ДОНЕЦКИЙ ГОСУДАРСТВЕННЫЙ ИНСТИТУТ  ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

ДОНЕЦКИЙ ГОСУДАРСТВЕННЫЙ ИНСТИТУТ  ИСКУССТВЕННОГО   ИНТЕЛЛЕКТА

 

                                              

 

О С Н О В Ы П О С Т Р О Е Н И Я

Т е м а 1

 Распознавание в биологических и технических

Системах

 

Л Е К Ц И Я 1.1

Распознавание образов в жизни человека

 ( Введение)

 

Л Е К Ц И Я 1.2

Системы распознавания

До этого мы говорили о проблеме распознавания в целом, о теории, о возможности замены человека автоматом. Теперь сосредоточим внимание на практическом применении соответствующих знаний. При этом обратим внимание и на то, что те практические реализации методов распознавания, о которых в этих случаях шла речь, носят название систем распознавания (СР).

Здесь необходимо подчеркнуть, что именно центральную задачу распознавания образов представляет построение на основе систематических теоретических и экспериментальных исследований эффективных вычислительных средств (объединяемых в понятии “системы распознавания”) для отнесения описаний с объектов, явлений, процессов к соответствующим классам.

Широкий круг задач, возлагаемых на такие системы, определяется приведенным нами определением самого понятия “распознавание” и включает выяснение по разнородной, часто неполной, нечеткой,  искаженной и косвенной информации факта, обладают ли изучаемые объекты, явления, процессы, ситуации фиксированным конечным набором свойств, позволяющим отнести их к определенному классу. Сюда входят как непосредственно задачи распознавания и классификации, так и такие задачи, в результате решения которых на основе распознавания требуется выяснить, в какой области из конечного числа областей будут находиться некоторые процессы через определенный промежуток времени.

Отсюда понятно, что к задачам распознавания должны относиться задачи технической и медицинской диагностики, геологического прогнозирования, прогнозирования свойств химических соединений, распознавания свойств динамических и статических объектов в сложной фоновой обстановке и при наличии активных и пассивных помех, прогнозирования урожая, обнаружения лесных пожаров, управления производственными процессами.

Разработки систем распознавания, начатые с 50-х годов, исчисляются тысячами. Сегодня уже трудно назвать такую отрасль науки и сферы производства, где СР не используются или не будут. При этом применение методов распознавания в ряде направлений науки и техники оказывает обратное влияние на эти направления, поистине революционизирующее влияние.

Рассмотрим некоторые применения.

1) Системы технической диагностики.

Их внедрение - важнейший фактор повышения эффективности использования машин и технологического оборудования, резкого сокращения расходов на эксплуатацию.

Исторически сложившаяся тенденция усложнения, а значит удорожания машин постоянно увеличивает затраты на эксплуатацию. Выход - переход к системам технической диагностики (распознавания состояния машин), например, безразборный поиск неисправностей. В результате вместо планово-предупредительного ремонта - ремонт по фактической необходимости. Например, в инструкции по эксплуатации автомобиля предусмотрены плановые технические обслуживания через 500 км, 1000 км, 2000 км и т.д. Если же его оснастить системами распознавания состояний, то от плановых ТО можно было бы отказаться заменив их обслуживанием отдельных узлов и систем по необходимости.

2) Медицинская диагностика.

Автоматизированные системы диагностики в медицине - путь увеличения

- широты и глубины охвата симптомов;

( рассчитывать только на память врача во всех ситуациях очень трудно. Лучше функцию памяти отдать компьютеру)

-оперативности;

(компьютер обеспечит почти мгновенный результат)

-достоверности.

(диагноз компьютера не зависит от внешних факторов, как это случается с человеком)

3) Сельское хозяйство.

Области применения здесь:

-распознавание размеров урожая по данным космических наблюдений;

-уменьшение ручного труда при сортировке плодов по форме, цвету и размерам и т.п.

 

4) Военное дело.

Сложные системы вооружения:

-автоматический функциональный контроль технического состояния систем и ввод резервирующих;

-роботы, обслуживающие фазированные антенные решетки радаров.

 

На основе рассмотренного можно уже ответить на вопрос, что же представляет собой СР.

В первом приближении:

“СР - это автоматическое вычислительное устройство, предназначенное для распознавания образов (каких? можно уже не повторяться).

Заметим, что это очень поверхностное определение. Сегодня физически СР это и вычислительная машина как один составляющий элемент СР;

-это и такие часто более дорогостоящие технические средства, как средства обнаружения распознаваемых объектов (например, патологических изменений того или иного органа человека);

-это и средства измерений параметров обнаруженных объектов (без них не получить признаков распознавания);

-это и математическое обеспечение, в составе которого: методы и алгоритмы обработки измерительной информации; методы и алгоритмы определения признаков распознавания; методы и алгоритмы непосредственно распознавания объектов, явлений, процессов ( построения решающих правил отнесения объектов к тому или иному классу); методы и алгоритмы в некотором смысле оптимального управления процессом распознавания; методы и алгоритмы оценки эффективности СР как на стадии проектирования, так и в процессе ее функционирования;

-наконец, для больших систем это и коллектив подготовленных специалистов обеспечивающих жизненный цикл существования системы.

Рассмотрим подробнее отдельные элементы.

а) Средства обнаружения распознаваемых объектов.

К ним в разных областях применения относятся:

в медицине:

-рентгеновские аппараты;

-аппараты УЗИ;

-ЯМР-томографы;

 -энцефалографы;

 -рентгеновские томографы;

 -кардиографы и т.д.

в военном деле:

 -радиолокаторы;

 -оптические (лазерные) локаторы;

 -лазерные дальномеры;

 -приемники гамма-излучения;

 -сонары - ультразвуковые локаторы.

Средства обнаружения представляют дорогостоящую часть СР. Но этим дорогостоящая часть СР не ограничивается.

б) Средства сопряжения.

Для сопряжения средств обнаружения с ЭВМ необходимы специальные электронные устройства аппаратного интерфейса. Эти составные части СР также достаточно дорогостоящи.

в)Средства измерений параметров распознаваемых объектов, явлений, процессов.

Средства измерений часто входят в состав обнаружителей (РЛС - измерение дальностей, углов, Рс/Рш).

г) Методы и алгоритмы обработки измерительной информации

Часто для получения признаков распознавания или параметров, которые их обусловливают необходима специальная математическая обработка (пример, для РЛС - определение дальностей целей по временной задержке сигналов, угловых координат по разности фаз, коэффициентов лобового сопротивления целей по координатам и их производным и т.п.).

Сам процесс назначения признаков - творческий процесс, говорят - эвристический, зависящий от человека.

д) Методы и алгоритмы принятия решения о принадлежности объектов распознавания.

 е) Методы и алгоритмы оптимального управления распознаванием.

 ж) Методы и алгоритмы оценки эффективности распознавания.

Как алгоритмы принятия решений, так и управление распознаванием, так и оценка эффективности определяются сложностью систем распознавания и представляют концентрированное применение комплекса математических операций соответствующего назначения.

з) Э В М

Наконец, ЭВМ. Это обязательный элемент современной СР. Вся обработка измерений с целью выделения признаков распознавания, вся математика классификации, управления и оценки эффективности выполняется ЭВМ. Само развитие теории и методов распознавания обязано появлению ЭВМ.

и) Коллектив подготовленных специалистов.

Такая составляющая на первый взгляд не имеет отношения к системе. Однако без коллектива подготовленных специалистов трудно обойтись в больших системах, решения которых чрезвычайно ответственны. В таких системах оценка эффективности - это показатель, которым пользуются с момента создания СР и до конца ее существования. При этом пользуются этим показателем специалисты, а не система. А сама необходимость такого использования связана с тем, что в процессе работ появляется возможность повысить эффективность СР за счет получения новых данных и уточнения параметров системы в результате анализа специалистами конкретного случая распознавания с последующим уточнением этими специалистами имеющихся параметров. То есть, система в течение своей жизни (говорят - “жизненного цикла”) изменяется (динамизм системы).

Таким образом, СР - сложная динамическая система, состоящая в общем случае из коллектива подготовленных специалистов и совокупности технических средств получения и переработки информации, обеспечивающих на основе специально сконструированных алгоритмов решение задачи классификации соответствующих объектов, явлений или процессов.

После того, как описан состав и функции элементов СР, для завершения общих представлений о проблеме распознавания можно провести и некоторые поверхностные сравнения технических СР и такой совершенной СР, как человек.

Так рецепторы человека, к которым мы относим зрительные, слуховые, осязательные, обонятельные и вкусовые рецепторы - это средства обнаружения, а иногда и измерения характеристик распознаваемых объектов, явлений, процессов. Тут аналогия полнейшая.

Далее на пути оперирования с информацией у технических СР стоит устройство сопряжения с ЭВМ. Естественными аналогами его являются биологические средства связи человеческих рецепторов с мозгом, выполняющим роль ЭВМ.

Но это, пожалуй, - все, что мы сегодня знаем наверняка. И вопросов здесь больше, чем ответов:

-какие функции выполняют рецепторы в части первичной обработки результатов обнаружения объектов, явлений;

-каковы характеристики линий передачи данных от рецепторов к мозгу как ЦВС;

-какие признаки выделяет система обработки;

-какие алгоритмы использует мозг для решения задачи классификации, оптимального управления процессом распознавания;

-как человеку удается избавиться от специфичности, свойственной техническим СР и т.д.

В процессе нашего дальнейшего изучения предмета Вы сами поставите еще много нерешенных в этом плане вопросов. А их разрешение чрезвычайно важно для построения быстродействующих и высокоэффективных технических СР, помогающих человеку в его повседневной практике.

Достижение соответствующих целей - задачи XXI века.

 

Ò å ì à 2

Ç à ä à ÷ è, ð å ø à å ì û å â ï ð î ö å ñ ñ å ñ î ç ä à í è ÿ ñ è ñ ò å ì ð à ñ ï î ç í à â à í è ÿ.

 

 

Л Е К Ц И Я 2.1.

Л Е К Ц И Я 2.2

Л Е К Ц И Я 2.3

  Формулировка задач создания систем

Л Е К Ц И Я 3.1

Системы без обучения.

Для построения таких систем необходимо располагать полной первоначальной априорной информацией. Предыдущие, рассмотренные нами схемы СР фактически изображали такие системы.

Обучающиеся системы.

Итак, судя по предыдущему рассмотрению, для обучающихся систем мы должны иметь дело с ситуацией, когда априорной информации не хватает для описания распознаваемых классов на языке признаков. (Возможны случаи, когда информации хватает, однако делать упомянутое описание нецелесообразно или трудно).

Исходная информация для обучающихся СР (ОСР) представляется в виде набора объектов w₁, w₂,...., w_l, распределенных по m классам:

(w₁, w₂,..., w_r )            W₁

(w _r+1, w _r+2,..., w_q )       W₂

          ..................

(w_g+1, w_g+2,..., w_l )         W_m

Цель обучения и ее достижение заключаются для ОСР в определении разделяющих функций

F_i(X₁, X₂,....., X_n),

где i = 1, 2,...., m (номер класса).

Определение этой функции осуществляется путем многократного предъявления системе указанных объектов (из набора w₁, w₂,...., w_l ) с указанием, какому классу они принадлежат.

То есть, на стадии формирования ОСР работают с “учителем”, осуществляющим указание о принадлежности предъявленного для обучения объекта. И прежде, чем система будет применяться, должен пройти этап обучения.

О разделяющих функциях мы уже вели речь, когда рассматривали задачи построения систем распознавания. Теперь мы вернулись к этому понятию, определив СР, в которых указанные функции применяются.

Мы и еще раз вернемся к этому понятию, когда будем рассматривать математическую сторону вопроса определения разделяющей функции.

Теперь же мы уже в состоянии изобразить ОСР (Рис. 3).

Y - учитель;

ОО - обучающие объекты;

АРФ - алгоритм построения разделяющих функций;

ТС - под общим названием “Технические средства”

объединены измерители признаков распознавания;

АО - априорное описание классов распознаваемых об’ектов;

АК - алгоритм классификации;

САУ - система автоматического управления (алгоритм) распознавания;

w - неизвестные, распознаваемые объекты.

Ï ó í ê ò è ð í û å ë è í è è í à ð è ñ ó í ê å ñ î î ò â å ò ñ ò â ó þ ò â ç à è ì î ñ â ÿ ç ÿ ì â ï ð î ö å ñ ñ å î á ó ÷ å í è ÿ.

         

 

 

                                               W                                                  

 

 

 

                                        Ò Ñ                           Î Á Î              Ó

 

                                                                               

                                       À Ð Ô

 

 

                                                                                          

                                         À Î

 

 

                                                                                                                                                                                       Ñ À Ó

 

                                          À Ê

                                                                                          

 

 

 

                                                                                            

Ð å ø å í è å î ï ð è í à ä ë å æ í î ñ ò è

 

Ð è ñ. 3

Л Е К Ц И Я 3.2

 Принципы классификации и типы систем распознавания

 (Продолжение)

 

Самообучающиеся системы.

В отличии от систем без обучения и систем, обучающихся с учителем, для самообучающихся систем характерна недостаточность информации для формирования не только описаний классов, но даже алфавита классов. То есть, определен только словарь признаков распознавания. Однако для организации процесса обучения задается все-таки некоторый набор правил, в соответствии с которым система сама вырабатывает классификацию.

Для ССР также, как для ОСР существует период обучения, характерно наличие периода самообучения, когда ей предъявляются объекты обучающей последовательности. Только при этом не указывается принадлежность их к каким-либо классам.

Соответствующая функциональная схема ССР приведена на рис.4.

Здесь дополнительно к обозначениям рис.2, 3 имеем:

ОС - объекты самообучения;

ПК - правила классификации;

АФК - алгоритм формирования классов.

Примером самообучающейся системы может быть система разделения на классы промышленных предприятий для сравнительного анализа эффективности их функционирования. При этом в качестве правил классификации могут быть указания либо о равенстве объемов выпускаемой продукции, либо о равенстве численности рабочих и т.п.).

В другой широко применяемой терминологии ССР - это система автоматического кластерного анализа или таксономии (taxis - порядок, nomos - закон).

Завершая рассмотрение классификации СР по количеству первоначальной априорной информации, заметим, что СР, в которых недостаточно информации для назначения словаря признаков, не существует. Без этого не создается никакая система.

 

                                    W

 

 

 

                                Ò Ñ                            Î Á Ñ                  

 

 

                             À Ô Ê                                      Ï Ê

 

 

                                À Î                                                                                  

 

 

                              Ñ À Ó

 

 

                                À Ê

 

 

                Ð å ø å í è å î ï ð è í à ä ë Å Æ í Î ñ ò è

 

                                                      Ð è ñ. 4

 

Г. Четвертый принцип классификации.

(Характер информации о признаках распознавания).

С характеристикой информации о признаках распознавания мы уже имели дело при изучении задач создания СР. В соответствии с ее отличительными особенностями СР подразделяются на

-детерминированные;

-вероятностные;

-логические;

-структурные (лингвистические);

-комбинированные.

Подытоживая пройденное, отметим характерные особенности этих систем, а именно: метод решения задачи распознавания и метод априорного описания классов.

Детерминированные системы.

а) Метод решения задачи распознавания: использование геометрических мер близости;

б) Метод априорного описания классов: координаты векторов-эталонов по каждому из классов или координаты всех объектов, принадлежащих классам (наборы эталонов по каждому классу).

Вероятностные системы.

а) Метод решения задачи распознавания: вероятностный, основанный на вероятностной мере близости (средний риск);

б) Метод априорного описания классов: вероятностные зависимости между признаками и классами.

Логические системы.

а) Метод решения задачи распознавания: логический, основанный на дискретном анализе и исчислении высказываний;

б) Метод априорного описания классов: логические связи, выражаемые через систему булевых уравнений, где признаки - переменные, классы - неизвестные величины.

Комбинированные системы.

а) Метод решения задачи распознавания: специальные методы вычисления оценок;

б) Метод априорного описания классов: табличный, предполагающий использование таблиц, содержащих классифицированные объекты и их признаки (детерминированные, вероятностные, логические).

Комбинированные системы требуют отдельного рассмотрения для понимания принципов их построения, что мы и сделаем в нашем курсе после определенной подготовки.

В целом рассмотренная классификация СР может быть представлена следующей схемой (рис.5)

После проведенной классификации возвратимся для дополнительного рассмотрения функциональных схем СР. И обратим внимание именно на термин " достаточное" или " недостаточное" количество информации. С этой меркой мы походили к разделению СР на два большие класса: СР без обучения, обучающиеся и самообучающиеся СР. То есть, для СР без обучения имели дело с полной информацией, а для ОСР - с неполной (нет описания классов на языке  признаков), а для ССР - еще с большей неполнотой (отсутствует даже алфавит классов).                                                         

Однако заметим, что само понятие “неполнота информации” - качественное, относительное. Для СР без обучения при прочих равных условиях этой информации просто больше. Это означает, что результативность СР при имеющемся объеме априорной информации значительно выше, чем имеем в той ситуации, которая требует создания ОСР. О результативности СР, для которой невозможно априорно назначит алфавит классов говорить вообще нельзя. Что же касается примененного здесь выражения " результативность значительно выше", то из последующего изучения курса будет понятно, что этому казалось бы опять-таки качественному утверждению соответствуют вполне конкретные количественные показатели.

               

                                              Ñ Ð

 

 

 

Ï ð î ñ ò û å                                                         Ñ ë î æ í û å            

 

Á å ç î á ó ÷ å í è ÿ             Ñ î á ó ÷ å í è å ì      Ñ ñ à ì î î á ó ÷ å í è å ì                       

 

 

Ä å ò å ð ì è í è

ð î â à í í û å                 Â å ð î ÿ ò í î ñ ò í û å      Ë î ã è ÷ å ñ ê è å Ñ ò ð ó ê ò ó ð í û å

 

 

                                                Ê î ì á è í è ð î â à í í û å            

 

 

Ð è ñ. 5

 

Таким образом, отсюда следует, что информацией никогда пренебрегать не стоит. Поэтому при построении как ОСР, ССР и просто СР необходимо всегда использовать принцип обратной связи для расширения объема информации. То есть, результаты решения задачи распознавания неизвестных объектов после апостериорного подтверждения правильности их классификации необходимо использовать для уточнения описания классов в простых СР без обучения и для дополнительного обучения в ОСР и ССР.

Для решения таких задач приведенные схемы СР должны быть дополнены соответствующими функциональными связями дообучения.

 

*  *  *

 

Классификация СР была бы неполной, если бы мы не коснулись экспертных систем, стоящих несколько в стороне от приведенной методологии построения изучаемых нами классических СР.

Как вы уже знаете, эти системы основываются на методах искусственного интеллекта.

Классические решения задач распознавания основываются на моделировании математико-алгоритмических функций (уравнения, системы уравнений) детерминированных или стохастических систем с точным определением области применения,  значений параметров, диапазонов сигналов, интервалов времени, частотных диапазонов и т.п. Эти задачи опираются на надежные, точно научно обоснованные знания. В них реализуются новые и оригинальные достижения высококвалифицированных специалистов, имеющих в то же время узкую специализацию. Однако такие специалисты достаточно редки. Это и побуждает создавать экспертные системы, основанные на представлении неалгоритмического, логического, декларативного характера, нечеткого и слабо формализованного знания в виде множества фактов и правил, причинно-следственных связей.

Указанные знания при этом могут быть как заслуживающими доверия и опробированными многочисленными независимыми применениями, так и сомнительными.

Экспертные системы распознавания - это специализированные автоматы обработки знаний для интерактивного и кооперативного решения проблем распознавания на естественном профессиональном языке со способностями приобретения, хранения и представления знаний в форме алгоритмических программ с одной стороны и неалгоритмических фактов и правил, с другой стороны.

Изучение экспертных систем - это отдельный предмет с его методами и подходами.

 

Ò å ì à 4

Î ï ò è ì è ç à ö è ÿ ý â ð è ñ ò è ÷ å ñ ê è õ â û á î ð î â ï ð è ñ î ç ä à í è è ñ è ñ ò å ì ð à ñ ï î ç í à â à í è ÿ î á ð à ç î â

Л е к ц и я  4.1

Л е к ц и я 4.2

 

Оптимизации

 

Л Е К Ц И Я 5.1

Введение в моделирование

История вопроса

 

История моделирования начинается фактически с истории математики, а также с появления графического и пластического искусств, известных нам по памятникам ранних цивилизаций. Так элементы математического моделирования существовали уже в период зарождения математики. Одним из первых примеров четко сформулированной математической модели является теорема Пифагора (VI век до нашей эры).

Рассмотрим компьютерную реализацию теоремы Пифагора в ее наиболее простой интерпретации

Известно, что эта проверенная жизнью зависимость может использоваться в расчетах как строительных конструкций, так и в машиностроении, так и в определении кратчайшего пути по карте и на местности и т.п.

Если теперь на входе компьютерной программы задавать переменные X и Y как катеты треугольника, например, реальной строительной конструкции, имея желание получить интересующий разработчика размер гипотенузы этой конструкции то в результате расчета будем иметь значения Z, найденные фактически в результате моделирования указанной природной зависимости.

Теорема Пифагора возглавляет длинный список классических примеров математических моделей, среди которых

-законы движения Ньютона (XVII в);

-полиномы Эйлера (XVIII в);

-волновые уравнения Максвелла (XIX в);

-теория относительности Эйнштейна (XX в).

 

Характеризуя существо математического моделирования, следует определить математическую модель как абстрактное математическое представление отображаемого объекта, явления, процесса.

Графические и пластические искусства в отличие от математики возглавили ряд методов, получивших название аналогового моделирования.

Аналоговые модели следует определить как отображение предметов, процессов, явлений посредством аналогичного представления.

Классическими примерами аналоговых моделей могут служить глобус, рельефные карты, модели солнечной системы в виде тел на проволочных орбитах, модели молекулярных соединений в виде атомных структур, а также аэродинамические трубы, аналоговые модели систем автоматического регулирования, представляемые элементарными звеньями (интегрирующее, инерционное и т.д.) и т.п.

С появлением вычислительных машин стало очевидно, что математические и аналоговые модели могут быть запрограммированы, например, для их исследований. Это явилось знаменательным в истории развития моделирования. С этого момента моделирование получило мощное средство, оказавшее существенное влияние на его совершенствование, развитие, усложнение и охват различных сторон деятельности человека.

Значимость происшедшего скачка достаточно убедительно характеризует такой пример первых проб компьютерной реализации моделей. В начале 50-х годов в университете Дж. Гопкинса в США был построен имитатор воздушного боя, состоявший из механических элементов. Каждый вариант боя проигрывался на нем вручную несколькими участниками и длился 3 часа.

Оказалось, что результаты при этом обусловливались рядом случайных факторов, а не искусством игроков.

Несколько позже рассмотренная аналоговая модель была формализована в математическую и запрограммирована на ЭВМ ЮНИВАК 1103А. В итоге время реализации одного варианта моделирования уменьшилось почти в 10000 раз. Эффект, достигнутый при переходе к ЭВМ, был феноменальным.

Использование ЭВМ сделало возможным создание таких моделей, которые не могли быть реализованы на базе аналоговой техники или с помощью ручного счета. При этом стала очевидной и возможность решения огромного числа вариантов поставленной задачи.

После второй мировой войны моделирование с использованием вычислительной техники применялось главным образом для решения военных задач:

-в военных играх;

-в исследованиях боевых операций;

-в испытаниях и исследованиях сложных систем вооружения.

 

В то же время постепенно моделирование находило все большее применение во всех невоенных областях человеческой деятельности:

-в физических и технических науках;

-в коммерческой деятельности;

-в медицине;

-в юриспруденции;

-в библиотечном деле;

-в социальных науках.

Было показано практически, что моделирование с помощью вычислительной техники применимо к любому предмету и явлению, которые могут быть описаны количественно и представлены в виде математических соотношений.

Комплексы разнообразной аппаратуры, связанные в единую целесообразно функционирующую систему посредством управляющей ЭВМ или действий обслуживающего персонала, можно встретить сегодня как на металлургических и химических предприятиях, так и в медицинских учреждениях или в исследовательских лабораториях.

Усложнение аппаратуры влечет за собой усложнение ее проектирования и производства. Нужно отметить, что организация деятельности многочисленных участников процесса разработки, упорядочение использования технологического и испытательного оборудования и т.д. превратились в ХХ веке в тяжелые системотехнические проблемы.

В настоящее время непрерывно растет число вновь создаваемых сложных систем. Это вызывается как потребностями, возникающими вследствие значительных трудностей осуществления процесса управления разросшейся экономикой, увеличением масштабов предприятий крупного производства, а также достижениями в области автоматизации и вычислительной техники.

Наиболее характерные особенности сложных систем - это наличие большого количества разнородных элементов, объединенных в систему для достижения единой цели, сложные взаимно переплетающиеся связи, развитая система математического обеспечения, предназначенная для обработки огромных информационных потоков.

Сложные системы характеризуются множеством состояний. Каждое из них определяется конкретным набором входных параметров. Изменение входного состояния или значений параметров, характеризующих поведение отдельных элементов системы, приводит к изменению выходных параметров системы и ее состояний.

Множество параметров, характеризующих каждый из элементов и систему в целом, а также наличие сложных функциональных зависимостей между ними, затрудняет формализацию с целью описания поведения таких систем. На практике редко удается получить полное математическое описание поведение сложной системы в общем виде.

Уникальность и дороговизна сложных систем практически исключает традиционные эмпирические методы их проектирования путем “доводки” аппаратуры на серии опытных образцов. В ряде случаев сложную систему вообще не успевают испытать в течение всего периода эксплуатации. При этом проверка в аварийных ситуациях, как правило, оказывается вообще невозможна (АЭС в аварийных ситуациях).

12345678910Следующая ⇒

Поделиться: