Содержание к диссертации
Введение
1 Методические положения системного анализа при исследовании и решении слабоструктурированных задач
1.1 Основные этапы системного анализа 12
1.2 Процедуры системного анализа и методы их реализации на основе современных компьютерных технологий 14
1.3 Нейронные сети как инструментарий проведения системных исследований 24
1.4 Характеристика объекта исследования методами теории нейронных сетей 32
1.5 Выводы 37
2 Основы математического аппарата нейронных сетей
2.1 Определение, классификации, виды нейронных сетей 39
2.2 Алгоритмы обучения нейронных сетей 44
2.3 Основные нейросетевые архитектуры, применяемы в системных исследованиях 50
2.4 Сравнительный анализ нейросетевых архитектур 58
2.5 Выводы 62
3 Алгоритмическое обеспечение решения задач системного анализа с использованием нейронных сетей
3.1 Алгоритм решения задачи системного анализа с применением нейро-сетевой модели 63
3.2 Проблемы практического использования искусственных НС при решении задач системного анализа 67
3.3 Обзор современных программных продуктов для создания нейросете-вой модели 74
3.4 Предпосылки и особенности использования системы визуального моделирования Matlab для реализации алгоритма системных исследования, дополненного нейросетевым блоком 81
3.5 Выводы 88
4 Теоретические основы оценки региональной безопасности с использованием нейронной сети
4.1. Теоретические аспекты системных исследований безопасности 89
4.2 Характеристика безопасности как объекта системного исследования.. 93
4.3 Подсистемы и критерии безопасности 97
4.4 Методы оценки безопасности 106
4.5 Моделирование региональной безопасности и ее оценка нейросетевым методами 113
4.6 Выводы 126
5 Разработка информационной системы на основе математического и программного аппарата исследования безопасности региона
5.1 Информационные системы и их применение в системных исследованиях 128
5.2 Структура информационной системы, реализующей алгоритм системного анализа с нейросетевым блоком для оценки региональной безопасности 132
5.3 Функционирование информационной системы оценки регионально безопасности 140
5.4 Результаты работы программы 148
5.5 Выводы 154
Заключение 158
Список использованных источников 161
Приложение А 172
Приложение В 173
- Процедуры системного анализа и методы их реализации на основе современных компьютерных технологий
- Определение, классификации, виды нейронных сетей
- Алгоритм решения задачи системного анализа с применением нейро-сетевой модели
- Теоретические аспекты системных исследований безопасности
Введение к работе
В современном обществе появляются все новые проблемы, особо сложные на стыке наук, решение которых невозможно без учета системы взаимосвязей объектов реального мира. Поэтому системность становится одним из главных аспектов практической деятельности, она обеспечивает жизненность и реальность предлагаемых путей выхода из периодически возникающих проблемных ситуаций. В этом случае используют системные исследования, которые реализуются посредством системного подхода и системного анализа.
Системный подход есть общий метод исследования объекта как целого, т.е. как совокупности элементов, находящихся во взаимодействии. Он базируется на комплексном понимании существа, роли, значения и взаимосвязи важных факторов; позволяет комплексно и всесторонне изучить проблему, выделить приоритеты и оптимизировать основные параметры системы.
Системный анализ выступает как комплекс специальных процедур, приемов и методов, обеспечивающих реализацию системного подхода. Он относится к тем направлениям современной науки, которые возникли в период обострения социальных, экономических и политических проблем XX века, вызвавших необходимость поиска и обоснования принципиально новых решений в различных областях деятельности. Большой вклад в развитие и становление системного анализа как науки внесли Н. Винер, Л. Берталанфи, М. Месарович, Дж. Данциг, У. Эшби, К. Шеннон, Н.П. Буссленко, А.А. Вавилов, В.М. Глуш-ков, А.А. Дородницин, М.В. Келдыш, Н.Н. Моисеев и другие.
В отличие от многих наук, целью которых является открытие и формулирование объективных законов и закономерностей, присущих предмету изучения, системный анализ, в основном направлен на выработку конкретных рекомендаций, в том числе и на основе использования теоретических достижений различных наук в прикладных целях. Он предназначен для решения, в первую очередь, слабоструктурированных проблем, т.е. проблем, состав элементов и взаимосвязей которых установлен только частично; задач, возникающих, как правило, в ситуациях, характеризуемых наличием фактора неопределенности и содержащих неформ ал изуемые элементы. Преимущество системной оценки состоит в том, что ее возможно провести даже в случаях, когда обычные методы сопоставления, сравнения невозможно применить. Поэтому идеи и возможности системной методологии привлекли внимание специалистов из слабоструктурированных предметных областей: медицина, экология, социология, финансы и другие практически важные области.
Развитие идей системного анализа привело к необходимости выявления структуры решаемой проблемы и актуальности применения современных технологий для формализации процедур ее исследования. Реализация неформализованных этапов при этом осуществляется с помощью эвристических методов, в частности методов теории искусственных нейронных сетей. Они являются основой для построения модели системы и отличаются от других методов тем, что не нуждаются в заранее известной модели, а строят ее сами на основе предъявленной информации. Именно поэтому нейронные сети вошли в практику везде, где есть плохо алгоритмизируемые задачи, для решения которых необходима либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы, каковыми и являются нейронные сети.
В связи с изложенным становится актуальным формализация некоторых процедур системного анализа на основе нейронных сетей. Для этого необходимо уточнение алгоритма исследований с учетом применения методов нейросе-тевого моделирования, анализ методов теории искусственных нейронных сетей и определение возможных архитектур при решении практических задач.
Предметной областью, в которой уже получили признание нейросетевые методы, является сфера экономики и финансов (оценка рентабельности предприятий, прогнозирование курса валют, прогнозирование курса акций на фондовом рынке, оценка кредитоспособности заемщиков и т.д.), медицина (распознавание сигналов электрокардиограммы, постановка диагноза заболевания), управления автоматическими устройствами. В этих областях нейросетевые ал горитмы нашли свое применение в форме математического ядра интеллектуальных систем принятия решений, экспертных систем, оболочек для имитационного моделирования, нейросетевых баз знаний и др.
Из многообразия практических проблем, при решении которых необходимо использовать методы системного анализа, основанные на теории нейронных сетей, мы остановились на задаче оценки безопасности региона и разработке методов формального описания этой процедуры.
Безопасность и устойчивое развитие общества - взаимосвязанные понятия, имеющие большое значение для процветания общества. Обеспечение безопасности в течение последних десятилетий вошло в разряд наиболее приоритетных проблем, решаемых как административными органами, так и учеными. В связи с этим рассмотрение вопроса оценки безопасности представляется особенно актуальной в настоящий момент.
На сегодняшний день данная проблема является недостаточно проработанной и изученной. В литературе имеются описания подходов к рассмотрению отдельных аспектов безопасности, разрозненных по способу описания объекта исследования и характеризующихся оценкой одного отдельно взятого аспекта безопасности.
Разработаны ряд методов для оценки безопасности [4, 5, 9, 32, 51, 76, 78, 87, 123]. Однако, они не учитывают системности понятия и их применение затруднительно в силу ряда причин: количество информативных признаков той или иной ситуации в регионе может быть достаточно большим, что приводит к усложнению расчетов; исходные данные могут быть зашумлены; затруднительно проведение комплексной оценки ситуации, так как некоторые виды показателей тесно вязаны между собой. Кроме того, решение реальных системных задач должно осуществляется на основе рационального использования интеллектуальных возможностей человека, математической среды современных компьютерных систем и сетей, эвристических приемов и процедур, компьютерной математики. Поэтому представляется необходимым и актуальным рассмотреть безопасность как систему, выявить критерии, по которым можно судить об уровне безопасности, разработать единую методику оценки для различных составляющих этого понятия с применением возможностей современных информационных технологий. Построение модели предметной области необходимо выполнять на основе системного подхода и использованием методов системного анализа.
Среди математических моделей безопасности нейронные сети широко не использовались и поэтому их возможности в этой области мало изучены. Применение нейросетевых методов к задаче моделирования и оценки безопасности позволит повысить качество создаваемой модели, так как именно этот инструментарий обеспечивает преодоление трудностей, возникающих при исследовании безопасности традиционными методами.
Таким образом, на сегодняшний день существует необходимость в уточнении алгоритма системного анализа с учетом применения методов нейросете-вого моделирования, анализе методов теории искусственных нейронных сетей и выборе оптимальной архитектуры для решения практических задач, системном исследовании понятия «безопасность», разработке методов построения нейросетевой модели и алгоритма оценки региональной безопасности.
Объектом исследования является методика оценки безопасности региона на основе нейронной сети. Предметом исследования - математическое и программное обеспечение информационной системы для оценки безопасности региона на основе нейронной сети.
Целью данной работы является разработка методики автоматизации процедур системного анализа на основе теории искусственных нейронных сетей и создание информационной системы для ее реализации. Внедрение этой системы осуществляется путем адаптации (настройки параметров) применительно к конкретной предметной области. Она позволит представить лицу, принимающему решение, доступную информацию из различных областей знаний в удоб ной форме, что способствует повышению оперативности и обоснованности принимаемых решений.
Для достижения этой цели были поставлены и решены следующие задачи:
1. Рассмотреть основные положения системного анализа, этапы его проведения, возможности применения нейронных сетей на различных этапах исследования системы. Описать класс систем, к которым применимы методы нейіросетевого моделирования. Дать характеристику объекта исследования указанными методами.
2. Осуществить аналитическую работу по классификации существующих алгоритмов обучения и архитектур нейронных сетей, оценить возможности их применения на различных этапах проведения системного анализа.
3. Сформулировать уточненный алгоритм системного анализа с нейросе-тевым блоком, описать особенности применения нейронных сетей при решении практических задач, рассмотреть возможности применения инструментальных средств для реализации указанного алгоритма.
4. Исследовать понятие «безопасность» с точки зрения системного анализа и разработать единый методический подход. Применить алгоритм системного анализа с нейросетевым блоком для оценки безопасности региона с использованием определенной совокупности показателей.
5. Создать информационную систему для реализации процедуры оценки безопасности региона на базе предложенного системного алгоритма с использованием нейросетевой модели. Проанализировать ее структуру и возможности применения.
Содержание диссертационной работы отражает реализацию поставленных задач.
В первой главе рассмотрены вопросы методологии системного анализа, этапы его проведения, даны основные определения и терминология, исполь зуемые в системных исследованиях. Обоснован выбор неиросетевои технологии из многообразия моделей, описаны сферы их применения.
На основании проработанного материала сделан вывод о необходимости применения неиросетевои модели при проведении системного исследования сложных объектов.
Во второй главе выполнен анализ основных положений теории нейронных сетей, описан процесс построения сети и его основополагающие принципы, приведена классификация сетей, описаны наиболее часто используемые нейросетевые архитектуры, дан сравнительный анализ нейросетевых архитектур и их возможностей применительно к решению задач системного анализа (классификации, анализа данных, управления, прогнозирования, кластеризации, аппроксимации).
На основании изложенного материала сделан вывод о том, что из многообразия нейросетевых архитектур, применяемых при решении задач системного анализа, можно выбрать наиболее функциональную архитектуру для решения конкретной практической задачи. Установлено, что при исследовании сложных систем методами системного анализа наиболее целесообразно применять гомогенные аналоговые синхронные сети, подвиды которых позволяют решать многие задачи автоматизации ряда процедур системного анализа.
В третьей главе обоснован и описан уточненный алгоритм решения задач системного анализа на основе неиросетевои модели. Он позволяет на основе имеющейся статистической информации произвести оценку состояния объекта и на ее основе принять определенные решения о дальнейшем режиме функционирования объекта. Выполнен обзор современных моделирующих нейросетевых программных пакетов с целью анализа доступности их использования для реализации разработанного алгоритма. Обосновано использование пакета визуального моделирования Matlab в качестве инструментальной среды для создания неиросетевои модели, что позволит создать наиболее полную модель предметной области с учетом факторов внешнего воздействия. Описаны способы решения проблем, возникающих при формировании архитектуры нейронной сети для решения задач системного анализа: подбор оптимальной архитектуры сети, методы наращивания сети, подборка обучающих выборок.
В четвертой главе предложено одно из возможных применений уточненного алгоритма системного анализа. Его использование возможно при исследовании сложных слабоструктурированных систем. Одной из таких является безопасность региона. В связи с этим рассмотрены теоретические аспекты системных исследований применительно к указанной проблеме. Для этого определены объекты и субъекты безопасности, суть проблемы и задачи оценки безопасности, дана характеристика безопасности как объекта системного исследования, описана структура и критерии безопасности.
В пятой главе рассмотрены вопросы создания информационной системы для оценки безопасности региона на базе предложенного уточненного алгоритма системного исследования, описана структура информационной системы с нейросетевым модулем, проведена оценка эффективности системы и верификация результатов, полученных с использованием традиционных методов оценки региональной безопасности и нейросетевого метода.
В заключении описаны выводы и результаты проделанной работы.
Научная новизна исследования заключается в следующих результатах.
1. Разработана теоретическая база применения нейросетевых методов в системных исследованиях, отмечены преимущества нейронных сетей перед другими видами моделей, проведено их сопоставление с типами исследуемых систем, определено место нейронных сетей в процессе системных исследований.
2. Разработана методика проведения системных исследований на основе алгоритма системного анализа, уточненного нейросетевым блоком, она может быть использована при изучении сложных иерархических систем, ее математическую основу составляет алгоритм системного анализа, уточненный нейросетевым блоком. 3. Разработана методика применения уточненного алгоритма системного анализа для оценки безопасности региона, проведено исследование безопасности с точки зрения системного анализа, построена нейросе-тевая модель экономической безопасности региона.
4. На основе проведенных исследований создана информационная система для оценки безопасности региона «Нейрон», который использован при принятии решений по вопросам оценки безопасности региона. Он позволяет производить оценку региональной безопасности по определенному критерию, накапливать и хранить информацию о значениях показателей безопасности, об уровне безопасности в регионах за определенный временной период, проводить сравнительный анализ состояния безопасности регионов.
Процедуры системного анализа и методы их реализации на основе современных компьютерных технологий
Системный анализ возник в ответ на требования практики, поставившей задачу изучать и проектировать сложные системы, управлять ими в условиях неполноты информации, ограниченности ресурсов, дефицита времени. Он известен, главным образом, как методология решения проблемы. При этом проблему можно представить как замену существующей системы новой, усовершенствованной, как процесс создания новой системы, или как процесс совершенствования определенной области деятельности.
Таким образом, системный анализ есть совокупность средств научного познания и прикладных исследований, используемых для подготовки и обоснования решений по сложным проблемам социально-экономического и технического характера [29]. Выясняя суть той или иной проблемы, и осуществляя выбор рациональных способов ее преодоления, он основывается на диалектическом подходе к объектам реального мира. Это позволяет расширить и укрепить позиции системности в различных областях деятельности, появляется возможность применения в рамках системного анализа достижений математики, механики, теории управления, обществоведения, экономики для получения искомых результатов.
При использовании методов системного анализа необходимо учитывать следующие его особенности [13, 26, 29, 83, 85]. 1. Довольно часто недооценивается работа, связанная с формулировкой проблем, целей и критериев. В системном анализе акцентируется внимание на трудностях их формулирования, на способах преодоления этих трудностей. 2. Преодоление сложности, природа которой связана с неполной формализуемостью, требует систематического применения неформальных знаний и методов. Системный анализ объединяет формальные и неформальные подходы. 3. Современный системный анализ является объединением на основе единой идеи философских установок, практических наблюдений с набором математических и технических средств, привлечением знаний из любых предметных наук, имеющих отношение к рассматриваемой проблеме. Системный анализ в его современном понимании реализует диалектический метод при рассмотрении прикладных задач. В плане математической постановки задачи системный анализ не может быть полностью формализован, поскольку в нем большую и очень важную роль играют этапы, на которых используются неформализованные процедуры. В связи с этим требованием в данном исследовании на основе работ [13, 45, 55, 56, 61, 65, 67, 68, 76, 89, 102, 103, 104] сделана попытка определить степень возможности автоматизации процедур системного анализа при проведении исследований сложных систем. 1.2 Процедуры системного анализа и методы их реализации на основе современных компьютерных технологий С целью построения и исследования процедур системного анализа использована методология функционального моделирования SADT, разработанная Дугласом Россом и получившая дальнейшее развитие в работе [61]. На ее основе построена известная методология IDEF (Icam DEFinition) [130]. Одно из направлений данной методологии - IDEF0 представляет собой совокупность методов, правил и процедур, предназначенных для построения функциональной модели объекта какой-либо предметной области, которая отображает функциональную структуру объекта. Построение функционально-структурной модели системного анализа реализуется в виде IDEFO-диаграмм, в которых в качестве функций определены этапы (процедуры) системного анализа, в качестве управляющих воздействий - методы их решения, а в качестве исполнителей (механизмов) — лица, участвующие в процессе создания системы и средства автоматизации их труда. Основные этапы системного анализа в виде IDEFO-диаграммы приведены на рисунке 1.1 [99]. При формулировании содержательной постановки задачи необходимо определить суть решаемой проблемы. Под проблемой понимается различие в желаемом и действительном положении дел [99]. Для ее расширения потребуется содержательная модель над- и подсистем относительно проблемосодер-жащей системы [17]. Системное исследование всякой проблемы начинается с ее расширения до проблематики, т.е. нахождения системы проблем, существенно связанной с исследуемой, без учета которых она не может быть решена [83, 85].
Определение, классификации, виды нейронных сетей
Алгоритм обратного распространения ошибки - это итеративный градиентный алгоритм обучения, который используется с целью минимизации среднеквадратичного отклонения текущего выхода и желаемого выхода многослойных НС. В данной процедуре сначала происходит коррекция весов для выходного нейрона, а затем - для нейронов скрытого слоя, т.е. от конца сети к ее началу. Функция ошибки зависит от векторов весов скрытого слоя и векторов весов, связанных с выходным нейроном. Для устранения недостатков этого алгоритма, существуют многочисленные его модификации, которые связаны с использованием различных функций ошибки, различных процедур определения направления и определения величины шага и т.п.
Алгоритм обучения Хэбба [34, 54, 80, 122] требует на стадии инициализации присвоения всем весовым коэффициентам небольших случайных значений. Далее на входы сети подается входной образ и для каждого нейрона рассчитывается взвешенная сумма его входов, к которой затем применяется активацион-ная (передаточная) функция нейрона, в результате чего получается его выходное значение у/"}, i=0...MrI, где М, - число нейронов в слое i; n=0...N-It а N -число слоев в сети. На основании полученных выходных значений нейронов производится изменение весовых коэффициентов. Достоинство алгоритма Хэбба заключается в его локальности, каждый нейрон обучается отдельно и независимо от соседних, поэтому процесс запоминания, время и эффективность не зависят от сложности сети, числа слоев и топологии связей. Недостатками алгоритма являются:
После выявления нейрона-победителя его выход устанавливается равным единице (у остальных нейронов устанавливаются нулевые выходы), а веса корректируются так, чтобы уменьшить квадрат величины рассогласования JC-W,- . В качестве правила останова можно принять, например, стабилизацию векторов весов на каких-то значениях. Если оно не выполнено, то цикл обучения продолжается, в противоположном случае обучения прекращается. Итоговым результатом подобных коррекций являются векторы весов, показывающие на центры кластеров (центры группирования) входных образов. Для решения задачи классификации число нейронов сети должно быть не меньше, чем число кластеров; поскольку точное число кластеров может быть заранее неизвестно, количество нейронов задают с определенным запасом. «Лишние» нейроны, у которых в процессе обучения сети веса изменяются хаотически по завершении данного процесса могут быть удалены. Достоинства алгоритма Кохонена: решение проблемы пластичности (сохранения старых образов при запоминании новых), извлечение статистических свойств из множества входных данных.
Обучение Больцмана - это, непосредственно применимый к обучению искусственных нейронных сетей [118]. В начале процесса обучения переменной Т придается большое начальное значение. Затем сети предъявляется множество входов и вычисляются выходы и целевая функция. Далее изменяется случайно вес и пересчитывается выход сети и изменение целевой функции в соответствии со сделанным изменением веса. Вероятность изменения веса вычисляется с помощью распределения Больцмана Р(с) = ехр(-с/&7), где Р(с) - вероятность изменения с в целевой функции; к — константа, аналогичная константе Больцмана, выбираемая в зависимости от задачи. Если Р(с) больше, чем случайное число гє[0, 1], то изменение сохраняется, в противном случае величина веса возвращается к предыдущему значению. Это позволяет системе делать случайный шаг в направлении, изменяющем целевую функцию, позволяя ей тем самым вырываться из локальных минимумов, где любой малый шаг увеличивает целевую функцию. Для завершения обучения для каждого из весов сети повторяют изменение веса и его сохранения, постепенно уменьшая Т, пока не будет достигнуто допустимо низкое значение целевой функции. В этот момент предъявляется другой входной вектор и процесс обучения повторяется.
Алгоритм Коши - другой стохастический метод обучения [122]. Вероятность изменения веса определяется по формуле распределения Коши где Р(х) есть вероятность шага величины х. Соединение алго Г(/) +х ритма Коши и обратного распространения ошибки приводит к хорошим результатам. Коррекция весов, равная сумме, вычисленной алгоритмом обратного распространения, и случайный шаг, задаваемый алгоритмом Коши, приводят к системе, которая сходится и находит глобальный минимум быстрее, чем система, обучаемая каждым из методов в отдельности.
Рассмотренные стохастические алгоритмы применяются при решении задач нелинейной оптимизации. Можно применять и другие методы, но стохастический метод позволяет преодолеть трудности, обусловленные локальными минимумами, с которыми сталкивается метод обратного распространения и другие методы градиентного спуска.
Алгоритм решения задачи системного анализа с применением нейро-сетевой модели
В главе 1 нами были рассмотрены этапы проведения системного анализа применительно к сложным слабоструктурированным системам. На практике исследователям чаще приходится сталкиваться с подобными системами, одним из элементов в которых является человек. Это приводит к тому, что применение классических методов исследования становится сложным и не отражает реального положения дел. Для разрешения такой проблемы используют инструментальные средства, которые позволяют учесть неформализуемые этапы при исследовании системы. Одним из таких средств является нейросетевая модель. Ее включение в проведение процедуры системного анализа возможно на этапе моделирования системы.
Построение нейросетевой модели системы Для построения нейросетевой модели сложной слабоструктурированной системы возможно использовать несколько конфигураций сети: многослойная сеть прямого распространения, сеть с обратными связями, сеть Кохонена. Эти конфигурации предназначены для классификации векторов входа и были рассмотрены ранее в главе 2. Сравнение указанных типов архитектур сетей приведено в таблице 3.1 [77]. Рассмотрим более подробно содержание этапов алгоритм построения нейросетевой модели [77, 80]. 1-й этап. Сбор исходных данных и представление их в единой форме в обучающей выборке. Целью является приведение информации об объекте исследования в соответствии с решаемой задачей. Каждую ситуацию выборки представим в общем виде: - вектор параметров объекта; Z=(zi, ..., z„) - вектор факторов среды; - вектор, характеризующий режимы функционирования объекта. 2-й этап. Синтез архитектуры НС и ее параметров. На этом этапе необходимо определить: 1) число слоев V сети; 2) число нейронов г, в каждом слое, i=l, ..., V; 3) вид функции/активации нейронов. 3-й этап. Синтез нейросетевой модели путем обучения НС. Для определения параметров оценочной модели М используются алгоритмы обучения сети. 4-й этап. Процедура получения результата функционирования НС заключается в подаче на входной слой xh обученной сети вектора характеристик объекта обучающей выборки и получении отклика НС в выходном слое q%, характеризующего состояние объекта. Здесь i=l, ..., С учетом того, что в основе обучающей выборки лежат экспериментальные данные, являющиеся преимущественно случайными величинами, то результат настройки весовых коэффициентов и величин смещения НС может также иметь вероятностный смысл. 5-й этап. Верификация результатов трактуется как этап, на котором осуществляется оценка достоверности или точности данных, полученных в режиме функционирования сети. Вся имеющаяся выборка R разбивается на обучающую выборку для синтеза параметров нейросетевой модели и проверочную выборку для ее верификации. Полученный алгоритм позволяет использовать достоинства нейросетево-го моделирования при проведении системных исследований. Он обладает рядом преимуществ по сравнению с традиционным алгоритмом системного анализа: 1) наличие нейросетевой модели позволяет учесть неформ ал изуемые элементы системы; 2) алгоритм может быть использован в тех случаях, когда классические методы исследования становятся сложными; 3) алгоритм может быть использован при исследовании процессов, характеризующихся большим числом критериев; 4) имеет высокую скорость обработки больших объемов статистической информации; 5) предоставляет возможность обработки данных, представленных в различных единицах измерения; 6) может быть легко реализован в виде программы для ЭВМ, что позволит автоматизировать процесс системного исследования. Таким образом, алгоритм системного анализа для исследования сложных слабоструктурированных систем уточнен блоком построения нейросетевой модели. Это позволит построить более точную модель исследуемой системы, отражающую ее суть, характер взаимосвязей между подсистемами, с внешней средой, разрешить проблемы, связанные с размерностью системы, многокрите-риальностью, взаимным влиянием параметров друг на друга, разнотипностью параметров, зашумлением данных и т.д. 3.2 Проблемы практического использования нейронных сетей при решении задач системного анализа В процессе построения НС, описанном выше, возникают следующие проблемные ситуации: 1) предварительный подбор архитектуры сети; 2) оптимизация архитектуры сети; 3) методы редукции сети; 4) подборка обучающих выборок. Рассмотрим возможные способы решение этих проблем. 3.2.1 Предварительный подбор архитектуры сети Для решения задач с применением НС следует, прежде всего, спроектировать структуру сети, адекватную поставленной задаче. Это предполагает выбор количества слоев сети и нейронов в каждом слое, а также определение необходимых связей между слоями.
Подбор количества нейронов во входном слое обусловлен размерностью входного вектора х. Подобная ситуация и с выходным слоем, в котором количество нейронов принимается равным размерности ожидаемого вектора у. Серьезной проблемой остается подбор количества скрытых (внутренних) слоев и числа нейронов в каждом из них. Теоретическое решение этой задачи было предложено математиками в [80, 125, 129, 132]. Отметим, что НС выступает в роли универсального аппроксиматора обучающих данных (х, у). Определение минимального количества скрытых слоев сети основано на использовании свойств аппроксимирующих функций.
В соответствии с теорией Колмогорова [49, 50, 80], если ограничиться непрерывной функцией, трансформирующей N-мерное множество входных данных х в М-мерный выходной вектор у, аппроксимация такого типа осуществима при использовании сети с одним скрытым слоем.
Теоретические аспекты системных исследований безопасности
Рассмотренный алгоритм системного анализа, уточненный нейросетевым блоком, может быть использован при исследовании разнообразных сложных объектов. Он составлен безотносительно к содержанию исследуемого объекта, что позволяет использовать его для исследования слабоструктурированных систем в практической деятельности. Применение уточненного алгоритма возможно в тех областях деятельности человека, в которых преобладают слабоструктурированные задачи. Это экономика, экология, медицина, управление и др. Для иллюстрации применения описанного подхода из всего многообразия проблем нами выделена проблема оценки безопасности региона. 4.1 Теоретические аспекты системных исследований безопасности
Потребность обеспечения безопасности относится к числу основных мотивов деятельности людей. Стремление к безопасности обусловило объединение людей в сообщества, формирование в их рамках силовых структур, предопределило образование многих международных организаций.
Отмеченные факторы предопределяют жизненную необходимость и актуальность постановки и решения проблемы обеспечения комплексной безопасности на строго научной основе с учетом всех аспектов этой многофакторной, многопараметрической проблемы.
До недавнего времени безопасность являлась монопольной сферой высшего политического руководства, в значительной степени закрытой для широкой научной общественности. Это обусловило низкий уровень разработанности самого понятия «безопасность», которое в течение длительного времени касалось в основном военных аспектов.
Происходящие в среде научных работников, общественных и государственных деятелей, политиков дискуссии и обсуждения различных концепций и разработок по проблемам безопасности свидетельствуют о значительном разбросе мнений, отсутствии завершенной методологической основы. Этим объясняется необходимость и актуальность разработки единой теоретической основы для исследования данной проблемы с учетом особенностей современного этапа развития нашей страны. Формирование научного понятия безопасности с теоретической точки зрения является вопросом принципиальной важности в силу следугощих причин [124]: 1) это понятие должно отразить сущность данного явления; 2) необходимо корректно сформулировать содержание проблемы; 3) выделить наиболее важные элементы проблемы, как методологиче ские, так и относящиеся к сфере прикладной деятельности. Рассмотрим содержание этапов алгоритма системного исследования, уточненного нейросетевым блоком, применительно к проблеме оценки безопасности. -Алгоритм системного исследования безопасности Определение проблемы. Этот этап связан с формулированием проблемы и определением проблемосодержащей системы. К предметной области обеспечения безопасности следует отнести хозяйствующие объекты, население, социальные, экономические процессы, управленческие, мониторинговые и кон трольные структуры и системы, взаимосвязи и отношения между упомянутыми ними, а также явления и процессы, которые обусловливают возникновение и формирование угрожающих факторов воздействия. Проблемой является обеспечение безопасности, проблемосодержащей системой, предназначенной для разрешения проблемы, является нейросетевая система оценки безопасности. В связи с этим представляется необходимым выявить способы оценки безопасности, провести оценку на примере экономической безопасности регионов Российской Федерации. Определение целей системы. Основными целями оценки региональной безопасности являются [9, 117,123]: диагностирование состояния регионов по безопасности с отнесением состояния к определенному классу по степени тяжести ситуации; улучшение социально-экономической ситуации в регионах; эффективное использование ресурсов; обеспечение приемлемого уровня безопасности для компонентов системы. На этом же этапе происходит формирование множества критериев безопасности как базы для оценки состояния системы, разработка комплексов методов и инструментальных средств определения их значений. Анализ системы включает определение модели системы, сведения о подсистемах и определение принципов управления системой. При проведении этого этапа основная цель состоит в формирование модели. Она должна описывать моментальные состояния исследуемой системы, динамику их изменения, а так же состояние внешней среды. Построение формальной модели позволит структурировать и конкретизировать понятие безопасности, разбить задачу оценки безопасности региона на подзадачи и в конечном итоге, выработать необходимые решения [83]. Наиболее приемлемой для рассматриваемой задачи является модель структуры системы. Она позволяет различать составные части безопас ности как системы, которые в свою очередь могут представлены в виде составных частей, а также учитывает совокупность отношений между подсистемами безопасности, необходимых и достаточных для достижения цели. Правильная интерпретация информации о состоянии и функционировании указанных выше объектов и структур, об их взаимосвязях обеспечивается их адекватным и корректным описанием с применением соответствующего математического аппарата. Совокупность этих описаний составляет модель предметной области.
Синтез системы. На этом этапе происходит синтез альтернативных вариантов системы, определение ресурсов для ее функционирования и выбор системы [99]. Для оценки безопасности возможно создание нескольких типов систем, требующих определенных ресурсов (работа экспертов, информация о значениях критериев безопасности). Нами выбрана нейросетевая система оценки безопасности, так как она является адаптивной системой и не требует значительных ресурсов.
Реализация системы представляет собой программный комплекс, построенный на основе предложенного алгоритма оценки безопасности с помощью нейросетевой модели. Этот этап включает в себя разработку структуры программы, определение технологий для ее реализации, испытание системы, тестирование, определение путей модернизации. Создаваемый программный комплекс может быть использован для осуществления непрерывного мониторинга ситуации в регионах. Основной целью мониторинга является наблюдений за динамикой изменения состояния системы, оценка выхода значений критериев безопасности за пороговые значения. На основе полученных данных и результатов исследования модели системы должна осуществляться оценка тяжести последствий, а также выявляться угрозы безопасности региона.
