Одним из способов решения вышеописанной проблемы является методология, называемая data mining (приблизительный смысл термина “разработка запасов данных”, по аналогии с полезными ископаемыми). В основе ее предоставление пользователю средств, которые при правильной настройке позволяют выявлять в имеющейся совокупности данных скрытые закономерности. Как правило, эти средства относительно универсальны и представляют собой инструментальную поддержку информационных систем в комплексе с инструментарием для регрессионного и кластерного анализа, методов обработки данных, аналогичных методам распознавания образов, методов идентификации, аналогичных методам классических экспертных систем, а также средств создания нейронных сетей с использованием данных, хранящихся в обычной реляционной базе. При высокой степени интеграции таких продуктов с офисными системами, системами управления базами данных и средствами проектирования автоматизированных систем, базирующимися на технологиях CASE, они могут оказаться существенно полезными при решении вышеописанной проблемы.

Пусть в моделируемой системе имеется перечень сущностей, которыми в общем случае может быть что угодно: объекты, процессы, характеристики, субъекты управления и так далее. Каждая такая сущность считается потенциально присущей системе в целом, но не обязательно в ней присутствует. Например, сущность “постоянный заказчик” является потенциально свойственной системе управления заказами, что, однако, не гарантирует наличие постоянных заказчиков как таковых. Считается, что перечень сущностей не является чем-то, заданным изначально (хотя базовый список сущностей присутствует при создании системы), а может быть дополнен по мере явления новых сущностей. Эти новые сущности могут как возникнуть в процессе развития системы, так и оказаться выявленными в результате анализа скрытых причинно-следственных связей.

Нейроподобный элемент считается активным, если значение выходного сигнала превышает установленный пороговый уровень. Активность нейроподобного элемента трактуется как наличие соответствующей ему сущности в моделируемой системе. Еcли нейроподобный элемент переходит в активное состояние, следовательно, сущность возникает, если он переходит в состояние пассивное, следовательно, сущность прекращает свое существование в моделируемой системе (что, разумеется, не означает, что она не возникнет при определенных условиях вновь). Нейроподобные элементы в такой сети не расположены слоями, а имеют неограниченное количество связей друг с другом, каждой связи сопоставлен весовой коэффициент. Положительным коэффициентам соответствуют усиливающие связи, а отрицательным – тормозящие. Так, например, отрицательная связь между нейроподобным элементом X и нейроподобным элементом Y означает, что наличие сущности X в системе в плане причинно-следственных связей способствует (но не фатально) исключению из системы сущности Y.

Функционирование системы происходит следующим образом. Элементы информации, хранящейся в базе данных, играют роль датчиков, сигнализирующих о наблюдаемой ситуации. Информация от “датчиков” возбуждает те или иные нейроподобные элементы, от них возбуждение передается по сети, в результате в каждый момент времени часть элементов сети находится в возбужденном состоянии. Информация от нейроподобных элементов, условно считающихся выходными, дешифруется и сопоставляется одной из известных ситуаций. В том случае, если комбинация возбужденных нейроподобных элементов не соответствует ни одной из известных ситуаций, запускается алгоритм обучения активной семантической сети и сеть модифицируется. Практически это означает, что, возможно, обнаружена ранее не наблюдавшаяся закономерность или обнаружена новая сущность в моделируемом объекте. В представленной работе вопросы обучения системы и методология ее использования при построении агрегированной модели промышленно-экономического объекта рассмотрены более подробно.

Процедурный и информационный аспект функционирования нейронной сети может быть реализован с использованием Oracle-совместимых программных продуктов, поддерживающих data mining.

1. Поспелов Д.А. Ситуационное управление: теория и практика.М., 1986

2.Стивен Бобровски. Oracle 7. Вычисления клиент/сервер. “Лори”, 1996.

5.Долгова Е.В. Представление моделей динамических систем в имитаторах компьютерных тренажеров // Информационно - управляющие системы. Сб. науч.трудов/ Пермь, ГосНИИУМС, 1995