PreprintPDF Available
Preprints and early-stage research may not have been peer reviewed yet.

Abstract

The monograph includes five chapters, which describe the theoretical and mathematical foundations of scenario and spec-tral automated system-cognitive analysis (ASC-analysis) and provide detailed numerical examples of its application for forecasting in financial markets and image analysis. It is intended for undergraduate, graduate and postgraduate students, as well as teachers and developers in the field of artificial intelligence who are interested in this problem.
МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙ ФЕДЕРАЦИИ
ФГБОУ ВО «Кубанский государственный аграрный университет имени И. Т. Трубилина»
Е. В. Луценко
СЦЕНАРНЫЙ И СПЕКТРАЛЬНЫЙ
АВТОМАТИЗИРОВАННЫЙ
СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ
Монография
Краснодар
КубГАУ
2021
2
УДК 004.8 (075.8)
ББК 32.965
Л86
Р е ц е н з е н т ы :
В. В. Степанов профессор кафедры информатики и вычислительной
техники Кубанского государственного технологического университета,
д-р техн. наук, профессор;
Г. А. Аршинов профессор кафедры компьютерных технологий и систем
Кубанского государственного аграрного университета,
д-р техн. наук, канд. физ.-мат. наук, профессор
Луценко Е.В.
Л86 Сценарный и спектральный автоматизированный системно-
когнитивный анализ: научная монография / Е. В. Луценко. Краснодар:
КубГАУ, 2021. – 288 с.
ISBN 978-5-907474-67-3
Монография включает пять глав, в которых описываются
теоретические и математические основы сценарного и спек-
трального автоматизированного системно-когнитивного ана-
лиза (АСК-анализ) и приводятся подробные численные при-
меры его применения для прогнозирования на финансовых
рынках и анализа изображений.
Предназначена для обучающихся бакалавриата, маги-
стратуры и аспирантуры, а также преподавателей и разработ-
чиков в области искусственного интеллекта, всех интересу-
ющихся данной проблематикой.
ISBN 978-5-907474-67-3
DOI: 10.13140/RG.2.2.22981.37608
©
Луценко Е. В., 2021
©
ФГБОУ ВО «Кубанский
государственный аграрный
университет имени
И. Т. Трубилина», 2021
3
СОДЕРЖАНИЕ
ПРЕДИСЛОВИЕ ..................................................................................................................................... 7
ГЛАВА 1. АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ И
ИНТЕЛЛЕКТУАЛЬНАЯ ОНЛАЙН СРЕДА «ЭЙДОС» ......................................................................... 8
1.1. ВВЕДЕНИЕ ................................................................................................................................................. 9
1.2. ОТ БОЛЬШИХ ДАННЫХ К БОЛЬШОЙ ИНФОРМАЦИИ, А ОТ НЕЕ К БОЛЬШИМ ЗНАНИЯМ ............................ 9
1.2.1. Данные .......................................................................................................................................... 10
1.2.2. Информация ................................................................................................................................ 11
1.2.3. Знания ........................................................................................................................................... 13
1.3. КРАТКО ОБ АСК-АНАЛИЗЕ И СИСТЕМЕ «ЭЙДОС» .................................................................................. 16
1.3.1. Что же такое АСК-анализ? .................................................................................................... 16
1.3.2. Работы каких ученых сыграли большую роль в создании АСК-анализа? ................ 16
1.3.3. Кем и когда создан АСК-анализ? ........................................................................................... 17
1.3.4. Что включает в себя АСК-анализ? ...................................................................................... 18
1.3.5. Какие ученые принимали и сейчас принимают участие в развитии АСК-анализа?
................................................................................................................................................................... 19
1.3.6. Каков индекс цитирования ученых, принимающих участие в развитии АСК-
анализа? .................................................................................................................................................. 20
1.3.7. Докторские и кандидатские диссертации защищенные с применением АСК-
анализа в различных областях науки ............................................................................................ 20
1.3.8. Сколько грантов РФФИ и РГНФ выполнено и выполняется с применением АСК-
анализа? .................................................................................................................................................. 21
1.3.9. Сколько монографий, патентов, публикаций, входящих в Перечень ВАК есть по
АСК-анализу? ......................................................................................................................................... 23
1.3.10. В каких областях и где уже применялись АСК-анализ и система «Эйдос»? ........ 25
1.3.11. В каких областях может применяться АСК-анализ? .................................................. 27
1.3.12. Internet-ссылки по АСК-анализу ........................................................................................... 27
1.3.13. О плагиаторах, использующих работы по АСК-анализу, находящиеся в Internet в
открытом доступе ............................................................................................................................. 28
1.4. ОПИСАНИЕ ОТКРЫТОЙ МАСШТАБИРУЕМОЙ ИНТЕРАКТИВНОЙ ИНТЕЛЛЕКТУАЛЬНОЙ ON-LINE СРЕДЫ
ДЛЯ ОБУЧЕНИЯ И НАУЧНЫХ ИССЛЕДОВАНИЙ НА БАЗЕ АСК-АНАЛИЗА И СИСТЕМЫ «ЭЙДОС» .................... 29
1.4.1. Структура и функции открытой масштабируемой интерактивной
интеллектуальной on-line среды «Эйдос» .................................................................................... 29
1.4.2. Сайт проф. Е. В. Луценко ....................................................................................................... 29
1.4.2.1. Главная страница .............................................................................................................................. 30
1.4.2.2. Монографии в полном открытом бесплатном доступе ........................................................ 30
1.4.2.3. Ссылки на статьи в Научном журнале КубГАУ и материалы на образовательном
портале............................................................................................................................................................... 30
1.4.2.4. Скачивание системы «Эйдос» и обновлений с сайта автора и облачных дисков
(инструкция по скачиванию и установке системы «Эйдос» ................................................................ 30
1.4.3. Интеллектуальная система «Эйдос» (функции и структура) .................................. 33
1.4.4. Локальные встроенные учебные Эйдос-приложения ...................................................... 46
1.4.5. Учебные и научные облачные Эйдос-приложения ............................................................ 47
1.4.5.1. Анализ и картографическая визуализация запусков системы «Эйдос» в мире .............. 47
1.4.5.2. Запись Эйдос-приложений в облако .............................................................................................. 54
1.4.5.3. Скачивание из облака и установка на локальном компьютере облачных Эйдос-
приложений......................................................................................................................................................... 57
1.4.5.4. Лаб.работы 4-го типа, устанавливаемые путем скачивания исходных данных из
Internet .................................................................................................................................................................. 59
1.4.5.5. Инструкция для учащихся по созданию собственного интеллектуального облачного
Эйдос-приложения ............................................................................................................................................ 59
1.4.5.6. Форум для обсуждения облачных Эйдос-приложений ............................................................... 63
1.4.5.7. Педагогические и научные новации предлагаемой интеллектуальной облачной Эйдос-
технологии ........................................................................................................................................................ 64
1.4.6. Форум по АСК-анализу и системе «Эйдос» ....................................................................... 66
1.4.7. Поддержка мультиязычности ............................................................................................... 67
1.5. БИЗНЕС-ПЛАН В ФОРМАТЕ CANVAS ........................................................................................................ 69
1.6. ВЫВОДЫ И ПЕРСПЕКТИВЫ ...................................................................................................................... 69
4
ГЛАВА-2. СЦЕНАРНЫЙ АСК-АНАЛИЗ КАК МЕТОД РАЗРАБОТКИ НА ОСНОВЕ
ЭМПИРИЧЕСКИХ ДАННЫХ БАЗИСНЫХ ФУНКЦИЙ И ВЕСОВЫХ КОЭФФИЦИЕНТОВ ДЛЯ
РАЗЛОЖЕНИЯ В РЯД ФУНКЦИИ СОСТОЯНИЯ ОБЪЕКТА ИЛИ СИТУАЦИИ ПО ТЕОРЕМЕ
А.Н.КОЛМОГОРОВА (1957) ................................................................................................................ 73
2.1. ОБЪЕКТ, ПРЕДМЕТ, ПРОБЛЕМА, ЦЕЛЬ, МЕТОД И ЗАДАЧИ ИССЛЕДОВАНИЯ ........................................... 74
2.2. ТЕОРЕТИЧЕСКОЕ РЕШЕНИЕ ПРОБЛЕМЫ ИССЛЕДОВАНИЯ ..................................................................... 77
2.2.1. Суть математической модели классического АСК-анализа ...................................... 77
2.2.1.1. Способ формализации предметной области в АСК-анализе, классификационные и
описательные шкалы и градации и обучающая выборка ..................................................................... 77
2.2.1.2. Синтез системно-когнитивных моделей как разработка обобщенных базисных
функций классов путем многопараметрической типизации функций состояний конкретных
объектов или ситуаций моделирования .................................................................................................. 80
2.2.1.3. Прогнозирование и системная идентификация как разложение функции ситуации
бъекта) в ряд по функциям классов (объектный анализ) ................................................................ 85
2.2.1.4. Математические определения основных понятий АСК-анализа, связанных с
теоремой А.Н.Колмогорова ........................................................................................................................... 88
2.2.1.5. Математическая формулировка теоремы А.Н.Колмогорова для классического АСК-
анализа ................................................................................................................................................................ 90
2.2.1.6. Объекты математической модели АСК-анализа как алгебраические структуры в
рамках высшей алгебры ................................................................................................................................. 92
2.2.1.7. Значимость значения фактора, степень детерминированности класса и ценность
модели ................................................................................................................................................................. 93
2.2.1.8. Абсолютная и относительная сходимость прогнозного ряда. Ортонормирование
системы функций классов: в какой степени оно действительно необходимо?........................... 94
2.2.2. Суть математической модели сценарного АСК-анализа ........................................... 98
2.2.2.1. Идея и концепция сценарного АСК-анализа ................................................................................ 98
2.2.2.2. Математическая формулировка теоремы А.Н.Колмогорова для сценарного АСК-
анализа ................................................................................................................................................................ 99
2.2.2.3. Постановка задачи прогнозирования сценариев будущих событий (классов) на основе
сценариев прошлых событий (значений факторов) ............................................................................ 101
2.2.2.4. Алгоритм выявления сценариев изменения значений факторов и сценариев поведения
объекта моделирования ............................................................................................................................... 102
2.2.2.5. Разработка частных положительных и отрицательных прогнозов и оценка их
достоверности как разложение функции ситуации в ряд по функциям классов ......................... 103
2.2.2.6. Формирование средневзвешенных положительных (что будет) и отрицательных
(чего не будет) прогнозов как преобразование, обратное разложению функции ситуации в ряд
по функциям классов ..................................................................................................................................... 104
2.2.2.7. Технический и фундаментальный подходы и их синтез в сценарном АСК-анализе ... 104
2.2.3. Развитый алгоритм принятия решений АСК-анализа ............................................... 105
2.3. ВЫВОДЫ ................................................................................................................................................ 109
ГЛАВА-3. ПРОГНОЗИРОВАНИЕ НА ФИНАНСОВЫХ РЫНКАХ С ПРИМЕНЕНИЕМ
СЦЕНАРНОГО АСК-АНАЛИЗА И СИСТЕМЫ "ЭЙДОС" (НА ПРИМЕРЕ АКЦИЙ КОМПАНИИ
GOOGLE) ............................................................................................................................................. 111
3.1. ВВЕДЕНИЕ. ПОСТАНОВКА ЦЕЛИ И ЗАДАЧ ИССЛЕДОВАНИЯ .................................................................. 111
3.2. ЗАДАЧА 1: КОГНИТИВНАЯ СТРУКТУРИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ................................................ 113
3.3. ЗАДАЧА 2: ПОДГОТОВКА ИСХОДНЫХ ДАННЫХ И ФОРМАЛИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ ............... 117
3.3.1. Автоматизированный программный интерфейс (API) ввода числовых и
текстовых данных и таблиц .......................................................................................................... 117
3.3.2. Классификационные и описательные шкал и градации и обучающая выборка .... 122
3.3.3. Будущие и прошлые сценарии изменения значений градаций базовых шкал ........ 128
3.4. ЗАДАЧА 3: СИНТЕЗ И ВЕРИФИКАЦИЯ МОДЕЛЕЙ И ВЫБОР НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ .......... 131
3.4.1. Синтез и верификация статистических и системно-когнитивных моделей ...... 131
3.4.2. Оценка достоверности моделей ........................................................................................ 134
3.4.3. Задание текущей модели ...................................................................................................... 138
3.5. ЗАДАЧА 4: РЕШЕНИЕ РАЗЛИЧНЫХ ЗАДАЧ В НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ ................................. 139
3.5.1. Подзадача 4.1. Прогнозирование (диагностика, классификация, распознавание,
идентификация) ................................................................................................................................. 139
3.5.2. Подзадача 4.2. Поддержка принятия решений в простейшем варианте (SWOT-
анализ) ................................................................................................................................................... 148
3.5.3. Подзадача 4.2. Развитый алгоритм принятия решений ........................................... 153
5
3.5.4. Подзадача 4.3. Исследование моделируемой предметной области путем
исследования ее модели ................................................................................................................... 155
3.5.4.1. Когнитивные диаграммы классов ............................................................................................... 155
3.5.4.2. Агломеративная когнитивная кластеризация классов ........................................................ 156
3.5.4.3. Когнитивные диаграммы значений факторов ........................................................................ 158
3.5.4.4. Агломеративная когнитивная кластеризация значений факторов ............................... 159
3.5.4.5. Нелокальные нейроны и нелокальные нейронные сети ...................................................... 162
3.5.4.6. 3d-интегральные когнитивные карты ..................................................................................... 163
3.5.4.7. Когнитивные функции .................................................................................................................... 164
3.5.4.8. Сила и направление влияния значений факторов на принадлежность к классам ....... 167
3.5.4.9. Степень детерминированности классов значениями обуславливающих их факторов
............................................................................................................................................................................. 174
3.6. ВЫВОДЫ ................................................................................................................................................. 178
ГЛАВА-4. ПРОГНОЗИРОВАНИЕ РИСКОВ НЕВОЗВРАТА ССУДЫ С ПРИМЕНЕНИЕМ
ИНТЕЛЛЕКТУАЛЬНОГО ИТЕРАЦИОННОГО АЛГОРИТМА УЧЕТА НЕТИПИЧНЫХ СЛУЧАЕВ
АСК-АНАЛИЗА .................................................................................................................................. 179
4.1. ВВЕДЕНИЕ .............................................................................................................................................. 179
4.2. ПРОБЛЕМАТИКА РАБОТЫ ....................................................................................................................... 179
4.2.1. Описание предметной области, объект, предмет, проблема, цель и задачи
работы .................................................................................................................................................. 179
4.2.2. Обоснование требований к методу решения проблемы ............................................ 180
4.2.3. Выбор метода решения проблемы, соответствующего обоснованным
требованиям ........................................................................................................................................ 180
4.2.4. Выводы ....................................................................................................................................... 181
4.3. НАУЧНОЕ (ТЕОРЕТИЧЕСКОЕ) РЕШЕНИЕ ПРОБЛЕМЫ ............................................................................ 181
4.3.1. Идея и концепция научного решения проблемы ............................................................. 181
4.3.2. Описание общей теории метода решения проблемы: суть метода АСК-анализа
................................................................................................................................................................. 182
4.3.3. Описание личного вклада автора в теоретическое решение проблемы (научная
новизна) ................................................................................................................................................. 183
4.3.4. Выводы ....................................................................................................................................... 183
4.4. ИНЖЕНЕРНОЕ (ПРАКТИЧЕСКОЕ) РЕШЕНИЕ ПРОБЛЕМЫ: ТЕХНОЛОГИЯ (ПРОГРАММНЫЙ
ИНСТРУМЕНТАРИЙ) И МЕТОДИКА РЕШЕНИЯ ПРОБЛЕМЫ ............................................................................ 184
4.4.1. Технико-экономическое обоснование целесообразности работы (ТЭО) ............... 184
4.4.2. Техническое задание (ТЗ): функциональное описание того, что необходимо
сделать (ТЗ) ........................................................................................................................................ 184
4.4.3. Технический проект (ТП) и рабочий проект (РП): структуры и отношения
данных, алгоритмы их обработки, реализация ....................................................................... 184
4.4.3.1. Суть математической модели АСК-анализа и частные критерии ................................ 184
4.4.3.2. Интегральные критерии и принятие управляющих решений ........................................... 185
4.4.3.3. Интеллектуальный итерационный алгоритм учета нетипичных случаев ................. 185
4.4.4. Выводы ....................................................................................................................................... 186
4.5. ПРИМЕНЕНИЕ РАЗРАБОТАННОЙ ТЕХНОЛОГИИ НА ПРАКТИКЕ, ЕЕ ВНЕДРЕНИЕ И ОЦЕНКА
ЭФФЕКТИВНОСТИ РЕШЕНИЯ ПРОБЛЕМЫ ...................................................................................................... 187
4.5.1. Методика, план и обеспечение внедрения ....................................................................... 187
4.5.2. Методика оценки эффективности внедрения ............................................................... 187
4.5.3. Описание внедрения и его результатов (численный пример) ................................... 188
4.5.3.1. Задача 1: когнитивная структуризация предметной области ........................................ 188
4.5.3.2. Задача 2: подготовка исходных данных и формализация предметной области ......... 189
4.5.3.3. Задача 3: применение итерационного алгоритма разделения обобщенных образов
классов на типичную и нетипичную части ............................................................................................ 192
4.5.3.3.1. Исходная модель .......................................................................................................................... 192
4.5.3.3.1.1. Синтез и верификация статистических и системно-когнитивных моделей .................. 192
4.5.3.3.1.2. Оценка достоверности моделей ....................................................................................... 195
4.5.3.3.1.3. Задание текущей модели и распознавание в ней ............................................................ 197
4.5.3.3.2. Первая итерация. Синтез и верификация статистических и системно-когнитивных
моделей. Оценка достоверности моделей. Задание текущей модели и распознавание в ней ......... 198
6
4.5.3.3.3. Вторая итерация. Синтез и верификация статистических и системно-когнитивных
моделей. Оценка достоверности моделей. Задание текущей модели и решение в ней всех
поставленных задач ................................................................................................................................... 206
4.5.3.4. Задача 4: решение различных задач в наиболее достоверной модели ............................. 207
4.5.3.4.1. Подзадача 4.1. Прогнозирование (диагностика, классификация, распознавание,
идентификация) .......................................................................................................................................... 207
4.5.3.4.2. Подзадача 4.2. Поддержка принятия решений в простейшем варианте (SWOT-анализ) 208
4.5.3.4.3. Подзадача 4.2. Развитый алгоритм принятия решений ....................................................... 209
4.5.3.4.4. Подзадача 4.3. Исследование моделируемой предметной области путем исследования ее
модели .......................................................................................................................................................... 211
4.5.3.4.4.1. Когнитивные диаграммы классов ..................................................................................... 211
4.5.3.4.4.2. Агломеративная когнитивная кластеризация классов ..................................................... 212
4.5.3.4.4.3. Когнитивные диаграммы значений факторов .................................................................. 212
4.5.3.4.4.4. Агломеративная когнитивная кластеризация значений факторов ................................ 213
4.5.3.4.4.5. Нелокальные нейроны и нелокальные нейронные сети ............................................... 215
4.5.3.4.4.6. 3d-интегральные когнитивные карты ............................................................................... 216
4.5.3.4.4.7. Когнитивные функции ........................................................................................................ 216
4.5.3.4.4.8. Сила и направление влияния значений факторов на принадлежность к классам ....... 219
4.5.3.4.4.9. Степень детерминированности классов значениями обуславливающих их факторов 221
4.5.3.5. Выводы .......................................................................................................................................... 223
4.5.4. Выводы ....................................................................................................................................... 223
4.6. ЗАКЛЮЧЕНИЕ ......................................................................................................................................... 223
ПРИЛОЖЕНИЕ 1. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ В СИСТЕМЕ «ЭЙДОС» ИНТЕЛЛЕКТУАЛЬНОГО
ИТЕРАЦИОННОГО АЛГОРИТМА УЧЕТА НЕТИПИЧНЫХ СЛУЧАЕВ .................................................................... 224
ГЛАВА-5. СПЕКТРАЛЬНЫЙ АСК-АНАЛИЗ КОНКРЕТНЫХ И ОБОБЩЕННЫХ ИЗОБРАЖЕНИЙ
В СИСТЕМЕ "ЭЙДОС" ...................................................................................................................... 228
5.1. ВВЕДЕНИЕ ............................................................................................................................................. 228
5.2. ПОСТАНОВКА ЗАДАЧИ ............................................................................................................................ 229
5.3. ИСХОДНЫЕ ДАННЫЕ .............................................................................................................................. 229
5.4. ФОРМАЛИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ ............................................................................................ 231
5.4.1. Классификационные и описательные шкалы и градации........................................... 235
5.4.2. Обучающая выборка ............................................................................................................... 236
5.5. СИНТЕЗ И ВЕРИФИКАЦИЯ МОДЕЛИ ....................................................................................................... 237
5.6. ВЫБОР НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ И ПРИДАНИЕ ЕЙ СТАТУСА ТЕКУЩЕЙ ............................... 240
5.7. СПЕКТРЫ КОНКРЕТНЫХ ИЗОБРАЖЕНИЙ ............................................................................................... 245
5.8. СПЕКТРЫ ОБОБЩЕННЫХ ИЗОБРАЖЕНИЙ КЛАССОВ ............................................................................. 251
5.9. РЕШЕНИЕ ЗАДАЧ В НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ ...................................................................... 254
5.9.1. Решение задачи сравнения конкретных изображений с обобщенными образами
классов ................................................................................................................................................... 254
5.9.2. Решение задачи сравнения обобщенных образов классов друг с другом (задача
кластерно-конструктивного анализа классов) ......................................................................... 257
5.9.3. Решение задачи сравнения обобщенных образов признаков друг с другом (задача
кластерно-конструктивного анализа признаков) .................................................................... 259
5.9.4. Решение задачи исследования моделируемой предметной области путем
исследования ее модели (автоматизированный SWOT-анализ изображений) ................ 262
5.9.5. Нелокальные нейроны классов ............................................................................................ 266
5.9.6. Ценность цветов для идентифкации изображений ..................................................... 269
5.9.7. Степень детерминированности классов изображений цветами ............................. 270
5.10. ВЫВОДЫ .............................................................................................................................................. 271
5.11. ВОЗМОЖНЫЕ ОБЛАСТИ ПРИМЕНЕНИЯ И ПЕРСПЕКТИВЫ ................................................................... 272
ЗАКЛЮЧЕНИЕ ................................................................................................................................... 275
ЛИТЕРАТУРА ..................................................................................................................................... 276
ЛИТЕРАТУРА К ГЛАВЕ-1 ................................................................................................................................. 276
ЛИТЕРАТУРА К ГЛАВЕ-2 ................................................................................................................................ 277
ЛИТЕРАТУРА К ГЛАВЕ-3 ................................................................................................................................ 280
ЛИТЕРАТУРА К ГЛАВЕ-4 ................................................................................................................................ 282
ЛИТЕРАТУРА К ГЛАВЕ-5 ................................................................................................................................ 284
7
ПРЕДИСЛОВИЕ
Монография включает пять глав, в которых описываются теоретиче-
ские и математические основы сценарного и спектрального автоматизиро-
ванного системно-когнитивного анализа (АСК-анализ) и приводятся по-
дробные численные примеры его применения для прогнозирования на фи-
нансовых рынках и анализа изображений.
В первой главе кратко описывается автоматизированный системно-
когнитивный анализ (АСК-анализ) и его программный инструментарий
интеллектуальная система «Эйдос».
Вторая глава посвящена теоретическим основам сценарного АСК-
анализа. В ней АСК-анализ рассматривается как метод разработки на ос-
нове эмпирических данных базисных функций и весовых коэффициентов
для разложения в ряд функции состояния объекта или ситуации. Теорети-
ческой основой данной главы является знаменитая теорема
А.Н.Колмогорова (1957)
В третьей главе приводится подробный численный пример примене-
ния сценарного АСК-анализа и его программного инструментария ин-
теллектуальной системы «Эйдос» для прогнозирования на финансовых
рынках. Этот пример основан на данных портала Kaggle о курсах акций
компании Google.
В четвертой главе приводится подробный численный пример приме-
нения сценарного АСК-анализа и его программного инструментария ин-
теллектуальной системы «Эйдос» для прогнозирования рисков невозврата
ссуды с применением интеллектуального итерационного алгоритма учета
нетипичных случаев АСК-анализа. Численный пример основан на данных
портала Kaggle о курсах акций компании Google.
В пятой главе рассматривается спектральный АСК-анализ конкрет-
ных и обобщенных изображений в системе "Эйдос".
Монография предназначена для обучающихся бакалавриата, маги-
стратуры и аспирантуры, а также преподавателей и разработчиков в обла-
сти искусственного интеллекта, всех интересующихся данной проблемати-
кой.
Автор:
Ответственный секретарь Научного журнала КубГАУ,
профессор кафедры компьютерных технологий и систем КубГАУ,
д.э.н., к.т.н., профессор Е.В.Луценко
http://lc.kubagro.ru/, http://ej.kubagro.ru/
https://www.researchgate.net/profile/Eugene_Lutsenko
https://www.facebook.com/groups/558866657885969/
https://www.youtube.com/channel/UC_QF84d8SCaWxsnXnexNFzg
8
Глава 1. АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ
АНАЛИЗ И ИНТЕЛЛЕКТУАЛЬНАЯ ОНЛАЙН СРЕДА «ЭЙДОС»
Существует три основных точки роста совре-
менных информационных технологий: это гло-
бальные сети и мобильные коммуникации, пер-
спективные человеко-машинные интерфейсы, ин-
теллектуальные технологии. Как известно, си-
стемный (синергетический) эффект обычно
наблюдается в мультидисциплинарных и междис-
циплинарных научных исследованиях. Это означа-
ет, что большой интерес представляют направ-
ления исследований и разработок, находящиеся на
перекрытии перечисленных выше трех перспек-
тивных направлений, а именно: перспективные
интерфейсы в глобальных мобильных сетях, пер-
спективные интеллектуальные интерфейсы и
применение технологий искусственного интеллек-
та в Internet и мобильных коммуникациях. И осо-
бенно высокую актуальность имеет разработка и
применение перспективных интеллектуальных
интерфейсов в Internet и мобильных коммуникаци-
ях. Internet постепенно интеллектуализируется и
превращается из нелокального хранилища больших
данных (big data) в информационное простран-
ство, содержащее осмысленные большие данные,
т. е. «большую информацию» (great info), а затем
в пространство знаний или «когнитивное про-
странство», в котором большая информация ак-
тивно используется для достижения целей (управ-
ления) и превращается в «большие знания» (great
knowledge). Появляется все больше сайтов, посвя-
щенных искусственному интеллекту, в открытом
доступе появляются базы данных для машинного
обучения (UCI, Kaggle и другие) и даже on-line
интеллектуальные приложения, совершенствуют-
ся и интерфейсы, применяемые в Internet. Показа-
тельно приобретение разработчиком одной из
первых глобальных социальных сетей Facebook
Марком Цукербергом фирмы Oculus, являющейся
ведущим в мире разработчиком и производителем
амуниции виртуальной реальности. Однако учащи-
еся и ученые до сих пор практически не замечают,
что уже давно существует и действует откры-
тая масштабируемая интерактивная интеллек-
туальная on-line среда для обучения и научных ис-
следований, основанная на автоматизированном
системно-когнитивном анализе (АСК-анализ) и его
программном инструментарии – интеллектуаль-
ной системе «Эйдос», а также сайте автора.
Данная презентация является ее своеобразной пре-
зентацией и призвана ознакомить потенциальных
пользователей с возможностями этой среды
There are three main growth points of modern infor-
mation technologies: global network and mobile com-
munication, advanced human-machine interfaces, in-
telligent technologies. As it is known, the system (syn-
ergistic) effect is usually observed in multidisciplinary
and interdisciplinary researches. This means that an
interesting direction of research and development is
located at the overlap of these three promising areas,
namely: advanced interfaces in the global mobile net-
works, advanced intelligent interfaces and the applica-
tion of artificial intelligence technologies in the Inter-
net and mobile communications. In addition, a par-
ticularly high relevance goes to the development and
application prospective of intelligent interfaces to the
Internet and mobile communications. The Internet
intellectualities gradually, it turns from non-local
storage of large data (big data) in information space
that contains meaningful big data, i.e. "great infor-
mation" (great info), and then in the space of
knowledge or "cognitive space" in which most infor-
mation is actively used to achieve goals (management)
and turns into the "great knowledge" (great
knowledge). There are more sites devoted to artificial
intelligence, free databases for machine learning
(UCI, Kaggle, and others) and even on-line intelligent
applications, and interfaces used in the Internet are
improving. Recently, there was an acquisition of com-
pany Oculus, which is the world's leading developer
and manufacturer of ammunition of virtual reality by
the developer of one of the first global social network-
ing Facebook - Mark Zuckerberg. However, students
and scientists still do not notice that open, scalable,
interactive, intelligent on-line environment for learn-
ing and researches already exists and operates, based
on automated system-cognitive analysis (ASC-
analysis) and its programmatic Toolkit intellectual
"Eidos" and the author's website. This article is an
original presentation and it is designed to familiarize
potential users with the capabilities of this environ-
ment
9
1.1. Введение
Существует три основных точки роста современных информацион-
ных технологий: это глобальные сети и мобильные коммуникации (Net),
перспективные человеко-машинные интерфейсы (Int), интеллектуальные
технологии (intelligent technology IT) (рисунок 1):.
Рисунок 1. Три наиболее перспективных направления развития современ-
ных информационных технологий
Как известно, системный (синергетический) эффект обычно наблю-
дается в мультидисциплинарных и междисциплинарных научных исследо-
ваниях. Это означает, что большой интерес представляют направления ис-
следований и разработок, находящиеся на перекрытии перечисленных вы-
ше трех перспективных направлений, а именно: перспективные интерфей-
сы в глобальных мобильных сетях, перспективные интеллектуальные ин-
терфейсы и применение технологий искусственного интеллекта в Internet и
мобильных коммуникациях. И особенно высокую актуальность имеет раз-
работка и применение перспективных интеллектуальных интерфейсов в
Internet и мобильных коммуникациях
1.2. От больших данных к большой информации,
а от нее к большим знаниям
Internet постепенно интеллектуализируется и превращается из нело-
кального хранилища больших данных (big data) в информационное про-
странство, содержащее осмысленные большие данные, т. е. «большую ин-
формацию» (great info), а затем в пространство знаний или «когнитивное
пространство», в котором большая информация активно используется для
достижения целей (управления) и тем самым превращается в «большие
знания» (great knowledge).
10
1.2.1. Данные
Данные это информация, записанная на каком-либо носителе (или
находящаяся в каналах связи) и представленная на каком-то языке или в
системе кодирования.
Это определение является общепринятым
, но не выдерживает ника-
кой критики.
Во-первых, обычно определение понятия дается через более общее
понятие и выделение специфического признака.
Например: млекопитающее это животное (более общее понятие),
выкармливающее своих детенышей молоком (специфический признак).
Если следовать этой логике, то понятие информации должно быть
более общим, чем понятие данных, а на самом деле как раз наоборот. Кро-
ме того, специфическим признаком информации, которая является данны-
ми, оказывается то, что она записана на каком-то носителе, в том время как
и данные и информация, всегда записаны на каком-либо носителе в какой-
то системе кодирования и невозможно даже представить себе информации,
не записанной на носителе и не представленной на каком-либо языке.
Во-вторых, естественно, и более общее понятие, и специфический
признак, должны быть известны и сами не требовать определения, иначе
получится, что мы определяем одно неизвестное через другое неизвестное,
иногда даже более неизвестное, чем первое. Но понятие информации явля-
ется не менее неизвестным, чем определяемое через него понятие данных.
Например, мы определяем что такое бутерброд и говорим: «бутер-
брод это хлеб, на который намазано масло». А когда мы спрашиваем, что
же такое хлеб, нам отвечают: «Но так это же просто: это то, на что намазы-
вают масло, когда делают бутерброд». И когда, наконец, мы спрашиваем, а
что такое масло, нам говорят: «Но это Вы уже и сами должны были дога-
даться, это то, что намазывают на хлеб, когда делают бутерброд». Мы
уже не говорим о смысле слова: «намазывают». Все вместе взятые эти
«определения» выглядят уже просто как издевательство. Наверное это бы-
ло бы даже смешно, если бы не было грустно, т. к. в науке подобный спо-
соб давать определения, как это ни странно, довольно распространен.
Например нетрудно найти подобные «определения» материи и сознания
друг через друга: материя – это то, что существует вне и независимо от
сознания, а сознание это способность мозга отражать материю
.
Исходные данные об объекте управления обычно представлены в
форме баз данных, чаще всего временных рядов, т. е. данных, привязанных
ко времени. В соответствии с методологией и технологией автоматизиро-
См., например: http://dic.academic.ru/dic.nsf/ruwiki/71919
См., например: http://nounivers.narod.ru/bibl/diam9.htm: «Материя есть объективная реальность,
существующая вне и независимо от сознания, тогда как сознание производно от материи и зависит от
неё. Сознание есть отражение объективного мира в мозгу человека. Сознание-свойство высокоорганизо-
ванной материи, способность нашего мозга отражать вне нас существующий материальный мир.»
11
ванного системно-когнитивного анализа (АСК-анализ), развиваемой проф.
Е. В. Луценко, для управления и принятия решений использовать непо-
средственно исходные данные не представляется возможным. Точнее сде-
лать это можно, но результат управления при таком подходе оказывается
мало чем отличающимся от случайного. Для реального же решения задачи
управления необходимо предварительно преобразовать данные в инфор-
мацию, о том, какие воздействия на объект моделирования к каким по-
следствиям приводят, и в знания о том, какие значения факторов приме-
нить для воздействия на объект моделирования, чтобы он перешел в зара-
нее заданные желательные целевые состояния.
1.2.2. Информация
Информация есть осмысленные данные.
Смысл данных, в соответствии с концепцией смысла Шенка-
Абельсона [21], состоит в том, что известны причинно-следственные зави-
симости между событиями, которые описываются этими данными. Поня-
тие причинно-следственных связей относится к реальной области. Данные
же являются лишь моделью, с определенной степенью адекватности от-
ражающей реальную предметной область. Поэтому в данных никаких
причинно-следственных связей нет и выявить их в данных невозможно.
Но причинно следственные связи вполне возможно выявить между
событиями, отражаемыми этими данными. Но для этого нужно предвари-
тельно преобразовать базу исходных данных в базу событий. Операция
выявления причинно-следственных связей между событиями, отраженны-
ми в данных, называется «Анализ данных». По сути, анализ данных пред-
ставляет собой их осмысление и преобразование в информацию.
Например, анализируя временные ряды, отражающие события на
фондовом рынке, мы начинаем замечать, что если вырос спрос на какую-
либо валюту, то за этим обычно следует повышение ее курса.
Анализ данных включает следующие этапы:
1. Выявление событий в данных:
разработка классификационных и описательных шкал и градаций;
преобразование исходных в базу событий эвентологическую ба-
зу, путем кодирования исходных данных с применением классификацион-
ных и описательных шкал и градаций, т. е. по сути путем нормализации
исходных данных.
2. Выявление причинно-следственных зависимостей между событи-
ями в эвентологической базе данных.
В случае систем управления, событиями в данных являются совпа-
дения определенных значений входных факторов и выходных параметров
объекта управления, т. е. по сути, случаи перехода объекта управления в
определенные будущие состояния, соответствующие классам, под дей-
ствием определенных сочетаний значений управляющих факторов. Каче-
12
ственные значения входных факторов и выходных параметров естественно
формализовать в форме лингвистических переменных. Если же входные
факторы и выходные параметры являются числовыми, то их значения из-
меряются с некоторой погрешностью и фактически представляют собой
интервальные числовые значения, которые также могут быть представлены
или формализованы в форме порядковых лингвистических переменных
(типа: «малые», «средние», «большие» значения показателей).
Какие же математические меры могут быть использованы для коли-
чественного измерения силы и направления причинно-следственных зави-
симостей?
Наиболее очевидным ответом на этот вопрос, который обычно пер-
вым всем приходит на ум, является: «Корреляция». Однако, в статистике
хорошо известно, что это совершенно не так, т. к. для выявления причин-
но-следственных связей в соответствии с методом научной индукции (Ф.
Бэкон, Дж. Милль) необходимо сравнивать результаты, по крайней мере, в
двух группах, в одной из которых фактор действовал, а в другой нет.
Например, на плакате, выпущенном полицией
, написано: «По ста-
тистике, порядка 7,5-8 % аварий в России ежегодно совершается по вине
водителей, находящихся в состоянии алкогольного опьянения»
. Все. Точ-
ка. Больше ничего не написано. Однако, чтобы понять, является ли состоя-
ние алкогольного опьянения фактором, увеличивающим риск совершения
ДТП или его тяжесть, этой информации недостаточно. Для этого обяза-
тельно необходима также информация о том, сколько процентов аварий в
России ежегодно совершается по вине трезвых водителей. Но эта ин-
формация не приводится, поэтому формально здесь возможно три вариан-
та: 1) по вине трезвых водителей аварий совершается меньше, чем по вине
пьяных; 2) по вине трезвых водителей аварий совершается столько же,
сколько по вине пьяных; 3) по вине трезвых водителей аварий совершается
больше, чем по вине пьяных. Первый вариант содержит информацию о
том, что опьянение это фактор риска совершения ДТП, второй что это
никак не влияет на риск совершения ДТП, а третий что опьянение
уменьшает его. Конечно, все понимают, что в жизни реализуется 1-ф вари-
ант. Но об этом ведь нет прямых статистических данных. Таким образом,
знак разности этих процентов определяет направление влияния этого фак-
тора, а модуль этой разности силу его влияния, что и используется как
один из частных критериев знаний в АСК-анализе и системе «Эйдос» [35].
Для преобразования исходных данных в информацию необходимо не
только выявить события в этих данных, но и найти причинно-
следственные связи между этими событиями. В АСК-анализе предлагается
7 количественных мер причинно-следственных связей, основной из кото-
рых является семантическая мера целесообразности информации по А.
Автор такой плакат видел, когда проходил медосмотр перед получением прав нового образца.
См., например: https://cnev.ru/polezno/stati/osnovnye-prichiny-dtp-pyanstvo-za-rulem
13
Харкевичу. Все эти меры причинно-следственных связей основаны на
сравнении условных вероятностей встречи различных значений факторов
при переходе объекта моделирования в различные состояния и по всей вы-
борке.
1.2.3. Знания
Знания это информация, полезная для достижения целей, т. е. для
управления.
Значит для преобразования информации в знания необходимо:
1. Поставить цель (классифицировать будущие состояния моделиру-
емого объекта на целевые и нежелательные в какой-то шкале, лучше всего
в порядковой или числовой).
2. Оценить полезность информации для достижения этой цели (знак
и силу влияния).
Второй пункт, по сути, выполнен при преобразовании данных в ин-
формацию. Поэтому остается выполнить только первый пункт, т. к. клас-
сифицировать будущие состояния объекта управления как желательные
(целевые) и нежелательные.
Знания могут быть представлены в различных формах, характеризу-
ющихся различной степенью формализации:
вообще неформализованные знания, т. е. знания в своей собствен-
ной форме, ноу-хау (мышление без вербализации есть медитация);
знания, формализованные в естественном вербальном языке;
знания, формализованные в виде различных методик, схем, алго-
ритмов, планов, таблиц и отношений между ними (базы данных);
знания в форме технологий, организационных, производственных,
социально-экономических и политических структур;
знания, формализованные в виде математических моделей и мето-
дов представления знаний в автоматизированных интеллектуальных си-
стемах (логическая, фреймовая, сетевая, продукционная, нейросетевая, не-
четкая и другие).
Таким образом, для решения сформулированной проблемы необхо-
димо осознанно и целенаправленно последовательно повышать степень
формализации исходных данных до уровня, который позволяет ввести ис-
ходные данные в интеллектуальную систему, а затем:
преобразовать исходные данные в информацию;
преобразовать информацию в знания;
использовать знания для решения задач управления, принятия ре-
шений и исследования предметной области.
Процесс преобразования данных в информацию, а ее в знания назы-
вается анализ. Основные его этапы приведены на рисунке 2.
В системе «Эйдос» этот процесс осуществляется в следующей по-
следовательности (рисунок 3).
14
Основные публикации автора по вопросам выявления, представле-
ния и использования знаний [36, 37, 38].
Из вышеизложенного можно сделать обоснованный вывод о том, что
АСК-анализ и система «Эйдос» обеспечивают движение познания от эм-
пирических данных к информации, а от нее к знаниям. По сути, это дви-
жение от феноменологических моделей, описывающих явления внешне, к
содержательным теоретическим моделям [39].
Появляется все больше сайтов, посвященных искусственному интел-
лекту, в открытом доступе появляются базы данных для машинного обу-
чения (UCI
, Kaggle
и другие) и даже on-line интеллектуальные приложе-
ния, совершенствуется и интерфейсы, применяемые в Internet.
В этом смысле показательно приобретение разработчиком одной из
первых и наиболее популярный по сегодняшний день глобальных соци-
альных сетей Facebook Марком Цукербергом фирмы Oculus, являющейся
ведущим в мире разработчиком и производителем амуниции виртуальной
реальности.
Однако учащиеся и ученые до сих пор практически не замечают, что
уже давно существует и действует открытая масштабируемая интерактив-
ная интеллектуальная on-line среда для обучения и научных исследований,
основанная на автоматизированном системно-когнитивном анализе (АСК-
анализ) и его программном инструментарии интеллектуальной системе
«Эйдос», а также сайте автора.
Рисунок 2. Преобразование данных в информацию, а ее знания
http://archive.ics.uci.edu/ml/datasets.html
https://www.kaggle.com/datasets
ДАННЫЕ
(ИНФОРМАЦИЯ, ЗАПИСАННАЯ
НА КАКОМ-ЛИБО ЯЗЫКЕ ИЛИ В СИСТЕМЕ КОДИРОВАНИЯ
НА НОСИТЕЛЕ ИЛИ НАХОДЯЩАЯСЯ В КАНАЛЕ СВЯЗИ
И РАССМАТРИВАЕМАЯ БЕЗОТНОСИТЕЛЬНО
К ЕЕ СМЫСЛОВОМУ СОДЕРЖАНИЮ)
ИНФОРМАЦИЯ
(ОСМЫСЛЕННЫЕ ДАННЫЕ, Т.Е. СОГЛАСНО КОНЦЕПЦИИ
СМЫСЛА ШЕНКА-АБЕЛЬСОНА ДАННЫЕ, В КОТОРЫХ
ВЫЯВЛЕНЫ ПРИЧИННО-СЛЕДСТВЕННЫЕ ЗАВИСИМОСТИ)
ЗНАНИЯ
(ИНФОРМАЦИЯ, ПОЛЕЗНАЯ
ДЛЯ ДОСТИЖЕНИЯ ЦЕЛЕЙ,
Т.Е. УПРАВЛЕНИЯ)
Постановка целей,
оценка знака и степени
влияния информации
на их достижение
Анализ данных -
выявление в них
событий и причинно-
следственных связей
между событиями
О соотношении содержания понятий: «Данные», «Информация» и «Знания»
15
Последовательность обработки данных, информации и знаний в системе «Эйдос»,
повышение уровня системности данных, информации и знаний,
повышение уровня системности моделей
Когнитивно-целевая структуризация предметной области
(единственный неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)
Формализация предметной области (реж.2.3.2.2)
Class_Sc, Gr_ClSc
Классификационные
шкалы и градации (реж.2.1) Opis_Sc, Gr_OpSc
Описательные
шкалы и градации (реж.2.2)
Inp_data, Inp_data.xls
Исходные данные
Обучающая выборка,
эвентологическая база
данных (реж.2.3.1) Obi_zag
Заголовки объектов
обучающей выборки
Obi_Kcl
Коды классов объектов
обучающей выборки Obi_Krg
Коды признаков объектов
обучающей выборки
Средства автоматизации
кодирования исходных
данных - программные
интерфейсы (API)
Синтез и верификация моделей (реж.3.5)
Статистические
модели (реж.5.5)
Системно-когнитивные
модели (модели знаний)
(многопараметрическая
типизация) (реж.5.5)
Abs
Матрица абсолютных частот
(матрица сопряженности,
корреляционная матрица)
Prc2
Матрица условных
и безусловных процентных
распределений, расчитанная
по числу объектов классов
Prc1
Матрица условных
и безусловных процентных
распределений, расчитанная
по числу признаков классов
INF3
разности между
фактическими и
теоретически
ожидаемыми
частотами
INF2
Количество
знаний по
А.Харкевичу
INF5
ROI-return on
investment
INF7
Разность
условной и
безусловной
вероятностей
INF1
Количество
знаний по
А.Харкевичу
INF4
ROI-return on
investment
INF6
Разность
условной и
безусловной
вероятностей
Выбор
наиболее достоверной
модели (реж.3.4)
Решение задач распознавания
системной идентификации
и прогнозирования (реж.4.1.2)
Решение задач (реж.4) Решение задач принятия
решений (управления)
(реж. 4.4.8, 6.3)
Решение задач исследования
предметной области путем
исследования ее модели
О соотношении задач:
- распознавания, классификации, идентификации и диагностики (это одно и тоже, т.е. синонимы);
- идентификации и прогнозирования (при идентификации значения свойств и принадлежность объекта к классу относятся к одному моменту времени, а при
прогнозировании значения факторов относятся к прошлому, а переход объекта под действием этих факторов в состояние, соответствующее классу относится к
будущему);
- прогнозирования и принятия решений (при прогнозировании по значениям факторов, действующих на объект моделирования, определяется в какое будущее
состояние он перейдет под их действием. При принятии решений, наоборот, по будущему целевому состоянию объекта моделирования определяются значения
факторов, которые обуславливают его переход в это будущее целевое состояние. Таким образом задача принятия решений является обратной по отношению к
задаче прогнозирования);
- принятия решений и исследования моделируемой предметной области (задача принятия решений является обратной по отношению к задаче прогнозирования
только в простейшем случае: в случае использования SWOT-анализа. Однако SWOT-анализ имеет свои ограничения: может быть задано только одно будущее
целевое состояние, некоторые рекомендуемые факторы может не быть технологической и финансовой возможности использовать. Поэтому в АСК-анализе и
системе «Эйдос» реализован развитый алгоритм принятия решений п.6.3 в котором кроме SWOT-анализа используются также результаты решения задачи
прогнозирования и результаты кластерно-конструктивного анализа классов и значений факторов, т.е. некоторые результаты решения задачи исследования
предметной области.)
ВЫХОД,
т.к. достоверной
модели нет
Рисунок 3. Преобразование данных в информацию, а ее знания в системе
«Эйдос»
Ниже рассмотрим основные компоненты этой среды подробнее.
16
1.3. Кратко об АСК-анализе и системе «Эйдос»
1.3.1. Что же такое АСК-анализ?
Автоматизированный системно-когнитивный анализ (АСК-анализ)
это новый универсальный метод искусственного интеллекта, представля-
ющий собой единственный в настоящее время вариант автоматизирован-
ного системного анализа, а именно, системный анализ, структурированный
по базовым когнитивным операциям.
Известно, что системный анализ является одним из общепризнанных
в науке методов решения проблем и многими учеными рассматривается
вообще как методология научного познания. Однако как впервые заметил
еще в 1984 году проф. И. П. Стабин
практическое применение системного
анализа наталкивается на проблему, суть которой состоит в том, что мето-
дология системного анализа успешно применяется в сравнительно простых
случаях, в которых в принципе можно обойтись и без нее, тогда как в ре-
альных сложных ситуациях, она чрезвычайно востребован и у нее нет аль-
тернатив, сделать это удается очень редко. Проф. И. П. Стабин первым
предложил и путь решения этой проблемы, состоящий в автоматизации
системного анализа, он же ввел и термин: «Автоматизированный систем-
ный анализ» (АСА).
1.3.2. Работы каких ученых сыграли большую роль
в создании АСК-анализа?
Автора идеи АСА мы упомянули выше.
Теперь необходимо отметить отечественных классиков методологии
системного анализа проф. Ф. И. Перегудова и проф. Ф. П. Тарасенко, кото-
рые в своих фундаментальных работах
подробно рассмотрели математи-
ческие методы, которые могли бы быть успешно применены для автомати-
зации отдельных этапов системного анализа. Однако даже самые лучшие
математические методы не могут быть использованы на практике без эф-
фективно реализующих их программных средств, а путь от научного мето-
да, реализуемого с помощью математики к его эффективной программной
системе долог и сложен. Обусловлено это тем обстоятельством, что ЦЭВМ
это дискретный автомат, работающий только в рамках дискретной мате-
матики. Для использования ЦЭВМ необходимо разработать численные ме-
тоды или методики их реализации на компьютере. А затем реализовать и
отладить компьютерную программу, основанную на этом численном мето-
де.
Стабин И.П., Моисеева B.C. Автоматизированный системный анализ.- М.: Машиностроение, 1984.
309 с.
Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. М.: Высшая школа, 1989. - 320 с.,
Перегудов Ф. И., Тарасенко Ф. П.. Основы системного анализа. Томск Изд-во науч.-техн. лит. 1997. 389с.
17
В числе первых попыток реального использования автоматизирован-
ного системного анализа следует отметить монографию [11]
и докторскую
диссертацию проф. В. С. Симанкова (2002). В этих работах идея автомати-
зации системного анализа была основана на высокой детализации этапов
системного анализа и подборе уже существующих программных систем,
автоматизирующих эти этапы. Эта попытка была реализована проф. В. С.
Симанковым, однако лишь для специального случая исследования в обла-
сти возобновляемой энергетики, где использовались системы разных раз-
работчиков, созданные с помощью различного инструментария и не име-
ющие программных интерфейсов друг с другом, т. е. не образующие еди-
ной автоматизированной системы. Эта попытка, безусловно, была боль-
шим шагом по пути, предложенному проф. И. П. Стабиным, но ее нельзя
признать обеспечившей достижение поставленной им цели: создание рабо-
тающего автоматизированного системного анализа. Эта работа не привела
к созданию единой универсальной программной системы, автоматизиру-
ющий системный анализ, которую можно было бы успешно применять в
различных предметных областях.
1.3.3. Кем и когда создан АСК-анализ?
Автоматизированный системно-когнитивный анализ, как реально ра-
ботающий АСА, предложен и разработан проф. Е. В. Луценко в 2002 году
[12] и получил детальное и всестороннее развитие в десятках монографий
и сотнях научных статей [12-33]
.
Основная идея Е. В. Луценко, позволившая сделать это, состоит в
рассмотрении автоматизированного системного анализа как метода позна-
ния (отсюда и использование термина: «когнитивный» от «cognitio» зна-