- •Глава 1. Основные понятия и задачи моделирования.
- •Определение степени сложности и организации системы
- •Глава 2. Экспериментально-статистическое моделирование
- •Расчет коэффициентов полиномиальных моделей.
- •Статистическая оценка коэффициентов модели
- •Глава 3. Методы статистического анализа эксперимента.
- •82 49 18 48 09 50 17 10 37 51
- •Проверка однородности результатов измерений
- •Квантили распределения Колмогорова
- •Глава 4. Теоретическое моделирование.
- •Если t 0, то:
- •Пример.
- •Глава 5. Нечеткая информация и нечеткие выводы.
- •Нечеткие выводы.
- •Нечеткое продукционное правило Если высокий то открыть
- •Данные наблюдения
- •Установление функции принадлежности для вывода
- •(Знание) Если xестьA, тоyестьB
- •Глава 6. Обработка медико-биологических данных
- •Задача медицинской диагностики как задача распознавания образов
- •Обладает исследователь в предметной области (медик).
- •Отображение структуры данных в память эвм
- •Литература
Определение степени сложности и организации системы
Процедура определения может играть решающую роль в выборе класса модели.
Степень сложности системы (Нm) определяется следующим образом:
Нm = log n,
где n - количество состояний, которые принимает система.
Если выходные параметры системы непрерывные, то необходимо осуществить их дискретизацию с шагом ∆y. В таком случае:
;
где ymax и ymin − граничные значения выходного параметра y.
Шаг дискретизации выбирается исходя, в основном, из точности анализа параметра У.
Организация системы(R):R= 1 - Н/ Нm, где: Н – оценка энтропии системы, Нm– степень сложности системы.
Энтропия (неопределенность) зависит от вероятности Рi пребывания системы в любом из n возможных состояний:
Чем беспорядочнее система, т.е. чем больше Н, тем в большей степени ее будущее зависит от случайности. Максимальная энтропия (неопределенность) достигается при равных вероятностях Рi. В таком случае Н = Нm и в результате организация системы (R) равна нулю.
По степени сложности и организации системы можно классифицировать следующим образом:
по сложности: простые (О < Нm <3), сложные (3 < Нm <6), очень сложные (6 < Нm);
по организации: детерминированные (0,3 < R < 1), квазиде-терминированные (0,1 < R < 0,3), вероятностные (0 < R < 0,1).
По сравнению с детерминированными системами, в вероятностных системах смена состояний в значительно большей степени определяется случайными факторами.
Рассмотрим некоторые примеры классификации биологических систем.
Детерминированные системы управляют внутренними органами (подсистемы, управляющие функционированием сердечно-сосудистой системы, реакцией зрачка на свет, регуляцией температуры тела и т.п.).
Вероятностные системы определяют взаимодействие анализаторов и поведенческих реакций, включая процесс обучения при простых рефлекторных актах. Реакция человека на один и тот же стимул может быть различна. Она зависит от многих факторов, которыми исследователь не может управлять.
Квазидетерминированные системы также могут управлять внутренними органами, но при условии, что ведущую роль играет центральная нервная система. К таким системам можно отнести и некоторые патологические процессы.
Пример оценки организации и сложности системы: исследуется реакция объекта на импульсное электрическое раздражение. Система принимает два состояния: есть ответ, нет ответа. Опыты проводились в условиях нормы и патологии исследуемого объекта.
Норма: P1 = Р2 = 0,5.; Нm = log 2 = 0,3; Н = 0,3.
Организация системы: R = 1-0,3/0,3 = 0. Систему можно отнести к классу простых вероятностных систем.
Патология: P1 = 0,1; Р2 = 0,9; Нm = log 2 = 0,3;
Н = -0,1 log (0,1) - 0,9 log (0,9) 0,14.
Организация системы: R = 1 - 0,14/0,3 = 0,54. Систему можно отнести к классу простых детерминированных систем.
При воздействии на систему фактора с различными уровнями воздействия или комбинаций нескольких факторов вычисляется среднее арифметическое оценок организации по всем воздействиям:
,
где R – среднее арифметическое оценок организации системы; N – количество различных вариантов воздействий.
Пример: исследуется изменение частоты сердечных сокращений под влиянием физической нагрузки. Q – величина нагрузки: Qmax, Qср, Qmin. Весь диапазон изменения пульса был разделен на три поддиапазона: 0…50; 60…100; 110…150 уд. /мин. В результате под влиянием нагрузки система может находиться в одном из трех состояний в соответствии с выделенными поддиапазонами. Оказалось, что вероятность перехода системы в каждое из этих состояний различна и зависит от величины нагрузки.
Для Qmin: P1 = 0,8; P2 = 0,19; P3 = 0,01.
R = 1 – H / Hm; Hm = log 3 = 1,098; R = 1 – 0,23 / 1,098 = 0,79
Для Qср: P1 = 0,2; P2 = 0,6; P3 = 0,2.
H = – 0,2 log (0,2) – 0,6 log (0,6) – 0,2 log (0,2) = 0,41
R = 1 – 0,41 / 1,098 = 0,63
Для Qmax.: P1 = 0,01; P2 = 0,09; P3 = 0,9
H = – 0,01 log (0,01) – 0,09 log (0,09) – 0,9 log (0,9) = 0,15
R= 1 – 0,15 / 1,098 = 0,86
В итоге: R = (0,79 + 0,63 + 0,86) / 3 = 0,76.
Систему можно отнести к классу простых детерминированных систем.
Рассмотренный подход к оценке степени сложности и организации применим лишь для статических систем, состояния которых не зависят от фактора времени. Если система последовательно переходит из одного состояния в другое в пределах заданного множества состояний, то оценку ее организации необходимо проводить поэтапно. Причем каждый этап соответствует определенному уровню оценки.
На первом уровне оценивается вероятность появления каждого единичного состояния на протяжении интервала анализа независимо от динамики других состояний. Начинал со второго уровня, оцениваются вероятности появления комбинаций состояний по два (второй уровень), по три (третий уровень) и так до объединения в одну группу всех К состояний.
Количество состояний (n) на каждом i-м уровне определяется как количество сочетаний из К по L:
,
где L - количество состояний, объединяемых в комбинацию; К - общее количество одиночных состояний.
Сложность , энтропияHi и организация Ri на i-м уровне оценки определяются, как было показано для статического случая:
.
Затем строится зависимость R от уровня оценки. При этом величина R увеличивается по мере возрастания уровня. В конечном итоге анализируется вся кривая.
Пример: необходимо оценить организацию процесса, представляющего собой смену четырех состояний в приведенной последовательности: 1, 2, 3, 4, 3, 2, 1, 2, 3, 4 …
Первый уровень оценки: n1 = 4; P1 = P2 = P3 = P4 = 0,25;
R1 = 1 – 0,6 / 0,6 =0
Второй уровень оценки: .
Примем теоретически возможное сочетание состояний:
P1,2 = P2,3 = P3,4 = 0,33332; P1,3 = P1,4 = P2,4 = 0,00001;
Третий уровень оценки: .
Примем теоретически возможное сочетание состояний:
P1,2,3 = P2,3,4 = 0,44449; P1,2,4 = P1,3,4 = 0,00001;
Четвертый уровень оценки: n4 = 1 (сочетание всех состояний);
P1, 2, 3, 4 = 1; R4 = 1
График зависимости R от уровня оценки показан на рис. 1.3.
Таким образом, по частотам появления единичных состояний (первый уровень оценки) система является случайной, а по сочетаниям состояний – детерминированной (R > 0,3). В итоге, на первом уровне оценки систему можно назвать статически случайной. Динамически же она детерминирована.
Выбор класса модели.
Выбор класса модели в значительной степени зависит от уровня организации и сложности объекта исследования. Это касается, в первую очередь, классификации моделей по следующим признакам: "детерминированные –стохастические" и "линейные – нелинейные".
На рис.1.4 в виде сетки представлена классификация моделей в зависимости от оценки ее организации (R) и сложности (Нm).
В соответствии с представленной сеткой модели классифицируются следующим образом:
– простые детерминированные линейные модели;
– квазидетерминированные простые линейные модели;
– простые вероятностные модели;
– сложные детерминированные, линейные и нелинейные модели;
– сложные нелинейные квазидетерминированные модели;
– сложные вероятностные модели;
– очень сложные детерминированные,
– квазидетерминированные и вероятностные модели.
С помощью построенной сетки в определенной степени можно систематизировать выбор математического аппарата моделирования. Так, для наиболее распространенных классов простых и сложных детерминированных моделей (11 и 21) адекватен следующий математический аппарат.
Алгебраические уравнения. Они применяются для аппроксимации результатов экспериментов.
Методы дифференциальных и интегральных уравнений. Предусматривают построение математических моделей динамики систем. Достигается более глубокая содержательность, чем при использовании алгебраических моделей.
Методы теории управления и оптимизации. Позволяют анализировать биосистемы, разделяя их на объекты управления и управляющие подсистемы, и решать прикладные задачи управления биосистемами, оптимизируя их функции.
Теория конечных автоматов. Адекватна для моделирования динамики четко выраженных детерминированных систем с дискретными состояниями.
Булева алгебра. Применяется для статических моделей.
Для простых и сложных квазидетермированных моделей (12 и 22) можно воспользоваться нелинейными алгебраическими и дифференциальными уравнениями, а также уравнениями, коэффициенты которых подчиняются некоторым законам распределения.
Для простых и сложных вероятностных моделей (13 и 23) адекватны методы теории вероятности, теория случайных процессов, алгебраические и дифференциальные уравнения для описания вероятностей и законов распределения, метод Монте-Карло с использованием генераторов случайных чисел, марковские цепи и теория распознавания образов.