4) По организации экспериментов: обычные (рутинные), специальные (технические), уникальные и смешанные эксперименты, проводимые в стационарных условиях или на подвижных объектах.

Обычные эксперименты выполняются по стандартным методикам с использованием сравнительно простого локального экспериментального оборудования

Технические эксперименты связаны с созданием и исследованием различных приборов и аппаратов.

Уникальные эксперименты проводятся на сложном дорогостоящем экспериментальном оборудовании. Такие эксперименты отличаются большими объемами экспериментальных данных, высокой скоростью протекания исследуемых процессов, широким диапазоном изменения характеристик объектов исследования.

Смешанный эксперимент обладает особенностями разных типов экспериментов. Названные разновидности экспериментов организуются как в стационарных условиях, так и на подвижных объектах (морских, авиационных, космических, наземных).

5) По типу моделей определенного вида, восстанавливаемых по результатам исследований.

На данном уровне классификации можно выделить следующие классы.

1. Эксперименты по нахождению модели объекта исследования при наличии неоднородностей разного вида.

2. Эксперименты по нахождению модели объекта исследования при взаимосвязанных входных переменных.

3. Эксперименты по нахождению модели объекта исследования при наличии свойства сохранять последействие.

4. Эксперименты по нахождению модели объекта исследования при выяснении механизма явлений.

5. Эксперименты по нахождению модели объекта исследования, опи­сывающей локальную область пространства его параметров, соответ­ствующую экстремуму некоторого критерия оптимальности при наличии временного дрейфа параметров.

6. Эксперименты по нахождению модели объекта исследования, описывающей локальную область пространства его параметров, соот­ветствующую экстремуму некоторого критерия оптимальности при отсутствии временного дрейфа параметров.

7. Эксперименты по нахождению модели объекта исследования, опи­сывающей степень влияния входных переменных на выходные переменные.

8. Эксперименты по нахождению мат. модели объекта исследования, позволяющей преобразовать набор переменных объекта исследования.

9. Эксперименты по нахождению мат. модели объекта исследования, прогнозирующей его поведение.

10. Эксперименты по нахождению моделей классификации объектов исследования и проверки степени соответствия экспериментальных данных определенным известным моделям.

6) По способу их проведения, определяющему характер взаимодей­ствия системы автоматизации с объектом исследовании: пассивный, активный с программным управлением, активный с обратной связью, активно-пассивный эксперименты.

Активный эксперимент с программным управлением проводится по заранее разработанному плану. В случае активного эксперимента с обратной связью система автоматизации интерпретирует результаты на каждом шаге эксперимента и выбирает оптимальную стратегию управления им. Активно-пассивный эксперимент характеризуется тем, что при его проведении часть факторов просто контролируется, а по другой части осуществляется управление.

22.Обработка экспериментальных данных. Результаты любого эксперимента фиксируют в той или иной форме, затем их используют с целью обработки. Операции сбора и обработки в одних случаях могут быть совмещены во времени, в других случаях обработка экспериментальных данных является самостоятельным этапом. Методы обработки экспериментальной информации зависят от того, какова модель, для уточнения которой проводится эксперимент. Фактически обработка экспериментальных данных - это преобразование информации к виду, удобному для использования, перевод результатов наблюдений с языка измерений на язык уточняемой модели. Модель может принадлежать к одному из двух типов: классификационным или числовым моделям. Классификационные модели являются первичными, исходными формами знания. Человек выделяя основные признаки, способен относить объекты к тому или иному классу, т.е. решать задачу классификации.

В науке, познание начинается со сравнения изучаемого объекта с другими, выявления сходства и различия м/у ними. Наблюдаемые данные, полученные в ходе эксперимента, проводимого на классификационном уровне, содержат результаты измерения ряда признаков Х для подмн-ва А объектов, выбранных из мн-ва Г: каждый объект обладает значениями признаков

где n - число признаков; N - число объектов в А. Каждый признак харак­теризует конкретное свойство объекта.

Для построения классификационных моделей решают типы задач: кластеризации, классификации или распознавания образов, упорядочивание объектов и уменьшение размерности модели.

Задача кластерного анализа характеризуется условиями: считается, что и границы классов в пространстве признаков, и число классов являются неизвестными. Требуется определить классы исходя из близости, похожести или различия описаний объектов . Компоненты вектора Х₀ - признаки кластера, значения которых подлежат определению.

В задаче классификации или распознавания образов число классов считается заданным. Если границы м/у классами заданы, то имеем априорную классификацию, если границы требуется оценить по классификационным примерам, то задача будет называться распозна­ванием образов по обучающей выборке. Целевой признак Х₀ имеет значения в номинальной шкале.

При решении задачи упорядочивания объектов требуется установить отношение порядка м/у признаками объектов х₁₀, х₂₀..., х_n0 (или некоторой их частью) по определенному критерию предпочтения.

Задача уменьшения размерности заключается в следующем. Классификационные модели могут учитывать мн-во предположений, которые еще надо проверить. Список признаков X формируется эвристически и может содержать дублирующие признаки. Поэтому задача состоит в совершенствовании классификационных моделей, в уменьшении размерности модели с помощью отбора наиболее информативных признаков или путем формирования обобщенных признаков.

Числовые модели отличаются от классификационных рядом особенностей: 1) целевые признаки х₀ измеряются в числовых шкалах; 2) числа х₀, представляют собой функционалы или ф-ии признаков переменных, которые не обязательно имеют числовые выражения; 3) в числовых моделях переменные могут зависеть от времени.

В задаче построения числовых моделей в качестве первичной информации могут присутствовать результаты длительных наблюдений за одним объектом или небольшой по объему группой однотипных объектов. Числовые модели могут задавать связь м/у переменными как в виде параметрических, так и в виде непараметрических зависимостей. Типичными задачами для числовых моделей являются задачи косвенных измерений и поиска экстремума.

В задаче косвенных измерений требуется по результатам наблюдений {x_ij} оценить параметр х₀. Измеряется в числовой шкале. Если статистические данные {x_ij} представляют собой результаты наблюдения до некоторого момента времени t₀, а x₀ требуется оценить для момента t > t₀, то задача оценивания называется прогнозированием.

Задача поиска экстремума состоит в организации наблюдений за исследуемым процессом т.о., чтобы по результатам наблюдений

можно было получить экстремальное значение целевого признака х₀. Задачи такого рода решаются с помощью методов планирования эксперимента.