Формирование базы знаний на основе выделения типовых состояний сложной системы

Ключевые слова: временной ряд, линейный тренд, типовое состояние, продукционное правило

Аннотация

В данной статье представлен подход для формирования базы знаний, описывающей поведение сложной системы. Для того, чтобы описать это поведение вводится система показателей. Предполагается, что в результате их наблюдения формируются временные ряды. На основе кусочно-линейной аппроксимации выделяются такие временные промежутки, внутри которых линейные тренды временных рядов не изменяются. Данные промежутки определяют некоторое состояние сложной системы. Для формального описания состояний используются кодовые векторы, которые формируются на основе лингвистической шкалы. Ее градации определяют базисные направления линейных трендов. Каждому базисному направлению соответствует целочисленный код. Близость угла наклона линейного тренда к базисному направлению определяется с помощью функции принадлежности. Для выделения типовых состояний предлагается использовать кластерную процедуру. Анализ подходящих методов позволил выделить в качестве такой процедуры метод декомпозиционного дерева. Его преимуществом является то, что он позволяет сгенерировать все возможные разбиения заданного множества состояний. На данном этапе возникает проблема выбора оптимального разбиения. В данной статье под оптимальным подразумевается такое разбиение, которое содержит как можно больше классов, встречающихся в декомпозиционном дереве. Такие классы проявляют устойчивость в некотором смысле. Оптимальному разбиению соответствует определенный уровень декомпозиционного дерева, а классам разбиения — типовые состояния сложной системы. В рамках предположения, что показатели системы зависят от некоторого множества факторов, формируется база продукционных правил. Заключения данных правил содержат термы или функции, которые соответствуют факторам. Предложенный подход апробирован в среде FuzzyClips для анализа инвестиционного портфеля.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Татьяна Михайловна Леденева, Воронежский государственный университет

д-р. техн. наук, проф., зав. кафедрой вычислительной математики и прикладных информационных технологий Воронежского государственного университета

Михаил Александрович Сергиенко, Воронежский государственный университет

канд. техн. наук, доц. кафедры вычислительной математики и прикладных информационных технологий Воронежского государственного университета

Екатерина Александровна Тихомирова, Воронежский государственный университет

студентка бакалавриата 4-го года обучения кафедры вычислительной математики и прикладных информационных технологий Воронежского государственного университета

Литература

1. Draper N. R., Smith H. Applied Regression Analysis / John Wiley & Sons, 1998. 736 p.
2. Kashirina I. L. On the methods of formation of neural network ensembles in problems of time series forecasting. Bulletin of the Voronezh State University. Series: Systems Analysis and Information Technology. No 2. 2009. P. 116–119.
3. Yarushev S. A., Averkin A. N., Fedotova A. V. Modular model of time series forecasting based on neuro-fuzzy networks and cognitive modeling. Fuzzy Systems and Soft Computing. 2017. No. 12(2). P. 159–168.
4. Yarushkina N. G., Afanasyeva T. V., Perfilyeva I. G. Intelligent analysis of time series. Ulyanovsk, UlSTU. 2010. 320 p.
5. Ledeneva T. M., Sergienko M. A. On one approach to the formation of a knowledge base for time series segmentation. Bulletin of VSU. Series: System Analysis and Information Technology. No 3. 2017. P. 156–164.
6. Kofman A. Introduction to the theory of fuzzy sets. Moscow, Radio and communication; 1982. 432 p.
7. Lectures on metric classification algorithms. – Available at URL. – (Date of access: 04.03.2020). Формирование базы знаний на основе выдел8. Ledeneva T. M. Processing of fuzzy information. Voronezh, VSU publishing house. 2006. 233 p.
9. Kaplieva N. A., Ledeneva T. M. Study of various types of transitivity as applied to fuzzy classification. Bulletin of VSU. Series: Physics. Mathematics. No 2. 2006. P. 206–216.
10. Ledeneva T. M., Podvalniy S. L. Information Aggregation in Evaluation Systems: Bulletin of Voronezh State University. Series: System Analysis and Information Technology. No 4. 2016. P. 155–164.
11. Sergienko M. A. Development of fuzzy expert systems using FuzzyCLIPS. Contemporary problems of applied mathematics, computer science and mechanics: Proceedings of the International Scientific and Technical Conference (Voronezh, November 11–13, 2019): electronic source. P. 323–325.
Опубликован
2020-03-24
Как цитировать
Леденева, Т. М., Сергиенко, М. А., & Тихомирова, Е. А. (2020). Формирование базы знаний на основе выделения типовых состояний сложной системы. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (1), 140-153. https://doi.org/10.17308/sait.2020.1/2629
Раздел
Интеллектуальные информационные системы