WWW.PDF.KNIGI-X.RU
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - Разные материалы
 

Pages:   || 2 | 3 | 4 | 5 |   ...   | 7 |

«МЕТОДОЛОГИЯ СОЗДАНИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И СИСТЕМ НА ОСНОВЕ ПАРАДИГМЫ ПРЕДЕЛЬНЫХ ОБОБЩЕНИЙ ...»

-- [ Страница 1 ] --

НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК УКРАИНЫ

ГОСУДАРСТВЕННОЕ КОСМИЧЕСКОЕ АГЕНТСТВО УКРАИНЫ

ИНСТИТУТ ТЕХНИЧЕСКОЙ МЕХАНИКИ

На правах рукописи

УДК 004.9

ПРОКОПЧУК Юрий Александрович

МЕТОДОЛОГИЯ СОЗДАНИЯ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ

И СИСТЕМ НА ОСНОВЕ ПАРАДИГМЫ ПРЕДЕЛЬНЫХ

ОБОБЩЕНИЙ

Специальность 05.13.06 – Информационные технологии Диссертация на соискание ученой степени доктора технических наук

Научный консультант Алпатов Анатолий Петрович д-р техн. наук, профессор Днепропетровск - 2016 СОДЕРЖАНИЕ ПЕРЕЧЕНЬ УСЛОВНЫХ СОКРАЩЕНИЙ……………………………….. 6 ВВЕДЕНИЕ………..……………………………………………..………...… 7

РАЗДЕЛ 1. КОГНИТИВНО-СИНЕРГЕТИЧЕСКИЙ ПОДХОД К

СОЗДАНИЮ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И СИСТЕМ.…… 24

1.1 Когнитивный вызов и информационные технологии………………..... 24

1.2 Проблемы и нерешенные задачи создания информационных технологий и систем в рамках когнитивно-синергетического подхода…. 27

1.3 Категоризация – ядро процессов познания……………………………. 32

1.4 Концепция парадигмы предельных обобщений.….…………………... 36

1.5 Выводы по разделу 1 и постановка задач исследования…..………….. 38 РАЗДЕЛ 2. РАЗРАБОТКА ЯЗЫКА ЗАДАЧ ВЫСОКОГО УРОВНЯ……. 41

2.1 Алгоритмический подход………………………………………………... 41

2.2 Подход на основе баз знаний ……………………

2.3 Язык задач на основе ППО ……………………………………………… 44

2.4 Выводы по разделу 2…………………………………………………….. 60 РАЗДЕЛ 3. МОДЕЛИ БАЗОВЫХ СУЩНОСТЕЙ………………………… 61

3.1 Элементарные тесты, орграфы значений тестов……………………..... 61

3.2 Орграфы и конфигураторы доменов тестов …………………………… 73

3.3 Орграфы набросков образов, явлений, ситуаций ……………………… 85 3.3.1 Определения и некоторые свойства орграфов набросков…………… 86 3.3.2 Примеры орграфов набросков……………………………………….... 90 3.3.3 Некоторые закономерности динамики активности на орграфах набросков……………………………………………………………………… 95 3.3.4 Схемы формирования и актуализации орграфов набросков………… 97

3.4 Критические наброски ………………………………………………....... 101

3.5 Модели знаний первого уровня …………………..…………………….. 106

3.6 Системопаттерны и системокванты …………………..………………... 111

3.7 Структурная энергия и некоторые ее свойства ………………………... 115 3.7.1 Элементарные когнитивные осцилляторы………………………….... 115 3.7.2 Перколяция энергии……………………………………………………. 119 3.7.3 Энергетический ландшафт и фазовое пятно…………………………. 120 3.7.4 Масштабируемая гиперболичность ментального пространства…….. 122

3.8 Выводы по разделу 3……………………………………………………... 123

РАЗДЕЛ 4. ИНЖЕНЕРИЯ И ПРИЛОЖЕНИЯ ОРГРАФОВ ДОМЕНОВ И

НАБРОСКОВ………………………………………………………………… 125

4.1 Модификации орграфов доменов тестов …………

4.1.1 Вероятностные орграфы доменов тестов…………………………….. 125 4.1.2 Нечеткие орграфы доменов тестов……………………………………. 127 4.1.3 Квантовоподобное представление орграфов доменов, набросков….. 128

4.2 Информационные портреты доменов тестов ………………………….. 132

4.3 Сходство прецедентов …………………………………………………… 134

4.4 Инженерия орграфов доменов тестов …………..…………………….... 137 4.4.1 Операции над орграфами доменов……………………………………. 137 4.4.2 Каноническое представление орграфа доменов……………………… 143 4.4.3 Замыкание, верхний и нижний пределы множества данных……….. 146 4.4.4 Энтропийные характеристики орграфов доменов…………………… 149

4.5 Базы данных насыщенные семантикой, смыслом …………………….. 156

4.6 Анализ временных рядов. Пространство событий …………………..... 159

4.7 Восприятие как предвосхищение……………………………………….. 167

4.8 Эмоции и их роль в категоризации……………………………………… 169

4.9 Выводы по разделу 4…………………………………………………….. 172

РАЗДЕЛ 5. ЗАКОНОМЕРНОСТИ, МОДЕЛИ ЗНАНИЙ И

ФУНКЦИОНАЛЬНЫЕ СИСТЕМЫ………………………………………... 173

5.1 Идеальные и вероятностные закономерности, синдромы ……………. 173

5.2 Модели знаний на основе закономерностей…………..……………….. 179

5.3 Модели спонтанной когнитивной динамики………………...……….... 194

5.4 Динамика внутреннего опыта в познавательной деятельности………. 197

5.5 Управление собственными формами и ансамблями форм……………. 202

5.6 Функциональные системы и среды радикалов……………………….... 204

5.7 Концепции «коннектома» и «континуума задач» применительно к ИС……………………………………………………………………………… 210

5.8 Модули компетентности…………………………………………………. 217

5.9 Выводы по разделу 5……………………………………………………... 219

РАЗДЕЛ 6. ЭВОЛЮЦИОННО-ДЕЯТЕЛЬНОСТНЫЙ ПОДХОД К

РАЗРАБОТКЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И СИСТЕМ….... 221

6.1 Спиральная когнитивная метадинамика………………………………... 221

6.2 Синдромный принцип управления и принятия решений……………… 224 6.2.1 Феноменология синдромного управления………………………….... 224 6.2.2 Общая характеристика классов задач……………………………….... 229 6.2.3 Совместимость синдромов…………………………………………….. 239

6.3 Набросок модели целенаправленной деятельности в контексте ИТ….. 243

6.4 Выводы по разделу 6……………………………………………………... 253

РАЗДЕЛ 7. ПРИКЛАДНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ В

РАЗЛИЧНЫХ ПРЕДМЕТНЫХ ОБЛАСТЯХ………………………………. 255

7.1 Масштабируемый анализ формальных понятий и его применение к созданию сервисов ИС……………………………

7.2 Технологический аудит на основе ППО………...…

7.3 Многоцелевой банк знаний: архитектура и реализация………………. 266

7.4 Госпитальные и телемедицинские системы. Региональные сетевые кластеры………………………………………………………………………. 274

7.5 Выводы по разделу 7…………………………………………………….. 279 ВЫВОДЫ……………………………………………………………...…….... 280 СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ………………………… 285 ПРИЛОЖЕНИЕ А. Материалы о внедрении результатов работы………... 328 ПРИЛОЖЕНИЕ Б. Доказательства некоторых утверждений …………...... 358 ПРИЛОЖЕНИЕ В. Связь ППО с теорией индукторных пространств……. 371 ПРИЛОЖЕНИЕ Г. Особенности анализа и синтеза текста.

Информационная избыточность. Алгоритм синдромного управления…... 375 ПРИЛОЖЕНИЕ Д. Некоторые способы формирования доменов и конфигураторов тестов………………………………………………………. 383 ПРИЛОЖЕНИЕ Е. Программно-технические комплексы диагностики и реабилитации……………………………………………………………….... 413 ПРИЛОЖЕНИЕ Ж. Концептуализация предметной области.

Формализованный профессиональный язык и лексический процессор….. 420 ПРИЛОЖЕНИЕ З. Модели рефлексивных информационных систем….... 435

ПЕРЕЧЕНЬ УСЛОВНЫХ СОКРАЩЕНИЙ

–  –  –

Актуальность темы.

Развитие информационного общества, переход к обществу знаний вместе с масштабным внедрением Интернет требуют создания широкого спектра интеллектуальных информационных технологий, в частности биологически инспирированных интеллектуальных информационных технологий (ИТ), частью которых являются когнитивные технологии.

Когнитивные технологии - это технологии изучения процесса познания (мышления) и технологии применения знаний об этом процессе. Примером могут служить когнитивные технологии IBM, которые предполагают создание когнитивных компьютеров и целой экосистемы когнитивных вычислений - технологий будущего, способных взаимодействовать с людьми более естественно. Аналогичные проекты реализуют корпорации Google, Microsoft и другие. В случае успеха проектов родится принципиально новый класс когнитивных информационных систем с многочисленными практическими приложениями во всех областях человеческой деятельности, а также появятся новые области промышленности.

Учитывая стратегическое значение знание-ориентированных (когнитивных) ИТ, во всем мире интенсивно проводятся исследования с целью поиска новых подходов (парадигм) к созданию ИТ на базе биологически инспирированных когнитивных архитектур. Среди наиболее известных подходов/парадигм можно выделить шесть: квантовый, оптикоголографический, нейросетевой, гетерохимический, знаково-символический и когнитивно-синергетический. В этой связи можно отметить работы Г. Хакена, Р. Пенроуза, Дж. Едельмана, А. Ньюэлла, Дж.С. Шоу, Г.А. Саймона, Дж. Тонони, Б. Баарса, Ст. Дехане, С. Сеунга, К. Элиасмита, Дж. Хокинса, К.В. Анохина, Н.Н. Амосова, М.Ф. Бондаренко, Ю.П. Шабанова-Кушнаренко, В.И. Васильева, С. Н. Эш, Ю.Р. Валькмана, Г.Г. Малинецкого, В.Г. Редько, Г.С. Осипова, А. Самсоновича.

Специфика когнитивно-синергетического подхода к созданию ИТ заключается в необходимости объединения генетического, функционального, структурного, эволюционного и деятельностного подходов, т.е. изучение развития, а не только структуры или функции. В этой связи необходимо учесть такие свойства как когерентность и рефлексивность процессов, которые дополняют концепцию синергетики. При этом когерентность понимается более широко, чем в физике, а именно такая согласованность взаимодействия элементов, которая проявляется в масштабе всей системы.

Включение в орбиту исследований сложных, эволюционирующих и самоорганизующихся информационных систем ставит задачу эффективной организации и самоорганизации самого знания, в котором и производятся соответствующие механизмы, реализующиеся через усиление координирующих, критических и регулирующих функций рефлексий. На первый план исследования выходит критичность как ключевая категория нелинейного мира. Таким образом, информационная система появляется как своеобразный инвариант во взаимодействиях, которые варьируются. А усложнение системы в ходе развития выступает как изменение одного инварианта другим, как процесс перехода от одного типа саморегуляции к другому. Концепция критичности позволяет соединить те концепции сложности, которые возникли в последние десятилетия в естественных науках, в частности, синергетику Г. Хакена, теорию диссипативных структур И. Пригожина, самоорганизованную критичность П.Бака, кибернетику второго порядка Х. фон Ферстера, теорию аутопойезиса Ф. Варелы, У. Матураны и Н. Лумана.

Важной спецификой и трудностью когнитивного подхода является мультипарадигмальность и трансдисциплинарность, т.е. объединение разных формализмов непрерывного, нечеткого, интервального, (дискретного, фрактального, p-адического, вероятностного, квантового, сетевого) и разных дисциплин: когнитивной лингвистики и психологии, нейрофизиологии, информатики и искусственного интеллекта, системологии, теории принятия решений, эпистемологии, прикладных дисциплин (образования, медицины, экономики, робототехники и т.д.). В этой связи следует отметить работы Н.В. Шароновой, Н.Н. Будника, А.П. Алпатова, А.С. Коваленко, Л.С. Файнзильберга, Н.А. Соколовой, Д.И. Дубровского, Д. Деннета, П. Тагарда, А.Г. Ивахненко, Дж. Клира, К. Поппера, Ж. Пиаже, А.И. Шевченко, Э.Г. Петрова, Т. Саати, В.Е. Ходакова, Г.Ф. Кривули, О.И. Ларичева, Дж. Лакоффа, А.Ю. Хренникова, J. F. Sowa, Д.Г. Досина, В.В. Литвина, Ю.В. Никольского, В.В. Пасичника, А.И. Поворознюка, М.И. Васюхина, Н.Н. Куссуль, М.И. Шлезингера, С.А. Субботина.

Применение концепции растущих пирамидальных сетей к формированию знаний в информационных системах рассматривалось в работах В.П. Гладуна, Ю.А. Белова, З.Л. Рабиновича. Знаниеориентированные онтолого-управляемые информационные системы рассматривались в работах Палагина А.В., Петренко Н.Г. и других.

Важной компонентой перспективных информационных систем считается подсистема смыслопорождения (sensemaking). Sensemaking определяется как процесс создания осведомленности в ситуациях неопределенности. Примеры систем: IBM’s Sensemaking System, The Подсистема Sensemaking platform, Smart Sensemaking Systems.

смыслопорождения присуща субъекту, который познает. Модули смыслопорождения играют роль базовых компонентов систем поддержки принятия решений и управления в условиях сильной неопределенности, недостаточности данных и непредсказуемости внешних воздействий.

Методы моделирования, разработки систем смыслопорождения и возникновения рассматривались в роботах K Weick, R.F. Hoffman, D.K. Leedom, J. Odell, D. Chalmers, G. Kampis, F. Heylighen, J. Bollen, H. von Foerster. Близкие вопросы формализованного представления знаний рассматривались в работах И.Б. Сироджи, Л.Заде, В.В. Голенкова, А.С. Клещева, А.Ф. Кургаева, О.В. Бисикало.

Проблемы разработки систем смыслопорождения тесно связаны с возможностью описывать и моделировать произвольные ситуации действительности и так называемые слабоформализованные процессы. Такие процессы особенно характерны для предметных областей с нечеткой системологией (А.В. Флегонтов, В.А. Дюк, И.К. Фомина), например медицины, образования, экономики и т.д. С позиций синергетического подхода вместо того, чтобы описывать поведение системы с помощью описания отдельных ее частей, нужно описывать поведение только параметров порядка, что обуславливает огромное информационное сжатие.

Считается, что человек владеет способностью автоматически определять параметры порядка произвольных ситуаций действительности и использовать эти параметры для управления. Найденные предпараметры и параметры порядка могут рассматриваться как внутренние коды системы.

Наличие инвариантных внутренних кодов и их использование - ключевая черта живых разумных систем и важно эту черту реализовать в ИТ (Г.Хакен, Д. Дубровский, Г. Малинецкий, В.Яхно).

Механизм формирования и использования инвариантных внутренних кодов положен в основу парадигмы предельных обобщений (ППО), как методологии системной реконструкции набросков когнитивной сферы на основе синергетической концепции критичности и ее применения для создания знание-ориентированных ИТ и систем, включая системы поддержки принятия решений (СППР).

Учитывая происходящие стратегические изменения в общем направлении развития информационных и информационно-управляющих систем, актуальным является научное обоснование и решение научноприкладной проблемы создания знание-архитектурно-ориентированных ИТ и систем в предметных областях с нечеткой системологией в условиях неопределенности на основе когнитивно-синергетической парадигмы.

Связь работы с научными программами, планами, темами.

ППО, методология создания знание-архитектурно-ориентированных ИТ и систем, СППР в условиях неопределенности, дефицита информации и ресурсов на основе ППО разрабатывались на протяжении 1991-2014 гг при выполнении НИР и хоздоговорных работ, в которых автор принимал участие как ответственный исполнитель или исполнитель разделов:

Институт технической механики НАН Украины и ГКА Украины по планам НАН Украины: методологии исследований “Разработка транспортных космических систем с учетом коммерциализации космической деятельности” (№ ГР 0101U001600); “Разработка комплексных моделей механики движения, функционирования и эффективности космических систем и системный анализ направлений инновационного развития ракетнокосмической техники Украины” ГР (№ 0106U001729); “Разработка методических основ системного анализа перспектив развития ракетнокосмической техники в Украине” (№ ГР 0111U001437); “Прикладные исследования для научно-методического, инженерного и информационного обеспечения разработки перспективных технических систем” (№ ГР 0112U001323); “Разработка технических средств реабилитации опорнодвигательного аппарата человека и интеллектуальных модулей для проведения медицинского мониторинга биомеханического состояния” (№ ГР 0101U001601); “Системное моделирование функционального состояния биомеханических антропоморфных систем, разработка программно технических средств мониторинга и реабилитации” (№ ГР 0106U001393);

“Создание и усовершенствование экспериментальных технических средств для диагностики и коррекции функционального состояния организма.

Разработка компьютерных моделей” (№ ГР 0109U000345); "Разработка методов диагностики и моделирования биомеханических антропоморфных систем в задачах реабилитации опорно-двигательного аппарата" (№ ГР 0196V009391); "Разработка компьютеризированных технических средств медицинской диагностики и терапии" (№ ГР 01940001887);

Украинский государственный химико-технологический университет МОН Украины: “Модели и методы интеллектуализации анализа и управления в критических предметных областях в условиях ограниченных ресурсов” (№ ГР 0109U004373); «Исследование путей использования информационных и компьютерных технологий при решении региональных проблем» (№ГР 0112U004341);

Украинский государственный НИИ медико-социальных проблем инвалидности МЗ Украины: роль компенсаторноОпределить адаптационных механизмов на основании медико-биологических, психофизиологических факторов в прогнозировании инвалидности и оценке реабилитационных возможностей инвалидов вследствие заболеваний сердечно-сосудистой системы” (№ ГР 0107U005099);

Национальная металлургическая академия МОН Украины:

“Методология управления предприятиями разных организационно-правовых форм и форм собственности” (№ ГР 0107U001146);

хоздоговорных работ и трудовых соглашений с:

ОАО «НИИ радиоэлектронных измерений» (г. Харьков): «Оценка точности измерений наземной станцией управления космическим аппаратом МС-2-8 командно-телеметрическая радиолиния, (совместная модернизированная) навигационных параметров космического аппарата EgyptSat-1 на основе результатов баллистического анализа» (№ 7-01/03-V-26и №7-01/03-V-27-07);

ГУ экономики Днепропетровской ОГА: «Создание Автоматизированной Системы Организационного Управления» (1999 гг), в частности - «Создание Региональной системы электронного документооборота» и АИС «СТАТИНФОРМ»;

Приднепровским научным центром НАН Украины и МОН Украины, научно-исследовательские работы по проектированию и созданию региональных ИС на базе Web-технологий по грантам мэра Днепропетровска (2003 – 2010гг): «Разработка технологий повышения эффективности реализации Комплексной программы социальной защиты ветеранов войны и труда г. Днепропетровска»; «Разработка комплексной технологии выявления и анализа факторов тревожности и агрессивного поведения среди школьников г. Днепропетровска»; «Разработка многоуровневой системы анализа и мониторинга Модели Благосостояния детей и подростков г.

Днепропетровска»; «Разработка и реализация программы внедрения высоких технологий в социальную сферу Днепропетровска»; «Создание городской автоматизированной системы управления образованием на базе системы "Ешкола"»; «Создание 1-й очереди типовой автоматизированной системы школа"»; «Создание межведомственной информационноЭлектронная аналитической системы мониторинга инвалидов и больных пожилого и старческого возраста, которые проживают одиноко»;

медицинскими учреждениями: Днепропетровским областным центром кардиологии и кардиохирургии - «Разработка и внедрение подсистем госпитальной и телемедицинской систем» (1996 - 2014 гг), «Создание единого регионального медицинского информационного пространства» (2002

- 2007гг), «Разработка и внедрение областного медико-социального регистра «Пороки сердца» (2004 - 2013гг); Медсанчастью Никопольского завода ферросплавов - «Разработка и внедрение подсистем автоматизированной системы управления МСЧ НЗФ» (1993 - 2005 рр); УкрГосНИИ МСПИ Разработка и внедрение электронной медицинской карты» (1997 - 2009 гг);

Клинической больницей Приднепровской железной дороги - «Разработка и внедрение информационных систем медицинского и экономического блоков» (1994 - 2010 гг); Днепропетровской городской клинической больницей №2 - «Разработка и внедрение подсистем автоматизированной системы управления поликлиникой» (1991 - 1997 гг); Днепропетровской областной детской клинической больницей - «Разработка и внедрение подсистем госпитальной ИС» (2001 - 2004 гг);

договоров о научно-техническом сотрудничестве с:

УкрГосНИИ медико-социальных проблем инвалидности МОЗ Украины (г. Днепропетровск): «Разработка программно-технических комплексов диагностики и реабилитации опорно-двигательного аппарата человека»

(№57/270-15); с Институтом патологии позвоночника и суставов им. проф.

М.И. Ситенко МОЗ Украины (г. Харьков) «Разработка методологических основ диагностики и реабилитации опорно-двигательного аппарата человека, создание и внедрение в медицинскую практику технических, программных и программно-технических комплексов диагностики и реабилитации»

с Клинической больницей №5 г. Днепропетровска:

(№57/266-15);

«Экспериментальная отработка новых методов диагностики и реабилитации опорно-двигательного аппарата человека» (№57/273-15); «Испытание макета тренажера для реабилитации позвоночника» (№57/282-15; №57/294-15).

Цель и задачи исследования. Целью исследования является решение важной научно-технической проблемы разработки методологии создания знание-архитектурно-ориентированных информационных технологий и систем, систем компьютерной поддержки решений, функционирующих в условиях неопределенности, ограниченных данных и ресурсов, способных взаимодействовать с людьми более естественным образом.

Для достижения поставленной цели необходимо решить такие задачи:

- провести анализ научно-методических основ создания знаниеархитектурно-ориентированных ИТ, СППР в предметных областях с нечеткой системологией, определить преимущества и ограничения когнитивно-синергетического подхода; обосновать применение ППО для создания ИТ и систем;

- провести анализ интуитивных компонентов и субъективных моделей в принятии решений, когнитивных механизмов и условий генезиса новых смыслов в профессиональной и творческой деятельности человека на основе синтеза достижений гуманитарных и естественных наук; исследовать общие закономерности логики трансформации смыслов в процессе категоризации и решения информационно-сложных, проблемных задач;

- исследовать и создать ИТ для разработки и внедрения баз данных, баз знаний, систем смыслопорождения и компьютерных СППР в автоматизированных системах и сетях на основе ППО;

- разработать теоретические и прикладные основы создания знаниеориентированных ИТ для автоматизации функциональных задач управления, анализа и оценки эффективности автоматизированных систем переработки информации и управления на основе ППО;

- создать ИТ для системного анализа, исследования, разработки архитектуры и методов построения многоуровневых, территориально распределенных компьютерных систем и сетей с распределенными базами данных и знаний на основе ППО;

- осуществить моделирование и когнитивную структуризацию предметных областей знание-ориентированных ИС на основе ППО;

- разработать и исследовать модели и методы повышения надежности, функциональной безопасности и живучести информационных и информационно-управляющих систем критического применения на основе ППО;

- применить разработанную методологию к проектированию и реализации знание-архитектурно-ориентированных ИТ и систем в разных областях, в частности медицине, образовании, науке, технике и экономике.

Объект исследования – процессы разработки ИТ и систем в предметных областях с нечеткой системологией в условиях неопределенности и ограниченных ресурсов.

Предмет исследования – методология создания и моделирования знание-архитектурно-ориентированных ИТ и систем в предметных областях с нечеткой системологией в условиях неопределенности и ограниченных ресурсов на основе ППО.

В процессе разработки новых и Методы исследования.

усовершенствования существующих методов создания и моделирования информационных, информационно-управляющих систем и СППР в диссертации применяются: принципы и методы системного анализа и синтеза для разработки моделей когнитивных архитектур, процессов и моделей предметных областей; парадигма сложности для разработки ППО;

методы синергетики для разработки когнитивного принципа управления в условиях сильной неопределенности; теория графов для формализации модели представления первичных знаний; аппарат инженерии знаний для построения онтологий предметных областей с нечеткой системологией и многоцелевого банка знаний; методы теории баз данных для построения моделей данных насыщенных семантикой и языка запросов высокого уровня;

методы имитационного моделирования для верификации моделей знаний;

аппарат теории грануляции для формализации искусственных и естественных процессов восприятия и категоризации; методы обработки изображений и сигналов для построения набросков образов; методы анализа формальных понятий для обобщения решеточной модели знаний; методы многоагентного моделирования для разработки концепции рефлексивной среды; модели адаптивного поведения для разработки формализованной модели деятельности; аппарат теории вероятностей и нечетких множеств для модификации базовых сущностей.

Научная новизна полученных результатов заключается в разработке методологии создания знание-архитектурно-ориентированных ИТ и систем на основе ППО, которая решает важную научно-техническую проблему повышения эффективности функционирования информационноуправляющих систем в предметных областях с нечеткой системологией в условиях неопределенности и ограниченных ресурсов.

Новые научные результаты:

- сформулирована парадигма предельных обобщений как методология системной реконструкции набросков когнитивной сферы на основе синергетической концепции критичности, что позволяет применить ее для создания ИТ и систем в предметных областях с нечеткой системологией в условиях сильной неопределенности и ограниченных ресурсов;

- разработана концепция языка задач высокого уровня, опирающегося на собственные функции знаниевой среды, что обеспечивает рациональную структуризацию быстро растущих объемов информации и необходимый уровень категоризации моделей знаний;

- предложена совокупность базовых когнитивно-информационных сущностей, процессов и архитектур, что обеспечивает до-концептуальную и концептуальную категоризацию, смысловую интерпретацию, сверхизбыточность, сверхразнообразие, когерентность, аутопоэзис, продуктивность, самооптимизацию и рефлексивность природных и искусственных информационных процессов;

- на основе разработанной формальной модели механизма возникновения инвариантных внутренних кодов ИС и предельных моделей знаний показано, что динамика развития сложных ситуаций может описываться как в многоуровневом пространстве значений тестов или набросков образов, так и в пространстве внутренних кодов ИС, что обеспечивает большую компрессию информации и выделение параметров порядка;

- разработаны модель интеллектуальной эволюции естественных и искусственных ИС, модели систем смыслопорождения, информационного синтеза восприятия и опыта, что позволяет раскрыть механизм глубокого самообучения и саморазвития;

- предложен синдромный принцип управления сложными ситуациями и процессами, который базируется на использовании инвариантных внутренних кодов ИС, что обеспечивает единство решения задач различения и управления;

- на основе ППО разработана самоподобная конкурентная адаптивная вычислительная среда, реализующая функционально-структурный дарвинизм, что обеспечивает функциональную отказоустойчивость и безопасность критических ИТ;

- на основе ППО разработана формальная модель адаптивной деятельности целенаправленных систем, которая учитывает, что процесс познания является необходимой составляющей любой деятельности и управления, что позволяет создавать широкий спектр партнерских систем;

- на основе ППО выполнена концептуализация и разработаны банки тестов ряда предметных областей с нечеткой системологией; разработан формализм ограниченного профессионального языка на основе лексических деревьев для описания сущностей предметной области, что позволило запустить процессы самоорганизации диалоговых форм и значительно увеличить срок эксплуатации ИС;

- на основе ППО разработаны методы и средства инженерии образов и знаний, проектирования распределенных информационных и информационно-управляющих систем, многоцелевых банков знаний, что дает возможность создавать прикладные ИТ и СППР, действующие в условиях неопределенности и ограниченных ресурсов.

Получили дальнейшее развитие:

- теория баз данных, насыщенных семантикой, на основе использования банка тестов, порождения набросков базы данных, автоматического выявления критических набросков, закономерностей, а также использования языка запросов высокого уровня, что позволяет повысить информированность пользователя в ситуациях неопределенности;

- методики анализа формальных понятий и временных рядов как сервисов ИС с использованием многообразия объектно-признаковых набросков контекстов на основе банка тестов и пространства внутренних кодов, что дает возможность повысить продуктивность работы пользователей.

Усовершенствовано:

- методы получения и обработки знаний, данных, статистической и экспертной информации, учитывающие особенность их формирования и использования в рамках ППО, что позволяет создать целостную систему информационного обеспечения критических технологий.

Достоверность научных положений, выводов и рекомендаций диссертационной работы подтверждается: корректностью постановки задач исследования и теоретических положений, на которых основывается их решение с учетом общепринятых или обоснованных предположений, результатами компьютерных экспериментов, проверкой адекватности моделей, использованием математических методов, которые отвечают задачам исследований, результатами моделирования и работой ИТ, внедренных в медицинский, экономический, научный и учебный процесс.

Научные Практическое значение полученных результатов.

положения, выводы, предложения и рекомендации, изложенные в диссертации, использованы автором для создания ИТ и систем в разных предметных областях (руководство коллективом разработчиков: постановка задач, разработка технических проектов, реализация отдельных подсистем, тестирование и внедрение), в частности:

- программный комплекс медицинского назначения «Банк знаний по клинической медицине»: ПК "БАНК ЗНАНИЙ" (Спецификация ИТМ НАНУ и ГКАУ, акт УкрГосНИИ МСПИ);

- программный комплекс медицинского назначения «Система ведения медицинских записей»: ПК "MEDDOC" (Спецификация - 05539962.00228 ИТМ НАНУ и ГКАУ, акты клиник, акт УкрГосНИИ МСПИ);

- многофункциональный Портал информационное «Единое пространство системы здравоохранения Днепропетровской области» (акт Центра МедСтат, Приказ УЗ в ДО);

- многофункциональный Портал «Единое информационное медикообразовательное пространство г. Днепропетровска» (Справка ПНЦ);

- Региональная система электронного документооборота и АИС «СТАТИНФОРМ» ГУ экономики Днепропетровской ОГА (Справка ОГА);

- Информационно-вычислительная система точности «Оценка измерений наземной станцией управления навигационных параметров космического аппарата на основе результатов баллистического анализа»

(Справка НИИРИ);

- госпитальные ИС (акты клиник, справка УАКМ): поликлиники городской больницы №2 г. Днепропетровска; медико-санитарной части Никопольского завода ферросплавов; ДО центра кардиологии и кардиохирургии; лаборатории функциональной диагностики УкрГосНИИ медико-социальных проблем инвалидности; медико-экономические подсистемы больницы Приднепровской железной дороги; Днепропетровской областной детской больницы;

- Днепропетровский областной медико-социальный Регистр «Пороки сердца» (акт ДО центра кардиологии и кардиохирургии);

- интеллектуальная система «Оценка состояния и прогнозирование течения болезни (на примере инфаркта миокарда)», интеллектуальная система «Анализ и прогнозирование инвалидности в Украине вследствие заболеваний сердечно-сосудистой системы» (акт УкрГосНИИ МСПИ);

- исследовательские ПТК диагностики и реабилитации «Биомеханика», в частности: линейка компьютеризированных динамометров, антропоморфный манипулятор-сенсор-сканер, вертербральний 3D-сканер, анализатор рентгеновских снимков и другие;

- региональные информационные системы на базе Web-технологий в области медицины, образования, социальной сферы, в частности:

система управления образованием», «Автоматизированная «Автоматизированная система «Электронная школа», «Межведомственная информационно - аналитическая система мониторинга инвалидов и больных пожилого и старческого возраста» (Справка ПНЦ).

Результаты диссертационной работы внедрены в научный и учебный процесс (акты вузов): кафедры специализированных компьютерных систем Украинского государственного химико-технологического университета, кафедры медицинской кибернетики и вычислительной техники Днепропетровской медицинской академии, кафедры экологии и безопасности жизнедеятельности Уманского национального университета садоводства, кафедры медицинской и фармацевтической информатики и новых технологий Запорожского медицинского университета, кафедры информационно измерительных технологий и систем Приднепровской академии строительства и архитектуры и других вузов. Материалы диссертации использованы при создании учебных программ по следующим дисциплинам: данных и знаний», проектирования «Базы «Основы интеллектуальных систем», проектирования компьютерных «Основы систем» и другим (акт УГХТУ).

Результаты использования подтверждают 13 актов и 8 справок о внедрении или использовании, приказ ГУ здравоохранения Днепропетровской ОГА.

заключается в следующем. Все Личный вклад соискателя результаты, которые представляют основное содержание диссертации, автор получил самостоятельно. Работы [219-222, 224, 227-229, 231-236, 238-240, 242, 246-252, 254-260, 262-277, 279-282, 284-285, 287-290, 294-295, 297, 299выполнены без соавторов. В работах, написанных в соавторстве [4-14, 16, 17, 46, 95-101, 118, 155, 157, 158, 180, 181, 185, 194, 210, 212, 215-218, 225, 226, 230, 237, 241, 243-245, 253, 261, 278, 283, 286, 291, 312,314, 393-400, 502, 504-507] автору принадлежит следующее: [4,5,7,14,16, 17,98, 158, 181, 210, 230, 291, 395, 396, 397, 505] – предложена архитектура МИС, АРМ-ов; [6] – разработан лексический процессор; [8, 261, 394, 398] –разработан базовый формализм;

[9,13, 293] – предложена методика стандартизации; [10, 95, 96, 97,99,100, 180, 278, 296] – предложена концепция и структура ИС; [11] – предложена модель ПрО с нечеткой системологией; [12, 118] – предложена концепция семантического процессора; [46, 185, 215 – 218, 225, 243, 253, 298, 327] сформулированы основные положения ППО; [101, 329] – разработана архитектура ПТС; [135, 244, 245, 283] - предложена модель автоматического выявления факторов риска с помощью лексических деревьев; [157] – разработан масштабируемый анализ формальных понятий; [194] – разработан проект Регистра; [212] – разработан проект стандарта; [226, 237, 241, 286, 312, 314, 338, 399, 502, 504, 506] - разработана методология проектирования широкого спектра интеллектуальных приложений, СППР; [339] – предложена концепция аудита на основе ППО; [393, 400] – предложена концепция и формализм автоматизированной экспертизы качества; [507] – разработана модель рефлексивного взаимодействия.

Апробация результатов диссертации. Основные результаты и диссертационная работа в целом апробированы на 96 международных и всеукраинских конференциях и симпозиумах, в частности: ІІ МНПК “ИТ в образовании, науке и технике” (Черкассы, 2014 г.); МНПК "Искусственный интеллект. Интеллектуальные системы" (2006, 2009, 2011, 2013 гг., Кацивели; 2015 Бердянск; 2007, 2009 гг., Дивноморское, Россия); V-XI МНПК "Математическое и программное обеспечения интеллектуальных систем" (Днепропетровск, 2007-2014 г.); МНПК «ИТ и информационная безопасность в науке, технике и образовании "ИНФОТЕХ - 2013"»

(Севастополь, 2013 г.); IX-XV МНПК «ИТ в образовании и управлении»

(Новая Каховка, 2007-2014 г.); МНК «Интеллектуальные системы принятия решений и проблемы вычислительного интеллекта ISDMCI» (Евпатория, 2008 - 2012 г.); МНК “ИТ в кардиологии” (Харьков, 2013г.); МНПК "Телемедицина - опыт и перспективы" (Донецк, 2008 - 2010, 2012 гг); МНПК “ИТ в управлении сложными системами” (Днепропетровск, 2008, 2011, 2013 гг.); НТК «ИТ в металлургии и машиностроении» (Днепропетровск, 2012, гг.); МНК информационные и инновационные 2013 “Современные технологии на транспорте” (Херсон, 2010, 2012 - 2014 гг.); ФМШ «Биологическая и медицинская информатика и кибернетика» (Жукин, 2010, 2011гг.); Первый Всеукраинский съезд «Медицинская и биологическая информатика и кибернетика» (Киев, 2010 г.); II МНК "Компьютерное моделирование в химии и технологиях" (Киев, 2010 г.); МНПК «Системный анализ и ИТ» (Киев, 2010 г.); МНК «СППР. Теория и практика» (Киев, 2008, 2009 гг.); XVII МНТК «Научные проблемы разработки, модернизации и применения ИС» (Житомир, 2008г.); I-я МНТК «Интеллектуальные системы в промышленности и образовании» (Сумы, 2007г.); IV МНК «Теоретические и прикладные аспекты разработки программных систем» (Бердянск, 2007г.);

IX МНК «Когнитивный анализ и управление развитием ситуаций» (Москва, 2011 г.); МНК «Интеллектуальные системы в авиации» (Баку, 2012 г.); III МНК семантические технологии проектирования «Открытые интеллектуальных систем» (Минск, 2013 - 2014 гг.); МНК «Нелинейная динамика в когнитивных исследованиях» (Нижний Новгород, 2011, 2013гг.);

III МНК «Информатизация общества» (Астана, Казахстан, 2012); International Conference on Biologically Inspired Cognitive Architectures (BICA) (Kiev, 2013);

International Conference on Inductive Modelling “ICIM” (II - 2008, Kyiv; III Yevpatoria); 3rd International Conference «Problems of cybernetics and informatics» (2010, Baku, Azerbaijan); 5-th International Conference ACSN-2011 “Advanced Computer Systems and Networks: Design and Application” (Lviv, Ukraine, 2011); International Workshop on Biosignal Interpretation - BSI2002 (Milan, Italy, 2002); International Conference on Mathematics and Engineering Techniques in Medicine and Biological Sciences (METMBS'2001, Las Vegas, USA); 2nd European Medical and Biological Engineering Conference (EMBEC'02, 2002, Vienna, Austria).

Публикации. Всего по теме диссертации опубликовано 154 научные работы. Основные результаты изложены в 58 работах, включающих 8 монографий (3 без соавторов, одна в зарубежном издательстве) и 41 статью (34 без соавторов) в журналах и сборниках, которые входят в Перечень научных изданий ВАК МОНУ; 7 статей и докладов опубликованы на английском языке в зарубежных изданиях; 14 статей и докладов включено в международные наукометрические базы (Scopus, SpringerLink, Index Copernicus, РИНЦ); 5 материалов конференций.

Структура и объем диссертации. Диссертационная работа включает введение, 7 разделов, выводы, список использованных источников из 551 наименований и 8 приложений на 115 с. Общий объем диссертации - 442 с., основной текст - 278 с., в том числе 12 таблиц и 77 рисунков.

РАЗДЕЛ 1

КОГНИТИВНО-СИНЕРГЕТИЧЕСКИЙ ПОДХОД К СОЗДАНИЮ

ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ И СИСТЕМ

1.1 Когнитивный вызов и информационные технологии

Современная ИС как объект разработки есть организованная, иерархично-гетерархичная система знаний (знаниевая среда) и собственные функции среды, запускающие процессы активизации знаний, процессы коммуникации и процессы саморазвития, самоусложнения. Знания ИС и соответствующих естественных предметных областей представляют собой вербальные, образные, понятийные, семантические структуры, когнитивные архитектуры, синергии (кванты деятельности), задачи различения, НЕфакторы (совокупность форм знания, плохо поддающихся формализации традиционными методами), процессы возникновения, самоорганизации и воплощения, процессы дифференциации-интеграции знаний, ресурсов [3, 22, 49,51,123]. Описание приведенных характеристик дает основание определить естественные предметные области как области с нечеткой системологией [85, 255, 386]. Примеры областей: медицина, образование, экономика, гуманитарные области, виртуалистика, концептуальное проектирование в технике и т.д. Очевидно, что поиск, описание и структурирование закономерностей в таких областях требуют разработки особой («человекомерной») методологии. Трудности усугубляются отсутствием таксономии сущностей когнитивной сферы, недостатками их классификации, крайней слабостью попыток теоретического упорядочения их разнообразия [82, 83, 352]. Ключевая требуемая характеристика – это целостность и операциональная замкнутость знаниевой среды ИС на любой стадии развития [28, 249, 359].

Таким образом, успех разработки ИС в предметных областях с нечеткой системологией в значительной степени зависит от разработки и реализации концепции активной, эволюционирующей, знаниевой среды [294], способной осуществлять действенную поддержку принятия решений в ситуациях неопределенности и ограниченных ресурсов (неопределенность включает как недостаток, так и чрезмерную избыточность информации).

Примером и ориентиром здесь могут служить природные когнитивные системы. Субъективные познавательные структуры соответствуют миру, так как они сформировались в ходе приспособления к этому реальному миру.

Главный вопрос в том, каким образом природные системы преодолевают бездну разнообразия, создавая подходящие инварианты [83, 137, 535]. Одна из центральных задач исследования – установить возможные способы формирования таких инвариантов, фиксирующих единство в разнообразии.

Технонаука века, являющаяся основным источником XXI технологических инноваций, представлена конвергенцией четырех так называемых NBIC–технологий (нано-, био-, информационные и когнитивные). Когнитивные технологии стали развиваться позднее трех других, но они представляют наиболее серьезный вызов современной цивилизации [142, 352, 514, 525]. Уже сегодня разрабатываемые технологии интерфейсов, контроля внимания, технологии в области эргономики, виртуалистики дают многомиллиардные эффекты [356, 547, 548]. К быстрому прогрессу когнитивных технологий, к превращению этой области в мощную индустрию человечество понуждает объективная потребность быстрого достижения нового качества управления во всё более сложном и нестабильным мире [112, 142, 152, 352, 545, 551].

Когнитивные технологии – это способы и алгоритмы достижения целей субъектов, опирающиеся на данные о процессах познания, обучения, коммуникации, обработки информации человеком и животными, на представление нейронауки, на теорию самоорганизации, компьютерные информационные технологии, математическое моделирование элементов сознания, ряд других научных направлений, ещё недавно относившихся к сфере фундаментальной науки [55, 112, 140, 389, 547]. Когнитивные технологии ориентированы, прежде всего, на помощь человеку в постановке задач, на решение плохо формализованных творческих задач. Дело встало за концептуальными и математическими моделями процессов восприятия, категоризации и познания, продуктивности и творчества, интуитивнообразного и эмоционального мышления [24, 29, 41, 82].

Примером могут служить когнитивные технологии IBM, которые предполагают создание целой экосистемы когнитивных вычислений технологий будущего, способных взаимодействовать с людьми более естественно [547]. Разработана когнитивная вопросно-ответная система поддержки принятия решений IBM Watson для анализа медицинских карт пациентов и помощи врачам в принятии клинических решений. Важной компонентой перспективных развивающихся информационных систем считается подсистема смыслопорождения которая (sensemaking), определяется как процесс создания осведомленности в ситуациях неопределенности [538]. Примеры систем: IBM’s Sensemaking System, The Sensemaking platform, Smart Sensemaking Systems.

Аналогичные проекты реализуют корпорации Google («Google Brain», DeepMind Technologies), Microsoft и другие.

Европейский союз реализует мегапроект «Human Brain Project» стоимостью более одного млрд. евро [545]. Конечный результат национальной технологической инициативы России NeuroNet (2015 г.) сформулирован так: создание «основанной на знаниях о мозге технологической среды, расширяющей возможности человека». В Украине рядом научных организаций выполнялась десятилетняя программа «Образный компьютер». Активно развивается китайская технологическая инициатива под названием «China Brain». В случае успеха мегапроектов родится принципиально новый класс знаниеориентированных (когнитивных) ИС, новая парадигма вычислительной архитектуры с многочисленными практическими приложениями во всех областях человеческой деятельности [545, 547, 548].

Активно работает международная ассоциация «Biologically Inspired Cognitive Architectures Society (BICA)» со штаб квартирой в США. Обзор когнитивных архитектур можно найти в [514, 515].

Под «когнитивными информационными системами» (КИС) будем понимать технические системы, широко использующие биологически инспирированные когнитивные архитектуры и процессы, способные к познанию, распознаванию образов и самостоятельному усвоению новых знаний из различных источников, к продолжительному обучению, к синтезу нового знания, и целенаправленному поведению для успешного решения существующих проблем во взаимодействии с человеком в условиях реального мира Стандартная технология, основанная на [547].

алгоритмическом подходе и соответствующие ей средства разработки не применимы к разработке КИС [260]. В тоже время для КИС не предложено четкой парадигмы создания знаниевой среды, постановки и решения задач, в результате чего подобные технологии разрабатываются и развиваются, как правило, интуитивно или путем копирования структур мозга [439 – 442, 551].

Можно заключить, что модели мышления (когнитивной сферы) - это ключевой ресурс новой парадигмы в области ИТ и принятия решений, а процесс познания является одним из функциональных аспектов управления.

Качественно иных реальных вариантов для управления сложностью сегодня нет. В ближайшей перспективе следует ожидать появления принципиально новых ИТ управления сложными, большими, сетецентрическими системами.

1.2 Проблемы и нерешенные задачи создания информационных технологий и систем в рамках когнитивно-синергетического подхода Базовая научная проблема заключается в отсутствии относительно простых формализованных набросков когнитивной сферы (К-сферы), которые с одной стороны демонстрировали бы ключевые когнитивные феномены, а с другой ясно показывали бы путь широкой имплементации когнитивных архитектур и процессов в ИТ и ИС [29, 48, 83].

До недавнего времени построением феноменологических набросков Ксферы занимались преимущественно философы [2, 33,151], психологи [42,43,53,57] и нейрофизиологи [25,54]. В этой связи следует отметить теорию множественных набросков американского философа Дэниела Деннета [489], концепцию внутренних кодов явлений субъективной реальности российского философа Д.Дубровского [82], компьютерную эпистемологию Пола Тагарда (Pol Thagard), включая «A Coherence Theory of Decision» [420], теорию интегрированной информации Джулио Тонони (Giulio Tononi) [531], концепцию «коннектома» Себастьяна Сеунга (Sebastian Seung) [367] и «когнитома» Константина Анохина [24].

Основной мировой тренд естественнонаучных исследований К-сферы сегодня – это попытка копирования структур мозга животных и человека (как аппаратно, так и программно), что совпадает с парадигмой изучения познания «функции через структуру» [353, 458, 519, 526, 545, 547, 551] (некоторые из проектов приведены выше). Однако пример механики Ньютона показывает эффективность на практике «простых» набросков реальности, который дополняют более детальные наброски такие как «статистическая механика», «квантовая механика» (существуют разные наброски последней) и другие. Прямое копирование структур мозга – это аналог наброска «квантовая механика», даже если не принимать во внимание подход Роджера Пенроуза «Квантовый мозг» [36, 464]. Применительно к Ксфере нужны свои аналоги «механики Ньютона» (психологи используют метафору «психомеханика» [2]).

Другая крайность при рассмотрении К-сферы лежит в исключительном применении знаково-символического подхода ущерб интуитивнов образному), знаковой картины мира [184, 30, 187], включая применение законов математической логики и ее производных: разновидностей формального вывода, математической статистики, теории вероятностей (пример - Байесовские сети), нечеткой логики и т.д.. На таком подходе создается сегодня подавляющее большинство ИС [193]. Однако анализ когнитивных процессов приводит к мысли, что в их основе лежат принципиально другие механизмы – несимвольные представления данных и методы их обработки, высокая скорость которых обеспечивается их малой глубиной и сверхвысоким уровнем параллелизма, природа которого мало похожа на параллелизм вычислительных систем [204]. В этой связи необходимо учесть такие понятия как когерентность и рефлексивность процессов [104]. При этом когерентность понимается более широко, чем в физике, а именно такая согласованность взаимодействия элементов, которая проявляется в масштабе всей системы.

Многими исследователями отмечается, что когнитивные модели приобретают фундаментальную значимость благодаря своей способности органично вписываться в рамки доконцептуальной структуры [83, 129].

Следовательно, на первый план выходят такие качества и процессы как образно-ассоциативное мышление, непрерывное различение, продуктивность, адаптивное бессознательное, интуитивные «мгновенные решения», инсайт и другие [51, 57, 63-65, 69, 154]. Это все те характеристики, которые отсутствуют у современных ИС.

Отметим также концепцию Роджера Пенроуза и его коллег, которые объясняют феномены мышления/сознания на основе квантового подхода [36, 464]. В квантовой механике сама процедура измерения меняет и свойства частицы, и то, что будет измерено.

Сходная проблема имеет место и в субъективной самоорганизации сам факт осмысленного [149,246]:

измерения, решения субъектом той или иной когнитивной задачи меняет модель мира, с помощью которой решается данная задача. Как и в квантовой механике, важную роль играют нелокальность и запутанность, так любой образ представляется неразделяемой суперпозицией огромного числа набросков разного уровня обобщенности и нет возможности точно установить, какие наброски активны в тот или иной момент (принцип неопределенности).

Попытки описать когниции на основе нечеткого подхода [542] и нейронных сетей [48, 162] (моделируют лишь рефлексы) не дали результата.

Отсюда возникает понимание необходимости разработки новой научной синтетической парадигмы, опирающейся на трансдисциплинарный подход [294]. Разрабатываемая парадигма должна быть направлена на поиск возможной природы и фундаментальных закономерностей информационного синтеза в процессе познания, восприятия и опыта, а не на исследование частного вида ее реализации в специфических структурах головного мозга человека и животных. Этот частный вид реализации может быть интересен, но должен рассматриваться именно как один из возможных вариантов реализации некоторых более общих и фундаментальных механизмов переработки информации. Структура очень важна, она многое подсказывает, и в некоторых случаях ее надо заимствовать у природы, но гораздо важнее заимствовать "принцип биологической логики", т.е. то движущее начало, которое заставляет работать структуры и создает их. В таком ключе нацеливает на исследование и Герман Хакен [392]. Искомые наброски Ксферы должны олицетворять баланс между сложностью и простотой, допускающий понимание ключевых механизмов.

Базовую научную проблему можно разложить в гетерархию взаимосвязанных научно-прикладных проблем и задач:

- проблема внутренней интерпретации или внутреннего инвариантного кодирования входного сигнала и использование этой интерпретации (внутренних кодов) для оптимизации текущего решения на основе прошлого опыта [82,112]; проблема выделения параметров порядка развития сложных ситуаций или радикального сжатия информации на основе единых алгоритмов, субъективная самоорганизация и категоризация [389-392];

- проблема эволюционного формирования операционально замкнутой знаниевой среды ИС на основе компетентностного подхода; проблема моделирования предметных областей с нечеткой системологией [386];

- проблема выявления, моделирования и реализации операций мышления» масштабной «образно-ассоциативного [51,61,353], когерентности [464];

- проблема разработки концепции и формализма языка задач высокого уровня, опирающегося на собственные функции знаниевой среды [70, 458];

- проблема эволюционного роста когнитивной сложности и когнитивной компетентности ИС [152, 325,428,457,482];

- проблема разработки и реализации модели (онтологии) профессиональной деятельности или модели со-управления деятельностью на основе «модели мира» ИС («знания под деятельность» в рамках компетентностного подхода) [107, 351, 405, 408];

- проблема построения когнитивных надстроек над традиционными системами (базы данных, насыщенные семантикой [113]) и когнитивных ядер распределенных информационных кластеров, включая банки знаний [182];

- проблема обеспечения функциональной устойчивости и безопасности критических технологий с использованием автоассоциативных моделей знаний [78, 86, 119, 317, 406, 521].

Раскроем подробнее суть проблемы субъективного выделения параметров порядка явлений, ситуаций и формирования инвариантных кодов. Прорыв последних десятилетий связан с осознанием ключевой роли самоорганизации в процессах обучения, принятия решений, распознавания образов [112, 389]. Оказалось, что многие проблемы связаны с выявлением параметров порядка в пространстве образов, решающих правил, стратегий.

Так опытный диагност оценивает не более 5-7-ми параметров из огромной совокупности. Их выделение – творческий процесс, требующий высокой квалификации и профессионального опыта. Динамика этого процесса плохо понята и изучена, поэтому и не удается применить подобную технологию, как для обучения, так и в ИТ [142, 380].

КИС должны обладать схожей способностью для эффективной поддержки принятия решений и информационного обеспечения деятельности в условиях сильной неопределенности и ограниченных ресурсов [280].

Герман Хакен разработал концепцию синергетического компьютера для решения задач восприятия [389-392], которая оперирует параметрами порядка, однако эта модель не может служить основой формирования развитой «модели мира».

При усложнении деятельности существенно затрудняется построение специалистом интегрального представления деятельности и вариантов развития этого представления [351]. Существующая потребность требует разработки концепций ИТ, обеспечивающих наибольшее их соответствие пониманию деятельности теми, кто принимает решения.

Необходимы технологии, увеличивающие индивидуальные возможности управлять:

максимальное число деталей управления, сбора данных, анализа и контроля нужно передавать партнерской системе [62, 65, 85, 97].

Построение обеспеченных представлений [351] (ситуационной осведомленности) предполагает построение содержательно адекватных интегральных представлений знаний, с адекватно расставленными приоритетами и с адекватной степенью формализации. Обеспеченные представления должны соответствовать возможностям их восприятия [142, 352, 392].

1.3 Категоризация – ядро процессов познания

Во многом справедлива метафора: «To Cognize is to Categorize:

Cognition is Categorization» [467]. Действительно, категоризация мира человеком, по мнению Элеоноры Рош, Дж. Лакоффа [129] и других [41, 465, 523, 537], имеет для когнитивной науки важнейшее значение, ибо она лежит в основе мыслительных и перцептивных процессов человека, его поступков и речевых актов. Человек категоризует события, действия, эмоции, пространственные и социальные отношения, а также абстрактные понятия самых различных типов. Любая адекватная модель человеческого познания и поведения должна основываться на теории, которая точно описывает все наши категории - как конкретные, так и отвлеченные [129].

Усилиями многих исследователей было показано, что в классических таксономиях заложены фундаментальные семантические ограничения.

Любая категория в классическом виде определяется пучками признаков.

Каждый член категории обладает всеми теми характеристиками, которые входят в определяющий ее пучок признаков [129]. Пучки признаков, задающие нижестоящие категории, включают все признаки, определяющие вышестоящие категории.

Дж. Лакофф предложил теорию когнитивных моделей [129], в основе которой лежат многие высказанные за предшествующий период продуктивные идеи (прежде всего - теория прототипов Э.

Рош), а именно:

понятие «семейного сходства»; понятие центральности; градуальность членства в категории; градуальность центрального положения в категории;

полисемия как категоризация; продуктивность как прототипическое явление;

обусловленность некоторых категорий биологической природой человека и опытом его функционирования в физической и социальной среде;

функциональная обусловленность некоторых понятий; понятие категорий базисного уровня и их первичность; принцип метонимического замещения.

Исследование стратегий категоризации на базовом уровне приводит к предположению, что опыт человека еще до его концептуального осмысления структурируется именно на этом уровне. Однако, какие-либо формальные модели, раскрывающие природный механизм формирования базового уровня, отсутствуют. ППО, возможно, поможет раскрыть суть данного феномена.

Некоторые представители традиции когнитивной семантики предлагают взамен теорию динамического конструала [129], которая утверждает, что структура категорий всегда создаётся «в режиме реального времени», следовательно, категории не имеют структуры вне контекста использования.

Важным аспектом субъективной категоризации является параллельная сенсорному кодированию и восприятию фактической информации эмоциональная динамическая категоризация. Сказанное находится в соответствии с положением о «пристрастности» восприятия информации, о зависимости последнего от мотивов и целей поведения и имеющегося у индивида опыта [408]. Это свойство психического отражения обозначается как субъективность и предполагает несводимость восприятия к языку сенсорных модальностей, выражающих в «сенсорном коде» физические параметры объектов. Другими словами, эмоциональная категоризация регулярно меняет отношения между опытом и «субъективным»

«объективной» реальностью (важный аспект аутопойезиса).

Барсалоу (Lawrence W. Barsalou) исследовал «ad hoc категории» [421], то есть категории, к которым относятся не общезначимые и давно фиксированные понятия, а категории, формируемые для достижения некоторых актуальных целей. Концепция «ad hoc категорий» и их связь с целями играет в парадигме предельных обобщений важную роль.

Внутренняя селекция важнейший эволюционный инструмент

– категоризации В результате тестирования фиксируется новая [83].

интеграция, т.е. происходит изменение структуры индивидуального опыта.

После внутреннего тестирования поведение может быть реализовано «во внешнем плане». Именно способность совершения проб и ошибок «в уме», без реализации их во внешнем поведении, рассматривается в качестве показателя развития поведения в филогенезе [83]. «Внутренняя» селекция делает возможной ситуацию, в которой, по словам К. Поппера [200], «вместо нас гибнут наши гипотезы».

Часть ответов на вопросы о том, как естественные когнитивные системы справляются со сложностью и как ее упрощают, дают синергетические парадигмы.

Принято выделять три парадигмы синергетики [112, 390, 391]. Первая – парадигма самоорганизации (в системах, находящихся вдали от положения равновесия, происходят процессы самоорганизации, приводящие к выделению из множества описывающих систему величин небольшого числа параметров порядка – ведущих переменных, к которым подстраиваются все прочие). Вторая – парадигма динамического хаоса (сложное непериодическое поведение, наблюдаемое в детерминированных системах, странный аттрактор). Третья – парадигма сложности («скольжение вдоль кромки хаоса»), включающая: масштабную инвариантность, склонность к катастрофам, целостность, грубость свойств, самоорганизованную критичность. В результате самоорганизации в критическое состояние система приобретает свойства, которых не было у ее элементов, демонстрируя сложное целостное «грубое» поведение.

Алан Тьюринг еще в 1950 году предположил [383], что мозг как динамическая система функционирует вблизи критического состояния. По мнению Пера Бака (автора теории самоорганизованной [317, 318] критичности) мозг функционирует вблизи критического состояния. Герман Хакен считает [389], что мозг как гигантская сложная система подчиняется законам синергетики и функционирует вблизи точек потери устойчивости.

В модели памяти Джеффа Хокинса [468] неокортекс запоминает последовательности, которые представлены в инвариантной форме. Это значит, что в качестве последовательности сохраняются не тонкие и точные детали, а важные соотношения между элементами. Таким образом, человек узнает мелодию, даже если она исполнена на разных инструментах или в разных тональностях. Человек узнает предметы независимо от того, под каким углом он на них смотрит. Неокортекс сохраняет последовательности иерархически. Это означает, что по мере того, как входящая информация обрабатывается и проходит "дальше" в мозг, память становится все менее детальной и все более абстрактной.

Основатель кибернетики второго порядка (кибернетики наблюдателя) Хайнц фон Ферстер (von Foerster) показал [535], что в повторяющемся процессе рекурсивно организованных сенсомоторных актов различения, взаимных возмущений и реакций на возмущения возникают инварианты во взаимоотношениях сложных систем с внешней средой. Он назвал подобные инварианты поведение» Фактически, «собственное (eigenbehavior).

собственное поведение - это неподвижная точка оператора, остающаяся неизменной при его действии.

1.4 Концепция парадигмы предельных обобщений

Выделим следующие разновидности критических явлений:

- самоорганизованная критичность (self-organized criticality- SOC) [418],

- самоорганизованная нестабильность (self-organized instability) [452],

- концепция аутопоэзиса (autopoiesis) в интерпретации познания, принцип операциональной замкнутости [146];

- конкурентная критичность (competition-induced criticality) [456],

- структурно-процессная самоподобность (воспроизведение определенных форм и их отношений на различных уровнях структурной организации) [417];

- принцип экономии (метапереходы в знаниевой среде приводят к уменьшению ресурсов на решение задач все возрастающей сложности) [43].

В состоянии SOC все масштабы взаимодействуют друг с другом, и динамика системы на различных пространственных масштабах является самоподобной. Самоорганизованная нестабильность означает, что нейронные ответы на раздражители должны сохранить оптимальную степень неустойчивости, которая позволяет им исследовать альтернативные гипотезы о причинах этих стимулов (спонтанный выбор стратегий из когнитивного репертуара). Когнитивный словарь/репертуар можно (и нужно) развивать целенаправленно. Конкурентная критичность может возникать там, где имеет место конкурентная борьба в условиях ограниченных ресурсов (однако в отличие от SOC нет предельного значения). Как показывает теория нейродарвинизма Дж. Эдельмана [439-441] конкурентная борьба возникает между всеми видами когнитивных паттернов решения задачи различения.

Что касается принципа экономии, то затраты на поддержание активной работы мозга сопоставимы с расходами на двигательную активность.

Гигантские расходы на работу мозга блокируются всеми возможными физиологическими способами. Для стандартных ситуаций приматы и человек не используют всех ресурсов головного мозга [385]. С точки зрения субъективной категоризации важно, что принцип экономии дополняет и направляет действие фундаментальных законов природы.

Парадигма предельных обобщений (ППО) – это методология системной реконструкции концептуальных набросков когнитивной сферы на основе синергетической концепции критичности и ее применение для создания информационных (интеллектуальных) технологий и систем [294].

Для каждого наброска может быть построена своя Теория, со своими определениями, аксиомами, утверждениями. Примерами набросков являются суррогатные модели одного и того же объекта [32]. Если поставлена конкретная задача различения, то можно говорить о построении набросковмоделей минимальной сложности (критических набросков) [203].

ППО дает конструктивные решения перечисленных выше проблем.

Важной характеристикой сущностей и процессов в рамках ППО является аутопоэзис эпистемических объектов [510, 146]. Объекты такого класса безостановочно регенерируют, разворачивают свою сущность, «взрываются», «мутируют», надстраивая один за другим новые «этажи» своей сложности [150]. С определенностью можно сказать только то, что аутопоэзис объекта постоянно воспроизводит такое свойство как нетождественность самому себе. Применительно к ИС запуск аутопоэзиса означает безостановочное переструктурирование собственных уровней сложности. Это сложные автономные системы с воспроизводящейся незавершенностью, постоянным изменением прежних свойств и приобретением новых. Подобные принципы организации ИС (объектов) можно сопоставить с самоорганизующимися и эволюционными процессами в живой природе [146]. Основным условием запуска и поддержания аутопоэзиса ИС является, с одной стороны, изменяющаяся потребность пользователей в виртуальном рефлексивном общении, с другой – возрастающие возможности самой системы перестроить коммуникацию и вычислительные сервисы в соответствии с запросами и интересами участвующих в ней субъектов.

1.5 Выводы по разделу 1 и постановка задач исследования

Проведенный анализ научно-методологических проблем создания ИТ в рамках когнитивно-синергетического подхода позволяет сделать следующие общие выводы:

1. Когнитивные науки и являются Cognitive Computer Science важнейшей составляющей междисциплинарного комплекса, называемого NBIC-конвергенции.

2. Модели мышления и К-сферы – ресурс новой парадигмы в области ИТ и принятия решений, а процесс познания является одним из функциональных аспектов управления (когнитивная природа современной сложности управления). Дефицит когнитивных ресурсов - это всё более обостряющаяся с переходом к высоким технологиям проблема.

3. Сердцевиной знание-ориентированной ИС является знаниевая среда (память) и механизмы ее активизации и саморазвития (аутопоэзиса).

4. Когнитивные модели приобретают фундаментальную значимость благодаря своей способности органично вписываться в рамки доконцептуальной структуры.

5. Природные когнитивные системы преодолевают бездну разнообразия, имплицитно создавая подходящие инварианты (внутренние коды). Важно установить возможные способы формирования таких инвариантов, фиксирующих единство в разнообразии.

6. ППО направлена на поиск возможной природы и фундаментальных закономерностей информационного синтеза в процессе познания, восприятия и опыта, а не на исследование частного вида ее реализации в специфических структурах биологических систем.

7. В основе многоуровневой когнитивной категоризации, рефлексии, интуиции и творчества лежат механизмы порождения сверхизбыточности и сверхразнообразия, когерентности и суперпозиции, самоорганизованной критичности и нестабильности, авто/гетеро-ассоциативности, продуктивности и воплощенности задач принятия решений, метаболизм и аутопойезис, информационное напряжение порядка) и (параметр кризисность, метапереходы усложнения, множественность контроля поведения.

Анализ существующих подходов к разрешению научнометодологических проблем создания ИТ и ИС в рамках когнитивносинергетического подхода показал, что для таких ИС не предложено четкой парадигмы создания знаниевой среды, постановки и решения информационно-сложных задач, в результате чего подобные технологии разрабатываются и развиваются, как правило, интуитивно. Поэтому актуальным является научное обоснование и решение важной научнотехнической проблемы создания знание-ориентированных ИТ и систем, СППР на основе ППО, функционирующих в предметных областях с нечеткой системологией в условиях неопределенности и ограниченных ресурсов.

Для решения поставленной научно-технической проблемы необходимо решить следующие частные задачи:

- детализировать парадигму предельных обобщений и обосновать ее применение для создания знание-ориентированных ИТ и систем; исследовать общие закономерности создания новой информации, логики трансформации смыслов в процессе категоризации и решения информационно-сложных, проблемных задач;

- исследовать и создать ИТ для разработки и внедрения баз данных, баз знаний, систем смыслопорождения и систем компьютерной поддержки решений в автоматизированных системах и сетях на основе ППО;

разработать концепцию языка задач высокого уровня, опирающегося на собственные функции знаниевой среды (памяти);

- разработать теоретические и прикладные основы создания ИТ для автоматизации функциональных задач управления, анализа и оценки эффективности автоматизированных систем переработки информации и управления (аудита) на основе ППО;

- создать ИТ для системного анализа, исследования, разработки архитектуры и методов построения многоуровневых, территориально распределенных компьютерных систем и сетей с распределенными базами данных и знаний на основе ППО;

- осуществить моделирование, концептуализацию и когнитивную структуризацию предметных областей ИС на основе ППО;

- разработать и исследовать модели и методы повышения надежности, функциональной безопасности и живучести информационных и информационно-управляющих систем критического применения на основе ППО;

- применить разработанную методологию к проектированию и реализации ИТ и систем в разных областях, в частности медицине, образовании, науке, технике и экономике.

РАЗДЕЛ 2

РАЗРАБОТКА ЯЗЫКА ЗАДАЧ ВЫСОКОГО УРОВНЯ

2.1 Алгоритмический подход

Решение задач на компьютере обычно связано с необходимостью получения какой-либо информации. Формально эта потребность в информации, получаемой в результате решения задачи, выражается через определение множества Z всех возможных результатов решения этой задачи (будем говорить Z-задачи). Чтобы получить заключение zZ, необходима некоторая исходная информация xX. Формальная постановка Z-задачи или ее спецификация есть предикат P(x, z), где xX, а zZ. Для допустимой спецификации задачи должно быть доказано утверждение о существования ее решения [70]: xX zZ P(x, z).

Желательно также, чтобы для нее было справедливо и утверждение о единственности ее решения [70, 259, 260, 294]:

xX !zZ P(x, z). (2.1)

В случае, если справедливы оба эти утверждения, разрабатывается алгоритм решения задачи, который представляет собой реализацию на алгоритмическом языке такого всюду определенного функционального отображения A: X Z, что справедливо утверждение о правильности этого алгоритма [70]: xX P(x, A(x)).

Если же для спецификации задачи утверждение о единственности ее решения не является справедливым, то обычно алгоритм ее решения представляет собой реализацию такого всюду определенного функционального отображения A: X 2Z, что справедливы утверждения о нахождении этим алгоритмом всех решений задачи [70, 260]:

–  –  –

Пусть Z={1; 2; 3;…; N}, т.е. заключения закодированы цифрами. На основе Z можно сформировать более грубые множества заключений, например Z={1 2; 3 4 5;…; N} или Z={2; ¬2} {2; 1 3 4 … N}. В случае множества Z заключение «1 2» на языке базового множества Z означает (1 либо 2). Аналогично расшифровывается заключение «1 3 4 … k». Ясно, что решение Z-задачи автоматически означает решение Z-задачи и Z-задачи, т.е.

любой более грубой задачи. Обратное утверждение не верно.

Целесообразность решения грубых задач обусловлена тем, что ресурсов на решение исходной Z-задачи может не хватать, но хватит, например, на решение Z-задачи и этого окажется достаточно, если z=2.

Для заключений типа «¬2», «1 2» или «1 3 4 … k» можно ввести свои числовые или символьные коды, например, заключению «¬2» присвоим числовой код ‘N+1’, тогда Z={2; N+1}.

Введем для zZ эквивалентное представление: z/Z, а если имеется в виду какое-либо конкретное заключение, то будем писать z/Z. Следующие записи одного и того же результата будем считать эквивалентными: z=2, z/Z=2 или z/Z?2. Справедливы следующие цепочки заключений: z/Z?1 z/Z?«1 2»; z/Z?1 z/Z?«1 3 4 … k». Важно, что такие заключения могут получаться автоматически, благодаря собственным функциям среды.

Пусть Z={1; 2; 3;…; N}, где N 2. На основе Z сформируем N множеств Z1={1; ¬1}, Z2={2; ¬2},…, ZN={N; ¬N} и столько же грубых задач: Z1задачу, Z2-задачу,…, ZN-задачу. Множество X для всех задач одно и тоже.

Решение Z-задачи решает автоматически все грубые задачи. Ясно также, что решение любых N-1 грубых задач будет означать и решение исходной Zзадачи. Возможны любые другие грубые задачи на основе множества Z.

Введем важную аксиому ППО («принцип переформулировок»): запуск в решение любой Z-задачи означает автоматический запуск всех более грубых задач. Еще две аксиомы продуктивности: интуитивный, неосознаваемый опыт постоянно накапливается в качестве «побочного»

продукта целенаправленно реализуемых действий; процесс «узнавания», «различения» – суть непрерывный процесс.

2.2 Подход на основе баз знаний Как правило, множество X не может быть определено точно, поэтому обычно определяется более широкое множество XX. Пусть определено множество допустимых баз знаний K(X, Z), а также спецификация задачи предикат P(x, k, z), где xX, kK(X, Z), zZ, причем предикаты принадлежности xX, zZ и kK(X, Z) должны быть вычислимыми, а форма представления информации xX, zZ и kK(X, Z) должна быть понятной экспертам и пользователям интеллектуальной системы [70, 260, 294].

Особенностью спецификации задачи является то, что для нее не является справедливым утверждение о существовании решения [70]. Неявно предполагается, что существует «правильная» база знаний k*K(X, Z) такая, что xX zZ P(x, k*, z) однако эта «правильная» база знаний неизвестна, а для любой другой базы знаний утверждение о существовании решения не обязано быть справедливым. Тем более, для интеллектуальных систем не является справедливым утверждение о единственности решения даже в случае его существования [70]. Однако может быть сформулировано более слабое утверждение [70]: k*K(X, Z) xX zZ P(x, k*, z), а в некоторых случаях и слабое утверждение о единственности решения: k*K(X, Z) xX !zZ P(x, k*, z). Эти утверждения являются лишь предположениями и не могут быть доказаны.

В предположении справедливости для спецификации задачи этого более слабого утверждения о существовании решения можно разрабатывать алгоритм решения задачи, который представляет собой реализацию на алгоритмическом языке такого частично определенного функционального отображения A: X’, K(X, Z) Z, для которого справедливо (может быть доказано) «слабое» утверждение о правильности этого алгоритма [70]:

xX kK(X, Z) P(x, k, A(x, k)). (2.3)

Базой прецедентов назовем репрезентативную выборку = {x1, z1,...

, xn, zn}, где xiX, ziZ (i = 1,...,n). Следом за [70], будем называть эту базу прецедентов оценкой правильности базы знаний kK(X, Z), если i{1,...

,n} ziA(xi, k). Будем говорить [70], что база знаний kK(X, Z) приближается к «правильной» базе знаний k*, если в оценке ее правильности параметр n неограниченно растет. Процедуру, которая обеспечивает приближение базы знаний к «правильной» базе знаний, как и в [70] будем называть системой управления базой знаний.

Ключевой вопрос в рамках парадигмы моделей знаний состоит в следующем [260]: можно ли выделить общее ядро в K(X, Z) и реализовать его как собственные функции среды, которые действуют вне зависимости от решаемой задачи? Подобные функции/автоматизмы следовало бы отнести к разряду воплощенных или «генетически» обусловленных механизмов, выделив их из K(X, Z). Могут ли воплощенные автоматизмы с накоплением опыта, в частности ростом, помочь приблизиться к «правильной» базе знаний k*? В следующем подразделе будут выделены фрагменты ядра.

–  –  –

Исследуем (реконструируем) структуру семантического пространства субъекта связанного с решением задач с позиций ППО [260, 294].

Пусть имеет место эволюционный процесс расширения исходного множества X:

–  –  –

Расширение может осуществляться как за счет обобщения данных из X, так и за счет детализации (порождение сверхразнообразия, сверхизбыточности).

Традиционный способ борьбы с неопределенностью – это унификация и подавление разнообразия. В когнитивных технологиях реализуется прямо противоположный подход.

Без потери общности будем считать, что Z состоит из конечного множества альтернативных заключений. Вместе с Z будем рассматривать неопределенное заключение u (когда нет однозначного решения задачи).

Пусть Z=Zu. Факт неопределенного решения Z-задачи для xXt обозначим P(x,u).

Предполагается, что существует референтный метод, позволяющий установить:

t xXt либо !zZ P(x, z), либо P(x,u). (2.5)

Подмножество Xt, на котором существует однозначное решение, обозначим Xt^. Приведем пример. Пусть T – температура тела, ЧСС – частота сердечных сокращений, а X= {T, ЧСС}.

Зададим правила порождения новых данных (набросков) на примере конкретных значений T=38°, ЧСС=100:

T=38° Повышенная Ненорма; ЧСС=100 Тахикардия Аритмия.

–  –  –

Рис. 2.1 – Орграф обобщений для T=38°, ЧСС=100 Пусть активность T=38°, ЧСС=100 автоматически приводит к активности всех набросков. При этом активность не только базовой, но и любой вершины орграфа (наброска) автоматически приведет к активности всех обобщающих вершин, в частности терминальной вершины. Подобное распространение активности означает когерентность (энергии) – индифирентное и безусловное/рефлекторное возбуждение совокупности данных.

Продолжим пример. Пусть на Xt решается диагностическая Z-задача, где Z={1-предположительно болен; 2-предположительно здоров}, тогда база знаний k может содержать правило вида «T= Ненорма ЧСС=Аритмия z=1», которое опирается на максимально обобщенные данные в Xt, а не на исходное X. Оказывается, это правило работает и на других данных Xt, например, при низкой температуре (меньше 35°) и/или брадикардии (сниженном пульсе). Другими словами, имеет место ПЕРЕНОС. Важно, что правило работает как на точных данных, так и на любых грубых данных из Xt, которые зачастую можно установить без использования специальных инструментов. Как отмечает Дэвид Дойч в работе [79] “Возможно, это звучит парадоксально, но смысл глубоких обобщенных объяснений состоит в том, что они охватывают не только знакомые ситуации, но и незнакомые”.

Следует подчеркнуть важное обстоятельство: база знаний k работает только при наличии собственных функций среды Xt, обеспечивающих когерентность. Данные функции-автоматизмы в базу знаний не включаются, они как бы воплощены или «прошиты» в среду Xt и действуют вне зависимости от какой-либо задачи.

Переход Xt Xt+1 может быть обусловлен тем, что на базе старого возникнет новое безусловное правило обобщения: «ЧСС=100 Тахикардия Аритмия Ненорма». Пространство Xt+1 расширяет X в 12 раз.

Зафиксируем произвольное t и на Xt зададим два воплощенных взаимодополняющих отображения Ct: Xt 2Xt и Bt: Xt 2Xt со следующими свойствами (собственные функции И-среды):

(a) xXt Ct(x)Bt(x) = x;

(b) xCt(x) xBt(x);

(c) Если xCt(x), то Ct(x) Ct(x). Если xBt(x), то Bt(x) Bt(x);

(d) xXt |Ct(x)| ;

(e) когерентность: xXt a(x) a(Ct(x)), где a – оператор активности.

Дополнительные свойства будут определены ниже.

Когерентность обеспечивает связность (вычислимость) в рамках Ct(x).

Для Bt(x) такой когерентности нет, но может быть, например перколяция или диффузия активности. Когерентность обеспечивает сверхвысокий уровень параллелизма вычислений. В биологических (живых) системах активность данных может вызываться метаболизмом среды.

Ct(x) назовем конусом обобщения, а Bt(x) конусом детализации для xXt Главное отличие между ними состоит в асимметрии (рис. 2.2).

распространения активности. В общем случае Ct и Bt имеют структуру физического фрактала, отвечая за процессы дифференциации.

Рис. 2.2 – Конусы обобщения и детализации для значения a Динамика изменения Xt во многом определяется эволюцией Ct и Bt, а также поступлением внешних данных (прецедентов). Пример Ct(38°, 100) показан на рис. 2.1. Конуса порождают многозначность.

Терминальным назовем множество Tt = {x| xXt, Ct(x) = x}. Базовым назовем множество Ht = {x| xXt, Bt(x) = x}. Базовое множество можно интерпретировать как множество наиболее точных данных. В частном случае

Xt = Ht = Tt. Определим следующее свойство:

(f) t Xt = xHt Ct(x) = xTt Bt(x).

Другими словами, имеет место аналог аксиомы фундирования в теории множеств (англ. foundation – основание, фундамент), которая устанавливает существование праэлементов или «атомов простоты».

Данные x и x из Xt назовем альтернативными, если не существует такого xXt, что xCt(x) и xCt(x). Множество всех альтернативных данных для xXt обозначим At(x). Множество At(x) может быть пустым. Для любых xXt и xXt верно: xAt(x) xAt(x). Отношение альтернативности не транзитивно. Альтернативные данные взаимно подавляют друг друга (отрицательная ассоциативность или отрицательное ограничение).

Примечание 2.1. Подобные отрицательные ограничения (negative constraint) имеют место в наброске общей теории когерентности решений П. Тагарда [485].

Примечание Доказательства утверждений вынесены в 2.2.

Приложение Б.

Предложение 2.1 Конусы обобщения не содержат альтернативные данные.

Предложение 2.2 Все элементы множества Ht альтернативны.

Для многих практических задач верно допущение, что исходная база прецедентов t описывается с помощью максимально точных данных Ht.

Определим следующее свойство:

(g) В описании любой реальной ситуации ={x} (исходных данных задачи) не могут одновременно присутствовать альтернативные данные.

Интерпретация: в качестве исходных данных одной и той же задачи могут быть разные x (разной степени обобщения), но одновременно и «белыми» и «черными» они быть не могут. Пример: у человека одновременно и повышенной и пониженной температуры быть не может. Могут быть одновременно такие данные {38°; Повышенная; Ненорма}.

Безальтернативное множество на Xt обозначим Ut.

Предложение 2.3 Безальтернативное множество Ut Xt определяется выражением

Ut = xHt Ct(x) (2.6)

Следствие 2.1. Если x, xHt что Ct(x)Ct(x)=, то Ut =.

Доказательство прямо следует из выражения (2.6). Данное следствие иллюстрирует тот факт, что множество Xt может быть не односвязным.

Определим следующее свойство:

(h) На Xt, Z определено отношение доминирования D(x, x) xx со следующими свойствами:

(i) xx D(x, x) xCt(x) xBt(x).

(ii) Если P(x,u), то xCt(x) P(x,u).

(iii) Если P(x,zx), то xBt(x) P(x,zx).

Следствием свойства (d) отображения Ct является то, что Предложение 2.4 Для любого xXt^ любая последовательность {xn}x {x=x0 x1 … xn} Xt^ конечна.

Любая последовательность {xn}x обладает важным свойством: если активно x, то согласно свойству (e) будут активны все элементы {xn}x.

Критическим множеством на Xt назовем множество следующего вида:

Xt* = {x*| x*Xt !zZ P(x*,z), но либо x*Tt, либо x x*x P(x,u)}.

Xt+ ={x|xXt P(x,u)}=Xt\Xt^.

Надкритическим назовем множество Докритическое множество Xt- определим следующим образом: Xt- = Xt^\Xt*. В рамках докритического множества задача решается, но данные x могут быть обобщены без ущерба для результата.

Можно провести следующие аналогии:

Xt* аналог «края Хаоса» (решение есть, но обобщить его нельзя); Xt+ аналог «Хаоса» (однозначного решения нет); Xt^ аналог «Порядка».

Предложение 2.5 Пусть Xt^. Если xXt^ последовательность {xn}x {x=x0 x1 … xn} Xt^ нельзя расширить справа, то xnXt*.

Для любого xXt^ последовательность {xn}x {x=x0 x1 … xn} Xt^ назовем предельной, если ее нельзя расширить ни путем вставки, ни справа.

Минимальная последовательность состоит из самой точки x.

Предложение 2.6 Пусть Xt^. Для любого xXt^ существует конечное непустое множество предельных последовательностей. Правый конец любой предельной последовательности принадлежит Xt*.

Для любого xXt^ множество всех предельных последовательностей обозначим Mx, а ассоциированное подмножество критического множества (Xt*)x обозначим это конечное множество всех правых концов

– последовательностей из Mx.

Следствие 2.2. Для любого xXt^ множество (Xt*)x и конечно.

Следствие 2.3. Для любого xXt* множество (Xt*)x = x.

Предложение 2.7 Пусть Xt^, тогда множество Xt* существует и определяется выражением

–  –  –

Следствие 2.5 Xt* – аттрактор любой активности на Xt^, т.е. Xt^a Xt*.

Далее примем, что Ht Xt^, т.е. на самых точных данных Z-задача решается однозначно. В ряде приложений множество Ht можно трактовать как сенсорный вход (сенсориум).

Следствие 2.6 Активность на Ht передается на Xt*, т.е. Ht a Xt*.

Следствие 2.6 интерпретируется, в частности, следующим образом:

любые данные, поступающие на сенсорный вход, обязательно активизируют критическую область. Далее этот факт будет использован для построения моделей знаний.

Свойство (iii) отношения доминирования гарантирует сохранение заключения при детализации. При ограниченном обобщении также сохраняется заключение.

Предложение 2.9 Поскольку xXt^ !zx P(x,zx), то xCt(x)Xt^ P(x,zx).

Разбиение (2.9) проиллюстрировано на рис. 2.3.

–  –  –

Разбиение (2.9) лежит в основе рациональной структуризации быстро растущих объемов информации (Big Data Intelligence), а именно: в любом потоке информации Z-задача позволяет выделить относительно небольшой объем критической информации (смысл «конденсируется») [137].

Критическая область Xt* олицетворяет собой максимально грубые данные, которые позволяют однозначно установить заключение. Область Xt* лежит в основе технологии «cognizant computing» – «осмысленные вычисления»: нет необходимости выполнять дорогостоящие и/или точные измерения, если заключение можно сделать на основе грубых данных.

Именно так поступает человек в своей повседневной жизни. В психологии существует представление о среднем – базовом уровне категоризации [129].

Возможная модель этого уровня: Ht Xt* Tt.

Область Xt+ в общетеоретическом плане дает возможность уточнить понятия метафорического мышления, метафорического проектирования, создания метафорических моделей проектируемых областей знания для различных этапов и стадий существования этих областей.

Пусть {Ft} – класс операторов обобщения Ft: Xt^ Xt^, которые для xXt^ выдают либо доминирующее значение xXt^, если такое существует (разные операторы класса отличаются правилами выбора x), либо само x.

Предложение 2.10 Xt* – множество инвариантов любого оператора обобщения Ft {Ft}, т.е.:

xXt* Ft(x) = x. (2.10)

Соотношение (2.10) может служить еще одним определением критического множества Xt*. Далее примем, что X Xt^.

Предложение 2.11 xXt^ x(Xt*)x заключения совпадают: zx= zx.

Следствие 2.7 xXt^ x,x(Xt*)x zx = zx.

Для t задача [Xt^a Xt*, xXt* !zZ P(x,z)] Предложение 2.12 обобщает исходную задачу [xX !zZ P(x,z)], так как позволяет находить решение, в частности, для X.

Доказательство предложения 2.12 описывает, по сути, алгоритм решения исходной задачи.

Кроме X обобщенная задача позволяет находить решения для Xt^\X или Xt^\Bt(X), т.е. на вход задачи могут подаваться более грубые данные, чем в X.

Рассмотрим общий подход к решению предельной задачи:

–  –  –

Каждое xXt^ порождает правило (закономерность, эвристику) вида V=(xzx). Пусть t = { = x, z | xHt}t. Множество всех текущих предельных данных, которые когерентно активируются при активации данных x, обозначим (Xt*). Следовательно, с каждым t связано конечное множество правил вида: {S*} = {x*z | x*(Xt*)}. Ясно, что для решения целевой задачи достаточно активизации любого правила. Правила S* будем называть «предельные синдромы». Предельные синдромы являются разновидностью идеальных закономерностей V (идеальных эвристик).

Общее количество правил индуцируемых t определяется выражением {S*}t,Full = t {S*}. (2.13) Предложение 2.13 Для t |{S*}t,Full|.

Примечание 2.3. Малкольм Гладуэлл (Malcolm Gladwell) описывает главный предмет своей книги «Blink: The Power of Thinking Without Thinking» [63] как «тонкий срез»: нашу способность определять, что действительно важно, даже если мы обладаем минимальным опытом.

Причем иногда тонкие срезы дают более точный ответ, чем целенаправленные и длительные размышления. Способность делать тонкие срезы — это основа человеческого существования. Именно тонкие срезы делают бессознательное таким загадочным, и это самое трудное для понимания в процессе быстрого познания [63]. Критическое множество Xt* и знания на его основе {S*}t,Full могут служить моделью «тонкого среза» (рис.

2.2). В этой же книге Гладуэлл определяет адаптивное бессознательное как мыслительный процесс, который срабатывает автоматически, когда в нашем распоряжении сравнительно мало нужной информации для принятия решения. Когерентное распространение активности в И-среде и срабатывание предельных синдромов можно интерпретировать как элемент адаптивного бессознательного (элемент интуитивного мышления).

Таким образом, ППО дает формальное описание процесса построения «тонких срезов» в процессе развития и обучения. Эволюция критических множеств … X*t-1 Xt* X*t+1 … X* (2.14) приводит к эволюционной или чаще катастрофической смене моделей знаний в рамках Z-задачи. Следовательно, с развитием и накоплением опыта, т.е. с ростом t множество {S*}t,Full будет эволюционировать, при этом изменения могут быть как фрагментарными, так и радикальными (катастрофичными).

При большом t может наступить определенная стабилизация {S*},Full, которое и будет искомым множеством инвариантных внутренних кодов (назовем их также «собственные значения/вектора»). Именно поэтому стабилизация когнитивной эволюции рассматривается как самовалидация «собственных значений/векторов» (внутренних кодов).

Ясно, что предела {S*},Full может и не существовать. Может иметь место, например, асимптотический ряд теории возмущений. Его поведение необычно на нескольких первых шагах довольно [44]: (иногда многочисленных) наблюдается процесс, сходящийся к определенному результату, но последующие итерации приводят не к уточнению, а к ухудшению результата, ряд расходится. Без ограничения общности будем предполагать, что внутренние коды существуют.

Предельными моделями знаний назовем минимальные (ПМЗ) подмножества предельных синдромов {S*}t,Full, которые достаточны для интерпретации всех t. Соответственно, собственными формами (СФ) назовем минимальные подмножества внутренних кодов {S*},Full, которые достаточны для интерпретации всех. Минимальность понимается в том смысле, что если убрать какое-либо правило, то оставшиеся правила не позволяют интерпретировать все t.

Обозначим через K(Xt, Z) – полный базис ПМЗ, соответственно, K(X, Z) – полный базис СФ. Модели знаний опираются на автоматизмы (2.12).

Базисы ПМЗ/СФ позволяют реализовать «метод переменных стратегий»

(неаналитические стратегии до-логического, архаического мышления): у каждого субъекта есть некий репертуар мыслительных моделей для анализа причин (множество каузальных схем). В этом отчасти заключается «свобода выбора». ПМЗ и базисы ПМЗ реализуют самоорганизованную нестабильность механизмов принятия (self-organized instability [452]) решений и управления.

ПМЗ являются инвариантами обобщения: они решают целевую задачу, в частности на t, при этом их нельзя ни редуцировать, ни обобщить, так как они базируются на предельных синдромах. Внутренние коды являются эволюционной асимптотой предельных синдромов, т.е. дополнительно являются эволюционными инвариантами. СФ также являются инвариантами обобщения и эволюционными инвариантами, что обеспечивает их максимальную переносимость на новые ситуации и максимальную грубость, т.е. работу не только с точными данными из t, но и грубыми данными Xt^.

Взаимодополнительность, конкуренция и отбор наиболее эффективных структур составляет суть функционально-структурного дарвинизма (аналог нейродарвинизма Дж. Эдельмана [439]). Его реализация в ИТ позволяет обеспечить высокую отказоустойчивость, что подтверждено на практике.

Полная интеграция, конкретизация и воплощение схем применения ПМЗ приводит к конкурирующим и взаимодействующим функциональным системам (ФС). В процессе эксплуатации в рамках ФС возникают критические пути (КП). КП – результат моторной категоризации.

К собственным функциям интеллектуальной среды (И-среды) отнесем, в частности, воплощенные Ct, Bt, a(x) и механизм решения Z-задачи, о котором пойдет речь ниже. Собственные функции И-среды можно отнести к разряду «генетических» или «врожденных». Они развиваются с ростом t.

Предельные синдромы и внутренние коды являются ad hoc категориями, а СФ/ПМЗ и базисы ПМЗ – ad hoc теориями. При этом внутренние коды и СФ, как асимптоты рекурсивного процесса «разрушения – становления», обладают значительно более высоким категориальным статусом по сравнению с промежуточными предельными синдромами и ПМЗ. Собственные функции И-среды, самоорганизованная критичность, самоорганизованная нестабильность и кризисная эволюция игают решающую роль в формировании инвариантов внутренние коды и собственные формы. Важно также отметить, что ментальная категоризация с накоплением опыта дополняется моторной категоризацией и формированием поведенческих синергий (ФС и КП).

Некоторые внутренние коды {S*} с большим подкреплением на базе прецедентов можно рассматривать в качестве предпараметров и параметров порядка эволюции ситуации, процесса.

Дальнейшие выкладки будут относиться как к ПМЗ, так и к СФ, которые будем считать синонимами (если не оговорено различие).

Количество предельных синдромов модели знаний kK(Xt, Z) назовем рангом k, т.е. rank k = |k|. Чем меньше ранг модели знаний, тем лучше как с точки зрения категоризации и экономии ресурсов, так и с точки зрения устойчивости модели к эволюционным изменениям (с ростом t). Если рассматривать модели знаний с полными z-фракциями (для каждого заключения z имеется свое исчерпывающее подмножество синдромов), то kK(Xt, Z) rank k |Z|. Пусть kz – z-фракция модели знаний k, тогда

k = zZ kz, |k| = zZ |kz|. (2.15)

Базис ПМЗ содержит модели с минимальным рангом. Такие модели назовем минимальными ПМЗ. Каждое правило минимальной ПМЗ имеет (в среднем) большое подкрепление на t, что резко снижает фактор случайности правила. Поэтому именно минимальные ПМЗ наиболее важны для практики. Множество всех минимальных ПМЗ обозначим KMin(Xt, Z).

Процедура вычисления данного множества определяется выражением

–  –  –

Предложение 2.14 kKMin(Xt, Z) тогда и только тогда, когда минимальна каждая из фракций kz, где zZ.

Стабилизацию когнитивной эволюции можно отобразить следующим образом KMin(Xt, Z) KMin(X, Z), что завершает ментальную t категоризацию в рамках Z-задачи (предел может не существовать).

Рассмотрим один частный, но важный случай полного описания всех минимальных моделей знаний. Пусть

–  –  –

где z – z-фракция t (все прецеденты с заключением z). Каждому множеству (Xt*)z соответствует z-ядро предельных синдромов (St*)z.

Предложение 2.15 Пусть zZ (St*)z, тогда полное множество всех минимальных моделей знаний определяется прямым произведением всех z-ядер синдромов с вытекающими свойствами, а именно:

–  –  –

kKMin(Xt, Z) rank k = |Z|. (2.20) Синергетические системы обладают свойством сохранять ядерные признаки и утрачивать периферийные в ходе эволюции под воздействием внешней среды. Любая Z-задача при |Z|3 порождает множество более грубых Z-задач (когерентность), действующих на том же пространстве данных Xt (основа продуктивности). Для каждой задачи формируется свой базис ПМЗ. При решении Z-задачи различения активизируются базисы ПМЗ всех грубых задач, что приводит к конкуренции за ресурсы и высокой нестабильности процесса решения связанных задач (более детально этот вопрос рассматривается в разделе 5).

Пусть (Xt*)Z – критическое множество произвольной Z-задачи.

Предложение 2.16 Если Z более грубая задача чем Z, то (Xt*)Z (Xt^)Z’.

Предлжение 2.16 можно интерпретировать так: чем более грубая задача, тем большего обобщения при построении моделей знаний можно достичь.

Так как любая ПМЗ k является моделью знаний с полными фракциями, то решить задачу различения можно методом исключения, а именно: zZ, является моделью знаний в сильном смысле. Заключение k\kz z устанавливается тогда и только тогда, когда не дали результата все синдромы из k\kz. В общем случае данное правило избыточно. Преимуществом модели k\kz является меньшее количество закономерностей по сравнению с k.

Недостатком модели k\kz является является применение внешнего по отношению к k логического закона, что для когнитивных моделей не всегда приемлемо. Однако в рамках ИС модели k\kz играют важную роль, особенно в ситуациях информационного дефицита (детализация в разделе 5).

ПМЗ возникают в результате эволюции протомоделей знаний, под которыми понимаются произвольные совокупности закономерностей {V} достаточные для интерпретации всех t. Множество всех протомоделей обозначим L(Xt, Z). Ясно, что KMin(Xt, Z) K(Xt, Z) L(Xt, Z).

В результате моторной категоризации на основе всего базиса ПМЗ формируется критический путь – совокупность моделей знаний наивысшего приоритета исполнения, которую обозначим через K*(Xt, Z). В основе формирования критических путей лежит оценка субъективной эффективности/полезности моделей знаний. Критический путь отвечает концепции теории динамического конструала, в соответствии с которой категории не имеют структуры вне различных контекстов их использования.

При фиксированной цели стратегического управления z/Z модель kz ={S*}z описывает пространство тактических решений (параметров порядка), а конусы детализации обеспечивают иерархическую детализацию тактических решений (подробно этот вопрос рассматривается в разделах 5-6).

Совокупность собственных функций И-среды, инвариантных кодов, собственных форм, функциональных систем в рамках всех Z-задач различения является результатом когнитивной дифференциации-интеграции, когнитивной и моторной категоризации, формирующими доконцептуальную картину мира субъекта или информационной системы. Ниже приведена общая схема последовательных этапов категоризации в процессе накопления опыта решения Z-задачи

–  –  –

Схему можно рассматривать как воплощенный механизм антикризисного управления, а также как модель развития компетенции в решении Z-задачи (знаний, умений, навыков).

Переход K*(X, Z) {ФС} символизирует логику исполнения или воплощение когнитивных структур (главную роль в таком переходе играют практические навыки решения т.е. моторное напряжение).

Z-задач, Воплотиться могут только стабильные и максимально компактные модели знаний. Такими моделями и являются собственные формы. Это обстоятельство можно рассматривать как определение собственных форм (СФ – модели знаний, которые воплощены). Воплощенные модели знаний (функциональные системы) активируются рефлекторно/автоматически, на «подсознательном» уровне. Именно стадия воплощения характеризует наивысший профессиональный опыт. Если модели знаний не воплощены, то их использование (активация) требует значительной энергии (ресурсов) на детализацию различения/управления.

Параметром порядка процесса самоорганизации в рамках схемы (2.21) является информационное/моторное напряжение EZ. Если оно отсутствует или недостаточное, то эволюция останавливается и начинается регресс.

Ограничением активности всех Z-задач является главный параметр порядка или общий ресурс E, а именно: Z EZ E. Следовательно, возникает задача повышения общего уровня ресурсообеспеченности.

Основной проблемой естественных процессов категоризации является длительный период формирования устойчивых когнитивно-поведенческих структур, сопровождающийся катастрофами реконфигурации разного масштаба (с ростом t). Схема (2.21) будет детализирована и дополнена в последующих разделах.

Связь ППО с теорией индукторных пространств [111] рассмотрена в Приложении В. Главным свойством индукторов является транзитивность влияния. Оно состоит в том, что элементы системы могут передавать по цепочке воздействие на некоторый объект, входящий в систему (элемент или совокупность элементов). Единственное, что для этого требуется, это чтобы каждый элемент цепочки входил в область влияния следующего за ним элемента цепочки. Таким образом, правильно описанная система областей влияния должна быть замкнута относительно операции расширения областей влияния по таким цепочкам. Это свойство положено в основу определения класса индукторных пространств (ИП) [111].

2.4 Выводы по разделу 2

1. ППО показывает, каким образом когнитивные системы развили такие способы отслеживания каузальной структуры окружающего нас мира, чтобы при этом не перегружать системы хранения и переработки информации.

2. Стандартная технология, основанная на алгоритмическом подходе или чисто онтологическом подходе представлению знаний) и (к соответствующие им средства разработки не применимы к разработке знание-ориентированных (когнитивных) ИС.

3. Любые данные, которые попадают в когнитивную систему, многократно реплицируются с обобщением. Каждая репликация задает систему интерпретаций исходных данных и запускает автоассоциативные процессы, формируя базовый механизм смыслопорождения и осведомленности. Наличие множества данных разного уровня обобщенности запускает рефлексивные механизмы отбора наиболее грубых данных, которые достаточны для принятия решения или управления.

4. Внутренние коды мира» возникают в результате «модели самоорганизованной критичности, нестабильности и кризисной эволюции, как важнейших механизмов саморефлексивности (самоотбора наиболее адекватных структур). Параметром порядка когнитивной самоорганизации является уровень информационного напряжения. Усиливает категоризацию конкурентная критичность.

5. Высокая скорость принятия интуитивных решений объясняется малой глубиной вывода и воплощенностью механизмов решения задач: с учетом масштабной когерентности эта глубина составляет, по сути, один шаг.

6. Реакция элемента К-сферы должна быть согласована по сигналам от разных индукторов, и это накладывает ограничение на совокупность возможных состояний всей системы (системная целостность К-сферы).

РАЗДЕЛ 3

МОДЕЛИ БАЗОВЫХ СУЩНОСТЕЙ

3.1 Элементарные тесты, орграфы значений тестов

Сущность «значение» вводится как предел математической делимости субъективного, качественного, феноменологического пространства.

Под значением будем понимать некую бесструктурную (нульмерную) единицу, обладающую на максимальном уровне общности двумя состояниями:

«активно» (1 - actively) и «неактивно» (0 - inactively). Значения можно рассматривать как атомарные строительные блоки без внутренней структуры.

Как физические сущности значения могут обладать простейшими распознающими свойствами (автоматными свойствами), позволяющими им изменять собственное состояние в зависимости от состояния других значений и состояния окружающей среды (метаболизма). Значения в разных состояниях могут синтезировать и генерировать определенные осциллирующие энергетические поля разной модальности. Эти поля могут распространяться как по выделенным каналам (системопаттернам), связывающим разные значения, так и распределенно в пространстве.

Совокупное воздействие всех полей, а также метаболизма, и определяет конкретное состояние того или иного значения.

Дадим формальные определения базовых сущностей с позиции декогерентности (разделенности, однозначно проявленного смысла).

Произвольные модальности, характеристики, категории, свойства, качества, квалиа признаки явлений действительности и (qualia), субъективной реальности обозначим одним термином тест (модальность).

Этим же термином будем обозначать любые мономодальные ациклические орграфы на базе отношения «обобщение - детализация». Любой тест может принимать определенные значения. Под значениями будем понимать как собственно значения, а также коды, метки, пейсмекеры (берущие на себя инициативу, задающие активность, стиль, ритм действий), ссылки, указатели на комплексные структуры и процессы.

Тесты отвечают за первичное различение. Множество значений гомогенного теста обозначим {}. В систему может поступать любое.

Множество значений теста с обобщающими связями и определенными закономерностями распространения энергии назовем орграфом значений теста с активностью и определим выражениями Gv() = {a e b}, (3.1)

–  –  –

ab {et+1(ab)} = Eab,t(Z(t),{G(a)}, E), (3.4) Gvl+1() = Gv, (Gvl()), l=1,2,…, (3.5) Gv() e Gs(W), (3.6) Gs(W) | Gv(), где a, b – значения теста (двойные ребра: b обобщает a; a детализирует b); e – структурная энергия; Z(t) – текущий системоквант деятельности (текущие Z-задачи различения, управления); {Gv(a)} – банк тестов; E – главный параметр порядка (общая доступная энергия); C() – когерентное множество; A() – альтернативное множество; t – время; Gv, - набор элементарных операций над орграфом типа Gv(); Gs(W) - орграф набросков образа W; ‘|’ – обобщенный оператор генезиса (генезис вторичных тестов, ‘e’ – нагруженный гомеоморфизм, индекс символизирует qualia); e динамику активности на базе гомеоморфизма. Гомеоморфизм реализует ключевое требование масштабируемости архитектуры. Термин «орграф значений» является сокращением термина «орграф значений теста с активностью».

Масштабируемые воплощенные функции активации, подавления, развития, генезиса структур назовем собственными функциями И-среды. Они формируют своеобразный «геном» И-среды. Разные классы И-сред различаются своими «геномами». Выражения (3.1) – (3.6) описывают одновременно структурную динамику динамику, (архитектурную аутопоезис) и динамику активности, представляя собой простейшую динамическую ИС. Они отражают синтез знание–ориентированного и архитектурно-ориентированного подходов к моделированию ИС. Модель системокванта деятельности рассматривается в разделе 7.

Фундаментальная триада (a e b), реализуя сильные связи и логический разрыв в данных (скачок), является простейшим системопаттерном и базовым конструктом смысла (смысл есть фрагмент структурированного знания).

Если значение является указателем (ссылкой, пейсмекером), то энергия активации отражает степень возбуждения подчиненной структуры.

Структурная энергия превращает любой объект ментальной сферы в "когнитивную структуру под напряжением" [178] и придает ему динамику.

Любой орграф значений задает систему интерпретаций (аксиоматику).

Динамика (3.2) – (3.4) преимущественно импульсная или импульсноволновая. Модель (3.2) описывает работу множества индукторов. Основных классов индукторов три: транзитивные вычисления по иерархии Gv();

вычисления на основе онтологических соглашений; вычисления на основе автоассоциативных моделей знаний результаты должны быть (их согласованы для обеспечения системной целостности).

Модель (3.2) описывает специфическую регуляцию, а модель (3.4) неспецифическую регуляцию – включение/отключение связей в процессе деятельности, а также «забывание».

Модель (3.3) описывает преимущественно работу механизма «усиление - торможение»

Пример уровней обобщения (МУТ).

неспецифического влияния показан на рис. 3.1.

Рис. 3.1 – Неспецифическое влияние При возрастающих информационных нагрузках (например, при стрессе, творческом напряжении или повреждениях) «вентили» связей максимально открываются. Подобная регуляция позволяет существенно экономить энергию в «спокойный» период функционирования, оставляя открытыми лишь некоторые пути. Характристика периода (критические) функционирования или зависит

– «напряженный» «спокойный» исключительно от величины главного параметра порядка E(t), характеризующего общие доступные ресурсы (энергию).

Орграф значений по критерию обобщения является ациклическим орграфом. Однако рефлексивные циклы/петли a b могут возникать на энергетическом уровне (3.2) – (3.4), (3.6). Канал детализации в любой связи есть всегда, однако он может быть заторможен. Устойчивые рефлексивные петли (осцилляторы) могут служить эндогенными водителями ритма. МУТ приводит к первичным фазовым переходам, которые масштабируются на более высокие когнитивные уровни (например, уровень орграфов набросков образов). МУТ связей может временно разделить орграф значений на несвязанные подграфы, в рамках которых может осуществяться собственная динамика активности (например, в рамках разных Z-задач).



Pages:   || 2 | 3 | 4 | 5 |   ...   | 7 |
Похожие работы:

«Министерство образования Российской Федерации Ухтинский государственный технический университет Н.И. АВЕРЬЯНОВА, И.А. ШИПУЛИНА, А.Е. ЖУЙКОВ, Н.Ю. ЗАРНИЦЫНА, Л.А. КИЧИГИНА, Е.А.ВЕЛЬДЕР ПИЕЛОНЕФРИТ И ГЛОМЕРУЛО...»

«Кудрявцев Андрей Владимирович НЕЛИНЕЙНО-ОПТИЧЕСКИЕ СВОЙСТВА МИКРОКРИСТАЛЛОВ ГЛИЦИНА И ФЕНИЛАЛАНИНОВ 01.04.07 – Физика конденсированного состояния АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук Воронеж-2015 Работа выполнена в ФГБОУ ВПО «Московский государственный технический университет радиотехники, электроники...»

«Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования Ухтинский государственный технический университет (УГТУ) О. М. Кудряшова, Р. А. Нейдорф, В. Н. Пушкин Вычислительная математика Учебное посо...»

«БЕЛОЛИПЕЦКИХ НАТАЛЬЯ ВИКТОРОВНА СТИМУЛИРОВАНИЕ ПОЛОРОЛЕВОЙ СОЦИАЛИЗАЦИИ СТУДЕНЧЕСКОЙ МОЛОДЁЖИ (на примере строительного колледжа) 13.00.02 – Теория и методика обучения и воспитания (социальное во...»

«Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования Ухтинский государственный технический университет (УГТУ) А. В. Павловская ПЛАНИРОВАНИЕ НА ПРЕДПРИЯТИЯХ НЕФТЯНОЙ И ГАЗОВОЙ ПРОМЫШЛЕННОСТИ Учебное пособие Рекомендовано Государственным университетом управления в качестве учебно...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ УХТИНСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ Н.К. Климушев, О.М. Прудникова Моделирование технологических процессов лесопромышленного производства Учебное пособие Допущено Учебно-методическим объединением вузов по образо...»

«Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования Ухтинский государственный технический университет (УГТУ) Я. В. Зубова Социология (в вопросах и ответах) Учебное пособие Ухта 2011 Учебное издание Зубова Яна Валерь...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ УХТИНСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ Т.С. Омеличева ОРГАНИЗАЦИОННОЕ ПОВЕДЕНИЕ Учебное пособие Ухта 2010 г. ББК 65.290–2я73...»

«Шутов Владимир Дмитриевич ЛИНЕАРИЗАЦИЯ СВЧ УСИЛИТЕЛЕЙ МОЩНОСТИ МЕТОДОМ ЦИФРОВЫХ ПРЕДЫСКАЖЕНИЙ Специальности 01.04.03 – Радиофизика, 05.13.01 – Системный анализ, управление и обработка информации АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата физико-математических наук Воронеж – 2015 Работа выполнена в Воронежском госуд...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ УХТИНСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ В.В. Каюков ПРАКТИКУМ ПО МИКРОЭКОНОМИКЕ Учебное пособие Ухта ББК 65.01.Я 7 К 31 Каюков В.В. Практикум по микроэкономике: Учебное пособие. – Ухта: УГТУ, 2003. – 68 с....»





















 
2017 www.pdf.knigi-x.ru - «Бесплатная электронная библиотека - разные матриалы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.