Научный журнал
Современные наукоемкие технологии
ISSN 1812-7320
"Перечень" ВАК
ИФ РИНЦ = 0,940

СИНТЕЗ ТЕНЗОРНОЙ МЕТОДОЛОГИИ И НЕЙРОСЕТЕВОГО АНАЛИЗА В ТЕОРИИ СИСТЕМ

Дулесов В.А.
Исследование, расчет и проектирование сложных систем стало одной из новых проблем современной науки [3]. Глобализация мирового сообщества в целом, интеграция экономики, систем коммуникаций и технических систем большого числа стран, заставляют искать новые подходы даже в случае хорошо известных и апробированных технологических решениях. Общее количество больших сложных систем, по понятным причинам, имеет сейчас и будет в дальнейшем сохранять тенденцию к росту.

Путь поиска изолированных методов описания деятельности систем в отмеченных условиях будет снижать эффективность разработок, актуальность же развития теории системного анализа напротив лишь возрастает. Примером удачного и перспективного направления является тензорная методология предложенная Г. Кроном.

Хорошо известны и суть метода разработанного Г. Кроном и постулаты обобщения. Первый постулат утверждает, что система как множество взаимосвязанных элементов характеризуется тем же набором параметров-понятий выраженных в измеряемых величинах, как и простейший, но наиболее общий элемент. Второй постулат дополняет первый, заменяя частное матричное уравнение на инвариантное. Совместно они составляют основу тензорной методологии [2]. Однако не следует забывать и о существовании так называемого предварительного постулата, роль которого со временем будет возрастать. Дело в том, что сейчас применение тензорного метода в основном распространено на структуры, описываемые уравнениями с внутренними переменными, взаимодействие же с внешним миром учитывается через узлы сети. В результате инвариантное уравнение имеет тот же символьный вид, что и уравнение любой части системы.

Принимая во внимание факт не единственности надсистемы любого объекта, мы увидим отставание практического приложения тензорного анализа. Подобная неадекватность системных моделей, по-видимому, кроется в упрощении исходных уравнений и ограничении числа их переменных. Взаимодействие же с большим числом других систем наоборот должно предполагать включение новых величин и зависимостей. Таким образом, устраивающее нас тензорное обобщение возможно лишь в том случае, если исходная система получена из совокупности достоверных измерений. Вследствие этого роль методов обработки информации и нахождения неизвестных закономерностей становится решающей.

Перспективным направлением способным к эффективному поиску таких скрытых зависимостей относится интеллектуальный анализ данных. Среди методов и алгоритмов которого следует особо выделить подходы базирующиеся на нейросетевых технологиях [1]. Последние в той или иной степени имитируют работу мозга и обладают способностью к нахождению необходимого набора признаков характеризующих поведение элемента системы.

Таким образом, разработка и применение соответствующих нейроалгоритмов позволит выявить требуемый набор параметров-понятий системы, а последующее тензорное обобщение приведет к повышению полноты описания моделей систем.

СПИСОК ЛИТЕРАТУРЫ:

  1. Дулесов В.А. Нейросетевые технологии анализа и прогнозирования параметров систем / В.А. Дулесов - Красноярск: КГТУ, 2006.-104 с.
  2. Крон Г. Тензорный анализ сетей: Пер. с англ., / Под ред. Л.Т. Кузина, Г.П. Кузнецова.- М.: Сов. Радио, 1978.
  3.  Петров А.Е. Тензорная методология в теории систем / А.Е. Петров - М.: Радио и связь, 1985 г.

Библиографическая ссылка

Дулесов В.А. СИНТЕЗ ТЕНЗОРНОЙ МЕТОДОЛОГИИ И НЕЙРОСЕТЕВОГО АНАЛИЗА В ТЕОРИИ СИСТЕМ // Современные наукоемкие технологии. – 2007. – № 11. – С. 60-61;
URL: https://top-technologies.ru/ru/article/view?id=25606 (дата обращения: 12.12.2024).

Предлагаем вашему вниманию журналы, издающиеся в издательстве «Академия Естествознания»
(Высокий импакт-фактор РИНЦ, тематика журналов охватывает все научные направления)

«Фундаментальные исследования» список ВАК ИФ РИНЦ = 1,674