Для достижения данной цели при проведении исследования применяется системно-когнитивный анализ (СК-анализ) и интеллектуальная система "Эйдос" [2-6], которая используется для решения аналогичных задач в разных предметных областях.
Система "Эйдос" является одним из элементов предлагаемого решения проблемы и достижения цели данной работы, т.к. она обеспечивает решение следующих задач:
1. Синтез и адаптация семантической информационной модели предметной области, включая объект активный управления и окружающую среду.
2. Идентификация и прогнозирование состояния активного объекта управления, а также разработка управляющих воздействий для его перевода в заданные целевые состояния.
3. Углубленный анализ семантической информационной модели предметной области.
Основная идея СК-анализа состоит в автоматизации системного анализа, как метода познания и включении его непосредственно в цикл управления в качестве периодически выполняемого этапа, что обеспечивает не только непрерывную адаптацию модели управления к количественным изменениям в предметной области, но и сохранение ее адекватности после качественных изменений объекта управления.
СК-анализ позволяет выявить и исследовать виды причинно-следственных зависимостей между составом, внутренней структурой и эмерджентными свойствами системы. На основе эмпирических данных строятся формальные модели, количественно отражающие силу и направления влияния значений факторов на поведение моделируемой системы, в частности на переход ее в различные будущие состояния. На основании полученных результатов можно выбрать рекомендации по формированию таких управляющих значений, которые с наивысшей степенью детерминированности переводят управляемую систему в заданное целевое состояние.
СК-анализ позволяет выявить и исследовать виды причинно-следственных зависимостей между составом, внутренней структурой и эмерджентными свойствами системы. На основе эмпирических данных строятся формальные модели, количественно отражающие силу и направления влияния значений факторов на поведение моделируемой системы, в частности на переход ее в различные будущие состояния.
Математической основой системно-когнитивного анализа является теория информации, которая базируется на теории множеств, путем замены понятия множества на более общее понятие системы и на отслеживании всех последствий этой замены.
Для построения моделей систем распознавания образов и принятия решений, ориентированных на применение для синтеза адаптивных систем управления сложными объектами, в системе «Эйдос» определяется суммарное количество информации о каждом информационном источнике, что позволяет получить интегральный критерий для идентификации или прогнозирования состояния объекта.
Плотность информации по Харкевичу определяется по формуле
где Nij – суммарное количество наблюдений в исследуемой выборке факта: «под действием i -го значения фактора объект перешел в j -е состояние»;
Nj – суммарное количество встреч различных факторов у объектов, перешедших в j -е состояние;
Ni – суммарное количество встреч i -го фактора у всех объектов исследуемой выборки;
N – суммарное количество встреч различных факторов у всех объектов исследуемой выборки.
Среднее количество знаний в i-м значении фактора определяется по формуле:
,
где W – количество классов – будущих состояний объекта
Среднее значение координат вектора класса определяется по формуле:
,
где М – количество факторов.
Если провести расчеты по всем признакам и классам, то получится матрица информативности знаний, приведенная в таблице 1.1. [18]. Количественные значения коэффициентов таблицы 1.1 являются знаниями о том, что «объект перейдет в j -е состояние, если на объект действует i -е значение фактора».
Принципиально важно, что эти весовые коэффициенты не определяются экспертами на основе опыта, а рассчитываются непосредственно на основе эмпирических данных, хорошо зарекомендовавших себя на практике.
Таблица 1.1 – Матрица информативности знаний
| Классы | Значимость фактора | ||||||
| ... | j | ... | W | ||||
| Значения факторов | 
| 
| 
| 
| |||
| ... | |||||||
| i | 
| 
| 
| 
| |||
| ... | |||||||
| M | 
| 
| 
| 
| |||
| Степень редукции класса | s1 | sj | sW | 
|
Н – мера уровня системности предметной области.
Когда количество информации 
>0 – i -й фактор способствует переходу объекта управления в j -е состояние, когда <0 – препятствует этому переходу, когда же =0 – никак не влияет на эт
Для синтеза моделей в АСК-анализе в настоящее время используется 7 моделей INF1-INF7, а для верификации данных моделей и решения задачи идентификации и прогнозирования применяются 2 интегральных критерия сходства: «Семантический резонанс знаний» и «Сумма знаний».
Интегральный критерий «Сумма знаний» представляет собой суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния. В координатной форме данный интегральный критерий представляет выражение:
где: M – количество градаций описательных шкал (признаков);
– вектор состояния j-го класса;
– вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду, т.е.:
Интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний и имеет вид:
где: 
– средняя информативность по вектору класса;
– среднее по вектору объекта;
– среднеквадратичное отклонение частных критериев знаний вектора класса;
– среднеквадратичное отклонение по вектору распознаваемого объекта.
Результатом прогнозирования поведения объекта управления является, список его возможных будущих состояний, в котором они расположены в порядке убывания суммарного количества информации о переходе объекта управления из одного состояния в другое.
