоритетная задача: анализ факторов, которые могут классифицировать чип как бракованный на основе эмпирических данных.
Ключевая проблема: моделирование системы, характеризующую этот процесс как целостную систему.
3.3. Обоснование соответствия тематики проекта научному приоритету