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:
- Дулесов В.А. Нейросетевые технологии анализа и прогнозирования параметров систем / В.А. Дулесов - Красноярск: КГТУ, 2006.-104 с.
- Крон Г. Тензорный анализ сетей: Пер. с англ., / Под ред. Л.Т. Кузина, Г.П. Кузнецова.- М.: Сов. Радио, 1978.
- 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: 21.11.2024).