- •1. Системность практической деятельности. Системный анализ. Разнообразие системных технологий (Привести примеры).
- •4.Второе определение системы. Модель состава. Модель структуры
- •5.Третье определение системы. Искусственные и естественные системы. Субъективные и объективные цели.
- •6. Модель. Понятие. Сходство и различие между моделью и действительностью. Предел истинности модели.
- •7. Многоместная модель: субъект-объект-модель-среда.
- •8. Познавательные и прагматические модели.
- •9. Абстрактные модели.
- •10.Материальные модели.
- •11. Определение обобщенного критерия (показателя) качества по показателям единичных свойств объекта исследования.
- •12. Фундаментальные и прикладные результаты теории информации.
- •13. Понятие «сигнал». Модель сигнала. Классы случайных процессов.
- •14. Модели реализаций непрерывных сигналов.
- •15. Принцип частотно-временной неопределённости. Проблема дискретного представления непрерывных сигналов.
- •16. Понятие «энтропии». Дифференциальная энтропия.
- •18. Понятие эксперимента.
- •19. Понятие измерительной шкалы. Шкала наименований.
- •20. Порядковая шкала. Интервальная шкала.
- •21. Агрегирование. Эмерджентность. Агрегаты. Агрегат-конфигуратор.
- •22. Декомпозиция. Формирование содержательной модели.
- •23. Назначение, преимущества и недостатки среды разработки MatLab.
- •24. Основные классы вычислительных объектов MatLab. Операции с переменными класса struct.
- •25. Основные классы вычислительных объектов MatLab. Операции с переменными класса cell.
- •26. Основные классы вычислительных объектов MatLab. Операции с переменными класса char.
- •27. Операции с матрицами в MatLab: формирование, преобразование, обработка данных.
- •28. Операции с полиномами в MatLab.
- •30. Выполняемые файлы ядра MatLab. Различия и сходства function- и script-файлов.
- •31. Применение метода размерности при построении моделей. Пример
- •32. Уточнение проблемы методом «Букета проблем». Пример.
- •5. Обратная проблема:
- •33. Привести пример модели косвенного подобия для системы. Объяснить выбор модели.
- •34. Многокритериальный выбор.
- •35. Многократный выбор (отбор). Идеи теории элитных групп.
- •36. Неформализуемые этапы системного анализа. Выявление целей
- •37. Алгоритмизация системного анализа.
- •38.Обработка экспериментальных данных. Возможность перевода измерений из одной шкалы в другую.
- •39. Алгоритм методики системного анализа. Пояснить выполнение на конкретном примере.
- •40. Роль измерений в создании моделей систем.
37. Алгоритмизация системного анализа.
Системный анализ— это просто одна из современных прикладных наук. Главное его отличие от других наук состоит том, чтосистемный анализ применим к системам любой природы.
Тот факт, что в арсенале системного анализа имеются как формальные (в том числе и математические) процедуры, так и операции, которые выполняются людьми неформально, и даже то, что в некоторых случаях анализ вообще не использует формализованные процедуры, тем не менее, не означает, что нельзя говорить об алгоритмах системного анализа. Наоборот, требование системности (в первую очередь, целенаправленной структурированности) применимо прежде всего к самому системному анализу.
Бросаются в глаза общность в целом и различия в деталях приводимых алгоритмов. Было бы необоснованным утверждать, что какой-то из алгоритмов системного анализа "более правильный" или "более универсальный", чем другой, что реализация одного из них — это системный анализ, а реализация другого — нет. Положение становится ясным, если вспомнить, что алгоритм является прагматической (нормативной) моделью деятельности. Выбрав конкретную модель, мы должны следовать предписаниям именно данного алгоритма, но это не означает, что нельзя было воспользоваться другой моделью. Из целевой предназначенности моделей вытекает, что для какого-то случая конкретный алгоритм предпочтительнее другого; однако отсюда не следует, что не может существовать еще одна, лучшая реализация алгоритма или что в каком-то другом случае порядок предпочтения алгоритмов не окажется противоположным.Впрочем, и полной независимости алгоритмов также нет: одни из них могут являться расширением других, частично совпадать и т.д.
Основные средства исследования систем (этапы системного анализа), из которых может состоять алгоритм системного анализа конкретной системы:
Определение проблемы и проблематики;
Определение конфигуратора;
Выявление целей;
Формирование критериев;
Генерирование альтернатив;
Формирование и использование моделей;
Оптимизация;
Выбор;
Декомпозиция;
Агрегирование;
Исследование информационных потоков;
Исследование ресурсных возможностей;
Наблюдения и эксперименты над исследуемой системой;
Реализация, внедрение результатов анализа.
Приведенный перечень является укрупненным, может иметь другую последовательность операций, каждую указанную операцию можно разделить на более мелкие операции. Это и позволяет составлять алгоритмы системного анализа, имеющие различную степень подробности. Поэтому в системном анализе переплетаются особенности, присущие как науке, так и искусству.
38.Обработка экспериментальных данных. Возможность перевода измерений из одной шкалы в другую.
Обработка экспериментальных данных является отдельным промежуточным этапом между получением информации (измерениями) и ее использованием (принятием и выполнением решения). Измерения, представленные в форме протоколов наблюдений являются исходной информацией для обработки. Фактически, обработка данных – преобразование информации к виду, удобному для использования, перевод «ответов природы» с языка измерений на язык уточняемой модели. С этой точки зрения наши знания могут быть как первоначальными («грубыми»), так и хорошо структурированными (но требующими уточнений). Соответствующие два типа моделей разные авторы называют по-разному: дескриптивные и конструктивные; качественные и количественные; декларативные и процедуральные; классификационные и числовые. Далее будем использовать последние названия – классификационные и числовые модели.
Как уже отмечалось, характер и методы обработки данных зависят от модели, для исследования которой ставился эксперимент. Классификационные модели описывают множество различных объектов, и в качестве основных типов шкал используются слабые.
Примерами приемов, которые применяются для повышения качества выводов по результатам экспериментальных исследований, являются следующие:
1. Контроль условий эксперимента;
2. Внесение поправок в протоколы (использование перерасчетов);
3. Использование алгоритмов с минимумом предположений;
4. Использование алгоритмов с учетом отклонений (робастная статистика).
У исследователя могут быть причины, побуждающие его преобразовать протокол наблюдений, переведя их из одной шкалы в другую:
1. Если при этом данные переводятся в более слабую шкалу, то обычно исследователь отдает себе отчет в том, что в результате происходит некоторое ухудшение качества выводов;
2. Исследователи могут и усиливать шкалы. Типичный случай — "оцифровка" качественных шкал: классам в номинальной или порядковой шкале присваиваются номера, с которыми дальше "работают" как с числами, если в этой обработке не выходят за пределы допустимых преобразований, то "оцифровка" - это просто перекодировка в более удобную форму.
3. Некоторые из преобразований могут ненамеренно изменить уровень шкалы. Например, в акустике и радиотехнике часто отношение мощностей сигналов представляется в децибелах.
По мере развития соответствующей области знания тип шкалы может меняться.
Пример. Температура сначала измерялась по порядковой шкале (холоднее — теплее), затем - по интервальным шкалам (Цельсия, Фаренгейта, Реомюра), а после открытия абсолютного нуля температур - по абсолютной шкале (Кельвина).