Синтез системно-когнитивных моделей влияния экологических факторов на качество жизни населения региона

Синтез системно-когнитивных моделей влияния экологических факторов на качество жизни населения региона

Целью проекта является разработка инновационной интеллектуальной технологии исследования влияния экологических факторов на различные аспекты качества жизни населения региона.

Для достижения сформулированной цели необходимо решить ряд задач, которые получены в результате декомпозиции цели и являются этапами достижения цели.

Задачи исследования:

• 1) обоснование актуальности достижения поставленной цели;
• 2) исследование характеристик исходных данных и обоснование требований к методу достижения цели;
• 3) выбор метода по обоснованным критериям;
• 4) разработка этапов достижения цели с применением выбранного метода;
• 5) когнитивно-целевая структуризация предметной области;
• 6) формализация предметной области (разработка классификационных и описательных шкал и градаций и обучающей выборки);
• 7) синтез и верификация статистических и системно-когнитивных моделей влияния экологических факторов на качество жизни населения региона;
• 8) Решение задач идентификации, прогнозирования, принятия решений и исследования предметной области путем исследования наиболее достоверной из созданных моделей.

Ранее нами были решены задачи с 1-й по 6-ю.

Данная работа посвящена описанию решения 7-й задачи: Синтез и верификация модели.

Решению 8-й задачи будут посвящены будущие работы.

Этот этап АСК-анализа, обеспечивающий синтез и верфикацию моделей, выполняется в режиме 3.5 системы «Эйдос» при следующих параметрах (рисунок 1):

Рисунок 1. Экранная форма параметров синтеза и верификации модели На рисунке 2 показана итоговая форма этого режима:

Рисунок 2. Итоговая экранная форма отображения стадии исполнения этапа синтеза и верификации модели Видно, что этот процесс занял 1 минуту 38 секунд.

Из формы, представленной на рисунке 3, видно, что достоверность системно-когнитивных моделей (моделей знаний) достаточно высока для данной предметной области, на основе чего можно обоснованно говорить об определенной степени зависимости продолжительности жизни и причин смерти от экологической обстановки:

Рисунок 3. Экранная форма с оценкой достоверности моделей с разными частными и интегральными критериями на основе предложенной автором метрики, сходной с F-критерием, но не предполагающей нормальность распределения, а лишь интегрально учитывающей верные и ошибочные результаты идентификации и не идентификации Из экранной формы на рисунке 3 видно наилучшей моделью по критерию L2 [37] является модель INF3 с интегральным критерием «сумма знаний» (рисунок 4):

Рисунок 4. Экранная форма с описанием видов прогнозов с точки зрения оценки их достоверности на основе предложенной авторами метрики, сходной с F-критерием, но не предполагающей нормальность распределения, а лишь интегрально учитывающей верные и ошибочные результаты идентификации и не идентификации Ниже приведены фрагменты моделей Abs, Prc2 и Inf3 (рисунок 5):

экологический качество жизнь население.

Рисунок 5. Фрагменты моделей Abs, Prc2 и Inf3.

На основе модели Abs (матрица абсолютных частот) принимать решения не целесообразно из-за (рисунок 5) и разного количества примеров по классам (обобщенным категориям).

В модели Prc2 (условные и безусловные процентные распределения) зависимость представленных в модели значений от числа примеров по классам снята, но для принятия решений на основе той модели необходимо вручную сравнивать значения условных и безусловных вероятностей, что трудоемко и едва ли возможно при больших размерностях моделей.

Модель знаний Inf3, основанная на мере аналогичной хи-квадрат, получена в результате автоматизированного сравнения значения условных и безусловных вероятностей, представленных в модели Prc1, сходной с Prc2, и имеет довольно высокую достоверность особенно если учесть высокую сложность предметной области, которую мы моделируем.

Поэтому в соответствии с технологией АСК-анализа преобразования данных в информацию, а ее в знания именно модель Inf3 в дальнейшем будем использовать для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области, путем исследования ее модели.

Рассмотрим частотные распределения уровней сходства наблюдений с классами для истинных и ложных, положительных и отрицательных решений (рисунки 6, 7 и 8):

Рисунок 6. Экранная форма, которая используется для задания системно-когнитивной модели и вида интегрального критерия для отображения частотных распределений уровней сходства наблюдений с классами для истинных и ложных, положительных и отрицательных решений На рисунке 6 приведена экранная форма, которая используется для задания системно-когнитивной модели и вида интегрального критерия для отображения частотных распределений уровней сходства наблюдений с классами для истинных и ложных, положительных и отрицательных решений.

Задание модели осуществляется путем указания ее текстовым курсором, а вид частотного распределения и интегрального критерия задается путем нажатия мышкой на кнопках внизу экранной формы.

Рисунок 7. Частотные распределения уровней сходства наблюдений с классами для истинных и ложных, положительных и отрицательных решений в самой достоверной системно-когнитивной модели INF3.

На рисунке 7 приведены частотные распределения уровней сходства наблюдений с классами для истинных и ложных, положительных и отрицательных решений в самой достоверной системно-когнитивной модели INF3.

В правой части рисунка показаны положительные решения (т.е. решения о принадлежности наблюдений к классам), а слева — отрицательные (т.е. решения о не принадлежности наблюдений к классам).

Красным и коричневым цветом показаны истинные решения, а синим и голубым — ложные.

Из рисунка 7 мы видим, что показанные на нем частотные распределения уровней сходства образуют как бы два нормальных распределения, сдвинутых относительно друг друга по уровню сходства и разных по числу примеров (амплитуде):

• 1-е, большее по числу примеров, состоит из частотных распределений истинно-отрицательных и ложно-положительных решений;
• 2-е, меньшее по числу примеров, состоит из частотных распределений ложно-отрицательных и истинно-положительных решений.

Из этих частотных распределений мы видим, что:

• — практически при всех уровнях различия истинно-отрицательных решений значительно больше, чем ложно отрицательных;
• — для положительных решений можно выделить три диапазона уровней сходства, отличающихся соотношением количества истинных и ложных решений:
  • 1-й диапазон с уровнями сходства от 0% до примерно 25%: ложных решений больше, чем истинных;
  • 2-й диапазон с уровнями сходства примерно от 25% до 77%: характеризуется тем, что в нем истинных и ложных решений примерно поровну, но в начале этого диапазона больше ложных, а в конце истинных;
  • 3-й диапазон с уровнями сходства примерно от 77% до 100%: истинных решений больше, чем ложных.

Более наглядно, чем на рисунке 7, мы это видим на рисунках 8, на которых приведены графики разности числа истинных и ложных решений в абсолютном (а)) и относительном (б) выражении (относительно числа всех решений):

Рисунок 8. Частотные распределения уровней сходства наблюдений с классами для истинных и ложных, положительных и отрицательных решений Из рисунка 8б мы видим, что с повышением величины уровня сходства доля истинных решений закономерно возрастает, что вполне разумно и вполне согласуется с интуитивными ожиданиями и смыслом величины уровня сходства наблюдения с классом.

Проще говоря ошибочные идентификации с помощью модели случаются, но чем выше уровень сходства, тем они реже, а истинные чаще. Это означает, что уровень сходства наблюдения с классом вполне может служить количественной мерой степени надежности идентификации, который содержится в самой модели и является своеобразной самооценкой достоверности принимаемых с ее помощью решений.

Применение АСК-анализа для исследования влияния экологических факторов на различные аспекты качества жизни обеспечивает синтез моделей большой размерности на основе неполных и зашумленных эмпирических данных, обеспечивающих сопоставившую обработку факторов различной природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения) [5].

Полученные решения могут быть адаптированы и локализованы для применения в разных регионах. Этому способствует то, что на базе АСК-анализа и системы «Эйдос авторами создана открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований» с применением технологий искусственного интеллекта [6]. Сама система «Эйдос» находится в полном открытом бесплатном доступе, причем с актуальными исходными текстами, на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm.

• 1. Трубилин А. И., Барановская Т. П., Лойко В. И., Луценко Е. В. Модели и методы управления экономикой АПК региона. Монография (научное издание). — Краснодар: КубГАУ. 2012. — 528 с. ISBN 978−5-94 672−584−2. http://elibrary.ru/item.asp?id=21 683 702
• 2. Ткачев А. Н. Качество жизни населения, как интегральный критерий оценки эффективности деятельности региональной администрации / А. Н. Ткачев, Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2004. — № 02(004). С. 171 — 185. — IDA [article ID]: 40 402 014. — Режим доступа: http://ej.kubagro.ru/2004/02/pdf/14.pdf, 0,938 у.п.л.
• 3. Луценко Е. В. АСК-анализ влияния экологических факторов на качество жизни населения региона / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2015. — № 06(110). С. 1 — 37. — IDA [article ID]: 1 101 506 001. — Режим доступа: http://ej.kubagro.ru/2015/06/pdf/01.pdf, 2,312 у.п.л.
• 4. Луценко Е. В. Автоматизация Функционально-стоимостного анализа и метода «Директ-костинг» на основе АСК-анализа и системы «Эйдос» (автоматизация управления натуральной и финансовой эффективностью затрат без содержательных технологических и финансово-экономических расчетов на основе информационных и когнитивных технологий и теории управления) / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2017. — № 07(131). С. 1 — 18. — IDA [article ID]: 1 311 707 001. — Режим доступа: http://ej.kubagro.ru/2017/07/pdf/01.pdf, 1,125 у.п.л.
• 5. Луценко Е. В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2013. — № 08(092). С. 859 — 883. — IDA [article ID]: 921 308 058. — Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.
• 6. Луценко Е. В. Открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований на базе АСК-анализа и системы «Эйдос» / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2017. — № 06(130). С. 1 — 55. — IDA [article ID]: 1 301 706 001. — Режим доступа: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 у.п.л.